Den KI-drevne produktlederen: Slik lanserer dr. Nancy Li KI-produkter på få uker
Lær dr. Nancy Lis rammeverk for KI-drevet produktutvikling, og se hvordan du kan automatisere produktlederarbeid, validere ideer raskt og lansere KI-produkter på få uker med målbar verdi.
Nancy Li
Produktdirektør, YouTuber og LinkedIn-toppstemme
Bransjeledelse: Dr. Nancy Li er en anerkjent produktdirektør, YouTuber og LinkedIn-toppstemme innen produktledelse for KI.
Prosjektledelse med KI: KI forandrer prosjektleveranser ved å rette større oppmerksomhet mot beslutningstaking fremfor ren dokumentasjon.
Automatisering av oppgaver: Automatisering av sentrale produktlederoppgaver sparer betydelig tid og øker effektiviteten og produktiviteten.
Livssyklusen til KI-produkter: Et strukturert rammeverk for KI-produkter fremskynder lanseringen og sikrer samtidig at KI-applikasjoner gir reell verdi.
Rollenes fremtid: KI kan erstatte enkelte roller, men understreker behovet for dyktige, KI-drevne produktledere.
Dr. Nancy Li er en anerkjent produktdirektør, YouTuber og LinkedIn Top Voice. Hun grunnla Product Manager Accelerator, to AI-produkter og AI Product Management Bootcamp – sistnevnte står bak lanseringen av over 40 AI-produkter fra den virkelige verden.
Vi tok en prat med henne for å forstå hvordan hun gjør det. Hun delte rammeverket sitt for rask og effektiv prosjektleveranse.
Opplæring av produktledere
Jeg grunnla Product Manager Accelerator, som har hjulpet over 1 500 produktledere med å få drømmejobbene sine i FAANG-selskaper og enhjørningsoppstartsbedrifter – og med å bli forfremmet til produktledere. Og jeg grunnla AI Product Management Bootcamp, som har bidratt til lanseringen av 40 AI-produkter fra den virkelige verden.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Senest utviklet vi to AI-produkter for studentene våre: AI Study Companion og AI Interviewer Copilot. De brukes for tiden av studenter ved PM Accelerator, og vi lanserer produktet for eksterne brukere i 2026.
Jeg var også en av de yngste doktorene i ingeniørfag fra BU, og jeg er tidligere student ved MIT Sloan School of Business. Jeg er en prisbelønt produktdirektør og YouTuber. Jeg har blitt omtalt i Forbes, og jeg er en LinkedIn Top Voice.
Hvordan AI endrer prosjektleveranser fra artefakter til beslutninger
På grunn av AI går prosjektleveranser fra å produsere artefakter til å ta beslutninger. Vi bruker mindre tid på dokumentasjon og koordinering, og mer tid på å definere de riktige problemene, validere antakelser og utforme AI-aktiverte arbeidsflyter.
På grunn av AI går prosjektleveranser fra å produsere artefakter til å ta beslutninger.
Det går raskere, er mer iterativt og handler i økende grad om å koordinere mennesker og AI sammen – ikke om å håndtere overleveringer.
Som CEO og CPO klarte jeg å halvere teamet mitt og doble produksjonen ved å utnytte kraften i AI.
Hvilke sentrale produktlederoppgaver kan automatiseres
Jeg sparer minst åtte timer i uken på produktlederoppgaver ved å automatisere arbeidet mitt. Følgende oppgaver bør automatiseres:
- Generering av krav
- Prototyping
- Markedsundersøkelser
- Feilsøking
- Kundeintervjuer – vi bruker Dovetail til å oppsummere møtenotater og omgjøre dem til krav.
- Å komme raskt inn i nye prosjekter
- Å sette seg inn i et hvilket som helst tema, som bransjenyheter
- Oppsummering av eksisterende teknologistakker
- Oppretting av systemarkitekturdiagrammer basert på eksisterende kodebase
Men det er viktig å merke seg at menneskelig innsats fortsatt er nødvendig på enkelte områder, som å gå fra prototype til produkter på produksjonsnivå og å utvikle en produktstrategi som faktisk hjelper deg med å skille deg ut.
Menneskelig innsats er fortsatt nødvendig på enkelte områder, som å gå fra prototype til produkter på produksjonsnivå og å utvikle en produktstrategi som faktisk hjelper deg med å skille deg ut.
Hvordan AI endrer de sentrale leveranserutinene for produktteam
Alt dette påvirker leveranserutinene.
AI halverer tiden det tar å definere prosjektomfanget . I dag kan du samle inn tilbakemeldinger fra kunder og gjennomføre markedsundersøkelser svært enkelt.
Og selv om det fortsatt krever en menneskelig tilnærming å samkjøre team, kan AI bidra til å oppsummere teammøter og spare tid på den måten.
Et rammeverk for å lage AI-produkter
Som jeg sa, har bootcampen min bidratt til å lansere over 40 AI-produkter. For å gjøre dette utviklet vi et rammeverk for AI-hypoteser. Det er et enkelt og repeterbart system vi bruker for å validere AI-ideer før vi bygger dem.
