"AI zal productmanagers overbodig maken."
"Elke PM moet een AI-expert worden."
"Als je geen AI gebruikt, raak je achterop."
Dit zijn slechts enkele van de koppen die onze LinkedIn-feeds en branchenieuwsbrieven overspoelen. Als productmanager ben je waarschijnlijk soortgelijke proclamaties tegengekomen, die elk een extra laag druk uitoefenen op een toch al veeleisende rol. Maar als ik met productteams spreek, hoor ik vaak een ander verhaal, eentje over verwarring, scepticisme en soms zelfs schuldgevoel over het feit dat ze AI niet vollediger omarmen in hun dagelijkse werk.
De realiteit achter de hype
In een onderzoek van het MIT onder meer dan 1.000 wetenschappers die AI-tools gebruikten, vonden onderzoekers iets onverwachts: hoewel de productiviteit aanzienlijk toenam, nam het werkplezier juist af. 82% van de wetenschappers gaf aan minder tevreden te zijn over hun werk.
Deze paradox van verhoogde productiviteit in combinatie met verminderde tevredenheid vertelt ons iets belangrijks over de menselijke kant van AI-implementatie.
"Ik kon niet anders dan het gevoel hebben dat een groot deel van mijn opleiding nu waardeloos is", merkte een wetenschapper op.
Dit sentiment resoneert waarschijnlijk bij veel productmanagers die met een mix van fascinatie en onbehagen naar de ontwikkelingen op het gebied van AI kijken.
Ondanks deze uitdagingen is de potentiële impact van AI op onze manier van werken te groot om te negeren.
Het meest recente onderzoek van Teamwork Lab van Atlassian toont aan dat mindset veel belangrijker is dan gebruik van AI om AI het beste te kunnen benutten. Dit is van essentieel belang voor de looptijd.
De resultaten zijn duidelijk: de toekomst van werk is samenwerking tussen mens en AI. Onze gegevens bewijzen dat de meest strategische AI-medewerkers:
- Gebruikmaken van AI om twee keer zoveel ROI voor hun inspanningen te krijgen
- Dagelijks 105 minuten besparen. Dit is gelijk aan een extra werkdag per week
- 1,5 keer meer kans hebben om de bespaarde tijd opnieuw te investeren in het aanleren van nieuwe vaardigheden
- 1,8 keer meer kans hebben om gezien te worden als innovatieve teamgenoten
We hebben patronen geïdentificeerd in de manier waarop AI-tools productbeheer zowel kunnen verbeteren als mogelijk kunnen belemmeren. In dit artikel onderzoeken we een model dat gericht is op het behouden van menselijk beoordelingsvermogen en creativiteit en tegelijkertijd gebruikmaakt van de analytische capaciteiten van AI . Dit is een balans dat volgens onderzoek cruciaal is voor een succesvolle toepassing van AI.
Om enige kans van slagen te hebben in de nieuwe werkomgeving met AI-ondersteuning, raden we aan de volgende stappen te nemen:
- begrijp hoe AI werkt en wat de beperkingen ervan zijn,
- werk samen met AI-teamgenoten en bouw geleidelijk ervaring op voor dit type interactie,
- en anticipeer tot slot op waar AI de meeste waarde kan toevoegen aan je werk.
Je AI-teamgenoten begrijpen
Voordat we ons verdiepen in het opbouwen van gewoontes met AI, moeten we eerst begrijpen hoe het werkt.
Stel je voor dat je op een feestje bent waar iedereen meerdere gesprekken tegelijk voert. Je probeert een bepaald gesprek te volgen, maar je moet op verschillende elementen letten: de woorden die worden uitgesproken, de toon van de stem, eerdere opmerkingen en de algemene context. Dit is vergelijkbaar met de manier waarop transformatormodellen — de ruggengraat van moderne AI — informatie verwerken.
Transformatormodellen zijn geïntroduceerd in 2017 en hebben AI gerevolutioneerd doordat ze aandacht kunnen besteden aan meerdere delen van de input tegelijkertijd, net zoals hoe je verschillende aspecten van een gesprek tegelijk kunt verwerken. Dit vermogen om om te gaan met context en relaties tussen verschillende stukjes informatie is wat moderne AI-tools zo krachtig maakt.
Grote taalmodellen (LLM's) zijn op deze basis gebouwd. Neem aan dat ze alles op het internet hebben gelezen: boeken, artikelen, code en gesprekken. Ze hebben patronen geleerd in deze enorme hoeveelheid gegevens, waardoor ze de context en nuances kunnen begrijpen, menselijke tekst kunnen genereren, patronen en relaties kunnen herkennen en hun reacties kunnen aanpassen op basis van het gesprek.
