Din nye jobb er å ombord AI-agenter: Hvordan AI-innfødte selskaper faktisk fungerer

In This Article

Kjære abonnenter, jeg har brukt de siste månedene på å intervjue ledere ved AI-innfødte selskaper. Jeg er nå overbevist om at: Å komme ombord og administrere AI-agenter ER jobben, uansett hvilken funksjon du har. I dette gratis dypdykket vil jeg dele hvordan tre AI-innfødte selskaper – Linear, Ramp og Factory – implementerer dette prinsippet i praksis. Her er noen sitater fra hver:Nan Yu (leder for produkt, Linear): "Du vil ha AI-teammedlemmer som du kan tildele oppgaver til og snakke med akkurat som hvordan du snakker med folk." Geoff Charles (CPO, Ramp): "Hvis du ikke bruker Claude Code, uansett hvilken rolle du har, underpresterer du sannsynligvis." gjenbrukbare ferdigheter som enhver ansatt kan påberope seg.»Les videre for en innside titt på hvordan hvert AI-innfødt selskap opererer.Linear: Gjør AI-agenter til førsteklasses lagkamerater.Du kan @nevne en agent for å opprette og tilordne et problem til en annen agent.Linears tilnærming til agenter er formet av produktet deres. Nan (Linears produktsjef) mener at: Agenter bør være førsteklasses ansatte. Du bør være i stand til å legge dem til prosjekter, tilordne dem til problemer og nevne i kommentarer. Nan mener imidlertid også at mennesket alltid er ansvarlig for resultatet. Her er hvordan Linear bygger produkter med agenter i hvert trinn: Forstå problemet. Agenter leser og oppsummerer hver kundesamtale fra Intercom, Zendesk og Gong. De oppretter problemer automatisk, deduperer dem mot etterslepet og tildeler dem til riktig team. Identifiser løsningen. Siden agenter har tilgang til kundesamtaler, kan de hjelpe deg å gjenta en spesifikasjon ved å hente datastøttet innsikt fra flere kanaler. Lag en plan. Agenter kan dele opp spesifikasjonene dine i konkrete billetter og rute dem til de riktige lagene automatisk. Hos Linear lager agenter nå flertallet av billettene. Menneskets jobb er å vurdere arbeidet sitt og justere konteksten over tid. Utfør. Bugs og små funksjoner blir tildelt direkte til agenter som Codex og Cursor. For komplekse funksjoner lanserer ingeniører Claude Code og bruker Lineær MCP for å trekke inn hele problemkonteksten. Fra Nan: Det føles som om omfanget av hva agenter kan håndtere utvides hvert kvartal. Nye modeller og seler flytter grensen fra enkle reparasjoner til stadig mer komplekse prosjekter. Vil du bygge med agenter som Linear? Her er 4 praktiske trinn som Nan delte om hva teamet ditt kan gjøre i dag: Hver utvikler bør som standard bruke et ledende agentkodingsverktøy. Dette er det enkleste første trinnet. Gi det offisielle verktøyet (Markør, Claude Code eller Codex) og administrer det slik at du kan se bruken. Suppler med en asynkron skykodingsagent. Asynkrone bakgrunnsagenter kan enkeltvise de fleste små endringer og feilrettinger. Cursor og Devin har gode tilbud her. Insister på at designere og PM-er jobber direkte på kodebasen. Agenter som Claude åpner en lavfriksjonsbane for statsministere og designere for å gjøre endringer direkte i kodebasen. Alle bør strebe etter å være en byggherre. PM-er og markedsførere bør som standard bruke et AI-grensesnitt. Disse funksjonene bør gjøre 80-100 % av arbeidet sitt gjennom et chat-grensesnitt – enten det er Claude, ChatGPT, Notion AI eller noe lignende. Nan ser en fremtid der mennesker vil samarbeide med agenter på