15 oktober 2026Bijgewerkt op Fathy Shalaby12 min leestijd
AI heeft een nieuwe productwerklast gecreëerd: zo verdelen PM's en engineers die
AI heeft productwerk niet weggehaald; het heeft de bottleneck verschoven naar oordeelsvorming, review en eigenaarschap. Hier zijn de data, een PM–engineering-contract met drie sporen en een check op reviewcapaciteit.
AI heeft productwerk niet weggehaald; het heeft het verschoven. Concepten, prototypes en code produceren werd goedkoop, terwijl beslissen wat aandacht verdient, beoordelen wat er is gemaakt en verantwoordelijkheid nemen voor wat bij gebruikers terechtkomt duurder werd. Dat is de nieuwe AI-productwerklast. Teams met veel AI-gebruik mergen 98% meer pull requests, maar de reviewtijd stijgt met 91%. De oplossing is een helder contract over wie voorbereidt, wie beslist en wie de productie verantwoordt.
Belangrijkste punten
Bij ruim 10.000 ontwikkelaars voltooiden teams met veel AI-gebruik 21% meer taken en mergden ze 98% meer PR's, maar de PR-reviewtijd steeg met 91% en de PR-grootte met 154%, zonder meetbare verbetering op bedrijfsniveau (Faros AI, 2025).
Het DORA-onderzoek van 2025 vond dat AI de doorvoer van oplevering nu verhoogt maar de stabiliteit nog steeds verlaagt, omdat een groter volume aan wijzigingen zwakke controles overweldigt.
27% van het AI-ondersteunde werk bij Anthropic bestond uit taken die anders niet gedaan zouden zijn. Goedkoper creëren betekent meer om te beoordelen.
Het aandeel PM's in tech-aanwervingen groeide van 16% in 2021 naar 21% in 2026, terwijl het aannemen van software-engineers in de VS daalde tot minder dan de helft van de piek in 2022.
Verdeel het werk in drie sporen: automatiseer de voorbereiding van de PM, houd productoordeel menselijk en deel de verantwoordelijkheid voor productie met engineering.
Welke nieuwe werklast heeft AI voor productteams gecreëerd?
De nieuwe werklast is evaluatie. Als creëren goedkoop is, kan een team meer kandidaatwerk produceren dan het kan beoordelen. De duidelijkste meting komt uit het telemetrieonderzoek van Faros AI uit 2025 onder meer dan 10.000 ontwikkelaars in 1.255 teams (Faros AI, 2025). Bij teams met veel AI-gebruik:
voltooiden ontwikkelaars 21% meer taken en mergden ze 98% meer pull requests.
groeide de gemiddelde PR-grootte met 154%.
groeide de PR-reviewtijd met 91%, wat Faros aanwijst als de belangrijkste bottleneck.
stegen de bugs per ontwikkelaar met 9%.
liet de oplevering op bedrijfsniveau geen significante verbetering zien.
Googles DORA-programma vond hetzelfde patroon op systeemniveau. Het rapport van 2025, gebaseerd op bijna 5.000 tech-professionals, vond dat AI-adoptie nu positief samenhangt met de doorvoer van oplevering, een omkering van het resultaat van 2024, maar nog steeds negatief met stabiliteit. De auteurs schrijven dit toe aan een hoger volume aan wijzigingen dat zwakke controles zoals geautomatiseerd testen en feedbackloops overweldigt ().
Het creëert ook volledig nieuw werk. Anthropics onderzoek onder het eigen personeel vond dat 27% van het AI-ondersteunde werk bestond uit taken die zonder AI niet zouden zijn gedaan (Anthropic, 2025). Een deel daarvan is waardevol. Bij alles moet iemand beslissen of het mag bestaan.
Waar het werk naartoe is verschoven
Activiteit
Vóór AI-codeertools
Met AI-codeertools
Een eerste concept schrijven (spec, code, prototype)
Traag, schaars
Snel, overvloedig
Kiezen welk concept je verder uitwerkt
Impliciet, omdat er maar weinig waren
Expliciete, frequente beslissing
Wijzigingen reviewen
Evenredig met de teamgrootte
Groeit sneller dan het team
Productie stabiel houden
Vertrouwde wijzigingsgroottes
Grotere, frequentere wijzigingen
Werk koppelen aan klantbewijs
Vaak overgeslagen
Tegen hogere kosten overgeslagen
Leren van wat is opgeleverd
In het beste geval maandelijks
Wekelijks nodig om bij te blijven
Wie vangt de nieuwe productwerklast op?
