Tuoteomistajan tekoälyopas - PO:n AI-apurit
Juuri nyt tuoteomistajan olisi hyvä pohtia ainakin 10-15 erilaista tekoälyapuria, jotta laajuudessaan haastavasta työnkuvasta tulisi hallittava. Mutta paniikkia ei ole - tekoälyltä voi kysyä miten tekoälyä kannattaa käyttää, ja edetä voi käsillä oleva haaste kerrallaan.
Juuri nyt olemme hiukan ähkytilassa kuulemassa, miten tekoäly ja AI-assistentit murtavat kaikki työnkuvat, prosessit ja maailman muutenkin. Yksi maailmoista jonka uhotaan muuttuvan on softakehityksen maailma - maalaillaan että jatkossa kehitystiimiksi voisi riittää esim. tuoteomistaja, yksi ohjelmistokehittäjä ja tekoälyapurit siinä missä aiemmin on ollut iso tiimi (säännellyissä ympäristöissä, joissa on paljon legacy-järjestelmiä, tämä tuskin tulee ikinä olemaan totta). Intoilussa on paljon pointtia ja siltikin välillä kyllästyttää.
Kuitenkin ehkä juuri erityisesti tuoteomistajan tai product managerin työ on sellainen, jossa tälle sanomalle on erityistä kysyntää. Tuoteomistaja on ollut koko ketterän tuotekehityksen olemassaolon ajan se turboahdettu rooli, jonka haltija yrittää viimeisillä voimillaan vastata vähän kaikesta - yhtä lailla käyttäjien ymmärtämisestä, liiketoimintaan haluttujen numeroiden kääntämisestä tuoteominaisuuksiksi kuin saavutettavuuden tai tietoturvan kaltaisten teknisen toteutuksen yksityiskohtien riittävästä laatutasosta.
Hankitaanpa siis tuoteomistajalle se AI-apuriarmeija, jonka hän kipeästi tarvitsee ja myös ansaitsee. Millainen sen pitäisi juuri nyt olla?
Sovellusten sisäinen AI-apu on nopea reitti onneen
Yhtenä tuoteomistajan AI-taktiikan kulmakivenä on hyvä ajatella jakoa sovellusten sisällä oleviin AI-apuihin ja erillisiin AI-assareihin. Tuoteomistajan lähimmistä työkaluista esimerkiksi Jira ja muut kehitysjonon hallinnan välineet tarjoavat tekoälyapua suoraan appin sisällä, jolloin näihin tarkoituksiin ei tarvitse askarrella omia apureita.
Jiran AI-avut maaliskuussa 2026:
Tikettien luominen linkitettyjen Teams- tai Slack-kanavien keskusteluista
Tekoälyavusteiset tikettipäivitykset töiden havaittavan edistyksen pohjalta
Tikettien luominen Confluencessa olevasta materiaalista sekä alitikettien automaattinen luominen
Lisäksi Jira sallii AI-agenteille pääsyn siihen dataan, joihin käyttäjällä on luvat, eli työkalun kanssa voi käyttää mitä vain omaa apuria kunhan jaksaa askarrella
Azure DevOpsin tekoälyavustus 03/26:
Azure DevOpsin tekoälyavustus toimii käytännössä laajennusten varassa. Näistä laajennuksista erityisesti Copilot4DevOps on tuoteomistajalle hyödyllinen, sillä se voi auttaa mm. epicin pilkkomisessa käyttäjätarinoiksi, hyväksymiskriteerien luomisessa ja kehitysjonon kohtien välisten riippuvuuksien tunnistamisessa.
Kehitysjonotyökalujen lisäksi esim. protoilutyökalu Figmalla on omia AI-apuja, vaikkakin sitä yleensä käyttävät kehitystiimin UX-ihmiset enemmän kuin varsinaisesti tuoteomistaja.
Ja tietysti on puhuttava siitä, että startup-raketti Lovable on pitkälti mullistanut jopa toimivien sovellusten luomisen ilman varsinaista koodaamista. Se ei ole täydellinen, mutta se on mahtava resurssi joka jokaisen tiimin kannattaa ottaa haltuun silloin kun kaivataan nopeita toimivia protoja tai MVP:itä tai tarpeet ovat yksinkertaiset.
