Waarom AI productleiders dwingt de organisatie opnieuw vorm te geven, niet alleen het product

Lukas Egger is VP Productstrategie en Innovatie bij SAP Signavio. Hij is ook de maker van de podcast Process Transformers.

We spraken met Lukas om te ontdekken hoe AI de manier verandert waarop hij zijn productorganisatie aanstuurt en hoe AI het product zelf beïnvloedt. Dit is wat hij met ons deelde.

Duurzame waarde onderscheiden van ruis

Ik ben Lukas Egger, VP Productstrategie en Innovatie bij SAP Signavio. Mijn werk bevindt zich op het snijvlak van productstrategie, bedrijfstransformatie en AI, met name hoe grote organisaties opkomende technologieën kunnen omzetten in nuttige, betrouwbare en economisch betekenisvolle producten.

Mijn weg naar dit moment komt minder voort uit één enkele ‘AI-ontwaking’ en meer uit een langdurige interesse in de manier waarop organisaties complexiteit begrijpen. Eerder in mijn carrière werkte ik op het gebied van data, analyse, product en strategie, en raakte ik steeds meer geïnteresseerd in de kloof tussen technologische mogelijkheden en organisatorische realiteit. Veel ideeën zien er overtuigend uit in een demo of prototype, maar de echte test is of ze bestand zijn tegen prikkels, governance, klantwerkstromen, technische beperkingen en daadwerkelijke adoptie.

Ik denk op dezelfde manier over AI in productleiderschap. Het spannende is niet simpelweg dat modellen tekst, code, afbeeldingen of analyses genereren. De diepere verschuiving is dat AI de kostenstructuur van cognitief werk binnen bedrijven verandert. Het verlaagt de kosten van het creëren, vergelijken, samenvatten, simuleren en coördineren van werk. Dat heeft diepgaande gevolgen voor productteams, omdat het niet alleen verandert wat we kunnen bouwen, maar ook hoe snel we ideeën kunnen testen, hoe we klanten begrijpen, hoe we werkstromen ontwerpen en hoe we waarde definiëren.

Bij SAP Signavio besteed ik veel tijd aan de vraag hoe AI bedrijfstransformatie kan ondersteunen in een serieuze ondernemingscontext. Dat betekent dat we verder gaan dan algemene productiviteitsclaims en scherpere productvragen stellen: Welke nieuwe klantproblemen kunnen we oplossen? Welke werkstromen verbeteren daadwerkelijk? Waar creëert AI meetbare bedrijfswaarde? Waar creëert het nieuwe risico’s? En hoe verminderen we de risico’s van innovatie op het gebied van wenselijkheid, haalbaarheid, levensvatbaarheid en organisatorische acceptatie?

Voor productleiders is dit een zeldzaam moment. AI is niet zomaar een extra functielaag. Het dwingt ons om aannames over gebruikerservaring, differentiatie, leveringssnelheid, data, vertrouwen en de rol van software zelf opnieuw te bekijken. De taak van productleiderschap is daarom niet om de luidst verkondigde AI-toepassing na te jagen, maar om het beoordelingsvermogen, de systemen en de bedrijfsmodellen op te bouwen die teams helpen duurzame waarde van ruis te onderscheiden.

Verandering gemakkelijker maken

Ter context: mijn team ondersteunt LabSpace, een belangrijke innovatieomgeving voor klanten. Het eenvoudige idee achter LabSpace is om zakelijke klanten vroeg, veilig en met zeer weinig drempels kennis te laten maken met innovatie. In traditionele B2B-software, vooral rond ERP en bedrijfstransformatie, is verandering vaak duur, traag en operationeel riskant. LabSpace verlaagt die drempel. In plaats van klanten te vragen vooraf een ingrijpende verandering door te voeren, creëren we een omgeving waarin ze kunnen verkennen hoe een betere toekomstige werkstroom eruit zou kunnen zien voordat ze zich vastleggen op adoptie, implementatie of opschaling.

