Nøkkelinnsikt

• Når en produktleder kan spørre en database i vanlig norsk, slutter datateamet å være en kø man venter i. De blir i stedet en strategisk samtalepartner. Det endrer organisasjonsstrukturen, ikke bare arbeidsdagen.
• Lisa beskriver det ikke som automatisering, men som en evne-utvidelse. Forskjellen er viktig: automatisering gjør kjente oppgaver raskere, men dette gjør henne i stand til å gjøre ting hun ikke kunne gjort i det hele tatt.
• METR-data viser at Claude Opus 4 løser oppgaver som tar mennesker 12 timer. For 16 måneder siden var grensen 21 minutter. Det er en 41-gangers forbedring. Tradisjonelle produktveikart bygger på stabil teknologi, men bakken stiger under føttene på produktledere akkurat nå.

Kort fortalt

Lisa Crofoot er produktleder hos Anthropic og demonstrerer på under tre minutter to arbeidsflyter som har endret hverdagen hennes. Den første: hente ut data fra en stor skydatabase uten å skrive én linje kode. Den andre: gå fra to testeksempler til femti på noen minutter. Poenget hennes er ikke at Claude er rask. Det er at hun nå gjør ting hun ikke kunne gjort på egenhånd i det hele tatt.

---

Data uten å vente i kø

«Å få tak i data som produktleder er et klassisk smertepunkt», sier Lisa. Vanligvis betyr det å sende en melding til datateamet og vente. Eller å skrive SQL (et kodespråk for å hente ut data fra databaser) mot en database man kjenner halvdårlig.

Løsningen hos Anthropic var å koble Claude Code til BigQuery (Googles skydatabase for store datamengder, som en gigantisk Excel i skyen) via MCP. MCP, eller Model Context Protocol, er en standard måte for AI-verktøy å koble seg til eksterne datakilder, som en universaladapter. Datateamet satt opp denne koblingen én gang. Nå kan Lisa spørre på vanlig engelsk.

I demoen spør hun Claude om andelen brukere med mørk modus aktivert de siste tre månedene, og oppgir hvilken datatabell den skal lete i.

Resultatet dukker opp umiddelbart: en graf med daglige tall, 7-dagers glidende gjennomsnitt og totalsnitt. Ingen av disse elementene ba hun om eksplisitt.

«Grafen er penere enn det jeg hadde laget selv», sier hun. Deretter ber hun om å bryte ned dataene etter plantype, altså hvilken abonnementspakke brukerne har.

Claude ber om tillatelse til å gjøre endringer i koden. Lisa godkjenner, og et nytt diagram vises. Det som tidligere ville tatt henne timer er gjort på sekunder.

---

Fra to testeksempler til femti

Den andre arbeidsflyten handler om evalueringer (systematiske tester som sjekker om AI-produkter fungerer som de skal, som en kvalitetskontroll). Tidligere var dette primært noe ingeniørene håndterte. Nå er det et verktøy for hele produktteamet.

Lisa gir Claude en produktsituasjon og et par eksempler på testtilfeller og ber den utvide testrommet. Resultatet er femti varianter. Demoen foregår i Claude.ai, ikke i terminalen.

Svaret er kategorisert og klart til bruk: spørsmål om Claude.ai, spørsmål om Claude Code, spørsmål som tester kant-tilfeller.

Gapet mellom en antakelse og et målt bevis krymper drastisk når produktlederen selv kan bygge testsuitene.

---

Tre verktøy og fire organisatoriske skifter

Cat Wu, som leder produktarbeidet for Claude Code hos Anthropic, beskriver det større bildet i et blogginnlegg som følger videoen.

Produktlederne hos Anthropic bruker tre verktøy daglig: Claude.ai for skriving og analyse, Claude Code for kodearbeid og dataspørringer, og Cowork (Anthropics eget AI-verktøy for kontorarbeid som e-post og presentasjoner) for administrative oppgaver. Hver av dem gjør noe annet, men tilsammen dekker de det meste av arbeidsdagen.

Wu peker på fire konkrete organisatoriske endringer som følger av dette. Produktledere jobber mer selvstendig enn før. Koordinasjonskostnadene faller. Tempoet i iterasjon øker. Og det meste av arbeidstiden kan brukes på strategi og kundedialog i stedet for praktisk gjennomføring.

Bihan Jiang, produktdirektør hos Datadog-konkurrenten Decagon, formulerer det slik i blogginnlegget: den største forandringen er ikke hva produktledere kan produsere, men hva de kan forstå.

---

41 ganger bedre på 16 måneder

For å forstå hvorfor dette er mer enn bare en produktivitetsgevinst, er det verdt å se på tallene fra METR (et uavhengig AI-evalueringslaboratorium). Deres data viser at Claude Sonnet 3.5 klarte å fullføre oppgaver som tar mennesker omtrent 21 minutter, da den kom ut i oktober 2024. Claude Opus 4, som ble lansert i februar 2026, klarer oppgaver som tilsvarer 12 timers menneskearbeid. Det er en 41-gangers forbedring på 16 måneder.

Tradisjonelle produktveikart er bygget på en antakelse om at teknologien er noenlunde stabil fra kvartal til kvartal. Den antakelsen holder ikke lenger. Når grunnlaget beveger seg så raskt, må måten man planlegger produktutvikling på, gjøre det samme.

---

Mer enn automatisering

«Det er mer enn automatisering for meg. Det er ting jeg ikke hadde vært i stand til å gjøre alene.» Lisa avslutter demoen med akkurat den formuleringen, og den er viktig.

Automatisering handler om å gjøre kjente ting raskere. Det Lisa beskriver er noe annet: at omfanget av hva én person kan gjøre selvstendig, har utvidet seg til å inkludere analyser og tester som tidligere krevde spesialkompetanse fra andre. Det er ikke et spørsmål om tempo. Det er et spørsmål om hva som i det hele tatt er mulig.

---

Ordliste

---

Kilder og ressurser