Leder for produktdrift sier at fremtidens AI-arbeidsflyter avhenger av deterministiske prosesser
Som tidligere direktør for produktdrift i GitHub kombinerte Chris Butler deterministiske prosesser, agentbasert automatisering og menneskelig dømmekraft for bedre produktdrift.
Chris Butler
Tidligere direktør for produktdrift i GitHub
AI-påvirkning: AI effektiviserer behandlingen av tilbakemeldinger, forbedrer beslutningstakingen og reduserer tiden som brukes på manuelle oppgaver.
Agentbaserte arbeidsflyter: Bruk av agentbaserte arbeidsflyter forbedrer produktutviklingen ved å automatisere sortering og prioritering av tilbakemeldinger.
Utvikling av prosesser: Googles rammeverk for agentbaserte arbeidsflyter gjør det mulig å opprette og overvåke AI-assisterte prosesser på en effektiv måte.
Deterministiske trinn: Ved å kombinere deterministiske prosesser med AI får man pålitelighet sammen med fleksibilitet i prosjektstyringen.
Arbeidets fremtid: AI vil forandre prosjektleveranser og flytte prosjektledernes fokus mot strategiske oppgaver med høy verdi.
Chris Butler er tidligere direktør for produktdrift i GitHub, der han fokuserer på hvordan prosessautomatisering endrer måten folk arbeider på.
Vi tok en prat med Chris for å diskutere hvordan han brukte agentbaserte arbeidsflyter for å støtte teamet sitt. Her er det han hadde å si.
En produktleder i en driftsrolle
Jeg heter Chris. Jeg var direktør for produktdrift i GitHub, men egentlig var jeg en produktleder i en driftsrolle.
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
Jeg arbeider med prosessautomatisering ved hjelp av AI, med fokus på hvordan AI endrer måten folk arbeider på. Jeg liker også å spekulere på hvordan ny teknologi endrer fremtidens arbeidsliv.
Hvordan AI hjelper oss med å analysere tilbakemeldinger og ta bedre beslutninger
Mange av de mest tidkrevende aktivitetene som tidligere tok mye tid for en person – og som derfor ofte ikke ble gjort i det hele tatt – ble håndtert automatisk.
Det mest åpenbare resultatet av AI er derfor at teamene bruker mindre tid på manuelle oppgaver og mer tid på å tenke over resultatene.
Vi ble også bedre til å analysere tilbakemeldinger. Tidligere mottok folk en enorm mengde tilbakemeldinger, leste bare en brøkdel av dem og tok ofte beslutninger basert på magefølelsen likevel. Men etter hvert ble rapporter generert og kommentarer automatisk lagt til i arbeidsoppgaver. Det betydde at vi kunne prioritere og sortere mye raskere.
Jeg syntes også at vi ble bedre til å vite hvordan vi skulle ta gode beslutninger – fordi vi kunne analysere arbeidet som var gjort. Og vi begynte å få antydninger om viktige mangler som vi ikke hadde håndtert.
Men enkelte ting må gjøres av mennesker – vanligvis de vanskelige beslutningene, ofte knyttet til organisasjonskultur og arbeidsmetoder. Jeg fulgte også personlig med på engasjementet rundt artefaktene som disse AI-agentene skapte, for å finne signaler på menneskelig suksess.
Hvordan agentbaserte arbeidsflyter kan støtte team
Vi brukte AI til ting som rapportering, prioritering og innsamling av kundetilbakemeldinger fra flere kanaler.
Prioritering og sortering er avgjørende for et team som prøver å utvikle et bedre produkt. Vi hadde et svært teknisk produkt, så vi brukte mye tid på å prioritere og sortere nye bruksområder og feil. På UX-siden oppdaget vi trender og bestemte hva vi skulle arbeide med.
Teamet vårt var nytt, og vi hadde mange kilder til tilbakemeldinger, men ingen brukervennlig plattform som analyserte og prioriterte tilbakemeldingene fra alle disse kildene.
Derfor brukte jeg Codespaces, VS Code, Copilot CLI (med ulike modeller) og GitHub Agentic Workflows for å bygge det hele.
Det siste jeg bygget, var en agent som foreslår innhold til sosiale medier, basert på det som er lansert og trendene i markedet. Teamet var svært ingeniørfokusert, så de trengte hjelp til å markedsføre rammeverket på egen hånd.
Som følge av dette, og andre agenter, fikk teamet mer tid til å fokusere på produktet.
En teknologistakk for arbeidsflyter i flere trinn
Når det gjelder teknologistakken vår, brukte vi GitHub-verktøy for AI til å automatisere arbeid i flere trinn.
Det inkluderte agentbaserte arbeidsflyter for å delegere oppgaver til AI-agenter, Copilot CLI for å kjøre agentene fra terminalen, Codespaces for skybaserte utviklingsmiljøer, Copilot Spaces for å gi AI riktig prosjektkontekst og Skills for å pakke inn repeterbare instruksjoner eller arbeidsflyter.
Slik bygger du agentbaserte arbeidsflyter
Jeg bygget, testet og overvåket hovedsakelig agentbaserte arbeidsflyter ved hjelp av andre agenter.
GitHub Next opprettet et rammeverk kalt Agentic Workflows for å ta agenter i bruk på en trygg måte i GitHub Actions. Rammeverket gir både mennesker og agenter en tydelig måte å skrive, teste og overvåke agentbaserte arbeidsflyter på, så det kan være nyttig for deg.
