Tech-oprichter en voormalig vicepresident Product zegt dat AI productteams slechter maakt — niet beter

Adam Root heeft de functie van vicepresident Productontwikkeling bekleed bij verschillende technologiebedrijven. Momenteel is hij oprichter van Root Ventures, waar hij SaaS-producten bouwt die zijn gebaseerd op werkstromen.

We gingen met Adam in gesprek om te begrijpen hoe AI de productlevenscyclus verandert — en hoe AI sommige teams onderweg juist slechter maakt. Dit vertelde hij ons.

AI maakt productteams slechter

AI maakt de meeste productteams slechter, niet beter — omdat het de wrijving wegneemt die teams vroeger beschermde tegen slechte beslissingen.

In de afgelopen 17+ jaar heb ik SaaS-platforms opgeschaald, AI-gedreven initiatieven geleid en meetbare resultaten behaald, waaronder het laten groeien van de omzet van $20k naar $400k MRR en het realiseren van impact op ondernemingsschaal. Eerder in mijn loopbaan dacht ik dat het moeilijkste deel bestond uit bouwen, functies opleveren, teams opschalen en een roadmap uitvoeren. Wat ik vooral de afgelopen jaren heb geleerd, is dat de echte uitdaging ligt in het omzetten van ambiguïteit in overtuiging. AI heeft dat onderscheid onmogelijk te negeren gemaakt. 

Vandaag de dag kan iedereen met AI-hulpmiddelen snel een prototype genereren of iets opleveren, maar de meeste teams hebben nog steeds moeite om dat om te zetten in echte tractie. Ik zie consequent sterke technische teams sneller bouwen, maar zonder een duidelijke productthese. Ze voegen AI toe aan werkstromen die nooit zijn ontworpen om succesvol te zijn. Het resultaat is meer output, maar niet meer impact.

Dat inzicht veranderde fundamenteel de manier waarop ik productleiderschap benader. Ik beschouw elk product nu als een systeem van waarheden in plaats van als een verzameling functies. Het begint met een diepgaand begrip van het probleem, het valideren daarvan met bewijs en het in de juiste volgorde nemen van beslissingen om hefboomwerking te creëren. Pas dan wordt AI een echte vermenigvuldiger. Zonder die basis versnelt AI alleen maar de ruis.

Daarom ligt mijn focus vandaag minder op tools en meer op het creëren van duidelijkheid, waarbij teams op één lijn worden gebracht over wat belangrijk is, waarom het belangrijk is en hoe het resultaten oplevert. Want wanneer het systeem klopt, stapelen de resultaten van de uitvoering zich op.

Een AI-gebaseerd productportfolio bouwen

Op dit moment bouw ik een klein portfolio van AI-gebaseerde SaaS-producten die zijn gebaseerd op werkstromen, verspreid over verschillende domeinen. Elk product is ontworpen om centraal te staan in het daadwerkelijke gebruikersgedrag, en niet alleen om functies toe te voegen.

Sotia is een intelligentiesysteem dat is opgebouwd rond gedragsgegevens en begint met Slack. Het helpt leiderschap om in realtime inzicht te krijgen in de gezondheid van de uitvoering. Het vertaalt communicatiepatronen naar signalen over afstemming, beslissingssnelheid en risico, en creëert zo effectief een nieuwe laag tussen ruwe activiteit en inzicht voor bestuurders.

Tegelijkertijd bouw ik VowVista, een marktplaatsplatform voor trouwlocaties dat zich richt op het bieden van beslissingszekerheid aan kopers uit Generatie Z. Het pakt een gefragmenteerde aankoop met hoge emotionele betrokkenheid aan door transparantie, gestructureerde gegevens en begeleide werkstromen te combineren, zodat gebruikers van verkenning naar een beslissing kunnen gaan.

