3 november 2026Bijgewerkt op Fathy Shalaby17 min leestijd
AI-productontwikkeling: een workflow in 7 stappen van probleem tot release
Een workflow voor AI-productontwikkeling in zeven stappen voor oprichters, PM's en product engineers: test een echt gebruikersprobleem, bepaal waar AI past, trek grenzen, evalueer echte taken en leer van de uitrol.
Een workflow voor AI-productontwikkeling is het herhaalbare proces waarmee een team een echt gebruikersprobleem omzet in een geteste, afgebakende AI-feature en een gemeten release. De bruikbare cyclus is niet "prompten, prototypen, uitrollen". Het zijn zeven stappen: bewijs vinden, bepalen of AI helpt, de kleinste test doen, gedrag specificeren, grenzen stellen, echte taken evalueren en releasen terwijl je het resultaat voor de gebruiker meet.
Belangrijkste punten
Bouwen werd sneller; beslissen niet. In een enquête van 2026 onder 309 productleiders zei 88% dat hun organisatie AI-codeerassistenten gebruikt, maar slechts 36% zei dat AI hun manier van werken versterkte (Product Institute, 2026).
De helft van die leiders beoordeelde de impact van AI op engineering als hoog, tegenover 17% voor strategie en roadmapping. De workflow hieronder legt de inspanning waar AI het minst helpt.
Check of AI het juiste gereedschap is voordat je bouwt. Googles eerste regel van machine learning is dat je niet bang moet zijn om zonder te lanceren (Google).
Gartner verwacht dat eind 2027 meer dan 40% van de agentic-AI-projecten wordt geschrapt, vanwege oplopende kosten, onduidelijke bedrijfswaarde of ontoereikende risicobeheersing (Gartner, 2025). Stap 2, 5 en 7 pakken die drie oorzaken rechtstreeks aan.
Begin met zo min mogelijk autonomie die waarde oplevert, en breid alleen uit op basis van bewijs.
Wat is een workflow voor AI-productontwikkeling?
Het is het proces waarmee een team bepaalt of een AI-feature moet bestaan, het gedrag vormgeeft, risico's en kwaliteit toetst en leert of het de taak van een klant verbetert. Het combineert productdiscovery, technisch ontwerp, evaluatie en meting na de release. AI kan de implementatie versnellen; de workflow houdt het team gericht op de vraag of de implementatie het juiste probleem oplost.
Dat onderscheid wordt belangrijker naarmate bouwen sneller gaat. In de enquête van Product Institute uit 2026 onder 309 productleiders uit 40 landen zei 88% dat hun organisatie AI-codeerassistenten gebruikt en had 70% AI-functies opgeleverd. Toch zei slechts 36% dat AI de werkwijze van hun organisatie versterkte; 23% zei dat het bestaande zwakke plekken blootlegde en 6% dat het dingen erger maakte. Respondenten beoordeelden de impact van AI als hoog voor engineering (50%) en design (45%), maar slechts 17% voor strategie en roadmapping en 9% voor samenwerking tussen teams (). De enquête is zelfgeselecteerd en het rapport noemt haar richtinggevend, niet representatief, maar het patroon is duidelijk: AI versnelt het deel van het productwerk dat al het snelst ging.
Googles DORA-onderzoek komt voor softwarelevering tot een vergelijkbare conclusie: AI werkt als versterker en vergroot de bestaande sterke en zwakke punten van een organisatie (DORA, 2025). Een team met een zwakke schakel tussen klantbewijs en wat er wordt gebouwd, bouwt gewoon sneller het verkeerde.
Voor het teamwerkmodel dat klantbewijs, codeeragents, productbeslissingen en release-inzichten verbonden houdt, lees je onze gids over AI-native productmanagement voor kleine teams.
Wat zijn de 7 stappen van het AI-productontwikkelingsproces?
De eerste drie stappen zijn AI-productdiscovery: een terugkerende gebruikersbehoefte vaststellen, checken of AI die beter kan bedienen en de riskantste aanname testen voordat je je aan een build verbindt. Stap 4 tot en met 7 zijn levering en leren.
Stap
Kernvraag
Resultaat
NIST AI RMF-functie
1. Het probleem observeren
Wie heeft moeite, wanneer, en wat kost het?