Roolipohjaiset työkalut vs. prosessipohjaiset työkalut
Vaikka nyt keskitytään yksittäisen tuoteomistajan oman toteutusvallassa oleviin AI-työkaluihin, pidämme tietysti taustalla mielessä myös prosessilähtöisen näkökulman: Tuoteomistajan ympärillä tapahtuu paljon asiakaspalvelua, koodaamista, sisällöntuotantoa jne. jne., joka voi tuoteomistajan rohkaisulla alkaa hyötyä merkittävästi tekoälytyökalujen käytöstä - samaan aikaan kun työn tekijät huokaisevat helpotuksesta päästessään kaikkein tylsimmästä rutiiniklikkailusta eroon. Tähän toki tarvitaan usein myös esimiesten rohkaisua ja keskitettyä koordinointia organisaatiossa, mutta tuoteomistajankin vaikutusvallalla ja esimerkillä voi tehdä paljon. Monessa organisaatiossa roolikohtaisia ohjeistuksia ja assistenttikirjastoja väkerretään juurikin kovaa vauhtia, ja pikku hiljaa ne myös alkavat auttamaan rohkaisussa.
Tuoteomistajalla olisi hyvä olla käytössä 10-15 AI-assistenttia
Mutta itse pihviin siis. Jotta tuoteomistaja saa ajastaan parhaan irti ja pysyy hyvinvoivana erittäin laajan vastuun ja siihen liittyvän työtaakan kanssa, hänellä voisi olla käytössään tekoälyapuja esim. 10-15 tehtäväalueensa avustamiseen. Tässä niistä tärkeimpiä:
Käyttäjäymmärrys
Käyttötietoanalyysi. Käyttäjien datapohjaiseen käyttäytymisen seurantaan liittyy yleensä erityisesti yksi ongelma: tuoteomistaja ei tule hyödyntäneeksi kerättävää dataa kehittämisen arjessa muuten kuin silloin kun siihen on erityisen painava syy. Esim. ChatGPT Agents ja muut agenttipalvelut mahdollistavat säännöllisesti toimivien agenttien rakentamisen, jolloin analytiikka-assistentti hoitaa analytiikan seuraamisen säännöllisesti yhdessä sovituilla säännöillä ja raportoi tuloksista sovitun mukaan.
Käyttäjäymmärryksen koostaminen. Käyttäjäymmärryksen keräämisessä kallis ja työläs työvaihe on tähän asti ollut ymmärryksen summaroiminen tehdystä käyttäjätutkimuksesta kuten vaikka kyselyvastauksista ja haastattelumuistiinpanoista. Tässä AI-apu on auttanut säästämään työtä jo pitkään. Sen heikko kohta on vielä toistaiseksi ollut tietyn teeman esiintymiskertojen laskeminen aineiston seasta ja siinä laatu edelleen vaihtelee, mutta tähän asiaan on olemassa omat työkalunsa kuten Thematic tai Dovetail. Tonneja ja päiviä säästyy.
Käyttäjäpersoonat. Kaikissa projekteissa tai tuotekehityksen vaiheissa tuoteomistajalla ei ole käyttää välttämättä ollenkaan rahaa tai aikaa käyttäjäymmärryksen kerryttämiseen, jolloin kyseeseen voi tulla simuloiminen. Tällöin kyse on ns. toissijaisesta datasta, joka ei niinkään kerro meidän tuotteemme tarkasta toimintaympäristöstä kuin markkinan tilanteesta yleensä, mutta monesti tällainen toissijainen data on todella paljon parempi kuin ei mitään. AI voi luoda tutkimus- ja kilpailijatiedon perusteella käyttäjäpersoonat, ja niistä on helppo tehdä GPT-persoonapaneeli jolla voi käyttää kommenteilla ominaisuus- tai epic-ideoita.
Tiekarttojen luominen ja ominaisuuksien priorisointi
Tiekarttagenerointi. Kun tuotteen tiekarttaa luodaan ensimmäistä kertaa, AI voi esim. organisaation OKR-tavoitteiden, käyttäjäpalautteen ja kilpailija-analyysin pohjalta tehdä ehdotuksen kehityksen tiekartaksi. Ehdotusta ei tietenkään kannata nielaista sellaisenaan (eikä se välttämättä ole erityisen nätti), mutta se voi tarjota hyvän pohdinnan pohjan.
