De AI Product Manager bestaat

Drie typen PM in het AI-tijdperk

Product School-oprichter Carlos Gonzalez de Villaumbrosia onderscheidt drie profielen. Allereerst de traditionele product manager die weinig tot niets doet met AI-tools; dit profiel verdwijnt snel. Ten tweede de AI-powered product manager die AI inzet als versterker van het dagelijkse werk, van user-interview-analyses tot eerste draft PRDs en prototype-validatie. En ten derde de eigenlijke AI Product Manager: iemand die producten of features bouwt* waarbij AI de kern is van het product zelf.

Dit derde profiel draagt een aanzienlijk hogere technische lat. Je hoeft geen ML-engineer te zijn, maar je moet de volledige AI-productstack begrijpen: prompting, retrieval-augmented generation, agentische architecturen en evaluatieframeworks. Diep genoeg om je team niet af te remmen.

*In dit artikel laten we buiten beschouwing hoe de daadwerkelijke bouw plaatsvindt. Dus hoe PM’s, architecten, developers, UX designers, testers en agents samenwerken om tot veilige, schaalbare en goed onderhoudbare digitale producten te komen. Hier komen we in een ander artikel op terug.

Snelheid maakt richting nog belangrijker

Er is een treffende metafoor die Ravi Mehta (voormalig productleider bij Tinder, Facebook en Tripadvisor) gebruikt om de kern van het probleem te omschrijven: “Als je langzaam rijdt, heeft de stuuruitslag nauwelijks effect. Maar als je met hoge snelheid rijdt, kan een kleine beweging je volledig van de weg doen schieten.”

Dit is precies wat AI doet met productteams. De afstand tussen idee en eerste uitwerking krimpt dramatisch. Prototypes, analyses en documentatie worden sneller geproduceerd dan ooit. Dat verlaagt de drempel om te experimenteren, wat op zichzelf waardevol is. Maar het vergroot tegelijkertijd de impact van elke directiebeslissing. Wie te snel kiest, bouwt snel de verkeerde kant op.

De kwaliteit van keuzes is dus nog belangrijker geworden. Welke problemen krijgen prioriteit? Welke richting wordt gekozen? Welke onderdelen zijn gevoelig voor risico’s? Welke informatie moet expliciet zichtbaar blijven? De AI Product Manager werkt primair in dat spanningsveld, als bewaker van de kwaliteit van het besluitvormingsproces.

Organisaties die dit begrijpen, bouwen producten met meer samenhang en minder verspilling. Dat zie je terug in adoptie, onderhoudbaarheid en schaalbaarheid.

De kloof is gedragsmatig

Een veelgehoorde aanname is dat productprofessionals vooral een technische kloof moeten dichten. Technische vaardigheid telt, maar de kloof die we keer op keer zien, is van een andere aard.

Veel productprofessionals zijn getraind en beloond om responsief te zijn: snel schakelen, output leveren, doorpakken. Ze belanden daardoor makkelijk in wat wij “solution mode” noemen. AI maakt dit patroon gevaarlijker, omdat het genereren van oplossingen bijna moeiteloos wordt. Een goed ogende analyse, een sluitend verhaal, een uitgewerkt voorstel, dat is nu allemaal binnen minuten beschikbaar.

Maar creativiteit in productwerk is juist het vermogen om een probleem opnieuw af te bakenen en weerstand te bieden aan het vroegtijdig kiezen voor de voor de hand liggende oplossing. Onderzoek bevestigt dit patroon: naarmate AI meer van het analytische werk overneemt, neemt het risico toe dat mensen minder actief nadenken over de kwaliteit en juistheid van de output. Aalto University wijst erop hoe automatiseringsafhankelijkheid leidt tot een sluipende erosie van het vermogen om outputs kritisch te beoordelen, ook bij hoogopgeleiden.

De toekomstige productprofessional heeft het vermogen nodig om in leerstand te blijven, ook wanneer oplossingen goedkoop zijn. De vraag “begrijp ik het probleem beter dan voor dit gesprek?” is een eerlijker graadmeter van effectief productwerk dan de vraag hoeveel er geproduceerd is.

