5 november 2026Bijgewerkt op Fathy Shalaby16 min leestijd
Wat doet een AI product manager? Rol, verantwoordelijkheden en vaardigheden
Een AI product manager bepaalt waar AI thuishoort, definieert hoe die zich gedraagt als hij het fout heeft, stelt de evaluatielat vast en is eigenaar van het resultaat. Verantwoordelijkheden, vaardigheden, een rolvergelijking en een functieomschrijving om te kopiëren.
Een AI product manager bepaalt welk gebruikersprobleem de moeite waard is om met AI op te lossen, definieert hoe het systeem zich moet gedragen als het gelijk heeft, twijfelt of het mis heeft, stelt vóór de lancering de evaluatielat vast en is eigenaar van de vraag of de feature het werk van de gebruiker verbetert nadat die live is. De rol behoudt het gewone productoordeel en voegt daar beslissingen over data, modelgedrag, kosten, risico en menselijk toezicht aan toe.
Belangrijkste punten
De titel staat voor drie verschillende banen. Een PM die AI-tools gebruikt, een PM die een AI-feature beheert en een PM voor een AI-native product. Alleen de laatste twee hebben de onderstaande vaardigheden nodig.
Evaluatie is de nieuwe spec. Generatieve AI geeft bij dezelfde input verschillende output, dus schrijft de AI PM testcases en een slaaggrens, niet alleen requirements (SVPG, 2024).
Adoptie is niet langer het moeilijke deel. 88% van de organisaties gebruikt AI in minstens één functie, maar slechts ongeveer een derde schaalt het op (McKinsey, 2025).
Het werk gaat door na de lancering. Modelupdates, promptwijzigingen en nieuw gebruikersgedrag verschuiven allemaal de kwaliteit, dus iemand moet evals opnieuw draaien en correctiepercentages in de gaten houden.
Een goede functieomschrijving voor een AI PM noemt één productgebied, één uitkomst en de grens met engineering. Kopieer het onderstaande template.
Wat is een AI product manager?
Een AI product manager is een product manager wiens beslissingen bepalen hoe een AI-systeem zich binnen een product gedraagt. Marty Cagan en Marily Nika definiëren AI product management als het maken van AI-gedreven producten, en niet als het gebruik van AI-tools door PM's (SVPG, 2024).
De titel wordt gebruikt voor drie soorten werk:
Wat de titel betekent
Waar de PM eigenaar van is
AI-PM-vaardigheden nodig?
Een PM die AI-tools gebruikt
Normaal productwerk, waarbij AI helpt bij onderzoekssynthese, concepten en analyse
Eén feature die een model gebruikt binnen een groter product, zoals antwoordsuggesties of AI-zoeken
Ja
Een PM voor een AI-native product
Een product waarin AI centraal staat in de workflow en de kwaliteit afhangt van hoe onzekerheid en uitzonderingen worden afgehandeld
Ja, diepgaand
De tools zelf zijn al overal. In het onderzoek van Product Institute uit 2026 onder 309 productleiders zei 85% AI-tools te gebruiken voor productwerk en 70% dat ze AI-features hadden opgeleverd (Product Institute, 2026). ChatGPT gebruiken om interviews samen te vatten maakt iemand nog geen AI PM. Eigenaar zijn van het gedrag van een AI-feature wel.
Waarom de rol er nu is
Andrew Ng betoogde in januari 2025 dat AI product management andere vaardigheden vraagt dan traditioneel softwareproductmanagement, en voorspelde een zeer sterke vraag naar goede AI PM's (The Batch, 2025). Wervingsdata wijzen dezelfde kant op: 2,5% van de Amerikaanse vacatures noemt inmiddels AI-vaardigheden, 55% meer dan het jaar ervoor (Lightcast over de Stanford AI Index 2026).
De onderliggende reden is dat AI-output onzeker is. Cagan en Nika zeggen het zonder omwegen: "Generative AI, by its nature, is probabilistic, not deterministic." Dezelfde input kan verschillende output opleveren, wat verandert hoe een PM requirements schrijft, kwaliteit test en een release plant.
Wat doet een AI product manager dagelijks?
De week van een AI PM combineert gewoon productwerk met drie AI-specifieke lussen: output beoordelen, de evalset bijwerken en afwegingen maken tussen kwaliteit, snelheid en kosten.
