Vad gör en Ai product manager?

Så ser vardagen ut

En stor del av arbetstiden går åt till att utvärdera datakvalitet och definiera framgångsmått för AI-modeller, medan etiska ställningstaganden och förväntanshantering mot ledningen tar betydligt mer tid än i klassisk produktledning.

Visste du?

Till skillnad från traditionell mjukvaruutveckling där kod antingen fungerar eller inte (deterministisk), arbetar en AI Product Manager med sannolikheter (probabilistisk). En stor del av jobbet är att designa upplevelser för när AI:n faktiskt har fel — något som gör rollen till en övning i psykologi lika mycket som teknik.

Konkreta arbetsuppgifter

Problemformulering och databedömning

Innan en enda rad kod skrivs eller en modell tränas, måste du avgöra om problemet ens bör lösas med AI. Du analyserar affärsproblemet och undersöker om ni har rätt data för att träna en modell.

Det handlar om att ställa den kritiska frågan: "Har vi historiska data som kan förutsäga framtiden?" Om datan är smutsig, partisk eller obefintlig är det ditt jobb att stoppa projektet eller initiera en strategi för datainsamling.

Exempel i vardagen:

Kundtjänst vill ha en chatbot som svarar automatiskt på mail. Du sätter dig inte och skissar på ett gränssnitt direkt, utan dyker ner i 50 000 gamla kundmail. Du upptäcker att 30 % av svaren kräver mänsklig intuition och att datan är ostrukturerad. Du beslutar att begränsa projektet till att endast kategorisera inkommande mail åt agenterna istället för att svara automatiskt, vilket ökar chansen att lyckas markant.

Definiera framgångsmått (KPI:er) och tröskelvärden

En AI-modell är aldrig 100 % korrekt. Du måste bestämma vilken felmarginal som är acceptabel för produkten. Ska modellen vara strikt och hellre missa en möjlighet än att göra fel, eller ska den vara tillåtande?

Här översätter du tekniska termer som "precision" och "recall" till affärskonsekvenser. Du balanserar risken för falska positiva svar mot nyttan av automatisering.

Exempel i vardagen:

Ni bygger en AI för att upptäcka bedrägerier vid kortbetalningar. Om modellen är för aggressiv nekas vanliga kunders köp (falska positiva), vilket skadar intäkterna. Är den för snäll släpps tjuvar igenom. Du bestämmer tillsammans med riskteamet att modellen ska flagga misstänkta transaktioner för manuell granskning om säkerheten är under 90 %, men blockera automatiskt om den är över 99 %.

Modellutvärdering och iterering

När teamet har tagit fram en första version av en modell är det du som testar den mot verkligheten. Det handlar inte bara om teknisk prestanda, utan om upplevd kvalitet.

Du granskar resultaten manuellt ("human-in-the-loop") för att se var modellen brister. Ofta hittar du mönster som ingenjörerna missat för att de fokuserat på statistik snarare än kontext.

Exempel i vardagen:

Ett rekommendationssystem för en bokhandel föreslår barnböcker till vuxna som köpt deckare, bara för att de köpte en present förra veckan. Du identifierar mönstret och ber teamet justera algoritmen så att den viktar de senaste köpen lägre om genren avviker kraftigt från användarens långsiktiga historik.

Etik, compliance och riskhantering

Med kraftfull AI kommer ansvar. Du måste säkerställa att produkten följer lagar som GDPR och den nya AI-förordningen (AI Act). Men det handlar också om företagets värderingar.

Du granskar träningsdatan för att se till att den inte innehåller fördomar (bias) som diskriminerar vissa användargrupper. Detta är en ständigt pågående process genom hela produktens livscykel.

Exempel i vardagen:

Ni utvecklar ett verktyg för att screena CV:n. Du märker att modellen konsekvent rankar kandidater från vissa universitet högre, trots likvärdig kompetens. Du stoppar lanseringen, kräver att datateamet "tvättar" datan från skolnamn och inför tester för att säkerställa att kön eller bakgrund inte påverkar rankingen.

Överbrygga kommunikationsgapet

Du fungerar som tolken mellan de som bygger (data scientists) och de som säljer eller använder produkten. Data scientists pratar om hyperparametrar; säljchefen pratar om konvertering.

