3 november 2026Bijgewerkt op Fathy Shalaby13 min leestijd
Een AI-prototype valideren: een productvalidatieplan voor 7 dagen
Een plan van zeven dagen voor makers van AI-producten om van een werkend prototype naar bewijs te komen: kies één gebruiker en taak, observeer echt gebruik, meet gedrag en neem één schriftelijke beslissing.
Om een AI-prototype te valideren, test je of een specifiek persoon er een echte taak mee kan afronden en er zelf op terugkomt. In zeven dagen: kies één gebruiker en één taak, bepaal het bewijs voordat je iemand uitnodigt, observeer vijf echte sessies, vraag achteraf na wat er daarna gebeurde en schrijf dan één beslissing op: doorgaan, afbakenen, herzien of stoppen. Een werkende demo bewijst dat de workflow te bouwen is; ze bewijst niet dat iemand hem nodig heeft.
Belangrijkste punten
84% van de ontwikkelaars gebruikt inmiddels AI-tools of is dat van plan, maar 66% noemt als grootste frustratie AI-uitvoer die "bijna goed, maar net niet" is (Stack Overflow, 2025). Verwacht dat je gebruikers tijd kwijt zijn aan het corrigeren van uitvoer, en meet dat.
Vijf gebruikers vinden ongeveer 85% van de usabilityproblemen (Nielsen Norman Group, 2000). Eén week met vijf goed passende sessies is genoeg voor een eerste beslissing.
Herhaald gebruik bij echt werk is het sterkste vroege signaal. Complimenten en aanmeldingen voor de wachtlijst zijn het zwakste.
Schrijf de beslisregel op vóór de sessies, zodat je het resultaat achteraf niet kunt wegredeneren.
Doe de product-market-fit-enquête van Sean Ellis later, als je 40 of meer betrokken gebruikers hebt.
Wat bewijst een werkend AI-prototype wel en niet?
Met een AI-codeertool kom je in een paar dagen tot een werkende demo. Dat is echt bewijs: de workflow is te bouwen, in elk geval in een happy-path-versie. Het is geen bewijs dat een specifiek persoon het probleem heeft, dat het product in zijn dag past of dat hij na de eerste sessie terugkomt.
Twee cijfers schetsen de kloof. Pendo ontdekte dat 80% van de features in een gemiddeld softwareproduct zelden of nooit wordt gebruikt (Pendo, 2019), en dat een slechte product-market fit een rol speelde bij 43% van de door CB Insights sinds 2023 geanalyseerde faillissementen van met venture capital gefinancierde startups (CB Insights, 2026). Bouwen is sneller geworden; weten wat je moet bouwen niet.
Producten die met AI zijn gebouwd brengen een tweede kloof mee: de kwaliteit van de uitvoer. In de Stack Overflow-enquête van 2025 wantrouwden meer ontwikkelaars de nauwkeurigheid van AI-tools (46%) dan erop vertrouwden (33%) (). Je gebruikers zullen hetzelfde voelen bij AI-gegenereerde resultaten in jouw product, dus het validatieplan moet letten op correctie en opschoonwerk, niet alleen op het afronden van een taak.
Als je vooral wilt weten hoe je een vibe-coded app productierijp maakt, lees dan van vibe-coded prototype naar financierbaar product. Deze gids gaat over het valideren van het probleem en het bepalen wat je hierna bouwt. Hij belooft geen product-market fit in een week; hij vervangt "de mensen leken het wel leuk te vinden" door een concrete observatie en een verstandige volgende stap.
Hoe valideer je een AI-prototype in 7 dagen?
Dag
Activiteit
Resultaat
1
Kies één gebruiker en één taak
Een schriftelijke hypothese en het sterkste alternatief
2
Bepaal het bewijs
Eén primair gedrag, één vangrail, een schriftelijke beslisregel
3
Werf mensen die passen
5-8 bevestigde sessies met mensen die de taak onlangs hebben gedaan
Vervolgvragen: gebruikten ze het resultaat, kwamen ze terug of deelden ze het?