Hier een illustratieve week voor een PM die eigenaar is van een AI-feature die antwoorden opstelt voor een supportteam:
Dag
Hoofdactiviteit
Wat ze oplevert
Maandag
40 gemarkeerde concepten van vorige week doornemen met de supportlead
6 nieuwe faalgevallen toegevoegd aan de evalset
Dinsdag
Twee klantgesprekken over waar medewerkers concepten nog herschrijven
Een notitie over de twee tickettypen met het hoogste correctiepercentage
Woensdag
Afwegingssessie met de engineer over een goedkoper model
Besluit: het goedkopere model alleen testen op routinetickets
Donderdag
De evalset op beide modellen draaien; elke kritieke fout lezen
Go/no-go-notitie met slaagpercentages per tickettype
Een update van één alinea en de gok voor volgende week
In dit voorbeeld gaat ongeveer een derde van de week op aan het lezen van echte output. Een PM die alleen dashboards leest, mist de fout die telt voor één belangrijke klantgroep. De tools voor deze lus komen aan bod in de AI-native stack voor technische PM's.
Wat zijn de kernverantwoordelijkheden van een AI product manager?
Deze verantwoordelijkheden zie je terug in goed gerunde teams, grofweg in de volgorde waarin een feature ze doorloopt.
1. Bepalen of AI überhaupt in de oplossing thuishoort
Begin met een gebruiker, een situatie en de taak die hij wil afronden. Vraag dan of AI nodig is. De Rules of Machine Learning van Google, geschreven door Martin Zinkevich, openen met: "Don't be afraid to launch a product without machine learning." (Google). Een regelgebaseerde flow, een beter zoekveld of een eenvoudiger formulier lost het probleem vaak op met minder onzekerheid.
Schrijf op wat het systeem ontvangt, wat het teruggeeft en wat de persoon daarna kan doen. Bepaal of de AI moet voorstellen, samenvatten, rangschikken, genereren of handelen.
Leg daarna het gedrag bij falen vast:
Wat gebeurt er als de input onvolledig of buiten scope is?
Wanneer moet het systeem zich onthouden, een vervolgvraag stellen of overdragen aan een mens?
Kan de gebruiker het resultaat nakijken, bewerken of ongedaan maken?
Wat mag het nooit doen, wat de prompt ook is?
De 18 Guidelines for Human-AI Interaction van Microsoft Research, gevalideerd met 49 designprofessionals op 20 AI-producten, vormen hier een nuttige checklist. De eerste twee richtlijnen zijn om duidelijk te maken wat het systeem kan en hoe goed het dat kan (Microsoft Research, 2019).
3. De evaluatielat vaststellen voordat je de demo oppoetst
Een overtuigende demo is geen kwaliteitslat. De AI PM vertaalt "goed genoeg" naar realistische testcases en een slaaggrens waar het team vóór de lancering overeenstemming over heeft, en vervangt reviews op gevoel door gestructureerde evals (Aman Khan in Lenny's Newsletter, 2025).
Een uitgewerkt voorbeeld, met illustratieve cijfers voor de feature voor supportantwoorden:
Schrijf een rubric met drie niveaus: ongewijzigd versturen, versturen na lichte aanpassingen, onbruikbaar.
Markeer 10 van de 20 faalgevallen als kritiek, zoals een terugbetaling beloven die het beleid niet toestaat.
Stel de lanceerlat vast: minstens 85% van de routinetickets bruikbaar, minstens 60% van de randgevallen bruikbaar, nul kritieke fouten.
Lees de resultaten per tickettype, niet alleen het gemiddelde. Een totaal slaagpercentage van 90% kan een slaagpercentage van 40% bij factureringstickets verbergen.
Ontwikkelaars voelen dit probleem al: 66% in het Stack Overflow-onderzoek van 2025 noemde bijna-juiste AI-antwoorden als grootste frustratie (Stack Overflow, 2025). Je gebruikers zullen het ook voelen. De uitgebreide methode staat in onze gids over een AI-evaluatieframework voor productteams.
4. Afwegingen over kosten, latency en kwaliteit maken met engineering
Cagan en Nika noemen de afwegingen tussen nauwkeurigheid, snelheid, kosten en gebruikerservaring als AI-productbeslissingen (SVPG, 2024). In de praktijk spreken de PM en de engineer af over:
Kosten per geslaagde taak, niet kosten per aanroep
De latency die de gebruiker voor deze taak accepteert
Welke data het systeem mag lezen, opslaan of naar een modelleverancier mag sturen
De kwaliteitsdrempel die een duurder model rechtvaardigt
De PM is eigenaar van het probleem en de acceptatielat; engineering is eigenaar van het technische ontwerp en de kwaliteit in productie.