Din uppgift är att förklara varför AI:n betedde sig konstigt på ett sätt som gör att intressenterna behåller förtroendet för systemet, samtidigt som du skyddar teamet från omöjliga krav.

Exempel i vardagen:

VD:n är besviken för att den nya säljprognos-AI:n "hade fel" på en viktig affär. Du förklarar pedagogiskt att modellen gav en 70 % sannolikhet, inte en garanti, och visar hur verktyget totalt sett har förbättrat träffsäkerheten med 15 % jämfört med magkänsla. Du vänder besvikelse till förståelse för hur verktyget ska användas.

Specialisering och fördjupning

AI-fältet är brett, och rollen som AI PM kan se mycket olika ut beroende på vilken typ av teknik som står i centrum.

Generativ AI & LLM

Här arbetar du med stora språkmodeller (som GPT-teknik) för att skapa text, bild eller kod. Fokus ligger mycket på "prompt engineering", att hantera hallucinationer (när AI hittar på fakta) och att skapa säkra ramverk för öppna konversationer. Arbetsuppgifterna är ofta mer experimentella och snabbrörliga.

Computer Vision (Datorseende)

Du ansvarar för produkter som "ser" världen, exempelvis inom självkörande fordon, medicinsk bildanalys eller övervakning. Här är hårdvaran (kameror, sensorer) en viktig del av ekvationen, och kraven på realtidsprestanda är ofta extrema.

Data Platform & Infrastruktur

Istället för att bygga en användarvänd produkt, bygger du de interna plattformarna som gör det möjligt för andra team att skapa AI. Dina kunder är företagets egna utvecklare. Du fokuserar på skalbarhet, kostnadskontroll för molntjänster och verktyg för datahantering.

Hur arbetsuppgifterna förändras med erfarenhet

Röster från yrket

I en intervju med Harvard Business Review förklarar en produktchef på Google varför rollen skiljer sig från traditionell produktledning:

With AI, you’re not programming a computer to do a specific task; you’re teaching it how to learn. That means you have to be comfortable with ambiguity and failure in a way that traditional PMs aren’t used to.

— Etsuko Kinefuchi, Product Manager, Harvard Business Review, 2023

Marily Nika, en av världens främsta experter på området, beskriver i sin guide drivkraften bakom arbetet:

AI Product Management is about bridging the gap between the science of AI and the needs of the user. It is the art of the possible.

— Marily Nika, AI Product Leader & Educator, Marily Nika Blog/Course Intro, 2024

Tidningen Forbes lyfter fram hur rollen har utvecklats till att bli strategiskt kritisk:

The AI Product Manager is becoming the CEO of the product in a way we haven't seen before, because the product itself is making decisions.

— Forbes Tech Council, Forbes, 2023

Mer om yrket – Ai product manager

80 %

Så stor del av ett AI-projekt kan gå åt till att hantera, städa och förbereda data, enligt en ofta citerad rapport från IBM. Som AI PM måste du ha tålamod och förstå att "glamorös AI" bygger på ett berg av oglamorös datahantering.

Vad folk tror

    Att AI PM:s sitter och kodar algoritmer eller justerar neurala nätverk dagarna i ända.

Hur det faktiskt ser ut

    Det är en strategisk roll, inte en ingenjörsroll. Ditt jobb är att förstå vad modellen kan göra och varför den ska göra det. Du behöver förstå hur en modell tränas, men du behöver sällan skriva koden själv. Fokus ligger på användarvärdet och affärsmodellen.

Från "Black Box" till förklarbarhet. En av de snabbast växande arbetsuppgifterna är så kallad "Explainable AI" (XAI). Eftersom nya lagkrav (som EU:s AI Act) kräver transparens, lägger AI PM:s allt mer tid på att designa funktioner som förklarar för användaren varför AI:n tog ett visst beslut. Det handlar om att bygga förtroende – om bank-appen nekar ett lån måste den kunna säga varför, inte bara säga "datorn sa nej".

AI-agenternas intåg förändrar spelplanen. Just nu sker ett skifte från chat-baserad AI till "agentisk" AI – system som kan utföra handlingar (boka möten, köpa biljetter) självständigt. För en AI PM innebär detta att arbetsuppgifterna flyttas från att bara analysera text/svar till att designa komplexa flöden för behörigheter, säkerhetsspärrar och integrationer med andra system.

Dela