7
Besluit
Een beslisnotitie: doorgaan, afbakenen, herzien of stoppen
Dag 1: kies één gebruiker en één taak
Beschrijf de persoon zo nauw dat je hem kunt vinden. "Iedereen die productiever wil zijn" is geen segment. "Een solo-oprichter die klantgesprekken omzet in engineeringtaken" of "een product engineer die een technische wijziging uitlegt aan een niet-technische stakeholder" is dat wel.
Noem daarna één taak waarbij het prototype helpt. Beperk de eerste test tot één workflow. Heeft de demo vijf features, kies dan degene die het belangrijkst is voor de persoon, niet degene die het indrukwekkendst is om te laten zien.
Schrijf een korte hypothese:
We denken dat [specifiek persoon] moeite heeft met [recent, waarneembaar probleem]. Als we hem helpen om [specifieke actie] te doen, zal hij [waarneembaar gedrag] vertonen, omdat [reden die we kunnen controleren].
Voeg de sterkste alternatieve verklaring toe. Misschien heeft de persoon geen nieuwe tool nodig; misschien heeft hij een duidelijker sjabloon, een integratie of een sneller bestaand proces nodig. Je wilt dat de test deze kan onderscheiden. Heb je nog niet gecontroleerd of het idee de moeite van het bouwen waard is? Begin dan met onze gids voor het valideren van een SaaS-idee.
Dag 2: bepaal het bewijs voordat je iemand uitnodigt
Kies één primair gedrag dat laat zien dat de gebruiker het belangrijke deel van de workflow heeft doorlopen: een echte taak afronden, terugkomen om door te gaan, het resultaat delen met een collega of vragen om het voor ander werk te gebruiken.
Voeg één vangrail toe die een slechte afweging zou blootleggen: verwarring bij de installatie, onjuiste uitvoer of meer handmatig opschoonwerk. Kies geen meetwaarde alleen omdat die makkelijk te tellen is. Paginaweergaven en applaus tijdens de demo laten niet zien dat de kerntaak is gedaan.
Schrijf op welk resultaat je zou doen besluiten om door te gaan, af te bakenen, de workflow te veranderen of te stoppen. Bijvoorbeeld (ter illustratie): "Ga door als minstens 3 van de 5 deelnemers een echte taak zonder hulp afronden en minstens 2 het resultaat binnen een week in hun werk gebruiken." De drempel is een beslishulp voor deze kleine test, geen universele benchmark.
Dag 3: werf mensen die bij de use case passen
Nodig mensen uit die de taak onlangs hebben gedaan. Vraag naar de taak die ze echt hebben afgerond, niet of ze je startup willen steunen. Vertrouw niet alleen op vrienden, teamgenoten of mensen die je toch al willen aanmoedigen.
Ik heb een ruwe tool voor [taak]. Mag ik je zien proberen met een echte taak die je toch al moet doen? Ik test de workflow en vraag je niet om het idee goed te keuren.
Plan vijf tot acht sessies, zodat een of twee afmeldingen de week niet laten vastlopen. Als niemand in de doelgroep tijd aan het probleem wil besteden, zegt dat iets over toegang of urgentie. Het is op zichzelf geen oordeel over het product. Heb je geen netwerk om uit te werven, dan laat onze gids over je eerste SaaS-gebruikers vinden zonder publiek zien waar je kunt zoeken.
Dag 4 en 5: observeer de echte workflow
Vraag elke deelnemer om een echte taak mee te nemen. Laat ze het product proberen zonder elke volgende stap hardop te vertellen. Let op wat ze doen voordat ze de tool openen, wat ze verwachten, waar ze stilvallen, wat ze corrigeren en of ze kunnen afronden zonder dat jij de sessie hoeft te redden.
Richt je aandacht op gedrag:
"Wat probeer je nu af te maken?"
"Wat verwachtte je dat dit bedieningselement zou doen?"
