De VP Productdesign zegt dat product, ontwerp en techniek een gedeelde AI-basisstructuur moeten hebben om effectief samen te werken

Andy Vitale is VP van zowel Productontwerp als het AI Center of Excellence bij Taxwell.

We spraken met Andy over hoe ontwerp, product en techniek effectief kunnen samenwerken met AI. Dit is wat hij ons vertelde.

Waar ontwerp, technologie en organisatie samenkomen

Ik ben Andy Vitale, een ontwerpmanager die het afgelopen decennium AI-gebaseerde producten heeft ontwikkeld en uitgebracht. Tegenwoordig geef ik leiding aan Ontwerp en het AI Center of Excellence bij Taxwell, waar we softwareproducten bouwen die elk jaar tientallen miljoenen belastingaangiften ondersteunen voor meer dan 90.000 belastingprofessionals en 3 miljoen doe-het-zelfaangevers.

Het werk varieert van consumentenproducten die onder echte financiële druk eenvoudig moeten aanvoelen, tot professionele tools waarbij diepgang en betrouwbaarheid belangrijker zijn dan begeleiding. Mijn organisatie omvat consumentenbelasting, professionele belasting, het gedeelde platform eronder en nieuwere productgebieden die we nog vormgeven. Het team is rond die domeinen georganiseerd en we schakelen over naar een AI-ondersteund leveringsmodel, zodat ontwerp nauwer met het product samenwerkt in plaats van het product alleen maar over te dragen.

Mijn AI-reis begon in 2015 met natuurlijke taalverwerking in de gezondheidszorg bij 3M. Dit was mijn eerste echte kennismaking met het ontwerpen van producten rond machinale intelligentie, en niet alleen rond interfaces. Vervolgens gaf ik leiding aan ontwerp bij Rocket, waar ik zag hoe technologie zich door een grote organisatie beweegt. Later, als directeur ontwerp bij Constant Contact, zag ik hoe generatieve AI begon te veranderen wat producten konden doen. Nu zorg ik er bij Taxwell voor dat onze producten slimmer worden en onze teams beter in staat zijn om vloeiend met AI te bouwen.

Ik ben altijd aangetrokken geweest tot de raakvlakken — waar ontwerp, technologie en de organisatie samenkomen. AI heeft die raakvlakken tot het belangrijkste onderdeel van het werk gemaakt. Dit moment voelt als iets waar mijn hele loopbaan me op heeft voorbereid.

Een gedeelde AI-basis bouwen voor verschillende disciplines

We zijn gestopt met AI te behandelen als een functie die we moesten toevoegen en zijn het gaan behandelen als infrastructuur die we moesten bouwen. Het afgelopen jaar hebben ontwerp, product en techniek samengewerkt aan een basis waarmee het team sneller kan werken zonder onzorgvuldiger te werk te gaan.

Dat betekent gedeelde ondersteunende structuren en hulpmiddelen om met modellen te werken, plus AI-ondersteunde stappen van concept tot validatie. We hoeven niet te wachten met het vaststellen van een manier om een idee aan AI te toetsen.

Het tweede onderdeel van die verandering is dat het team nu met dezelfde materialen en tools bouwt, in plaats van op de ene plek te ontwerpen en het werk elders opnieuw te laten opbouwen. Daardoor verdwijnen de raakvlakken waar werk normaal gesproken verloren gaat of vervormd raakt. Wanneer een ontwerper werkt in dezelfde omgeving waarin het product wordt gemaakt, gaat het gesprek niet langer over specificaties en overdrachten, maar over het product zelf.

Het resultaat is tegelijkertijd snelheid en nauwkeurigheid, die elkaar doorgaans uitsluiten. Dankzij de gedeelde basis kunnen we sneller werken, omdat de moeilijke onderdelen al zijn gebouwd en herbruikbaar zijn. Werken met dezelfde tools betekent minder vertaalfouten, omdat er minder vertaald hoeft te worden. Het team besteedt zijn tijd aan oordeelsvorming in plaats van aan het opnieuw opbouwen van elkaars werk.

Het resultaat was een reeks lanceringen van nul naar één. Een klein team kan nu een idee helemaal zelfstandig uitvoeren en in enkele weken van concept naar werkende software gaan, in plaats van via cycli van planning en overdrachten.

