Aaron Kesler, direktør for AI-produktledelse i SnapLogic – Intervju-serie

Du har hatt en ganske eventyrlig reise som entreprenør, startet STAK på college og ble senere kjøpt opp av Carvertise. Hvordan påvirkte disse tidlige erfaringene din produkt-mentality?

Dette var en veldig interessant periode i mitt liv. Min romkamerat og jeg startet STAK fordi vi var lei av skolearbeidet og ønsket å få noen praktisk erfaring. Vi hadde aldri tenkt at det ville føre til at vi ble kjøpt opp av hva som ble Delawares fremste startup. Denne erfaringen påvirkede min produkt-mentality fordi jeg naturlig graviteterte mot å snakke med bedrifter, spørre dem om deres problemer og bygge løsninger. Jeg visste ikke engang hva en produktleder var på den tiden – jeg gjorde bare jobben.

Hos Carvertise begynte jeg å gjøre det samme: å arbeide med deres kunder for å forstå problemer og utvikle løsninger – igjen, lenge før jeg hadde tittelen produktleder. Som ingeniør er din jobb å løse problemer med teknologi. Som produktleder skifter din jobb til å finne de riktige problemene – de som er verdt å løse fordi de også driver forretningsverdi. Som entreprenør, spesielt uten finansiering, blir din mentalitet: hvordan kan jeg løse noen sin problem på en måte som hjelper meg å putte mat på bordet? Denne tidlige skruppeløsheten og jakten lærte meg alltid å se gjennom forskjellige linser. Uansett om du er i en selvfinansiert startup, et VC-backet selskap eller et helse-gigant, vil Maslows “grunnleggende behov”-mentalitet alltid være grunnlaget.

Du snakker om din lidenskap for å veilede aspirerende produktledere. Hva råd ønsker du at du hadde fått da du var i ferd med å bryte inn i produkt?

Det beste rådet jeg noen gang fikk – og det rådet jeg gir til aspirerende produktledere – er: “Hvis du alltid argumenterer fra kundens perspektiv, vil du aldri tape en diskusjon.” Den linjen er bedragelig enkel, men usedvanlig kraftfull. Det betyr at du må virkelig forstå din kunde – deres behov, problemer, atferd og kontekst – så du ikke bare møter opp på møter med meninger, men med innsikt. Uten det blir alt HIPPO (høyest betalte persons mening), en kamp om hvem som har mest makt eller høyere meninger. Med det blir du personen folk vender seg til for klarhet.

Du har tidligere uttalt at hver ansatt snart vil arbeide sammen med et dusin AI-agenter. Hva ser denne AI-forsterkede fremtiden ut som i en dag-til-dag-arbeidsflyt?

Hva som kanskje er interessant er at vi allerede er i en virkelighet hvor folk arbeider med flere AI-agenter – vi har hjulpet våre kunder som DCU planlegge, bygge, teste, sikre og sette i drift dusinvis av agenter for å hjelpe deres arbeidsstyrke. Hva som er fascinerende er at selskaper bygger ut organisasjonskart over AI-kolleger for hver ansatt, basert på deres behov. For eksempel vil ansatte ha sine egne AI-agenter dedikert til bestemte brukstilfeller – som en agent for å utarbeide episke / brukerhistorier, en som hjelper med kode eller prototyping eller utløser pull-forespørsler, og en annen som analyserer kunde-tilbakemeldinger – alle sanktionert og orkestrert av IT fordi det er mye på bakenden som bestemmer hvem som har tilgang til hvilke data, hvilke agenter må adlyde styre- og kontrollretningslinjer osv. Jeg tror ikke agenter vil erstatte mennesker, ennå. Det vil fortsatt være et menneske i løkken i den nærmeste fremtid, men de vil fjerne de repetitive, lavverdi-oppdragene så folk kan fokusere på høyere-nivå-tenkning. Om fem år forventer jeg at de fleste lag vil stole på agenter på samme måte som vi stoler på Slack eller Google Docs i dag.

Hvordan anbefaler du at selskaper brobygger AI-litteratur-gapet mellom tekniske og ikke-tekniske lag?