Onze organisatie heeft twee soorten gebruikers. Extern gebruiken klanten het om te begrijpen wat nieuwe mogelijkheden voor hun bedrijf kunnen betekenen. Intern gebruiken product-, technische en innovatieteams het om vroege ideeën bloot te stellen aan echte feedback van klanten, zonder elk experiment voortijdig om te zetten in een volledige productverplichting.

In die zin is LabSpace zowel een etalage als een leersysteem. Het helpt ons wenselijkheid, haalbaarheid, levensvatbaarheid en organisatorische aansluiting op een veel concretere manier te testen. De schaal is breed: we willen innovatie toegankelijk maken voor het volledige klantenbestand van SAP Signavio en interne teams tegelijkertijd een herhaalbaar traject bieden om van veelbelovende ideeën naar een gevalideerde productrichting te gaan.

Het leveringsmodel is bewust lichtgewicht. We dwingen klanten niet in zware implementatiecycli alleen om innovatie te kunnen ervaren. We creëren gestructureerde manieren met een laag risico om nieuwe mogelijkheden te verkennen, feedback te verzamelen en te leren waar echte waarde ligt. De diepere productfilosofie is dat bedrijfssoftware bedrijven niet alleen moet helpen veranderen; de software moet het veranderen zelf gemakkelijker maken.

Hoe het productmodel zichzelf opnieuw vormgeeft met AI

Onlangs zijn we opnieuw gaan nadenken over het minimaal levensvatbare team voor productinnovatie in een vroeg stadium.

Historisch gezien was er voor het bereiken van een geloofwaardig eerste concept in bedrijfssoftware vaak een kleine multifunctionele groep nodig: product, ontwerp, engineering, domeinexpertise en soms ondersteuning op het gebied van data of architectuur. Dat was logisch, omdat elke rol gespecialiseerde taken omvatte die moeilijk te comprimeren waren. Maar AI begon die rollen op te splitsen in taken met zeer uiteenlopende automatiseringsniveaus.

In het afgelopen jaar zagen we de tijd van idee tot een eerste door de klant valideerbaar concept drastisch afnemen. Productmanagers en engineers kunnen nu zelf een veel groter deel van het vroege innovatiewerk voor hun rekening nemen: klantinzichten samenvoegen, alternatieve concepten genereren, prototypes maken, randgevallen verkennen, verhalen opstellen en meer samenhangende klantgesprekken voorbereiden. Dit neemt de behoefte aan expertise, oordeelsvermogen of samenwerking tussen verschillende functies niet weg, maar het verandert wel wanneer — en waarvoor — deze mensen betrokken moeten worden.

Het resultaat is niet alleen snelheid of kostenbesparing. De interessantere verandering is eigenaarschap. Kleinere groepen, en in sommige gevallen individuen, kunnen een idee nu ver genoeg uitwerken om waardevolle inzichten op te doen voordat ze een groter team samenstellen. Dit vermindert de afscherming tussen rollen en geeft mensen met goede ideeën meer vrijheid om impact te creëren.

Voor mij is dit een van de spannendste veranderingen die AI in productwerk heeft gebracht. We leveren niet simpelweg meer output volgens het oude model. In plaats daarvan verandert de vorm van het model zelf: minder overdrachtsmomenten, snellere leerlussen en meer handelingsvrijheid voor de mensen die het dichtst bij de kans staan.

Hoe AI het beslissingsveld uitbreidt terwijl mensen beslissen

Ik denk steeds minder in termen van “welke productactiviteit gebruikt AI?” en meer in termen van “wat voor beslissing nemen we?”

