Leveranseleder i Google deler hvordan agentbaserte arbeidsflyter endrer produktledermodeller
Anshumani Ruddra forklarer hvordan agentbaserte arbeidsflyter hjelper leveranseteam med å bygge raskere, samtidig som menneskelig dømmekraft, validering og beslutningstaking blir enda viktigere.
Anshumani Ruddra
Produktleder i Google
Agentbasert skifte: Agentbaserte arbeidsflyter erstatter lineære overleveringer med parallell, tverrfunksjonell levering forankret i felles kode og dokumentasjon.
Menneskelig dømmekraft: KI håndterer koordinering og utarbeidelse, mens ledere fortsatt har ansvaret for kvalitet, kreativitet, prioritering og tillit.
Begynn å kartlegge: Team bør kartlegge tidstyver hver uke før de velger verktøy, slik at de unngår generell innføring og prangende, men ineffektive verktøystakker.
Ritualer betyr noe: Raskere KI-leveranser krever fortsatt tydelig omfang, samordning med interessenter, grundig validering og disiplinerte sjekklister for å opprettholde produktkvaliteten.
Ledelsesmodell: Vellykket innføring av KI kombinerer ledere som endrer arbeidsflytene sine, med team som eksperimenterer og deler forbedringer på tvers av organisasjonen.
Anshumani Ruddra er produktleder hos Google, der han jobber med leveranser innen betalingsproduktene deres. Han er også lærer og har hatt leveranseroller på C-nivå.
Vi satte oss ned med Anshumani for å lære hvordan AI endrer leveranser i selskaper som Google. Her er det han sa.
Å utvikle produkter hos Google
Jeg heter Anshumani Ruddra. Jeg har brukt over 22 år på å utvikle forbrukerprodukter i skjæringspunktet mellom teknologi, historiefortelling, popkultur og menneskelig atferd – først som barnebokforfatter, deretter som spilldesigner på globale sosiale suksesser som Mafia Wars og Café World, og så med å skalere Hotstar til en av verdens største strømmeplattformer under IPL-årene.
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
De siste fem årene hos Google har jeg ledet produktledelsen for den svært suksessrike GPay-appen i India, hatt ansvar for hele Googles betalingsprodukttilbud i APAC og utviklet AI-produkter rettet mot forbrukere. For tiden leder jeg et ende-til-ende-produktutviklingsarbeid innen AI for å utvikle et helt nytt produkt.
I tillegg underviser jeg produktledere og ledere i hvordan de kan utvikle med AI gjennom Maven-kurset mitt, Level Up to Product Super IC. Jeg har to roller samtidig – operatør og lærer – og begge former tilnærmingen min til produktleveranser: mindre koordinering og godkjenninger, mer å gå fra innsikt til fungerende prototype uten å vente på tillatelse.
Hvordan AI gjør det mulig for mennesker å gjøre mer av det de er best på
Jeg prøver å ikke tenke på AI som bare enda et, bedre verktøy. Den innrammingen fanger deg i tanken om at det bare handler om effektivitet. AI er en multiplikator – kanskje en som bare oppstår én gang i århundret.
Det gjør at jeg kan bruke langt mindre tid på bindeleddet i leveranser: møtesammendrag, utarbeidelse av PRD-er, status- og oppdateringer til interessenter samt førstegangsundersøkelser. Jeg har flyttet mye av dette inn i et personlig «agentisk operativsystem» som i stor grad kan kjøre av seg selv.
Så nå bruker jeg tiden min på de 10 prosentene som er vanskelige og menneskelige, ikke på de 90 prosentene med koordinering som tidligere slukte hele uken. Jeg fokuserer mer på selve faget. Tenkingen, vurderingene og prototypingen.
Når vi snakker om prototyping, er det en enorm endring i seg selv. Nå kan jeg validere en visjon ved å bygge en fungerende prototype selv før jeg setter noen til oppgaven. Barrieren for å bygge er borte. Hvis jeg kan se det for meg, kan jeg få en første versjon til å fungere.
Når bør man bruke AI, og når trengs et menneske?
Det arbeidet som lettest kan automatiseres, er syntese- og administrasjonslaget:
- Å omgjøre råopptak fra møter til beslutninger og oppfølgingspunkter
- Å generere førsteutkast til PRD-er og undersøkelser
- Å prioritere innkommende signaler
- Å håndtere oppdateringer til interessenter
Du implementerer dette med personlige agenter som følger med på inndataene dine, løfter frem det som krever en beslutning, og utarbeider resten som utkast.
Kundeinnsikt blir også kraftig underutnyttet her: Det finnes nå verktøy som forteller deg hvilke funksjoner du bør bygge og anslår ARR-effekten, men de fleste team samler fortsatt tilbakemeldinger manuelt fra Slack og supportsaker.