Det starter med problemdefinisjon ved hjelp av GUCCI-rammeverket vårt (Goals and Mission, Unmet Needs, Customer Segmentation, Competition og Integrated Ecosystem), der vi avklarer brukerens mål, utfordring, begrensninger og hvilken påvirkning vi ønsker å skape.
Deretter formulerer vi en AI-hypotese – en tydelig beskrivelse av hvilke inndata AI trenger, hvilke utdata den skal generere, og hvordan den vil forbedre arbeidsflyten. Dette legger grunnlaget for datastrategien vår og et raskt konseptbevis for AI for å teste teknisk gjennomførbarhet.
Deretter validerer vi AI-inndataene og -utdataene direkte med kunder for å bekrefte om funksjonen faktisk løser et reelt problem. Bare validerte ideer går videre til produktets MVP, der vi utformer hele brukerreisen med AI.
Når MVP-en er lansert, måler vi om vi har oppnådd produkt–markedstilpasning for AI. Hvis svaret er ja, skalerer vi gjennom en generaliseringsstrategi, utvider bruksområdene og utnytter reelle brukerdata for å styrke data- og produktfordelen vår.
Denne livssyklusen – GUCCI → AI-hypotese → PoC → MVP → PMF → Skalering – gjør at vi konsekvent kan lansere AI-produkter på omtrent tre måneder, samtidig som vi sikrer at AI bare brukes der det faktisk skaper målbar verdi. Du kan lese mer om prosessen her.
Slik fremskynder spesifikasjonsdrevet produktledelse leveringen av AI-produkter
En annen viktig del av dette er at vi har gått bort fra tradisjonelle prosjektledelsesmetoder – å skrive krav, vente på at designere skal lage skisser og vente på at utviklere skal lage den første prototypen. Nå bruker vi en «spesifikasjonsdrevet» produktledelsesprosess, som betyr at vi bruker AI-verktøy til å skrive krav og generere prototyper raskt.
Nå bruker vi en “spesifikasjonsdrevet” produktledelsesprosess, som betyr at vi bruker AI-verktøy til å skrive krav og generere prototyper raskt.
Vi kan gjøre produktkrav om til prototyper på én time uten å skrive kode, og eksperimentere med ideer – raskt. Når vi fjerner avhengighetene til designere og utviklere, forkortes tidslinjene, og prosjektledere sparer enkelt flere timer hver uke.
Slik gjør du det:
- Be ChatGPT om hjelp med produktkravene til ideene dine
- Legg inn produktideene dine
- ChatGPT vil deretter stille oppklarende spørsmål og utforme et detaljert kart over brukerreisen
- Be ChatGPT om å generere krav.
- Legg disse kravene inn i Google AI Studio for å generere prototypen.
Hvorfor en scenario-først-filosofi skaper målbar verdi
Vi satser stort på agenter. Faktisk er den overordnede produktretningen vår i stor grad basert på agentbaserte arbeidsflyter – både i virksomheten vår og i produktene våre. Det betyr å gi AI ansvar for resultater, ikke bare instruksjoner.
Internt hjelper agenter oss med å omforme komplekse arbeidsflyter til skalerbare prosesser av høy kvalitet som kan gjentas. Kombinert med evalueringssløyfen vår fra ende til ende har agentbaserte systemer blitt en pålitelig motor bak kvaliteten på leveransene våre.
Vi bruker for eksempel agenter som henter inn kundedata, genererer innsikt, utarbeider PRD-er, genererer designvarianter og lager designprototyper. Vi har også laget en «andre AI-hjerne» som kan idémyldre sammen med meg som en juniorproduktleder.
I produktene våre fokuserer vi på arbeidsflyter som gir læringsfellesskapet vårt reell verdi: læringsassistenter, dokumentintelligens og resonnering i flere trinn.
Filosofien vår er enkel: AI må tjene scenarioet, og scenarioet må skape målbar verdi.
Etter vårt syn handler AI ikke om å jage den nyeste modellen – det handler om disiplinert utvikling, scenariodrevet design og håndverket som kreves for å finjustere hver komponent til den virkelig tjener brukeren.
Etter vårt syn handler AI ikke om å jage den nyeste modellen — det handler om disiplinert utvikling, scenariodrevet design og håndverket med å finjustere hver komponent til den virkelig tjener brukeren.
Hvordan agenter kan bli mer sofistikerte med LangGraph
La oss se nærmere på en arbeidsflyt for agenter. Dette spesifikke bruksområdet gjelder kanskje ikke bredt, men jeg tror detaljene i hvordan vi implementerte den, kan være nyttige for avanserte produktlederbaserte arbeidsflyter.
I den tidlige fasen av vår AI-intervjukoordinator var systemet vårt hovedsakelig en RAG-sentrert assistent bygget på LangChain. Den fungerte godt for rask iterasjon og hjalp oss med å etablere et solid grunnlag for dokumentbehandling og kvaliteten på informasjonsinnhentingen, men etter hvert som assistenten fikk mer funksjonalitet og kompleksitet — med støtte for flertrinnsresonnering, nye oppgavetyper, personalisering og samarbeid mellom ulike resonneringsmoduler — var en ren RAG-pipeline ikke lenger tilstrekkelig.
