Meta-produktleder deler hvordan KI endrer leveranser, og hvor den kommer til kort
Meta-produktleder Tom Leung forklarer hvordan KI gjør prototyping og leveranser raskere, hvor den kommer til kort, og hvorfor menneskelig dømmekraft, samkjøring og strategi fortsatt er avgjørende innen produktledelse.
Tom Leung
Leder for produktledelsesteamet hos META og skaperen av nyhetsbrevet The Fireside PM
KI-funksjoner: Å bygge effektive KI-funksjoner krever omfattende testing, tilbakemeldingssløyfer og kontinuerlig forbedring for å lykkes.
Utviklingen innen prosjektledelse: KI endrer prosjektledelsen ved å muliggjøre raskere prototyping og iterative valideringsprosesser.
Autonome team: Vellykkede leveranser er nå avhengige av fleksibel målsetting og myndiggjorte team med tydelige rammeverk for beslutningstaking.
KI-verktøystakk: En mangfoldig KI-verktøystakk øker effektiviteten innen produktledelse, med verktøy tilpasset bestemte oppgaver og arbeidsflyter.
Strategisk fokus: Fremtidens prosjektledelse krever strategisk tenkning i tillegg til KI-kompetanse, der rollene deles inn i orkestrering og automatisering.
Tom Leung leder et produktledelsesteam hos Meta, der han er ansvarlig for både produkt- og prosjektsuksess. Han er også skaperen av nyhetsbrevet Fireside PM.
Vi satte oss ned med ham for å få et innblikk i hva som endrer seg innen produkt- og prosjektleveranser. Han forklarte hvor AI har endret spillereglene — og hvor mennesker er viktigere enn noen gang.
Produktledelse hos Meta
Jeg har jobbet med programvareproduktledelse i over to tiår.
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
I dag leder jeg et produktledelsesteam hos Meta. Rollen min handler hovedsakelig om hvorfor og hva i et prosjekt, men jeg er ansvarlig for den overordnede suksessen og effekten av prosjektene våre.
Jeg er også skaperen av nyhetsbrevet Fireside PM.
Hvorfor det er vanskeligere enn det ser ut å lage en vellykket AI-funksjon
Jeg gjennomførte nylig et konsulentprosjekt for et selskap som planla børsnotering, og som lanserte en AI-drevet funksjon. Det interessante var hvordan magien hovedsakelig lå i overgangen fra null til én — fra konsept til fungerende demo.
Det var imidlertid langt vanskeligere enn forventet å forbedre den første demoen til noe vi hadde høy tillit til. Vi gikk gjennom flere iterasjoner, testet ulike grunnmodeller (GPT-4, Claude, Gemini) for å se hvilken som fungerte best for vårt spesifikke bruksområde, og eksperimenterte grundig med instruksjonsutforming: Vi testet ulike instruksjonsformater, la til mer kontekst om brukerens intensjon og finjusterte strukturen på resultatet.
Den største forbedringen kom av å innarbeide tilbakemeldingssløyfer fra brukerne og personaliseringsdata, noe som hjalp modellen med å forstå individuelle brukerpreferanser og kontekst.
Den største forbedringen kom av å innarbeide tilbakemeldingssløyfer fra brukerne og personaliseringsdata, noe som hjalp modellen med å forstå individuelle brukerpreferanser og kontekst. Vi satte opp A/B-tester for å måle forbedringer i nøyaktighet og brukertilfredshet i hver iterasjon.
Alt dette førte til mange forsøk som ikke førte frem. Prosessen tok omtrent tre måneder med kontinuerlig finjustering for å gå fra «imponerende demo» til «produksjonsklar funksjon».
Kort fortalt er det ganske enkelt å lage en AI-funksjon, men å bygge inn en vellykket AI-funksjon i produktet ditt er langt vanskeligere enn det ser ut.
Hvorfor den største risikoen med AI er hvor fantastisk den føles
Vi er fortsatt ikke på et punkt der AI er fullt autonom. Så fantastisk som den er, finner jeg fortsatt jevnlig feil i resonnementet og må dobbeltsjekke alt.
Her er et annet eksempel. For noen måneder siden gjennomførte jeg et konsulentprosjekt der Claude og Gamma gjorde mye av arbeidet etter at jeg hadde matet dem med store mengder bakgrunnsinformasjon og møtenotater. De gjorde en utrolig god jobb. Men da jeg forberedte meg til et kundemøte, innså jeg at det var flere feil som så riktige ut helt til jeg satte forutsetningene på prøve. Jeg måtte skynde meg å oppdatere alle tallene.
