Leveransansvarig på Google delar hur agentbaserade arbetsflöden förändrar modeller för produktledning
Anshumani Ruddra förklarar hur agentbaserade arbetsflöden hjälper leveransteam att bygga snabbare, samtidigt som mänskligt omdöme, validering och beslutsfattande blir ännu viktigare.
Anshumani Ruddra
Produktledare på Google
Agentbaserad förändring: Agentbaserade arbetsflöden ersätter linjära överlämningar med parallell, tvärfunktionell leverans som bygger på gemensam kod och dokumentation.
Mänskligt omdöme: AI hanterar samordning och utkast, medan ledare fortsatt ansvarar för kvalitet, kreativitet, prioritering och förtroende.
Börja granska: Team bör varje vecka granska vad tiden går åt till innan de väljer verktyg och undvika generellt införande samt påkostade men ineffektiva verktygsuppsättningar.
Arbetsrutiner spelar roll: Snabbare AI-leveranser kräver fortfarande tydlig omfattning, samsyn bland intressenter, noggrann validering och disciplinerade checklistor för att upprätthålla produktkvaliteten.
Ledarskapsmodell: Framgångsrikt införande av AI kombinerar ledare som förändrar sina arbetsflöden med team som experimenterar och delar förbättringar i hela organisationen.
Anshumani Ruddra är produktledare på Google och arbetar med leverans inom företagets betalningsprodukter. Han är också utbildare och har haft leveransroller på C-nivå.
Vi satte oss ner med Anshumani för att lära oss hur AI förändrar leveransarbetet på företag som Google. Här är vad han sa.
Att bygga produkter på Google
Jag heter Anshumani Ruddra. Jag har ägnat över 22 år åt att bygga konsumentprodukter i gränslandet mellan teknik, berättande, populärkultur och mänskligt beteende — först som författare av barnböcker, därefter som speldesigner för globala sociala succéer som Mafia Wars och Café World, och sedan med att skala upp Hotstar till en av världens största streamingplattformar under IPL-åren.
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
Under de senaste fem åren på Google har jag lett produktutvecklingen för den mycket framgångsrika GPay-appen i Indien, ansvarat för hela Googles betalningserbjudande i APAC och byggt AI-produkter för konsumenter. För närvarande leder jag ett AI-produktutvecklingsarbete från början till slut för att bygga en helt ny produkt.
Dessutom lär jag produktledare och chefer att bygga med AI genom min Maven-kurs, Level Up to Product Super IC. Jag har två roller samtidigt — praktiker och lärare — och båda formar mitt sätt att se på produktleverans: mindre fokus på samordning och godkännanden, och mer på att gå från insikt till fungerande prototyp utan att vänta på tillstånd.
Hur AI gör det möjligt för människor att ägna sig mer åt det de är bäst på
Jag försöker att inte se AI som bara ännu ett, bättre verktyg. Det synsättet låser fast dig i tanken att det bara handlar om effektivitet. AI är en multiplikator — kanske en sådan som bara uppstår en gång per århundrade.
Det gör att jag kan ägna betydligt mindre tid åt leveransarbetets sammanbindande delar: mötessammanfattningar, utkast till PRD:er, status- och uppdateringar till intressenter samt den första researchen. Jag har flyttat mycket av detta till ett personligt ”agentiskt operativsystem” som till stor del kan köra sig självt.
Nu ägnar jag alltså min tid åt de 10 % som är svåra och mänskliga, inte åt de 90 % av samordningen som tidigare åt upp hela veckan. Jag fokuserar mer på själva hantverket. Tänkandet, bedömningarna och prototyparbetet.
På tal om prototyper: det är en enorm förändring i sig. Nu kan jag validera en vision genom att själv bygga en fungerande prototyp innan jag tilldelar någon annan uppgiften. Hindret för att bygga är borta. Om jag kan föreställa mig det kan jag få en första version att fungera.
När AI ska användas och när en människa krävs
Det arbete som enklast kan automatiseras är sammanställnings- och administrationslagret:
- Omvandla rått mötesljud till beslut och åtgärdspunkter
- Skapa första utkast till PRD:er och research
- Sortera inkommande signaler
- Hantera uppdateringar till intressenter
Du implementerar detta med personliga agenter som bevakar dina indata, lyfter fram det som kräver ett beslut och utformar utkast för resten.
