Kultur schlägt Prozesse – jedes Mal

As a Product Leader you have to focus on the environment, the culture, the mindest of your surrounding first because focus on your own department won’t solve the root cause for your struggles.

Thomas Hartmann brachte es auf den Punkt. Das hat mich zum Nachdenken gebracht. Wie oft optimieren wir unsere eigenen Prozesse, während die eigentlichen Blockaden woanders liegen?

Sein Pro-Tipp:

How can I help you in order for us to become more scalable?

Diese Frage an Kollegen zu stellen, öffnet Türen und schafft Alignment auf Leadership-Ebene. Es geht darum, Silos aufzubrechen und gemeinsam Verantwortung für Skalierbarkeit zu übernehmen.

Product Operations

Dr. Christian Sprinkmeyer warnte davor, Product Operations zu schnell auszurollen:

Don’t move too fast rolling out the product operations model. Implement lighthouse teams and use pressure moments to accelerate change.

Seine Ehrlichkeit, über gescheiterte Ansätze zu sprechen, war erfrischend. Leuchtturm-Teams als Vorreiter zu etablieren und Momentum in Drucksituationen zu nutzen, ist wesentlich erfolgsversprechender als ein Big-Bang-Rollout. Der pragmatische Ansatz zeigt: Transformation braucht Zeit, Experimente und Flexibilität auf die Reaktion und jeweils vorherrschende Situation im eigenen Unternehmen zu reagieren.

Produktkrisen meistern durch Teamarbeit

Orly Stern Izhaki sprach eine unbequeme Wahrheit aus:

Every product has its tough times

Und meiner Meinung nach reden wir viel zu wenig darüber!

Der Schlüssel einen erfolgreichen Product Turnaround zu schaffen liegt darin, ein starkes Team aufzubauen, das die umhertreibende Angst in der Organisation managen kann.

Ihre 6 Tipps:

1. resist the pressure to react immediately (if you join such a situation).

2. Use data, but don’t drown in it. Know when enough is enough.

3. Define what success looks like

4. Involve the broader team from the start. Go beyond the product bulb

5. Create momentum with trust and experimentation. Break it down to small pieces which makes sense for the customer, test and release them soon.

6. Over communicate! Communicate, communicate, communicate.

KI-Produktmanagement ist Erwartungsmanagement

Radhika Dutt:

As PM in the era of AI focus on experiment, learn and adapt to drive value and results.

Ihre Storytelling-Fähigkeiten mit den Yedi vs. Stormtroopers Bildern machten klar, wie wichtig es ist, die richtigen Fragen zu stellen, aus Experimenten zu lernen und dann entschlossen zu handeln.

Thomas Brouwer ergänzte dies mit einer nüchternen Realität:

AI product management is an exercise in expectation management

Denn: 95% der ML-Initiativen liefern buchstäblich keinen Impact. Timeboxing für Exploration ist daher essentiell, um nicht in endlosen Experimenten zu versinken und unkontrolliert Geld zu versenken.

No-Code und Vibe Coding als Wachstumstreiber

Jens Kegelmann hatte einen erfrischenden Ansatz:

If you want to innovate and grow fast: use no-code and vibe coding to navigate complexity by leveraging the ease of use until you hit the limits.

Seine Botschaft: in einer raid growth Phase nicht versuchen das Rad neu zu erfinden für Dinge und Systeme, die gut genug funktionieren. Erst dann, wenn es wegen Skalierungsproblemen nicht mehr funktioniert. Er ermutigte dazu, mit den verfügbaren Tools schnell zu iterieren, statt monatelang die perfekte Lösung zu entwickeln.

First Principles statt Symptombekämpfung

Mein persönliches Takeaway für mein Hobby-Projekt fomo.dance - einer Plattform, die ich danke Vibecoding seit nun einem halben Jahr produktiv betreibe - kam von Aayur Kaul. Seine Operabase Case Study bestätigte meine eigene Herangehensweise: bei Einführung einer Plattform zu Beginn auf den maximalen Leverage fokussieren – in meinem Fall die Tänzer.

Der First Principles Approach in diesem Fall bedeutet, Retention komplett neu zu denken, statt an bestehenden Lösungen herumzubasteln. Es geht darum, die fundamentalen Wahrheiten zu identifizieren (=challenge the status quo) und von dort aus zu bauen, statt inkrementell zu optimieren.

Mein Fazit

Die Just Product Konferenz hat mir gezeigt: Die besten Product Leader denken systemisch, handeln pragmatisch und scheuen sich nicht, unbequeme Wahrheiten auszusprechen. Sie verstehen, dass Produkterfolg ein Teamsport ist, der weit über die Produktabteilung hinausgeht.

Soweit mein persönlicher Abriss - ohne Anspruch auf Vollständigkeit :)

In diesem Sinne, bleib dran & mach einfach!

Alexej

Und ich will etwas teilen. Seit über zwei Monaten nun betreibe ich FOMO.dance - einen Kalender mit Terminen für Tänzer. Aktuell fokussiert auf den Tanz West Coast Swing und die Community in und rund um München. Technisch aber bereit für weitere Regionen und Tanzstile.

Was für die Nutzer simpel und intuitiv aussieht (und genau das war die Herausforderung!), ist im Hintergrund inzwischen ein komplexes System mit Login-Bereich, Rechte- und Rollenverwaltung, Termin-Formular, Klonen von Terminen, JSON-Feed, Moderations-System, Location-Seiten und einem Kompakt-Überblick für Promo-Zwecke.

Eine klassische Produkt-Reise

Das Faszinierende an FOMO.dance: Es hat eine typische Produkt-Evolution durchlaufen - vom Prototyp über einen Pivot des Problem-Solution-Fits zum Minimum Viable Product (MVP) und schließlich zum Minimum Marketable Product (MMP). Denn begonnen habe ich mit einer ganz anderen Idee: einem persönlichen Festival-Planner mit Checklisten für Tänzer. Eine Lösung für ein Problem, das ich selbst hatte.

Ich begann damit, mit den selben Prompts u.a. mit lovable, bolt und v0 zu experimentieren und so meine Idee zu verfeinern. Für die Umsetzung entschied ich mich am Ende dann für Replit.

Nach einem ersten lauffähigen Prototypen und ersten Feedbacks von vertrauten Tänzern kam in einer zufälligen Unterhaltung das Thema Terminkalender für unsere Münchner West Coast Swing Szene auf. Wieder ein Problem, das ich selbst kannte - fehlender Überblick, wann und wo man in der Region WCS tanzen kann. Denn wir Tänzer leiden alle unter FOMO (Fear Of Missing Out) :-)

Ich nutzte das Oster-Wochenende, um einen ersten MVP zu entwickeln - mit starkem Fokus auf gute User Experience. Die Reaktionen der ersten Leute, den ich es gezeigt habe: Begeisterung, dass es so was endlich geben soll! Und als dann ein Opinion Leader und Tanzschulbetreiber seine Unterstützung signalisierte, war klar: Das muss gelauncht werden.

Am 30. April war dann der Launch - in unserer WhatsApp-Gruppe mit 600 Menschen. Das Ergebnis: Auf fast jeder Tanzparty werde ich seither darauf angesprochen. Und ja, zugegeben, ich bin auch ein bisschen stolz.

Was können wir als Produktmenschen daraus lernen?

Es war nie einfacher als jetzt, Discovery zu betreiben!

Was früher wochen- und monatelange Arbeit erforderte, um mit Designerm und Entwickler erste Clickdummys und Prototypen zu bauen - kann jetzt jeder Product Manager und Designer in wenigen Stunden bis Tagen alleine umsetzen.

Mit KI als Innovations-Booster können wir:

• 10x schneller Feedback einholen, unsere Ideen anpassen und verwerfen.

• Mit höherer Erfolgswahrscheinlichkeit eines Product-Market-Fits Software-Produkte entwickeln

• Unterm Strich: Erkenntnisse in kürzerer Zeit, zu geringeren Kosten und mit niedrigerem Risiko gewinnen.

Als jemand, der seit 20 Jahren in der digitalen Produkt- und Software-Entwicklung tätig ist, erlebe ich gerade die spannendste Zeit für uns Produktmenschen. Ja, noch viel spannender als Scrum & Agile, als es en vogue wurde. Die Möglichkeit, mit KI-Unterstützung ein vermutetes Problem der Kunden eigenständig und schnell durch eine erste bedienbare Version zu überprüfen, verändert fundamental, wie wir Innovation betreiben können und - meiner Meinung nach - künftig sollten!

Heute sieht die Discovery-Praxis, wenn es denn überhaupt gemacht wird, so aus: Anforderungen sammeln, Konzepte erstellen, Designer briefen, Entwickler überzeugen, eine erste Version bauen, Mehrere Wochen warten, mit Kunden testen, iterieren und wieder mehrere Wochen warten...

Künftig kann ein Produktmensch oder Designer mit den richtigen KI-Tools in einem Bruchteil der Zeit einen funktionierenden Prototypen erschaffen.

Meine eigene Erfahrung mit FOMO.dance zeigt: Wenn du ein echtes Problem vermutest oder kennst und die richtigen Tools nutzt, kannst du innerhalb weniger Tage vom Konzept zum ersten MVP kommen. Die wahre Herausforderung liegt nicht mehr in der technischen Umsetzung der ersten Iteration, sondern im Finden eines ‘problems worth being solved’ und in der Gestaltung einer überzeugenden Nutzererfahrung.

Meine Learnings, wenn Du es selbst probieren willst

1. Starte mit einem kleinen Problem, das du selbst hast - das gibt dir die nötige Motivation und das Verständnis.

2. Nutze die relevanten Tools aus meinem KI-Radar, um schnell erste Versionen zu bauen. Das, was die KI-Agenten aus deinem Briefing erstellen, ist bereits der erste reality check, ob du die Lösungsidee prägnant vermitteln kannst.

3. Zeige deine Prototypen sehr früh echten Menschen - oft entstehen dabei die besten Ideen (wie bei mir der Pivot vom Festival-Planner zum Tanzkalender).

4. Fokussiere dich zu Beginn auf User Experience statt auf technische Perfektion.

Die KI-Revolution im digitalen Produktmanagement bedeutet nicht, dass Produktmanager überflüssig werden - im Gegenteil! Wir werden künftig nicht nur mit Entwicklern aus Fleisch und Blut zusammenarbeiten, sondern zu Dirigenten eines Orchesters aus KI-Tools, die uns helfen, schneller zu experimentieren, zu lernen und Wert zu schaffen. Und darum dreht es sich doch alles in unserem Job: Wert schaffen.