AI wordt steeds effectiever bij activiteiten die informatief, generatief, vergelijkend of omkeerbaar zijn. AI ondersteunt nu in grote mate marktonderzoek, bronnenonderzoek, het samenvoegen van klantinzichten, concurrentieanalyses, eerste versies van verhalen, conceptverkenning, alternatieve formuleringen en zelfs het bedenken van vroege prototypes. Op veel van deze gebieden maakt AI het werk niet alleen sneller; het verandert ook de basisverwachting van hoeveel context een productleider of team moet verwerken voordat het een beslissing neemt.

Ik ben veel voorzichtiger met beslissingen die oordeelsvermogen onder echte onzekerheid vereisen. AI kan deze beslissingen informeren, maar zou ze niet moeten nemen. Prioritering, richting van de roadmap, strategische afwegingen, klantbeloften, prijslogica, organisatorische toezeggingen en technische keuzes vereisen nog steeds dat mensen verantwoording afleggen. Dit zijn niet alleen optimalisatieproblemen. Ze omvatten onvolledige informatie, tegenstrijdige waarden, politieke beperkingen, klantvertrouwen, timing en gevolgen die we vooraf niet volledig kunnen modelleren.

Kort gezegd: AI blinkt uit in het uitbreiden van het beslissingsveld. Het kan meer opties, meer bewijs, meer tegenargumenten, meer risico’s en meer patronen laten zien dan een team zelfstandig zou kunnen genereren. Maar mensen moeten nog steeds beslissen wat belangrijk is, waarop het de moeite waard is om in te zetten en welk risico de organisatie bereid is te dragen.

Dat onderscheid wordt nog belangrijker naarmate content goedkoper wordt. Als elk team gepolijst onderzoek, aannemelijke strategieën en overtuigende verhalen kan genereren, is content niet langer de schaarse hulpbron. Dat is vertrouwen. Productleiderschap gaat daarom minder over het produceren van meer artefacten en meer over het opbouwen van het oordeelsvermogen, de governance en de geloofwaardigheid om te weten welke artefacten actie verdienen.

Hoe AI productleiders kan helpen hun communicatie met teams te verbeteren

Een AI-ondersteunde werkwijze die ik bijna elke dag gebruik, is geen klassieke productwerkwijze, maar ze heeft me wel een betere productleider gemaakt: ongefilterd denken omzetten in communicatie die anderen kunnen begrijpen.

Productleiderschap omvat ambiguïteit, spanning en feedback. Soms reageer ik sterk op iets: een strategie, een voorstel, een vergadering, een beslissing of een patroon dat ik zie ontstaan. In het verleden vertaalde ik die reactie onmiddellijk naar iets gepolijsts en diplomatieks. Dat kan nuttig zijn, maar het kan er ook voor zorgen dat je het oorspronkelijke signaal verliest.

Nu gebruik ik AI vaak als een vertaallaag. Eerst leg ik mijn ruwe gedachten eerlijk vast: wat me frustreert, wat er mis is, wat het echte probleem is en welke afweging we vermijden. Die versie stuur ik naar niemand. Het is de privéanalyse, ongefilterd.

Daarna vraag ik AI om te helpen dit om te zetten in iets bruikbaars voor de doelgroep: een e-mail, een Slack-bericht, feedback voor een vergadering, een beslisnotitie of een reeks vragen. De werkwijze is: ruwe gedachte → gestructureerde analyse → doelgroepgerichte communicatie → menselijke beoordeling → definitief bericht.

AI vervangt mijn oordeelsvermogen niet; in plaats daarvan helpt het de waarheid van de feedback te behouden en tegelijkertijd onnodige scherpte weg te nemen. Het stelt me in staat eerst eerlijker tegenover mezelf te zijn en daarna effectiever met anderen om te gaan.

Voor productleiders is dat belangrijk, omdat het werk niet alleen draait om de juiste analyse. Het gaat erom anderen ernaar te laten luisteren, ermee te laten werken en ernaar te laten handelen zonder defensief te worden. AI is nuttig geworden als brug tussen een authentieke reactie en constructieve communicatie.

