Discovery is niet verdwenen, het verschuift
Een van de hardnekkigste misverstanden over AI is dat het productdiscovery overbodig maakt. Het tegenovergestelde is waar. Nu een eerste versie van bijna alles binnen een dag te bouwen is, is de vraag "moeten we dit überhaupt bouwen?" belangrijker dan ooit. Snel de verkeerde dingen maken is geen vooruitgang.
Wat wél verandert, is waar je tijd naartoe gaat. Het handwerk van discovery, transcripten uitschrijven, plakbriefjes clusteren, een rapport tikken, kostte vroeger dagen. Dat deel kun je nu grotendeels aan AI overlaten. Daardoor houd je tijd over voor het deel dat er echt toe doet: de juiste vragen stellen en de uitkomsten wegen. Te beginnen met de vraag of AI überhaupt de oplossing is voor je product.
Wat AI goed doet
Voor het verwerken van grote hoeveelheden ongestructureerde input is AI uitstekend. Concreet gebruik ik het voor:
- Synthese van interviews. Vijftig gespreksverslagen erin, en binnen een uur een overzicht van terugkerende thema's, pijnpunten en citaten. Werk waar je vroeger een halve week zoet mee was.
- Feedback ontrafelen. Support-tickets, reviews en enquêtes samenvoegen tot een paar heldere patronen, in plaats van een spreadsheet waar niemand doorheen komt.
- Eerste concepten. Een ruwe probleemstelling, een set aannames of een lijst met interviewvragen, in minuten in plaats van uren.
Wat AI niet doet
Hier zit de valkuil. Een model vat samen wat er gezegd is, maar het weet niet wat er niet gezegd is. Het herkent geen twijfel in iemands stem, geen ongemakkelijke stilte, geen antwoord dat net te glad klinkt. Het stelt ook niet de doorvraag die een gesprek openbreekt: "je zegt dat het handig is, maar wanneer heb je het voor het laatst echt gebruikt?"
En een model heeft geen belang bij de waarheid. Vraag om thema's, en het produceert keurige thema's, ook als de data eigenlijk te dun is om een conclusie op te bouwen. De synthese ziet er altijd overtuigend uit. Of ze klopt, moet jij bepalen.
Een licht discovery-ritme voor MKB
Je hebt geen researchafdeling nodig om dit goed te doen. Voor de meeste MKB-teams werkt een simpel, doorlopend ritme:
- Elke week een of twee klantgesprekken, kort en gericht, over een probleem dat nu speelt.
- Laat AI de verslagen samenvatten, maar lees zelf minstens één transcript volledig terug. Dat houdt je scherp op wat de samenvatting weglaat.
- Toets elk patroon aan een tweede bron voordat je er een beslissing op baseert: gedragsdata, een cijfer, of gewoon een tweede gesprek.
Zo bouw je een gestage stroom aan inzicht op, zonder dat het een project op zichzelf wordt.
De valkuil: automation bias
Het grootste risico van AI in discovery is niet dat het fouten maakt. Het is dat de output er zo verzorgd uitziet dat je stopt met nadenken. Automation bias heet dat: hoe professioneler een antwoord oogt, hoe minder geneigd we zijn het te controleren.
Gebruik AI dus als een ijverige junior-onderzoeker: snel, onvermoeibaar en waardevol, maar iemand wiens werk je altijd nakijkt voordat je erop koerst. De teams die daarin de balans vinden, leren sneller dan ooit, zonder hun oordeel uit handen te geven.
Wil je een lichte, werkbare discovery-aanpak opzetten voor jouw product? Neem vrijblijvend contact op, dan kijken we samen wat past. Of vraag alvast een gratis productscan aan.