Context erosie als stille bedreiging

Een belangrijk risico dat nog te weinig wordt besproken is context erosie. AI stelt je in staat om meer te genereren: meer analyses, meer documentatie, meer achtergrondinformatie. Met als onbedoeld gevolg dat mensen AI vragen om samen te vatten wat AI heeft geproduceerd. Het resultaat is toenemende compressie van betekenis: een organisatie produceert steeds meer context, terwijl ze collectief steeds minder begrijpt.

Dit is geen theoretisch gevaar. MIT-econoom Daron Acemoglu toont in recent onderzoek aan hoe AI-tools leiden tot wat hij “knowledge collapse” noemt: platforms als Stack Overflow en Wikipedia zien minder menselijke kenniscreatie naarmate mensen vaker direct bij AI terechtkomen voor antwoorden. De collectieve kennisbasis slijt, terwijl de output blijft groeien.

Voor productteams betekent dit dat het verhaal dat wordt gebruikt om besluiten te onderbouwen steeds minder bruikbaar wordt voor daadwerkelijke besluitvorming. Het lijkt samenhangend, maar het is vereenvoudigd tot op het punt waarop nuance (en dus ook risicobewustzijn) verloren is gegaan.

De AI Product Manager is in dat licht ook een curator en bewaker van context. Iemand die beslist wat expliciet moet blijven, wat veilig kan worden samengevat en wat juist niet. Dat is een strategische rol.

Van prompt engineering naar conversational orchestration

Veel AI-trainingen draaien nog steeds om prompt engineering. Leer hoe je betere instructies formuleert en je krijgt betere output. Dat is begrijpelijk, want het is tastbaar en overdraagbaar. Maar voor de productprofessional is het het verkeerde model.

Prompt engineering gaat uit van een lineaire relatie: betere input levert betere output. Conversational orchestration gaat uit van een iteratief denkproces: je gebruikt AI als gesprekspartner om je eigen redenering te structureren, gaten in je probleembegrip te identificeren en alternatieve perspectieven te verkennen.

Een serie prompts kan gemakkelijk eindigen in wat we output theater noemen: overtuigende verhalen die zijn gegenereerd zonder dat het begrip van het onderliggende probleem is verdiept. De PM die AI als conversatiepartner inzet (die vragen stelt in plaats van antwoorden ophaalt, die tegenwerping zoekt in plaats van bevestiging) gebruikt AI fundamenteel anders dan de PM die prompts optimaliseert.

Wat dit vraagt van organisaties

De opgave van de AI Product Manager is om richting te houden en context te bewaken, terwijl de snelheid van output drastisch toeneemt.

Organisaties die AI primair inzetten voor efficiëntie — sneller documenteren, sneller opleveren — missen de strategische laag. Het tempo waarop je een AI-gedreven feature naar de markt brengt, is minder relevant dan de helderheid over voor wie je het bouwt en welk probleem je daadwerkelijk oplost. Dit is door de komst van AI niet veranderd. Een product dat te vroeg als “AI-first” wordt gepositioneerd zonder onderscheidend vermogen, beschadigt vertrouwen dat moeilijk terug te winnen is.

Gartner voorspelt dat meer dan de helft van alle productmanagementrollen tegen 2027 directe verantwoordelijkheid zal dragen voor AI-gedreven producten. Dat betekent dat de vraagstukken rondom positionering, pricing en ethische afwegingen steeds vaker op het bord van de PM belanden. Organisaties moeten hun AI-roadmap daarom beginnen met de vragen: voor wie bouwen we dit, welk probleem lossen we op en welk vertrouwen moeten we daarvoor verdienen?

Conclusie

De AI Product Manager bestaat. Als iemand die richting bewaart in een omgeving waarin uitvoering steeds sneller en goedkoper wordt. Dat vraagt om scherpe hypotheses, samenhang in keuzes, actief curatorschap van context en het vermogen om in dialoog met AI te blijven denken in plaats van te consumeren wat AI produceert. En het vraagt om organisaties die de rol van productleiderschap opnieuw definiëren als kompas in een omgeving die steeds complexer wordt. Snelheid is geen strategie. Richting wel.