"Wat zou je normaal op dit punt doen?"
"Wat zou je moeten controleren voordat je dit resultaat gebruikt?"
"Wat zou je volgende week doen terugkomen?"
Behandel niet elk verzoek als een spec. Vraag welk resultaat de persoon wil bereiken en of de omweg vaak voorkomt, veel kost of riskant is. Een verzoek om een knop kan wijzen op een dieper probleem met volgorde, vertrouwen of installatie.
Schrijf na elke sessie drie regels op: de observatie, je interpretatie en wat nog onzeker is. Houd de context van de deelnemer erbij, zodat verschillende soorten gebruikers niet samensmelten tot één verzonnen persona.
Dag 6: controleer of de waarde blijft en wat het verborgen werk is
Vraag een of twee dagen na de sessie na. Gebruikte de persoon het resultaat in zijn echte werk? Kwam hij terug, deelde hij het of vroeg hij om de taak te herhalen? Wat heeft hij met de hand aangepast? Wat gebeurde er toen jij er niet meer was om hem te begeleiden?
Kijk naast het gesprek ook naar productgedrag: succesvol afronden, herhaald gebruik, tijd tot het eerste bruikbare resultaat, correctiepercentage of een overdracht aan iemand anders. Geen enkele meetwaarde verklaart waarom iemand zich zo gedroeg, dus combineer hem met wat je hebt gezien.
Dag 7: neem één expliciete beslissing
Loop de hypothese en het bewijs door en kies een van de vier uitkomsten. Schrijf een korte beslisnotitie met het bewijs vóór de keuze, het bewijs ertegen, de resterende onzekerheid en de volgende test.
Hoeveel gebruikers heb je nodig om een prototype te valideren?
Minder dan de meeste oprichters denken, mits het de juiste gebruikers zijn. Jakob Nielsens model laat zien dat vijf gebruikers ongeveer 85% van de usabilityproblemen opsporen, en hij raadt drie rondes van vijf aan, waarbij je tussen de rondes herstelt wat je vond, in plaats van één onderzoek met 15 (Nielsen Norman Group, 2000).
Twee kanttekeningen. Ten eerste: vijf gebruikers per afzonderlijk type gebruiker. Bedient je prototype oprichters en engineers verschillend, dan zijn dat twee groepen. Ten tweede: vijf sessies vinden problemen; ze meten geen vraag en schatten geen markt in. Daarvoor heb je meer gebruikers nodig en uiteindelijk een enquête of een test met echt verkeer. Zodra je een paar honderd gebruikers per week hebt, laat onze A/B-testgids zien hoe je een goed experiment dimensioneert.
Wat moet je meten na de eerste sessies?
Signaal
Sterkte
Waarom
Kwam ongevraagd terug met een tweede echte taak
Sterk
Kost de persoon tijd; laat zien dat de taak terugkeert en de tool hielp
Gebruikte de uitvoer in het echte werk (verstuurd, opgeleverd)
Sterk
Het resultaat overleefde het contact met de realiteit
Rondde een echte taak af zonder hulp
Gemiddeld
Laat usability zien, nog geen waarde
Vroeg om een collega mee te nemen
Gemiddeld
Sociaal bewijs, maar controleer of de collega de taak heeft
Herschreef het grootste deel van de AI-uitvoer voordat hij die gebruikte
Waarschuwing
De workflow voegt misschien werk toe in plaats van het weg te nemen
"Dit ga ik zeker gebruiken"
Zwak
Een voorspelling, geen gedrag
Aanmelding voor de wachtlijst of compliment
Zwak
Handig om te weten wie je hierna benadert, meer niet
Volg bij AI-features het correctiepercentage expliciet: welk aandeel van de uitvoer paste men flink aan voordat men het gebruikte? Nu Stack Overflow meldt dat 66% van de ontwikkelaars gefrustreerd is door AI-uitvoer die bijna goed is, is een hoog correctiepercentage de meest voorkomende manier waarop een AI-prototype ongemerkt faalt.
