ai voor de analyse van gebruikersfeedback. software die elk feedbackitem leest uit support, reviews en verkoopnotities, en die vervolgens clustert tot ontdubbelde thema's en die thema's rangschikt op hoeveel mensen ze daadwerkelijk hebben aangekaart. de uitkomst is input voor de roadmap, geen woordwolk.
een hoofd product bij een saas-bedrijf met 200 medewerkers krijgt maandelijks 2,000+ feedbackitems binnen. ze komen binnen via zendesk, intercom, app store- en play store-reviews, g2 en gong-gespreksnotities. dat zijn acht tabbladen en geen enkele gerangschikte lijst. dus wordt de roadmap uiteindelijk bepaald door wie vorige week de ceo een mailtje stuurde.
de luidste klant is zelden de meest voorkomende. één boze enterprise-thread kan zwaarder wegen dan 340 stille reviews die om dezelfde exportknop vragen. ai lost het telprobleem op. het leest alle 2,000 items, groepeert de duplicaten en vertelt je dat het exportverzoek 341 keer voorkwam, niet één keer luid.
#hoe zet ai 2,000 feedbackitems om in een gerangschikte roadmap?
hoe analyseert ai gebruikersfeedback uit support, reviews en verkoopgesprekken?
het haalt elk item op uit je bestaande tools, leest ze stuk voor stuk, en clustert ze op de onderliggende vraag in plaats van de exacte bewoordingen. duplicaten worden samengevoegd tot één thema. elk thema krijgt een aantal en een uitsplitsing per bron, zodat je rangschikt op echt volume over alle kanalen, in plaats van te gokken op basis van één luide thread.
de koppellaag telt zwaarder dan het model. we koppelen de bronnen waar een productteam al voor betaalt. zendesk en intercom voor support, app store plus play store voor reviews, g2 voor publieke beoordelingen, en gong voor verkoopgespreksnotities. het resultaat is één ontdubbelde, gerangschikte themalijst. geen acht tabbladen en een spreadsheet die iemand elke sprint opnieuw opbouwt.
#wat verandert er echt voor het hoofd product?
- roadmapthema's komen voort uit signaalvolume, niet uit wie deze week het oor van de ceo had.
- de uren handmatige triage per sprint die opgaan aan het met de hand taggen van tickets, komen vrij.
- sales ziet hun gong-feedback terechtkomen in dezelfde gerangschikte lijst als een play store-review, zodat het pipeline-argument en het retentie-argument naast elkaar staan.
- een thema draagt zijn bewijs bij zich: 341 items, 62% support, 28% reviews, 10% sales. je kunt de prioriteit verdedigen tijdens de roadmapreview.
het doel is niet om beoordeling overbodig te maken. een hoofd product beslist nog steeds dat een churnthema met 90 items zwaarder weegt dan een nice-to-have met 300 items. het punt is dat die beoordeling begint bij een eerlijke telling in plaats van een onderbuikgevoel.
we are
stennir koppelt je bestaande feedbacktools tot één gerangschikte, ontdubbelde themalijst die je productteam bezit en kan verdedigen tijdens een roadmapreview.
we aren't
we zijn geen enquêtetool of nog een dashboard dat een negende tabblad toevoegt. we werken met het signaal dat je al verzamelt, binnen de stack waar je al voor betaalt.
#waarom is clustering over meerdere bronnen nu betrouwbaar genoeg om te vertrouwen?
het clusteren van feedback over vijf bronnen was voorheen wankel. een model dat in één stap werkte, voegde weleens twee thema's samen die alleen maar op elkaar leken, of splitste er één op die op drie manieren was verwoord. dat veranderde met het meerfasenonderzoek en de zelfcontrole die Anthropic in claude opus 5 introduceerde op 24 juli 2026 (coursiv.io). het model stelt een clustering op en controleert vervolgens de eigen groepering voordat het die teruggeeft. die zelfcontrole is het verschil tussen een demo en een themalijst waarop je een echte roadmapbeslissing baseert.
we willen niet dat ai prioriteiten verzint. we willen dat het telt wat onze gebruikers ons al hebben verteld, en dat eerlijk telt over elk kanaal.
dit is een van de use cases per afdeling die onze divisie consultancy oplevert, naast het platformwerk in platforms. we bepalen de scope aan de hand van je echte feedbackvolume tijdens het eerste gesprek, niet met een algemene demo. als je de redenering achter de gerangschikte-telling-aanpak wilt weten, staat er meer over in het journal.
als je hoofd product bent en maandelijks tegen 2,000 items verspreid over acht tabbladen aankijkt, is een kort gesprek over je echte bronnen de snelste manier om te zien of dit bij je stack past. plan een discovery-gesprek van 30 minuten en breng je vervelendste tabblad mee. we vertellen je hoe een gerangschikte themalijst eruit zou zien op basis van jouw data.