AI-grunnlegger advarer: Prosjektledere må ta i bruk agentbasert programvare
Henrik Kniberg deler hvordan AI-agenter endrer programvareutviklingen, fra automatiserte utrullinger til autonom håndtering av oppgavelister. Han hevder at prosjektledere som ikke lærer å samarbeide med AI, raskt vil bli flaskehalsen.
AI-påvirkning: AI revolusjonerer programvareutviklingen og gjør det mulig for team å levere arbeid av høyere kvalitet mer effektivt.
Endring i prosjektledelse: Prosjektledere må tilpasse seg for å integrere AI, ellers risikerer de å bli flaskehalser i utviklingsprosessen.
Smidige arbeidsmetoder: Det er avgjørende å opprettholde en smidig arbeidsmetode; minimalt byråkrati muliggjør raskere prosjektleveranser med hjelp fra AI.
Utnyttelse av agenter: AI-agenter håndterer oppgaver som utrullingsstyring og organisering av oppgavelister, slik at teamene kan fokusere på komplekse problemstillinger.
Ferdigheter for fremtiden: Det er avgjørende for prosjektledere å lære effektiv håndtering av AI-kontekst for å holde seg konkurransedyktige i et landskap i endring.
Henrik Kniberg har bakgrunn fra prosjektledelse hos Spotify, LEGO og Mojang. For tiden er han medgründer og sjefsforsker hos Abundly.ai. Han er også forfatteren av «Generativ AI kort forklart».
Vi satte oss ned med ham for å diskutere hvordan AI endrer programvareutvikling – og dermed også prosjektledelse. Han sa at prosjektledere må bli med på utviklingen, ellers blir de flaskehalsen.
Fra produkt til AI-oppstartsbedrift
Jeg er medgründer og sjefsforsker hos Abundly.ai, der jeg leder utviklingen av plattformen vår for autonome AI-agenter.
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
Tidligere jobbet jeg som agil coach hos Spotify og LEGO, og jeg jobbet med Minecraft-utvikling hos Mojang. Jeg laget faktisk en video kalt «Spotifys utviklingskultur», som folk ofte omtaler som «Spotify-modellen», og som beskriver deres tilnærming til produktutvikling.
Jeg er også forfatteren av «Generativ AI kort forklart».
Slik gjør AI programvareteam i stand til å levere mer med mindre
Prosjektledelse for programvareutvikling kan nå gjøres mye raskere med hjelp fra AI, og det endrer prosjektleveranser dramatisk.
Det lar meg og teamet mitt fokusere mer på arkitektur, design og UX – der vi bør bruke tiden vår – og bruke mindre tid på å skrive og feilsøke kodelinjer.
Resultatet er at vi kan levere mer, med høyere kvalitet. Og vi gjør det på kortere tid med et mindre team.
Med AI kan vi levere mer, med høyere kvalitet. Og vi gjør det på kortere tid med et mindre team.
Hvorfor team bør jobbe for et minimum av levedyktig byråkrati
Vi beveger oss ikke bort fra tradisjonelle prosjektledelsesmetoder – vi hadde dem aldri i utgangspunktet.
Vi startet med å bruke agile metoder, og vi jobber hardt for å beholde en agil tilnærming selv om vi vokser. Vi har en ukentlig rytme, der vi samkjører oss på fredager for å gå gjennom fremdrift og prioriteringer. Vi har et enkelt Kanban-brett med WIP-grenser og en prioriteringskolonne som fungerer som en innboks som tømmes hver uke – hvert element går enten inn eller ut.
Hver kodeinnsjekking distribueres automatisk til et delt testmiljø. Og vi ruller ut til produksjon omtrent to ganger i uken, eller oftere ved behov.
Vi har også en uformell samkjøring de fleste dager. Vi møtes ganske enkelt og snakker om hva vi holder på med den dagen.
Alt i alt prøver vi å holde byråkratiet på et minimum. Og AI hjelper oss med det.