Een AI-ondersteund werkproces van concept naar software

Ik neem jullie mee door ons proces om een idee van concept naar werkende software te brengen, omdat AI dit werkproces voor ons het meest heeft veranderd.

Het begint met ontdekking, en AI is vanaf de eerste minuut betrokken. Voordat iemand iets ontwerpt, gebruiken we AI om bestaande kennis over het probleem te verzamelen, evenals patronen uit onderzoeks- en supportgegevens, eerdere pogingen en relevante belastingscenario's. In plaats van met een lege pagina te beginnen, start het team met een gesynthetiseerd standpunt waarop het kan reageren en dat het kritisch kan toetsen.

Terwijl we het idee vormgeven, gebruiken we synthetische gebruikers voor ideevorming. Deze gebruikers zijn gebaseerd op ons gedragsmatig onderzoek en stellen ons in staat te verkennen hoe verschillende soorten aangevers op een aanpak zouden kunnen reageren voordat we ons eraan verbinden. Ze zijn een hulpmiddel voor ideevorming dat de richtingen die we overwegen verbreedt en ons helpt zwakke plekken in ons denken vroegtijdig te vinden; ze zijn geen vervanging voor echte gebruikers in een later stadium.

Vervolgens gaan we over tot het bouwen, waar de oude overdracht plaatsvond. Zoals ik al zei, werken we het concept rechtstreeks uit in gedeelde materialen en tools, in dezelfde omgeving waarin we het product bouwen, in plaats van op de ene plek te ontwerpen en een specificatie te schrijven die iemand anders opnieuw moet opbouwen. Een ontwerper kan snel een echt, werkend prototype maken, en niet alleen een afbeelding ervan. Dit is belangrijk, omdat we nu redeneren over het daadwerkelijke gedrag van het product en niet over een weergave daarvan.

Vervolgens valideren we met echte feedback. We gebruiken AI om testrondes te modereren, waardoor we veel meer sessies en consistenter kunnen uitvoeren dan met een door mensen gemodereerde planning mogelijk zou zijn. Goedkope, snelle feedback komt vroeg en wordt rechtstreeks verwerkt in hetzelfde werkproduct, niet in een nieuwe specificatieronde. Omdat ontwerp, prototype en bouw allemaal dezelfde hulpmiddelen gebruiken, is de stap van "we hebben iets geleerd" naar "het product weerspiegelt dit nu" kort. Het gesprek richt zich op het product zelf in plaats van op het vertalen tussen documenten.

Gedurende het hele proces blijft een persoon verantwoordelijk voor de output. AI verbreedt de input en versnelt het proces, maar wij blijven oordelen over wat correct, compliant en echt goed is voor iemand die onder grote stress aangifte doet. In een gereguleerd domein is dat precies waar de verantwoordelijkheid hoort te liggen.

Als gevolg daarvan kan een klein team een idee in enkele weken van een ruw concept naar werkende software brengen, waarbij de vertaalverliezen en wachttijd die voorheen tussen de fasen optraden, worden geëlimineerd.

Waarom AI verantwoordelijk is voor de weg naar een beslissing, maar niet voor de beslissing zelf

We vertrouwen het meest op AI tijdens de verkennende werkfasen, waarin de kosten van een fout laag zijn en de waarde van snel handelen groot is.

Tijdens de ontdekfase helpt AI ons om snel goed geïnformeerd te raken. Het brengt bestaande kennis samen, identificeert patronen in onderzoeks- en supportgegevens en biedt een voorsprong bij het begrijpen van een probleem, in plaats van helemaal opnieuw te beginnen.

Tijdens experimenten en prototyping stelt AI ons in staat om in een fractie van de tijd van een idee naar iets testbaars te gaan. We kunnen een werkend prototype maken en AI gebruiken om een deel van het gebruikersonderzoek te modereren, waardoor we meer sessies en consistenter kunnen uitvoeren dan met een door mensen gemodereerde planning ooit mogelijk zou zijn.

Voor UX-beslissingen biedt AI een snelle tweede mening. Het helpt ons gebruikersstromen aan een stresstest te onderwerpen, gedragsgegevens te beoordelen en vast te stellen waar gebruikers mogelijk aarzelen of afhaken. Het verbreedt de input waarmee een ontwerper werkt.