Men mennesker må fortsatt definere hva «godt» betyr. Som leder er det din jobb å definere kvalitet, og derfor mener jeg at evalueringer er så viktige.
Mennesker må også håndtere smak og produktvurderinger, genuint kreative sprang fra null til én, samt det tillitsbaserte menneskelige arbeidet med å veilede team, navigere i politikk og ta de vanskelige prioriteringsbeslutningene.
AI gir deg flere forsøk på blinkskiven; et menneske må fortsatt bestemme hvor blinkskiven skal være.
Hvorfor teknologistakker bør begynne med en revisjon
AI-verktøy er akkurat som et godt videospill – enkle å spille, brutalt vanskelige å mestre. Den forførende førstegangsopplevelsen får folk til å anta at alt går knirkefritt, så de blir sjokkerte når kompleksiteten melder seg. Mange gir opp. Den virkelige ferdigheten handler ikke om å skrive instruksjoner; den handler om viljen til å holde ut og lære i ditt eget tempo, raskere enn det som føles komfortabelt.
På jobb består stakken min hovedsakelig av de nyeste Gemini-modellene, med Antigravity som en agenthub. Agentbehandleren i Antigravity blir undervurdert. Den er virkelig nyskapende. Når det gjelder prosjektledelse, bruker Google sine egne spesialtilpassede verktøy, tilsvarende Jira og GitHub i omverdenen.
For mine personlige prosjekter og undervisningsaktiviteter er den grunnleggende verktøystakken min:
- Claude Code til programmering. Dette er det klart beste verktøyet. Jeg kjører flere agenter parallelt. Det er det nærmeste man kommer en ekte assistent, ikke bare autoutfylling.
- Replit til prototyping. Den planbaserte tilnærmingen og parallelle agentene skiller det fra mengden.
- NotebookLM og Obsidian til research og skriving.
- Codex og Claude Cowork håndterer mange planlagte oppgaver og automatiseringer, og integrerer e-post, kalender, skylagring og møtenotater.
- Granola og Wispr Flow kompletterer verktøystakken. Jeg anbefaler sterkt tale-til-tekst og å bruke stemmen som inndata.
De siste 6–12 månedene har verktøystakken utviklet seg fra «å bruke AI til å utarbeide ting raskere» til et genuint personlig agentbasert operativsystem — mindre fokus på enkeltstående instruksjoner og mer på permanente agenter som håndterer tilbakevendende arbeidsflyter fra start til slutt.
Mitt råd når du skal bygge en verktøystakk: Ikke begynn med det mest prangende verktøyet. Kartlegg hvordan du bruker uken, finn de største tidstyvene dine, og velg det konkrete verktøyet som eliminerer dem. Generelle adopsjonsstrategier fungerer ikke.
Slik effektiviserer agentbaserte arbeidsflyter prosjektleveransen
Vi fokuserte bevisst først på det felles fundamentet som gjør disse arbeidsflytene mulige, fordi alt enten henger sammen eller faller fra hverandre der.
Nesten alle prosessene våre kjører nå som agentbaserte arbeidsflyter, på tvers av design, produktstyring og gjennomføring innen utvikling. Agentbaserte arbeidsflyter håndterer strategien og tenkingen bak det som skal bygges, utformingen av komponenter, skjermer og oppsett, samt hvordan backend- og frontend-kode settes sammen. Dette er ikke et isolert eksperiment i en avkrok av teamet; det er slik arbeidet utføres fra start til slutt.
Vi fokuserte bevisst først på det felles fundamentet som gjør disse arbeidsflytene mulige, fordi alt enten henger sammen eller faller fra hverandre der. I praksis betyr dette å bygge felles infrastruktur for hele teamet, et felles sett med agentferdigheter og et felles rammeverk som alle arbeider gjennom. Den viktigste delen er dokumentasjon som ikke bare er klar for mennesker, men også for agenter. Hvis dokumentasjonen din bare gir mening for mennesker, vil agentene dine miste retningen, så vi legger betydelig vekt på å skrive for begge målgruppene samtidig.
Rent konkret innebærer dette tydelig merkede kunnskapsfiler, PRD-er og tekniske designdokumenter. Vi oppbevarer dem vanligvis i Markdown, svært konsist, og skriver dem slik at de gir mening både for mennesker og agenter. Det avgjørende er at mennesker validerer alle disse filene før vi begynner å bygge noe. Menneskelig validering av inndata holder den agentbaserte arbeidsflyten ryddig, fordi agenter bare er så gode som dokumentene og ferdighetene du gir dem tilgang til.