Waarom AI-productwerk organisatorische verandering vereist

AI-productwerk is niet alleen een product- of technologie-uitdaging. Het is een uitdaging op het gebied van organisatorische verandering.

Een kleine groep mensen vinden die enthousiast is over AI is niet moeilijk. Vroege prototypes bouwen is evenmin het lastigste onderdeel. Innovatie op AI-snelheid laten verlopen via stimuleringsstructuren, bestuursmodellen, goedkeuringsroutes en leveringsprocessen die zijn ontworpen voor een ander softwaretijdperk is veel moeilijker.

Veel van die structuren bestaan met goede redenen. Ze beschermen kwaliteit, beveiliging, consistentie, het merk, naleving en het vertrouwen van klanten. Maar AI verandert de snelheid, omvang en mogelijkheden ingrijpend, waardoor sommige van die structuren knelpunten kunnen worden als organisaties ze niet opnieuw bekijken.

Je hebt dus niet alleen een mandaat nodig om tools te kopen, maar ook om mensen op te leiden of AI-functies te bouwen. Je hebt eveneens een mandaat nodig om te veranderen hoe werk zich door de organisatie beweegt: wie mag experimenteren, hoe beslissingen en risico's worden geëvalueerd, hoe feedback wordt verwerkt en hoe snel een idee van verkenning naar leren van klanten kan gaan.

Als ik dat eerder duidelijker had begrepen, zou ik nog meer tijd hebben besteed aan de “onheroïsche” fundamenten: stimuleringsmaatregelen, machtigingen, beoordelingsmodellen, leercycli en organisatorisch vertrouwen. Dat werk leidt niet altijd tot een opvallend lanceringsmoment. Maar zonder die basis kunnen processen die niet zijn ontworpen voor de snelheid van AI AI-innovatie gemakkelijk in de val lokken.

En we hadden ook een deel van de wrijving kunnen vermijden die ontstond doordat we mensen vroegen om met AI te innoveren, terwijl we hen tegelijkertijd door operationele beperkingen uit het tijdperk vóór AI bleven dwingen.

Waarom productleiders opnieuw moeten ontwerpen hoe waarde stroomt

Productleiders moeten moeilijke vragen stellen: Waar stroomt waarde? Welke onderdelen van het product blijven waardevol wanneer agents gebruikers worden? Welke workflows worden gestandaardiseerd? Welke knelpunten verschuiven van creatie naar verificatie, vertrouwen, integratie en adoptie? Zaken als Wardley-mapping en waardestroomanalyse worden belangrijker, omdat ze je dwingen te zien waar het product en de organisatie mogelijk moeten veranderen, en niet alleen waar AI kan worden ingevoegd.

We zijn opnieuw aan het ontwerpen hoe innovatie klanten bereikt. Historisch gezien kon innovatie zich gemakkelijk concentreren in een gespecialiseerd team, bijna als een boetiek die ideeën voor de rest van de organisatie minder risicovol maakt. Dat kan op kleine schaal werken, maar AI verandert de omvang van de mogelijkheden. Een klein innovatieteam zou geen interessant AI-werk moeten doen terwijl alle anderen toekijken. Het doel is om van innovatie een bredere organisatorische capaciteit te maken.

Dat betekent systemen creëren waarin meer mensen zich met nieuwe ideeën kunnen bezighouden, ze met klanten kunnen testen, van feedback kunnen leren en kunnen bijdragen aan de productrichting. In de praktijk betekent dat een verschuiving van “innovatie als team” naar “innovatie als herhaalbaar operationeel model”.

Lukas States

Het resultaat is belangrijker dan alleen snelheid. Meer mensen kunnen eerder deelnemen aan ideeën en deze valideren, waardoor de organisatie effectiever echt waarde kan onderscheiden van indrukwekkende demo’s.