5. Een release plannen die bij het risico past
Een concept dat een mens nakijkt, vraagt een andere uitrol dan een AI-actie die klantdata wijzigt of een bericht verstuurt. Leg een eigenaar, een kill switch, een rollbackplan en een manier om fouten te onderzoeken vast.
Controleer wettelijke verplichtingen vroeg. Sinds 2 augustus 2026 vereist artikel 50 van de EU AI Act dat mensen worden geïnformeerd wanneer ze met een AI-systeem communiceren, tenzij dat duidelijk is, en dat synthetische content wordt gemarkeerd, met een overgangsperiode tot 2 december 2026 voor generatieve systemen die al op de markt zijn (Cooley, 2026). Dat verandert de interface, dus het is ook een productbeslissing.
Voor een gedeeld risicovocabulaire groepeert het vrijwillige NIST AI Risk Management Framework (uitgebracht op 26 januari 2023, met een Generative AI Profile toegevoegd op 26 juli 2024) het werk in Govern, Map, Measure en Manage. Het vervangt geen domeinspecifieke juridische of veiligheidsreview.
6. Eigenaar zijn van het resultaat na de lancering
Gebruik alleen bewijst geen waarde; een populaire feature kan nog steeds reviewwerk toevoegen. Volg of gebruikers output accepteren, bewerken of weggooien, hoe lang de taak van begin tot eind duurt en welke supportlast het veroorzaakt. Regel 2 van Google's Rules of ML is om metrics te ontwerpen en te implementeren vóór al het andere, en dat geldt net zo goed voor LLM-features (Google).
7. De redenering verbonden houden
Bewaar het bewijs, het besluit, het gedragscontract, de evalresultaten en de uitkomst van de release bij elkaar, zodat het team bij een kwaliteitsverschuiving na een modelupdate kan zien wat er verondersteld werd. De versie van deze lus op teamniveau staat in AI-native productmanagement voor kleine teams.
Wie beheert en verbetert een AI-product na de lancering?
De AI PM is na de lancering eigenaar van het resultaat en de kwaliteitslat; engineering is eigenaar van de betrouwbaarheid van het systeem. In grotere bedrijven kan een ML- of platformteam eigenaar zijn van de modellaag.
Het werk na de lancering voor een AI-feature omvat meestal:
De evalset opnieuw draaien bij elke wijziging van model, prompt of retrieval, vóór die live gaat
Live output steekproefsgewijs bekijken en nieuwe fouten aan de evalset toevoegen
Correctie- en afhaakpercentages in de gaten houden per gebruikerssegment, niet alleen in totaal
De kosten per geslaagde taak bekijken naarmate het volume groeit
Beslissen wanneer je de feature uitfaseert als hij zijn plek niet meer verdient
McKinsey's onderzoek uit 2025 onder 1.993 respondenten vond dat 62% van de organisaties experimenteert met AI-agents maar slechts 23% ze opschaalt (McKinsey, 2025). Eigenaarschap na de lancering verklaart een groot deel van het verschil.
Welke vaardigheden heeft een AI product manager nodig?
Andrew Ng noemt vijf vaardigheden voor AI PM's: technische vaardigheid in AI, iteratieve ontwikkeling, datavaardigheid, omgaan met onduidelijkheid en doorlopend leren (The Batch, 2025). In dagelijkse termen:
Vaardigheid
Hoe het er in de praktijk uitziet
Hoe je het laat zien in een sollicitatiegesprek
Product discovery
Vindt een specifiek gebruikersprobleem en test het met echt gedrag
Een probleem dat je schrapte na vijf klantgesprekken
AI-geletterdheid
Begrijpt op conceptueel niveau variabele output, contextlimieten, retrieval en fine-tuningafwegingen
Uitleggen waarom een feature faalde op lange documenten
Evaluatieontwerp
Vertaalt een kwaliteitsverwachting naar testcases, een rubric en een slaaggrens
Een evalset doorlopen die je hebt gebouwd
Dataoordeel
Weet welke data de feature nodig heeft, van wie die is en wat de toestemming dekt
Een datatoegangsprobleem dat je hebt opgelost
Afwegingsdenken
Weegt nauwkeurigheid, latency, kosten per taak en gebruikersvertrouwen
Een model- of leverancierskeuze die je maakte en waarom
Risico en toezicht
Ontwerpt paden voor onthouding, overdracht en ongedaan maken; kent de informatieregels
Een faalmodus waar je omheen hebt ontworpen
Uitkomstmeting
Koppelt modelgedrag aan taaksucces, retentie en omzet
De metric die je in week één zou volgen
Een AI PM hoeft geen machine-learningonderzoeker te zijn. Hij moet wel ruwe output lezen, onderbouwde vragen stellen en, zoals Ng opmerkt, steeds vaker zelf prototypes bouwen.