Also, bleib dran & mach einfach!

Alexej

PS: Was interessiert euch so? Schreibt mir. Ich teile großzügig und gerne :-)

Einen Kommentar hinterlassen

PPS: hier ein paar der sehr führen Screenshots, als ich die erste Idee für mich verfeinert habe. So fängt es immer an. Mit der ersten Visualisierung einer Idee…

Die hochauflösende Version befindet sich - wie immer - am Ende des Artikels zum Herunterladen und Teilen unter Kollegen.

Was gibt es Neues?

Neue Struktur - mal wieder :)

Die Ausrichtung des KI-Radars an Aufgabenbereichen vor einem Monat wurde durchweg als sinnvoll und hilfreicher bewertet als die bisherige Ausrichtung nach Rollen. Dennoch waren die konkreten Dimensionen noch nicht optimal gewählt. Das habe ich selbst bereits im Dezember gespürt, allerdings hatte ich zu diesem Zeitpunkt keine bessere Lösung parat. Ganz im Sinne being agile habe ich es dennoch veröffentlicht, auf Reaktionen gewartet und den Dialog gesucht. Mein besonderer Dank gilt hier Arne Kittler, der sich die Zeit genommen hat, seine umfangreichen Gedanken mit mir zu teilen. Das hat mir sehr geholfen, das Radar aus einer neuen Perspektive zu betrachten.

Nachdem ich alle neuen und bestehenden Tools beschrieben und sortiert habe, ergab sich für mich folgende, sinnvolle Einteilung:

• Manage & Communicate

• Market & Customer Insights

• Design & Prototype

• Personal & Team Assistance

• Build MVPs

• Software Engineering Assistance

Hervorzuheben ist die Zusammenlegung von „Launch & Manage“ und „Leadership & Communication“ zu einem gemeinsamen Aufgabenbereich: „Manage & Communicate“.

Doch besonders der Split des bisherigen Bereichs „Develop & Implement“ in „Build MVPs“ und „Software Engineering Assistance“ dürfte vermutlich für Aufmerksamkeit sorgen – und das ist in Ordnung so. Ich freue mich auf jede Rückmeldung dazu. Feuer frei! :-)

Hier kurz mein Blickwinkel darauf:

Es gibt mittlerweile zahlreiche browserbasierte Cloud-Tools, mit denen sich durch einfache Eingabe von Prompts im Stil von ChatGPT brauchbare Apps erstellen lassen (z. B. Replit, Lovable, Bolt, V0,…). Selbst ohne Programmierkenntnisse können damit voll funktionsfähige Full-Stack-Apps entwickelt und gehostet werden. Mit etwas mehr Zeitaufwand können Indie-Hacker sogar spezialisierte SaaS-Anwendungen erstellen und vermarkten.

Diese KI-Tools eignen sich jedoch nicht für professionelle Softwareentwicklung im Unternehmenskontext. Zumindest nicht für die Entwicklung, Wartung und den Betrieb komplexer Systeme, an denen cross-funktionale Teams existieren. Hier kommen Assistenten ins Spiel, die speziell auf Aufgaben wie u.a. Coding, Code-Review oder Unit-Testing zugeschnitten sind (z. B. GitHub Copilot, Tabnine, Cursor). Diese Tools sind entweder eigenständige Code-Editoren oder Erweiterungen für etablierte IDEs und unterstützen Entwickler, die aktiv mit dem Code arbeiten.

Genau hier sehe ich die Trennlinie zwischen „Build MVPs“ und „Software Engineering Assistance“. Es handelt sich um Tools für zwei unterschiedliche Aufgabenbereiche im Produktentwicklungszyklus, ja sogar vielleicht für andere Anwendergruppen. Die Cloud-Plattformen zum Bauen von Apps können gut und gerne von Product Managern / Product Ownern eigenständig bedient werden, vielleicht hier und da mit dem Support eines Engineers. Die Assistance-Tools für Engineers erfordern jedoch Programmierkenntnisse und richten sich speziell an eben die Software-Entwickler.

Ich bin mit der aktuellen Struktur derzeit sehr zufrieden. Mal sehen, wie lange… denn mir ist bewusst, dass die Entwicklung in KI-Bereich äußerst dynamisch ist und sich die Erkenntnisse jederzeit ändern können.

Neue Tools - sehr viele!

Schauen wir uns die neuen Tools im KI-Radar an. Und wir starten mit den Kategorien “Build MVPs” und “Software Engineering Assistance”, um den Unterschied zu verdeutlichen.

Build MVPs (+5)

Lovable ist eine Plattform, die es ermöglicht, durch einfache Text-Beschreibungen voll funktionsfähige Webanwendungen zu erstellen. Mit Funktionen wie Echtzeit-Rendering, Fehlerbehebung durch KI, One-Click-Deployment und GitHub-Integration unterstützt Lovable sowohl technische als auch nicht-technische Nutzer dabei, hochwertige Apps ohne umfangreiche Programmierkenntnisse zu entwickeln. Danke Paul Krauss für den Tipp!

Tempo Labs ist ein Tool, das es Designern und Entwicklern ermöglicht, React-Anwendungen durch visuelle Bearbeitung und Drag-and-Drop-Funktionalität effizient zu erstellen und zu gestalten.

Replit ist eine browserbasierte Entwicklungsumgebung, die es ermöglicht, in über 50 Programmiersprachen zu programmieren, Projekte in Echtzeit zu teilen und gemeinsam zu bearbeiten sowie Anwendungen direkt aus dem Browser heraus zu erstellen und bereitzustellen.

Websparks ist ein KI-gestützter Assistent für Software-Entwickler, der es ermöglicht, Ideen in kürzester Zeit in produktionsreife Full-Stack-Anwendungen mit responsivem Frontend, robustem Backend und optimierten Datenbanken umzusetzen.

Fenado AI ist eine KI-gestützte Plattform, die es ermöglicht, durch einfache Beschreibung von Ideen ohne Programmierkenntnisse in wenigen Minuten voll funktionsfähige mobile Apps und Websites zu erstellen.

Software Engineering Assistance (+8)

Codeium ist ein Code-Assistance-Toolkit, das Entwicklern in über 70 Programmiersprachen und mehr als 40 integrierten Entwicklungsumgebungen (IDEs) Funktionen wie Autovervollständigung, Chat und Befehle bietet, um die Produktivität zu steigern und den Entwicklungsprozess zu beschleunigen.

Windsurf ist eine von Codeium entwickelte, KI-gestützte integrierte Entwicklungsumgebung (IDE), die auf Visual Studio Code basiert und durch Funktionen wie “Cascade” und “Supercomplete” den Programmierfluss optimiert.

Zed AI erweitert den Zed-Code-Editor um eine leistungsstarke Schnittstelle für KI-gestütztes Programmieren. Entwickler können direkt im Editor mit KI-Modellen interagieren, um Code zu generieren, zu transformieren und zu analysieren. Funktionen wie das Assistant-Panel, Slash-Befehle, Inline-Assistenten und anpassbare Prompt-Bibliotheken ermöglichen eine nahtlose Integration von KI in den Entwicklungsprozess. Zed AI unterstützt verschiedene Anbieter von großen Sprachmodellen (LLMs) und bietet einen gehosteten Dienst, der in Zusammenarbeit mit Anthropic entwickelt wurde, um schnelle Texttransformationen zu ermöglichen.

Zencoder ist ein Coding-Agent, der Entwicklern hilft, Code zu generieren, zu fixen und zu optimieren. Er integriert sich in Entwicklungsumgebungen wie Visual Studio Code und JetBrains, bietet intelligente Codevorschläge, automatische Unit-Tests und kontextbezogene Codevervollständigung. Mit Funktionen wie Repo Grokking™ und eingebetteten KI-Agenten steigert Zencoder die Produktivität und unterstützt mehrere Programmiersprachen wie Python, Java und JavaScript.

Copilot4DevOps ist nahtlos in Azure DevOps integriert und zielt darauf ab, den Entwicklungszyklus durch Automatisierung und verbesserte Zusammenarbeit zu optimieren. Es ermöglicht u.a. die Generierung von Pseudocode und Testskripten in verschiedenen Programmiersprachen. Vielen Dank Stephan Dankers für den Hinweis:

Es ist eine Extension für MS Azure DevOps mit vielen Funktionen speziell für Product Owner und mindestens auch Tester. Es bietet u.a. Features wie: Items jedweder Art erstellen (Epics, Features, Stories, Test Cases etc.), Analyse und Verbesserung existierender Items, Vorbereitung von Fragerunden mit einem Q&A-Assistenten, Impact-Analyse, Diagramme aus Text ableiten.

Early ist ein Tool, das Entwicklern hilft, automatisierte und umfassende Unit-Tests direkt in Visual Studio Code zu erstellen, um die Codequalität zu verbessern und die Entwicklungseffizienz zu steigern.

PearAI ist ein Open-Source-KI-Code-Editor, der führende KI-Tools wie Aider, Supermaven und Perplexity integriert, um Entwicklern eine nahtlose und effiziente Programmiererfahrung zu bieten.

Squire AI ist eine Code-Review- und QA-Plattform, die Pull-Request-Beschreibungen erstellt, Code überprüft und die Code-Standards des Teams erlernt, um den Softwareentwicklungsprozess zu optimieren.

Theneo ist ein Tool, das die Erstellung von API-Dokumentationen automatisiert und optimiert, indem es Entwicklern ermöglicht, ansprechende, interaktive und markenkonforme Dokumentationen mit minimalem Aufwand zu erstellen.

TestSprite ist ein KI-Agent, der den gesamten Test-Prozess in der Software-Entwicklung automatisiert – von der Erstellung von Testplänen, -daten und -skripten über die Ausführung bis Hilfestellung für die Fehlerbehebung.

Market & Customer Insights (+3)

Sharbo ist eine Plattform für Wettbewerbsanalysen, die es Unternehmen ermöglicht, Produktmerkmale von Konkurrenten zu verfolgen, zu analysieren und mit den eigenen Produkten zu vergleichen, um Marktanteile zu sichern und Wachstum zu fördern.

Notably ist eine Plattform, die speziell für die Analyse und Organisation qualitativer Daten entwickelt wurde. Sie unterstützt Teams dabei, Erkenntnisse aus Interviews, Umfragen, Forschung und anderen Datenquellen effizient zu gewinnen und in visuell aufbereitete, umsetzbare Strategien umzuwandeln, um eine datengetriebene Entscheidungsfindung in Forschung, Produktentwicklung und Marketing zu ermöglichen.

