16 juni 2026Bijgewerkt op Fathy Shalaby13 min leestijd
Product-market fit bij AI: zo test, meet en bereik je het
Product-market fit bij AI is geen virale demo. Het is een duidelijk omschreven klant die blijft terugkomen voor dezelfde taak als de nieuwigheid eraf is, tegen een kostprijs per taak die je kunt dragen. Zo test je het.
Product-market fit bij AI betekent dat een specifieke groep klanten jouw AI-product gebruikt om een taak af te ronden die ze belangrijk vinden, blijft terugkomen als de nieuwigheid eraf is en meer betaalt dan elke succesvol afgeronde taak jou kost om te leveren. Test het met drie signalen samen: minimaal 40% "very disappointed" in de Sean Ellis-enquête, cohortretentie die na maand 3 afvlakt en een positieve brutomarge per afgeronde taak.
Belangrijkste punten
Marc Andreessen definieerde product/market fit in 2007 als in een goede markt zitten met een product dat die markt kan bedienen. Modelkwaliteit is één ingrediënt, niet de definitie (pmarchive, 2007).
De benchmark van 40% "very disappointed" kwam van Sean Ellis, die bijna honderd startups vergeleek. Superhuman gebruikte hem om van 22% naar 58% te komen (First Round Review, 2018).
AI-producten trekken "toeristen" aan. a16z stelt voor retentie vanaf maand 3 te meten, niet vanaf maand 0 (a16z, 2025).
Snelle AI-omzet kan zwakke economie verbergen: Bessemers snelst groeiende AI-cohort had gemiddeld ongeveer 25% brutomarge, vaak negatief (Bessemer, 2025).
43% van de 431 door durfkapitaal gesteunde startups die sinds 2023 zijn gestopt, noemde slechte product-market fit (CB Insights, 2026).
Wat is product-market fit?
Andreessens oorspronkelijke definitie is kort: product/market fit betekent "in een goede markt zitten met een product dat die markt kan bedienen" (pmarchive, 2007). Het onderliggende idee schrijft hij toe aan Andy Rachleff, eerder bij Benchmark Capital, samengevat als: "Als een geweldig team een waardeloze markt tegenkomt, wint de markt."
Andreessen beschreef ook hoe het voelt. Zonder fit verspreidt mond-tot-mondreclame zich niet, slepen salescycli zich voort en lopen deals vast. Met fit kopen klanten zo snel als je kunt leveren en loopt het gebruik voor op je servers.
Die beschrijving is levendig maar moeilijk te meten. In de praktijk zoeken teams naar een patroon in vier soorten bewijs:
Uitgesproken waarde: gebruikers zeggen dat ze erg teleurgesteld zouden zijn als ze het product kwijtraakten.
Gedrag: cohorten blijven het gebruiken in het natuurlijke ritme van de taak.
Geld: klanten betalen, verlengen en breiden uit.
Pull: nieuwe gebruikers komen binnen zonder dat je elk afzonderlijk hoeft te duwen.
Eén signaal op zichzelf is een hypothese. Drie of vier die dezelfde kant op wijzen, is het dichtst bij bewijs wat je gaat krijgen.
Wat is er anders aan product-market fit bij AI?
"AI market fit" is geen apart concept. Het is product-market fit met drie extra valkuilen die vroege cijfers er beter uit laten zien dan ze zijn.
Valkuil 1: nieuwigheidsverkeer lijkt op vraag
Generatieve AI-producten krijgen nieuwsgierige aanmeldingen van mensen die het product één keer proberen en weer weggaan. a16z noemt ze "AI tourists" en stelt voor de retentie- en acquisitiesommen van maand 0 naar maand 3 te herbasen, omdat curves van AI-producten vaak rond M3 afvlakken (a16z, 2025). Hun voorgestelde vooruitlopende indicator is M12 gedeeld door M3: hoe goed de klanten die de toeristen-churn hebben overleefd presteren in hun eerste volledige jaar.