Kundinsikter används också alldeles för lite här: Det finns nu verktyg som talar om vilka funktioner du bör bygga och uppskattar deras ARR-påverkan, men de flesta team sammanställer fortfarande återkoppling manuellt från Slack och supportärenden.
Men människor måste fortfarande definiera vad ”bra” innebär. Som ledare är det ditt jobb att definiera kvalitet, vilket är anledningen till att jag tycker att utvärderingar är så viktiga.
Människor måste också hantera känsla och produktbedömning, genuint kreativa språng från noll till ett samt det förtroendebaserade mänskliga arbetet med att coacha team, navigera i politik och fatta svåra prioriteringsbeslut.
AI ger dig fler kast mot piltavlan; en människa måste fortfarande bestämma var tavlan ska stå.
Varför teknikstackar bör börja med en granskning
AI-verktyg är precis som ett fantastiskt videospel — enkla att spela, brutalt svåra att bemästra. Den lockande första upplevelsen får människor att anta att allt går smidigt, så de blir chockade när komplexiteten slår till. Många ger upp. Den verkliga färdigheten handlar inte om att skriva prompter, utan om viljan att fortsätta och lära sig i sin egen takt, snabbare än vad som känns bekvämt.
På jobbet består min stack främst av de senaste Gemini-modellerna, med Antigravity som agentnav. Antigravitys agenthanterare är underskattad. Den är verkligen innovativ. När det gäller projektledning använder Google sina egna anpassade verktyg, motsvarande Jira och GitHub i omvärlden.
För mina personliga projekt och undervisningsaktiviteter är min centrala verktygsstack:
- Claude Code för kodning. Det här är den stora höjdpunkten. Jag kör flera agenter parallellt. Det är det närmaste man kommer en riktig assistent, inte bara autokomplettering.
- Replit för prototyper. Dess planera-först-metod och parallella agenter skiljer det från mängden.
- NotebookLM tillsammans med Obsidian för efterforskning och skrivande.
- Codex och Claude Cowork hanterar många schemalagda uppgifter och automatiseringar genom att integrera e-post, kalender, molnlagring och mötesanteckningar.
- Granola och Wispr Flow kompletterar stacken. Jag förespråkar starkt tal-till-text och att använda rösten som inmatning.
Under de senaste 6–12 månaderna har stacken utvecklats från att ”använda AI för att utarbeta saker snabbare” till ett verkligt personligt agentbaserat operativsystem — mindre fokus på enstaka prompter och mer på självständiga agenter som hanterar återkommande arbetsflöden från början till slut.
Mitt råd när du bygger en stack: Börja inte med det mest spektakulära verktyget. Granska hur du använder din vecka, hitta de största tidstjuvarna och välj det specifika verktyg som eliminerar dem. Generella införandestrategier fungerar inte.
Så effektiviserar agentbaserade arbetsflöden projektleveransen
Vi fokuserade medvetet först på den gemensamma grund som gör dessa arbetsflöden möjliga, eftersom allt antingen hålls samman eller faller samman där.
Nästan alla våra processer körs nu som agentbaserade arbetsflöden inom design, produktledning och tekniskt genomförande. Agentbaserade arbetsflöden hanterar strategin och tankearbetet bakom det som behöver byggas, utformningen av komponenter, skärmar och layouter samt hur backend- och frontendkod sätts samman. Det här är inte ett isolerat experiment i ett hörn av teamet; det är så arbetet genomförs från början till slut.
Vi fokuserade medvetet först på den gemensamma grund som gör dessa arbetsflöden möjliga, eftersom allt antingen hålls samman eller faller samman där. I praktiken innebär det att bygga gemensam infrastruktur för hela teamet, en gemensam uppsättning agentfärdigheter och ett gemensamt ramverk som alla arbetar genom. Den viktigaste delen är dokumentation som inte bara är redo för människor utan även för agenter. Om din dokumentation bara är begriplig för människor kommer dina agenter att börja avvika, så vi lägger stora resurser på att skriva för båda målgrupperna samtidigt.
Mer konkret handlar det om tydligt markerade kunskapsfiler, PRD:er och tekniska designdokument. Vi håller vanligtvis dessa i Markdown, mycket koncisa, och skriver dem så att de är begripliga för både människor och agenter. Avgörande är att människor validerar alla dessa filer innan vi börjar bygga något. Mänsklig validering av indata håller det agentbaserade arbetsflödet rent, eftersom agenter bara är så bra som de dokument och färdigheter de får tillgång till.