AI product manager vs traditionele PM vs ML product manager: wat is het verschil?
De drie titels overlappen, maar leggen het accent op andere beslissingen. "ML product manager" is de oudere titel, vooral gebruikt voor producten op basis van getrainde modellen zoals ranking, aanbevelingen en fraudedetectie. "AI product manager" betekent nu meestal een PM die met generatieve modellen en agents werkt, al gebruiken veel bedrijven de titels door elkaar.
Gefaseerde uitrol, eerst menselijke review, evalgate bij elke wijziging
In een klein team dekt vaak één persoon alle drie. De vaardigheden zijn overdraagbaar; de weging verandert. Naast een AI- of ML-engineer, die eigenaar is van het model, de retrieval en de waarborgen, is de AI PM eigenaar van het probleem, het gedragscontract en de evallat. Hoe goedkoper bouwen deze rollen hervormt, lees je in wat het debat over de verhouding PM's en engineers betekent.
Template voor een functieomschrijving AI product manager
Kopieer deze functieomschrijving voor een AI product manager en vervang de delen tussen haakjes. Ze is geschreven om mensen aan te trekken die eigenaar zijn van uitkomsten in plaats van promptvolume.
AI Product Manager, [productgebied]
Over de rol
Je wordt eigenaar van [productgebied / AI-feature], gebruikt door
[wie] om [taak die ze willen afronden]. Jij bepaalt waar AI thuishoort
in de workflow, hoe die zich moet gedragen als hij onzeker is of het
fout heeft, en of hij [uitkomstmetric] verbetert. Je rapporteert aan
[naam/titel] en werkt dagelijks met [N] engineers, [N] designer(s) en
[domeinreviewers].
Wat je gaat doen
- Gebruikersproblemen vinden en inschatten via interviews, supportdata
en productanalytics; bepalen wanneer AI niet het juiste antwoord is.
- Gedragscontracten schrijven: input, output, grenzen, regels voor
onthouding en overdracht, en wat het systeem nooit mag doen.
- Samen met engineering de evaluatieset bouwen en onderhouden; de
slaaggrens bepalen voor de lancering en voor elke model- of
promptwijziging.
- Afwegingen maken over kosten, latency en kwaliteit, inclusief model-
en leverancierskeuzes, met een duidelijk doel voor kosten per
geslaagde taak.
- Gefaseerde uitrol plannen met een eigenaar, monitoring en een
rollbackpad; met juridisch samenwerken aan informatie- en
dataverplichtingen.
- Eigenaar zijn van uitkomsten na de lancering: acceptatie-, correctie-
en afhaakpercentages, taaktijd, supportlast en omzetimpact.
- Bewijs, besluiten en resultaten gedocumenteerd houden zodat het team
kan uitleggen waarom het product zich zo gedraagt.
Hoe succes eruitziet
- 30 dagen: je kunt de top 5 faalmodi uitleggen op basis van het lezen
van echte output, en de evalset dekt ze.
- 90 dagen: één AI-wijziging opgeleverd via een afgesproken evalgate,
met een gemeten effect op [uitkomstmetric].
- 180 dagen: een vaste reviewlus (wekelijkse steekproef van output,
maandelijkse resultatenreview) die draait zonder dat jij erachteraan
hoeft.
Wat je meebrengt
- [N]+ jaar in productmanagement of een nauw verwante rol.
- Ervaring met het opleveren van minstens één feature waarvan de
outputkwaliteit onzeker was (ML, zoeken, aanbevelingen of
generatieve AI).
- Genoeg technische diepgang om met een model-API te prototypen en
een evalrapport te lezen; je hoeft geen modellen te trainen.
- Gemak met data: je kunt basis-SQL en analytics schrijven of lezen.
- Bewijs van customer discovery, niet alleen van delivery.
- Pluspunt: ervaring in [domein] of met workflows met menselijke
review.
Controleer voordat je hem plaatst of de rol één productgebied noemt en de PM echte toegang geeft tot klanten en ruwe output. Zonder beide is de baan coördinatie, geen productmanagement.