Det er altså utfordringen med AI. Den er fantastisk, og den blir bedre hver dag — slik at du føler at du kan kontrollere den mindre. Men inntil den er 99–100 % nøyaktig, må du fortsatt følge godt med, for når den gjør en feil eller får en hallusinasjon, kan det virkelig slå tilbake på deg.
KI er fantastisk, og den blir bedre hver dag. Men før den er 99–100 % nøyaktig, må du fortsatt følge nøye med, for når den gjør en feil eller får en hallusinasjon, kan det virkelig slå tilbake på deg.
Hvordan KI endrer prosjektplanlegging, prototyping og veikart
Når det er sagt, endrer det måten vi jobber på. Jeg har lagt merke til at vi noen ganger starter prototypingen parallelt med produktplanleggingen nå. Tidligere hadde man ikke råd til å bygge ting før all planlegging var ferdig. Men nå kan man bygge et nytt prosjekt på uker – eller til og med dager.
Jeg har også lagt merke til kortere planleggingssykluser og mer iterativ validering. I stedet for å bruke måneder på detaljerte spesifikasjoner lager vi nå korte og enkle beskrivelser og validerer antakelser gjennom raske eksperimenter.
Vi beveger oss bort fra rigide veikart og over mot mer tilpasningsdyktig planlegging – der vi justerer prioriteringene kvartalsvis eller til og med månedlig, basert på det vi lærer.
Vi beveger oss bort fra rigide veikart og over mot mer tilpasningsdyktig planlegging – der vi justerer prioriteringene kvartalsvis eller til og med månedlig, basert på det vi lærer.
Vi har også redusert antallet formelle statusmøter til fordel for asynkrone oppdateringer og KI-genererte oppsummeringer av fremdriften. Dette frigjør tid til grundigere strategiske diskusjoner i stedet for bare å rapportere det som allerede er dokumentert.
Risikoen er at du ender opp som en funksjons- eller produktfabrikk!
Hvordan de sentrale leveranserutinene utvikler seg med KI
De sentrale leveranserutinene våre er også i endring.
Når vi definerer omfanget, starter vi nå med resultatbaserte mål i stedet for funksjonslister. Dette gir teamene større fleksibilitet til å tilpasse seg etter hvert som de lærer.
Når det gjelder validering, gjennomfører vi mer kontinuerlig testing med mindre brukergrupper i stedet for store lanseringer der alt skjer på én gang. KI-verktøy hjelper oss med å analysere tilbakemeldingsmønstre raskt.
Når vi styrer gjennomføringen, har vi gått over til mer autonome team med tydelige rammeverk for beslutningstaking (f.eks. DACI), i stedet for sentraliserte godkjenningsprosesser. Det viktigste er å stole på at teamene tar gode beslutninger, samtidig som vi bruker KI til å avdekke risikoer eller hindringer tidlig.
Og så har vi samordning. Jeg mener samordning er viktigere enn noen gang. Siden vi kan gjøre så mye nå, må vi ha et felles perspektiv på hva vi skal bygge og hvorfor.
For å etablere dette felles perspektivet investerer vi mye i en delt kontekst: jevnlige strategigjennomganger, tydelig dokumentasjon av «hvorfor», og eksplisitte prinsipper for beslutningstaking som alle kan bruke som referanse. Jeg bruker også KI-verktøy til å lage ensartede oppsummeringer av viktige beslutninger og distribuere dem bredt, slik at alle har tilgang til den samme informasjonen. I tillegg gjennomfører vi samordningsøkter hvert kvartal, der vi går gjennom prioriteringene våre på nytt og sørger for at alle forstår hvordan arbeidet deres henger sammen med det større bildet.
Målet er å skape en felles mental modell, slik at teamene kan ta selvstendige beslutninger som likevel støtter opp under den overordnede strategien vår.
Jeg mener at samkjøring er viktigere enn noen gang. Siden vi kan gjøre så mye nå, må vi ha et samlet perspektiv på hva vi skal bygge og hvorfor.
Slik ser en AI-verktøystakk ut for moderne produktledere
Dette er min nåværende AI-verktøystakk:
- ChatGPT: Generell problemløsning, idémyldring og rask undersøkelse
- Claude: Komplekse analyse- og skriveoppgaver der jeg trenger nyansert problemløsning
- Gemini: Multimodale oppgaver og når jeg trenger å analysere dokumenter med bilder
- Manus: Automatisering av tidkrevende arbeidsflyter, som å generere ukentlige teamoppdateringer, behandle data og håndtere repetitive prosjektstyringsoppgaver
- NotebookLM: Sammenstilling av innsikt på tvers av store dokumentsamlinger og oppretting av lydsammendrag
- NanoBanana: Rask oppretting av visuelle presentasjoner og lysbildeserier
- FigmaMake: Rask prototyping og designiterasjon
Jeg veksler mellom ChatGPT, Claude og Gemini avhengig av oppgaven. Hver av dem har styrker på ulike områder.