Daarnaast blijf ik AI-gebaseerde platforms ontwikkelen voor de bouw en buitendienstactiviteiten. Daar leggen we multimodale input, zoals spraak, foto's en video, vanuit het veld vast en zetten we die om in gestructureerde, bruikbare intelligentie voor operationele medewerkers en bestuurders.

De gemeenschappelijke lijn in dit alles is het bouwen van producten die functioneren als registratiesystemen en intelligentiesystemen, ontworpen voor echte werkstromen, met een leveringsmodel dat snelle iteratie combineert met betrouwbaarheid op productieniveau.

Waarom productleiders zich op het systeem moeten richten, niet op AI

AI is niet het product. Het systeem eromheen is dat wel.

De meeste teams beginnen met een focus op het model, de functie of de mogelijkheid. In de praktijk is het model echter het minst onderscheidend en vaak het eenvoudigste onderdeel. Het echte werk zit in alles eromheen: de gegevens, de integratie met de werkstroom, de UX, het vertrouwensmodel en de manier waarop de uitvoer een daadwerkelijke beslissing of actie aanstuurt.

Als je dat verkeerd aanpakt, zorgt AI ervoor dat je product indrukwekkend lijkt zonder het bruikbaar te maken. Je levert functies op die goed werken in demonstraties, maar niet worden gebruikt, omdat ze niet zijn ingebed in de manier waarop gebruikers daadwerkelijk werken of beslissingen nemen.

Als je het goed aanpakt, wordt AI een vermenigvuldiger. Het zet rommelige input om in gestructureerd inzicht, vermindert wrijving in echte werkstromen en creëert hefboomwerking binnen het systeem.

Als ik dat eerder had geweten, had ik voorkomen dat ik te veel zou investeren in de ‘intelligentie’ voordat ik het werkproces had gevalideerd. In enkele gevallen bouwden we indrukwekkende mogelijkheden die technisch gezien werkten, maar het gedrag van gebruikers niet veranderden omdat ze niet waren ingebed in de manier waarop het werk daadwerkelijk werd uitgevoerd. We moesten teruggaan en het ontwerp rond het werkproces herzien, niet rond het model.

Hoe systemen op basis van bewijs de uitvoering kunnen verbeteren

Ik ben overgestapt van het bouwen van functies naar het bouwen van systemen op basis van bewijs voordat ik code schrijf — waarbij ik AI al vroeg in het proces gebruik als synthese- en validatielaag.

In het verleden gingen zelfs sterke teams relatief snel van verkenning naar specificaties. Dat model werkt niet in een door AI ondersteunde wereld, omdat de kosten van bouwen zo sterk zijn gedaald. Je kunt oplossingen sneller genereren en uitbrengen dan je kunt valideren of ze überhaupt zouden moeten bestaan. Daardoor ontstaat een nieuwe faalmodus: teams schalen de verkeerde ideeën met ongelooflijke snelheid op.

Verkenning moet nu een continue, systeemgestuurde functie worden, geen fase. Dat betekent:

• Het op schaal verzamelen van echte signalen, waaronder gebruikersgedrag, supportgegevens, win-lossgegevens en kwalitatieve input
• AI gebruiken om patronen in die input te synthetiseren, niet alleen om deze samen te vatten
• Problemen expliciet koppelen aan werkprocessen en meten of het product deze daadwerkelijk aanpakt
• Veronderstellingen continu opnieuw valideren naarmate er nieuwe gegevens binnenkomen

Ik voer bijvoorbeeld gestructureerde prompts uit op meerdere gegevensbronnen om terugkerende problemen aan het licht te brengen, deze aan werkprocessen te koppelen en expliciet te testen of het product ze daadwerkelijk oplost. Dat proces ontkracht vaak oorspronkelijke ideeën of geeft ze een aanzienlijk andere vorm voordat ze de ontwerp- of ontwikkelingsfase bereiken.