Valkuil 2: omzet groeit sneller dan marges
Bessemers State of AI 2025 verdeelde snelgroeiende AI-bedrijven in twee groepen (Bessemer, 2025):
Benchmark
"Supernovas"
"Shooting Stars"
ARR in jaar 1
~$40 mln
~$3 mln
Brutomarge
~25%, vaak negatief
~60%
ARR in jaar 1 per medewerker
$1,13 mln
~$164K
Retentierisico
Fragiel bij lage overstapkosten
Behouden en breiden klanten uit
Bessemers eigen waarschuwing is dat vroege hypergroei alleen minder betekent dan vroeger. Een product waar klanten van houden maar dat op elke taak geld verliest, heeft vraag gevonden, nog geen bedrijf.
Valkuil 3: "het model antwoordde" is niet "de taak is gedaan"
Een AI-systeem kan een vloeiend antwoord geven dat de gebruiker alsnog moet controleren, repareren, ergens anders moet plakken of opnieuw moet doen. Tel de uitkomst van de klant, niet prompts, sessies of modelaanroepen. Een hoog aantal generaties kan nuttig werk betekenen, maar ook herhaalpogingen en frustratie.
Meet na elke AI-output de volgende actie van de gebruiker: geaccepteerd, bewerkt, afgewezen, opnieuw geprobeerd of verlaten. Die ene eventstroom vertelt je meer over product-market fit bij AI dan welk engagementdashboard ook. Voor het bepalen van wat "goede output" is voordat je meet, zie ons AI-evaluatiekader voor productteams.
Hoe weet je of je product-market fit hebt?
Geen enkel getal beslist het. Lenny Rachitsky verzamelde de signalen die praktijkmensen echt gebruiken (Lenny's Newsletter, 2020). Hier zijn ze, gesorteerd op het moment waarop ze zichtbaar worden:
Signaal
Vooruitlopend of achterlopend
Drempel die praktijkmensen gebruiken
Bron
Sean Ellis-enquête
Vooruitlopend (vanaf dag één)
40%+ "very disappointed"
Ellis, via First Round Review
Cohortretentiecurve
Achterlopend (maanden)
Curve vlakt af in plaats van naar nul te zakken
Brian Balfour, via Lenny
Organische acquisitie
Achterlopend
Meer dan 50% van de nieuwe accounts via direct of organisch verkeer
Merci Grace, via Lenny
Pull bij de trial
Aan het einde van de trial (weken)
Klant protesteert als je het product weghaalt
Andy Rachleff en Doug Leone, via Lenny
Burn multiple
Achterlopend
Lagere netto burn per nieuwe ARR-dollar; $1 mln ARR bij $2 mln burn verslaat $1 mln bij $5 mln
David Sacks, via Lenny
Wat is een goed retentiepercentage?
Rachitsky en Casey Winters ondervroegen 20 growth-praktijkmensen naar benchmarks voor gebruikersretentie na zes maanden (Lenny's Newsletter, 2020):
Categorie
Goed na 6 maanden
Geweldig na 6 maanden
Consumenten-SaaS
~40%
~70%
SaaS voor mkb en middenmarkt
~60%
~80%
Enterprise-SaaS
~70%
~90%
Deze cijfers dateren van vóór de golf van generatieve AI. Vergelijk een AI-product ermee nadat je naar M3 hebt geherbaseerd, en beoordeel retentie per use case in plaats van voor de hele gebruikersbasis, zoals Bessemers AI-playbook aanbeveelt (Bessemer, 2025).
Wat zegt het "tweede gebruik" je?
De tweede taak telt zwaarder dan de eerste. Bessemer meldt dat in het begin 80% van de Perplexity-gebruikers die één zoekopdracht deden er nog een deed, en dat het bedrijf 100% nastreefde (Bessemer, 2025). Jouw equivalent is het aandeel gebruikers dat terugkomt als de volgende geschikte taak zich aandient.
Hoe test je product-market fit voor een AI-product?
