Aaron Kesler, direktør for AI-produktledelse i SnapLogic – Interviewsammenhæng

DU har haft en ret interessant iværksætterrejse, hvor du startede STAK på college og blev købt op af Carvertise. Hvordan har disse tidlige erfaringer formet din produktmentalitet?

Dette var en ret interessant tid i mit liv. Min roommate og jeg startede STAK, fordi vi var kedede af vores studier og ville have noget mere praktisk erfaring. Vi havde aldrig forestillet os, at det ville føre til, at vi blev købt op af, hvad der blev Delawares mest kendte startup. Denne erfaring formet min produktmentalitet, fordi jeg naturligt blev tiltrukket af at tale med virksomheder, spørge dem om deres problemer og bygge løsninger. Jeg vidste ikke engang, hvad en produktleder var dengang – jeg gjorde bare jobbet.

Hos Carvertise begyndte jeg at gøre det samme: arbejde med deres kunder for at forstå deres problemer og udvikle løsninger – igen, længe før jeg havde titlen som produktleder. Som ingeniør er dit job at løse problemer med teknologi. Som produktleder skifter dit job til at finde de rigtige problemer – dem, der er værd at løse, fordi de også driver forretningsværdi. Som iværksætter, især uden finansiering, bliver din mentalitet: hvordan kan jeg løse nogenes problem på en måde, der hjælper mig med at putte mad på bordet? Den tidlige skarphed og kampvilje lærte mig altid at se gennem forskellige linser. Uanset om du er i en selvfinansieret startup, en VC-backet virksomhed eller en sundheds-gigant, vil Maslows “grundlæggende behov”-mentalitet altid være grundlaget.

DU taler om din passion for at coach aspirerende produktledere. Hvad er det bedste råd, du ønsker, du havde fået, da du startede med produkt?

Det bedste råd, jeg nogensinde fik – og det råd, jeg giver til aspirerende produktledere – er: “Hvis du altid argumenterer fra kundens perspektiv, vil du aldrig tabe en diskussion.” Den linje er bedragerisk enkel, men utrolig kraftfuld. Det betyder, at du virkelig skal forstå din kunde – deres behov, problemer, adfærd og kontekst – så du ikke bare dukker op til møder med meninger, men med indsigt. Uden det bliver alt til en HIPPO (højeste betalte persons mening), en kamp om, hvem der har mere magt eller højere meninger. Med det bliver du den person, folk vender sig til for klarhed.

DU har tidligere udtalt, at hver medarbejder snart vil arbejde sammen med et dusin AI-agenter. Hvad ser denne AI-forstærkede fremtid ud til i en dag-til-dag-arbejdsgang?

Det, der kan være interessant, er, at vi allerede er i en virkelighed, hvor mennesker arbejder med multiple AI-agenter – vi har hjulpet vores kunder som DCU planlægge, bygge, teste, sikre og sætte dusinvis af agenter til at hjælpe deres arbejdskraft. Det, der er fascinerende, er, at virksomheder bygger organisationsskemaer for AI-kolleger for hver medarbejder, baseret på deres behov. For eksempel vil medarbejdere have deres egne AI-agenter dedikeret til bestemte brugsområder – som en agent til at udarbejde epics / brugertilfælde, en, der hjælper med kodning eller prototypering eller udsteder pull-forespørgsler, og en anden, der analyserer kunde-tilbagemeldinger – alle sanktioneret og orkestreret af IT, fordi der er meget på bagsiden af, der bestemmer, hvem der har adgang til hvilke data, hvilke agenter skal overholde retningslinjer for styring, osv. Jeg tror ikke, at agenter vil erstatte mennesker, endnu. Der vil være et menneske i løkken i den nærmeste fremtid, men de vil fjerne de repetitive, lavværdi-opgaver, så mennesker kan fokusere på højere niveau-tænkning. Om fem år forventer jeg, at de fleste hold vil afhænge af agenter på samme måde, som vi afhænger af Slack eller Google Docs i dag.

Hvordan anbefaler du, at virksomheder brobygger AI-litteracitetsgapet mellem tekniske og ikke-tekniske hold?

