Senior vicepresident Productmanagement bespreekt de verschuiving van lineaire processen naar parallelle iteratie

Suman Chittimuri is Senior VP Productmanagement bij Kore.ai, waar hij leiding geeft aan AI-aangedreven producten voor miljoenen gebruikers binnen bedrijfsprocessen zoals HR, IT, Inkoop en Klantbeleving.

We spraken met Suman om te begrijpen hoe AI productontwikkeling als vakgebied opnieuw vormgeeft. Hij stelde dat AI teams er niet toe aanzet bestaande werkstromen te verbeteren, maar ze volledig opnieuw te doordenken — van lineaire processen naar continue, parallelle iteratie.

AI toepassen in bedrijfsprocessen

Ik ben Senior VP Productmanagement bij Kore.ai, waar ik leiding geef aan productinitiatieven die AI toepassen in bedrijfsprocessen — van HR en IT tot Inkoop en Klantbeleving.

We ontwerpen onze producten voor grote ondernemingen en bedienen op grote schaal zowel medewerkers als eindklanten in sectoren zoals het bankwezen, de gezondheidszorg en de detailhandel, waarbij we miljoenen interacties ondersteunen. Daarnaast gebruiken we een platformgestuurd leveringsmodel, waarbij we essentiële AI-mogelijkheden als herbruikbare componenten opbouwen en in meerdere werkstromen inzetten — zodat we gebruiksscenario's sneller kunnen opschalen en tegelijkertijd consistentie en controle behouden.

In het afgelopen jaar is AI verschoven van een ondersteunende laag naar een centrale uitvoeringslaag. Die verschuiving heeft niet alleen gevolgen voor functies, maar ook voor de manier waarop we producten ontwerpen, teams opereren en hoe snel we van idee naar impact gaan.

Die verandering in onze kijk op producten heeft mijn reis naar AI-gestuurde producttransformatie gevormd.

Hoe AI werkstromen voor productontwikkeling versnelt

Dankzij AI zijn we overgestapt van een lineair productontwikkelingsmodel naar een meer continue, door AI ondersteunde werkstroom.

In het verleden verliepen verkenning, het opstellen van PRD's, ontwerp en prototyping opeenvolgend. AI doorbreekt dat model. Het ondersteunt elk van deze stappen parallel en genereert bijna gelijktijdig onderzoeksinput, conceptspecificaties en vroege prototypes.

Wat daardoor veranderde, waren de snelheid en de iteratie. Wat vroeger dagen duurde, gebeurt nu in uren, waardoor teams meer opties kunnen verkennen en sneller kunnen verfijnen. Dit betekent dat teams meer opties kunnen — en moeten — verkennen voordat ze zich vastleggen.

Dit alles vereist enkele verschuivingen:

• Van opeenvolgende overdrachten naar continue iteratie
• Van het produceren van artefacten naar het verfijnen van resultaten
• Van beperkte verkenning naar snel experimenteren

De bottleneck is niet langer het bouwen — het gaat nu om beslissen wat we moeten bouwen en dit effectief valideren. We hebben de validatielagen moeten versterken en menselijk oordeel doelbewuster moeten toepassen.

Waarom AI productbeslissingen informeert — maar mensen de eindbeslissing nemen

We vertrouwen sterk op AI om activiteiten in de voorbereidende en uitvoeringsgerichte fasen te informeren en te versnellen:

• Ondersteuning bij verkenning (secundair onderzoek, concurrentieanalyse)
• Probleemdefinitie en eerste verkenning van oplossingen
• Het opstellen van PRD's en input voor de routekaart
• UX-concepten en vroege prototyping
• Het ontwerpen van experimenten en het verkennen van technische afwegingen

Dit zijn gebieden waarop snelheid, breedte en iteratie belangrijk zijn. AI presteert hier goed.

Menselijke betrokkenheid blijft expliciet bij besluitvorming en gebieden waarin context zwaar weegt:

• Primair onderzoek en diepgaand klantbegrip
• Definitieve prioritering en toezeggingen voor de roadmap
• UX-verfijning en consistentie in het ontwerp
• Het interpreteren van experimentele resultaten
• Afwegingen maken tussen bedrijfsbelangen, technologie en belanghebbenden

De reden is eenvoudig: AI is sterk in het genereren van opties en patronen, maar minder sterk in oordeelsvorming, context en verantwoordelijkheid.

In mijn ervaring versnelt AI het ‘hoe’ en ‘wat er mogelijk is’, terwijl mijn team en ik verantwoordelijk zijn voor het ‘wat ertoe doet’ en het ‘waar we ons aan verbinden’.