Start smått, ha en klar plan for hvordan dette passer inn i din data- og applikasjons-integrasjonsstrategi, hold det hånd-til-hånd for å fange eventuelle overraskelser, og vær åpen for å iterere fra de opprinnelige målene og tilnærmingen. Finn problemer ved å bli nysgjerrig på de hverdagslige oppgavene i din forretning. De høyest-verdi-problemene å løse er ofte de kjedelige som de usungne heltene løser hver dag. Vi lærte mye av disse beste praksisene førstehånd fra å bygge agenter for å hjelpe vårt SnapLogic-finansavdeling. Den viktigste tilnærmingen er å sikre at du har sikre vegger på hva slags data og applikasjoner bestemte ansatte eller avdelinger har tilgang til.

Så skal selskaper behandle det som et college-kurs: forklare nøkkelbegreper enkelt, gi folk en sjansen til å prøve verktøyene selv i kontrollerte miljøer, og deretter følge opp med dypere dykking. Vi gjør det også kjent at det er greit å ikke vite alt. AI utvikler seg raskt, og ingen er ekspert i hvert område. Nøkkel er å hjelpe lagene å forstå hva som er mulig og gi dem tillit til å stille de riktige spørsmålene.

Hva er noen effektive strategier du har sett for AI-opplæring som går utenfor generiske treningsmoduler?

Den beste tilnærmingen jeg har sett er å la folk få hånden på det. Treningsmoduler er en god start – du må vise dem hvordan AI faktisk hjelper med arbeidet de allerede gjør. Deretter behandle dette som en sanktionert tilnærming til skygge-IT, eller skygge-agenter, da ansatte er kreative for å finne løsninger som kan løse super-partikulære problemer bare de har. Vi ga vårt feltlag og ikke-tekniske lag tilgang til AgentCreator, SnapLogics agent-teknologi som eliminerer kompleksiteten ved bedrifts-AI-tilpasning, og ga dem mulighet til å prøve å bygge noe og rapportere tilbake med spørsmål. Dette øvelsen ledet til virkelige lærings-erfaringer fordi det var knyttet til deres dag-til-dag-arbeid.

Ser du en risiko i at selskaper tar i bruk AI-verktøy uten riktig opplæring – hva er noen av de vanligste fallgruvene?

De største risikoene jeg har sett er betydelige styre- og sikkerhetsbrudd, som kan føre til dyre reguleringer og muligheten for å sette kundens data i fare. Imidlertid er noen av de hyppigste risikoene jeg ser at selskaper tar i bruk AI-verktøy uten fullt ut å forstå hva de er og ikke er i stand til. AI er ikke magi. Hvis din data er en rot eller ditt lag ikke vet hvordan de skal bruke verktøyene, vil du ikke se noen verdi. Et annet problem er når organisasjoner presser på adopsjon fra toppen og ned og ikke tar hensyn til folkene som faktisk utfører arbeidet. Du kan ikke bare rulle noe ut og forvente at det skal fungere. Du trenger champions til å utdanne og veilede folk, lag trenger en sterk datastrategi, tid og kontekst til å sette opp vegger, og rom til å lære.

Hos SnapLogic arbeider du med ny produktutvikling. Hvordan faktorer AI inn i din produktstrategi i dag?

AI og kunde-tilbakemeldinger er i hjertet av vår produkt-innovasjonsstrategi. Det handler ikke bare om å legge til AI-funksjoner, men om å tenke om hvordan vi kan fortsatt levere mer effektive og brukervennlige løsninger for våre kunder som forenkler hvordan de samhandler med integrasjoner og automatisering. Vi bygger produkter med både power-brukere og ikke-tekniske brukere i tankene – og AI hjelper med å brobygge gapet.

Hvordan hjelper SnapLogics AgentCreator-verktøyet bedrifter med å bygge sine egne AI-agenter? Kan du dele en brukstilfelle hvor dette hadde en stor innvirkning?

AgentCreator er designet for å hjelpe lag bygge virkelige, bedrifts-graderte AI-agenter uten å skrive en enkelt linje kode. Det eliminerer behovet for erfarna Python-utviklere til å bygge LLM-baserte applikasjoner fra scratch og gir lag over hele finans, HR, markedsføring og IT mulighet til å bygge AI-drevne agenter på bare noen timer med naturlig språk-prompt. Disse agentene er tett integrert med bedrifts-data, så de kan gjøre mer enn bare svare. Integrerte agenter automatiserer komplekse arbeidsflyter, grunner gjennom beslutninger og handler i sanntid, all innenfor bedrifts-konteksten.