Vi upprätthåller också mycket tydliga checklistor och ser till att agenterna arbetar igenom dem. En agent markerar ett steg som slutfört först när checklistan verkligen är uppfylld; först då går vi vidare till nästa steg. Denna disciplin med tydlig dokumentation, mänskligt validerad indata, gemensamma färdigheter och checklistor steg för steg förvandlar agentbaserat arbete från en nyhet till något tillförlitligt.
Vinsten blir konkret när grunden väl är på plats. Den svåra delen är den inledande investeringen i gemensam infrastruktur och agentanpassad dokumentation. Team som hoppar över det steget får en spektakulär demonstration och ser sedan hur allt faller samman när komplexiteten ökar. Team som gör jobbet får verkligt snabb, parallell genomförandekraft inom design, produkt och teknik.
Så förändrar AI traditionella projektledningsmodeller
Den gammaldags vattenfallsmodellen fungerar helt enkelt inte längre. Traditionell projektledning var obevekligt linjär: steg ett ledde till steg två och sedan till steg tre, med fasta överlämningar mellan olika discipliner. Produktteamet skrev specifikationen, designteamet skapade skisserna, utvecklingsteamet byggde den och därefter granskade designteamet finjusteringen — varje fas väntade på den föregående.
Den linjära kedjan har brutits, vilket är fantastiskt. Stegen kan nu byta ordning och gränserna mellan design, teknik och produkt har suddats ut. Designers har till exempel redan byggt in designsystemet direkt i kodbasen — rätt komponenter, layouter och specifika färgtokens. Utvecklingsteamet kan sedan bygga ett helt funktionsflöde, och designteamet åtgärdar alla problem i användargränssnittet direkt i koden för att slutföra finjusteringen. Ingen väntar på en överlämning från Figma. Designarbetet sker i samma medium som utvecklingsarbetet.
Samma uppluckring sker uppströms. Produktteamet kan skriva många fler PRD:er parallellt och därmed undanröja hinder för utvecklingen. Utvecklingsteamet kan ta fram djupa, detaljerade tekniska designdokument utan att produktteamet behöver godkänna varje steg, eftersom AI gör det möjligt för varje kompetensområde att producera arbete som tidigare krävde en specialist.
Olika teammedlemmar kan nu göra olika delar av jobbet. I stället för ett linjärt stafettlopp där stafettpinnen tappas vid varje överlämning växer alltså ett litet team med stort eget handlingsutrymme fram, där alla kan röra sig in på angränsande områden för att undanröja hinder i arbetet.
I praktiken innebär detta lättviktiga system framför tunga processer: färre statusmöten och godkännandegrindar, fler fungerande prototyper. PRD:er och tekniska designdokument tas fram snabbt och behandlas som levande artefakter snarare än frysta specifikationer. En gemensam kodbas — med designsystemet inbyggt — fungerar som den enda sanningskällan där produkt, design och utveckling möts.
Resultatet är högre hastighet — teamen validerar visionen genom att bygga, inte genom att samordna, och levererar en finish som tidigare krävde flera överlämningscykler på en bråkdel av tiden.
Varför AI inte kan eliminera behovet av projektritualer
Alla de vanliga ritualerna finns fortfarande kvar, och flera blir ännu viktigare med AI, inte mindre. Människor antar felaktigt att snabbare utveckling innebär mindre strikt disciplin. Det motsatta är sant.
Att definiera omfattningen är lika avgörande som någonsin. Ett team behöver fortfarande en kristallklar definition av vad det försöker bygga. Det som har förändrats är vad som blir möjligt inom den omfattningen. Om ett team bygger effektivt med AI kan många saker som tidigare hade låg prioritet eller förblev fast i en backlogg för alltid nu prioriteras och lanseras. Därför kan man bygga en mer meningsfull och mer komplett produkt än tidigare. Omfattningens ambitionsnivå kan öka, men behovet av att definiera den tydligt kvarstår.
Team behöver fortfarande full samsyn. Intressenter behöver fortfarande samsyn. När du arbetar över flera team måste du fortfarande medvetet skapa samsyn både inom ditt eget team och mellan teamen. AI skapar inte samsyn mellan människor åt dig.
