Productverantwoordelijke en mede-CEO deelt waarom AI-producten bouwen een heel ander vak is

Andrei Rebrov bouwt al zijn hele leven aan producten en is co-CEO van Finsi, waar hij AI in elke laag van de productstrategie integreert — zowel voor het team als voor hun klanten.

We vroegen Andrei hoe AI zowel productmanagement als productstrategie verandert. Dit vertelde hij ons.

AI integreren in de productstrategie

Ik ben Andrei Rebrov, co-CEO van Finsi. Tijdens mijn loopbaan in productleiding heb ik me sterk gericht op het ontwikkelen van financiële technologie die mensen echt helpt.

Bij Finsi leid ik de productorganisatie achter een AI-aangedreven groeiplatform voor e-commercebedrijven. Het product is een B2B SaaS-oplossing voor DTC- en abonnementsgerichte e-commercebedrijven — van opkomende merken met minder dan $5M aan omzet tot grotere SMB's. Ons platform maakt verbinding met meer dan 50 tools, waaronder Shopify, Klaviyo, Meta Ads, Google Ads en Recharge, en brengt gegevens uit de volledige e-commerceketen samen. Daarnaast maakt het gebruik van vijf AI-agenten voor omzetinzichten, advertentieautomatisering, klantbehoud en e-mail, SEO en klantonderzoek.

Het leveringsmodel is volledig webgebaseerde SaaS en onze belangrijkste waardepropositie is het sluiten van de cirkel tussen analyse en uitvoering: we brengen niet alleen inzichten aan het licht, maar bouwen en implementeren ook de campagnes, geautomatiseerde processen en segmenten voor onze gebruikers.

In mijn werk bij Finsi loop ik voorop bij het integreren van AI in onze productstrategie — waarbij ik onderzoek hoe AI financiële dienstverlening kan stroomlijnen, gebruikerservaringen kan verbeteren en op grote schaal tot slimmere besluitvorming kan leiden.

Dit moment van AI-transformatie in productleiding voelt zowel spannend als bepalend. Ik deel graag de lessen en perspectieven die ik onderweg heb opgedaan.

Hoe AI processen voor productprioritering verandert

Productleiders moeten hun proces voor productprioritering opnieuw ontwerpen. Bijna elk team dat ik ken, bepaalt nog altijd prioriteiten aan de hand van spreadsheets, subjectieve beoordelingskaders en kwartaalrituelen voor de planning die zijn ontworpen voor trage, dure ontwikkelcycli.

AI verandert beide kanten van de vergelijking: het maakt ontwikkeling sneller (zodat je meer opties kunt valideren) en kan veel meer signalen verwerken dan een mens — gebruiksgegevens, feedback van de klantenservice, patronen in klantverloop, concurrentiesignalen en klantinterviews — om te bepalen wat belangrijk is.

We hebben ons prioriteringsproces opnieuw ingericht rond een doorlopende AI-signaallaag. We automatiseren het extraheren van taken uit Granola-transcripties, zodat we niet vergeten wat we moeten doen. En in plaats van een kwartaalgewijze roadmap-oefening houden we een actuele werkvoorraad bij waarin elk item wordt voorzien van gegevens uit meerdere bronnen — de frequentie van klantfeedback, een schatting van de omzetimpact, de urgentie vanuit concurrentieoogpunt en betrokkenheidspatronen. Onze AI presenteert wekelijks een gerangschikte weergave van deze werkvoorraad en werkt die bij wanneer de signalen veranderen.

Onze productleiders nemen nog steeds de uiteindelijke beslissingen, maar ze werken met een veel rijker en dynamischer beeld dan voorheen.

Het resultaat: we hebben de tijd tussen het identificeren van een kans en het opleveren van een oplossing ongeveer gehalveerd en we hebben veel minder oplossingen gebouwd die niemand gebruikt.

Waarom AI een solide basis voor productstrategie nodig heeft

Het is belangrijk om op te merken dat AI een gebrekkige productstrategie niet kan repareren — het versterkt alleen de strategie die je al hebt.