Probleemstelling met bewijs
Map
2. Bepalen of AI past
Is AI beter dan een regel, een zoekfunctie of niets veranderen?
Go/no-go met een benoemd eenvoudiger alternatief
Map
3. De kleinste test doen
Wat zou dit idee het snelst kunnen ontkrachten?
Testresultaat dat een beslissing verandert
Measure
4. Gedrag specificeren
Wat moet het doen, en wat doet het als het niet kan helpen?
Brief met toetsbare acceptatiecriteria
Map, Measure
5. Grenzen stellen
Wat mag het lezen, wijzigen of in gang zetten?
Regels voor rechten en herstel
Govern, Manage
6. Echte taken evalueren
Slaagt het voor representatieve gevallen en faalgevallen?
Geversioneerde evaluatieset en releasedrempel
Measure
7. Releasen en meten
Heeft het de doelgebruiker geholpen, tegen acceptabele kosten?
Beslissing: uitbreiden, aanpassen, pauzeren of stoppen
Manage
De laatste kolom koppelt elke stap aan het NIST AI Risk Management Framework, een vrijwillig kader uit januari 2023 waarvan de kern vier functies heeft: Govern, Map, Measure en Manage (NIST). Je hoeft het kader niet over te nemen om de workflow te gebruiken, maar de koppeling helpt als een klant, investeerder of auditor vraagt hoe je AI-risico's beheert.
1. Begin met een gebruikersprobleem dat je kunt observeren
Schrijf op wie het probleem tegenkomt, wanneer het optreedt, wat die persoon nu doet en wat de huidige workaround kost. Vraag naar een recent geval in plaats van of ze je idee leuk vinden.
Een bruikbare probleembrief ziet er zo uit:
Wanneer [specifieke situatie] zich voordoet, heeft [specifieke gebruiker] moeite met [taak]. Nu [workaround], wat leidt tot [waarneembaar gevolg]. We denken dat [kleine wijziging] [resultaat voor de gebruiker] kan verbeteren. We moeten nog leren [belangrijke onbekende].
Gebruik bewijs zoals een supportverzoek, een klantinterview, een terugkerende workflow of gedrag in productanalytics. Scheid wat je hebt waargenomen van wat je hebt afgeleid. Noemt de probleemstelling je voorgestelde AI-feature eerder dan de taak van de gebruiker, schrijf haar dan om. Ons sjabloon voor een probleemstelling heeft een kopieerbare versie met velden voor bewijs, aannames en onbekenden.
2. Bepaal of AI de juiste oplossing is
Vergelijk een AI-aanpak met een regelgebaseerde flow, een zoek- of filterfunctie, een proces met menselijke ondersteuning of niets veranderen. Googles Rules of Machine Learning beginnen precies zo: regel 1 is dat je niet bang moet zijn een product zonder machine learning te lanceren, en regel 2 dat je eerst metrics ontwerpt en implementeert (Google). Anthropic geeft hetzelfde advies voor LLM-features: zoek de eenvoudigst mogelijke oplossing en voeg alleen complexiteit toe als dat nodig is, wat kan betekenen dat je helemaal geen agent bouwt (Anthropic, 2024).
Googles People + AI Guidebook noemt 8 situaties waarin AI waarschijnlijk beter is dan een regelgebaseerde aanpak en 6 waarin dat waarschijnlijk niet zo is (Google PAIR):
AI is waarschijnlijk beter wanneer…
AI is waarschijnlijk niet beter wanneer…
Verschillende gebruikers verschillende content nodig hebben, of dynamische content beter werkt dan een vaste interface
De kernwaarde voorspelbaarheid is (een Annuleren-knop die op zijn plek blijft)
Je toekomstige gebeurtenissen moet voorspellen
De informatie statisch of beperkt is
Personalisatie de ervaring verbetert
Fouten duur zijn en zwaarder wegen dan de winst
De input natuurlijke taal is
Gebruikers volledige transparantie nodig hebben
Je een hele klasse dingen moet herkennen, of zeldzame gebeurtenissen die in de tijd veranderen
Snelheid en lage kosten belangrijker zijn dan nuance
Een domeinspecifieke agent of bot bij de taak past
De taak veel waarde heeft en mensen hem zelf willen doen
Beantwoord vóór het prototypen vier vragen:
Welk resultaat voor de gebruiker verbetert als AI werkt?
