De door AI aangedreven productmanager: hoe Dr. Nancy Li AI-producten in weken lanceert
Leer het raamwerk van Dr. Nancy Li voor AI-gestuurde productlevering en ontdek hoe je werk van productmanagers automatiseert, ideeën snel valideert en AI-producten in weken lanceert met meetbare waarde.
Nancy Li
Productdirecteur, YouTube-maker en Top Voice van LinkedIn
Leiderschap in de sector: Dr. Nancy Li is een gerenommeerde productdirecteur, YouTube-maker en Top Voice van LinkedIn op het gebied van AI-productmanagement.
Projectmanagement met AI: AI transformeert productlevering door meer nadruk te leggen op besluitvorming in plaats van slechts op documentatie.
Taken automatiseren: Het automatiseren van kerntaken binnen productmanagement bespaart aanzienlijk veel tijd en verhoogt de efficiëntie en productiviteit.
Levenscyclus van AI-producten: Een gestructureerd raamwerk voor AI-producten versnelt de lancering en zorgt er tegelijkertijd voor dat AI-toepassingen echte waarde bieden.
De toekomst van functies: AI kan sommige functies vervangen, maar benadrukt tegelijkertijd de behoefte aan bekwame, door AI ondersteunde productmanagers.
Dr. Nancy Li is een gerenommeerde productdirecteur, YouTuber en toonaangevende stem op LinkedIn. Ze richtte de Product Manager Accelerator, twee AI-producten en de AI Product Management Bootcamp op — laatstgenoemde is verantwoordelijk voor de lancering van meer dan 40 AI-producten uit de praktijk.
We spraken met haar om te begrijpen hoe ze dat doet. Ze deelde haar aanpak voor een snelle, effectieve projectoplevering met ons.
Productmanagers opleiden
Ik heb Product Manager Accelerator opgericht. Dit programma heeft meer dan 1.500 productmanagers geholpen hun droombaan als PM bij FAANG-bedrijven en eenhoornstart-ups te bemachtigen — en promotie te maken tot productleider. Ook heb ik AI Product Management Bootcamp opgericht, dat heeft geholpen bij de lancering van 40 AI-producten uit de praktijk.
Create a Free Account to Read More
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Onlangs hebben we twee AI-producten voor onze studenten ontwikkeld: AI Study Companion en AI Interviewer Copilot. Deze worden momenteel gebruikt door studenten van PM Accelerator en in 2026 lanceren we het product voor externe gebruikers.
Ik was ook een van de jongste promovendi in engineering aan BU en ik ben afgestudeerd aan de MIT Sloan School of Business. Ik ben een bekroonde productdirecteur en YouTuber. Ik ben vermeld in Forbes en ben een toonaangevende stem op LinkedIn.
Hoe AI de projectoplevering verandert van artefacten naar beslissingen
Door AI verschuift projectoplevering van het produceren van artefacten naar het nemen van beslissingen. We besteden minder tijd aan documentatie en coördinatie en meer tijd aan het formuleren van de juiste problemen, het valideren van aannames en het ontwerpen van AI-ondersteunde workflows.
Door AI verschuift projectoplevering van het produceren van artefacten naar het nemen van beslissingen.
Het gaat sneller, is iteratiever en draait steeds meer om het samen aansturen van mensen en AI — niet om het beheren van overdrachten.
Als CEO en CPO kon ik mijn team halveren en mijn productiviteit verdubbelen door de kracht van AI te benutten.
Welke kerntaken van PM's kunnen worden geautomatiseerd
Ik bespaar minstens acht uur per week op productmanagementtaken door mijn werk te automatiseren. De volgende taken zouden geautomatiseerd moeten worden:
- Het opstellen van vereisten
- Prototypen maken
- Marktonderzoek
- Debuggen
- Klantinterviews — we gebruiken Dovetail om notulen van vergaderingen samen te vatten en om te zetten in vereisten.
