Slik kan AI revolusjonere produktledelse: Fullstack app på 20 minutter
Du nå lage en fullstack-app på bare 20 minutter - uten å kode. Hva betyr det for produktledelse fremover? I denne artikkelen viser vi hvordan vi gikk frem for å lage appen og hva vi lærte av det. For hva betyr det når du som produktleder kan gå fra idé til prototype og kanskje MVP så fort?

Her er historien til Petter om hvordan han laget en app på 20 minutter:
Sånn går du fra idé til fullstack app på 20 minutter
En bekjent av meg og jeg har hatt en idé om en app: En enkel måte å logge og følge mønstre i hodepine opp mot trening og andre ting som potensielt kan påvirke det. Det finnes apper som kan dette, men de inkluderer gjerne så mye annet rart at det føles mest som støy. Vi trengte en helt enkel app.
Planen var egentlig å prototype litt og så kunne jeg lære meg litt koding med AI-hjelp ved å lage noe ordentlig. Men så oppdaget jeg Lovable.dev og måtte teste. De reklamerer for å være din egen supermenneskelige full stack utvikler. Det hørtes jo unektelig fint ut, så jeg måtte prøve.

Steg 1: Oppstart og idébeskrivelse
Jeg opprettet en bruker på Lovable.dev og beskrev app-idéen i 3-4 setninger. AI-en tok raskt fatt på oppgaven, og frontenden var oppe og klar veldig raskt. Jeg kunne umiddelbart begynne å justere småting ved hjelp av enkle chatmeldinger.
Steg 2: Backend-integrasjon med Supabase
Chatboten oppfordret meg til å sette opp backend i Supabase. Jeg fulgte rådet, opprettet en bruker og satt opp et prosjekt. Deretter koblet jeg (med AI-ens veiledning) backenden med Lovable. AI-en integrerte og skrev backenden basert på frontenden - helt automagisk.
Steg 3: Autentisering
Neste skritt fikk jeg også foreslått: Å sette opp autentisering fra start, slik at jeg fikk en login-side. Ettersom det var en app for å logge data over tid, ga det veldig mening. Det var mange alternative måter å autentisere via Google, Apple mm., men for mitt bruk var en enkel "e-post og passord"-løsning ideelt. AI-en anbefalte meg også å skru av autentiseringen for testing – noe som passet perfekt for mitt behov.
Steg 4: Test og deploy
Deretter testet jeg litt i preview-funksjonaliteten, justerte noen detaljer og deployet appen.
Kun 20 minutter etter jeg hadde hørt om tjenesten, kunne jeg altså sende over en kobling til en fungerende app til min bekjente - som igjen kunne ta den i bruk og gi meg feedback.

