Oprichter en voormalig Apple-productmanager zegt dat PRD-processen grondig moeten worden herzien — dit is het stappenplan

Sonia Vora was hoofd Product en directeur Productmanagement bij verschillende zorgbedrijven. Ze gaf ook leiding aan productontwikkeling voor enkele gezondheidsproducten van Apple. En nu is ze oprichter van een AI-zorgbedrijf.

We spraken met Sonia om te ontdekken hoe ze agents inzet in workflows voor productmanagement. Dit vertelde ze ons.

Duiken in AI-zorgproducten

Hoi, ik ben Sonia. Ik begon mijn carrière in strategische consultancy bij McKinsey en GoogleX. Daarna werd ik directeur Productmanagement bij ACKO Insurance, een verzekeringsmaatschappij die rechtstreeks aan consumenten verkoopt in India in Series D. Later werd ik hoofd Product bij Narayana One Health, een geïntegreerde zorgeenheid binnen een ziekenhuisstelsel in India. Ook gaf ik leiding aan de productontwikkeling van twee gezondheidsproducten bij Apple — de Attain-app (ontwikkeld in samenwerking met Aetna Insurance) en Lumihealth (ontwikkeld in samenwerking met de Singaporese overheid). Daarnaast werd ik opgenomen in Forbes 30 Under 30.

In 2017, vóór transformers en LLM's, onderzocht ik bij McKinsey en Google de impact van AI en verkende ik bij Apple en ACKO mogelijkheden op basis van ML om de patiëntenzorg te verbeteren. Sindsdien had ik echter niet rechtstreeks met AI gewerkt. Toen ik ongeveer anderhalf jaar geleden besefte dat AI niet alleen mijn sector (de gezondheidszorg), maar ook productmanagement zou transformeren, begon ik onmiddellijk met verschillende initiatieven:

1. Mezelf bijscholen in de basisprincipes van AI.
2. ChatGPT/Gemini integreren in het dagelijkse PM-werk van mijn productteam. Dit omvatte het opstellen van prompts voor verfijndere PRD's, brainstormen over PRD's, onderzoek uitvoeren met Deep Research en ChatGPT en Gemini gebruiken om feedback op ontwerpen te geven en UX-problemen op te sporen.
3. Experimenteren met tools zoals Lovable om snel prototypes te maken en UX-feedback van gebruikers en kopers te verzamelen.

Nu ben ik oprichter van Alongside Health, een AI- en gezondheidszorgbedrijf. Ik heb een combinatie van de natuurlijke-taalcapaciteiten van LLM's en deterministische protocollen ingezet om klinische zorg te automatiseren. Om onze eerste pilots te ontwikkelen, gebruik ik dagelijks Claude Code om deterministische systemen te ontwerpen en agents te lanceren die onze pilotklanten kunnen testen. Ik bouw ook prototypes en onze website rechtstreeks met Claude Code.

Sonia deelt

Productleiders moeten het systeem waarin productmanagers een PRD schrijven, het aan design overdragen en het vervolgens aan engineering doorgeven, volledig opnieuw vormgeven.

Hoe AI het PRD-proces verandert

Productleiders moeten het systeem waarin productmanagers een PRD schrijven, het aan ontwerp overdragen en het vervolgens aan het techniekteam doorgeven, volledig opnieuw vormgeven. Het doel is om deze volledige cyclus te versnellen, te voorkomen dat PM's en ontwerpers door het techniekteam worden opgehouden en het techniekteam eerder te betrekken op de momenten waarop hun expertise het hardst nodig is.

Mensen pakken dit op verschillende manieren aan, maar ik zie twee mogelijkheden met een grote impact die gemakkelijk te benutten zijn:

1. Versnel de eerste ‘PRD-verfijning’ en ideevorming door prototypes aan te leveren die met Claude zijn gebouwd, aanvankelijk door PM's en vervolgens verfijnd door ontwerpers. Hierdoor krijgen engineers een concrete basis voor het opstellen van ontwerpdocumenten voor nieuwe functies, in plaats van te beginnen met uitgebreide schriftelijke vereisten.
2. Bij een bestaande functie heb ik het nuttig gevonden om PM's en ontwerpers volledige toegang te geven om bepaalde wijzigingen aan te brengen en PR's in te dienen — zolang deze wijzigingen de architectuur niet fundamenteel beïnvloeden. Als je een sterk codebeoordelingsproces hebt, voorkom je veel rommelige nieuwe code wanneer PM's en ontwerpers wijzigingen doorvoeren.