Wat kan misgaan als het antwoord fout, onvolledig of te laat is?
Kan de gebruiker een slecht resultaat herkennen en herstellen?
Met welk eenvoudiger alternatief ga je vergelijken?
3. Doe de kleinste test die je beslissing kan veranderen
Bouw alleen genoeg om te leren of de gebruiker er waarde uit kan halen. Dat kan een klikbaar prototype zijn, een handmatige conciërge-workflow, een model in shadow mode dat productie niet beïnvloedt, of een beperkte feature flag. Kies de test op basis van de riskantste onbekende.
Test je het probleem, observeer dan de huidige workflow voordat je een oplossing toont. Test je de bruikbaarheid, geef mensen een realistische taak en kijk waar ze aarzelen. Test je de modelkwaliteit, gebruik dan representatieve voorbeelden en vergelijk het resultaat met een duidelijke verwachting. Test je de bereidheid tot adoptie, vraag dan om een betekenisvolle vervolgstap, zoals echte data koppelen of terugkeren naar de workflow.
Leg vast wat de test wel en niet kan bewijzen. Een demo met een indrukwekkend resultaat laat niet zien dat klanten haar herhaaldelijk zullen gebruiken. Een wachtlijst meet uitgesproken interesse, geen retentie. Voor een vroeg AI-prototype helpt dit productvalidatieplan voor zeven dagen om van een werkende demo waargenomen bewijs te maken.
4. Specificeer gedrag en acceptatiecriteria voordat je de prompt oppoetst
Schrijf op: de gebruiker, de taak, de informatie die de feature mag gebruiken, de verwachte output, de belangrijke randgevallen en wat er gebeurt als het systeem niet kan helpen. Houd de acceptatiecriteria bij gedrag dat de gebruiker ziet, niet alleen bij implementatiedetails.
"Gebruik de nieuwste klantcontext" is bijvoorbeeld te vaag. Een toetsbare eis kan luiden: "Als de gebruiker om een samenvatting vraagt, toon dan de gebruikte bronrecords en datums; zijn er geen relevante records, zeg dat dan en verzin geen antwoord." Het team kan dan evalueren of de feature zich zo gedraagt in realistische gevallen.
Neem het probleem, het bewijs, de scope, de niet-doelen, de risico's, voorbeelden en openstaande vragen op in een brief die engineers kunnen beoordelen. Schrijft een AI de brief, check haar beweringen dan tegen het bewijs voordat iemand erop bouwt.
5. Stel duidelijke grenzen voor data, acties en herstel
De productgrens van een feature beschrijft wat ze mag lezen, wijzigen, aanbevelen of in gang zetten en wat onder menselijke controle blijft. Beslis dat voordat je het model koppelt aan gevoelige bronnen of het acties laat uitvoeren.
Anthropic trekt hier een bruikbare lijn: workflows laten LLM's en tools via vooraf bepaalde codepaden lopen, terwijl agents hun eigen proces en toolgebruik sturen en daarbij latentie en kosten inruilen voor flexibiliteit (Anthropic, 2024). De meeste productfeatures zouden als workflow moeten beginnen. Een praktische autonomieladder:
Niveau
Wat de AI mag doen
Typische menselijke controle
Goede eerste toepassing voor
1. Voorstellen
Een aanbeveling tonen die de gebruiker kan negeren
Geen nodig
Zoeken, ranking, taggen
2. Opstellen
Output maken die een persoon bewerkt en verstuurt
Review voor gebruik
Samenvattingen, antwoorden, specs
3. Handelen met bevestiging
Een actie uitvoeren nadat de gebruiker die goedkeurt
Expliciete bevestiging, ongedaan maken
Bulkwijzigingen, tickets aanmaken
4. Autonoom handelen
Acties uitvoeren zonder goedkeuring per actie
Monitoring, limieten, auditlog
Laag-risico, omkeerbare taken met hoog volume
Google PAIR's richtlijnen over automatisering versus augmentatie sluiten op dezelfde ladder aan: automatiseer taken die saai, repetitief of gevaarlijk zijn; vul aan in plaats van te vervangen bij taken die mensen leuk vinden, waar persoonlijke verantwoordelijkheid telt of waar veel op het spel staat (Google PAIR).
Maak het volgende zichtbaar voor het team en de gebruiker:
Tot welke databronnen de feature toegang heeft en welke ze moet negeren.