Als je het juiste probleem voor de juiste gebruikers oplost, helpt AI je dat sneller en op grotere schaal te doen. Maar als je fundamentele producthypothese gebrekkig is, versnelt AI je route naar de verkeerde bestemming.

Ik heb dit uit de eerste hand zien gebeuren. In de beginfase van de ontwikkeling van Finsi overwogen we AI-functies toe te voegen omdat ze indrukwekkend en technisch haalbaar waren — acties aanbevelen, klantverloop voorspellen en content genereren. Maar niets daarvan zou ertoe hebben gedaan als we niet eerst het fundamentele inzicht helder hadden begrepen: e-commercebedrijven hebben geen analyseprobleem, maar een uitvoeringskloof. Pas toen we dat hadden gevalideerd, werd AI het juiste middel.

Wanneer je met AI werkt, heb je dezelfde discipline nodig als bij goed productwerk — een grondige probleemdefinitie, diepgaande empathie voor de gebruiker en eerlijke prioritering. AI verhoogt bij al deze zaken de inzet, omdat je door de ontwikkelsnelheid het verkeerde product veel sneller dan ooit kunt bouwen en lanceren.

Hoe een Claude Code-vaardigheid onze productfocus aanscherpte

Een belangrijke verandering voor ons was de implementatie van een Claude Code-vaardigheid met de naam "Merchant Advocate" voor onze codeeragents.

Ik gaf Claude context over de missie en productfocus van Finsi, evenals een samenvatting van transcripties uit Granola. Wanneer we nu een nieuwe vereiste hebben, laten we die door deze vaardigheid lopen. Zo blijven we trouw aan onze kernmissie: software leveren die het werk voor verkopers vermindert.

Door deze eenvoudige stap in onze workflows hebben we veel potentiële functies van onze roadmap verwijderd.

Waarom Cursor cruciaal is voor snelle productprototyping

Cursor heeft de manier waarop ons engineeringteam software oplevert veranderd — niet alleen door sneller code te schrijven, maar ook door de afstand tussen productdenken en implementatie te verkleinen.

Wanneer ik een functie in natuurlijke taal kan beschrijven en binnen enkele minuten een werkend prototype kan zien, verandert dat fundamenteel de manier waarop we ideeën valideren. Het maakt de volledige lus van productontwikkeling sneller en experimenteler.

Hier is een voorbeeld. We wilden een interface voor een "wekelijkse intelligencebriefing" testen voor een van de agents van ons product. In plaats van deze in Figma uit te werken en op een sprint te wachten, beschreven we de lay-out en datastructuur in gewone taal aan Cursor. Binnen enkele uren hadden we een functioneel prototype dat met onze staginggegevens was verbonden. Diezelfde dag legden we het vervolgens voor aan drie klanten en kregen we feedback die het uiteindelijke ontwerp beïnvloedde voordat we ook maar één regel productiecode hadden geschreven.

Waarom mensen verantwoordelijk blijven voor het ingrijpende en relationele werk

We hebben de rol van AI en mensen in onze productprocessen bewust gedefinieerd.

AI ondersteunt onze gegevenssynthese, patroonherkenning, anomaliedetectie en uitvoering — bijvoorbeeld door automatisch signalen van klantverloop te detecteren, advertentiebudgetten opnieuw toe te wijzen, e-mailteksten in de stem van een merk te genereren en Klaviyo-flows te implementeren. Dit zijn frequente, data-intensieve taken waarbij AI menselijke snelheid en schaal consequent overtreft.

AI informeert ook onze prioritering door aanbevelingen te identificeren die de grootste omzetimpact hebben binnen ons klantenbestand. Zo helpt het ons te bepalen waarop we ons bij productontwikkeling moeten richten.

Mensen nemen echter expliciet beslissingen waarvoor oordeelsvermogen, ethiek en strategische context nodig zijn.

Dat betekent dat productvisie en de richting van de roadmap menselijk blijven — we moeten niet alleen begrijpen wat de gegevens zeggen, maar ook welk soort bedrijf we willen opbouwen en wat de diepere ambities van onze klanten zijn. UX-beslissingen worden door mensen geleid, omdat empathie en intuïtie met betrekking tot de gevoelens van gebruikers nog niet betrouwbaar kunnen worden geautomatiseerd. En voor elke beslissing die risico's voor het bedrijf van een klant met zich meebrengt — zoals een aanzienlijke herverdeling van advertentie-uitgaven — is menselijke goedkeuring vereist voordat deze wordt uitgevoerd.