Nedenfor finner du en minimal agentbasert arbeidsflyt som holder dokumentasjonen oppdatert. Dette er bare et enkelt eksempel for å illustrere syntaksen — det er ikke ment for produksjonsbruk. Et mer komplett eksempel er tilgjengelig i GitHub Nexts eksempellager. Her er også noen arbeidsflyter jeg satte sammen for bruksområder utenfor utvikling.
---
on:
push:
branches: [main]
permissions:
contents: read
pull-requests: read
safe-outputs:
create-pull-request:
tools:
edit:
web-fetch:
web-search:
---
# Dokumentasjonsoppdatering
Du er en teknisk skribent. Jobben din er å gjøre dokumentasjonen i repositoriet ${{ github.repository }} _utmerket_.
Trinn:
1. Analyser endringer i repositoriet. Ved hver push til hovedgrenen undersøker du diffen for å identifisere endrede, tilføyde og fjernede enheter.
2. Gjennomgå den eksisterende dokumentasjonen for nøyaktighet og fullstendighet. Identifiser mangler i dokumentasjonen, inkludert manglende eller utdaterte deler.
3. Oppdater dokumentasjonen etter behov.
4. Opprett en pullforespørsel med en tydelig beskrivelse av endringene.
Som du kan se ovenfor, er utløsere, tillatelser, utdata og verktøy alle tydeliggjort og uttrykkelig angitt i definisjonen av arbeidsflyten.
Hvorfor deterministiske prosesser fortsatt er avgjørende
Prosjektarbeid krever fortsatt deterministiske prosesser.
Under panseret er agentbaserte arbeidsflyter fortsatt bygget på GitHub Actions, noe som betyr at de kan kombinere faste, regelbaserte trinn med mer åpne KI-oppgaver. Det er viktig fordi det finnes mange situasjoner der du ønsker en deterministisk prosess som arbeider sammen med noe mer ikke-deterministisk, som en agent.
Et godt eksempel er ukentlige statusoppsummeringer. Agenten kan være nyttig for å sammenfatte hva som har endret seg og gjøre det om til et nyttig sammendrag, men det første trinnet — å hente de riktige kommentarfeltene fra de riktige prosjektvisningene for den riktige tidsperioden — må være presist. Den delen håndteres bedre som et deterministisk trinn før agenten begynner å tolke informasjonen.
Vi hadde også begynt å dele disse arbeidsflytene inn i gjenbrukbare deler. Ett deterministisk trinn samlet inn informasjonen på en standardisert måte, mens et separat sett med instruksjoner fortalte agenten hvordan oppsummeringen skulle formateres for et bestemt team. Det er viktig fordi team ofte rapporterer lignende informasjon på litt forskjellige måter.
Den andre viktige delen er sikkerhetsregler. I agentbaserte arbeidsflyter kan «sikre utdata» begrense hva agenten har lov til å gjøre. En agent kan for eksempel få lov til å samle inn data fra saker, men bare opprette en pullforespørsel eller et diskusjonsinnlegg som utdata. Det gjør det tryggere å bruke agenter med sensitive organisasjonsdata.
Det er her den større ideen om «prosess som kode» kommer inn. Når arbeidsflyten er delt opp i deterministiske trinn, agentinstruksjoner, tillatte utdata og punkter for menneskelig gjennomgang, er prosessen ikke lenger bare dokumentasjon. Den blir noe både mennesker og agenter kan utføre.
Den faktiske prosessen vår er ikke bare det som er skrevet ned. Den er det vi gjør, det vi snakker om, det vi faktisk oppdaterer, og det vi ikke oppdaterer. Det er ofte et skille mellom det vi sier at vi gjør, og det egentlige skyggesystemet som finnes under overflaten. Med denne typen verktøy, særlig agentbaserte arbeidsflyter, kan vi begynne å lukke dette gapet.
Den virkelige prosessen vår er ikke bare det som er skrevet ned. Den er det vi gjør, det vi snakker om, det vi faktisk oppdaterer, og det vi ikke oppdaterer.
Slik endrer KI prosjektleveransen
Snart vil KI fjerne det meste av den manuelle kontrollen fra en prosjektleders arbeidsmengde.
Rapportering vil gå fra å bli sendt ut til å bli hentet ved behov.
KI vil beregne risiko i stedet for å forme den. Og vi vil kunne lage rapportering som inkluderer kvantitative (datoer, måltall) og kvalitative (folks diskusjoner, PR-er) data for å skape en mer helhetlig risikoprofil — i stedet for å la teamets magefølelse forme statusen med rødt, gult eller grønt.
Hva betyr dette for prosjektledere? Til syvende og sist vil det ikke finnes jobber for «dobbelsjekkere» i fremtiden. Og det er bra. Mennesker bør ikke være automatiseringen. Vi bør få rapportutkast automatisk uten å samle dem inn selv. Vi bør ikke oppdage et nytt problem eller element uten automatisk sortering.
Men det betyr at prosjektledere må flytte fokuset sitt til mer verdifullt, menneskelig arbeid — som å skape enighet blant interessentene og ta de vanskelige beslutningene jeg nevnte tidligere.
Så her er mitt råd: Ta i bruk verktøyene, men kontroller dem. Ta ansvar for de vanskelige beslutningene. Og snakk med interessentene dine.
Følg med
Du kan følge arbeidet til Chris Butler på LinkedIn.
Det kommer flere ekspertintervjuer på Den digitale prosjektlederen!