Elke rol neemt een ander deel op zich.
Rol
Nieuw werk dat AI creëerde
Waar je mee moet stoppen
Product manager
Kiezen tussen veel concepten en prototypes; briefs schrijven die agents kunnen volgen; controleren of wat is opgeleverd overeenkomt met de beslissing
Statusrapporten en eerste conceptspecs met de hand schrijven
Engineer
Grotere en frequentere wijzigingen reviewen; architectuur, security en betrouwbaarheid bewaken; agent-context onderhouden
Boilerplate typen
Engineering manager
Reviewcapaciteit dimensioneren; batches klein houden; AI-gebruiksbeleid vaststellen
Regels, commits of geaccepteerde suggesties tellen
Founder of head of product
Vaker nee zeggen, omdat ja nu goedkoop is
Demosnelheid als bewijs behandelen
De aanwervingsdata weerspiegelen deze verschuiving. Data van TrueUp en Live Data Technologies, geanalyseerd door Lenny Rachitsky, laten zien dat product management de enige kernrol was waarvan het aandeel in aanwervingen groeide, van 16% in 2021 naar 21% eind 2026, terwijl Amerikaanse bedrijven in het jaar tot april 2026 ongeveer 113.000 software-engineers aannamen, tegen 239.000 op de piek in 2022 (Lenny's Newsletter, 2026). Minder engineers per PM betekent dat elke PM dichter bij meer output zit. Ons stuk over de PM-engineerverhouding in het AI-tijdperk kijkt naar wat dat met de functie doet.
Wat is het PM–engineering-contract met drie sporen?
Een contract maakt de verdeling expliciet voordat het werk begint, zodat niemand de kloof pas in productie ontdekt.
Spoor 1: automatiseer het mechanische PM-werk
Gebruik AI waar de input bestaat, de transformatie zich herhaalt en een mens de output kan inspecteren. Goede kandidaten:
Feedback groeperen en ontdubbelen
Thema's halen uit gesprekken en supportconversaties
Een eerste onderzoekssamenvatting met bronlinks
Een conceptbrief op basis van goedgekeurd bewijs
Kandidaat-tickets uit een gereviewde brief
Release notes, stakeholderupdates en beslissingslog-items
Controleren of een artefact zijn bewijs en acceptatiecriteria bevat
De maatstaf is niet "de AI deed het". De maatstaf is dat het resultaat makkelijker te reviewen is dan het werk helemaal zelf doen. De volledige takenlijst staat in wat product managers met AI zouden moeten automatiseren.
Spoor 2: houd productoordeel menselijk
De PM blijft verantwoordelijk voor welk probleem aandacht verdient, van wie het probleem is, welk bewijs sterk genoeg is, welke afweging het team maakt, wat de hypothese voorspelt, wat als leren telt en wat niet gebouwd moet worden. AI kan een framing uitdagen en ontbrekend bewijs vinden. Het mag niet stilletjes een plausibel patroon omzetten in een roadmapverplichting. We somden die op in wat product managers nooit aan AI zouden moeten delegeren.
Spoor 3: deel het productiecontract met engineering
PM en engineering komen samen overeen over:
Architectuur en systeemgrenzen
Security, privacy en dataretentie
Betrouwbaarheid, performance en operationele kosten
Evaluatie en fallbackgedrag voor AI-features
Rechten en onomkeerbare acties
Uitrol, observability en rollback
De PM brengt de gebruiker, het probleem, het bewijs en de beoogde uitkomst mee. Engineering brengt systeembeperkingen, faalwijzen en de kosten van het waar houden van de belofte in productie mee. Martin Fowlers beschrijving van agentic engineering uit 2026 zegt het kort: mensen blijven verantwoordelijk voor wat de software doet, en het begrijpen van het probleemdomein wordt belangrijker, niet minder (Fowler, 2026).
Spoor
PM is eigenaar van
Engineering is eigenaar van
Gedeeld artefact
1. Voorbereiding automatiseren
Regels, review van uitzonderingen
Tooling en datatoegang
Concepten met bronlinks
2. Productoordeel
Probleem, bewijs, afweging, uitkomst
Input over haalbaarheid
Beslissingsdossier
3. Productiecontract
Gebruikersimpact, acceptatiecriteria
Architectuur, security, betrouwbaarheid
Brief met guardrails en rollbackplan
Moeten product managers builders worden?