Start småt, have en klar plan for, hvordan dette passer ind i jeres data- og applikationsintegrationsstrategi, hold det håndgribeligt for at fange eventuelle overraskelser, og vær åben for at iterere fra de oprindelige mål og tilgang. Find problemer ved at blive nysgerrig omkring de kedelige opgaver i jeres forretning. De højeste-værdi-problemer at løse er ofte de kedelige, som de usungte helte løser hver dag. Vi lærte meget af disse bedste praksis selv, da vi byggede agenter til at hjælpe vores SnapLogic-finansafdeling. Den vigtigste tilgang er at sikre, at I har sikre guardrails på, hvilke typer data og applikationer bestemte medarbejdere eller afdelinger har adgang til.

Herefter bør virksomheder behandle det som en universitetskursus: forklare nøglebegreber enkelt, give folk en chance for at prøve værktøjerne selv i kontrollerede miljøer, og derefter følge op med dybere dyk. Vi gør det også klart, at det er okay ikke at vide alt. AI udvikler sig hurtigt, og ingen er ekspert i hvert område. Nøglen er at hjælpe holdene med at forstå, hvad der er muligt, og give dem tilliden til at stille de rigtige spørgsmål.

Hvad er nogle effektive strategier, du har set for AI-oplæring, der går ud over generiske træningsmoduler?

Den bedste tilgang, jeg har set, er at lade folk få fingre i det. Træning er en god start – du skal vise dem, hvordan AI faktisk hjælper med arbejdet, de allerede gør. Derefter behandle det som en sanktioneret tilgang til skygge-IT eller skygge-agenter, hvor medarbejdere er kreative for at finde løsninger, der kan løse super-partikulære problemer, som kun de har. Vi gav vores feltteam og ikke-tekniske team adgang til AgentCreator, SnapLogics agent-teknologi, der eliminerer kompleksiteten ved virksomheds-AI-adopter, og fik dem til at prøve at bygge noget og rapportere tilbage med spørgsmål. Dette øvelse førte til rigtige læringsoplevelser, fordi det var knyttet til deres dag-til-dag-arbejde.

Ser du en risiko i, at virksomheder adopterer AI-værktøjer uden ordentlig oplæring – hvad er nogle af de mest almindelige faldgruber?

De største risici, jeg har set, er væsentlige retningslinjer og/eller datasikkerheds-overtrædelser, der kan føre til dyre regulerings-gebyrer og potentielt sætte kundernes data i fare. Dog er nogle af de mest hyppige risici, jeg ser, virksomheder, der adopterer AI-værktøjer uden fuldt at forstå, hvad de er og ikke er i stand til. AI er ikke magi. Hvis jeres data er en rod, eller jeres hold ikke ved, hvordan de skal bruge værktøjerne, vil I ikke se værdi. Et andet problem er, når organisationer trykker adoption fra toppen og ned og ikke tager hensyn til de mennesker, der faktisk udfører arbejdet. Du kan ikke bare rulle noget ud og forvente, at det holder. Du behøver champions til at uddanne og vejlede folk, hold behøver en stærk datastrategi, tid og kontekst til at sætte guardrails op, og plads til at lære.

Hos SnapLogic arbejder du på ny produktudvikling. Hvordan indgår AI i jeres produktstrategi i dag?

AI og kunde-tilbagemeldinger er i hjertet af vores produktinnovationsstrategi. Det handler ikke kun om at tilføje AI-funktioner, men om at genoverveje, hvordan vi kan fortsat levere mere effektive og brugervenlige løsninger for vores kunder, der simplificerer, hvordan de interagerer med integrationer og automatisering. Vi bygger produkter med både power-brugere og ikke-tekniske brugere i mente – og AI hjælper med at brokke gapet.

Hvordan hjælper SnapLogics AgentCreator-værktøj virksomheder med at bygge deres egne AI-agenter? Kan du dele et brugsområde, hvor dette havde en stor indvirkning?

AgentCreator er designet til at hjælpe hold med at bygge rigtige, virksomheds-klasse AI-agenter uden at skrive en enkelt linje kode. Det eliminerer behovet for erfarne Python-udviklere til at bygge LLM-baserede applikationer fra bunden og giver hold på tværs af finans, HR, marketing og IT mulighed for at oprette AI-drevne agenter på få timer ved hjælp af naturligt sprogsprompt. Disse agenter er tæt integreret med virksomhedsdata, så de kan gøre mere end bare svare. Integrerede agenter automatiserer komplekse arbejdsgange, tænker igennem beslutninger og handler i realtid, alt inden for virksomhedens kontekst.