Persoonlijk schrijf ik vooraf geen lange PRD's meer waarin ik elk randgeval probeer af te handelen. In plaats daarvan werk ik onmiddellijk met Claude samen om mijn eerste vereistedocument verder uit te werken via vraag-en-antwoordgesprekken.

Vervolgens gebruik ik dat document als uitgangspunt voor Claude Code en gebruik ik het daadwerkelijke prototype om randgevallen te vinden en die vereisten vóór de lancering met Claude weer in het PRD-document te verwerken.

Daardoor lever ik in dezelfde hoeveelheid tijd werk van veel hogere kwaliteit. Ik heb een denkpartner en sparringpartner die me helpt grondig te werk te gaan, sneller opties te verkennen en nuttige online bronnen te onderzoeken.

Waarom experimenteren de superkracht van AI is

Ik zal mijn AI-gebruik in productmanagement uiteenzetten:

• Probleemontdekking: AI is hier het minst behulpzaam, omdat het de problemen van gebruikers in de echte wereld niet kent. AI kan hypotheses formuleren, maar deze zijn niet gebaseerd op directe ervaring en zullen geen inzichten onthullen die buiten de consensus vallen. Er gaat niets boven met een gebruiker zitten en zijn of haar gedachten begrijpen.
• Prioritering: Op vergelijkbare wijze kan AI een eerste prioritering bieden op basis van "gezond verstand", maar het beschikt niet over echte feedback van gebruikers of productinzicht. Daarom moet je AI op dit gebied zorgvuldig monitoren.
• Ontwerpgevoel en UX-beslissingen: AI biedt een geweldige eerste versie, maar begrijpt je gebruikers of hun doelen niet; het bootst alleen bestaande flows na. Je moet zorgvuldig rekening houden met het "menselijke" element dat gebruikers helpt hun taken uit te voeren. Ik heb uitgebreid aan de UX gewerkt om consistentie te waarborgen, rekening te houden met componenten en een informatiearchitectuur te realiseren die echt aansluit bij de verwachtingen en doelen van gebruikers. Het is alsof een engineer met geweldige frontendbibliotheken elk scherm ontwerpt — soms ziet het er geweldig uit, maar het helpt gebruikers niet om eenvoudig te begrijpen hoe ze hun taken kunnen voltooien.
• Planning: Dit is een gebied waarin AI uitblinkt bij het maken van een eerste versie. Met voldoende context kan het effectief eerste tijdlijnen opstellen en helpen bij de planning. Ik ben vooral enthousiast over Linear.
• Het identificeren van afwegingen en de impact van ontwerpbeslissingen: codeeragents doen dit vaak niet tenzij je er expliciet om vraagt. Wanneer je er wel om vraagt, presenteren ze echter effectief meerdere voor- en nadelen en interne discussies, waardoor je dieper kunt nadenken over de implicaties. Ik merk nog steeds vaak hiaten in RCA en brainstormsessies met codeeragents, maar soms brengen ze ook punten naar voren waar ik niet meteen aan had gedacht.
• Experimenteren: Dit is de ware superkracht van AI. Omdat je concepten zo snel kunt bouwen, kun je veel verschillende dingen uitproberen, het product ervaren en vervolgens itereren op basis van je bevindingen.

Hoe AI kan helpen bij evaluatiewerkstromen

Hier is een voorbeeld van een AI-werkstroom die ik gebruik bij mijn productmanagement.

Ik gebruikte Claude om een proces te scripten waarbij ik voor elke nieuwe productversie OpenAI of Gemini (via API-aanroepen) vraag om zich voor te doen als een patiëntpersona en in een gesimuleerde chat op mijn agent te reageren.

Ik genereer patiëntpersona's met een script dat alle protocolvertakkingen creëert en elke vertakking test. Het script verwerkt ook persoonlijkheidstypen uit onze op onderzoek gebaseerde generator. Nadat elke persona met de nieuwe agentversie heeft geconverseerd, vragen we Gemini of OpenAI om het gesprek te evalueren aan de hand van onze 10 evaluatiecriteria en scores voor geslaagd/mislukt te geven.

Vervolgens bekijk ik de evaluatieresultaten, noteer ik voorgestelde wijzigingen om de problemen van Claude op te lossen, breng ik een nieuwe agentversie uit en voer ik de volledige verwerkingsketen opnieuw uit.

Ik gebruikte Claude Code om de frontend te bouwen, waar ik de evaluatieresultaten, de gesimuleerde gesprekken en de gesimuleerde patiëntpersona's kan bekijken.