Wat hierdoor veranderde, was de kwaliteit van onze overtuiging. We bouwen minder dingen, maar de dingen die we wel bouwen sluiten veel nauwer aan op echte problemen. Het verandert ook de manier waarop teams werken. In plaats van meningen te bediscussiëren, reageren we op gesynthetiseerd bewijs. Voor mij draait AI dus minder om het versnellen van de uitvoering en meer om het vergroten van de nauwkeurigheid van wat we kiezen om uit te voeren.

Hoe AI de volledige workflow van signaal naar uitgebracht product comprimeert

Hier is een werkproces van begin tot eind op basis van AI dat ik gebruik om van ruwe gebruikerssignalen naar een uitgebracht, gevalideerd productproces te gaan.

Het begint met het verzamelen van signalen. Ik haal kwalitatieve en gedragsgegevens op, waaronder interviews met stellen, Reddit-discussies, beoordelingen van locaties, uitvalpunten in de trechter en binnenkomende vragen. In plaats van deze één voor één te beoordelen, gebruik ik AI om alle bronnen samen te voegen en terugkerende problemen te identificeren, hoe vaak ze voorkomen en waar gebruikers vastlopen in het besluitvormingsproces.

Van daaruit ga ik over naar het structureren van problemen. AI helpt om die signalen te clusteren tot duidelijke probleemstellingen die aan specifieke momenten in het werkproces zijn gekoppeld. Vervolgens test ik die problemen kritisch door te vragen: “Komt dit vaak voor, is het pijnlijk en kan het product dit oplossen?”

De volgende stap is het vormgeven van oplossingen. Ik gebruik AI om snel verschillende manieren te verkennen om het probleem op te lossen — niet alleen functies, maar ook veranderingen in het werkproces. De sleutel is om snel meerdere benaderingen te genereren en deze vervolgens te beperken op basis van wat het beste aansluit bij het gebruikersgedrag.

Daarna gaan we over naar bouwen en instrumentatie. Met door AI ondersteunde ontwikkeltools gaan we snel van concept naar een werkende versie, maar vanaf het begin ingebed met instrumentatie. We volgen of gebruikers het nieuwe werkproces gebruiken, waar ze afhaken en of dit hun vertrouwen in beslissingen of hun voortgang verbetert.

Daarna wordt het een leerlus. AI analyseert gebruikspatronen, kwalitatieve feedback en uitzonderingsgevallen om vast te stellen wat wel en niet werkt. We kijken of de verandering het gedrag daadwerkelijk heeft beïnvloed, niet alleen of gebruikers ermee interactie hebben gehad.

Tot slot leidt dit terug naar iteratie of verwijdering. Als het werkproces de resultaten verbetert, breiden we dit uit. Als dat niet het geval is, verfijnen of verwijderen we het snel.

Claude, gekoppeld aan mijn productgegevens en gebruikerssignalen, voert het grootste deel van dit werkproces uit.

Hoe AI een vals gevoel van zekerheid kan creëren

Het beste resultaat van AI dat ik zie, is een aanzienlijke toename van de snelheid waarmee we tot duidelijkheid komen. AI heeft werk dat vroeger dagen kostte teruggebracht tot uren, vooral bij verkenning, synthese en de vroege productdefinitie. Ik kan veel meer input beoordelen, sneller patronen herkennen en ideeën kritisch testen voordat het team middelen vastlegt. Kwalitatief heeft dat geleid tot een betere eerste afbakening, minder zwakke ideeën die terechtkomen in gesprekken over de productroadmap en een scherpere afstemming tussen product, ontwerp en engineering.

Het heeft ook de doorvoer bij het creëren van producten zelf verbeterd. In het afgelopen jaar heb ik door AI ondersteunde werkprocessen gebruikt om van concept naar werkend product te gaan in een tempo dat aanzienlijk hoger ligt dan traditionele cycli mogelijk zouden maken. Dat omvat de overgang van het afbakenen van het probleem naar architectuur, PRD’s en bruikbare software in een fractie van de gebruikelijke tijd. Het voordeel is niet alleen snelheid. Het is ook de mogelijkheid om echte werkprocessen eerder te testen, wat de leersnelheid verbetert.