- Inwerken in nieuwe projecten
- Op de hoogte raken van een onderwerp, zoals nieuws uit de sector
- Bestaande technologiestacks samenvatten
- Systeemarchitectuurdiagrammen maken op basis van bestaande code
Maar het is belangrijk om op te merken dat op sommige gebieden nog steeds een menselijke inbreng nodig is, bijvoorbeeld bij de overgang van een prototype naar producten op productieniveau en bij het ontwikkelen van een productstrategie waarmee je je daadwerkelijk kunt onderscheiden.
Op sommige gebieden is nog steeds een menselijke inbreng nodig, bijvoorbeeld bij de overgang van een prototype naar producten op productieniveau en bij het ontwikkelen van een productstrategie waarmee je je daadwerkelijk kunt onderscheiden.
Hoe AI de belangrijkste opleveringsrituelen voor productteams verandert
Dit alles heeft invloed op de opleveringsrituelen.
AI halveert de tijd die nodig is voor het definiëren van de projectscope . Tegenwoordig kun je heel eenvoudig feedback van klanten verzamelen en marktonderzoek uitvoeren.
En hoewel het nog steeds een menselijke aanpak vereist om teams op één lijn te krijgen, kan AI helpen teamvergaderingen samen te vatten en op die manier tijd te besparen.
Een raamwerk voor het creëren van AI-producten
Zoals ik al zei, heeft mijn bootcamp geholpen bij de lancering van meer dan 40 AI-producten. Hiervoor hebben we een AI-hypotheseraamwerk ontwikkeld. Het is een eenvoudig, herhaalbaar systeem dat we gebruiken om AI-ideeën te valideren voordat we ze bouwen.
Het begint met Probleemdefinitie aan de hand van ons GUCCI-raamwerk (Doelen en missie, Onvervulde behoeften, Klantsegmentatie, Concurrentie en Geïntegreerd ecosysteem), waarmee we het gebruikersdoel, het pijnpunt, de beperkingen en de impact die we willen creëren verduidelijken.
Vervolgens formuleren we een AI-hypothese: een duidelijke beschrijving van welke input de AI nodig heeft, welke output deze moet genereren en hoe de workflow wordt verbeterd. Dit vormt de basis voor onze datastrategie en een snel AI-prototype om de technische haalbaarheid te testen.
Daarna valideren we de AI-input en -output rechtstreeks bij klanten om te bevestigen of de functie daadwerkelijk een echt probleem oplost. Alleen gevalideerde ideeën gaan door naar het Product-MVP, waarin we de volledige AI-ondersteunde gebruikersreis ontwerpen.
Zodra het MVP live is, meten we of we AI-product-marktfit hebben bereikt. Als dat het geval is, schalen we op via een generalisatiestrategie, breiden we de gebruiksscenario's uit en benutten we echte gebruikersgegevens om ons data- en productvoordeel te versterken.
Deze levenscyclus — GUCCI → AI-hypothese → PoC → MVP → PMF → Schalen — stelt ons in staat om consequent AI-producten in ongeveer drie maanden te lanceren en er tegelijkertijd voor te zorgen dat AI alleen wordt ingezet waar deze echt meetbare waarde creëert. Je kunt hier meer lezen over het proces.
Hoe productbeheer op basis van specificaties de oplevering van AI-producten versnelt
Een ander belangrijk onderdeel hiervan is dat we zijn afgestapt van traditionele projectmanagementmethoden — vereisten schrijven, wachten tot ontwerpers mock-ups maken en wachten tot ontwikkelaars het eerste prototype maken. Nu gebruiken we een productbeheerproces op basis van specificaties, wat betekent dat we AI-tools gebruiken om vereisten te schrijven en snel prototypes te genereren.
Nu gebruiken we een productbeheerproces op basis van specificaties, wat betekent dat we AI-tools gebruiken om vereisten te schrijven en snel prototypes te genereren.
We kunnen productvereisten in één uur omzetten in prototypes zonder ook maar één regel code te schrijven en snel met ideeën experimenteren. Door de afhankelijkheden van ontwerpers en ontwikkelaars weg te nemen, worden tijdlijnen aanzienlijk korter en besparen PM's eenvoudig uren per week.