Dette lærte jeg
Akselerert tid til læring. For meg ble dette en øyeåpner for hvor raskt man kan bevege seg fra idé til prototype – på minutter i stedet for uker eller måneder. Det frigjør tid til det som virkelig betyr noe: Å eksperimentere, teste hypoteser og hente verdifull feedback fra brukere.
Refaktorering er fremdeles viktig. AI-en foreslår også å refaktorere koden hyppig, med tydelige begrunnelser for å redusere teknisk gjeld. Det stadige behovet er en fin påminnelse på hvor viktig dette er - særlig i mer komplekse løsninger.
Den er overraskende god til å tilpasse løsningen til behovet. Feks. tilpasset den fargebruken slik at det var duse, behagelige farger - noe som passer bra for å logge hodepine.
AI bygger ikke feilfritt. Særlig da jeg justerte på appen etter hvert, oppstod det en del feil. Og den oppdaget det ikke selv alltid. Så jeg ville ikke brukt det til veldig komplekse og kritiske løsninger. I alle fall ikke enda. Men utviklingen går fort.
Hva betyr dette for deg som produktleder?
Som produktleder betyr dette at du kan revolusjonere hvordan du jobber med produktutvikling - og særlig product discovery. Rask prototyping med AI gjør det mulig å teste flere hypoteser raskere og bruke det til å justere kursen. Det kan også gi deg friheten til å bruke mer tid på strategi, innovasjon og dypere innsikt i brukernes behov.
Product Discovery
Disse "ekte" prototypene kan også gi et godt grunnlag for diskusjoner og idéutveksling i teamet. Hvem som helst på teamet kan få en kul idé, spinne den opp som en app og gi teamet en demo. Teamet kan deretter raskt utforske flere ulike designalternativer og teste ulike konsepter uten å vente på tradisjonell utviklingstid. Det gjør det også enklere å involvere både tekniske og ikke-tekniske teammedlemmer i prosessen.
Men merk også at disse tjenestene gjør det lettere enn noensinne å lansere produkter som ikke løser målgruppas behov. Nøkkelen til gode produkter er fremdeles en dyp forståelse av hva målgruppa trenger og hvordan det kan fungere for virksomheten din. Kort sagt - skikkelig gode produktledere.
Hvordan kan bedre prompting gi bedre resultater?
Nøkkelen til å få mest mulig ut av AI-verktøy ligger i det som kalles "prompt engineering". Det å skrive gode prompter blir viktig for å få maks ut av verktøyet. Noen gode tips kan være å gi AI-en:
- Kontekst: Beskriv hva slags målgruppe du utvikler for og hvilke begrensninger som er viktig å ta hensyn til. Skal du integrere mot et eksisterende system f. eks.?
- Begrens omfanget: Det er fristende å lage alt samtidig, men å dele opp oppgaven og kunne justere leveransene tidlig er en god idé - også når du bruker AI.
- Rolle: Gi AI-en en tydelig rolle – for eksempel som en erfaren utvikler som er best på å lage mobiltilpassede produkter og alltid skriver kode som er enkel å vedlikeholde.
- Eksempler: AI etterligner godt, så gode eksempler fra produkter du liker og vil la deg inspirere av gjør at du raskere kommer på rett vei.
- Følelse / målsetning: Om du kan beskrive hva slags følelse du ønsker at produktet skal ha, eller hva målet er å oppnå, gir du veldig god retning til AI-hjelperen din.

Hvilke begrensninger finnes?
Selv om AI-teknologi gir fantastiske muligheter for rask prototyping og innovasjon, er det viktig å være oppmerksom på begrensningene.
Allerede i den forholdsvis enkle løsningen beskrevet over, dukket det opp tekniske feil og utfordringer. Så det er vel verdt å være litt skeptisk om noen foreslår å bygge et nytt og viktig produkt kun ved bruk av AI. Noen med teknisk kompetanse bør definitivt inn i den vurderingen.
For teknisk kompetanse er avgjørende i vurderingen av hvordan produktet kan og bør vedlikeholdes, samt hvilke potensielle sikkerhetsrisikoer som løpes ved bruk av slike AI-agenter. I første omgang er det nok fornuftig å begynne med å bruke det til mindre prosjekter og til prototyping.
I tillegg er det stadig lettere å bygge unyttige produkter - så dyp forståelse av målgruppens problemer og hvordan vi skaper verdi blir avgjørende fremover for å få mest mulig ut av denne teknologien også.
Mange muligheter og rask utvikling
Erfaringen med å bygge en fullstack-app på 20 minutter illustrerer hvordan AI kan akselerere produktutviklingsprosessen, samtidig som den gir nye måter å drive product discovery på.
Produktlederens viktigste oppgave - å sikre at vi lager ting som gir verdi for målgruppen og for virksomheten - forsvinner ikke. Det samme gjelder behovet for å ha hånda på rattet og forstå teknologiens muligheter og begrensninger. Men teknologien åpner nye muligheter som de beste kommer til å utnytte, så det gjelder å henge med.
Lovable.dev er også bare en av mange nye aktører på dette området. Bolt.new, v0, Tempolabs og norske Databutton er andre. De vil sikkert ha ulike bruksområder de er best på og det kan fort komme nye aktører på banen som gjør ting enda bedre. Hypen er i alle fall stor - så får vi se hvem som klarer å reelt nyttegjøre seg disse verktøyene.
Har du erfaring med AI i produktutvikling, eller lurer du på hvordan denne teknologien kan integreres i ditt team? Ta kontakt med oss hos Team Agile – vi er alltid klare for en god prat om fremtidens produktledelse.