Vi prøver å holde byråkratiet på et minimum. Og AI hjelper oss med det.
Slik endrer agenter utgivelses- og endringshåndtering
Vi eksperimenterer med agentbaserte arbeidsflyter hver dag, siden det er kjernevirksomheten vår.
Vi bygget for eksempel en agent for utgivelsesstyring. Når vi vil rulle ut til produksjon, noe som skjer omtrent to ganger i uken, pinger vi agenten, enten i Slack eller i appen vår.
Når agenten pinges, sjekker den de nyeste endringene på testgrenen vår, analyserer endringene og genererer og publiserer to versjoner av versjonsnotater – én for internt bruk og én for eksternt bruk, der endringer som ikke er synlige for kundene, utelates. Deretter analyserer den dokumentasjonsnettstedet vårt for å se om noe må oppdateres, og oppretter en pull request for eventuelle endringer.
Vi justerer stadig instruksjonene til denne agenten. Den siste justeringen var å kontrollere om det finnes sikkerhetsproblemer.
Et annet eksempel vi jobber med nå, er en agent som håndterer interne forespørsler om produktendringer. Når en interessent rapporterer et problem eller ber om en funksjon, vurderer agenten automatisk prioriteten, undersøker koden for å kontrollere hvor kompleks endringen er, og publiserer en analyse på Slack. Deretter avgjør den om den selvstendig bør løse problemet og opprette en PR, eller om den er usikker og derfor bør spørre oss først. Den oppretter også en sak i oppgavekøen vår for å følge fremdriften. Når den gjør en endring på egen hånd, tester den endringen i en nettleser for å vurdere påvirkningen på brukergrensesnittet, legger til skjermbilder i PR-en og gjennomgår kodekvaliteten.
Formålet med denne agenten er å håndtere alle de enklere oppgavene automatisk, slik at teamet mitt kan fokusere på de mer komplekse oppgavene. Men for å være rettferdig gjør vi også disse komplekse oppgavene med hjelp av AI!
De andre bruksområdene våre omfatter undersøkelser, screening, samsvarsrevisjon, dokumentdistribusjon og mer.
Hvorfor mennesker må holdes involvert i AI-drevet utvikling
Vi prøver altså i utgangspunktet å gjøre AI til en del av enhver prosess. For eksempel kan AI i håndtering av oppgavekøen implementere enkelte saker og håndtere utgivelser.
Vi prøver i utgangspunktet å gjøre AI til en del av enhver prosess. Men vi sørger for at et menneske holdes involvert der det er hensiktsmessig.
Men det er viktig at vi sørger for at et menneske holdes involvert der det er hensiktsmessig.
Selv om vi bruker AI til utvikling, fungerer den mer som en samarbeidspartner for programmering enn som outsourcing til et eksternt selskap. Det vil si at vi fortsatt er dypt involvert i koden – vi lar bare AI skrive det meste av den.
Slik fungerer en utviklingsstakk der AI står i sentrum
Når vi snakker om utvikling, bruker vi Cursor med Claude Opus. Vi eksperimenterer også med Claude Code.
Cursor + Claude er en utrolig kraftig kombinasjon, omtrent som parprogrammering med en lynrask og genial kollega. Og vi har laget et ganske omfattende sett med regeldokumenter for å gi AI-modellen kontekst.
Produktet vårt er distribuert på Google Cloud Run og Vercel, med kontinuerlig levering, så vi legger ganske enkelt ut ting i produksjon ved å opprette en PR og slå den sammen med Main – eller ved å be en agent gjøre det. Koden vår er skrevet i Typescript, både i frontend og backend.
Det at vi bruker samme språk gjennom hele stakken, gjør livet enklere både for agentene våre og for oss.
Det at vi bruker samme språk gjennom hele stakken, gjør livet enklere både for oss og agentene våre.