Zo doe je dat:
- Geef ChatGPT de opdracht om te helpen met de productvereisten voor je ideeën
- Voer onze productideeën in
- ChatGPT stelt vervolgens verduidelijkende vragen en ontwerpt de gedetailleerde kaart van de gebruikersreis
- Vraag ChatGPT om vereisten te genereren.
- Voer die vereisten in Google AI Studio in om het prototype te genereren.
Waarom een filosofie waarbij scenario's vooropstaan meetbare waarde creëert
We zetten sterk in op AI-agenten. Onze belangrijkste productrichting is zelfs in hoge mate afhankelijk van werkstromen met AI-agenten — zowel binnen ons bedrijf als in onze producten. Dat betekent dat we AI verantwoordelijkheid geven voor resultaten, en niet alleen voor prompts.
Intern helpen AI-agenten ons om complexe werkstromen om te vormen tot schaalbare, hoogwaardige en herhaalbare processen. In combinatie met onze evaluatielus van begin tot eind zijn systemen met AI-agenten een betrouwbare motor achter de kwaliteit van onze opleveringen geworden.
We gebruiken bijvoorbeeld AI-agenten die klantgegevens verwerken, inzichten genereren, PRD's opstellen, ontwerpvarianten genereren en ontwerpen prototypen. We hebben ook een "tweede AI-brein" gecreëerd dat met mij kan brainstormen als een junior productmanager.
In onze producten richten we ons op werkstromen die echte waarde bieden aan onze leergemeenschap: leerassistenten, documentintelligentie en redeneren in meerdere stappen.
Onze filosofie is eenvoudig: AI moet het scenario dienen, en het scenario moet meetbare waarde creëren.
Volgens ons draait AI niet om het najagen van het nieuwste model — het gaat om gedisciplineerde engineering, scenariogestuurd ontwerp en het vakmanschap om elk onderdeel te verfijnen totdat het de gebruiker echt dient.
Volgens ons draait AI niet om het najagen van het nieuwste model — het gaat om gedisciplineerde engineering, scenariogestuurd ontwerp en het vakmanschap om elk onderdeel te verfijnen totdat het de gebruiker echt van dienst is.
Hoe agents geavanceerder kunnen worden met LangGraph
Laten we een agentgestuurde workflow bekijken. Deze specifieke use case is mogelijk niet breed toepasbaar, maar ik denk dat de details van hoe we deze hebben geïmplementeerd kunnen helpen bij geavanceerde workflows voor productmanagement.
In de beginfase van onze AI Interviewer Copilot was ons systeem voornamelijk een RAG-gecentreerde assistent, gebouwd op LangChain. Het systeem was geschikt voor snelle iteratie en hielp ons een sterke basis te leggen voor documentverwerking en de kwaliteit van informatieophaling, maar naarmate de assistent meer functionaliteit en complexiteit kreeg — met ondersteuning voor redeneringen in meerdere stappen, nieuwe taaktypen, personalisatie en samenwerking tussen verschillende redeneermodules — was een pure RAG-pijplijn niet langer toereikend.
De eerste uitdaging was niet alleen de complexiteit, maar ook hoe we betrouwbare, herhaalbare en hoogwaardige resultaten konden garanderen wanneer de inhoudsbronnen heterogeen waren en voortdurend veranderden. We hadden een framework nodig dat agentgestuurde RAG kon ondersteunen, waarbij meerdere gespecialiseerde agents op een gecontroleerde en interpreteerbare manier samenwerken.
Dat leidde tot de keuze voor LangGraph. Het biedt determinisme, transparantie en expliciet statusbeheer, die essentieel zijn bij het bouwen van een conversationele assistent waarvan de redeneerstappen controleerbaar, uitlegbaar en herhaalbaar moeten zijn. De overstap naar LangGraph sloot ook goed aan bij onze langetermijnrichting: een intelligente assistent bouwen in plaats van een vraag-en-antwoordsysteem met één beurt.
