Hold deg oppdatert ved å melde deg på innovasjonsnyhetsbrevet vårt her↗↗

Mer enn et effektiviseringsverktøy

Nylig publiserte Stanford University sin årlige AI Index-rapport, og et funn skiller seg ut: Adopsjon av generativ AI har nådd halvparten av verdens befolkning på bare tre år. Det er raskere enn adopsjonen av både PC og internett, og nå bruker 70 % av organisasjoner generativ AI til minst én forretningsfunksjon.

De fleste av oss har brukt ChatGPT til å oppsummere et dokument, skrive en e-post eller lage et utkast til en presentasjon. Det er nyttig, men det er litt som å bruke Excel som kalkulator. Det funker, men vi går glipp av de mest verdifulle funksjonene.

I en studie fra Harvard Business School ble ansatte i Procter & Gamble satt til å utvikle nye produktidéer alene eller i team, med eller uten AI. Resultatene viste at enkeltpersonene som benyttet seg av AI-verktøy presterte på nivå med hele team uten hjelp av AI, og hele team med hjelp av AI produserte de beste idéene i hele eksperimentet. Eksperimentet avdekket også hvordan AI brøt ned siloer, og fungerte mer som en lagspiller enn et effektiviseringsverktøy. Uten AI foreslo utviklerne tekniske løsninger, mens forretningsutviklerne foreslo kommersielle. Med AI ble forslagene mer balanserte, uavhengig av prosjektdeltagernes bakgrunn. 

Vi ser tre områder der gevinsten er størst i innovasjonsarbeidet: AI gjør innsikt tilgjengelig for flere, hjelper oss å skille de sterke idéene fra de svake tidligere, og åpner for å utvikle, teste og prioritere konsepter raskt. Men med høy fart kan vi også miste retning. I de neste avsnittene går vi gjennom de tre områdene og risikoen med å bruke AI til å løpe for raskt. 

1. AI tilgjengeliggjør innsikt for flere i selskapet

I innovasjonsarbeid starter vi ofte med å utforske mulighetsrommet. AI kan skanne bredere og dypere enn et team klarer alene, og kan gjøre innsikt tilgjengelig for folk som ellers aldri ville åpnet en trendrapport. Husker du WeightWatchers fra forrige nyhetsbrev? De overså de diffuse signalene om GLP-1-legemidler som endte opp med å fundamentalt forandre bransjen de opererte i. Et AI-verktøy hadde ikke nødvendigvis reddet dem, men det hadde gjort det vanskeligere å overse signalene.

Vi har latt oss inspirere av hvordan store FMCG-selskaper bruker AI for å hente innsikt. I en bransje med høy lanseringstakt og mye å vinne på å treffe rett, er det mye å lære. Et godt eksempel på bruk av AI i tidlig fase, er Mars, selskapet bak alt fra Snickers til hundematmerket Pedigree. De har lagt AI-verktøyet DeepSights på toppen av deres egne innsiktsplattform, for å tilgjengeliggjøre innsikt for alle medarbeidere. Ansatte kan nå stille spørsmål som "hvilke gap ser vi i snacks-kategorien i Sørøst-Asia?", eller "hvilke trender peker mot nye produktmuligheter?" og få svar trukket ut av selskapets egen kunnskapsbase.

Teamet bak implementeringen av verktøyet beskriver det som banebrytende for innovasjonsarbeidet, nettopp fordi det kombinerer selskapets data med åpen markedsinformasjon. Innsikt som tidligere krevde en analytiker, er nå tilgjengelig for hele selskapet. Da blir mulighetsrommet og innovasjonsarbeidet noe hele organisasjonen kan engasjere seg i, ikke bare analytikerne eller innovasjonsteamet.

2. AI gjør det lettere å fokusere på de sterkeste idéene tidligere

Vi har alle opplevd prosjekter der idéene som er blitt prioritert videre er basert på magefølelse og enighet i teamet, uten at noen har tatt rollen som djevelens advokat og utfordret idéene som er blitt lagt på bordet. AI kan fungere som en lagspiller som utfordrer antagelsene til teamene og stiller ubehagelige spørsmål uten å lage dårlig stemning.