Het is echter niet allemaal positief. AI kan een vals gevoel van vertrouwen creëren. Teams kunnen gepolijste uitvoer verwarren met productkwaliteit. Een prototype ziet er overtuigend uit, de specificatie klinkt compleet en iedereen heeft het gevoel dat er vooruitgang wordt geboekt, zelfs wanneer de onderliggende werkprocessen, het vertrouwensmodel of de gebruikersbehoefte nog steeds niet is opgelost. Ik heb ook gezien dat AI meer ruis veroorzaakt wanneer het wordt gebruikt zonder een sterke productvisie. Het kan meer ideeën, meer tekst, meer tickets en meer artefacten genereren dan een team realistisch kan beoordelen, waardoor prioritering juist moeilijker kan worden.

Adam deelt

Het beste resultaat van AI dat ik zie, is een aanzienlijke toename van de snelheid waarmee duidelijkheid ontstaat. AI heeft werk dat vroeger dagen kostte teruggebracht tot uren, vooral bij verkenning, synthese en de vroege productdefinitie.

Waar AI tekortschiet in productontwikkeling

AI heeft het duidelijkst niet geleverd waar ik had verwacht dat het sprongsgewijze verbeteringen zou opleveren in productbeoordeling en blijvende productimpact.

In eerste instantie dacht ik dat AI de prioritering en de kwaliteit van de routekaart aanzienlijk zou verbeteren door patronen zichtbaar te maken. Het helpt inderdaad om patronen aan het licht te brengen, maar het lost niet op wat er werkelijk toe doet. Het moeilijke deel blijft het interpreteren van afwegingen, het begrijpen van effecten in tweede orde en het kiezen voor een richting onder onzekerheid. AI informeert dat proces, maar vervangt het niet. Ik heb niet gezien dat het zelfstandig consequent tot betere productbeslissingen leidt.

Ook bij het stimuleren van echte adoptie is het tekortgeschoten. AI-functies demonstreren vaak uitzonderlijk goed, maar dat vertaalt zich niet in herhaald gebruik tenzij ze diep in daadwerkelijke werkprocessen zijn geïntegreerd. Ik heb teams indrukwekkende AI-mogelijkheden zien uitbrengen die gebruikers één keer uitproberen, maar daarna niet meer gebruiken, omdat het productgedrag niet veranderde of geen onderdeel werd van de manier waarop het werk wordt uitgevoerd.

Een andere tekortkoming is het verminderen van complexiteit. Ik verwachtte dat AI zou vereenvoudigen hoe producten worden gebouwd en beheerd, maar in veel gevallen voegt het nieuwe lagen toe, waaronder promptlogica, randgevallen, uitdagingen bij evaluatie en overwegingen rond vertrouwen. In plaats van werk weg te nemen, verplaatst het dit naar nieuwe gebieden die nog steeds sterke discipline op het gebied van productontwikkeling en techniek vereisen.

Waarom verantwoordelijkheid menselijk moet blijven

Ik gebruik AI intensief overal waar schaal en patroonherkenning belangrijk zijn, en ik houd mensen betrokken overal waar beoordeling, risico of smaak de uitkomst bepaalt.

Aan de AI-kant vertrouw ik er het meest op bij verkenning en synthese. Ik voer transcripties, supportverzoeken, win-verliesgegevens en gedragssignalen in om terugkerende problemen te identificeren, de frequentie ervan te kwantificeren en die problemen aan werkprocessen te koppelen. Het is ook nuttig bij vroege prioritering, niet om beslissingen te nemen, maar om aannames kritisch te testen door afwegingen, effecten in tweede orde en alternatieve invalshoeken te tonen die ik mogelijk niet had overwogen. Bij experimenten helpt AI om hypothesen te genereren, varianten op te stellen en resultaten snel te analyseren, vooral wanneer er met grote hoeveelheden kwalitatieve feedback wordt gewerkt.