Ons operationele uitgangspunt is: AI handelt het herhaalbare en analytische af; mensen zijn verantwoordelijk voor het ingrijpende en relationele werk.

Waarom AI moeite heeft met diepgaand klantinzicht

AI heeft het duidelijkst niet aan onze verwachtingen voldaan op het gebied van diepgaand klantinzicht. Aanvankelijk geloofden we dat AI kwalitatieve signalen — supporttickets, reviews en enquêteantwoorden — betrouwbaar kon synthetiseren en met minimale menselijke betrokkenheid kon vertalen naar bruikbare productinzichten. In de praktijk blinkt AI uit in het op grote schaal categoriseren en clusteren van feedback, maar het mist consequent de nuance in de gevoelens van klanten, vooral bij niche-e-commercebranches met specifieke culturele of operationele contexten. AI brengt vaak echte patronen aan het licht, maar voor de interpretatie daarvan is nog steeds iemand nodig die de wereld van de klant grondig begrijpt.

We hebben ook ontdekt dat door AI gegenereerde creatieve content — advertentieteksten en onderwerpregels voor e-mails — hoewel snel en nuttig als uitgangspunt, zelden de prestaties evenaart van teksten die zijn gemaakt door iemand die de merkstem en doelgroep echt kent. Het versnelt de productie, maar vervangt op dit moment nog niet het oprechte creatieve oordeel.

Tot slot verwachtten we dat AI ons interne productontdekkingsproces aanzienlijk zou verbeteren, maar het heeft de tijd die nodig is om echt nieuwe klantbehoeften te identificeren niet verkort — het helpt ons bestaande informatie te verwerken, maar de waardevolste inzichten komen nog steeds uit directe, ongestructureerde gesprekken met klanten die geen enkele AI-tool tot nu toe heeft kunnen nabootsen of vervangen.

Andrei's gedachten

AI blinkt uit in het op grote schaal categoriseren en clusteren van feedback, maar mist consequent de nuance van de gevoelens van klanten.

Hoe datakwaliteit de ontwikkeling van AI-producten beïnvloedt

Toen ik met AI begon, realiseerde ik me niet hoeveel datakwaliteit ertoe doet en hoe lang het duurt om dit goed te krijgen.

Toen we de AI-agents van Finsi bouwden, gingen we ervan uit dat verbindingen met Shopify, Klaviyo en advertentieplatforms schone, betrouwbare gegevens zouden opleveren. De werkelijkheid was veel rommeliger. Verschillende merken structureren hun gegevens op verschillende manieren, houden verschillende gebeurtenissen bij, gebruiken verschillende naamgevingsconventies en hebben hiaten en inconsistenties in hun historische gegevens. We besteedden veel meer tijd dan verwacht aan gegevensnormalisatie, deduplicatie en validatiepijplijnen voordat de AI betrouwbare aanbevelingen opleverde.

Als ik dit vooraf had geweten, zou ik eerder en zwaarder hebben geïnvesteerd in data-infrastructuur, in plaats van me te haasten om de AI-laag te bouwen boven op een instabiele basis.

Waarom gebruikersvertrouwen in overweging moet worden genomen bij AI-producten

Als ik opnieuw zou beginnen met de AI-agents van ons product, zou ik gebruikersvertrouwen anders benaderen.

In eerste instantie ontwierpen we onze AI-agents als redelijk autonoom — ze brachten aanbevelingen naar voren en maakten het eenvoudig om deze met één klik goed te keuren en uit te voeren. Gebruikers aarzelden, zelfs wanneer aanbevelingen goed waren. Ze moesten begrijpen "waarom" elke suggestie werd gedaan voordat ze zich comfortabel voelden om ernaar te handelen. Daarom hebben we na de lancering achteraf uitleg aan het product toegevoegd, maar het zou veel beter zijn geweest om vanaf dag één voor transparantie te ontwerpen.