Ja, als "PM builder" een PM betekent die genoeg bouwt om een productbeslissing te verbeteren. Nee, als het een PM betekent die productiesystemen beheert zonder de engineeringvaardigheden, review en verantwoording om ze veilig te draaien.
Een PM builder kan een interactie tastbaar maken, onduidelijkheid in een requirement blootleggen, een workflow met gebruikers testen, een vraag met data verkennen, een wegwerpprototype maken en het eigen coördinatiewerk automatiseren. Een PM builder moet AI niet gebruiken om de architectuurreview te omzeilen, gevoelige wijzigingen zonder securityreview op te leveren of een experiment per ongeluk om te zetten in een productiebelofte.
Een werkdefinitie: een PM builder bouwt genoeg om de beslissing te verbeteren, niet om haar te vermijden. Ons langere stuk over of product managers builders moeten worden behandelt de vaardigheden die daarbij horen.
Hoe moeten PM's nu engineers en AI-builders aansturen?
De taak van de manager is niet om gegenereerde output te maximaliseren. Het is om het systeem betrouwbaar genoeg te maken dat gegenereerde output veilig kan doorstromen. Acht werkregels:
Geef de voorkeur aan kleine batches. Kleinere wijzigingen zijn makkelijker te reviewen, testen en terug te draaien. DORA noemt werken in kleine batches als een van zeven capabilities die de voordelen van AI versterken (Google Cloud, 2025).
Houd acceptatiecriteria dicht bij het bewijs. Engineers moeten zien waarom het werk bestaat, niet alleen wat het ticket zegt.
Verbeter de context die voor tools beschikbaar is. Het model van DORA noemt voor AI toegankelijke interne data en gezonde data-ecosystemen als capabilities op zich. Onze gids over productcontext geven aan AI-codeeragents laat zien wat je moet opnemen.
Publiceer een AI-gebruiksbeleid. De eerste capability van DORA is een duidelijk en gecommuniceerd AI-standpunt: welke tools zijn toegestaan, welke data ze mogen zien en welke acties goedkeuring vragen.
Het operating model telt zwaarder dan de toolkeuze. Product Institutes enquête uit 2026 onder 309 product leaders vond dat 47% van de organisaties met een volwassen operating model zegt dat AI de manier van werken versterkt, tegenover 29% van degenen met een onvolwassen model. Van de organisaties met een zwak model zegt 42% dat AI zwaktes blootlegt of dingen erger maakt (Product Institute, 2026).
Hoe check je of de reviewcapaciteit het bijhoudt?
Meet de wachtrij, niet de output. Een eenvoudige wekelijkse check:
Tel de deze week geopende wijzigingen en de gereviewde wijzigingen.
Noteer de mediane uren van openen tot eerste review.
Noteer de mediane wijzigingsgrootte in regels of bestanden.
Als er twee weken op rij meer wordt geopend dan gereviewd, of als de mediane reviewtijd verdubbelt, begrens dan het lopende werk voordat je meer agent-taken toevoegt.
Uitgewerkt voorbeeld (illustratief)
Stel dat een team van vijf engineers en één PM vóór AI-codeertools 20 wijzigingen per week mergde, mediaan 150 regels elk, met de eerste review binnen vier uur. Zes weken na de invoering van agents opent het team 40 wijzigingen per week met een mediaan van 380 regels. Reviews beginnen nu pas na 11 uur, en aan het einde van elke week wachten er 12 wijzigingen.
Het team stelt een limiet in van drie openstaande door agents gegenereerde wijzigingen per engineer, laat agents elke wijziging van meer dan 200 regels splitsen en laat de PM elke wijziging vóór de engineeringreview controleren tegen de acceptatiecriteria van de brief. Binnen drie weken daalt de wachtrij naar drie wijzigingen en komt de eerste review terug op vijf uur. De output stabiliseert op ongeveer 30 gemergde wijzigingen per week: minder dan de piek, meer dan voorheen, en reviewbaar. Jouw cijfers zullen verschillen; het gaat om de methode.
Sjabloon: wekelijkse review van de AI-werklast
Kopieer dit in de notities van het wekelijkse teamoverleg.
Deze week geopende / gereviewde / gemergde wijzigingen:
Mediane tijd tot eerste review:
Mediane wijzigingsgrootte:
Door agents gegenereerde wijzigingen die nog openstaan:
Prototypes gemaakt / naar roadmap gepromoveerd / uitgefaseerd:
Gegenereerd werk zonder koppeling aan een beslissing:
Waar haalde AI wrijving weg?