Experial ist eine Plattform, die Unternehmen ermöglicht, durch digitale Kundenzwillinge (Digital Twins) und Panels in Echtzeit Einblicke von ihrer Zielgruppe zu erhalten. Dies unterstützt datengetriebene Entscheidungen in Bereichen wie Marketing, Produktentwicklung und Innovation. Danke Tim Klein für den Tipp!

Design & Prototype (+4)

Visily ist ein UI-Design-Tool, das es ermöglicht, hochwertige Wireframes und Prototypen schnell und ohne Designkenntnisse zu erstellen. Danke Pavankumar Mylapalli für deinen Hinweis:

Visily AI for design: great tool for visualizing the ideas from sketches.

Rapid Visual ist ein Tool, das Innovationsteams dabei unterstützt, Konzepte in visuelle Prototypen umzuwandeln, indem es die Erstellung von Customer Journeys, Geschäftsmodellen, Logos und mehr ermöglicht. Der Zweck ist das Aufsetzen und Validieren von Business Models. Danke Thomas Gläser für den Tipp!

Design Buddy ist ein KI-Plugin für Figma und Adobe Express, das Designern hilft, ihre Entwürfe zu überprüfen und zu verbessern. Es bietet detailliertes Feedback zu Layout, Farben, Typografie und Barrierefreiheit, um die Designqualität zu steigern

Octopus.do ist ein visuelles Sitemap-Tool und Website-Planer, welcher es ermöglicht, Website- & Informationsarchitekturen schnell und effizient zu erstellen. Mit Funktionen wie Drag-and-Drop-Editor, Low-Fidelity-Wireframes und Echtzeit-Zusammenarbeit unterstützt es Designer, Entwickler und Projektmanager bei der Planung und Prototypenerstellung von Websites. Zudem bietet Octopus.do Integrationen mit Tools wie Figma und ermöglicht den Export von Sitemaps in verschiedene Formate wie PDF, PNG, XML und CSV. Danke Lutz Melcher für den Tipp!

Manage & Communicate (+4)

Jensen hilft Produktmanagern u.a. beim Formulieren von Produktanforderungen, Release Notes und Erstellung von Go-To-Market-Plänen. Jensen verspricht, den Produktkontext zu verstehen und bei der Erstellung und Verfeinerung der Produktartefakte zu unterstützen, indem es aus den Eingaben und den ständig aktualisierten Best Practices der Branche lernt.

IdeaFloat ist eine Plattform, die Unternehmern hilft, Geschäftsideen schnell zu validieren und in erfolgreiche Geschäftsmodelle umzuwandeln. Mit Funktionen wie Marktgrößenanalyse, Wettbewerbsanalyse, Preisstrategien und Finanzprognosen bietet IdeaFloat umfassende Werkzeuge zur Erstellung überzeugender Geschäftspläne.

ChatPRD ist ein Tool, um Produktmanagern bei der Erstellung von Product Requirement Documents (PRDs) zu unterstützen. Es automatisiert und optimiert den Prozess der Dokumentation, bietet intelligente Vorschläge und hilft dabei, Ideen klar und strukturiert zu formulieren. Danke Andreas Stephan für den Tipp!

Guidde ermöglicht es Unternehmen Videodokumentationen und Anleitungen effizient zu erstellen. Mit Funktionen wie der automatischen Erfassung von Arbeitsabläufen und KI-generierter Sprachausgabe können Teams hochwertige How-to-Videos und Schulungsmaterialien erstellen, ohne dass Kenntnisse in Design oder Videobearbeitung erforderlich sind.

Eververse ist eine Open-Source-Produktmanagementplattform, die Produktteams dabei unterstützt, Probleme zu identifizieren, Lösungen zu entwickeln, Funktionen zu priorisieren und mithilfe von KI Roadmaps zu planen.

Personal & Team Assistance (+1)

Jamie ist ein KI-Assistent, der automatisch Meeting-Notizen und To-Do-Listen generiert, unabhängig von der Plattform oder dem Meeting-Typ, und dabei keinen zusätzlichen Meeting-Bot benötigt. Vielen Dank Oliver Winter für deinen Tipp:

Mir hilft ja - unabhängig von der Produktentwicklung - aktuell jamie als Personal Note Taker am meisten 😉

Das 01/2025-Update des KI-Radars birgt nur ein neues Tool im Bereich “Personal & Team Assistance”. Das heißt nicht, dass es keine weiteren gibt. Das heißt nur, dass meine Aufmerksamkeit in letzten Monaten auf den Tools der anderen Bereiche lag. Ich werde für ein nächstes Update des KI-Radars nun verstärkt auf Tools zur persönlichen Produktivitätssteigerung achten. Und du kannst dabei helfen!

Gestalte das KI-Radar mit!

In der sich rasant entwickelnden Welt der künstlichen Intelligenz existieren mittlerweile weit über 100, wenn nicht bald 1.000 KI-Tools! Diese Vielfalt wirft wichtige Fragen auf:

• Welche dieser Tools sollten wir in unserer täglichen Arbeit einsetzen?

• Welche sind schon ausgereift und haben sich bewiesen?

• Und welches Tool für meine Rolle?

Das KI-Radar beantwortet die Fragen auf einen Blick: es dient als Katalysator für eine breitere Akzeptanz und Integration von KI in unserem Arbeitsalltag. Es soll Durchblick verschaffen und eine zuverlässige Orientierung in der schnelllebigen Landschaft der KI-Tools bieten - und zwar speziell für die Software- & Produktentwicklung. Dieses Radar kuratiert daher sorgfältig ausgewählte KI-Tools, die speziell auf die täglichen Aufgaben im Produktmanagement und in der Softwareentwicklung zugeschnitten sind. Denn, meine Meinung ist:

Keine KI-Nutzung ist keine Option!

Teile deine Erfahrungen!

Ich möchte, dass das KI-Radar der Community stets eine Hilfe und Orientierung bietet! Daher: Teile mit mir Deine Erfahrungen und Erkenntnisse!

• Welche Tools fehlen oder verdienen mehr Beachtung?

• Welche Tools würdet ihr anders einordnen oder bewerten?

• Sollten bestimmte experimentelle Tools entfernt oder aufgewertet werden?

Schreibe einen Gastbeitrag!

Ich freue mich übrigens auch, wenn Du einen Gastbeitrag über das ein oder andere Tool oder Anwendungsfall schreibst. Die Community freut sich über den Erfahrungsaustausch und Du darfst dich über etwas Sichtbarkeit freuen :)

Mail an Alexej senden

Lass uns also einen lebendigen Wissensschatz aufbauen, unsere Arbeitsweise mit KI gemeinsam gestalten und die kundenzentrierte Produktentwicklung aufs nächste Level heben! Denn kürzere Innovationszyklen sind echte Mehrwerte, die in barer Münze messbar sind.

Deswegen, bleib dran & mach einfach!

Alexej

PS: hier der vollständige Guide, wie das Radar zu lesen ist:

PPS: Hier das KI-Radar 01/2025 per 22.01.2025 in voller Auflösung:

• Ist sie selbsterklärend? Vermutlich ja.

• Ist sie intuitiv? Vermutlich auch.

• Ist sie nützlich? mmh, schwierig…

Wir haben mit Tim im Produktwerker-Podcast es auch kurz angerißen: Wäre es nicht logischer und hilfreicher, die KI-Tools im KI-Radar nach Aufgabenbereichen statt bisher nach Rollen einzuordnen?

Long story short: ja, es wäre hilfreicher!

Darum, et voila! Das KI-Radar für Produktmanagement & Softwareentwicklung in seiner neuen Struktur:

Warum die neue Struktur?

Bisher war das Radar nach Rollen untergliedert. Im Laufe der Zeit habe ich realisiert, dass es zahlreiche Tools gibt, die für mehrere Rollen dienlich sind. Zugleich spezialisieren sich die Tool-Anbieter meist auf eine bestimmte Aufgabe. Ein "job-to-be-done", so zu sagen.

Genau deswegen halte ich es für viel sinnvoller, das Radar nun nach Aufgabenbereichen, die in der Produktentwicklung anfallen, aufzuteilen. Ich will damit auch den Produktentwicklungsphasen angelehnt an den Dual-Track Agile Ansatz Rechnung tragen.

Was ist Dual Track Agile?

Dual Track Agile ist ein Konzept, das zwei essentielle Tracks der Produktentwicklung gleichzeitig betont: Discovery und Delivery.

Das Konzept trägt dieser bitteren Wahrheit des Innovationsmanagements in Worten von Marty Cagan Rechnung:

The first truth is that at least half of our ideas are just not going to work.

Während der Discovery wird deshalb das Ziel verfolgt, zu erkunden und zu validieren, welche Produktideen tatsächlich einen Mehrwert schaffen. Für den Kunden und für das Business. Es geht darum, kontinuierlich mit Kund:innen zu sprechen, Bedürfnisse zu analysieren, Herausforderungen zu definieren und sie mit der Business-Situation in Einklang zu bringen. Theresa Torres beschreibt es treffend in ihrem Buch:

Good Continuous Discovery is a competitive advantage that compounds over time.

Während der Delivery kommt es auf eine effiziente und verlässliche Umsetzung dieser Ideen an. Hier geht es also darum, aus den Erkenntnissen der Discovery-Phase konkrete Maßnahmen und Lösungen zu entwickeln und auszurollen.

Marty Cagan erklärt dies so:

We need to discover the product to be built and deliver that product to market.

Beide Tracks laufen parallel und bilden die Grundlage eines iterativen, flexiblen Prozesses, bei dem die Menschen im Team an der Discovery und an der Delivery Hand in Hand arbeiten, um den Produktentwicklungszyklus effektiv zu gestalten und bestmögliche Ergebnisse zu erarbeiten (und übrigens mehr Spaß bei der Arbeit zu haben. Aber das nur am Rande).

Von Rollen zu Aufgabenbereichen

Das KI-Radar bisher

Das KI-Radar war nach Rollen wie Product Manager, Designer, Entwickler und Team unterteilt. Dies schuf zwar eine intuitive Orientierung, aber viele Tools, die mehreren Rollen nützen, wurden schwer einzuordnen. In der alten Struktur gab es durch Clusterbildung eine zunehmende Unübersichtlichkeit, da sich viele Tools an der Grenze zwischen den Rollen bewegten.

Das KI-Radar in Zukunft

Die neue Struktur löst dies auf, indem sie Tools in m.E. logischere Kategorien einteilt und damit Überschneidungen reduziert. Das Radar ist jetzt entlang von Aufgabenbereichen strukturiert. Diese “Kuchenstücke” reflektieren die tatsächlichen Aufgaben und Bedürfnisse der Menschen in der Produktentwicklung.