Of ze alleen kan voorstellen, of ook kan schrijven, versturen, verwijderen, kopen of publiceren.
Welke acties een review of bevestiging door een persoon vereisen.
Hoe gebruikers een slecht resultaat kunnen corrigeren, ongedaan maken of melden.
Wat het product doet als het vertrouwen laag is, een bron ontbreekt of een tool uitvalt.
Microsofts 18 Guidelines for Human-AI Interaction zijn precies rond deze momenten opgebouwd: wat het systeem in het begin moet doen, tijdens de interactie, als het fout zit en na verloop van tijd (Microsoft Research, 2019). "Als het fout zit" is de fase die teams als laatste ontwerpen en waar gebruikers als eerste mee te maken krijgen. De gids over afgebakende AI-beslissingen in productworkflows behandelt deze afweging uitgebreider.
6. Evalueer realistische taken, inclusief de mislukkingen
Maak een kleine, representatieve evaluatieset van echte gebruikerstaken en bekende randgevallen. Noteer bij elk voorbeeld het verwachte gedrag en waarom het ertoe doet. Neem gewone gevallen op, ontbrekende context, dubbelzinnige verzoeken, tegenstrijdige bronnen en gevallen waarin het systeem moet weigeren of een vraag moet stellen.
Gebruik meer dan één controle:
Taakkwaliteit: Heeft het resultaat de gebruiker geholpen de taak af te ronden?
Grounding: Kan een reviewer belangrijke beweringen terugvoeren op de juiste bron?
Volledigheid: Heeft het de vereiste onderdelen gedekt zonder onbewezen details toe te voegen?
Omgaan met falen: Heeft het onzekerheid benoemd, zich onthouden of overgedragen waar dat gepast was?
Operationele fit: Zijn latentie en kosten acceptabel voor de geleverde waarde?
Geautomatiseerde controles vangen herhaalbare fouten op, maar menselijke review blijft nuttig voor oordelen die context vragen. Vergelijk model- of promptwijzigingen met dezelfde gevallen, zodat een nieuwe versie niet het ene voorbeeld verbetert en het andere kapotmaakt. Vermijd een verzonnen universeel slagingspercentage: stel releasecriteria vast op basis van de impact op gebruikers en de kosten van falen. Ons AI-evaluatiekader voor productteams heeft een herbruikbaar plan, en de acceptatiechecklist voor door AI gegenereerde code behandelt het beoordelen van de featurecode zelf als een agent die heeft geschreven.
7. Release geleidelijk en meet het resultaat voor de gebruiker
Gebruik een beperkte uitrol of een feature flag als risico en product dat toelaten. Monitor zowel het resultaat van de gebruiker als het gedrag van het AI-systeem. Afhankelijk van de taak zijn nuttige signalen: succesvol afgeronde taken, tijd tot een bruikbaar resultaat, correctie- of afwijzingspercentage, herhaald gebruik, supportmeldingen, frequentie van fallbacks, latentie en kosten per afgeronde taak.
Kies vóór de release één primair resultaat voor de gebruiker. Houd betrouwbaarheids- en kostenmaten als vangrails. Een feature kan een hoog klikpercentage hebben en toch weinig waarde opleveren; ze kan ook nuttig zijn voor een kleine groep terwijl het totale gemiddelde bescheiden oogt. Splits resultaten uit per klantsegment en workflow en praat met mensen die de feature hebben gebruikt én met mensen die zijn gestopt.
Neem aan het einde van de uitrol een expliciete beslissing: uitbreiden, het probleem of de oplossing aanpassen, de feature aanhouden voor meer bewijs of stoppen. Gartners drie voorspelde oorzaken van geschrapte agentic-AI-projecten (oplopende kosten, onduidelijke bedrijfswaarde, ontoereikende risicobeheersing) zijn precies wat deze beslissing moet toetsen (Gartner, 2025). Bewaar het bewijs en de reden voor de beslissing bij elkaar, zodat de volgende builder de context niet uit tickets en chatberichten hoeft te reconstrueren.
Hoe ziet de workflow eruit bij een echte feature?
Illustratief voorbeeld (een fictief team, geen klantresultaat). Stel dat een B2B-SaaS-team van 6 mensen wordt gevraagd om "AI-gespreksamenvattingen" voor zijn accountmanagers.