In dit artikel richten we ons specifiek op AI-agents – een van de meest gebruikte interfaces voor interactie met LLM's. Deze agents fungeren als gespreksinterfaces die ons in staat stellen om op een natuurlijke, op dialoog gebaseerde manier met LLM's te communiceren. Hoewel LLM's op vele manieren kunnen worden geïntegreerd in producten en workflows (zoals het aanvullen van code, het genereren van inhoud of geautomatiseerde analyse), vertegenwoordigen agents een bepaald paradigma waarin de AI een meer collaboratieve, assistent-achtige rol speelt. Dit is de interface waarmee de meeste productmanagers in hun dagelijkse werk rechtstreeks kunnen communiceren, of dat nu via algemene tools zoals ChatGPT en Claude is, of via gespecialiseerde agents op de werkplek, zoals Rovo.
Mogelijkheden en beperkingen
AI-agents blinken uit in het herkennen van patronen en kunnen trends en verbanden opsporen in grote hoeveelheden gegevens die mensen misschien niet opmerken. Ze zijn opmerkelijk goed in het verwerken van taal, het begrijpen en genereren van menselijke tekst in verschillende stijlen en formaten. Hun vermogen om tijdens lange gesprekken de context te behouden en meerdere aspecten van een probleem tegelijkertijd te overwegen, maakt ze bijzonder waardevol voor complexe taken zoals productbeheer.
Het is echter cruciaal om hun beperkingen te begrijpen. Ondanks hun zelfverzekerde toon kunnen ze zonder aarzelen onjuiste informatie geven. Ze begrijpen oorzaak en gevolg niet echt, in plaats daarvan vertrouwen ze op het op elkaar afstemmen van patronen in plaats van op oprecht begrip. Hun kennis is vaak beperkt tot hun trainingsgegevens, wat betekent dat ze niet kunnen helpen met actuele marktveranderingen of opkomende trends, vooral als ze geen toegang hebben tot internet en geen zoekmogelijkheden hebben.
Als we deze sterke punten en beperkingen begrijpen, kunnen we AI zien als een krachtige aanvulling op ons werk in plaats van als een vervanging voor onze kernvaardigheden. Laten we op basis hiervan onderzoeken hoe we effectieve werkrelaties kunnen opbouwen met AI-tools.
Inzicht in de genuanceerde impact
Bedenk eens: vijftien jaar lang was Google de onbetwiste tool voor online zoekopdrachten. Het ging gewoon automatisch. Heb je informatie nodig? Open een nieuw tabblad en typ 'google.com'. Deze diepgewortelde gewoonte leek onwankelbaar. Maar in het afgelopen jaar is dat decennia-oude gedrag volledig veranderd. Eerst kwam Arc Search met 'Browse for me', daarna een snelle vooruitgang via ChatGPT, Claude, Perplexity en nu DeepSeek R1 voor werkgerelateerde zoekopdrachten.
Deze transformatie illustreert iets dat cruciaal is voor de implementatie van AI: wanneer AI-tools een echt betere ervaring bieden - sneller, efficiënter en inzichtelijker - kunnen ze zelfs ons meest diepgewortelde gedrag in opmerkelijk korte tijdskaders hervormen. We veranderen onze tools niet omdat ons dat wordt opgedragen, of omdat het trendy is, maar omdat deze nieuwe, op AI gebaseerde oplossingen fundamenteel beter voldoen aan onze behoeften.
In plaats van AI te zien als een bedreiging of een wondermiddel, moeten we het zien als een nieuw soort teamgenoot. Zoals elke goede collega heeft AI specifieke sterke en beperkte eigenschappen. Het belangrijkste is om te leren hoe je effectief kunt samenwerken.
Samenwerken met je AI-teamgenoten
Het huidige landschap van AI-gebruik laat een belangrijk patroon zien: de meeste mensen gebruiken AI-agents voor algemene doeleinden die getraind zijn op gegevens voor algemene doeleinden om specifieke vragen te stellen over hun werk. Deze wanverhouding is vaak de bron van teleurstelling en frustratie.
De toekomst van effectieve AI-samenwerking ligt in gespecialiseerde agents die zijn opgeleid op basis van gespecialiseerde gegevens. Neem Rovo van Atlassian als voorbeeld. Deze AI-assistent heeft toegang tot je volledige werkcontext: de Confluence-kennisdatabase met strategiedocumenten en PRD's, Jira-projecten die het huidige teamwerk en de voortgang tonen, bedrijfsdoelstellingen en kwartaalplanningsartefacten. Als je hem een vraag stelt over je werk, zijn de antwoorden gebaseerd op je specifieke organisatorische context.
