CPO en AI-native oprichter deelt hoe je intelligent een roadmap met AI beheert

Tara Sakhuja is de CPO van Luv or Pop en de oprichter van een AI-native bedrijf genaamd Data Dumpling. Voor deze functies werkte ze in product bij bedrijven als Meta en Bumble.

We gingen met Tara in gesprek om te ontdekken hoe ze haar PM-workflows met AI verandert. Onderweg deelde ze een van de grootste valkuilen voor mensen die AI-producten bouwen.

Intelligente producten, intelligent gebouwd

Ik ben Tara Sakhuja. Ik werk op het snijvlak van AI, productstrategie en menselijk gedrag.

Ik ben de oprichter en CEO van Data Dumpling, een AI-platform dat bedrijven helpt te begrijpen wie hun klanten zijn, welke signalen ertoe doen en waarop hun teams zich moeten richten. Daarnaast ben ik Chief Product Officer bij Luv or Pop, waar we daten en online communities opnieuw vormgeven via een van de meest virale shows ter wereld: Pop the Balloon or Find Love with Arlette Amuli.

Daarvoor bouwde ik tien jaar lang producten bij Meta en later bij Bumble, waar ik werkte aan advertenties, commerce, zakelijke messaging, integriteit, vertrouwen en machineleersystemen.

Een enkele vraag verbindt al deze ervaringen: Hoe bouw je systemen die mensen helpen betere beslissingen te nemen?

Bij Meta bouwde ik systemen die op de schaal van miljarden gebruikers functioneerden. Bij Bumble richtte ik me op veiligheid, vertrouwen en de manier waarop AI diep menselijke ervaringen beïnvloedt. Nu bouw ik als oprichter AI-native producten vanuit de eerste principes.

We staan aan het begin van een van de grootste verschuivingen in productontwikkeling sinds de opkomst van mobiel. De grootste verandering is niet dat producten intelligent worden. Het is dat de manier waarop we producten bouwen óók intelligent moet worden.

De volgende generatie producten

Data Dumpling is AI-native. Het verbindt bedrijfsinformatie, inkoopcommissies, relatiesignalen en realtime-intentie, en helpt teams hun kansen met de hoogste waarde te identificeren en te begrijpen welke actie ze vervolgens moeten ondernemen. We werken samen met bedrijven in de technologiesector, consultancy en industriële sectoren, en helpen omzetteams de overstap te maken van statische lijsten en handmatig onderzoek naar AI-gestuurde beslissingssystemen.

Bij Luv or Pop leid ik de productstrategie voor een sociaal consumentenplatform dat daten opnieuw uitvindt met vertrouwen, identiteit en community. We zijn opgeschaald naar tienduizenden gebruikers in de VS, het VK, Canada en delen van Afrika, en bouwen systemen voor verificatie, matching en authentieke menselijke verbinding.

Hoewel de producten sterk van elkaar verschillen, is de onderliggende productfilosofie hetzelfde: De volgende generatie producten helpt mensen niet alleen om meer werk te verzetten. Ze helpen mensen betere beslissingen te nemen.

Of het nu gaat om een GTM-team helpen zijn volgende klant te vinden of om iemand helpen een betekenisvolle relatie te vinden: de uitdaging is technologie ontwerpen die het menselijk beoordelingsvermogen versterkt.

Hoe AI kleinere teams in staat stelt productdiscipline te bereiken

Een van de grootste veranderingen voor mij is de manier waarop AI de operationele hefboomwerking van kleine productteams heeft vergroot.

Toen ik bij Meta werkte, beschikten we over uitgebreide infrastructuur voor besluitvorming. Toegewijde teams, volwassen experimenteerplatforms, dashboards, datawetenschappers, onderzoekers en analisten hielpen productteams om gebruikersgedrag te begrijpen en betere beslissingen te nemen.

Historisch gezien konden alleen bedrijven met honderden of duizenden medewerkers dat niveau van productdiscipline bereiken. AI brengt daar verandering in.