Het resultaat is belangrijker dan alleen snelheid. Meer mensen kunnen eerder deelnemen aan ideeën en deze valideren, waardoor de organisatie effectiever echt waarde kan onderscheiden van indrukwekkende demo's. Voor een toekomst waarin AI mensen ondersteunt, is dat misschien wel een van de belangrijkste herontwerpen: geen nieuwe functie, maar een productsysteem dat de hele organisatie helpt sneller te leren.

Waarom productorganisaties nieuw gedrag moeten belonen om het meeste uit AI te halen

De grootste kloof zat in het ontwerp van stimuleringsmaatregelen.

Veranderen wat de organisatie beloont is moeilijker. AI-tools zijn gemakkelijk toegankelijk en enthousiaste mensen zijn gemakkelijk te vinden. Als mensen nog steeds worden gestimuleerd om beperkte rolgrenzen te beschermen, experimenten te vermijden, trage goedkeuringsroutes te volgen en te optimaliseren voor voorspelbare oplevering, dan zal AI-adoptie oppervlakkig blijven.

AI creëert waarde wanneer mensen grenzen kunnen overschrijden, snel kunnen testen en meer verantwoordelijkheid van begin tot eind kunnen nemen. Dat vereist toestemming, vertrouwen en stimuleringsmaatregelen die aansluiten bij de nieuwe manier van werken.

De vraag is dus niet alleen of mensen AI gebruiken. De betere vraag is of de organisatie het gedrag beloont dat AI nuttig maakt.

Hoe een gebrek aan context de ROI kan belemmeren

Veel ondernemingswaarde is afhankelijk van stilzwijgende kennis: hoe processen verlopen, waar uitzonderingen voorkomen, welke overdrachtsmomenten belangrijk zijn, welke regels formeel versus informeel zijn en waar organisatorische prikkels ongemerkt gedrag beïnvloeden. Systemen, documentatie of gegevens leggen die kennis vaak niet goed vast. Wanneer bedrijven AI toevoegen, kan de AI er op interfaceniveau indrukwekkend uitzien, maar bereikt deze niet noodzakelijkerwijs de kern van hoe het werk wordt uitgevoerd.

Dat is een van de redenen waarom het behalen van ROI moeilijker is gebleken dan veel mensen verwachtten. De kans is reëel en de kosten van modellen zullen blijven dalen, maar het knelpunt ligt vaak niet bij het model zelf. Het knelpunt is context. Als de organisatie processen, beslissingen, gegevens en verantwoordelijkheid niet inzichtelijk heeft gemaakt, heeft AI maar beperkte slagkracht.

Mijn teleurstelling is dus niet dat AI zwak is. Het is dat AI heeft blootgelegd hoeveel organisatorische kennis bedrijven in eerste instantie nooit goed hebben gestructureerd.

Lukas States

Als de organisatie processen, beslissingen, gegevens en verantwoordelijkheid niet inzichtelijk heeft gemaakt, heeft AI maar beperkte slagkracht. Mijn teleurstelling is dus niet dat AI zwak is. Het is dat AI heeft blootgelegd hoeveel organisatorische kennis bedrijven in eerste instantie nooit goed hebben gestructureerd.

Waarom je AI niet zomaar aan een product moet toevoegen

Slechte resultaten ontstaan meestal doordat AI als een losse toevoeging wordt behandeld. De meest voor de hand liggende variant voegt een chat- of promptinterface toe aan een bestaande werkstroom, alleen om te laten zien dat AI aanwezig is. Dat kan een valse belofte creëren. Een promptinterface suggereert onbeperkte mogelijkheden, terwijl bedrijfssoftware doorgaans behoefte heeft aan begrensde, beheerde, werkstroomspecifieke intelligentie. Wanneer het AI-oppervlak groter is dan de werkelijke mogelijkheden, neemt het vertrouwen snel af.