Dit betekent een fundamentele verandering in de manier waarop AI ons werk kan ondersteunen. In plaats van algemene antwoorden op basis van trainingsgegevens over het hele internet, kunnen deze gespecialiseerde AI-teamgenoten inzichten bieden die rechtstreeks relevant zijn voor de specifieke uitdagingen, prioriteiten en manieren van werken van je organisatie. Bedrijven die dit onderscheid begrijpen en ernaar handelen - door te investeren in AI-systemen die diep geïntegreerd zijn met hun kennisdatabases en workflows - zullen aanzienlijke concurrentievoordelen behalen wat betreft de manier waarop hun teams werken en beslissingen nemen.
Hoewel gespecialiseerde AI-tools steeds vaker voorkomen, is de realiteit dat de meeste productteams AI niet gebruiken in hun dagelijkse werk.
De sleutel om deze kloof te overbruggen is de ontwikkeling van een 'AI-mentaliteit'. Dit betekent dat elke taak of uitdaging benaderd moet worden door eerst na te denken over hoe AI kan helpen deze effectiever aan te pakken.
Het gaat er niet om AI voor alles te gebruiken, maar om inzicht te krijgen in de kennis wanneer en hoe AI je werk daadwerkelijk kan verbeteren.
Duurzame AI-gewoonten ontwikkelen
Door werknemers over te schakelen van het basisgebruik van AI naar strategische samenwerking, kunnen bedrijven het volledige potentieel van AI benutten en een aanzienlijke ROI behalen. Maar het veranderen van je AI-mentaliteit gaat niet alleen over tijdwinst — het is veel groter dan dat. AI-samenwerking kan bedrijven een extra concurrentievoordeel geven door continue verbetering te bevorderen, de kwaliteit van het werk te verhogen en zinvolle innovatie te stimuleren.
De sleutel tot zinvolle toepassing van AI ligt in het ontwikkelen van duurzame gewoonten.
Gedurende de dag kun je het gebruiken als klankbord, waarbij je verschillende benaderingen van gebruikersproblemen onderzoekt of je communicatie met belanghebbenden verfijnt.
Hier zijn enkele praktische manieren en voorbeelden om deze gewoonten te creëren:
Tijdens de productontdekking
Gebruik AI om transcripties van gesprekken te analyseren op patronen die je misschien over het hoofd hebt gezien, nieuwe hypothesen te genereren om te testen en nieuwe thema's in de feedback van gebruikers te identificeren.
Tools zoals Sauce AI kunnen bijvoorbeeld feedback verzamelen uit meerdere bronnen en deze analyseren om de besluitvorming te onderbouwen, thema's en veelvoorkomende uitdagingen te identificeren die binnen verschillende communitygroepen aan de orde zijn gesteld.
In productstrategie
Maak gebruik van AI om verschillende marktscenario's te verkennen, concurrentielandschappen vanuit nieuwe invalshoeken te analyseren en alternatieve strategische verhalen te genereren.
Tools zoals Perplexity Pro maken ongelooflijk snel onderzoek mogelijk in verschillende bronnen. De tool doet het onderzoek niet voor je, maar geeft een startpunt van waaruit je kunt beslissen waar je vervolgens heen gaat.
AI-teamgenoten werken vaak het beste aan het begin of einde van een workflow: aan het begin van een ideevormingsproces om ideeën te stimuleren, of aan het einde van het schrijven om de inhoud aan te scherpen. Verifieer altijd de bronnen van elk onderzoek dat je uitbesteedt aan AI-agents.
Tijdens productontwikkeling
Als productmanager zijn er veel dagelijkse workflows die je kunt delegeren aan AI:
- Productvereisten schrijven
Door gespecialiseerde agents in te schakelen, kun je uren besparen die je kunt herinvesteren in waardevolle activiteiten.
- Releasenotes opstellen
AI kan releasenotes genereren op basis van Jira-issues door gemeenschappelijke thema's voor verschillende issues te identificeren en een samenvatting en een lijst van uitgebrachte issues te presenteren in een indeling voor probleemoplossing.
Het belangrijkste is om AI tijdens deze processen als partner te gebruiken en niet als vervanging. Dit helpt ervoor te zorgen dat AI de creativiteit bevordert in plaats van vermindert, waardoor tegemoet wordt gekomen aan de zorgen over werktevredenheid die in het MIT-onderzoek naar voren zijn gekomen.