AgentCreator har været en game-changer for vores kunder som Independent Bank (INDB ), der brugte AgentCreator til at lancere voice- og chat-assistenter for at reducere IT-hjælpeskemadeforsinkelser og frigøre IT-resourcer til at fokusere på nye GenAI-initiativer. Desuden brugte benefits-administrationsudbyderen Aptia AgentCreator til at automatisere en af sine mest manuelle og ressourcekrævende processer: benefits-valg. Det, der tidligere tog timer af backend-data-indtastning, tager nu minutter, takket være AI-agenter, der strømlinjer data-oversættelse og validering på tværs af systemer.

SnapGPT tillader integration via naturligt sprog. Hvordan har dette demokratiseret adgangen for ikke-tekniske brugere?

SnapGPT, vores integrations-co-pilot, er et godt eksempel på, hvordan GenAI bryder barrierer i virksomhedssoftware. Med det kan brugere, fra ikke-tekniske til tekniske, beskrive den ønskede udfald ved hjælp af enkle naturlige sprogsprompt – som at tilslutte to systemer eller udløse en arbejdsgang – og integrationen bliver bygget til dem. SnapGPT går ud over at bygge integrations-pipelines – brugere kan beskrive pipelines, oprette dokumentation, generere SQL-forespørgsler og udtryk og transformere data fra en format til en anden med en enkel prompt. Det omdanner, hvad der tidligere var en udvikler-tung proces, til noget, der er tilgængeligt for medarbejdere på tværs af forretningen. Det handler ikke kun om at spare tid – det handler om at skifte, hvem der får lov til at bygge. Når flere mennesker på tværs af forretningen kan bidrage, låser du op for hurtigere iteration og mere innovation.

Hvad gør SnapLogics AI-værktøjer – som AutoSuggest og SnapGPT – forskellige fra andre integrationsplatforme på markedet?

SnapLogic er den første generative integrationsplatform, der kontinuerligt låser værdien af data på tværs af den moderne virksomhed med en hidtil uset hastighed og skala. Med muligheden for at bygge avancerede GenAI-applikationer på få timer – uden at skrive kode – samt SnapGPT, den første og mest avancerede GenAI-drevne integrations-co-pilot, kan organisationer accelerere forretningsværdi betydeligt. Andre konkurrenters GenAI-kapaciteter mangler eller er ikke-eksisterende. I modsætning til meget af konkurrencen blev SnapLogic født i skyen og er designet til at håndtere kompleksiteten af sky, on-premises og hybrid-miljøer.

SnapLogic tilbyder iterative udviklingsfunktioner, herunder automatiseret validering og schema-på-læsning, der giver hold mulighed for at fuldføre projekter hurtigere. Disse funktioner giver mere integratorer af varierende færdighedsniveauer mulighed for at komme i gang hurtigt, i modsætning til konkurrenter, der mest kræver højt kvalificerede udviklere, hvilket kan bremse implementeringen betydeligt. SnapLogic er en højtydende platform, der behandler over fire billioner dokumenter månedligt og kan effektivt flytte data til data-søer og lagerhuse, mens nogle konkurrenter mangler support for realtids-integration og ikke kan understøtte hybrid-miljøer.

hvad er det, der mest exciterer dig om fremtiden for produktledelse i en AI-drevet verden?

Det, der mest exciterer mig om fremtiden for produktledelse, er opkomsten af en af de seneste buzzwords i AI-rummet “vibe-kodning” – evnen til at bygge arbejdende prototyper ved hjælp af naturligt sprog. Jeg forestiller mig en verden, hvor alle i produkt-trioen – design, produktledelse og ingeniørarbejde – er hånd-i-hånd med værktøjer, der oversætter ideer til reelle, fungerende løsninger i realtid. I stedet for kun at afhænge af ingeniører og designere til at bringe ideer til live, vil alle kunne skabe og iterere hurtigt.

Forestil dig at være på en kunde-samtale og, i øjeblikket, prototypere en live-løsning ved hjælp af deres faktiske data. I stedet for bare at lytte til deres foreslåede løsninger, kunne vi samarbejde med dem og opdage bedre måder at løse deres problemer på. Denne ændring vil gøre produktudviklingsprocessen dramatisk mere samarbejdende, kreativ og alignet. Og det exciterer mig, fordi min yndlingsdel af jobbet er at bygge sammen med andre for at løse meningsfulde problemer.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge SnapLogic.