Later, als minstens 40 mensen het product regelmatig gebruiken, doe je de enquête van Sean Ellis: "Hoe zou je het vinden als je dit product niet meer kon gebruiken?" Ellis ontdekte dat bedrijven waar minder dan 40% "zeer teleurgesteld" antwoordde meestal moeite hadden met groeien, op basis van bijna 100 startups. Superhuman begon op 22%, kwam alleen al door te focussen op het best passende segment op 33% en bereikte 58% na drie kwartalen productwerk. Het team ondervroeg alleen gebruikers die het product de afgelopen twee weken minstens twee keer hadden gebruikt (First Round Review, 2018). Onze gids over product-market fit behandelt die fase.
Uitgewerkt voorbeeld
Een illustratief voorbeeld, geen echte data. Een maker heeft een AI-tool die transcripten van verkoopgesprekken omzet in CRM-notities. De beslisregel, op dag 2 opgeschreven: ga door als 3 van de 5 een echte taak zonder hulp afronden en 2 de uitvoer binnen een week gebruiken; bakent af als één rol duidelijk beter presteert dan de andere.
Zes sessies gepland, vijf gehouden.
Vier van de vijf rondden een echte taak af zonder hulp.
De twee account executives gebruikten de notities dezelfde dag in hun CRM; de drie oprichters herschreven ongeveer 70% van elke notitie.
Op dag 6 hadden beide account executives de tool ongevraagd voor een ander gesprek gebruikt. Geen enkele oprichter had dat gedaan.
Besluit: afbakenen. Het probleem lijkt echt voor account executives, niet voor oprichters. Volgende test: nog vijf sessies, alleen met account executives, met het correctiepercentage als vangrail.
Hoe besluit je of je doorgaat, afbakent, herziet of stopt?
Besluit
Als het bewijs laat zien dat
Volgende stap
Doorgaan
De beoogde gebruiker de taak afrondde en een reden toonde om terug te komen
Bouw alleen wat het duidelijkste waargenomen obstakel oplost
Afbakenen
Het probleem echt is voor één rol of situatie, niet voor de brede groep
Herhaal met alleen dat segment
Herzien
Gebruikers het probleem hebben, maar de workflow het niet netjes oplost
Verander de workflow; test opnieuw met nieuwe deelnemers
Stoppen of parkeren
Er geen urgentie of waarde is aangetoond die nu meer bouwtijd rechtvaardigt
Leg vast wat je hebt geleerd; kijk opnieuw als er nieuw bewijs komt
Ga je door, maak dan niet van elke opmerking uit een interview een roadmapitem. Ons framework voor bepalen wat je hierna bouwt helpt je kiezen tussen mogelijke wijzigingen.
Kopieerbare experimentbrief
Vul dit in voordat je weer gaat bouwen:
User and context:
Recent job to complete:
Problem we believe exists:
Current workaround:
What the prototype changes:
Primary behaviour to observe:
Guardrail (incl. correction rate for AI output):
Decision rule (continue / narrow / revise / stop):
What would change our mind:
Evidence source and owner:
Decision date:
AI-tools kunnen helpen bij het ordenen van notities of het opstellen van een samenvatting, maar controleer elke bewering aan de hand van de originele sessie. Laat gegenereerde tekst nooit een klantcitaat, een gebruiksresultaat of een marktfeit creëren dat niet is waargenomen.
Wat moeten AI-producten naast usability nog controleren?
AI-features falen op manieren die gewone software niet kent: zelfverzekerde foute antwoorden, inconsistente uitvoer en trage of dure reacties. Voordat je opschaalt voorbij de eerste gebruikers, voeg je een kleine evaluatieset toe op basis van echte taken van deelnemers, een terugvaloptie voor als het model de taak niet kan afronden en een manier voor gebruikers om uitvoer te corrigeren of te overschrijven. Het Generative AI Profile van NIST (NIST AI 600-1) is een vrijwillige, sectoroverstijgende referentie om betrouwbaarheid in te bouwen in het ontwerp, de ontwikkeling, het gebruik en de evaluatie van generatieve AI (NIST, 2024). Ons AI-evaluatieframework voor productteams maakt hier een releasepoort van.