Ominaisuuksien priorisointi. Jotta tämän ajatustyön parhaat hedelmät saa vietyä yksittäisten ominaisuuksien priorisointiin, tuoteomistaja pyytää priorisointiapua esim. kehitysjonotyökalun sisäiseltä AI:lta. Varsinaisen manuaalisen priorisointityön ulkoistaminen AI:lle vaatii vielä askartelua ja teknologiapelkäämättömyyttä. Tärkeää tietenkin on että tuoteomistaja itse muodostaa varsinaisen priorisointijärjestyksen ja keskustelee siitä tiimin kanssa, mutta ajattelun apua AI voi tähän tuoda.
Käyttäjätarinoiden kirjoittaminen
Epicien pilkkominen käyttäjätarinoiksi. Epicien pilkkominen käyttäjätarinoiksi on monesti osittain mekaanista työtä, joskin siihen tietysti liittyy myös valintoja ja oivalluksia, jotka tiimin pitää tehdä tuoteomistajan johdolla itse. “Epicinpilkkoja” -tekoälyassistentti voi kuitenkin tehdä ehdotuksen siitä, millaisia käyttäjätarinoita epic voisi sisältää siinä kohtaa kun sen käyttäjätarve ja etsitty liiketoimintavaikutus ovat selvillä. (Jirassa ja AzureDevopsissa tämäntyyppistä ominaisuutta on jo työkalun sisällä.)
Käyttäjätarinoiden hyväksymiskriteerit. Hyväksymiskriteerien kirjoittaminen on samalla tavalla osittain tärkeää ajatustyötä, mutta osittain tylsää ja mekanistista. Tekoälyassistentille voi antaa pohjaksi käyttäjätarinan sekä tiimin kanssa tuotteen kaikille valmistuville kehitysjonon kohdille sovitun valmiin määritelmän (definition of done), jotta se ei turhaan toista siinä jo huomioituja asioita. Tuoteomistaja saa kohdistettua oman ajatusvoimansa editointiin ja juuri kyseisen käyttötapauksen kannalta huomionarvoisimpiin ulottuvuuksiin, kun pääsee tällä tavoin eroon tyhjän paperin kammosta. Hyväksymiskriteerien pohjalta on tietysti helppoa generoida myös testaussuunnitelmat huomioiden tuotteen oletettavat riskipaikat. Tätäkin apua on Jirassa ja AzureDevopsissa tarjolla työkalun sisällä (Jira) tai laajennuksissa (Azure DevOps).
Tiimin töiden hallinta
Tikettien ohjaaminen. Jos tuoteomistajan ohjaama tiimi vastaa myös tuotteen ylläpidosta, se saa luultavasti paljon erilaisia pyyntöjä ja yhteydenottoja. AI-apuri voi analysoida, luokitella ja edelleenohjata saapuvia pyyntöjä esim. sähköpostilaatikosta tai tietokannasta ja ohjata ne sovitulla tavalla eteenpäin niin että niiden seulontaan ei mene tiimiltä aikaa. Monessa tiketinhallintajärjestelmässä näitä ominaisuuksia alkaa jo olla tarjolla työkalujen sisällä.
Hankehallinta
Riskien päivittäminen. Riskit, tai ketterin termein esteiden havainnointi, ovat ohjausryhmien ja liiketoimintaomistajien lempilapsia. AI-apureita voi olla esimerkiksi pari, joista toinen käyttää datana esim. Jiran sisältöä ja toinen verkosta löytyvää benchmark-aineistoa projektin tyyppiin ja alaan liittyen. Käyttäjien yhteydenotot voivat olla kolmas hedelmällinen analyysiaineisto ylläpitovaiheessa. Ja jotta homma ei unohtuisi, tämän työn voi ajastaa agentille automaattisesti tehtäväksi.