Den tidlige utfordringen handlet ikke bare om kompleksitet, men også om hvordan vi kunne sikre pålitelig, repeterbar levering av høy kvalitet når innholdskildene var heterogene og stadig utviklet seg. Vi trengte et rammeverk som kunne støtte agentbasert RAG, der flere spesialiserte agenter samarbeider på en kontrollert og tolkbar måte.
Det førte til at vi tok i bruk LangGraph. Det gir determinisme, åpenhet og eksplisitt tilstandshåndtering, noe som er avgjørende når man bygger en samtaleassistent der resonneringstrinnene må kunne revideres, forklares og gjentas. Overgangen til LangGraph passet også godt med den langsiktige retningen vår: å bygge en intelligent assistent i stedet for et system for spørsmål og svar i én enkelt omgang.
Derfor bygget vi leveransearbeidsflyten på nytt ved hjelp av moderne AI-orkestrering:
- LangGraph for deterministiske tilstandsoverganger mellom flere agenter
- Evalueringssløyfer for innebygging og informasjonsinnhenting for å stabilisere RAG-agenten
- Dokumentbehandling som bevarer metadata, for å forhindre semantisk forskyvning
Nå er det et system med flere agenter, bestående av en RAG-agent, en agent for CV-gjennomgang og en agent for kontekstorkestrering. Vi implementerte et komplett evalueringsrammeverk fra ende til ende — som dekker nøyaktighet på komponentnivå (oppdeling i segmenter, innebygging, informasjonsinnhenting) og nøyaktighet på systemnivå (relevans i det endelige svaret, hallusinasjonsrate).
Ved å kontinuerlig finjustere hver komponent og integrere automatiserte regresjonstester sørget vi for at systemet oppnådde over 90 % nøyaktighet før hver større lansering.
Til syvende og sist mener vi at et moderne AI-system ikke defineres av én enkelt modell. Det defineres av et godt orkestrert økosystem av komponenter: dokumentintelligens, stabilitet i informasjonsinnhentingen, samarbeid mellom flere agenter, minnestrukturer og kontinuerlig evaluering.
Vi mener at et moderne AI-system ikke defineres av én enkelt modell. Det defineres av et godt orkestrert økosystem av komponenter: dokumentintelligens, stabilitet i informasjonsinnhentingen, samarbeid mellom flere agenter, minnestrukturer og kontinuerlig evaluering.
Hvordan AI-assistert feilsøking fremskynder leveransen
AI-assistert feilsøking var en viktig del av den vellykkede implementeringen — vi var svært avhengige av den.
Verktøy som Claude Code og Cursor hjelper oss med raskt å diagnostisere integrasjonsproblemer, generere enhetstester og analysere krevende kanttilfeller i hvordan instruksjoner til modellen oppfører seg. Dette økte utviklingshastigheten vår betydelig, særlig når vi skulle rette logiske feil eller uventede modellresultater.
Slik ser en AI-først-verktøystakk for produktledelse ut i praksis
Her er teknologistakken vår for produktledelse:
- Google AI Studio for utvikling av prototyper
- Claude Code for å identifisere problemer, analysere kanttilfeller og generere målrettede enhetstester
- Cursor for feilsøking
- ChatGPT for PRD
- ChatPRD for produktledelse
- Dovetail for å hente krav fra kundeinnsikt
- Miro for samarbeid
Favoritten min er kanskje Claude Code. Det hjelper oss konsekvent med å oppdage integrasjonsproblemer eller logiske mangler mye tidligere enn tradisjonell feilsøking alene. Og det er betydelig bedre enn Lovable. Selv om det er mye oppmerksomhet rundt Lovable, er det ikke egnet for avansert AI-utvikling på produksjonsnivå.
Vil AI erstatte prosjektledere og roller innen produktutvikling?
Til syvende og sist tror jeg AI vil erstatte prosjektledere. Vi trenger rett og slett ikke lenger prosjektledere til å administrere prosesser! Faktisk vil mange stillinger på begynnernivå bli erstattet av AI – det inkluderer programvareingeniører, designere og dataanalytikere.
Vi trenger imidlertid flere AI-drevne produktledere som kan ta beslutninger ved hjelp av AI, lede tverrfunksjonelle team i arbeidet med å virkeliggjøre produktvisjoner og effektiv interessenthåndtering, og oppnå resultater raskt.
Mitt råd? Du må raskt videreutvikle kompetansen din i hvordan du kan utnytte eksisterende AI-verktøy og tenke nytt om produktleveranser. Og vurder å fokusere spesifikt på AI-produkter. Slik jeg ser det, kan du enten skape AI-produkter og lede innovasjonen, eller bli erstattet.
Følg med
Du kan følge Dr. Nancy Li mens hun lanserer AI-produkter og lærer andre å gjøre det samme på YouTube, LinkedIn, X, podkasten hennes på podkast, og på nettstedet til PM Accelerator. Du kan også ta en titt på hennes nye AI-bootcamp for produktledelse.
Flere intervjuer med eksperter kommer på The Digital Project Manager!