Gebruik deze lus van zeven stappen. Voor de meeste producten met een wekelijkse taak duurt het vier tot zes weken, bij maandelijkse taken langer.
Benoem één segment, één taak en één trigger. Schrijf: "Wanneer [trigger] gebeurt, moet [rol] [taak] doen om [uitkomst] te bereiken." "Teams die AI willen" is geen segment. "Supportleads bij SaaS-bedrijven met 10-50 mensen die een ticket moeten beantwoorden vóór de SLA" wel.
Bepaal het natuurlijke ritme van de taak. Een dagelijkse supportwachtrij kun je wekelijks beoordelen. Een kwartaalplanningstaak zou je nooit moeten beoordelen op dagelijks actieve gebruikers.
Instrumenteer uitkomsten, niet activiteit. Log taak gestart, AI-output getoond, gebruikersactie (accepteren, bewerken, afwijzen, opnieuw proberen, overdragen) en taak afgerond. Sla ruwe prompts over tenzij je ze nodig hebt en kunt beschermen.
Draai de Sean Ellis-enquête bij geschikte gebruikers. Ondervraag mensen die de kernworkflow de afgelopen twee weken minstens twee keer hebben gebruikt. Zo'n 40 reacties geven een richtinggevend beeld (First Round Review, 2018). Ons sjabloon voor een product-market-fit-enquête bevat de vier vragen en een scoreblad.
Herbaseer retentie naar M3. Zet maandelijkse cohorten uit en deel latere maanden door M3 om te zien of overlevers blijven.
Bereken de kosten per succesvolle taak. Modeluitgaven, herhaalpogingen, menselijke review en supporttijd, gedeeld door de taken die de klant als gedaan bevestigde. Vergelijk dat met de omzet per taak.
Beslis. Verdiep het segment dat het hoogst scoort, maak de taak smaller, verander van aanpak of stop. Schrijf op welk resultaat je van gedachten had doen veranderen.
Uitgewerkt voorbeeld: een AI-tool voor supportantwoorden (illustratief)
Stel dat een team van vier een AI-tool verkoopt die antwoorden op supporttickets opstelt voor €300 per maand. Na een kwartaal:
Activatie: 140 accounts meldden zich aan; 61 (44%) rondden een eerste echt ticket af.
Enquête: 48 geschikte gebruikers antwoordden; 17 zeiden "very disappointed". Dat is 35%, onder de grens van 40%.
Segmentatie: supportleads bij SaaS-bedrijven met 10-50 mensen scoorden 13 van 24 (54%). Alle anderen scoorden 4 van 24 (17%).
Retentie: accountretentie was 62% in M1, 41% in M3 en 38% in M6. Geherbaseerd naar M3 is M6 93%. De curve vlakt af.
Outputkwaliteit: 58% van de concepten werd met lichte bewerking verstuurd, 27% zwaar bewerkt, 15% weggegooid.
Economie: een gemiddeld account lost met de tool 1.200 tickets per maand op, dus de omzet is €0,25 per opgelost ticket. Elk concept kost €0,05 aan modeluitgaven, gebruikers genereren 2,6 concepten per opgelost ticket, en infrastructuur plus support voegen €0,04 toe. Kosten: €0,17. Brutomarge: 32%.
De conclusie: sterke fit in één segment, zwakke fit overal elders, en marges die door herhaalpogingen omlaag worden getrokken. De beslissing is de positionering te versmallen tot het segment van 54% en regeneraties te beperken. Als de concepten per opgelost ticket dalen van 2,6 naar 1,5, dalen de kosten naar €0,115 en stijgt de marge naar 54%.
Let op de kleine aantallen. Bij 24 respondenten heeft een score van 54% een foutmarge van ongeveer ±20 punten. Zie het als reden om de volgende ronde te draaien, niet als vonnis.
Hoe valideer je product-market fit vóór de lancering?