• Market Research & Customer Insights

• Design & Prototype

• Personal & Team Assistance

• Develop & Implement

• Launch & Manage

• Leadership & Communication

Die vollständige Beschreibung, wie das KI-Radar ansonsten und insgesamt aufgebaut ist und verwendet werden kann, habe ich in diesem Guide aufgeschrieben:

Wie findest Du es?

Die neue Struktur basiert auf dem Feedback von euch! Es ist in meinen Augen jetzt besser möglich die Tools nach ihrem Anwendungsbereich zu finden. Teams erhalten eine klarere Orientierung, welche Tools bei ihren konkreten Herausforderungen helfen können. Und durch die Anlehnung an Dual-Track Agile deckt das KI-Radar sowohl Discovery- als auch Delivery-Tracks ab.

Aber das ist meine Meinung. Bevor ich im Januar das Radar um ca. 20 neue Tools aktualisiere, interessiert mich deine Meinung:

Was hältst denn Du von der neuen Untergliederung des Radars?

Schreib gerne einen Kommentar, eine Mail an alexej@beyondbacklog.de oder auf LinkedIn.

• Was würdest Du anders machen?

• Was würdest Du genau so lassen?

• Welche Aufgabenbereiche fehlen Dir vielleicht noch?

Teile Deine Gedanken gerne mit mir und lass uns gemeinsam daran arbeiten, die Nutzung von KI-Tools für Produktmanagement und Softwareentwicklung noch effektiver zu gestalten!

Und ansonsten, bleib dran & mach einfach!

Alexej

PS: Hier das aktuelle KI-Radar 12/2024 in voller Auflösung. Teile es gerne mit deinen Kollegen intern in Slack, Teams etc.

Teilen

Zu Gast beim Podcast “Quo Vadis KI”

Diese Woche ist die Folge “Wie KI-Tools die Produktentwicklung revolutionieren” beim „Quo Vadis KI“-Podcast mit mir als Gast erschienen. Darin sprach ich vor inzwischen 8 Wochen über den Einfluss von KI-Tools auf die Produktentwicklung, insbesondere darüber, wie KI-Tools den „Time to Insight“ Prozess beschleunigen können. Es ging beispielsweise darum, wie die Analyse von Kundeninterviews automatisieren und Prototypen schneller erstellt werden können, damit mehr Raum für Kreativität und Agilität entsteht.

Hier geht es zur Podcast-Folge

Push UX & Product Meetup am 05.12.2024

Ich freue mich, schon sehr bald beim Push UX & Product Meetup in München einen Vortrag zu halten: „AI beyond ChatGPT: Optimizing Dual Track Agile for Product Teams“. Der Vortrag ist auf Englisch und wird zusätzlich per Zoom übertragen. Ich werde das, worüber ich im Podcast spreche, anschaulich und mit Praxisbeispielen zeigen. Schaltet euch dazu:

Hier geht es zum Meetup

Product Owner Meetup am 10.12.2024

Eine Woche später geht es online weiter beim Product Owner Meetup mit meinem Vortrag „KI für POs beyond ChatGPT“. Diesmal auf Deutsch. Der Fokus: Wie können Product Owner KI-Tools nutzen, um ihre Arbeit effizienter und effektiver zu gestalten? Ich freue mich über eure Teilnahme und Diskussionen:

Hier geht es zum Meetup

Bei beiden Meet-Ups werde ich übrigens das KI-Radar in seiner neuen Struktur zeigen und die Herleitung erklären. Stay tuned!

Zu Gast beim Produktwerker-Podcast

Und erst letzte Woche durfte ich sehr ausführlich über das KI-Radar im Produktwerker-Podcast sprechen. Gemeinsam mit Tim haben wir das Thema AI-Tools für Produktmanagement beleuchtet und dort erste Überlegungen angestellt, das KI-Radar in der Struktur zu verändern.

Zusammengefasst erklärte ich, wie das KI-Radar eine strukturierte Übersicht über relevante KI-Tools bietet und Designern, Product Ownern / Product Managern sowie Software-Entwicklern hilft, die passenden Tools zu entdecken.

Die für mich wichtigste Botschaft war:

einfach machen!

Heißt also ganz pragmatisch: klein anfangen, mit KI-Tools experimentieren und lernen.

Hier geht es zur Folge

Ich möchte Beyondbacklog.de für Gastartikel öffnen!

Kürzlich hat mir jemand folgendes bei LinkedIn geschrieben:

Ich habe vor einiger Zeit deinen Vortrag zum Thema AI für PMs beim Product Tank gehört und wollte mich hierzu nochmal bedanken.

Durch die Nutzung der von dir gezeigten Tools wie Claude.ai konnte ich in meinem aktuellen Bewerbungsprozess und der Case Study dabei, eine sehr gute Lösung des Cases in kurzer Zeit erarbeiten und dabei gab es insb. positives Feedback zu meiner Nutzung von AI Tools - und auch der Design-Lead war von meinen bzw. den Fähigkeiten der AI sehr angetan. Das Unternehmen hat mir ein daraufhin auch ein Angebot gemacht, welches ich angenommen habe.

Dieses Feedback wollte ich kurz mit dir teilen und nochmal vielen Dank sagen, für den sehr spannenden und hilfreichen Input!

Dieses Feedback teile ich stellvertretend für Eure gesamte Resonanz zum Thema KI & Product sowie zum KI-Radar. Das Feedback, der Zuspruch die Ideen sind überwältigend! Vielen Dank an alle, die mir ihre Gedanken und Erfahrungen dazu geschickt haben. Euer Input motiviert mich und hilft, das KI-Radar weiter zu schärfen und zu einem echten Werkzeug für die Community zu machen.

Und doch ist auch meine Zeit und Energie begrenzt. Neben längerfristigen Beratungsprojekten unterstütze ich im Moment diverse Unternehmen mit Impulsvorträgen und Workshops. Eure Begeisterung und das steigende Interesse haben in mir deshalb den Gedanken geweckt, den Newsletter für Gastartikel zu öffnen.

Die Idee: Gemeinsam mehr Tiefe und Praxiswissen ins Thema KI im Produktmanagement zu bringen. Wenn ihr also spannende Experimente gemacht oder Erkenntnisse in der täglichen Arbeit mit KI-Tools gewonnen habt, dann lasst sie uns mit der Community teilen - natürlich unter eurem Namen!

Schreibt mir gerne eure Einblicke, (Miss)Erfolgsgeschichten oder Tipps rund um KI im Produktmanagement und Software-Entwicklung an alexej@beyondbacklog.de und lasst uns so gemeinsam unsere Arbeitsweisen weiterdenken und durch KI-Nutzung gestalten.

Die Chancen sind riesig, und die Zeit ist jetzt!

Trau dich, der oder die erste zu sein! ;-) Es tut nicht weh. Ich helfe auch.

Für den Rest: bleib dran & mach einfach!

Alexej

PS: Keine Ahnung, was das KI-Radar ist? Hier entlang:

Lenny's Newsletter

Becoming an AI PM | Aman Khan (Arize AI, ex-Spotify, Apple, Cruise)

Listen now on Apple, Spotify, and YouTube…

Listen now

a year ago · 100 likes

Aman teilt dort drei wichtige Arten von KI-Produktmanagern:

1. AI Plattfrom PMs, die Tools für KI-Entwickler entwickeln.

2. AI Product PMs, deren Produkte auf KI-Modellen wie z.B. den von OpenAI, Gemini oder Anthropic basieren .

3. AI powered PMs, die KI nutzen, um ihre Arbeit produktiver und kreativer zu gestalten.

Seine These: KI ermöglicht es PMs, schneller, experimenteller und präziser zu arbeiten:

Die Fähigkeit, Ideen mit minimalem Aufwand zu prototypisieren, schafft neue Möglichkeiten für die Produktentwicklung.

Das ist das, was ich ebenfalls als den größten Hebel sehe! Und das bedeutet, dass PMs, die ihre Vision klar formulieren und die richtigen Tools nutzen, einen enormen Vorteil haben.

Wie man in die KI-Produktmanagement-Rolle einsteigt

Heute ist es leichter denn je, in diesem Bereich Fuß zu fassen. Früher benötigte man tiefes Wissen über Machine Learning. Heute reichen Neugier, grundlegendes Verständnis von KI und die Fähigkeit, eigene Projekte zu prototypisieren. Tools wie Replit, MidJourney oder DALL-E ermöglichen es, binnen Minuten erste Entwürfe zu erstellen.

Amans Tipp: Bau dir ein Portfolio aus Projekten, um deine Fähigkeiten zu demonstrieren.

Erfolg als KI-PM

Exzellente KI-PMs zeichnen sich dadurch aus, dass sie nicht nur den Trends folgen. Sie hinterfragen: Löst dieses Produkt wirklich ein Kundenproblem? Die besten KI-Lösungen sollen sich nicht nicht wie KI anfühlen, sondern bestehende Prozesse und Erlebnisse nahtlos verbessern.

Warum die Rolle des PMs wichtiger wird

Aman argumentiert, dass KI Produktmanager nicht ersetzt, sondern aufwertet. Ich sehe es absolut genauso! In einer Welt, in der KI fast alles umsetzen kann, wird es entscheidend, zu wissen, was gebaut werden sollte – und genau das ist die Kernkompetenz eines guten PMs!

Er gibt deshalb auch folgende Ratschläge für den Karriereweg von PMs:

• Experimentiere mit KI-Tools und finde heraus, was sie können!

• Baue Prototypen, um deine Ideen greifbar zu machen!

• Und: Hab Spaß dabei, die Zukunft zu gestalten!

Mein Tipp für’s Wochenende: lass dich von diesem inspirierenden Gespräch zwischen Lenny und Aman inspirieren, motivieren und entdecke, wie KI deine Arbeit als Produktmanager revolutionieren kann:

Lenny’s Podcast mit Aman Khan bei Spotify – Ein Must-Hear für alle, die ihre Karriere in Richtung KI-PM entwickeln wollen.

Oder alternativ bei YouTube:

Also, bleib dran & mach einfach!
Alexej

Diese kühne Aussage trifft den Kern unserer sich rasant entwickelnden Tech-Landschaft, die von der Explosion der KI-Innovationen beherrscht wird. Da Unternehmen auf der ganzen Welt mit KI zu kämpfen haben, ist das Verfolgen eines agilen Ansatzes bei der Implementierung von KI und Durchführung von KI-Initiativen wichtiger denn je.