Det är ännu viktigare att validera arbetet. När man bygger på ett stort företag når produkterna miljontals människor, inte bara tiotals eller hundratals användare. Produkterna måste fortfarande vara utmärkta, fungera mycket väl och prestera i den skalan. Att AI hjälper dig att bygga snabbare sänker inte ribban. Därför är validering fortfarande icke förhandlingsbar.
Det som har förändrats är att processen inte längre är lika svår och långsam. Ritualerna i sig — tydlig omfattning, verklig samsyn och rigorös validering — gäller fortfarande och blir till och med viktigare. Vi behöver tänka om kring de processer som traditionellt hindrar snabbare genomförande. AI gör det möjligt att skala bort formaliteterna och friktionen kring dessa ritualer, samtidigt som deras innehåll skyddas.
Varför omdöme blir ännu viktigare i AI-drivna organisationer
På kort sikt kommer fler teknikföretag att anamma AI i produktutveckling och leverans från början till slut. Den djärvare förutsägelsen handlar dock om vart det sprids härnäst. Det kommer inte att stanna inom tekniksektorn. Det kommer att spridas till stora företag, därefter till företag utanför tekniksektorn och så småningom till traditionella verksamheter.
När dessa vinster flyttas från individer till små team och vidare till hela organisationer kommer dynamoeffekten att i grunden omforma team och arbetsflöden. Strukturen för hur leveransteam byggs och hur arbetet flödar genom dem kommer att se mycket annorlunda ut än i dag.
Men betydelsen av god beslutsfattning kommer inte att försvinna; tvärtom blir den viktigare eftersom du nu fattar beslut mycket oftare. När den övergripande leveransen gick långsamt fattade du bara några få viktiga beslut, kanske en gång varannan vecka eller månad. Nu måste du fatta beslut av hög kvalitet flera gånger om dagen, ibland flera gånger i timmen.
AI-driven utveckling måste införas både uppifrån och nerifrån.
Fokus måste därför skifta till mänskligt beslutsfattande. Varje expertområde behöver definiera en tydlig uppsättning perspektiv genom vilka varje beslut ska betraktas, så att besluten kan fattas snabbare och med större skärpa. Lika viktigt är att dessa beslut dokumenteras så att agenter förstår dem och kan hänvisa tillbaka till dem.
Framgångsrika team kommer att behandla välgrundade och väldokumenterade mänskliga bedömningar som en knapp resurs, eftersom AI gör dem både vanligare och mer värdefulla.
Varför leveransledare måste ta till sig AI och uppmuntra experimenterande
Den avgörande övergripande poängen är att AI-driven utveckling måste införas både uppifrån och nerifrån. Det kan inte vara det ena eller det andra.
Den uppifrån och ner-riktade delen kräver stöd från ledningen. Om den högsta ledningen inte ställer sig bakom detta, experimenterar och försöker förändra sina egna arbetsflöden och leveranssystem, kommer organisationen att få mycket svårt att införa AI på ett meningsfullt sätt. Man kan inte föreskriva en omvandling som man inte själv genomgår. Ledare som delegerar AI till en arbetsgrupp samtidigt som de låter sina egna arbetssätt förbli oförändrade skickar en tydlig signal om att detta är valfritt, och organisationen tolkar den signalen korrekt. Därför är mitt första råd till andra leveransledare att först förändra era egna arbetsflöden, innan ni ber någon annan att förändra sina.
Den nerifrån och upp-riktade delen är lika viktig. Juniora medarbetare och enskilda team måste ha friheten att experimentera, utmana konventioner och ifrågasätta befintliga arbetsflöden. De behöver utrymme att prova saker, ifrågasätta hur leveranser alltid har genomförts och sedan göra ledningen uppmärksam på vad de har lärt sig. Om den kanalen inte finns, om människor saknar den friheten och deras upptäckter aldrig når uppåt, faller hela saken lika säkert samman som när ledningen saknas.
Det mest användbara en leveransledare kan göra just nu är att hålla båda ändarna i gång samtidigt. Gå i bräschen genom att synligt tänka om kring era egna leveranssystem och samtidigt skapa förutsättningar för era team att experimentera fritt och ta med sig det som fungerar tillbaka till er. Det måste ske både uppifrån och nerifrån.
När bara den ena änden engagerar sig stannar införandet av. När båda gör det får förändringen fäste.
Följ arbetet
Du kan följa Anshumani Ruddra på LinkedIn. Du kan också ta en titt på hans blogg och hans kurser.
Fler expertintervjuer kommer på The Digital Project Manager!