Je kunt fit niet bewijzen voordat mensen het product gebruiken, maar je kunt wel bewijs verzamelen dat het voorspelt. Het sterkste signaal vóór het product in Rachitsky's overzicht is bereidheid om nu te betalen, zoals een factuur voor vroege toegang (Lenny's Newsletter, 2020).
Van zwakst naar sterkst:
Complimenten tijdens een demo of interview.
Aanmeldingen voor een wachtlijst.
Een klant die een echte taak meebrengt naar een concierge- of Wizard-of-Oz-test.
Een getekende intentieverklaring met een genoemd budget.
Hoe bereik je product-market fit zodra je een signaal ziet?
Rahul Vohra's verslag over Superhuman is het duidelijkste gepubliceerde playbook (First Round Review, 2018):
Meten. Superhumans eerste enquête in de zomer van 2017 scoorde 22% "very disappointed".
Segmenteren. Focussen op de persona's die er het meest van hielden (founders, managers, executives en business development) tilde de score naar 33% zonder het product te veranderen.
De klant met hoge verwachtingen beschrijven. Met de antwoorden op "wie profiteert het meest" schreef het team een profiel van de gebruiker die het meeste uit het product zou halen.
De roadmap splitsen. De ene helft versterkte waar fans van hielden, zoals snelheid en sneltoetsen. De andere helft loste op wat de "somewhat disappointed"-gebruikers tegenhield die dat kernvoordeel deelden, zoals een mobiele app en agendafuncties.
Volgen. De score werd wekelijks, maandelijks en per kwartaal bekeken. Binnen drie kwartalen bereikte hij 58%.
Fit kan ook snel bewegen als het probleem in de positionering zit in plaats van in het product. Sean Ellis heeft beschreven hoe Lookout begon met 7% "very disappointed". Het merendeel van die 7% waardeerde antivirus, dus het team bouwde de onboarding eromheen opnieuw op en bereikte in ongeveer twee weken 40% en zes maanden later 60% (Lenny's Podcast, 2024).
Ter vergelijking: Hiten Shahs enquête uit 2015 onder 731 Slack-gebruikers liet zien dat 51% erg teleurgesteld zou zijn zonder Slack (First Round Review, 2018).
Waarom verwarren startups vroege tractie met product-market fit?
CB Insights' onderzoek van maart 2026 naar 431 stopgezette door durfkapitaal gesteunde startups sinds 2023 vond slechte product-market fit genoemd in 43% van de gevallen waarin een reden te achterhalen was (CB Insights, 2026). Geld dat opraakte werd in 70% genoemd, maar CB Insights noemt dat de uiteindelijke oorzaak, niet het onderliggende probleem.
Opschalen vóór fit maakt het erger. Startup Genome's data uit 2011 over meer dan 3.200 snelgroeiende startups vonden voortijdig opschalen bij 70% van de onderzochte mislukkingen, en startups die goed opschaalden groeiden 20 keer sneller (TechCrunch, 2011). We werken dit patroon uit in startups komt niet geld maar bewijs tekort.
Veelgemaakte fouten bij het meten van product-market fit bij AI
Alle aanmeldingen ondervragen. Mensen die de kernworkflow nooit bereikten, meten de onboarding, niet de fit.
Middelen over segmenten. Een totaalscore van 30% kan een segment van 60% verbergen waarvoor je zou moeten bouwen.
M0-retentie lezen bij een AI-product. Toeristen-churn laat de eerste twee maanden slechter lijken en een virale lancering laat ze beter lijken. Herbaseer.
Generaties als waarde tellen. Herhaalpogingen blazen het gebruik op. Tel bevestigde uitkomsten.
Kosten per taak negeren. Fit bij een negatieve marge is een prijs- of architectuurprobleem dat je nog steeds moet oplossen.
Een pilot als fit behandelen. Enterprise-AI-pilots lopen vaak vast vóór productie. Onze analyse van waarom AI-pilots mislukken behandelt wat het veelgeciteerde MIT-cijfer mat.
Het getal alleen laten beslissen. Als enquêtescores en retentie elkaar tegenspreken, onderzoek dan de afwijking in plaats van het signaal te kiezen dat je liever hebt.
