Fremtidens produktjobs bliver generalistjob
Om hvorfor produktjobs i en AI-tidskalder kalder mere på generalister end specialister.
TL;DR
Fremtidens produktjob kalder mere på generalister end specialister, fordi:
AI sænker kravene til at være specialist i kontekst- og vidensdeling.
AI sænker kravene til at lære og kende produkt-frameworks.
AI sænker kravene til at kunne prototype og teste.
AI ændrer fundamentalt måden startups opererer på. Det tror jeg, at alle er enige i.
Men de seneste måneder er det (i kraft af at vi selv ansætter ret kraftigt i All Gravy, host host, se ledige stillinger) gået op for mig, at ikke alle roller i et startup påvirkes ens.
Hvor jeg på den ene side ser, at startups nu oftere hyrer specialist-udviklere, oplever jeg samtidig et skift over mod generalist-produktfolk.”
Historisk har discipliner som Product Management, UX Design, UI, Design, User Research og Data Scientist været adskilt. Det var de nødt til, fordi de alle var kontekst tunge roller med et vist element af håndværk i sig.
Men AI ændrer dette. Og der er tre elementer AI-udviklingen, som jeg tror vil betyde, at fremtidens produkt-roller bliver generalist-roller:
Kontekst flyttes fra menneskehjernen til AI-hjernen.
Produkt-frameworks bliver mere tilgængelige.
Prototyping bliver lettere.
1. Kontekst flyttes fra menneskehjernen til AI-hjernen
Historisk har en stor del af produktrollen omhandlet at sikre, at den rigtige viden flød til de rigtige personer.
Designere skulle forstå de kommercielle udfordringer. Udviklere skulle forstå brugernes motivation og adfærd. Data Scientists skulle forstå UI’et osv.
Men AI automatisere mere og mere af det “vidensarbejde”. Fx kan værktøjer som:
Notion gøre forretningsbeslutninger og -historik tilgængelig, og deres AI kan selv kommunikere kontekst for, hvorfor dokumenter ser ud som de gør.
Airtable og ClickUp tage data scientistens metrikker og omformer det til indsigter i form af prosa.
Dovetail opsummerer store mængder af user researcherens kvalitative interviews til indsigter.
Mødennote-værktøjer som dem, der indbygges i Google Meet og Zoom transskriberer og opsummerer møder og identificerer actions points for de, der ikke kan deltage på møder.
Før var viden en knap ressource, der skulle a) indsamles, b) oversættes og c) distribueres. Og ofte var man som Product Manager, Designer e.l. nødsaget til at blive specialist i mindst én af de tre.
Men i en verden hvor AI-værktøjer kan gøre næsten alt benarbejdet, bliver behovet for at mestre vidensarbejdet mindre vigtigt.
2. Tilgængelige frameworks
Produkt-roller har altid handlet om at kende de rigtige værktøjer.
Hvilken form for design sprints skal man bruge? Hvornår skal man bruge t-statistics eller z-statistics til at måle statistisk signifikans i brugeranalyser? Osv.
At kende til hvornår man skal bruge værktøjerne har ofte været en større kunst, end at vide hvordan de skal bruges.
Lige præcis den udfordring er de store sprogmodeller som ChatGPT og Gemini eminente til.
Prompter du dem med informationer, data og overvejelser, er de som regel gode til at forklare og foreslå de rette frameworks.
Og i en verden hvor alle i stigende grad har adgang til den samme teoretiske værktøjskasse, bliver der mindre brug for specialister i enkelte frameworks - men mere brug for dem der kan anvende en bred vifte af teoretiske frameworks.
3. Prototyping bliver langt lettere
Det er ikke kun teoretiske værktøjer, der bliver lettilgængelig. Det gør de praktiske værktøjer også.
Historisk har prototyping været sit helt eget håndværk. Og et håndværk som få mestrede.
Det krævede ikke bare gode UI-færdigheder at bygge effektive prototyper. Det krævede også fart og tempo.
Men det seneste år er det eksploderet med værktøjer, der fjerner de barrierer. Med basale tekst-prompts kan du ikke bare skabe gode design-prototyper - du kan med værktøjer som Lovable og Replit bygge produktionsklare prototyper.
Hvor god prototyping før krævede et stærkt team af designere og/eller udviklere, bliver behovet for den form for specialister mindre og mindre. Og generalister vil i højere grad kunne varetage og drive god prototyping.
Med andre ord…
Fremtidens produktjob kalder mere på generalister end specialister, fordi:
AI sænker kravene til at være specialist i kontekst- og vidensdeling.
AI sænker kravene til at lære og kende produkt-frameworks.
AI sænker kravene til at kunne prototype og teste.