Ook met mijn kleinere teams gebruiken we AI intensief om gebruikersinteracties te begrijpen en onze volgende aandachtsgebieden te bepalen.

We koppelen onze productgegevens aan Claude en gebruiken tools zoals Mixpanel om gebruikersgedrag te begrijpen. Voorheen zou een klein team veel tijd besteden aan het bouwen van dashboards, het schrijven van query's en het handmatig analyseren van patronen voordat het productvraagstuk werd aangepakt. Nu kunnen we met onze gegevens in gesprek gaan.

Wanneer we een nieuwe functie lanceren of een campagne uitvoeren, kunnen we dus snel begrijpen:

• Op welke gebruikerssegmenten wordt gereageerd?
• Waar haken mensen af?
• Welk gedrag correleert met retentie?
• Wat moeten we hierna testen?

Dat betekent niet dat AI de beslissing voor ons neemt. Het verandert waar we onze tijd aan besteden.

De rol van mensen verschuift van het ophalen van gegevens naar het stellen van betere vragen.

Een model kan veranderingen in meetwaarden identificeren, de verandering segmenteren en mogelijke verklaringen aandragen, maar uiteindelijk kan menselijk productinzicht je daadwerkelijk vertellen welke hypothesen geloofwaardig zijn, of de verandering ertoe doet en wat je vervolgens moet doen.

Hoe snelle prototypering het gesprek verandert

AI verkleint de afstand tussen een idee en echte feedback van klanten.

We gebruiken AI intensief tijdens de vroege productontwikkeling. In plaats van te beginnen met een geschreven conceptdocument, coderen we nu snel prototypes en interactieve ervaringen met behulp van creatieve AI-codering, zodat het team het product kan ervaren voordat we ontwikkelingsmiddelen inzetten.

Dat heeft de kwaliteit van de gesprekken die we intern en extern voeren veranderd.

Een productidee kan in een document geweldig klinken, maar zodra iemand ermee in aanraking komt, merk je dingen op die je anders zou missen: frictie voor de gebruiker, emotionele reacties, verwarrende flows of aannames die geen stand houden.

We onderwerpen prototypes grondig aan stresstests, verzamelen feedback, itereren en gaan pas daarna over tot volledige ontwikkeling.

En dit is vooral belangrijk omdat AI het ook gemakkelijker maakt om indrukwekkende dingen te bouwen die geen betekenisvolle problemen oplossen. Bij Data Dumpling hebben we bijvoorbeeld geëxperimenteerd met synthetische klantpersona's, omdat we over uitgebreide informatie beschikten over bedrijven, kopers en besluitvormers. We konden simuleren hoe verschillende persona's zouden kunnen reageren op boodschappen of campagnes. Technisch gezien was het een van de interessantste dingen die we hebben gebouwd. Maar onze klanten hadden het niet nodig.

Tara's gedachten

We onderwerpen prototypes grondig aan stresstests, verzamelen feedback, itereren en gaan pas daarna over tot volledige ontwikkeling. En dit is vooral belangrijk omdat AI het ook gemakkelijker maakt om indrukwekkende dingen te bouwen die geen betekenisvolle problemen oplossen.

Hoe AI klantontdekking en routekaarten beïnvloedt

Historisch gezien was klantontdekking onderhevig aan informatieverlies. Een productmanager maakte aantekeningen, vatte gesprekken samen, identificeerde thema's en vertaalde die inzichten naar beslissingen over de routekaart. Veel hing af van wat iemand zich herinnerde of had vastgelegd.

Ik heb die werkstroom met AI opnieuw opgebouwd. Read AI legt elk gesprek met klanten en potentiële klanten vast, en Claude synthetiseert ze. We hebben aangepaste vaardigheden gebouwd die deze gesprekken rechtstreeks aan onze routekaart koppelen, zodat we kunnen begrijpen welke problemen herhaaldelijk naar voren komen, welke klantsegmenten daar belang aan hechten en hoe die verzoeken verband houden met omzetkansen.