spesifikasjonsnivå – definere hva som må bygges og hvorfor – og deretter gi ting videre til agenter for å håndtere alt nedstrøms.Ramp: Måling av AI-ferdigheter på 4 nivåerRamp presser raskt sine ansatte til å være AI-innfødte på 4 nivåer. I 2025 sendte Ramp over 500 funksjoner, nådde en inntekt på 1 milliarder dollar og klarte alt med 25 pms. De gjorde dette ved å kreve at hver enkelt funksjon (eng, produkt, design, salg, markedsføring, juridisk, finans) var ombord og samarbeidet med agenter. Geoff (CPO Ramp) delte et rammeverk for evaluering av AI-kunnskaper: ChatGPT. Disse menneskene vil mest sannsynlig ikke være i selskapet på lang sikt. Hvis du ikke er en selvstarter med en veksttankegang mot AI-verktøy, sier Geoff at det kommer til å bli veldig vanskelig å trene deg til å utmerke seg.L1: Bruker og justerer GPT-er, prosjekter og interne AI-verktøy. Disse menneskene eksperimenterer med kunstig intelligens, men har ikke automatisert virkelig arbeid ennå.L2: Bygger en app som automatiserer deler av deresjobb. Disse menneskene kan begå kode eller gi meningsfull tilbakemelding på andres arbeid ved å bruke AI-verktøy.L3: Systembyggere. Disse menneskene bygger AI-infrastrukturen og ferdighetene som akselererer alle andre i teamet. Selskapets mål er å presse alle oppover stigen. L0s selvvelger ut. L1s blir L2s. L2s blir L3s. Og L3-er påvirker resten av organisasjonen. Geoff delte også 5 trinn som ethvert selskap kan ta for å bli AI-native: Fjern all friksjon. Gi tilgang til populære AI-verktøy uten begrensninger på tokens eller budsjetter, og lag et internt lager av AI-ferdigheter alle kan hente fra. Hvis oppsettet er vanskelig, vil de fleste ikke adoptere. Gjør adopsjon synlig. Lag offentlige Slack-kanaler der folk kan dele det de har bygget. I det hele tatt, vis frem ikke-ingeniører som gjør imponerende ting, som å finansiere å bygge et finanssystem eller markedsføre automatisering av nettstedoppretting. Gi praktisk støtte. Arranger kontortider som alle kan bli med for å bygge AI-ferdigheter og arbeidsflyter. Har utpekt AI-eksperter hvis hele jobben er å evangelisere, sette opp folk og hjelpe dem med å nå «aha-øyeblikket». Spor bruk og grip inn. Ramp sporer tokenforbruk på tvers av AI-verktøy per ansatt. Lederskap deler disse dataene for å skape naturlig ansvarlighet og gå inn når noens bruk er lav. Gjør det til et ansettelseskrav. PM-intervjuer inkluderer nå en dedikert økt hvor du må bygge et fungerende produkt og deretter forklare hvorfor du bygde det og hvordan det fungerer. Geoff oppsummerte lederfilosofien sin for hver rolle hos Ramp på én linje: Din jobb er å automatisere jobben din. Fra Geoff: «Hvis jeg forteller teamet mitt 10 ganger at CTA-en må være over folden, er ikke løsningen å si det 11. gang. Det er å kode tilbake tilbakemeldingen til en automatisert designkritikkprosess, slik at det aldri skjer igjen fra AI-dag.» oneHvis Linear og Ramp viser hvordan selskaper tar i bruk AI-agenter, viser Factory hva som skjer når du bygger rundt dem fra dag én. Factory er et 55-personers AI-programvareutviklingsselskap verdsatt til $300 millioner som er strukturert rundt AI fra grunnen av. Her er det som gjør dem forskjellige: Ansett produktingeniørerFactory ansetter ikke PM-er og ingeniører separat. I stedet ansetter de produktingeniører som administrerer og jobber med AI-agenter. En typisk dag ser slik ut: Undersøk spor fra agentløp for å se hvor