Ich finde, das trifft für beides zu:

• für Individuen in der (Büro)-Arbeitswelt

• für Unternehmen und Organisationen allgemein.

Warum kündigt ein gescheiterter Einsatz von Agile Schwierigkeiten bei KI an?

Jim Highsmith hat darüber diesen Post bei LinkedIn veröffentlicht:

Agile Methoden sind auf Flexibilität, kontinuierliche Verbesserung und Kundenorientierung ausgerichtet. Sie sind nicht nur für die Softwareentwicklung, sondern auch für die erfolgreiche Implementierung von KI von entscheidender Bedeutung. Der unvorhersehbare Charakter der technologischen Fortschritte verbunden mit der bisher unbekannten Dynamik erfordert eine Kultur, die schnelle Anpassung und iteratives Lernen fördert. Ohne die Fähigkeit, auf unvorhergesehene Herausforderungen zu reagieren, werden KI-Projekte wahrscheinlich stagnieren oder scheitern.

Ausgehend von den Erfahrungen der 2000er Jahre, als das Internet und die Software-Entwicklung Unternehmen und ganze Branchen umgestalteten - sind die Parallelen zu den heutigen KI-getriebenen Veränderungen deutlich. Damals führte die Anpassungsfähigkeit und Mut zur Innovation zu einem Wettbewerbsvorteil. Heute sind wir mit den Möglichkeiten von KI, Web 3.0 und Mixed Reality konfrontiert. Die Anpassungsfähigkeit “von damals” ist heute nur noch unverzichtbarer geworden.

Die jüngsten Forbes-Artikel von Steve Dennings erörtern diesen Wandel und betonen, dass eine agile Denkweise nicht nur für den Umgang mit Veränderungen, sondern auch für deren Vorreiterrolle notwendig ist. Der Grundgedanke der Agilität ist eine kontinuierliche Lernreise - heute ein Muss für den effektiven Einsatz von KI.

Denke also daran: der Erfolg in der von KI-Ära hängt nicht nur von der Anwendung der neuen Technologie ab, sondern auch davon, sich die agilen Werte zu eigen machen und danach zu handeln:

(die vier Values des Agilen Manifestos)

Meine 2 Cent dazu

In der heutigen (und morgigen) Welt geprägt von KI…

… geht es im das Mindset;

… es geht um die Macher-Mentalität;

… es geht darum, sich nicht von Unsicherheiten oder Bedenken, sondern von Chancen und Mehrwerten leiten zu lassen.

Also, bleib dran & mach einfach!

PS: für diesen Newsletter habe ich den Post von Jim Highsmith im großen und ganzen “nur” übersetzt. Der Gedanke von ihm war einfach auf den Punkt!

Das sind wirklich gute Nachrichten!

• wir können unliebsame und Routine-Aufgaben schneller erledigen

• wir können die Qualität unserer Arbeitsergebnisse steigern. Damit können wir mehr Mehrwert für die Kunden und für Unternehmen generieren.

Interessanter wird es im folgenden Detail:

KI hilft die Qualifikationslücke zwischen gering und hoch qualifizierten Arbeitnehmern durch die Nutzung derselbigen zu schließen.

Wie ist das Diagramm zu lesen?

• Die blauen Balken zeigen die Leistung von Arbeitnehmern ohne GhatGPT.

• Die rosafarbenen Balken die Leistungen mit ChatGPT.

• Auf der linken Seite sind die Ergebnisse von geringer qualifizierten Mitarbeitern.

• Auf der rechten von höher Qualifizierten.

Erkenntnisse

1. grüner Pfeil: geringer Qualifizierte schneiden mit ChatGPT besser ab als höher Qualifizierte ohne ChatGPT.

2. die roten Pfeile: KI als Co-Pilot ermöglicht eine viel höhere Leistungssteigerung bei geringer Qualifizierten als bei hoch Qualifizierten.

3. gestrichelte rote Linie: Es gibt fast keinen Leistungsunterschied zwischen höher und geringer Qualifizierten, die KI verwenden.

Überlege Dir nun, was es für dich persönlich bedeutet?!

• Für dich!

• Nicht für dein Team.

• Nicht dein Unternehmen…

Mit meinen 18 Jahren Arbeitserfahrung, heißt es für mich: Ich will KI aktiv lernen, verstehen und einsetzen, um nicht überholt zu werden.

Für junge Fachkräfte: KI ist eine große Chance für euch!Unterm Strich: Keine KI-Nutzung ist keine Option.

Für Führungskräfte und Unternehmenslenker: Investiert in die Ausbildung eurer Mitarbeiter, KI richtig einzusetzen! Denn, was wenn ihr es nicht tut oder die Wettbewerber schon?

1. die Talente wandern dorthin ab, wo sie gefördert werden

2. die Wettbewerber werden bei geringeren Personalkosten bessere Ergebnisse für die Kunden erzielen. Der Markt regelt anschließend langfristig den Rest…

Also, bleib dran & mach einfach!

Ich will nicht später sagen müssen: “ich hab' ja gewarnt…” ;-)

Alexej

• Welche KI-Tools sollten wir in unserer täglichen Arbeit einsetzen?

• Welche KI-Apps sind schon ausgereift und haben sich bewiesen?

• Und welche KI-Systeme für meine Rolle?

Ich erkenne ein enormes Potenzial darin, durch den gezielten Einsatz von KI die Innovationskraft von Teams signifikant zu steigern. Das Radar soll deshalb als Katalysator für eine breitere Akzeptanz und Integration von KI in unserem Arbeitsalltag dienen. Es soll Durchblick verschaffen und eine zuverlässige Orientierung in der schnelllebigen Landschaft der KI-Tools bieten. Dieses Radar kuratiert sorgfältig ausgewählte KI-Tools, die speziell auf die täglichen Aufgaben im Produktmanagement und in der Softwareentwicklung zugeschnitten sind.

Denn, meine Meinung ist:

Keine KI-Nutzung ist keine Option!

Helft gerne mit eurem Feedback, euren Hinweisen und Erfahrungen, die Hürden für die Nutzung dieser zukunftsweisenden Technologie abzubauen.

Ich möchte der breiten Maße von Kollegen den Einstieg in die Welt der KI erleichtern. Das KI-Radar kann helfen, die routinemäßige Nutzung von KI-Tools im Produktmanagement und in der Softwareentwicklung zu etablieren. Entsprechend wird das KI-Radar regelmäßig in unregelmäßigen Abständen aktualisiert.

Wie ist KI-Radar zu lesen?

Ich habe versucht, das KI-Radar intuitiv und selbsterklärend zu gestalten. Dennoch können verständlicherweise Fragen zur korrekten Interpretation aufkommen. Daher folgt jetzt eine kurze Erklärung.

Die Kreise stehen für den Reifegrad

Um eine klare Handlungsempfehlung geben zu können, habe ich die konzentrischen Kreise nach dem Reifegrad der Tools für den täglichen Einsatz gegliedert. Jede Technologie, jedes Tool, jedes Produkt durchläuft unterschiedliche Entwicklungs- und Durchdringungsstadien. Die Produktmanager unter uns sollten es ja wissen. :-)

So klingen Tools, die außerhalb der Kreise platziert sind, laut Ankündigung der Hersteller spannend und relevant, wurden jedoch noch nicht ausgerollt.

1) experimental → observe!

Diese äußere Kategorie umfasst i. d. R. solche Tools, die entweder neu und noch nicht ausgereift sind oder sich in meinen Augen(!) in ihren Anwendungsszenarien speziell für Produktmanagement und die Software-Entwicklung noch nicht ausreichend bewiesen haben. Ich empfehle, diese Tools und deren Weiterentwicklung auf dem Schirm zu haben, um potenzielle zukünftige Chancen nicht zu verpassen.

Die Experimentierfreudigen unter Euch dürfen natürlich die Tools einfach ausprobieren und sich selbst ein Urteil bilden. Teile sodann gerne Deine Erfahrung und Einschätzung mit mir!

2) useful → try!

Dieser mittlere Bereich enthält KI-Tools, die bereits einen gewissen Reifegrad erreicht haben und deren Anwendungsszenarien sich für unseren täglichen Einsatz in meinen Augen(!) als nützlich erweisen. Es lohnt sich, diese Tools mit einem ersten echten Use Case in der Arbeit auszuprobieren! Denn Probieren geht über Studieren. So erweiterst Du Deinen eigenen Werkzeugkasten und findest für dich heraus, wofür sich welches Tool eignet und wofür nicht. In der Regel bietet jedes Tool eine kostenlose Version oder Trial-Phase dafür an.

3) established → use!

Der innerste Kreis repräsentiert in meinen Augen(!) bereits bewährte KI-Lösungen. Diese Technologien sind ausgereift und ich empfehle sie aktiv in Deinem Arbeitsalltag zu integrieren! Die Nutzung dieser Tools bringt spürbare Vorteile mit sich, sodass sich auch eine bezahlte Variante – pauschal gesprochen – lohnen dürfte!

Natürlich ist es utopisch, alle Tools zu nutzen! Viele der Tools substituieren sich auch gegenseitig.

Die Kuchen-Stücke unterteilt nach Aufgaben

Die Aufteilung der Tools in sechs „Kuchenstücke“ dient dazu, die Tools nach Aufgabenbereichen einzuordnen. Diese Struktur reflektiert die tatsächlichen Aufgaben und Bedürfnisse der Menschen in der Produktentwicklung.

• Manage & Communicate

• Market & Customer Insights

• Design & Prototype

• Personal & Team Assistance

• Build MVPs

• Software Engineering Assistance

Manche Tools sind genau an der Trennlinie. Das soll verdeutlichen, dass sich dieses Tool für mehrere Aufgaben eignet.

Die Symbole geben den Tools eine Bewertung

Die Symbole in diesem KI-Radar dienen als Bewertungssystem für die vorgestellten Tools. Sie geben einen schnellen Überblick über meine persönliche(!) Einschätzung und Erfahrung mit den jeweiligen Anwendungen.

Und was, wenn ein Tool keine Bewertung hat? Das Tool ist deshalb nicht schlecht! So tragen solche Tools, die ich selber bisher nicht ausreichend genug ausprobiert habe, gar kein Symbol.

+1: Recommendation

Dies ist meine persönliche Empfehlung und vielleicht auch ein Geheimtipp. Diese Tools haben mich besonders beeindruckt und bieten meiner Meinung nach einen herausragenden Mehrwert!