Hoe AI de productsnelheid verhoogt, maar de kwaliteit onder druk zet

Over het algemeen heb ik duidelijke verbeteringen gezien in snelheid en doorvoer bij productactiviteiten:

• Het maken van PRD's teruggebracht van ~1 dag naar ~2–3 uur
• Vroege prototyping teruggebracht van ~2 dagen naar ~4–6 uur
• Onderzoek naar concurrenten en de markt teruggebracht van ~5–6 uur naar ~1–2 uur
• Data-analysecycli met ~60–70% verkort

Hierdoor kunnen teams binnen dezelfde tijdlijnen meer opties onderzoeken en sneller itereren.

Daar staat tegenover dat kwaliteit en consistentie wisselend zijn:

• AI-uitvoer vereist vaak aanzienlijke validatie en nabewerking.
• Teams hebben de neiging om aanvankelijke resultaten te veel te vertrouwen, wat leidt tot oppervlakkig denken.
• De UX-consistentie lijdt eronder wanneer AI prototypes genereert zonder sterk ontwerptoezicht.
• In sommige domeinen bereikt de nauwkeurigheid een plafond (bijv. 80–85% bij gestructureerde extractie), waardoor het gebruik bij beslissingen met grote gevolgen wordt beperkt.

AI verbetert de efficiëntie aanzienlijk, maar de resultaten blijven sterk afhangen van hoe grondig teams controleren en verfijnen wat het produceert.

Suman deelt

AI verbetert niet alleen workflows — het dwingt je om ze opnieuw te doordenken…AI verbetert de efficiëntie aanzienlijk, maar de resultaten blijven sterk afhangen van hoe grondig teams controleren en verfijnen wat het produceert.

Waarom AI vraagt om een nieuwe kijk op productworkflows

Dit is wat productleiders moeten weten: AI verbetert workflows niet alleen — het dwingt je om ze opnieuw te doordenken.

De meeste teams beginnen met het toevoegen van AI aan bestaande processen, waarbij ze copilots, assistenten of automatisering toevoegen aan vooraf gedefinieerde stappen. Dat leidt meestal tot incrementele verbeteringen in snelheid of efficiëntie, maar het kernsysteem blijft ongewijzigd.

De echte kans ontstaat wanneer je workflows opnieuw ontwerpt en ervan uitgaat dat AI vanaf het begin een kerncomponent is.

Wanneer je dat doet, verschuiven er een paar dingen:

• Werk wordt minder lineair en meer parallel — ontdekking, prototyping en validatie kunnen gelijktijdig plaatsvinden.
• De kosten voor het creëren en testen van ideeën dalen aanzienlijk, waardoor meer iteratie mogelijk wordt.
• De rol van teams verschuift van het genereren van output naar het beoordelen, verfijnen en nemen van beslissingen.
• Knelpunten verschuiven van uitvoering naar oordeelsvorming, validatie en afstemming.

Maar hiervoor moet je niet alleen processen heroverwegen, maar ook rollen, verantwoordelijkheden en de manier waarop je kwaliteit meet.

Als je het systeem niet verandert, beperk je het resultaat. Je krijgt snellere versies van dezelfde workflows — geen fundamenteel betere workflows.

Hoe AI workflows voor ontdekking en prototyping stroomlijnde

Laten we onze workflow van productontdekking tot prototyping bespreken.

We beginnen met AI-ondersteunde ontdekking, waarbij AI marktsignalen, bewegingen van concurrenten en interne gegevens samenvoegt om een eerste beeld van het probleemgebied te creëren. Menselijk geleid primair onderzoek — gesprekken met klanten en input van belanghebbenden — vormt hierop een aanvulling.

Vervolgens helpt AI bij het structureren van problemen en het verkennen van oplossingen, door meerdere benaderingen, afwegingen en eerste hypothesen te genereren.

Daarna gaan we over tot het maken van PRD's, waarbij AI de eerste versie van vereisten, gebruikersflows en uitzonderingssituaties opstelt. Productmanagers verfijnen dit met bedrijfscontext, beperkingen en prioriteiten.

Tegelijkertijd ondersteunt AI het bedenken van UX-concepten en vroege prototyping, waarbij wireframes of gebruikersstromen worden gegenereerd voor snelle beoordeling en iteratie.

Tot slot doorlopen we vóór het bouwen een validatielus:

• PM, design en engineering beoordelen de resultaten.
• We identificeren hiaten, inconsistenties en risico's.
• We gebruiken AI opnieuw om op basis van feedback verbeteringen aan te brengen.

Wat vroeger een sequentieel proces was, gebeurt nu in een korte lus, waarbij meerdere werkdagen vaak worden teruggebracht tot enkele uren.

Waarom AI-productwerkprocessen van begin tot eind nog niet volledig worden gerealiseerd

Dat gezegd hebbende, is AI nog niet in staat om een werkelijk betrouwbaar autonoom productwerkproces van begin tot eind uit te voeren.