systemet tok dårlige avgjørelser. Skriv rettelser ikke som kode, men som styring (f.eks. en oppdatering av en ferdighet, en ny lintregel eller en raffinert automatisering) Gjennomgå kun PR-ene som agenter flagger som høyrisiko (agenter tar seg av resten). Foreslå nye ideer og debatter prioritering med kolleger og AI. Dette arbeidet er ikke lett, og krever mye mer ekspertise. agent-readyAgenter trenger en kodebase de faktisk kan jobbe i for å være effektive. Factory skårer kodebaser på tvers av fem modenhetsnivåer, og nivå 3 ("Standardisert") er der de fleste team må sikte først.Factorys agentberedskapsrammeKod ekspertise inn i gjenbrukbare ferdigheter Når kodebasen din er agentklar, er neste trinn å gi agenter kunnskapen til å ta gode beslutninger gjennom ferdigheter (i hovedsak bare tekstmarkeringsfiler). Factory bruker ferdigheter til å kode ekspert- og bedriftskunnskap til noe som enhver agent eller ansatt kan bruke. Her er en liste over ferdigheter som Factory bruker internt og lenker til markdown-filene deres, slik at du kan kopiere og endre: Produktstyringsferdigheter. Produktprinsipper, et 11-stjerners opplevelsesrammeverk (lånt fra Airbnbs Brian Chesky), PRD-mal, scoringsrubrikk og språkveiledning, alt i én markdown-fil. Integrasjonsevne med frontend UI. Instruerer Droid om hvordan man bygger funksjoner ved å bruke Factorys designsystem, rutingkonvensjoner og teststandarder. AI-dataanalytikerferdigheter. Kjør utforskende analyser, bygg visualiseringer og generer statistiske rapporter ved å bruke hele Python-økosystemet. Interne verktøy ferdigheter. Bygg administrasjonspaneler, støttekonsoller og operasjonelle instrumentbord med riktige tilgangskontroller og revisjonslogging innebygd. Vibe-kodingsferdigheter. Rask prototyping av nye nettapper fra bunnen av med moderne rammeverk. Hvis du kan kode det de beste folkene dine kan til ferdigheter, trenger du ikke ansette spesialister for hver funksjon.6 trinn for å sette alt dette ut i livetFor å oppsummere: Onboarding og administrasjon av agenter blir kjernejobben for hver funksjon. Her er seks ting du kan sette ut i livet akkurat nå:FraLineær: Hver utviklere bruker som standard et agentkodeverktøy som Cursor, Claude Code eller Codex. Få PM-er og designere inn i kodebasen. La dem sende inn PR-er og sendekode ved hjelp av agenter. Slutt å dirigere hver eneste lille endring gjennom en ingeniør. Fra Ramp: Mål AI-ferdigheter på tvers av teamet ditt. Ramps rammeverk på 4 nivåer gir deg et delt ordforråd for hvor folk er og hvor de må gå. Spor AI-bruk og gjør det til en del av ytelsesforventningene. Du kan ikke forbedre det du ikke måler, og insentiver er viktige. Fra fabrikk: Score kodebasen din for agentberedskap. Bruk Factorys agentberedskapsnivåer for å forstå om kodebasen din er klar. Kodifiser teamets ekspertise til gjenbrukbare ferdigheter. Kod inn det de beste folkene dine vet inn i ferdighetsfiler og gjør det enkelt for både mennesker og agenter å bruke dem. Fremfor alt, agenter ombord som deg om bord på et menneske. Gi dem kontekst, koble dem til din operative stabel, og hold et menneske ansvarlig for resultatene deres. Gi meg beskjed om hva du synes i kommentarfeltet!

You May Also Like

13 Trending Songs on TikTok in March 2026 (+ How to Use Them)

Our Best AI PM Workflows for Prototyping, Strategy, and Personal OS (2026)

China’s Cybersecurity Agency Issues Security Warning About OpenClaw