Het is enorm behulpzaam geweest, met één kanttekening: AI blijft uiterst stochastisch. Ik heb moeite gehad met gebieden waarin betrouwbaarheid vereist is. Bij evaluaties door een LLM als beoordelaar geeft de AI bijvoorbeeld vaak een geslaagd resultaat in de ene uitvoering en een mislukt resultaat in de andere, wat een groot probleem is.

Je kunt ontwerpen om inconsistentie te verminderen, maar je moet ook altijd ontwerpen om mogelijke missers van AI op te vangen.

Hoe productmanagers zich niet langer geïntimideerd hoeven te voelen door Claude Code

Aanvankelijk voelde ik me geïntimideerd door het idee om Claude Code als niet-engineer effectief te gebruiken, vooral omdat de meeste mensen het in de terminal gebruikten.

Maar ik begon te bouwen. Ik behandelde Claude/Cursor als een junior medewerker die veel brainstormsessies en begeleiding nodig had, en dat hielp me de mogelijke problemen met coderen in de stijl van Claude te leren kennen. Inmiddels anticipeer ik daarop in mijn werkstroom.

Claude kan bijvoorbeeld "vergeetachtig" lijken, omdat het informatie comprimeert zodat die binnen zijn contextvenster past. Om dit op te lossen, vraag ik het nu altijd om een plan op te schrijven en daar vóór het bouwen van iets naar te verwijzen, net zoals je dat met een echt mens zou doen — wij zijn ook vergeetachtig!

Claude is nu bijzonder eenvoudig te gebruiken omdat de modellen aanzienlijk zijn verbeterd. Zelfs met onvolledige context kan het, als je het vraagt om vragen te stellen, met je in gesprek gaan om eerst een uitgebreid plan op te stellen. Vervolgens kan het dit betrouwbaarder uitvoeren, waardoor je je minder zorgen hoeft te maken over de basisstructuur.

Waarom codeeragenten geen wondermiddelen zijn

Iedereen kan nu als ingenieur werken met codeeragenten. Daarom moeten we experts gefocust houden op de dingen die alleen zij goed kunnen doen, en alle anderen de eenvoudige dingen laten doen. De mentaliteit dat "iedereen een ingenieur is" is ontzettend belangrijk.

Maar het is belangrijk om op te merken dat codeeragenten bugs niet zonder tussenkomst op magische wijze kunnen oplossen. Vaak missen codeeragenten gezond verstand of ontwerpcontext, waardoor ze de hoofdoorzaak van problemen verkeerd vaststellen of problemen verkeerd oplossen.

Met een beetje gerichte aansturing presteren ze veel beter, maar contextuele beperkingen kunnen ongemerkt leiden tot luie uitvoering of oppervlakkig nadenken.

De ontwikkelingstijd is nog steeds enorm verkort, maar voor het opleveren van een goed product is nog altijd aanzienlijk denkwerk nodig.

Hoe je de AI-ontwikkelingen kunt bijhouden

Ga nu met deze hulpmiddelen aan de slag in je echte werk! Hoe later je ze invoert, hoe meer je achteropraakt bij collega’s die hun werkprocessen al hebben geoptimaliseerd met deze agenten.

Houd tegelijkertijd een open blik voor de sterke en zwakke punten van AI — en besef dat dit bijna elke maand verandert.

Experimenteer. Gebruik Claude Code of andere hulpmiddelen voor je dagelijkse werk om de sterke en zwakke punten van de modellen te begrijpen. Als je dagelijks zelfs maar 30 minuten aan een taak besteedt, is het waarschijnlijk de moeite waard om één of twee uur te investeren in het automatiseren ervan — die tijdsinvestering levert steeds meer op.

Probeer meerdere chatprogramma’s met taalmodellen wanneer je antwoorden zoekt, zodat je kunt zien hoe verschillende aanbieders en modellen reageren. En verander je LinkedIn-"dieet" om op de hoogte te blijven van mensen die AI toepassen om de best mogelijke productmanagers te worden.

Iedereen voelt zich op dit moment overweldigd, en dat is oké. Ik praat met AI-professionals die zich fulltime met AI bezighouden en zich overweldigd voelen — wees vriendelijk voor jezelf en vier kleine overwinningen terwijl je de ontwikkelingen op het gebied van AI bijhoudt.

Volg ons

Je kunt contact opnemen met Sonia Vora via LinkedIn.

Er volgen nog meer interviews met experts op The CPO Club!