👍 Daumen hoch: Proven

Mit einem 👍 kennzeichne ich Tools, die sich in nach meiner Beobachtung und Erfahrung in einem längerfristigen Einsatz bereits bewährt haben. Sie haben für mich ihre Zuverlässigkeit und Nützlichkeit unter realen Arbeitsbedingungen unter Beweis gestellt.

⭐ Stern: Promising

Dieses Symbol verwende ich in der Regel für vielversprechende Neuzugänge bei den KI-Tools. Da diese Technologie noch relativ jung ist, erscheinen ständig neue Tools und Features am Markt. Werkzeuge mit einem Stern-Symbol finde ich zwar sehr interessant und potenziell wertvoll, habe aber noch nicht genügend Erfahrungswerte sammeln können, um eine abschließende Bewertung abzugeben.

Mir ist es wichtig zu betonen, dass diese Bewertungen auf meiner persönlichen Erfahrung und Einschätzung basieren. Sie spiegeln meinen aktuellen Wissensstand und meine subjektive Meinung wider.

Ich lade Dich daher herzlich dazu ein, deine Erfahrungen mit den Tools mit mir zu teilen, insbesondere wenn Du sie intensiver im produktiven Einsatz genutzt hast. Mein Ziel ist es, das Radar kontinuierlich zu aktualisieren und zu einer wertvollen Ressource für die gesamte Community zu machen.

Einen Kommentar hinterlassen

Das aktuelle KI-Radar 01/2025

So sieht das KI-Radar in der Version 01/2025 per 22.01.2025 aus. Die hochauflösende Version befindet sich ganz am Ende zum Herunterladen und Teilen unter Kollegen.

Was hat sich verändert? Das habe ich hier aufgeschrieben:

Soll ich jetzt nur noch mit KI-Apps arbeiten?

Nein! Egal, wo Du oder ihr im Team bei der Etablierung von modernen Arbeitsweisen “by the book” und auch Tool-Nutzung steht, fangt exakt dort an, was euch in eurer Situation gerade am meisten anspricht! Fange mit Babysteps an. Lieber langsam, dafür stetig. Lieber etablieren, statt wegen Enttäuschung aufgrund von Überforderung aufgeben.

Wenn Du gar nicht weißt, wo du starten sollst, dann schaue Dir zunächst vor allem die recommendations und proved Tools für deine Rolle an. Das schränkt die Auswahl schon mal enorm ein.

Gestalte das KI-Radar mit!

In der sich rasant entwickelnden Welt der künstlichen Intelligenz existieren mittlerweile weit über 100, wenn nicht bald 1.000 KI-Tools! Diese Vielfalt wirft wichtige Fragen auf:

• Welche dieser Tools sollten wir in unserer täglichen Arbeit einsetzen?

• Welche sind schon ausgereift und haben sich bewiesen?

• Und welches Tool für meine Rolle?

Das KI-Radar beantwortet die Fragen auf einen Blick: es dient als Katalysator für eine breitere Akzeptanz und Integration von KI in unserem Arbeitsalltag. Es soll Durchblick verschaffen und eine zuverlässige Orientierung in der schnelllebigen Landschaft der KI-Tools bieten - und zwar speziell für die Software- & Produktentwicklung. Dieses Radar kuratiert daher sorgfältig ausgewählte KI-Tools, die speziell auf die täglichen Aufgaben im Produktmanagement und in der Softwareentwicklung zugeschnitten sind. Denn, meine Meinung ist:

Keine KI-Nutzung ist keine Option!

Teile deine Erfahrungen!

Ich möchte, dass das KI-Radar der Community stets eine Hilfe und Orientierung bietet! Daher: Teile mit mir Deine Erfahrungen und Erkenntnisse!

• Welche Tools fehlen oder verdienen mehr Beachtung?

• Welche Tools würdet ihr anders einordnen oder bewerten?

• Sollten bestimmte experimentelle Tools entfernt oder aufgewertet werden?

Sendet mir eure praktischen Erfahrungen, Screenshots und Bildschirmaufnahmen mit den Systemen! Ich werde sie gerne einarbeiten und verbreiten – natürlich nicht ohne euch Credits dafür zu geben.

Schreibe einen Gastbeitrag!

Ich freue mich übrigens auch, wenn Du einen Gastbeitrag über das ein oder andere Tool oder Anwendungsfall schreibst. Die Community freut sich über den Erfahrungsaustausch und Du darfst dich über etwas Sichtbarkeit freuen :)

Mail an Alexej senden

Lass uns also einen lebendigen Wissensschatz aufbauen, unsere Arbeitsweise mit KI gemeinsam gestalten und die kundenzentrierte Produktentwicklung aufs nächste Level heben! Denn geringere Risiken bei Produktinnovationen und kürzere Innovationszyklen sind echte Mehrwerte, die in barer Münze messbar sind.

Deswegen, bleib dran & mach einfach!

Alexej

PS: Hier das aktuelle KI-Radar 01/2025 in voller Auflösung. Teile es gerne mit deinen Kollegen intern in Slack, Teams etc.

Teilen

• Welche dieser Tools sollten wir in unserer täglichen Arbeit einsetzen?

• Welche sind schon ausgereift und haben sich bewiesen?

• Und welches Tool für meine Rolle?

Das KI-Radar beantwortet die Fragen auf einen Blick. Ich erkenne ein enormes Potenzial darin, durch den gezielten Einsatz von KI die Innovationskraft von Teams signifikant zu steigern. Das Radar soll deshalb als Katalysator für eine breitere Akzeptanz und Integration von KI in unserem Arbeitsalltag dienen. Es soll Durchblick verschaffen und eine zuverlässige Orientierung in der schnelllebigen Landschaft der KI-Tools bieten. Dieses Radar kuratiert sorgfältig ausgewählte KI-Tools, die speziell auf die täglichen Aufgaben im Produktmanagement und in der Softwareentwicklung zugeschnitten sind.

Denn, meine Meinung ist:

Keine KI-Nutzung ist keine Option!

Und hier ist der Guide, wie das Radar zu lesen ist:

Das aktuelle KI-Radar 11/2024

Dank freundlichen Hinweisen aus der Community sowie auf Basis eigener Recherchen und Experimente, habe ich das KI-Radar ergänzt. So sieht die Version 11/2024 per 1.11.2024 aus. Die hochauflösende Version befindet sich ganz am Ende zum Herunterladen und Teilen unter Kollegen.

Was hat sich in der Version 10/2024 verändert?

14 KI-Tools im Radar aufgenommen:

• banani.co und Galilieo AI: beides KI-gestütztee Design-Tools, die es ermöglichen, interaktive Benutzeroberflächen aus Textbeschreibungen zu generieren und Design-Entwürfe schnell zu erstellen, selbst ohne umfangreiche Designkenntnisse. Die Entwürfe können sodann nach Figma exportiert werden.

• Magicpatterns.com ist eine KI-gestützte Plattform, die es Softwareteams ermöglicht, Produktideen schnell zu prototypisieren, indem sie Benutzeroberflächen aus Textbeschreibungen oder Bildern generiert und in produktionsbereiten React-Code oder Figma-Designs umwandelt.

• Rapidpages.com ist ein KI-gestütztes Tool, das Benutzern hilft, schnell React- und Tailwind-Landingpages zu erstellen, indem es anpassbare Komponenten bereitstellt und einen AI-Assistenten namens Rapidcoder zur Verfügung stellt, um den Designprozess zu vereinfachen.

• Codara.io: eine KI-gestützte Plattform, die Echtzeit-Feedback und automatisierte Code-Reviews bietet, um Entwicklern zu helfen, Fehler frühzeitig zu erkennen und ihre Produktivität zu steigern.

• CodeAnt.ai: ist eine KI-gestützte Plattform für automatisierte Code-Reviews, die Entwicklern hilft, kritische Probleme in der Code-Qualität und Sicherheitslücken in über 30 Programmiersprachen zu finden und zu beheben.

• Bolt.new: eine KI-gestützte Plattform für Webentwicklung, die es ermöglicht, Full-Stack-Webanwendungen direkt im Browser durch Prompts zu erstellen, auszuführen, zu bearbeiten und zu deployen, ohne lokale Entwicklungsumgebung.

• AirtimeUX: eine KI-gestützte Plattform, die automatisch wichtige Produktfeedbacks aus User-Interviews identifiziert und analysiert, um Unternehmen dabei zu helfen, wertvolle Erkenntnisse für die Produktentwicklung zu gewinnen. Danke, Paul Wall für den Tipp! Es reiht sich damit in die gleiche Tool-Kategorie wie Dovetail und Condens ein.

• NextApp.co ist eine KI-gestützte Plattform für Product Discovery, die es Teams ermöglicht, Kundenanrufe, -Tickets, -Interviews und -Feedbacks in Insights umzuwandeln, zu organisieren und dadurch datengestützte Entscheidungen zu treffen. Das Tool reiht sich damit in die gleiche Kategorie wie AirtimeUX, Condens und Dovetail ein. Danke an Thomas Gläser für den Tipp!

• MagicFeedback.io: eine KI-gestützte Plattform, die Kundenfeedback aus verschiedenen Quellen sammelt, automatisch analysiert und Unternehmen dabei hilft, actionable Insights zu gewinnen und datengesteuerte Entscheidungen zu treffen.

• Breyta.ai ist eine KI-gestützte Plattform, die Unternehmen dabei hilft, Erkenntnisse aus Benutzerinterviews, Support- und Verkaufsgesprächen zu gewinnen, indem sie mehrere Dateien gleichzeitig analysiert, Schlüsselerkenntnisse liefert und den Prozess der qualitativen Datenanalyse automatisiert und beschleunigt.

• LeanScope.io ist eine Plattform, die UX- und CX-Teams bei der Erstellung von Personas, dem Stakeholder-Management, der Sammlung von User Research-Erkenntnissen und der Generierung von User Journey Maps unterstützt. Die Plattform bietet derzeit zwei KI-Features an: AI Persona Generator und AI Conversations für Echtzeitdialoge mit den Personas, um Nutzerinteraktionen zu simulieren, Feedback zu sammeln, Ideen zu entwickeln und Konzepte zu testen. Danke, Paul Wall auch für diesen Tipp!

• Rowsup.io: eine KI-gestützte All-in-One-Plattform für Produktmanager, die Frameworks wie Opportunity Solution Tree, SWOT, OKRs als dezidierte Chat-Agents bietet. Damit kann man sich das Bauen von CustomGPTs oder komplexen Prompts sparen. Danke an Tim Klein für den Tipp!

• Product Lab AI: ein KI-Copilot für Produktmanager und Startups, um den Prozess der Ideenfindung Geschäftsmodellierung durch automatische Generierung Kundenprofilen, Personas und Customer Journey Maps zu optimieren. Danke Artem Bukhinchenko für den Tipp!

Einordnungen bei 6 KI-Tools geändert

• Condens hat von mir ein +1 und damit eine recommendation erhalten. Ich habe mir die Plattform in der Zwischenzeit genauer angesehen und kann sie wärmstens empfehlen

• Dovetail und Condens haben Plätze getauscht: es ist insoweit interessant, als dass Condens gegenüber Dovetail in Europa den Vorteil in Bezug auf Einhaltung künftiger regulatorischer Anforderungen bietet. Als Münchener Unternehmen ist Condens bestens mit den spezifischen Datenschutz- und KI-Anforderungen europäischer Unternehmen vertraut und kann wahrscheinlich einfacher die Compliance-Richtlinien bestehen. Dovetail hingegen hat kürzlich doe neue Version 3.0 veröffentlicht. Damit nehmen sich m.E. beide Plattformen funktional nichts. Condens hat allerdings noch eine Schwachstelle im Vergleich zu Dovetail: die fehlende API. Diese könnte für große Organisationen wichtig sein, um über automatisierte Workflows noch effizienter zu arbeiten. Doch für den Großteil der Nutzer ist das Fehlen einer API vermutlich kein Problem. Dieser kleine Unterschied zeigt jedoch: Die richtige Tool-Wahl hängt stark von den individuellen Anforderungen ab.

• Kraftful: Nach einem zweiten Blick habe ich Kraftful in die Kategorie „experimentell“ verschoben. Die Plattform wirkt vielversprechend, jedoch hat im Vergleich m.E. noch nicht die Reife in Sachen Feature-Umfang. Dafür ist es vergleichsweise günstig! Für experimentierfreudige Teams bleibt Kraftful eine Option, um selber besser zu beurteilen, ob es für die eigene Praxisanwendung ausreichend ist.

• Rochade bei den Generalisten ChatGPT, Gemini und Microsoft Copilot. Der Grund: die wachsende Bedeutung von Datenschutz und Compliance-Richtlinien für europäische Unternehmen wegen des EU-AI-Acts. Besonders MS Copilot und Gemini rücken näher an die Mitte, da sie den Anforderungen des EU AI Acts und der DSGVO gerechter werden als ChatGPT. OpenAI lässt hier in ihren AGB zu viele rechtliche Zusicherungen offen, was gerade für europäische Unternehmen ein kritischer Punkt ist.
  

Es bilden sich Cluster

Eines fällt auf: Es kristallisieren sich Cluster von Tools heraus und an einigen Stellen wird das Radar jetzt unübersichtlich. Mit der nächsten Version des Radars überlege ich die Tools nach Aufgaben im Verlauf des Produktentwicklungszyklus zu clustern statt nach Rollen. Was denkst Du darüber?

Gestalte das KI-Radar mit!

Ich möchte, dass das KI-Radar der Community stets eine Hilfe und Orientierung bietet! Daher:

Teile mit mir Deine Erfahrungen und Erkenntnisse!

• Welche Tools fehlen oder verdienen mehr Beachtung?

• Welche Tools würdet ihr anders einordnen oder bewerten?

• Sollten bestimmte experimentelle Tools entfernt oder aufgewertet werden?

  Mail an Alexej senden

Lass uns einen lebendigen Wissensschatz aufbauen, unsere Arbeitsweise mit KI gemeinsam gestalten und die kundenzentrierte Produktentwicklung aufs nächste Level heben! Denn kürzere Innovationszyklen sind echte Mehrwerte, die in barer Münze messbar sind.

Ich wünsche ein schönes langes Wochenende!

Bleib dran & mach einfach!

Alexej

PS: hier der Guide, wie das Radar zu lesen ist:

PPS: Hier das KI-Radar 11/2024 in voller Auflösung:

Ich möchte den Status Quo über KI-Einsatz im Produktmanagement und in der Softwareentwicklung verstehen. Die Erkenntnisse will ich per Newsletter mit der Community teilen (natürlich vertraulich) und einige meiner Ideen dazu vorzuschlagen. Dafür führe ich im Moment Interviews durch und dafür brauche ich Dich! Bitte schreibe mir eine Nachricht:

Mail an Alexej senden

Keine Sorge: Es gibt kein „Ich kann nichts beitragen, weil ich KI kaum benutze“. Das ist genau das, was ich herausfinden möchte.😊 Du bist der Richtige für ein Interview, wenn du als PM, PO, Product Lead, Product / UX / UI Designer, Engineer oder in einer verwandten Rolle in der digitalen Produkt- & Softwareentwicklung arbeitest.

Das ganze dauert weniger als eine halbe Stunde. Und wenn du möchtest, hängen wir 20 Minuten dran und ich gebe dir einige Praxis-Tipps, was Du mit KI-Tools jenseits von ChatGPT-Prompts bereits heute machen kannst. Win-Win in meinen Augen. 🤝

Wie kann KI in der Produktentwicklung helfen?

Mir gefällt der Ansatz von Miro. Sie sagen über ihre Canvas:

It’s an innovation workspace

Ich sehe es auch so. Und ich zeige dir, wie du Miro mit AI nutzen kannst, um …

• … deine Innovationskraft zu steigern,

• … die Innovationszyklen zu verkürzen,

• … Innovationsrisiken zu senken?

Schauen wir uns also an, wie die neuen KI-Funktionen von Miro Product Ownern, Managern oder Designern helfen. Heute im Fokus: die Analyse von Kundeninterviews und das Ableiten produktrelevanter Erkenntnisse. Und das in wenigen Minuten statt Stunden.

Interview Results Template

Wenn Du Discovery-Arbeit nach dem Lehrbuch erledigen willst, solltest Du für jedes Interview einen Interview-Snapshot erstellen. Es handelt sich dabei um ein One-Pager-Dokument, das von Teresa Torres in ihrem Buch Continuous Discovery Habits vorgestellt wurde. Vielleicht ist es Dir bekannt.

An interview snapshot is a one-pager designed to help you synthesize what you learned in a single interview. It’s how you are going to turn your copious notes into actionable insights.

Snapshots are designed to help you remember specific stories. They help you identify opportunities and insights from each and every interview.

- Teresa Torres, Continious Discovery Habits.

Ich bevorzuge dafür dieses kostenlose Miro-Template für Interview-Snapshots von David Pereira. Diese Vorlage ist auf das Wesentliche reduziert. Es braucht m.E. nicht mehr:

Miro-Template & Miro AI

Bei der Arbeit mit dem Template von David rate ich dazu, Dein Interview-Transkript zu nehmen und mithilfe der neuen Funktion „Miro AI“ daraus Vorschläge zum Ausfüllen des Templates und zum Weiterarbeiten zu generieren. Dafür habe ich Davids Template mit meinen Prompts und Schritt-für-Schritt-Anleitung erweitert. Du findest meine Version hier:

zum Miro-Template mit KI-Prompts

Nutze es und teile es gerne mit anderen!

Es fängt mit dem Transkript an.

Zunächst einmal: Du brauchst ein Transkript des Kunden-Interviews.

In der Regel führst Du sie remote durch und kannst sie daher einfach mit Google Meet, MS Teams oder Zoom aufnehmen und automatisch transkribieren. Wenn Du ein Customer Insights Tools wie Dovetail, Condens oder Airtime benutzt, empfehle ich dort die Aufzeichnungen zu transkribieren. Die Transkript-Modelle dieser Tools scheinen speziell für Kundeninterviews etwas akkurater zu funktionieren.

Wenn Du die Interviews persönlich durchführst, ausgezeichnet! Sie sind erlebnis- und erkenntnisreicher. Zeichne die Tonspur mit z. B. einem Smartphone auf und lade die Aufnahme in eines der o.g. Tools zum Transkribieren hoch. Die kostenlose Version oder eine Trial-Phase reichen meist schon aus.

Und wenn Du keine Interviews durchführst, fang endlich damit an!

So nutzt Du Miro AI - Schritt für Schritt

1. Markiere im Template den Bereich ab „Powerful Quote“ bis „Opportunities“

2. Klicke im Kontext-Menü auf das Miro-AI Symbol → Document → Custom Prompt:

3. wähle im Prompt-Eingabefenster die Option „Document“ aus, weil wir im ersten Schritt einen Text generieren wollen:

4. kopiere folgenden Prompt und füge ihn ins Eingabe-Fenster ein und füge am Ende das Transkript aus dem Interview ein:

I will provide you the transcript of the interview below the ###.

I want to fill out this template for the interview snapshot to summarize interview results. Please suggest me the following:

- one powerful quote that encapsulates an emotional or significant moment in the story of the customr. This helps you quickly recall the specific interview later on.

- a list of opportunities for problems identified within the interview. Important: phrase each in one sentence only from customers perspective in a way that reflects customer needs, pain points, or desires. Focus on phrasing the real underlying issues behind what customer said. Avoid solution ideas! It's important that every opportutnity represents a distinct need or pain point, without overlap with other.
Important: Make suggestions only based on the information inside the transcript. If there are no information, do not suggest anything. 

use this pattern for phrasing the opportunities:
"Mistrust online insurance offers"
"Wants to save money with insurances"
"Fear getting stuck with insurance providers for years"
"Struggle to understand different insurance offers"


###
Here is the interview transcript:

PASTE THE TRANSCRIPT WITHOUT PERSONAL DATA INSTEAD OF THIS TEXT

Das sieht dann insgesamt wie folgt aus:

Sobald Du auf “generate document” klickst, wertet Miro AI das Transkript in weniger als 1 Minute aus und formuliert Vorschläge für die Opportunities sowie einen Powerful Quote.

Powerful quote

Was ist ein powerful quote? Wofür ist dieses Zitat gut? Es ist ganz simple:

The photo and the memorable quote will act as keys that help you to unlock your memory of the stories you heard.

- Teresa Torres, Continious Discovery Habits.

Wenn Du bereits ein Zitat aus dem Interview im Kopf hast, schreibe gerne dieses ins Template. Das hilft dir, dich besser an das Interview zu erinnern. Oftmals hat man jedoch nicht so richtig eine Idee für ein Zitat. Dann ist es gut, wenn Miro AI Dir etwas vorschlägt, was Du übernehmen kannst. Es spart das Lesen des gesamten Transkripts und die Überlegungen. Zeit gewonnen.