All koden vår ligger i et monorepo, det vil si at separate prosjekter, apper og biblioteker ligger i samme repository. Det forenkler også ting, siden én enkelt commit kan inneholde endringer både i frontend og backend. Det gjør avhengighetshåndteringen enklere.
Når det gjelder prosjektstyring, bruker vi et Kanban-brett i Notion for å organisere og visualisere arbeidet og prioriteringene våre. Og vi har satt opp en agent som kan samhandle med det. Her er et typisk scenario: Noen tar opp en sak i Slack, og etter noen meldinger frem og tilbake skriver noen: «Hei @backlogger, kan du legge til en sak for dette?» Agenten tolker Slack-tråden, ser etter lignende saker på Kanban-brettet vårt og enten oppdaterer en eksisterende sak eller oppretter en ny, med relevant kontekst og skjermbilder fra Slack. Utrolig nyttig!
Vi bruker denne agenten hver dag. Planleggingsmøtene våre går mye raskere nå fordi hver sak har en svært tydelig beskrivelse, skjermbilde og lenke til Slack-tråden. I fremtiden skal vi utvide dette slik at den også foreslår prioriteringer og løser enkle problemer automatisk.
Hvordan Claude Opus 4.5 endret spillet
Alt i alt blir jeg stadig overrasket over hvor raskt verktøyene og modellene utvikler og forbedrer seg. Det tvinger oss til å kontinuerlig vurdere det nyeste.
Nylig ble Claude Opus 4.5 lansert, og den er virkelig god til å gjennomføre mer komplekse kodeendringer. Derfor er det nå mer sannsynlig at vi løser et problem i ett forsøk – det vil si at vi skriver én detaljert instruksjon – i stedet for å jobbe i små trinn med menneskelig involvering på hvert steg.
I praksis ber vi den om å løse et vanskelig problem mens vi går og spiser lunsj.
Den er overraskende effektiv. Vi må fortsatt gjennomgå koden, men som oftest er den i orden.
Hvorfor prosjektledere må lære å jobbe med AI-agenter
Fremover må prosjektledere venne seg til å ha et team bestående av menneskelige og AI-baserte kolleger som jobber sammen. Det betyr deg.
Som prosjektleder må du venne deg til å jobbe med AI-agenter som kolleger. Hvis du ikke gjør det, blir du flaskehalsen i prosessen. Alt vil bevege seg i et tempo du ikke klarer å holde tritt med.
Å ikke vite hvordan man bruker AI effektivt, vil være som å ikke vite hvordan man bruker internett effektivt. Ja, du kan fortsatt drive med prosjektledelse uten å bruke internett. Men du vil ha et betydelig handikap, og jobbutsiktene dine vil være dystre.
Å ikke vite hvordan man bruker AI effektivt, vil være som å ikke vite hvordan man bruker internett effektivt.
Hvordan bedre kontekststyring gir mer pålitelige resultater fra AI
Feltet endrer seg hele tiden, så det viktigste er å eksperimentere.
Eksperimenter med ulike AI-verktøy og bruksområder. Bygg ferdighetene dine som bruker og kontekstingeniør. Og se på hva du og teamet ditt bruker tid på – hvor kan AI bidra til å spare tid eller forbedre kvaliteten?
Utover eksperimentering er kontekststyring – å forstå hvordan LLM-er arbeider med kontekst – avgjørende. Hvis du studerer dette, vil du kunne velge og bruke AI-verktøy mer effektivt. De fleste AI-feil oppstår på grunn av dårlig kontekststyring. Med andre ord mislykkes den fordi den ikke har informasjonen den trenger.
Ingen vet hva som kommer til å skje i fremtiden, men hvis du er god til å bruke generativ AI, vil du være bedre rustet til å håndtere det fremtiden måtte bringe.
Følg med
Du kan følge med på hvordan Henrik Kniberg flytter grensene for agentbasert prosjektledelse på YouTube, LinkedIn og X. Og ikke gå glipp av produktet hans, Abundly.ai.
Flere ekspertintervjuer kommer på The Digital Project Manager!