Waar ik zaken nadrukkelijk menselijk houd, is bij overtuiging en toewijding. De uiteindelijke beslissingen over prioritering, de volgorde op de routekaart en wat we ervoor kiezen niet te bouwen, liggen nog steeds bij het leidinggevende team en mij. Hetzelfde geldt voor UX-beslissingen die smaak, vertrouwen en emotionele context vereisen. Technische afwegingen worden ook door mensen geleid, omdat ze langetermijndenken over systemen, risicotolerantie en organisatorische beperkingen omvatten die AI niet volledig kan internaliseren.

De reden is eenvoudig: AI is uitstekend in het comprimeren van informatie en het uitbreiden van de oplossingsruimte, maar het draagt geen verantwoordelijkheid voor de gevolgen. Productleiderschap komt uiteindelijk neer op het nemen van onomkeerbare of kostbare beslissingen onder onzekerheid. Die verantwoordelijkheid moet menselijk blijven.

Waarom productleiders alert moeten zijn op vals vertrouwen op grote schaal

Productleiders onderschatten vaak het risico van vals vertrouwen op grote schaal.

AI-systemen zijn zeer goed in het produceren van uitvoer die correct aanvoelt, zelfs wanneer die dat niet is. Het gevaar is geen duidelijke mislukking. Het is aannemelijke nauwkeurigheid. Iets dat er goed uitziet, zelfverzekerd klinkt en onjuist is op manieren die niet direct waarneembaar zijn.

Op kleine schaal kan een gebruiker dit misschien opmerken. Op productniveau wordt diezelfde fout herhaald tijdens duizenden interacties, waardoor deze stilletjes beslissingen, werkprocessen en resultaten vormgeeft.

Ik heb dit zien opduiken in gebieden zoals documentinterpretatie, aanbevelingen en workflowautomatisering. Het systeem presteert meestal goed genoeg dat gebruikers erop beginnen te vertrouwen, maar juist in de uitzonderingssituaties schuilt het werkelijke risico. En die uitzonderingssituaties hebben vaak de grootste gevolgen.

Wat dit bijzonder gevaarlijk maakt, is dat traditionele productintuïtie dit niet opmerkt. Je ziet geen afname of crash. Je ziet betrokkenheid. Het product ‘werkt’. Totdat dat niet meer het geval is.

De oplossing bestaat niet alleen uit betere modellen. Het gaat om ontwerpen met het oog op vertrouwen en verificatie:

Adam deelt

Productleiders onderschatten vaak het risico van vals vertrouwen op grote schaal…Wat dit bijzonder gevaarlijk maakt, is dat traditionele productintuïtie dit niet opmerkt. Je ziet geen afname of crash. Je ziet betrokkenheid. Het product <em“werkt.” Totdat dat niet meer het geval is.

• Bewijs tonen, niet alleen antwoorden
• Betrouwbaarheid en onzekerheid zichtbaar maken
• Duidelijke controlepunten met een mens in de lus creëren
• Registreren wanneer het systeem fouten maakt, niet alleen wanneer het wordt gebruikt

Het risico is dat je ervan uitgaat dat nauwkeurigheid lineair toeneemt met het gebruik. In werkelijkheid stapelt het risico zich sneller op dan de nauwkeurigheid toeneemt.

Hoe het beoordelingsvermogen van AI zwak kan worden

AI heeft het vooral moeilijk wanneer het product menselijke belangen, ambiguïteit en de kosten van fouten moet begrijpen — en niet alleen een aannemelijk antwoord moet genereren.

Een goed voorbeeld zijn nalevingsgerichte werkstromen met een hoge mate van vertrouwen. Ik heb gewerkt aan productconcepten waarbij AI informatie uit documenten kan halen, problemen kan signaleren en vervolgstappen kan aanbevelen. Op papier lijkt dat een perfect toepassingsgebied voor AI. In de praktijk is het probleem dat het model een antwoord kan geven dat zeer zelfverzekerd klinkt, terwijl het belangrijke context mist, een clausule verkeerd interpreteert of niet begrijpt waarom de ene uitzondering belangrijker is dan de andere.