Wat zijn veelgemaakte fouten na het bouwen van een AI-prototype?
Features toevoegen in plaats van de ene te testen die ertoe doet. Meer oppervlak maakt het moeilijker te zien waarom mensen niet terugkomen.
Testen met vrienden. Ze ronden taken af om aardig te zijn en komen zelden terug omdat ze de taak niet hebben.
Gebruikers midden in de sessie redden. Elke redding verbergt een probleem dat een echte gebruiker alleen tegenkomt.
Correctiewerk negeren. Een taak die "af" is nadat het grootste deel van de uitvoer is herschreven, is geen succes.
Achteraf beslissen. Zonder een beslisregel die op dag 2 is opgeschreven, kan elk resultaat als bemoedigend worden gelezen.
De PMF-enquête te vroeg doen. Vijf gebruikers kunnen je geen zinvolle meting van 40% geven.
Waar past Specky?
Validatie levert notities, opnames en vervolgvragen op die tussen sessies makkelijk kwijtraken. Specky leest klantgesprekken en feedback in een Product Graph, houdt elke observatie gekoppeld aan de bronsessie en legt de beslissing van dag 7 vast in het Decision Log, met het bewijs erbij. Bouw je alleen, bekijk dan hoe het werkt voor makers van AI-producten.
Veelgestelde vragen
Wat moet ik doen nadat ik een MVP of AI-prototype heb gebouwd?
Test of een specifiek persoon er een echte taak mee kan afronden en terugkomt, voordat je features toevoegt. Kies één gebruiker en één workflow, schrijf op welk bewijs je zou doen doorgaan of stoppen, observeer vijf echte sessies en vraag een paar dagen later na. Neem dan één schriftelijke beslissing: doorgaan, afbakenen, herzien of stoppen.
Hoeveel gebruikers heb ik nodig om een AI-prototype te valideren?
Begin met vijf per afzonderlijk type gebruiker. Vijf gebruikers vinden in Nielsens model ongeveer 85% van de usabilityproblemen, en drie rondes van vijf, waarbij je tussen de rondes problemen oplost, werken beter dan één ronde van 15. Vijf sessies vinden problemen en patronen; ze bewijzen geen marktvraag, daarvoor heb je meer gebruikers en een andere methode nodig.
Hoe weet ik of gebruikers mijn prototype echt waarderen?
Zoek naar gedrag dat iets kost: ongevraagd terugkomen met nog een echte taak, de uitvoer in het echte werk gebruiken of een collega meebrengen die dezelfde taak heeft. Beschouw complimenten, aanmeldingen voor de wachtlijst en "ik zou dit gebruiken" als zwakke signalen. Kijk bij AI-producten ook hoeveel van de uitvoer gebruikers herschrijven voordat ze die gebruiken.
Wanneer moet ik de product-market-fit-enquête doen?
Als minstens 40 mensen het product regelmatig gebruiken. Superhuman ondervroeg gebruikers die de afgelopen twee weken minstens twee keer actief waren en vond ongeveer 40 reacties genoeg om richtinggevend goed te zitten. De benchmark is dat 40% "zeer teleurgesteld" antwoordt als ze het product niet meer konden gebruiken. Bij vijf gebruikers zegt het percentage niets.
Is een vibe-coded app goed genoeg om mee te valideren?
Meestal wel, voor een eerste ronde, zolang de kernworkflow werkt en je eerlijk bent over de beperkingen. Vermijd gevoelige of kritieke data, vertel deelnemers wat nog onaf is en let op fouten in de uitvoer. Zodra mensen terugkomen met echt werk, maak je de app robuust voordat je een bredere groep uitnodigt.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing