Voor engineering managers
AI voor engineering managers: kom binnen met de oorzaak, niet met een excuus
Drie gesprekken bepalen hoe je kwartaal gelezen wordt: de uitloop op de roadmap die je aan het MT moet uitleggen, het techniekbedrag dat de CFO uitgesplitst wil zien, en de sprint die door de storingsdienst is opgegeten. In alle drie sta je een verhaal te verdedigen, terwijl de data die het zou beslechten in exports staat die je wel trekt maar nooit helemaal doorleest. Een AI die gegrond is in die exports dicht dat gat, en laat bij elke bewering het spoor zien, zodat het antwoord ook de vervolgvraag overleeft.
Begin bij het ongemakkelijke deel: op dit moment is niemands gevoel over velocity betrouwbaar, dat van jou incluis. Het DORA-rapport 2025 vond dat 90% van de respondenten AI gebruikt op het werk en ruim 80% gelooft dat het hen productiever maakt, terwijl AI-adoptie positief samenhing met doorstroom in de levering en negatief met stabiliteit. Richt diezelfde vraag op een gecontroleerde meting en het beeld draait om: METR deed een gerandomiseerd onderzoek waarin 16 ervaren opensource-ontwikkelaars 19% langer deden over 246 echte issues met AI-tools van begin 2025, nadat ze zelf 24% tijdwinst hadden voorspeld en achteraf nog steeds dachten dat ze 20% sneller waren geweest. Die cijfers gaan over ontwikkelaars die AI-codetools gebruiken, niet over dit product. Ze beschrijven wel precies jouw rapportageprobleem.
De textuur komt overeen met wat je team je in de retro toch al vertelt. In Stack Overflow's Developer Survey 2025 gebruikt 84% AI-tools of is dat van plan, wantrouwt 46% de accuraatheid van de output actief, noemt 66% "bijna goed, maar net niet" als grootste frustratie en zegt 45% langer bezig te zijn met het debuggen van AI-code. Dus als het MT vraagt of AI je team sneller heeft gemaakt, is het eerlijke antwoord dat je dat niet uit gevoel kunt weten, in geen van beide richtingen. Alleen je eigen leverdata, zorgvuldig gelezen, is verdedigbaar. DORA zegt het zonder omhaal: AI versterkt wat een team al is, in plaats van het te repareren.
Daarom zou "AI voor engineering managers" geen copilot voor je ontwikkelaars moeten betekenen, en al helemaal geen bedrijfsbreed engineering-intelligence platform dat boven je hoofd wordt ingekocht en dat je team als toezicht ervaart. (Gartner verwacht dat meer dan 40% van de agentic-AI-projecten eind 2027 is geschrapt, wegens oplopende kosten, onduidelijke waarde en gebrekkige risicobeheersing.) Het betekent je eigen assistent, op je eigen machine, die de exports leest die je toch al trekt: leverdata uit Jira of Linear, incidentlogs, cloudkosten per tag, het rooster van de storingsdienst, je aantekeningen uit 1-op-1's en sollicitatiegesprekken. Op jouw niveau, voor jouw overleggen. Voor het niveau daarboven, zie AI CTO.
De week die je herkent
De uitloop die klinkt als een smoes voor je team
Toegezegd versus opgeleverd ging weer de verkeerde kant op, en je weet ruwweg waarom: een afhankelijkheid bij een ander team, een specificatie die te laat kwam, twee mensen op storingsdienst. Het MT hoort zes redenen en boekt het weg als een tempoprobleem. Wat je nodig hebt is de dominante oorzaak met zijn werkelijke aandeel, en het spoor eronder (welke tickets, welke labels, welke sprints), want op het moment dat je een oorzaak noemt die bij een ander team ligt, wordt je gevraagd het aan te tonen. Kom je binnen met een verhaal en kun je geen filter laten zien, dan wordt een echt afhankelijkheidsprobleem genotuleerd als jouw team dat onderpresteert.
Het techniekbedrag dat de CFO uitgesplitst wil zien
De cloudkosten kruipen omhoog, in de cijfers staat het onder techniek, en de vraag komt de week voor de budgetronde. Het eerlijke antwoord gaat meestal over iets ongetagds: een testomgeving zonder eigenaar, sinds een livegang blijven draaien, die volgende maand net zoveel kost. Het totaal vind je in een minuut in de console. Wat je een middag kost die je niet hebt, is de uitsplitsing per tag en omgeving: het bedrag in euro's, sinds wanneer hij draait en wie hem heeft aangezet. En dat is precies wat de CFO gaat vragen.
De sprint die de storingsdienst opat, zonder bewijs
Gepland werk schoof op omdat incidenten de capaciteit opslokten, en iedere engineer in de kamer weet dat. In het MT leest het alsnog als een gemiste sprint. Om dat te veranderen heb je incidenturen als aandeel van je sprintcapaciteit nodig, plus een eerlijke uitsplitsing naar oorzaken, met de dominante bij naam en de rest zichtbaar in plaats van weggerond. Een te schoon antwoord ("het was allemaal één storing") verliest de kamer sneller dan helemaal geen antwoord, want iedereen die ooit storingsdienst heeft gedraaid weet dat echte incidentdata rommeliger is dan dat.
Live demo
Jouw persoonlijke AI-assistent, denkend
Storingen kostten ~20% van je sprintcapaciteit, allemaal één terugkerende betaal-timeout (label PAY-timeout). Volgende sprint gaat net zo tenzij je die oorzaak fixt. Zet 'm als prio 1 op de retro.
Wat er verandert
Een oorzaak met een aandeel en een spoor
Vraag waarom de release uitliep en je krijgt toegezegd versus opgeleverd over de laatste sprints, de dominante oorzaak met het percentage van de uitgelopen scope dat daaronder valt, de rest van de verdeling in plaats van één nette schuldige, en de tickets en labels per bak zodat je ze vóór het overleg kunt openen. Daarna de consequentie vooruit: wat er met het volgende kwartaal gebeurt als die afhankelijkheid nu niet geëscaleerd wordt. Het oordeel over de oorzaak blijft van jou. Wat verandert is dat je het filter kunt laten zien zodra het MT terugduwt.
De kostenregel benoemd, in euro's, met een eigenaar
Richt het op de kostenexport per tag en omgeving en je krijgt de concentratie in plaats van het totaal: welke omgeving de stijging aanjaagt, hoeveel van de maand dat verklaart, het bedrag in euro's, sinds wanneer hij aanstaat en welke eigenaar of laatste committer eraan hangt. Dat is een actie met een deadline vóór de budgetronde, geen alarm. Is de tagging te dun om een deel van de uitgaven toe te wijzen, dan zegt het dat, met het ongetagde aandeel erbij, en dat is op zichzelf de bevinding die je meeneemt.
Storingsdienst in cijfers, eerlijk uitgesplitst
Vraag wat de storingsdienst de sprint heeft gekost en je krijgt incidenturen als aandeel van de capaciteit, uitgesplitst naar oorzaken met de dominante bij naam en zijn werkelijke percentage, het terugkerende label eronder, en de koppeling naar geleverde scope zodat het MT bedrijfsimpact hoort in plaats van een klacht uit de techniek. Het rapporteert de verdeling die de log werkelijk bevat. Waar de log incompleet is of tickets niet getrieerd zijn, wordt dat gemeld in plaats van gladgestreken, want een verdedigbare 60% is meer waard dan een ongeloofwaardige 100%.
Direct beantwoord
Postmortem uit patroon
Voordat ik deze postmortem schrijf: wat kwam er terug in onze eerdere incidenttijdlijnen, dezelfde dienst, dezelfde trigger, hetzelfde tijdstip, hetzelfde ontbrekende runbook?
Waar het werk echt stilvalt
Tussen geopend en gemerged, waar staat ons werk het langst te wachten, en welke stap is het afgelopen kwartaal het hardst gegroeid?
Kloppen onze schattingen
Welk soort werk schatten we structureel te laag in, en met hoeveel, op basis van onze eigen historie van toegezegd versus werkelijk en niet op onderbuikgevoel?
De onderbouwing voor extra mensen
Bouw de argumentatie voor mijn volgende twee vacatures op uit onze eigen capaciteit, ons verloop en de belasting van de storingsdienst, inclusief wat de instroom van juniors ons realistisch kost aan begeleidingstijd.
Veelgestelde vragen
Wat kan AI concreet doen voor een engineering manager?
Is dit toezicht op ontwikkelaars, of een agent die in onze repositories draait?
Kan het aantonen dat AI mijn team sneller heeft gemaakt?
Moet mijn CTO dit voor de hele organisatie inkopen?
De verschuiving is klein en ze verandert elk overleg waar je in zit: je stopt met een verhaal verdedigen en komt binnen met de oorzaak. Geen net verhaal, maar een eerlijke verdeling met de dominante drijver bij naam, het spoor eraan vast en de consequentie vooruit uitgeschreven. AI Board is jouw persoonlijke AI-assistent die je AI-native maakt: hij draait op je eigen laptop, gevoed met de data van je bedrijf, en wordt scherper naarmate jouw kennis groeit. Het legt het patroon bloot en laat zien waar het vandaan komt. Het oordeel blijft van jou, en juist daarom kan het MT het cijfer vertrouwen dat je meebrengt.
Zet je eigen leverdata aan het werk
Zie wat een tweede brein dat gegrond is in je Jira-, incident- en kostenexports je oplevert vóór het volgende MT: de dominante oorzaak, zijn aandeel en het filter eronder. Privacy by design, met elke keer de bron erbij.