Maar de beslissing zelf blijft menselijk, en dat is bewust zo. AI is uitstekend in ons vertellen wat er gebeurt en wat doorgaans werkt. Het beslist niet welke ervaring we leveren aan de persoon aan de andere kant van het scherm. Prioritering en oordelen over de vraag of een ervaring goed, eerlijk en respectvol is voor iemand die onder grote stress belastingaangifte doet, blijven bij ons.

Ik zie het zo: AI breidt de input uit en versnelt de weg naar een beslissing. Het neemt geen beslissingen waarvoor smaak, verantwoordelijkheid of zorg voor de persoon voor wie we ontwerpen nodig zijn.

Andy deelt

We vertrouwen het meest op AI tijdens de verkennende werkfasen, waarin de kosten van een fout laag zijn en de waarde van snel handelen groot is. Ik zie het zo: AI breidt de input uit en versnelt de weg naar een beslissing. Het neemt geen beslissingen waarvoor smaak, verantwoordelijkheid of zorg voor de persoon voor wie we ontwerpen nodig zijn.

Hoe de voordelen van AI ook zwakke punten blootleggen

Het duidelijkste positieve resultaat is snelheid. We hebben in één belastingseizoen een reeks producten en functies van nul naar één gebracht die voorheen veel langer nodig zouden hebben gehad om van de grond te komen, waaronder een aangepaste Claude-connector die we in dagen, in plaats van maanden, hebben opgezet. Door AI gemodereerde tests stelden ons in staat veel meer rondes uit te voeren en die consistenter uit te voeren dan met alleen menselijke moderatoren mogelijk was. Daardoor konden we eerder beslissingen nemen op basis van meer bewijs.

Maar snel bewegen legde elke zwakke plek in ons proces bloot. Zonder de juiste waarborgen leidde snelheid tot herwerk en het tempo vroeg veel van het team. AI versnelde onze sterke punten en maakte onze tekortkomingen duidelijker.

De belangrijkste uitkomst, waarvan ik wil dat andere leiders die horen, is dat teams die goed presteerden vanaf het begin over gezonde fundamenten beschikten. AI is een versneller. Het beloont goede processen en legt tekortkomingen bloot; daarom is het nu belangrijker, niet minder belangrijk, om die fundamenten op te bouwen.

Waarom AI moeite heeft met complexe productsituaties

AI heeft het duidelijkst onder de verwachtingen gepresteerd in het rommelige middenstuk van het werk: het deel tussen een veelbelovend prototype en iets wat je vol vertrouwen kunt uitbrengen.

AI blinkt er echt in uit om je snel naar een eerste versie te brengen. Het voltooit het laatste stuk niet. Hoe verder je afwijkt van een helder, goed gedefinieerd probleem, hoe meer werk weer bij mensen terechtkomt. Randgevallen, complexe belastinggevallen die afwijken van de gebruikelijke route en oordelen over wat correct en conform de regelgeving is, vereisen nog steeds dezelfde menselijke inspanning als altijd.

Dat is de werkelijke beperking. Je bent maar zo snel als het langzaamste onderdeel van je proces. De vroege versnelling is reëel, maar levert niet de verwachte cumulatieve winst op, omdat de rest van het systeem niet in hetzelfde tempo verandert.

Waarom AI het beste werkt als denkpartner

In mijn ervaring levert AI het meeste op wanneer je het behandelt als een denkpartner, niet als een antwoordmachine.

In een domein als het onze zijn nauwkeurigheid en verantwoordelijkheid geen optionele zaken. De waarde zit dus niet in het genereren van een antwoord en vervolgens doorgaan. De waarde zit in AI gebruiken om sneller tot een grondiger overwogen antwoord te komen.

Wanneer onze teams het gebruiken om opties te verkennen, hun denkwijze kritisch te toetsen en sneller door onderdelen te gaan die ze al begrijpen, werkt het als een echte vermenigvuldigingsfactor.

Andy deelt

In een domein als het onze zijn nauwkeurigheid en verantwoordelijkheid geen optionele zaken. De waarde zit dus niet in het genereren van een antwoord en vervolgens doorgaan. De waarde zit in AI gebruiken om sneller tot een grondiger overwogen antwoord te komen.

Waarom productleiders moeten sturen op de manier waarop gebruikers een AI-product ontvangen

Het moeilijkste aan de lancering van AI is niet de technologie; het is de manier waarop mensen die ontvangen.