Daarom hebben we de leveringsworkflow opnieuw opgebouwd met moderne AI-orkestratie:
- LangGraph voor deterministische statusovergangen tussen meerdere agents
- Evaluatielussen voor embeddings en informatieophaling om de RAG-agent te stabiliseren
- Documentverwerking waarbij metadata behouden blijft om semantische verschuiving te voorkomen
Nu bestaat het systeem uit meerdere agents: een RAG-agent, een cv-beoordelingsagent en een contextorkestratie-agent. We hebben een volledig end-to-end-evaluatieframework geïmplementeerd — voor zowel nauwkeurigheid op componentniveau (opsplitsing in fragmenten, embeddings, informatieophaling) als nauwkeurigheid op systeemniveau (relevantie van het uiteindelijke antwoord, hallucinatiepercentage).
Door elk onderdeel voortdurend af te stemmen en geautomatiseerde regressietests te integreren, zorgden we er bovendien voor dat het systeem vóór elke belangrijke release een nauwkeurigheid van meer dan 90% behaalde.
Uiteindelijk zijn we ervan overtuigd dat een modern AI-systeem niet wordt gedefinieerd door één enkel model. Het wordt gedefinieerd door een goed georkestreerd ecosysteem van componenten: documentintelligentie, stabiliteit van informatieophaling, samenwerking tussen meerdere agents, geheugensstructuren en voortdurende evaluatie.
Wij zijn ervan overtuigd dat een modern AI-systeem niet wordt gedefinieerd door één enkel model. Het wordt gedefinieerd door een goed georkestreerd ecosysteem van componenten: documentintelligentie, stabiliteit van informatieophaling, samenwerking tussen meerdere agents, geheugensstructuren en voortdurende evaluatie.
Hoe AI-ondersteunde foutopsporing de levering versnelt
AI-ondersteunde foutopsporing was een belangrijk onderdeel van die succesvolle implementatie — we waren er sterk van afhankelijk.
Tools zoals Claude Code en Cursor helpen ons integratieproblemen snel te diagnosticeren, unittests te genereren en lastige randgevallen in het gedrag van prompts te analyseren. Dit verhoogde onze ontwikkelsnelheid aanzienlijk, vooral bij het oplossen van logische fouten of onverwachte modeluitvoer.
Hoe een AI-gerichte technologiestack voor productmanagement er in de praktijk uitziet
Dit is onze technische PM-stack:
- Google AI Studio voor prototyping
- Claude Code voor het identificeren van problemen, het analyseren van randgevallen en het genereren van gerichte unittests
- Cursor voor foutopsporing
- ChatGPT voor PRD's
- ChatPRD voor productmanagement
- Dovetail voor het afleiden van vereisten uit klantinzichten
- Miro voor samenwerking
Mijn favoriet is misschien Claude Code. Het helpt ons consequent om integratieproblemen of logische hiaten veel eerder op te merken dan met alleen traditionele foutopsporing. En het is aanzienlijk beter dan Lovable. Ook al is er veel hype rond Lovable, het is niet geschikt voor geavanceerde AI-engineering op productieniveau.
Zal AI projectmanagers en productfuncties vervangen?
Uiteindelijk denk ik dat AI projectmanagers zal vervangen. We hebben projectmanagers simpelweg niet meer nodig om processen te beheren! Veel functies op instapniveau zullen in feite door AI worden vervangen — daaronder vallen software-ingenieurs, ontwerpers en data-analisten.
We hebben echter meer AI-gestuurde productmanagers nodig die beslissingen kunnen nemen met behulp van AI, multifunctionele teams kunnen aansturen bij het realiseren van productvisies en effectief stakeholdermanagement kunnen uitvoeren, en snel resultaten kunnen boeken.
Mijn advies? Je moet jezelf snel bijscholen in het benutten van bestaande AI-tools en de oplevering van producten opnieuw uitvinden. En overweeg je specifiek op AI-producten te richten. Zoals ik het zie, kun je AI-producten creëren en de innovatie leiden, of worden vervangen.
Blijf op de hoogte
Je kunt Dr. Nancy Li volgen terwijl ze AI-producten uitbrengt en anderen leert hetzelfde te doen op YouTube, LinkedIn, X, via haar podcast en op de website van PM Accelerator. Je kunt ook haar nieuwe Bootcamp voor AI-productmanagement bekijken.
Er komen nog meer interviews met experts op The Digital Project Manager!