Hvorfor Claude presterte bedre enn andre LLM-er med produktkrav
Jeg testet nylig fem AI-chatboter for å få hjelp til å skrive dokumenter med produktkrav.
Claude kom best ut når det gjaldt å skrive dokumenter med produktkrav. Den er svært god til å opprettholde kontekst gjennom lange dokumenter, følge komplekse instruksjoner og produsere et velstrukturert resultat som leses naturlig. Den er spesielt god til å forstå nyanser og unngå den overdrevent formelle eller generiske tonen som enkelte andre modeller har en tendens til å bruke.
Når det er sagt, bruker jeg fortsatt ulike modeller til ulike oppgaver: ChatGPT for raske iterasjoner, Gemini når jeg trenger å behandle visuell informasjon, og Claude til alt som krever dyp problemløsning eller lang tekst.
Slik sparer agentiske arbeidsflyter i Manus timer hver uke
Jeg har brukt Manus som min primære orkestreringsplattform for agentiske arbeidsflyter. Den er spesielt nyttig for å automatisere oppgaver i flere trinn, som å generere ukentlige teamoppdateringer, gjøre møtenotater om til handlingspunkter og sammenstille undersøkelser fra flere kilder.
Jeg har brukt Manus som min primære orkestreringsplattform for agentiske arbeidsflyter. Den er spesielt nyttig for å automatisere oppgaver i flere trinn.
Erfaringen har vært positiv – den håndterer det tidkrevende koordineringsarbeidet som tidligere kunne sluke flere timer hver uke. Når det er sagt, må jeg fortsatt gå nøye gjennom resultatene, siden AI ennå ikke er helt pålitelig.
Jeg har også eksperimentert med å bruke ChatGPTs tilpassede GPT-er og Claudes prosjekter til bestemte arbeidsflyter. Men Manus har vært mest effektiv for kompleks orkestrering i flere trinn, der jeg trenger at ulike verktøy fungerer sammen.
Hvorfor NotebookLM endrer hvordan produktledere sammenstiller kontekst og beslutninger
Det jeg særlig har lagt merke til i det siste, er at muligheten til å forstå den interne konteksten til et kundesegment, et prosjekt eller en tidligere beslutning ved å bruke AI til å se på tvers av dusinvis av kilder, er ganske utrolig.
Før AI måtte du ha brukt flere uker på å lese bunker med dokumenter og gjennomføre et stort antall 1:1-samtaler. Men nå bruker jeg verktøy som NotebookLM til å hente inn dusinvis av dokumenter – møtenotater, strategidokumenter og kundeundersøkelser – og raskt sammenstille innsikt på tvers av dem.
For eksempel kan jeg, når jeg vurderer en ny produktretning, be det oppsummere alle tidligere tilbakemeldinger fra kunder om et bestemt problem og få et helhetlig svar på sekunder, i stedet for å bruke flere dager på å lese gjennom spredte dokumenter. Jeg bruker også ChatGPT og Claude til lignende sammenfatningsarbeid, særlig når jeg trenger å forstå bakgrunnen for tidligere beslutninger eller identifisere mønstre på tvers av flere prosjekter.
Hvorfor strategi vil bli viktigere enn noen gang i en KI-akselerert verden
Innen fem år vil rollen som prosjektleder deles inn i to tydelige spor.
Det ene sporet vil fokusere på strategisk koordinering: å forstå forretningskonteksten, samordne interessenter og foreta avveininger på høyt nivå.
Det andre vil ligne mer på en «KI-arbeidsflytingenør» som utformer og optimaliserer de automatiserte systemene som håndterer gjennomføring, rapportering og koordinering.
Den taktiske og administrative delen av prosjektlederarbeidet vil nesten bli fullstendig automatisert.
Teamene vil bevege seg raskere, men den menneskelige dømmekraften som kreves for å avgjøre hva som skal bygges og hvorfor, vil bli enda viktigere. Vinnerne vil være prosjektledere som kan tenke strategisk, samtidig som de har god forståelse av hvordan KI-systemer kan utnyttes effektivt.
Følg med
Du kan følge med på hvordan Tom Leung fortsetter å sette sitt preg på KI-verdenen på LinkedIn. Og selvfølgelig bør du også sjekke ut tomleungcoaching.com!
Det kommer flere ekspertintervjuer på The Digital Project Manager! Bli med i gratissamfunnet vårt for ubegrenset tilgang til artikler og innsikt.
