Lige nu beder vi AI’en om at bygge ting.
Byg en knap. Byg et flow. Byg en landing page med tre sektioner og en CTA i bunden. Vi sidder og dikterer output, skærm for skærm, komponent for komponent. Vi er blevet ret gode til det. AI’en er blevet endnu bedre.
Men det er stadig os, der skal oversætte.
Vi starter altid med et outcome i hovedet — flere konverteringer, hurtigere onboarding, færre support-henvendelser — og så bruger vi halvdelen af vores energi på at gætte os frem til hvilket output der får os derhen. Så beskriver vi det output for AI’en. Og så bygger den det. Pænt, hurtigt, uden brok.
Tænk hvis vi sprang det led over.
Tænk hvis du åbnede Cursor eller Claude Code og sagde: “Jeg vil have at vores nye brugere kommer gennem onboarding-flowet 30 sekunder hurtigere end i dag.” Og så gik AI’en i gang. Den kiggede på dit nuværende flow. Den målte hvor folk falder af. Den prøvede tre varianter, A/B-testede dem mod hinanden, smed den vindende i produktion og kom tilbage med: “Done. Vi er nede på 2 minutter 14. Du sparede 38 sekunder.”
Du arbejdede aldrig med outputtet. Du arbejdede med outcomet.
Det er et andet forhold til værktøjet. Lige nu er AI’en en ekstremt dygtig praktikant der venter på din ordre. I det her scenarie er den en kollega der forstår hvad du prøver at opnå, og som selv finder ud af hvordan.
Flere eksempler, så det ikke bliver luftigt
“Øg MRR på vores Pro-plan med 15 procent i næste kvartal.” AI’en kigger på churn, på upgrade-flows, på pricing-siden, på onboarding-mails. Den finder ud af at det svageste led er en upgrade-prompt der kommer på det forkerte tidspunkt. Den omskriver den. Den flytter den. Den sender dig en rapport.
“Reducér support-tickets om betaling med halvdelen.” AI’en læser de sidste 500 tickets. Den finder mønsteret: folk forstår ikke fakturaen. Den redesigner fakturaen. Den skriver en bedre fejlbesked i checkout. Tickets falder.
“Få flere af vores gratis brugere til at invitere en kollega.” AI’en prøver fire forskellige in-app prompts, to forskellige e-mail-sekvenser, en ny onboarding-slide. Den måler. Den vælger vinderen. Den fortæller dig hvorfor.
Du sad aldrig og diskuterede hvilken knapfarve eller hvilken overskrift. Du sad og tænkte på forretningen.
Det her kræver noget vi ikke har endnu
AI’en skal kunne måle. Den skal have adgang til dine analytics, dit produkt, din database, dine brugere. Den skal kunne eksperimentere uden at sætte ild til noget. Den skal kunne rulle tilbage når noget går galt. Og den skal kunne forklare sig bagefter, så du ikke sidder med en black box der bare siger “trust me bro”.
Vi er ikke der endnu. Men vi er tættere på end de fleste tror.
MCP-servere begynder at give AI’en adgang til rigtige systemer. Browser-agenter kan allerede navigere rundt i dine værktøjer. Evals bliver mere modne hver måned. De tekniske byggeklodser ligger der. Det der mangler er orkestreringen — og den kommer.
Og når den kommer, så ændrer det hvad en produktleder laver hele dagen.
Du bruger ikke din tid på at beskrive features. Du bruger din tid på at beslutte hvilke outcomes der er vigtige. Hvilke trade-offs du vil acceptere. Hvilke grænser AI’en ikke må krydse. Hvilke metrics der faktisk måler det rigtige, og hvilke der bare ser gode ud i et dashboard.
Det er et job der ligner det job PM’er altid har sagt de havde. Lige indtil de fik det.