Probleem. Interviews met 7 accountmanagers laten zien dat 5 na drukke dagen geen gespreksnotities schrijven en opnames opnieuw beluisteren voor verlengingen. Dat is het waargenomen gedrag; "ze willen AI-samenvattingen" is dat niet.
Fit. De input is een lang, ongestructureerd gesprek, dus werk met natuurlijke taal waarin AI aannemelijk beter is. Het eenvoudiger alternatief, een notitiesjabloon plus zoeken in transcripties, gaat mee in de vergelijking.
Kleinste test. Twee weken lang schrijft de PM met de hand samenvattingen voor 10 gesprekken (een conciërgetest). 4 van de 5 accountmanagers gebruiken ze voor verlengingsgesprekken; het sjabloonalternatief wordt één keer gebruikt.
Gedrag. Elke samenvatting moet voor elke toezegging tijdstempels uit de transcriptie noemen en "Geen toezeggingen gevonden" zeggen in plaats van er een te verzinnen. Gesprekken van minder dan 2 minuten krijgen geen samenvatting.
Grenzen. Niveau 2 van de autonomieladder: alleen-lezen toegang tot transcripties, niets schrijven naar het CRM, en de accountmanager bewerkt voordat hij deelt.
Evaluatie. 40 echte gesprekken, waaronder 8 moeilijke gevallen (twee talen, door elkaar praten, een geannuleerde verlenging). Releasedrempel: nul verzonnen toezeggingen en minstens 34 van de 40 samenvattingen door twee accountmanagers als nuttig beoordeeld.
Release. 2 van de 6 accountmanagers gedurende 3 weken. Primair resultaat: aandeel gesprekken met notities die binnen 24 uur zijn vastgelegd. Vangrails: bewerkingspercentage, latentie en kosten per samenvatting. Beslissing op dag 21.
Elk getal hier is een teambeslissing, geen benchmark. Het punt is dat elke stap iets oplevert dat de volgende stap kan gebruiken.
Een kopieerbare brief voor een AI-feature
Gebruik deze korte brief om productdenken met implementatie te verbinden:
Veld
Wat je schrijft
Doelgebruiker en situatie
Wie heeft het probleem, en wanneer treedt het op?
Bewijs
Wat deden, zeiden of omzeilden gebruikers? Wat is nog een aanname?
Resultaat voor de gebruiker
Wat moet makkelijker, sneller, veiliger of betrouwbaarder worden?
Waarom AI
Wat maakt AI mogelijk dat een eenvoudiger alternatief niet kan?
Input en output
Wat mag de feature gebruiken en wat moet de gebruiker krijgen?
Autonomieniveau
Voorstellen, opstellen, handelen met bevestiging of autonoom handelen?
Grenzen
Waartoe mag ze toegang hebben of wat mag ze wijzigen? Wanneer moet ze vragen, zich onthouden of overdragen?
Evaluatiegevallen
Welke echte taken en faalgevallen moet ze doorstaan?
Vangrails voor de release
Welke kwaliteits-, veiligheids-, latentie- en kostensignalen moeten worden bewaakt?
Beslissing na de lancering
Welk bewijs zou het team doen uitbreiden, aanpassen of stoppen?
Zie de brief als hulpmiddel bij beslissingen, niet als weer een documentatieritueel. Helpt een veld niemand om een productbeslissing te nemen of te beoordelen, vereenvoudig het dan.
Wat zijn de meest voorkomende fouten bij AI-productontwikkeling?
Beginnen bij het model. "We hebben toegang tot een nieuw model, wat kunnen we bouwen?" slaat stap 1 over. Begin bij een taak waar iemand al moeite mee heeft.
Het eenvoudiger alternatief overslaan. Heb je AI nooit vergeleken met een regel, een sjabloon of zoeken, dan weet je niet of AI haar kosten heeft verdiend.
Zelfvertrouwen op basis van een demo. Een geweldige output bij 5 handgekozen voorbeelden zegt weinig over de 40 rommelige gevallen die gebruikers inbrengen.
Lanceren op een te hoog autonomieniveau. Begin bij "opstellen" en ga pas omhoog als correctiepercentages laten zien dat mensen de output vertrouwen.
Geen primair resultaat. Zonder lijkt elke lancering een succes, omdat er wel een metriek omhoog ging.