Hoe zie je of een AI-PM-rol goed gedefinieerd is?
Of je nu werft of solliciteert, controleer vier dingen: de rol noemt een gebruiker, productgebied en uitkomst; de PM kan besluiten dat AI niet het antwoord is; de PM definieert evaluatie en uitrol samen met engineering; en succes wordt gemeten in uitkomsten, niet in geschreven prompts of opgeleverde demo's. Als één rol eigenaar is van strategie, modelarchitectuur, datascience, compliance en QA zonder gericht gebied, zijn het meerdere banen onder één titel. Ngs eigen vuistregel noemt typische verhoudingen engineer:PM van 4:1 tot 10:1, met 6:1 als gangbaar (The Batch, 2025). Een AI PM die 30 engineers over vijf AI-features dekt, heeft geen tijd om output te lezen, en dat is het deel van het werk dat je niet kunt overslaan.
Veelgemaakte fouten van AI product managers
Beginnen bij het model. Een nieuw model is geen gebruikersprobleem. Daar beginnen levert demo's op, geen producten.
Opleveren op gemiddelden. Een totaal slaagpercentage verbergt het segment waar de feature slecht presteert.
De evalset als af beschouwen. Zonder nieuwe cases uit live fouten meet hij op den duur niet meer het product dat mensen gebruiken.
Kosten negeren tot de factuur. Kosten per geslaagde taak kunnen springen als het gebruik groeit of de context langer wordt.
Opens meten in plaats van uitkomsten. Een feature waarop wordt geklikt en die daarna zwaar wordt bewerkt, voegt misschien werk toe.
Informatieverplichtingen tot het eind bewaren. Gebruikers vertellen dat ze met AI praten verandert de interface. Ontwerp het erin.
Waar Specky past
Specky is een AI-native productsysteem dat de redenering achter een AI-feature op één plek bewaart. Het leest klantgesprekken, feedback, Slack, Jira en analytics in een Product Graph, schrijft PRD's met klantbewijs inline geciteerd en controleert na de lancering of de gok werkte. Voor een eerste concept van een spec voor een AI-feature probeer je de gratis PRD-generator of lees je onze AI-PRD-gids.
Veelgestelde vragen
Wat is een AI product manager?
Een AI product manager is een PM wiens beslissingen bepalen hoe een AI-systeem zich binnen een product gedraagt. Hij kiest waar AI thuishoort, definieert het gedrag en de grenzen, stelt de evaluatielat vast en is eigenaar van het resultaat na de lancering. Een PM die AI-tools alleen voor het eigen werk gebruikt, is in deze zin geen AI PM; dat doet nu elke PM.
Wat zijn de belangrijkste verantwoordelijkheden van een AI product manager?
De belangrijkste verantwoordelijkheden zijn bepalen of AI bij het probleem past, het gedragscontract schrijven inclusief foutafhandeling, samen met engineering de evaluatieset en lanceerlat bouwen, afwegingen maken tussen kosten en kwaliteit, een uitrol plannen die bij het risico past en eigenaar zijn van de uitkomsten na de lancering. Informatie- en dataverplichtingen, zoals artikel 50 van de EU AI Act, horen bij dat werk.
Wat is het verschil tussen een ML product manager en een AI product manager?
Een ML product manager werkt traditioneel aan producten op basis van getrainde modellen zoals ranking, aanbevelingen of fraudescores, met offline metrics als precision en recall. Een AI product manager werkt meestal met generatieve modellen en agents, waarbij de output open is en de kwaliteit wordt beoordeeld met evalsets en menselijke review. Veel bedrijven gebruiken de titels door elkaar.
Heeft een AI product manager een technische achtergrond nodig?
Hij heeft technische vlotheid nodig, geen onderzoeksachtergrond. Een AI PM moet op conceptueel niveau begrijpen hoe modellen, context, retrieval en evaluatie werken, kunnen prototypen met een model-API en een evalrapport kunnen lezen. Andrew Ng noemt technische vaardigheid in AI en datavaardigheid onder de kernvaardigheden van een AI PM, naast omgaan met onduidelijkheid.
Hoe word je AI product manager?
Lever één feature op waarvan de outputkwaliteit onzeker is en laat dan zien hoe je die hebt gemeten: een kleine evalset, een gedragscontract met faalmodi en wat je hebt veranderd nadat je output had gelezen. Die portfolio verslaat een certificaat. Onze pagina voor aspirant-AI-PM's noemt praktische startpunten.
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