We zien sterke vooruitgang in afzonderlijke stappen, maar een systeem dat consistent van probleem → oplossing → lancering gaat met minimale menselijke tussenkomst, bestaat nog niet.

Hiaten zijn zichtbaar op het gebied van:

• Het behouden van context tussen de verschillende stappen
• Het omgaan met uitzonderingssituaties en ambiguïteit
• Het waarborgen van consistente kwaliteit en afstemming op bedrijfsdoelen

De belofte is overtuigend, maar AI kan het werkproces vandaag de dag alleen versnellen. AI kan dit niet op betrouwbare wijze van begin tot eind beheren

Hoe AI de rollen en vaardigheden van productteams verandert

Wat productteams betreft, vallen enkele veranderingen op:

• PM's worden steeds meer “bouwers”, wat betekent dat van hen wordt verwacht dat ze nauw samenwerken met AI, snel itereren en begrijpen hoe ze dingen moeten implementeren, en niet alleen wat ze moeten bouwen.
• De rollen van design en engineering verschuiven naar een eerder moment in de cyclus en werken vanaf het begin samen, in plaats van pas aan te sluiten nadat de vereisten zijn vastgesteld.
• Het eigenaarschap over kwaliteit is meer verdeeld. Iedereen is verantwoordelijk voor het valideren van AI-resultaten, niet alleen binnen het eigen vakgebied.

We zien ook behoefte aan nieuwe vaardigheden:

• Een sterkere mentaliteit gericht op evaluatie en testen
• Het vermogen om met ambiguïteit en niet-deterministische systemen te werken
• Gemak met snelle iteratie en experimenten

Waarom leiders op hun hoede moeten zijn voor het valse vertrouwen van AI

Leiders onderschatten een groot risico: vals vertrouwen in AI-resultaten.

AI produceert vaak vloeiende, goed gestructureerde antwoorden die correct aanvoelen — zelfs wanneer ze onvolledig of onjuist zijn. Teams hebben de neiging resultaten te vertrouwen zonder voldoende validatie.

Op kleine schaal leidt dit tot kleine fouten. Op grote schaal kan het ertoe leiden dat systematische vergissingen zich door werkprocessen verspreiden — in productbeslissingen, klantinteracties of operationele processen.

Suman deelt

Leiders onderschatten een groot risico: vals vertrouwen in AI-resultaten…Teams hebben de neiging resultaten te vertrouwen zonder voldoende validatie.

Waarom Claude de waardevolste tool voor productmanagement is

Als ik slechts één AI-tool mocht behouden, zou dat een veelzijdige AI-werkruimte zijn - Claude en Claude Work.

Niet omdat deze perfect is, maar omdat hij het veelzijdigst inzetbaar is gedurende de volledige productlevenscyclus — van productverkenning, probleemdefinitie en het opstellen van PRD's tot input voor prototyping en zelfs technische verkenning.

De waarde zit niet alleen in de tool zelf, maar ook in hoe gemakkelijk deze in verschillende workflows past zonder uitgebreide configuratie of integratie.

Gespecialiseerde tools zijn nuttig, maar ze zijn meestal gericht op specifieke stappen. Een AI-werkruimte voor algemene doeleinden fungeert als een denk- en uitvoeringslaag die op meerdere fasen kan worden toegepast.

Waarom evaluatie en beoordelingsvermogen belangrijk zijn voor productleiders

Dit had ik graag geweten voordat ik met AI begon:

1. Ontwikkeling op basis van evaluatie is cruciaal: Je hebt duidelijke manieren nodig om de kwaliteit van vroege resultaten te meten. Zonder dit is het moeilijk om AI-systemen te vertrouwen of op te schalen.
2. Experimenteren is niet optioneel: AI-systemen zijn niet-deterministisch. Je bereikt niet in één poging een goed resultaat; je werkt iteratief aan meerdere versies.

Dat is dus mijn advies. Begin met sterke evaluatiekaders. Als ik dat had gedaan, hadden we herwerk en onterecht vertrouwen in vroege resultaten voorkomen.

Begrijp ook dit: Sterk productdenken wordt niet langer voornamelijk gedreven door diepgaande domeinkennis.

In het verleden bouwden PM's in de loop der tijd diepgaande expertise op en vertrouwden ze daarop. AI maakt nu een groot deel van die basiskennis — marktcontext, inzichten in concurrenten en zelfs analyses op het eerste niveau — gemakkelijk toegankelijk.

Wat nu belangrijker is, is niet alleen wat je weet, maar ook hoe je vragen stelt, informatie synthetiseert en beoordelingsvermogen toepast. Diepgang blijft belangrijk, maar is niet langer de enige onderscheidende factor.

Blijf op de hoogte

Je kunt je abonneren op de nieuwsbrief AI Fluency van Suman Chittimuri op LinkedIn en op zijn productnieuwsbrief op Substack. Volg hem ook op LinkedIn.

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