De redenering kwijtraken. Zes maanden later weet niemand meer waarom de grens waar ligt. Leg de beslissing vast met het bewijs.
Hoe passen product engineers en builders in de workflow?
Product engineers kunnen vóór de implementatie bijdragen door technische randvoorwaarden in de probleemformulering in te brengen, mee te doen aan gebruikersonderzoek en te checken of de voorgestelde workflow werkt met de beschikbare data en systemen. Atlassian beschrijft product engineering als technische excellentie plus klantcontext plus strategisch probleemoplossen, en noemt klantcontext de onderscheidende factor (Atlassian, 2026). Het praktische punt: engineers moeten begrijpen waarom een probleem ertoe doet, niet alleen welke code ze moeten schrijven.
Oprichters en productleads blijven eigenaar van de productbeslissing: welke gebruiker je bedient, welk resultaat telt, welk risico acceptabel is en of het bewijs de volgende investering rechtvaardigt. AI-codeertools kunnen helpen bij opstellen, prototypen, samenvatten en controleren. Ze stellen niet vast dat het gekozen probleem belangrijk is of dat een feature het leven van de klant heeft verbeterd.
Waar past Specky
Specky is gebouwd rond de verbonden versie van deze cyclus. Het leest klantgesprekken, feedback, Slack, Jira en analytics in een Product Graph in, stelt specs en tickets op met het klantbewijs inline geciteerd en controleert na de lancering of de gok heeft gewerkt, zodat stap 1, 4 en 7 één record delen in plaats van drie tools. Via de MCP-server kunnen codeeragents die context ophalen voordat ze bouwen. Vergelijk je opties, dan zet ons overzicht van AI-tools voor productmanagement de alternatieven naast elkaar, inclusief prijzen.
Veelgestelde vragen
Wat is de eerste stap in een workflow voor AI-productontwikkeling?
Begin met een specifiek gebruikersprobleem en bewijs van hoe mensen er nu mee omgaan. Bepaal dan welke onzekerheid het idee kan ontkrachten voordat je een uitgebreide prompt schrijft of een compleet product bouwt. Als je het probleem niet kunt beschrijven zonder je AI-feature te noemen, heb je het nog niet gevonden.
Wat is de meest effectieve manier om AI in een bestaand productontwikkelingsproces te integreren?
Voeg AI toe waar je proces al goed is, niet waar het zwak is. DORA's onderzoek beschrijft AI als een versterker van bestaande sterke en zwakke punten. In de praktijk: houd discovery en besluitvorming op hun plek, voeg een "moet dit AI gebruiken?"-check toe vóór het bouwen, een evaluatieset vóór de release en een resultaatcheck na de lancering.
Hoe meet je of een AI-feature succesvol is?
Meet het resultaat van de kerntaak van de gebruiker en bewaak daarna betrouwbaarheid, herstel, latentie, kosten en herhaald gebruik als vangrails. De juiste maten hangen af van de taak en de impact van een slecht resultaat; er is geen enkele universele kwaliteitsscore. Kies het primaire resultaat vóór de release, zodat de uitkomst achteraf niet anders kan worden uitgelegd.
Moet elke AI-feature volledig geautomatiseerd lanceren?
Nee. Begin met het kleinste autonomieniveau dat de gebruiker helpt, meestal voorstellen of opstellen. Aanbevelingen, concepten en omkeerbare acties hebben minder controles nodig dan acties die andere mensen, geld of belangrijke records raken. Ga pas omhoog op de autonomieladder als correctie- en foutpercentages laten zien dat de output wordt vertrouwd.
Kan een product engineer AI-productdiscovery leiden?
Ja. Product engineers kunnen gebruikers interviewen, workflows onderzoeken en samen met PM's en designers prototypes vormgeven. Belangrijk is dat je direct klantbewijs bewaart en productbeslissingen expliciet maakt, in plaats van implementatiesnelheid als bewijs van waarde te zien.
Hoe lang duurt de workflow voor AI-productontwikkeling?
Bij een kleine feature kunnen stap 1 tot en met 3 een tot twee weken duren, en een beperkte release heeft meestal twee tot vier weken echt gebruik nodig vóór de beslissing. De workflow schaalt mee met het risico: een laag-risico suggestiefeature heeft een lichtere evaluatieset nodig dan een feature die naar klantrecords schrijft.
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