AgentCreator har vært en game-changer for våre kunder som Independent Bank (INDB ), som brukte AgentCreator til å lansere tale- og chatte-hjelpere for å redusere IT-hjelp-desk-billett-tilbakehold og frigjøre IT-resurser til å fokusere på nye GenAI-initiativer. I tillegg brukte Aptia, en fordelings-administrerings-leverandør, AgentCreator til å automatisere en av sine mest manuelle og ressurs-krevende prosesser: fordelings-valg. Hva som tidligere tok timer med bakende-data-innlasting, tar nå minutter, takket være AI-agenter som strømlinjer data-oversettelse og validering over systemer.

SnapGPT lar integrere via naturlig språk. Hvordan har dette demokratisert tilgang for ikke-tekniske brukere?

SnapGPT, vår integrerings-kopilot, er et godt eksempel på hvordan GenAI bryter ned barrierer i bedrifts-programvare. Med det kan brukere, fra ikke-tekniske til tekniske, beskrive resultatet de ønsker å bruke enkle naturlige språk-prompt – som å koble sammen to systemer eller utløse en arbeidsflyt – og integrasjonen bygges for dem. SnapGPT går utenfor å bygge integrerings-pipelines – brukere kan beskrive pipelines, lage dokumentasjon, generere SQL-spørringer og uttrykk og transformere data fra ett format til et annet med en enkel prompt. Det ender opp med å være en prosess som tidligere var utvikler-tung, til noe som er tilgjengelig for ansatte over hele bedriften. Det handler ikke bare om å spare tid – det handler om å skifte hvem som får bygge. Når flere mennesker over hele bedriften kan bidra, låser du opp raskere iterasjon og mer innovasjon.

Hva gjør SnapLogics AI-verktøy – som AutoSuggest og SnapGPT – forskjellig fra andre integrerings-plattformer på markedet?

SnapLogic er den første generative integrerings-plattformen som kontinuerlig låser opp verdien av data over hele den moderne bedriften i en utenforliggende hastighet og skala. Med mulighet til å bygge fremtidsrettende GenAI-applikasjoner på bare noen timer – uten å skrive kode – sammen med SnapGPT, den første og mest avanserte GenAI-drevne integrerings-kopilot, kan organisasjoner kraftig akselerere forretningsverdi. Andre konkurrenters GenAI-kapasiteter mangler eller er ikke-eksisterende. I motsetning til mye av konkurransen ble SnapLogic født i skyen og er bygget for å håndtere kompleksiteten av sky-, på-premis- og hybrid-miljøer.

SnapLogic tilbyr iterative utviklings-funksjoner, inkludert automatisert validering og skjema-på-lesing, som gir lag mulighet til å fullføre prosjekter raskere. Disse funksjonene gjør det mulig for flere integratorer av varierende ferdighetsnivå å komme i gang raskt, i motsetning til konkurrenter som for det meste krever høyt kvalifiserte utviklere, noe som kan bremse implementeringen betydelig. SnapLogic er en høy-ytelses-plattform som prosesserer over fire billioner dokumenter månedlig og kan effektivt flytte data til data-sjøer og lagre, mens noen konkurrenter mangler støtte for sanntids-integrasjon og kan ikke støtte hybrid-miljøer.

Hva er det som mest spenner deg om fremtiden for produktledelse i en AI-drevet verden?

Hva som mest spenner meg om fremtiden for produktledelse er oppkomsten av en av de siste buzz-ordene i AI-rommet “vibe-koding” – evnen til å bygge arbeids-prototyper med naturlig språk. Jeg forestiller meg en verden hvor alle i produkt-trioen – design, produktledelse og ingeniørarbeid – er hånd-til-hånd med verktøy som oversetter ideer til virkelige, fungerende løsninger i sanntid. I stedet for å bare lytte til deres foreslåtte løsninger, kan vi samarbeide med dem og avdekke bedre måter å løse deres problemer på. Denne skiftet vil gjøre produktutviklings-prosessen dramatisk mer samarbeidende, kreativ og sammenhengende. Og det spenner meg fordi min favoritt-del av jobben er å bygge sammen med andre for å løse meningsfulle problemer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke SnapLogic.