Colgate-Palmolive har tatt denne egenskapen et skritt videre. De bygger "digitale tvillinger" av potensielle kunder: AI-modeller som simulerer hvordan reelle kundesegmenter tenker, reagerer og velger, og lar nye produktkonsepter, påstander og funksjoner møte disse før de går ut i ekte brukertesting. Vil en 32-åring i Brasil som kjøper tannkrem basert på pris reagere på denne nye blekeformelen? Spør tvillingen.

Colgate er helt tydelige på at dette ikke erstatter ekte brukertesting, det kommer bare tidligere. En billig, rask mellomstasjon der svake idéer dør og sterke idéer skjerpes, så det ikke kastes bort tid og penger på å teste halvgode konsepter på ekte mennesker. Vi kjenner oss igjen i dette. I innovasjonsarbeid er det fort gjort å «bruke opp» venner og familie tidlig, og så stå uten gode testpersoner når det virkelig teller. Planmessig bruk av AI før man snakker med ekte mennesker sparer testpersonene til der de gir mest verdi.

3. AI gjør det mulig å utvikle, teste og prioritere konsepter på samme dag

Når vi har en klar hypotese om hva vi vil teste, gjør AI det mulig å komme fra konsept til prototype på timer, ikke uker. Det handler ikke om å bygge ting raskere for byggingens skyld, men om å lære raskere.

Et kult eksempel er Kraft Heinz, som har bygget et verktøy de kaller TasteMaker. TasteMaker lar markedsfolk og produktutviklere gå fra en idé om en ny produktlinje til ferdig konseptmateriell med bilder, påstander og emballasjeskisser. Før tok det åtte uker. Nå tar det åtte timer. Det virkelig interessante er hvordan verktøyet endrer måten teamene jobber på: Når det nesten ikke koster noe å lage et konsept, tør man å lage ti varianter i stedet for én. Man får testet flere hypoteser og lærer raskere hva som faktisk fungerer.

4. AI kan gi fart til innovasjonsarbeidet, men også i feil retning

AI-verktøy kan også føre oss på villspor når det brukes feil. En studie fra University of Texas og Wharton viser at AI gir størst verdi når det brukes i kombinasjon med strukturert innovasjonsmetodikk. Og brukt feil, for eksempel ved å bygge før vi har forstått problemet, låser vi oss til løsninger vi egentlig ikke burde bygget.

Generativ AI gir oss muligheten til å bygge, teste og iterere raskere enn noensinne. Vi kan sette opp en landingsside på ti minutter, og bygge en fungerende MVP på én kveld. Når det blir så enkelt å bygge er det fristende å hoppe rett til løsningsutvikling før vi egentlig har forstått hvilket problem vi prøver å løse, og før vi har snakket med en eneste kunde. Da kan vi ende opp med å løpe raskt, men i feil retning.

AI forsterker det vi allerede gjør. Har vi tydelige rammer for hva vi vil oppnå i innovasjonsarbeidet og en god prosess for å forstå kundebehov, generere idéer og teste hypoteser med klare vurderingsparametre, kan AI som lagspiller forsterke verdien vi får ut av prosessen.

Hvor ligger den virkelige superkraften?

Det er lett å se på Mars, Colgate og Kraft Heinz og tenke at dette bare er mulig med enorme budsjetter og egne AI-team. Men det de faktisk gjør, å demokratisere innsikt, teste smart og senke kostnaden ved å bygge, kan kopieres i mindre skala.

Mars har gjort innsikt basert på proprietær data lett tilgjengelig for alle i selskapet. Alle kan gjøre det samme i mindre skala ved å bruke språkmodellenes prosjektfunksjoner som en delt kunnskapsbase der teamet kan samle egne trendrapporter, kundeundersøkelser og researchnotater.

