Tre frågor om AI Product Coaching med Stefania

Stefania Tardito - Product Manager

När en organisation vill komma vidare med AI i produktarbetet, vad börjar du med att undersöka?

Jag börjar med att fråga vad teamen skulle bygga själva om det nästan inte kostade något, för med AI gör det nästan inte det. Svaren visar snabbt vilka problem som skaver mest i vardagen, men också om teamen vet varför de jobbar med det de gör. Det andra är viktigast. När det blir billigt att bygga blir det svåra att veta vad som är värt att bygga, och då måste man kunna följa tråden från bolagets mål ner till teamets arbete.

När det blir billigt att bygga blir det svåra att veta vad som är värt att bygga.

I mitt nuvarande uppdrag började jag därför med en workshop där intressenterna skulle enas om vad vi styr mot. Jag använde AI för att ta fram underlaget i förväg, så att tiden i rummet kunde gå till beslut. Jag tittar också på vilket repetitivt arbete som tar tid från det som kräver eftertanke, för där brukar det första testet finnas.


Hur avgör ni vad som är värt att testa och vad som behöver förändras runt omkring?

Ett test ska vara så litet att det går att göra klart på några veckor, och det ska höra ihop med ett mål som betyder något för verksamheten. I mitt nuvarande uppdrag börjar vi i KPI-trädet. Vi letar efter ett mått som teamet själv kan påverka och som hänger ihop med det bolaget vill uppnå. Sedan formulerar vi en hypotes och bestämmer innan vi börjar vad vi behöver se för att gå vidare, och vad som gör att vi lägger ner idén. Med AI-agenter kan jag själv gräva i datan och se var det finns mest att vinna innan vi bestämmer oss.

Med AI kommer vi fram till en första version mycket snabbare än förut, ofta en prototyp som vi kan visa för användare innan något byggs på riktigt. Därför vågar vi testa fler idéer och släppa dem som inte håller. När jag startade nätverket Parla gick jag på samma sätt från moodboard till designsystem och färdig sajt på kort tid.

Det som behöver förändras runt omkring handlar oftast om vanor: att teamet följer upp vad som hände efter leveransen, och att ledarna frågar efter det.


Vilket stöd behöver ledare och team för att lärdomarna ska få genomslag i vardagen?

Lärdomar fastnar när man har provat själv. Därför coachar jag mycket genom att göra saker tillsammans med teamet. Ofta börjar det med att jag visar mitt eget arbetsflöde.

I mitt nuvarande uppdrag gör jag mycket av analysarbetet med AI-agenter. Jag har gett dem ett eget underlag om hur verksamheten fungerar, vilka datakällor som finns och var siffrorna brukar lura en, så att de inte börjar från noll varje gång. Därifrån tar agenten mig från en fråga till en analys och en rekommendation, och vidare till färdiga ärenden i backloggen som teamet kan ta direkt. På så sätt hamnar insikterna om kunderna i det teamet faktiskt bygger.

Sedan bygger vi nästa automatisering ihop, och gången därpå gör teamet det själva medan jag finns vid sidan. Målet är att kunskapen stannar kvar när jag går. Organisationen behöver se till att det finns tid för det och att någon fortsätter driva frågan när jag inte är där längre.

Det enklaste sättet att följa upp värdet är att fråga teamet vad de inte längre behöver göra för hand, och vad de gör med tiden de har fått tillbaka.

På Hyper Island leder jag en kurs om nästa steg, hur en analys faktiskt blir ett beslut i en organisation. Med AI går analysen mycket snabbare, men det steget kräver fortfarande att någon tar ansvar för det.


Hur märker organisationen att stödet ger värde?

Det tydligaste tecknet är att folk använder det utan att någon påminner dem. Sedan vill jag se skillnad i det mått vi valde från början, även om det ofta tar längre tid. Men det jag tittar mest på är när teamet börjar driva nästa test på egen hand och kommer med egna idéer om vad som kan göras bättre.

När jag byggde verktyg åt SeventyOne märkte jag det på att kollegorna började höra av sig med förslag på vad verktygen skulle kunna göra härnäst. Då vet jag att det inte hänger på mig längre.


Detta är en serie där vi intervjuar våra medarbetare.

Nästa
Nästa

The last mile of data work