Ik zie AI niet als een Lego-steen die je eenvoudig aan een product kunt vastmaken. Ik zie het meer als het vervangen van een speler in een teamsport. Zodra één speler verandert, veranderen ook de strategie, interacties, afhankelijkheden en manieren waarop dingen kunnen misgaan. Als je het omliggende systeem niet opnieuw ontwerpt, krijg je misschien een indrukwekkende demo, maar creëer je later vaak meer complexiteit.

De beste integraties zijn vaak de stilste. AI helpt gebruikers sneller te werken, context te begrijpen, betere beslissingen te nemen of onnodig werk te vermijden — zonder dat ze AI als een afzonderlijk onderdeel hoeven te beheren.

Waarom producten niet langer alleen voor mensen worden gebouwd

Producten worden niet langer alleen voor menselijke gebruikers gebouwd. AI introduceert een nieuw soort gebruiker: agenten, automatiseringen en machinale actoren die anders met producten omgaan dan mensen.

Decennialang begonnen productteams bij de menselijke klant: hun doelen, pijnpunten, werkstromen, aandacht, geduld en verwachtingen. Dat blijft essentieel. Maar in veel bedrijfscontexten ontwerpen we nu voor een gemengde omgeving waarin mensen en agenten productmogelijkheden allebei gebruiken, interpreteren en benutten.

Dat verandert subtiele maar belangrijke aannames. Neem iets eenvoudigs als zoeken. Een reactietijd die voor een mens onmiddellijk aanvoelt, kan te traag zijn voor een agent die binnen een grotere werkstroom werkt. Een UI-element dat iemand helpt de context te begrijpen, kan voor een agent irrelevant zijn, terwijl gestructureerde metagegevens, consistentie van API's, rechtenbeheer, traceerbaarheid en voor machines leesbare semantiek belangrijker worden.

De aanname die ik heb losgelaten, is dus niet “bouw voor mensen”. Het is “mensen zijn de enige betekenisvolle gebruikers”. AI voegt een nieuw gebruikerstype toe met andere beperkingen: snelheid, betrouwbaarheid, samenstelbaarheid, observeerbaarheid en toegang tot context.

Drie adviezen voor productleiders die AI implementeren

Dit is mijn advies aan productleiders:

1. Beschouw AI niet als een inkooptraject. Tools kopen, copilots toevoegen of agents implementeren is niet de transformatie. De transformatie bestaat uit begrijpen hoe AI de opsplitsing van werk, de grenzen tussen rollen, de overdrachten in de workflow en de manier waarop waarde voor klanten wordt gecreëerd, verandert.
2. Optimaliseer eerst op effectiviteit, daarna op efficiëntie. AI moet niet alleen inspanning verminderen; het moet productteams helpen problemen op te lossen die voorheen te veel tijd, te hoge kosten of te veel complexiteit vergden om aan te pakken. De vraag moet niet alleen zijn: “Kunnen we dit goedkoper doen?” De vraag moet zijn: “Kunnen we nu een beter resultaat creëren dat voorheen buiten bereik lag?”
3. Meet betrouwbare resultaten, niet AI-activiteit. Het tellen van prompts, tokens, copilots, agents of prototypes kan gemakkelijk ontaarden in productiviteitstheater. Productleiders zouden in plaats daarvan moeten vragen: Heeft de klant sneller waarde bereikt? Is de workflow verbeterd? Zijn cyclustijd, kwaliteit, risico, compliance of klantervaring in de juiste richting veranderd? Hebben we een betere beslissing genomen, of alleen meer artefacten geproduceerd?

Kortom: AI moet productleiders ertoe aanzetten ambitieuzer te worden, niet alleen efficiënter. De kans ligt niet in het toevoegen van intelligentie aan het bestaande systeem. De kans is om het systeem opnieuw te ontwerpen, zodat intelligentie verantwoordbare, meetbare en duurzame waarde kan creëren.

Blijf op de hoogte

Je kunt het werk van Lukas Egger volgen op LinkedIn en X. Luister ook naar zijn podcast, Process Transformers.

Er volgen meer interviews met experts op The CPO Club!