Mijn eerste AI-product, in 2015, betrof automatisch voorgestelde medische codering in de gezondheidszorg. Het systeem las klinische documentatie en stelde de juiste codes voor, een taak die professionele medisch codeurs altijd met de hand hadden uitgevoerd. Ik richtte me op de vraag of de suggesties accuraat zouden zijn. Ik onderschatte de vraag die de codeurs zichzelf stilletjes stelden: Komt dit hier om mij te vervangen?

Die angst bepaalt alles, of je die nu adresseert of niet. Ze uit zich in weerstand, in stille niet-acceptatie en in mensen die er technisch gezien in meegaan terwijl ze hopen dat het mislukt. En die angst was volkomen redelijk.

We plaatsten een hulpmiddel voor mensen dat een versie van hun werk uitvoerde zonder eerst te benoemen wat dit voor hen betekende. Daarom vulden ze die stilte in met het slechtst denkbare scenario. Ik leerde dat je die angst niet kunt wegnemen met meer functies. Geen enkele mate van nauwkeurigheid beantwoordt de vraag die ze stellen.

Die les heb ik meegenomen naar elk AI-product sindsdien. Je introduceert de verandering en de betekenis van die verandering tegelijkertijd. De technologische vraag is de eenvoudige. De menselijke vraag bepaalt of deze dingen slagen of mislukken.

Waarom ontwerpsystemen grondig moeten worden vernieuwd

Als je ontwerpsysteem alleen in een ontwerpbestand bestaat, wijkt elke AI-generatie binnen het bedrijf enigszins af van de huisstijl en moet iemand dat later herstellen. Dit herstelwerk is de nieuwe belasting die teams stilletjes betalen omdat ze hier niet op vooruitlopen.

Herontwerp het ontwerpsysteem daarom zo dat het niet langer wordt behandeld als een referentiedocument, maar als een artefact tijdens de uitvoering — iets wat zich binnen de daadwerkelijke hulpmiddelen bevindt die het werk genereren.

Dit betekent meer dan een componentenbibliotheek. Het betekent dat je ontwerptokens en componenten zo verpakt dat hulpmiddelen en teams ze rechtstreeks in code kunnen opnemen, ze als direct bruikbare pakketten kunnen verspreiden en ze kunnen koppelen aan bijbehorende vaardigheden en best practices — de regels en context die een AI-hulpmiddel nodig heeft om het systeem correct te gebruiken. Wanneer standaarden, componenten en kennis allemaal beschikbaar zijn op de plek waar het werk gebeurt, is het merk vanaf de eerste prompt zichtbaar in plaats van dat het aan het einde wordt toegevoegd.

Wanneer je het goed doet, zijn je ontwerpstandaarden verwerkt in alles wat het bedrijf oplevert, ongeacht wie het heeft geproduceerd of welke tool die persoon heeft gebruikt. Het systeem is dan niet langer iets waar mensen achteraf naar verwijzen, maar stuurt stilletjes de kwaliteit op schaal.

Waarom CPO's het werk zelf moeten doen

Mijn advies is eenvoudig. Spring erin. Doe het werk nu zelf, met je eigen handen.

Veel leiders geven AI instinctief aan hun teams, wachten tot de beste praktijken zich ontwikkelen en bepalen vervolgens hun koers op basis van wat ze leren. Dat werkte bij eerdere veranderingen. Voor deze verandering werkt het niet. Het gaat te snel en de kloof tussen degenen die de tools gebruiken en degenen die erover praten, wordt elke week groter. Als je tools voorschrijft die je zelf nooit hebt geopend, merkt iedereen in de ruimte dat.

Ik besteed een groot deel van mijn week aan het praktisch werken met deze tools, deels omdat ik het werk oprecht leuk vind, maar vooral omdat ik geloof dat je een team niet geloofwaardig door een verandering kunt leiden als je die alleen observeert. Door ermee te bouwen, leer je wat echt is en wat hype is. Je verdient het recht om de koers te bepalen en veel betere beslissingen te nemen over waar AI wel en niet past.

Behandel dit dus niet langer als iets dat je moet delegeren en van een afstand moet bestuderen. Besteed echt tijd aan het werk. Lever iets kleins op. Ervaar waar het helpt en waar het misgaat. De leiders die voorop komen te lopen, zijn degenen die zich in dit moment verdiepen, niet degenen die wachten tot het voorbij is.

Volg mee

Je kunt het werk van Andy Vitale volgen op andyvitale.com en op LinkedIn.

Er komen meer expertinterviews aan bij The CPO Club!