Anticipeer waar je AI-teamgenoten zich hierna gaan ontwikkelen
Het onderzoek van MIT geeft ons waardevolle aanwijzingen over waar onze AI-partnerschappen naartoe zouden kunnen gaan. Specifiek voor productmanagers moet je op de volgende zaken letten:
De opkomst van gespecialiseerde AI
We gaan waarschijnlijk een toenemende commercialisering van onderliggende modellen zien, waarbij meer verwerking aan de kant van de klant plaatsvindt. Om concurrerend te blijven, worden AI-mogelijkheden meer gespecialiseerd en komen ze 'hogerop te staan', waarbij verfijnde en gepersonaliseerde mogelijkheden worden geboden aan zowel ontwikkelaars als eindgebruikers. We hebben dit al zien gebeuren met tools zoals Cursor, die het transformatieve potentieel van gespecialiseerde AI aantoont door contextbewuste informatie rechtstreeks in de workflows van ontwikkelaars te integreren en algemene AI-mogelijkheden om te zetten in speciaal gegenereerde assistenten die zowel code als intents begrijpen.
De winnaars zijn niet noodzakelijk degenen met de krachtigste modellen, maar degenen die AI het beste integreren in bestaande workflows en gebruikerservaringen.
Een mix van modellen van experts (MoE)
Een MoE-model is zoiets als een bedrijf met gespecialiseerde afdelingen.
In plaats van elke vraag door het hele systeem te sturen, zoals bij traditionele LLM's, is er een 'router' die snel beslist welke expertonderdelen van het model de taak moeten uitvoeren. Dit betekent dat voor elke specifieke taak alleen de relevante onderdelen worden geactiveerd, zoals het gebruik van natuurkundige experts voor wetenschappelijke vragen en taalexperts voor schrijfopdrachten.
Het voordeel? Veel grotere efficiëntie tegen lagere kosten, waardoor je meer gespecialiseerde, efficiëntere producten kunt maken die verschillende taken aankunnen zonder dat je daarvoor veel geld hoeft uit te geven.
Het menselijke element in productbeheer
Misschien wel het belangrijkste: naarmate AI alomtegenwoordig wordt, gaan mensen steeds meer hunkeren naar authenticiteit, kwaliteit en betekenis. We zien waarschijnlijk het volgende:
- Een heropleving op het gebied van hoogwaardige klantenservice en vakmanschap
- Meer waarde die wordt gehecht aan verhalen van wereldklasse en emotionele betrokkenheid
- Een heropleving van kleine bedrijven die unieke, gepersonaliseerde ervaringen aanbieden
- Nieuwe mogelijkheden om unieke menselijke mogelijkheden te benutten
De uiteindelijke winnaars in dit nieuwe tijdperk zullen degenen zijn die begrijpen dat zakendoen weliswaar draait om opschalen, maar dat de kunst van zakendoen vaak ligt in de dingen die niet schaalbaar zijn: de menselijke aspecten die AI niet kan repliceren.
Wat dit betekent voor productmanagers
We hebben besproken hoe PM's met AI kunnen werken om hun werk gemakkelijker te maken, maar er is ook de vraag hoe PM's AI beter kunnen integreren in hun productaanbod. Voor succes moet je waarschijnlijk het volgende doen:
- Begrijpen hoe je meerdere AI-mogelijkheden kunt orkestreren in plaats van te vertrouwen op afzonderlijke modellen
- De nadruk leggen op interfaceontwerp en gebruikerservaring als belangrijkste onderscheidende factoren
- Personalisatie integreren in de belangrijkste productervaringen
- De menselijke elementen behouden die producten betekenis en emotionele weerklank geven
- Workflows creëren die de menselijke capaciteiten verbeteren in plaats van vervangen
We zijn allemaal nog steeds dingen aan het uitzoeken. En natuurlijk is de ondersteunende technologie een bewegend doelwit, aangezien deze zich blijft verbeteren. Er is echte vooruitgang geboekt, maar we zijn pas net begonnen.
Het belangrijkste is dat we nu een beter idee hebben van de juiste vragen die we moeten stellen en hoe we de antwoorden kunnen bepalen.
De toekomst die voor ons ligt gaat er niet om overbodig of een AI-expert te worden. Het gaat er juist om dat je een betere productmanager wordt in een wereld waar AI een van de vele hulpmiddelen is in onze toolkit. En hoewel dit soms lastig kan zijn, is het wel de moeite waard.