Vi vedlikeholder også svært tydelige sjekklister og sørger for at agentene arbeider seg gjennom dem. En agent markerer bare et trinn som fullført når sjekklisten faktisk er oppfylt; først da går vi videre til neste trinn. Denne disiplinen med tydelig dokumentasjon, menneskevaliderte inndata, delte ferdigheter og trinnvise sjekklister gjør agentbasert arbeid til noe pålitelig i stedet for en nyhet.
Gevinsten er reell når fundamentet er på plass. Den vanskelige delen er den innledende investeringen i felles infrastruktur og agentklar dokumentasjon. Team som hopper over dette trinnet, får en imponerende demonstrasjon og ser den deretter falle sammen etter hvert som kompleksiteten øker. Team som legger ned arbeidet, får virkelig rask, parallell gjennomføring på tvers av design, produkt og utvikling.
Slik endrer AI tradisjonelle prosjektstyringsmodeller
Den gammeldagse fossefallsmodellen fungerer rett og slett ikke lenger. Tradisjonell prosjektstyring var ubønnhørlig lineær: Trinn én førte til trinn to, deretter til trinn tre, med rigide overleveringer mellom fagområdene. Produktteamet skrev spesifikasjonen, designteamet laget skissene, utviklingsteamet bygget løsningen, og deretter gjennomgikk designteamet finpussen — hvert trinn ventet på det foregående.
Denne lineære kjeden har gått i stykker, og det er fantastisk. Trinnene kan nå byttes om, og grensene mellom design, utvikling og produkt har blitt utydelige. Designere har for eksempel allerede bygget designsystemet direkte inn i kodebasen — de riktige komponentene, oppsettene og de spesifikke fargeverdiene. Utviklingsteamet kan deretter bygge en hel funksjonsflyt, og designteamet retter alle brukergrensesnittproblemer direkte i koden for å fullføre finpussen. Ingen venter på en Figma-overlevering. Design arbeider i det samme mediet som utvikling.
Den samme utviskingen skjer oppstrøms. Produktteamet kan skrive mange flere PRD-er parallelt, slik at utviklingen ikke blokkeres. Utviklingsteamet kan generere grundige og detaljerte tekniske designdokumenter uten at produktteamet må godkjenne hvert steg, fordi AI lar hvert fagområde produsere arbeid som tidligere krevde en spesialist.
Ulike teammedlemmer kan nå gjøre ulike deler av jobben. I stedet for et lineært stafettløp der stafettpinnen blir mistet ved hver overlevering, oppstår det et lite team med høy gjennomføringsevne, der alle kan bevege seg inn på tilgrensende områder for å få arbeidet videre.
I praksis betyr dette lette systemer fremfor tunge prosesser: færre statusmøter og godkjenningsporter, flere fungerende prototyper. PRD-er og tekniske designdokumenter genereres raskt og behandles som levende arbeidsdokumenter i stedet for fastlåste spesifikasjoner. En felles kodebase – med designsystemet innebygd – fungerer som den eneste kilden til sannhet, der produkt, design og utvikling møtes.
Resultatet er høyere fremdrift – teamene validerer visjonen ved å bygge, ikke ved å koordinere, og leverer en gjennomarbeidet finish som tidligere krevde flere overleveringssykluser, på en brøkdel av tiden.
Hvorfor AI ikke kan fjerne behovet for prosjektseremonier
Alle de vanlige seremoniene finnes fortsatt, og flere blir enda viktigere med AI, ikke mindre viktige. Mange antar feilaktig at raskere bygging betyr mindre disiplin. Det motsatte er tilfelle.
Å definere omfanget er like viktig som alltid. Et team trenger fortsatt en krystallklar definisjon av hva det prøver å bygge. Det som har endret seg, er hva som blir mulig innenfor dette omfanget. Hvis et team bygger effektivt med AI, kan mange ting som tidligere hadde lav prioritet eller ble værende i en oppgaveliste for alltid, nå prioriteres og leveres. Dermed kan du bygge et mer meningsfullt og mer komplett produkt enn før. Ambisjonsnivået for omfanget kan øke, men behovet for å definere det tydelig består.
Team trenger fortsatt full samkjøring. Interessenter trenger fortsatt samkjøring. Når du arbeider på tvers av flere team, må du fortsatt sørge for bevisst samkjøring både innad i teamet ditt og på tvers av teamene. AI samkjører ikke mennesker for deg.
Det er enda viktigere å validere arbeidet. Når du bygger i en stor virksomhet, når produktene dine ut til millioner, ikke bare titalls eller hundrevis av brukere. Produktene må fortsatt være fremragende, fungere svært godt og yte på dette nivået. At AI hjelper deg med å bygge raskere, senker ikke kravene. Derfor er validering fortsatt ufravikelig.