Waar voegde het review- of operationele last toe?
Wat stoppen, verkleinen of draaien we terug?
De regel over niet-gekoppeld werk is de nuttigste. Alles wat zonder beslissing erachter wordt gegenereerd, is de nieuwe werklast in zijn zuiverste vorm.
Wat zijn de veelgemaakte fouten?
Output vieren. Een stijging van 98% in gemergde PR's zegt weinig als reviewtijd en bugs ook stijgen. Let op het systeem, niet op het individu.
Review overlaten aan wie vrij is. Review is nu de schaarste capaciteit in het team. Plan het zoals elke andere capaciteit.
De PM een parttime engineer maken. Bouwen om te leren is goed. Zonder engineeringreview naar productie opleveren verschuift het risico, het verdwijnt niet.
De ontwikkelaarsvisie negeren. Atlassians enquête uit 2025 onder 3.500 ontwikkelaars en managers vond dat ontwikkelaars 16% van hun tijd coderen en dat 63% zegt dat leidinggevenden hun pijnpunten niet begrijpen (Atlassian, 2025). Vraag engineers waar de nieuwe last zit voordat je beslist.
Headcount plannen zonder agents. Microsofts Work Trend Index 2025 stelt een verhouding tussen mens en agent voor als planningsmetriek en vond dat 36% van de leidinggevenden verwacht dat het aansturen van agents binnen vijf jaar bij hun werk hoort (Microsoft, 2025). Iemand moet die agents aansturen en reviewen; begroot hun tijd.
Waar Specky past
Specky is rond dit contract gebouwd. Het leest klantgesprekken, feedback, Slack, Jira en analytics in een Product Graph in, zodat een brief of ticket inline verwijzingen draagt naar het bewijs erachter. De MCP-server geeft codeeragents dezelfde productcontext, zodat engineering begint met de reden, niet alleen met het verzoek. Na de release controleert Specky of de gok werkte. De PM houdt het oordeel; engineering houdt de productie; niemand verliest de draad ertussen.
Veelgestelde vragen
Moeten PM's leren bouwen met AI?
Ja, wanneer bouwen hen helpt een productvraag te testen, een requirement te verduidelijken of herhaald mechanisch werk weg te halen. Prototypes zijn een snelle manier om een gebruiker of engineer te laten zien wat je bedoelt. PM's moeten engineering nog steeds betrekken bij productiearchitectuur, security, betrouwbaarheid en operatie, want gegenereerde code die bij gebruikers terechtkomt wordt de verantwoordelijkheid van engineering.
Hoe moeten PM's engineers aansturen die AI-codeertools gebruiken?
Stel een helder beslissingscontract op, houd werk in kleine batches, vraag agents aannames en tests te documenteren, bepaal grenzen voor data en rechten en meet product- en opleveruitkomsten in plaats van gegenereerd volume. Let elke week op reviewtijd en wijzigingsgrootte; dat zijn de eerste tekenen dat de output het vermogen van het team om te controleren inhaalt.
Waarom heeft AI onze werklast vergroot in plaats van verkleind?
Omdat creëren sneller goedkoper werd dan evalueren. Faros AI vond dat teams met veel AI 98% meer PR's mergden terwijl de reviewtijd met 91% steeg. Anthropic vond dat 27% van het AI-ondersteunde werk anders niet gedaan zou zijn. Meer concepten, prototypes en wijzigingen vragen allemaal dat iemand beslist of ze mogen bestaan en of ze werken.
Wat is de juiste rol voor een PM builder?
Een beslissingsversneller. Een PM builder maakt genoeg om te leren en af te stemmen, via prototypes, dataverkenning en geautomatiseerde coördinatie, en werkt daarna met engineering om een gevalideerde richting om te zetten in veilige, onderhoudbare software. De test is of het bouwen een beslissing heeft verbeterd, niet of de PM code heeft opgeleverd.
Gaat AI product managers vervangen?
De data zeggen van niet. Het aandeel PM's in tech-aanwervingen is sinds 2021 gegroeid, terwijl AI taken als synthese, documentatie en statusrapportage overneemt. Problemen kiezen, afwegingen maken en uitkomsten verantwoorden vraagt nog steeds een mens. Zie ons overzicht van de data van 2026 over de vraag of AI product managers kan vervangen.
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