Colgate tester idéer på simulerte brukere før de snakker med mennesker. En godt strukturert prompt som beskriver målgruppen kan gjøre mye av den samme jobben, lenge før man bygger avanserte systemer.

Kraft Heinz har senket kostnaden ved å lage et konsept betraktelig. Dette kan alle gjøre i dag, med verktøy som Claude Code og Ideogram.

Slik gikk vi fra idé til fungerende prototype på rekordtid

Vi har rullet ut Claude for alle i Sprint og bruker AI aktivt når vi jobber med innovasjon. Et eksempel er et internt initiativ som startet med et problem vi kjenner godt: Produktutvikling i stor skala blir fort kaotisk. Idéer ligger spredt i alt fra kameraruller til innbokser, det er vanskelig å holde oversikt over alt man jobber med, og det er uklart hva som faktisk bør prioriteres. Gjennom kundeoppdrag så vi det samme mønsteret igjen og igjen, og problemet var godt validert.

En gjeng i Sprint bestemte seg derfor for å bygge et verktøy som løser akkurat dette, ved siden av full jobb. Resultatet er et verktøy som samler, prioriterer og driver idéer fra første innsending til marked, hvor teamet har gått fra idévalidering til fungerende prototype på kort tid ved bruk av Claude Code.

Tidligere var bygging av en fullt fungerende prototype både dyrt og tidkrevende, så man testet ofte med skisser og mockups først. For digitale produkter har det endret seg radikalt. Når en kjørende versjon nesten ikke koster noe å utvikle, blir prototypen første versjon av produktet, og vi kan teste på ekte brukere tidligere, og bruke det vi lærer til å iterere mot det ferdige produktet.

Teamet har på kort tid fått opp en løsning som nå er klar for pilot hos flere store selskaper. Det hadde ikke vært mulig uten AI. Verktøyene senker også terskelen for ikke-utviklere til å være med på å bygge og frigjør tid til å tenke på hva produktet skal levere fremfor hvordan.

AI gjør oss ikke bare raskere. Det utvider hva som er mulig å få til. Innsikt som før krevde en analytiker, blir noe hele organisasjonen kan delta i. En tidlig idé som før kunne gå et godt stykke på magefølelse alene, kan utfordres og skjerpes tidligere. Idéer kan møte kunder før vi har låst retning, og prototyper kan eksistere som fungerende programvare før vi har bestemt oss for hva produktet skal bli.

Men gevinsten forutsetter fortsatt at vi jobber strukturert. Stegene i en innovasjonsprosess finnes fordi hvert steg svarer på et spørsmål vi ikke kommer unna: Finnes det et reelt problem? Har vi bevis for at løsningen vår hjelper? Vil noen faktisk bruke og betale for den? AI lar oss ikke hoppe over spørsmålene, men endrer hvordan vi kan svare på dem. Brukt riktig forsterker AI god innovasjonsmetodikk. Brukt feil automatiserer det bare dårlig praksis.

Noen godsaker som har inspirert oss nylig

• Couch-to-5K for AI: Ti minutter med AI-trening om dagen i 30 dager, som tar deg fra chatting til å bygge ting selv med Claude Code
• How Anthropic's product team moves faster than anyone else: Podcast med Cat Wu, produktsjef for Claude Code, om hvorfor man bør bygge ting som ikke fungerer enda, så man er klar når neste modell lukker gapet
• The Neuron: Lettlest daglig nyhetsbrev som oppsummerer det viktigste som skjer innen AI

Hold deg oppdatert ved å melde deg på innovasjonsnyhetsbrevet vårt her↗↗

Hvis du ikke abonnerer på nyhetsbrevet allerede, kan du gjøre det ved å trykke på knappen over. Del gjerne nyhetsbrevet med andre som er interesserte i temaet. Vil du diskutere innholdet i nyhetsbrevet eller ta en prat om hvordan vi kan bistå ditt selskap med å imøtekomme fremtidige skifter? Ta gjerne kontakt med Øistein Haraldstad!