Dat veroorzaakt onmiddellijk een vertrouwensprobleem. De gebruiker vraagt niet: ‘Was deze uitvoer indrukwekkend?’ De vraag is: ‘Kan ik hierop vertrouwen zonder daarmee risico’s verderop in het proces te creëren?’

Wat ik heb geleerd, is dat AI vaak zwak is in beoordeling wanneer:

• De context gedeeltelijk is
• De gevolgen van een fout niet evenredig zijn
• De gebruiker uitleg nodig heeft, niet alleen uitvoer

Hoe AI teams herstructureert

AI heeft de structuur van mijn productteams veranderd: van verkokerde teams op basis van rollen naar kleinere, meer geïntegreerde en systeemgerichte teams.

In het verleden waren teams georganiseerd rond duidelijke overdrachtsmomenten: product bepaalt, design ontwerpt, engineering bouwt en data analyseert. Dat model valt uiteen wanneer AI de uitvoering versnelt en probabilistische systemen introduceert die nauwe feedbacklussen vereisen.

Nu geef ik de voorkeur aan minder mensen die over grenzen heen kunnen werken. Van productmanagers wordt verwacht dat ze zich verder verdiepen in data, promptontwerp en workflowlogica. Engineers staan dichter bij het probleem en de gebruikerscontext, en houden zich niet alleen bezig met de implementatie. Design draait minder om statische schermen en meer om interactiepatronen, vertrouwen en de manier waarop het systeem zich gedraagt wanneer het onzeker is of fouten maakt.

Ik zie ook nieuwe verantwoordelijkheden ontstaan in plaats van volledig nieuwe rollen. Denk aan:

• Verantwoordelijkheid nemen voor het ‘systeemgedrag’ in alle uitzonderingssituaties, niet alleen voor het ideale scenario
• Drempelwaarden voor betrouwbaarheid en momenten met een mens in de lus definiëren
• Datakwaliteit en feedbacklussen beheren als volwaardige productkwesties

Hoe productleiders AI zouden moeten gebruiken

Mijn advies is eenvoudig: gebruik AI niet om sneller te werken. Gebruik het om meer dingen goed te doen.

Op dit moment richten de meeste teams zich op snelheid: meer functies, snellere cycli, snellere uitvoer. Dat is het voor de hand liggende voordeel. Maar snelheid zonder duidelijkheid schaalt alleen maar fouten op.

Advies van Adam

Mijn advies is eenvoudig: gebruik AI niet om sneller te werken. Gebruik het om meer dingen goed te doen…De werkelijke verschuiving is deze: bouwen is niet langer de beperkende factor. Beoordeling is dat wel.

De werkelijke verschuiving is deze: bouwen is niet langer de beperkende factor. Beoordeling is dat wel.

Als productleider gaat je rol dus minder over het aansturen van de uitvoering en meer over:

• De juiste problemen definiëren
• Beslissingen in de juiste volgorde zetten
• Ervoor zorgen dat wat wordt gebouwd daadwerkelijk het gebruikersgedrag verandert

Gebruik AI om je denkwerk uit te breiden, signalen te synthetiseren en ideeën aan een stresstest te onderwerpen. Maar besteed de moeilijke beslissingen niet uit. Daar zit de waarde.

Herontwerp ook de manier waarop je team werkt:

• Beschouw verkenning als een doorlopend proces, niet als een fase.
• Ontwerp voor vertrouwen, niet alleen voor functionaliteit.
• Bouw systemen, geen functies.

En weersta vooral de verleiding om het moeilijke denkwerk over te slaan.

Blijf op de hoogte

Je kunt Adam Root volgen op LinkedIn terwijl hij Sotia, VowVista en de andere SaaS-producten in zijn portfolio blijft bouwen.

Er volgen meer interviews met experts op The CPO Club!