Vertrouwen is geen functie die je later kunt toevoegen — het moet in de kernervaring worden verweven.

Waarom AI keuzes en configureerbaarheid minder belangrijk maakt voor gebruikers

AI dwong me ook om de aanname los te laten dat een goed product betekent dat je gebruikers controle en configureerbaarheid geeft.

Jarenlang was de conventionele wijsheid in B2B SaaS dat ervaren gebruikers flexibiliteit willen — meer instellingen, meer dashboards en meer manieren om hun ervaring aan te passen. We bouwden vroege versies van Finsi op basis van die aanname, waardoor operators hun eigen dashboards konden configureren, hun eigen KPI-drempelwaarden konden instellen en konden aanpassen welke statistieken ze bijhielden. Maar toen we AI gingen integreren, ontdekten we het tegenovergestelde: onze meest succesvolle gebruikers besteedden minder tijd aan configureren en meer tijd aan het uitvoeren van de aanbevelingen van de AI.

Operators die elke instelling wilden aanpassen, haalden vaak de minste waarde uit het product omdat ze de tool optimaliseerden in plaats van hun bedrijf. AI liet zien dat onze gebruikers minder cognitieve belasting en meer vertrouwen in hun volgende stap nodig hadden. Hierdoor moesten we het product aanzienlijk vereenvoudigen, een groot deel van de configureerbaarheid die we hadden ingebouwd verwijderen en sterker inzetten op eigenzinnige, door AI aangestuurde standaardinstellingen.

Het was een contra-intuïtieve les: soms is de beste productbeslissing om keuzes bij gebruikers weg te nemen in plaats van er meer toe te voegen.

Waarom echte AI-transformatie vraagt om een herziening van de waardeketen van een product

De meeste producten die "AI-aangedreven" worden genoemd, zijn geen AI-producten — het zijn functieverpakkingen met een LLM die eraan is vastgeplakt, en de markt zal daar uiteindelijk doorheen prikken.

Echte transformatie van een AI-product vereist dat de volledige waardeketen opnieuw wordt doordacht, niet dat er een GPT-aanroep wordt ingevoegd in een bestaande workflow. De bedrijven die zullen winnen, zijn niet de bedrijven die het snelst AI hebben toegevoegd; het zijn de bedrijven die AI hebben gebruikt om elke aanname over de werking van hun productcategorie ter discussie te stellen.

Waarom productleiders een klein aantal kansrijke initiatieven met grote impact moeten kiezen

Weersta twee even gevaarlijke impulsen:

1. De drang om AI overal tegelijk toe te passen
2. De drang om te wachten tot alles zekerder aanvoelt

Productleiders die succesvol zullen zijn, kiezen een klein aantal initiatieven met grote impact, gaan de diepte in en bouwen echte organisatorische AI-geletterdheid op — niet alleen vertrouwdheid met tools — rond AI. Begin met de problemen die je het meest kosten: tijd die verloren gaat aan handmatig werk, beslissingen die worden genomen zonder voldoende gegevens en functies die te lang duren om te ontwikkelen of te valideren. Gebruik AI specifiek om die problemen op te lossen.

Wees ook eerlijk tegenover je teams over wat AI voor hen verandert. Leiders die doen alsof AI functies en verantwoordelijkheden niet zal veranderen, zullen het vertrouwen verliezen; leiders die open en doordachte gesprekken voeren over hoe AI het menselijk beoordelingsvermogen aanvult, bouwen culturen op die zich kunnen aanpassen.

Optimaliseer ten slotte niet om er AI-native uit te zien — optimaliseer voor resultaten. De beste AI-productstrategie creëert meetbare waarde voor gebruikers, niet de meest indrukwekkende demo. Blijf gericht op het probleem, dan volgt het juiste gebruik van AI vanzelf.

Andrei's gedachten

Productleiders die succesvol zullen zijn, kiezen een klein aantal initiatieven met grote impact, gaan de diepte in en bouwen echte organisatorische AI-geletterdheid op.

Blijf op de hoogte

Je kunt contact opnemen met Andrei Rebrov via LinkedIn. Bekijk ook Finsi.

Er volgen meer interviews met experts op The CPO Club!