Op elk moment kunnen we niet alleen begrijpen hoeveel klanten om een functie hebben gevraagd, maar ook hoe belangrijk het probleem is, wie ermee te maken heeft en of het oplossen ervan het bedrijf vooruithelpt.

Het resultaat is dat productbeslissingen steunen op een voortdurend bijgewerkt systeem voor klantinzichten, in plaats van op een verzameling statische aantekeningen en afzonderlijke gesprekken.

Waarom productmanagers voorzichtig moeten zijn met bouwen op basis van wat basismodellen niet kunnen

Als je AI-producten bouwt, moet je begrijpen hoe snel basismodellen verbeteren. Nog maar vorig jaar draaide een van de eerste AI-mogelijkheden die we bij Data Dumpling bouwden om contentgeneratie. Destijds voelde het genereren van zeer contextgerichte benaderingen met behulp van bedrijfsinformatie als een echt concurrentievoordeel.

Aan het einde van het jaar waren modellen aanzienlijk beter geworden in het begrijpen van afbeeldingen, links en lange contexten, en in het direct genereren van hoogwaardige content. Iets wat aanvankelijk onderscheidend voelde, werd opmerkelijk snel een basisvereiste.

Ik denk dat het gevaarlijk is om producten te bouwen waarvan de belangrijkste waarde berust op wat het model vandaag de dag niet kan. In plaats daarvan richten we ons op het bouwen rond klantworkflows, bedrijfseigen data en systemen die in de loop der tijd waardevoller worden.

Waarom productleiders moeten experimenteren, maar besluitvaardig moeten zijn

Mijn advies is eenvoudig: wees nieuwsgierig, maar besluitvaardig.

Bijna elke week verschijnen er nieuwe modellen, tools en mogelijkheden. Niemand heeft alle antwoorden, dus de teams die het snelst leren, zijn bereid te experimenteren.

Begin met een langzaam, repetitief of frustrerend onderdeel van je productontwikkelingsproces. Probeer verschillende AI-tools. Kijk wat het werk van je team daadwerkelijk verbetert. Meet de impact, behoud wat werkt en wees niet bang om op te geven wat niet werkt.

Tegelijkertijd bestaat momenteel de verleiding om alles opnieuw op te bouwen omdat AI bestaat. Dat is niet de juiste aanpak.

Als een proces al goed werkt, hoort AI daar niet noodzakelijkerwijs thuis. AI moet echte problemen oplossen, geen nieuwe creëren.

Ook moet niet elke beslissing worden geautomatiseerd. Bij Data Dumpling automatiseert AI weliswaar een groot deel van het vinden van leads, het in kaart brengen van inkoopcommissies en het analyseren van intentiesignalen, maar we bouwen onze volledige workflow rond een mens die betrokken blijft. AI is uitzonderlijk goed in het zichtbaar maken van kansen, het verbinden van signalen en het prioriteren van waar de aandacht op moet worden gericht. Maar een persoon neemt nog steeds de uiteindelijke beslissing, of het nu gaat om het benaderen van een account, het wijzigen van een strategie of het bepalen hoe op een complex aankoopsignaal moet worden gereageerd.

Dat is een bewuste ontwerpkeuze. Het doel is niet om menselijk beoordelingsvermogen te vervangen. Het doel is om mensen betere context te geven, zodat ze betere beslissingen kunnen nemen.

Uiteindelijk komt succes in het AI-tijdperk niet voort uit het gebruik van de meeste tools. Het komt voort uit weten waar AI voor hefboomeffect zorgt en waar menselijk beoordelingsvermogen nog steeds van belang is.

Blijf op de hoogte

Je kunt het werk van Tara Sakhuja volgen op LinkedIn en Instagram. Bekijk ook Data Dumpling en Luv or Pop.

Er volgen meer interviews met experts op The CPO Club!