Det som har endret seg, er at prosessen ikke lenger er like vanskelig og langsom. Selve seremoniene – tydelig omfang, reell samkjøring og grundig validering – består og blir enda viktigere. Vi må tenke nytt om prosessene som tradisjonelt hindrer raskere gjennomføring. AI lar deg redusere formalitetene og friksjonen rundt disse seremoniene, samtidig som du beskytter innholdet og hensikten.
Hvorfor dømmekraft blir enda viktigere i AI-først-organisasjoner
På kort sikt vil flere teknologiselskaper ta i bruk AI i ende-til-ende-produktutvikling og -leveranser. Den dristigere spådommen handler imidlertid om hvor AI sprer seg videre. Den vil ikke forbli innenfor teknologibransjen. Den vil spre seg til store virksomheter, deretter til ikke-teknologiske selskaper og til slutt til tradisjonelle virksomheter.
Når disse gevinstene beveger seg fra enkeltpersoner til små team og videre til hele organisasjoner, vil dynamoeffekten endre team og arbeidsflyter drastisk. Strukturen for hvordan leveranseteam bygges, og hvordan arbeidet flyter gjennom dem, vil se svært annerledes ut enn i dag.
Men betydningen av gode beslutninger vil ikke forsvinne; den vil faktisk bli viktigere fordi du nå tar beslutninger langt oftere. Da den samlede leveransen gikk sakte, tok du bare noen få viktige beslutninger, kanskje én gang med noen ukers eller måneders mellomrom. Nå må du ta beslutninger av høy kvalitet flere ganger om dagen, noen ganger flere ganger i timen.
AI-drevet utvikling må tas i bruk både ovenfra og nedenfra.
Derfor må fokuset flyttes til menneskelig beslutningstaking. Hvert ekspertiseområde må definere et tydelig sett med perspektiver som alle beslutninger skal vurderes gjennom, slik at beslutningene blir klarere og raskere. Like viktig er det at disse beslutningene dokumenteres, slik at agenter forstår dem og kan gå tilbake til dem.
Vinnende team vil behandle menneskelig dømmekraft av høy kvalitet, som er godt dokumentert, som en knapp ressurs, fordi KI gjør den både hyppigere og mer verdifull.
Hvorfor leveranseledere må ta i bruk KI og oppmuntre til eksperimentering
Det avgjørende metapoenget er at KI-drevet utvikling må tas i bruk både ovenfra og nedenfra. Det kan ikke være enten det ene eller det andre.
Den ovenfra-og-ned-rettede delen krever støtte fra ledelsen. Hvis toppledelsen ikke støtter opp om dette, eksperimenterer og prøver å endre sine egne arbeidsflyter og leveransesystemer, vil organisasjonen få svært vanskelig for å ta i bruk KI på en meningsfull måte. Du kan ikke pålegge en endring som du ikke selv lever etter. Ledere som delegerer KI til en arbeidsgruppe, samtidig som de lar sine egne arbeidsmetoder forbli uendret, sender et tydelig signal om at dette er valgfritt, og organisasjonen tolker signalet korrekt. Derfor er mitt første råd til andre leveranseledere å endre deres egne arbeidsflyter først, før dere ber noen andre om å endre sine.
Den nedenfra-og-opp-rettede delen er like viktig. Juniormedarbeidere og enkeltteam må ha frihet til å eksperimentere, utfordre konvensjoner og utfordre eksisterende arbeidsflyter. De trenger rom til å prøve ut ting, stille spørsmål ved hvordan leveranser alltid har blitt gjennomført, og deretter gjøre det de lærer, kjent for ledelsen. Hvis denne kanalen ikke finnes, hvis folk mangler denne friheten og funnene deres aldri beveger seg oppover i organisasjonen, faller hele opplegget like sikkert sammen som når ledelsen er fraværende.
Det mest nyttige en leveranseleder kan gjøre akkurat nå, er å ivareta begge ender samtidig. Gå foran ved å tenke gjennom dine egne leveransesystemer på nytt på en synlig måte, og skap samtidig rammer som gjør det mulig for teamene dine å eksperimentere fritt og bringe det som fungerer, tilbake til deg. Det må være både ovenfra og nedenfra.
Når bare den ene enden engasjerer seg, stopper innføringen opp. Når begge gjør det, får endringen fotfeste.
Følg med
Du kan følge arbeidet til Anshumani Ruddra på LinkedIn. Du kan også ta en titt på bloggen og kursene hans.
Flere ekspertintervjuer kommer snart på The Digital Project Manager!