Wanneer is dit kader niet van toepassing?
Producten met lage frequentie (belastingaangifte, jaarplanning) leveren geen bruikbare 30-dagencohorten op; gebruik verlengingen en aanbevelingen. Grote enterprise-deals met zes maanden inkoop hebben de test "haal de trial weg" meer nodig dan een enquête. En infrastructuurproducten voor ontwikkelaars tonen fit vaak via gebruiksgebaseerde omzetgroei voordat een enquête zinvol is.
Waar Specky past
De meeste teams verliezen het bewijs voor product-market fit bij AI tussen tools: enquêteantwoorden in een formulier, interviewnotities in documenten, gebruik in analytics, beslissingen in Slack. Specky leest die bronnen in één Product Graph, zodat de antwoorden "very disappointed", het segment waar ze vandaan kwamen en de tickets die volgden gekoppeld blijven. Alex, Speckys AI-onderzoeksagent, voert vervolginterviews uit via een deelbare link, en de PRD Editor stelt de volgende spec op met dat klantbewijs inline geciteerd. Na de lancering kun je controleren of de bet het getal echt heeft bewogen.
Veelgestelde vragen
Wat is AI market fit?
AI market fit is product-market fit voor een product waarin AI het kernwerk doet. De definitie verandert niet: een duidelijk omschreven klant haalt herhaaldelijk waarde eruit en betaalt ervoor. Wat verandert is het meten. Je moet nieuwigheidsaanmeldingen eraf trekken door retentie naar maand 3 te herbaseren, outputs beoordelen op wat gebruikers daarna doen en controleren dat de kosten per succesvolle taak onder de omzet per taak blijven.
Hoe test je product-market fit voor een AI-startup?
Kies één segment en één taak, instrumenteer taakuitkomsten en draai de Sean Ellis-enquête bij gebruikers die de kernworkflow in twee weken minstens twee keer gebruikten. Combineer de benchmark van 40% met cohortretentie geherbaseerd naar maand 3 en de brutomarge per afgeronde taak. Als alle drie dezelfde kant op wijzen bij minstens 40 reacties en drie maandcohorten, heb je een sterk signaal.
Hoe lang duurt het om product-market fit te vinden?
Er is geen betrouwbaar gemiddelde. Gepubliceerde gevallen lopen sterk uiteen. Superhuman had ongeveer drie kwartalen gericht werk nodig om van 22% naar 58% te komen, terwijl Lookout van 7% naar 40% ging in ruwweg twee weken door positionering en onboarding te veranderen. Wat het zoeken verkort is een snelle leercyclus, niet een groter team.
Is de 40%-test van Sean Ellis genoeg om product-market fit te bewijzen?
Nee. Ellis zelf noemt het een vooruitlopende indicator, nuttig omdat hij een signaal geeft voordat retentiedata zijn uitgerijpt. Zie een score van 40%+ als toestemming om kritischer naar retentie, organische groei en unit economics te kijken. Een hoge score uit een piepkleine of handgekozen steekproef bewijst weinig.
Wat is een goed retentiepercentage voor een AI-product?
Begin bij de SaaS-benchmarks: ruwweg 40% retentie na zes maanden is goed voor consumenten-SaaS, 60% voor mkb en middenmarkt, 70% voor enterprise. Meet bij AI-producten vanaf maand 3 om toeristen-churn weg te halen, en kijk dan of de curve vlak blijft. Een curve die na maand 3 blijft dalen is een waarschuwing, ook als de startcijfers sterk leken.
Is er een tool die product-market fit meet?
Elke enquêtetool kan de Sean Ellis-vraag stellen, en elke productanalyticstool kan cohorten plotten. Het lastige is ze te koppelen: weten welk segment "very disappointed" zei, wat het daarna deed en welke productbeslissing volgde. Die koppeling, niet het enquêteformulier, is waar de meeste teams het signaal kwijtraken.
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