Riippuvuuksien havaitseminen. Jos saman organisaation toisiinsa liittyvät tuotekehitysprojektit ovat samassa tiketinhallinnassa kuten esim. Jirassa, “riippuvuusassistentista” voi olla tuoteomistajille paljon hyötyä. Sen voi ohjata etsimään järjestelmien välisiä riippuvuuksia ja esim. aikataulumuutoksia jotka vaikuttavat tuotteiden yli. Jiran ja AzureDevOpsin AI-avut eivät ole tässä vielä erityisen hyviä, mutta esim. ChatGPT Teamissä tällaisen voi rakentaa, mikä kannattaa jos riippuvuudet ovat tärkeitä (esim. kun puhutaan isosta kriittisestä tuotekokonaisuudesta).
Sihteerityöt. Tuoteomistajan työhön liittyy loputon määrä hankehallintaan liittyviä tehtäviä, joita ei kannata enää tehdä itse. Esim. kokouskutsujen kirjoittaminen ja erilaisten yhteenvetojen laatiminen on työtä, johon tuoteomistajan ei enää kannata käyttää omaa kallisarvoista aikaansa.
Sisältö
Sisällön toimitustyö. Jos tuoteomistaja sattuu olemaan myös sisältöorientoituneen verkkopalvelun päätoimittaja, palvelun rakenteen ja sisällön editointi voi olla työintensiivinen osa toimenkuvaa. Esim. palvelun rakenteen yksinkertaistamiseen, sisältöjen tiivistämiseen ja sisältöjen kääntämiseen kannattaa ilman muuta käyttää tekoälyapuja, ellei toimialalla käytetä herkkää erityiskieltä.
Markkinatutkimus
Kilpailijamonitorointi. Yksi tuotekehityksen vaikeus on, että käyttäjien odotukset ja kilpailijan keksinnöt siirtävät maalia jatkuvasti samalla kun tuotetta kehitetään. Esim. ChatGPT Agent -alustalle on mahdollista luoda säännöllistä analyysiä tekevä kilpailijamonitoroija, joka tuottaa säännöllistä tietoa kehityskuluista ja signaaleista, joita tuotetiimin olisi hyvä huomioida päätöksiä tehdessään.
Tulevaisuusskenaariot. Parhaillaan tapahtuvien markkinan muutosten lisäksi on hyvä olla hereillä mahdollisista tulevaisuuksista. Skenaariogeneraattori voi auttaa tunnistamaan kehityksen kannalta tärkeitä signaaleja ja kehkeyttää niistä mahdollisesti tuotteen kehityssuunnitelmiin vaikuttavia skenaarioita.
Ei hätää - keskitytään siihen mikä hetkessä on tärkeintä
Yllä listattu apuriarmeija on aikamoinen. Ei hätää, ei kukaan oleta että joku pystyisi rakentamaan koko rivistön viikossa kaikkia tuoteomistajan tulevaisuuden tarpeita odottamaan - eikä tietenkään kannatakaan, kun AI-kyvykkyydet menevät koko ajan myös vauhdilla eteenpäin. Edelleen tuoteomistajan työssä voi keskittyä siihen mikä juuri nyt on tuotteen elinkaarella tärkeintä. Pidetään vain mielessä että läheskään kaikkea ei enää kannata tehdä itse, vaan kun kyse on tuntien tai päivien työstä, kannattaa ensin miettiä miten tekoäly voisi auttaa siinä. Tai että vaikeiden ongelmien kanssa yksinäisinkään ei enää ole vailla pallottelukaveria.
Ajan oloon tuoteomistajiakin tulee pomminvarmasti auttamaan se, että organisaatiot ottavat keskitetysti koppia työntekijöidensä AI-tarpeista ja tarjoavat keskitettyjä agenttikirjastoja työntekijöilleen per rooli. Niissä henkilöstö voi ottaa käyttöön toinen toistensa kehittämiä AI-assistentteja ja kehittää niitä eteenpäin. Näin tekee jo tällä hetkellä esim. Yle omien journalistiensa avuksi.
Tätä kehityskulkua odotellessa meidän itse kunkin kannattaa kuitenkin auttaa jo itse itseämme. Ja rakennellessa ja ihmetellessä kannattaa tietenkin joka käänteessä kysyä tekoälyltä :D
Koska tämän blogiartikkelin sisältö muuttuu jatkuvasti, sitä päivitetään
säännöllisesti 2 kuukauden välein. Viimeinen päivitys on tehty 6.3.2026.