Opportunities

Was ist eine Opportunity? Und wie formuliere ich sie? Es ist an sich einfach erklärt und doch in der Praxis nicht so leicht:

An opportunity represents a need, a pain point, or a desire that was expressed during the interview. Be sure to represent opportunities as needs and not solutions.

Opportunities don’t need to be exact quotes, but you should frame them using your customer’s words.

- Teresa Torres, Continious Discovery Habits.

Letzteres ist ganz wichtig: Die Opportunity sollte aus der Sicht deines Kunden formuliert sein, damit Du sicher gehst nicht eine Opportunity aus der Sicht deines Unternehmens zu ergreifen.

Miro AI schafft solche Formulierungen mit meinem Prompt recht zuverlässig: Du bekommst eine umfangreiche Liste von Opportunities. Diese kannst Du kopieren, in das Template einfügen und dort verfeinern.

Es ist wichtig: übernimm die Vorschläge der KI nicht blind! Denk nach. Formuliere um.

Opportunitys sind die Grundlage für wichtige Überlegungen und Entscheidungen im Anschluss. Sie sauber zu formulieren, bleibt Deine menschliche Verantwortung. Dank KI kannst Du Dir jedoch binnen Sekunden schon sehr gute Formulierungen vorschlagen lassen und sicher gehen, dass das Transkript vollständig analysiert wurde.

Damit wäre das Template nach Lehrbuch ausgefüllt. Doch die Arbeit hört hier nicht auf. Probiere in dem Template wie folgt weiter zu machen.

Leite Kundenproblemen aus mehreren Interviews ab

Nun führen wir in der Realität nicht nur ein Kundeninterview für eine bestimmte Fragestellung durch. Wir brauchen bestenfalls eine Hand voll. Was machen wir nun damit?

The goal with the snapshot is to capture as much of what you heard in each interview as possible. It’s easy to discount a behavior as unique to a particular participant, but you should still capture what you heard on the interview snapshot. Be as thorough as possible. You’ll be surprised how often an opportunity that seems unique to one customer becomes a common pattern heard in several interviews.

- Teresa Torres, Continious Discovery Habits.

Es ist also wichtig, jedes Interview für sich auszuwerten und nichts wegzulassen, damit wir die Chance haben, über mehrere Interviews hinweg Muster zu erkennen.

Für mehrere Interviews rund um die gleiche Fragestellung empfehle ich, alle ausgefüllten Snapshots untereinander anzuordnen. Das erleichtert die Arbeit mit Miro AI in Folge.

1. Wähle nun alle Ergebnisse in allen Snapshots untereinander aus, wie hier demonstriert:

2. navigiere wieder zu Miro AI → Document → Custom Prompt und wähle diesmal „Sticky Notes“ im Prompt-Eingabefenster aus. Verwende folgenden Prompt:

Please analyze the powerful quotes and opportunities in the selected interview snapshots from customer research. Strive to identify patterns. Prioritize patterns you observed often. Transform them into problem statements. problem statements are concise summaries of the customer’s pain points, needs, or challenges derived directly from insights gathered in interviews and should focus on the customer’s perspective rather than solutions. The goal of problem statements is to clearly define the issues we need to address with our product. a well-phrased problem statement might be: “Users struggle to find relevant content due to difficulties with the search bar functionality.”

Miro AI erzeugt Post-its mit Vorschlägen für Problem Statements. Das sind die identifizierten Probleme der Kunden, die wir mit unserem Produkt in Angriff nehmen können. Wichtig: „können“, nicht „müssen“. Es ist utopisch zu glauben, die Kapazität reiche dafür aus, alles zu lösen. Es ist deshalb notwendig zu priorisieren! Wenn du also ein Problem als wenig relevant empfindest, kannst du es herunter priorisieren oder auch löschen.

3. Markiere die erzeugten Sticky Notes, navigiere zu Miro AI und wähle den Product Leader Sidekick aus:

   

Der Product Leader Sidekick funktioniert wie ein Sparringspartner und gibt dir Feedback auf die Formulierungen. Verfeinere also die von KI erzeugten Problem Statements mithilfe des KI-Feedbacks. Ergänze und korrigiere das, was nötig ist und wofür der KI möglicherweise der Kontext fehlte.

Entwickle Ideen für Experimente

Im nächsten Schritt überlegen wir, wie wir die Probleme unserer Kunden lösen können. Vor allem: Wie können wir unsere Lösungsideen mit minimalem Aufwand testen, bevor wir sie final für alle Kunden im Produkt implementieren?

Achtung: ab hier wird es fuzzy mit der KI!

Markiere alle Post-its mit Problem Statements aus, navigiere zu Miro AI → Document → Custom Prompt und wähle wieder „Sticky Notes“ im Prompt-Eingabefenster aus. Nutze folgenden Prompt:

please analyze the selected quotes, opportunities and problem statements on sticky notes we observed during customer interviews. Please suggest two to three experiments per problem, which we should take into consideration to improve our product. experiments are small, controlled tests designed to validate assumptions or hypotheses about customer needs, product ideas, or solutions. The purpose of running these experiments is to learn quickly and with minimal investment whether a particular approach or solution will work for customers and provide value to the business.

Miro AI schlägt dir Experimente vor, mit denen du schnell und kostengünstig herausfinden kannst, ob ein Ansatz oder eine Lösungsidee für die Kunden wirklich funktioniert und dem Unternehmen einen Mehrwert bietet.

Lass dein Gehirn an!

Miro AI kennt nicht den gesamten Kontext deines Produktes oder Marktes. Sie arbeitet nur mit dem, was im Transkript steht. Deshalb ist es wichtig, besonders bei der Generierung von Ideen für Experimenten selbst mitzudenken!

Deshalb empfehle ich, wie Teresa Torres, das Template sowie Problemstellungen und Experimente nicht alleine auszufüllen. Am besten bildet ihr ein Product Trio aus PM, Designer und Engineer und arbeitet dann gemeinsam mit Miro AI – quasi als Quartett.

Seht Miro AI während des gesamten Prozesses als euren Co-Piloten und nutzt vor allem eure menschliche Intelligenz, um die Experimente zu definieren!

Ergänze die Kundeninformationen

Das Template enthält noch die Felder für Kundenname und -fakten.

To help put a specific interview into context, you’ll want to capture some quick facts about the customer. The quick facts will change from company to company, but they should help you identify what type of customer you were talking to.

- Teresa Torres, Continious Discovery Habits

Die KI kann aus dem Transkript heraus in der Regel weder Fakten über die Kunden noch den Kundennamen zum Ausfüllen des Templates vorschlagen. Das sind jedoch alles Informationen, die wir als Menschen viel schneller ausfüllen können. KI-Einsatz lohnt sich m.E. hier nicht. Fülle den Kundennamen und die Fakten von Hand aus und spar dir die Zeit für einen Prompt.

KI nur mit Methodenkompetenz nutzen

Einfach nur die Templates und Prompts zu nutzen, ohne die Methoden dahinter zu verstehen, bringt euch als Team nicht weiter! Ihr müsst wissen, wie Kundeninterview-Techniken und die Opportunity Solution Tree-Methode funktionieren.

Mit den neuen KI-Möglichkeiten besteht die Gefahr, dass ihr nur noch schneller schlechte Ergebnisse für Kunden und das Unternehmen liefert. Die Gefahr, die ich sehe:

Menschen werden effizienter darin, schlechte Ergebnisse zu erzeugen.

Deshalb: Lernt zuerst die Methoden oder holt euch Unterstützung, um die Werkzeuge richtig im Team einzusetzen. Erst danach solltet ihr KI zur Unterstützung nutzen – nicht andersherum! KI ist der Co-Pilot, aber du bist der Pilot. Du triffst die Entscheidungen. Vergiss das nicht und denke weiter selbst mit.

Mein Fazit

Richtig eingesetzt kann KI die Arbeit von PMs und Designern tatsächlich verbessern. Es geht nicht darum, PMs zu ersetzen, sondern darum, uns von mühsamen, mechanischen Aufgaben zu entlasten. Damit können wir uns auf komplexe und strategische Aspekte konzentrieren. Dafür müssen wir im Driver-Seat bleiben und den Kopf einschalten.

KI ist in manchen Aufgaben besser als wir – und das ist nicht nur okay, sondern gut so! Wir können uns anpassen und generative KI-Tools zu unserem Vorteil nutzen. Das beschleunigt unseren Fortschritt und stärkt die Innovationskraft.

Gute PMs kombinieren ihr Fachwissen mit KI und steigern so ihr Potenzial.

In diesem Sinne, bleib dran & mach einfach!

Alexej

zum Miro-Template mit KI-Prompts

PS: Erstens: Es gibt keinen perfekten Prompt! Zweitens: Die KI-Modelle entwickeln sich ständig weiter. Wenn einer meiner Prompts für Dich nicht gut funktioniert oder Du Verbesserungsvorschläge hast, lass es mich wissen. Schreib mir gerne einen Kommentar oder eine Nachricht – ich freue mich darauf, die Zukunft der Produktmanagement-Arbeit gemeinsam zu gestalten.

Mail an Alexej senden

Wir alle kennen das Mantra „Customer First“. Es klingt so einfach, ist jedoch nicht leicht. Und mal ehrlich: Wie oft verlassen wir sinnbildlich wirklich unser komfortables Büro, um direkt mit unseren Nutzern zu interagieren? Zu selten. Warum? Mitunter, weil die Analyse all dieser Kundeninterviews alles andere als ein Spaziergang ist.

Stundenlanges Abhören, das Wichtigste notieren, Erkenntnisse zusammenfassen und dann noch für die Kollegen verdaulich aufbereiten. Und dabei nichts Wichtiges vergessen. Wir haben das Gefühl, dass Durchführen und Analysieren von z. B. 5 Kundeninterviews eine ganze Woche Zeit kostet. Kein Wunder, dass wir lieber Ausreden suchen: Das Management gibt uns nicht genug Zeit für Product Discovery. Bequemlichkeit siegt, der direkte Draht zum Kunden bleibt auf der Strecke und die Innovationskraft stagniert.

Wie kann KI bei Product Discovery unterstützen?

Es gibt smarte Tools mit KI-Funktionen, die uns genau bei diesem Problem unterstützen. Ich möchte euch heute zwei davon vorstellen: Dovetail.com und Condens.io.

Dovetail.com

Dovetail ist eine Plattform für Kundeneinblicke (Customer Insights Hub), die die qualitative Datenanalyse und Erkenntnisgewinnung automatisiert. Selbst die kostenlose Version bietet alles, was nötig ist, um den Schmerz bei der Aufbereitung von Interview-Erkenntnissen zu lindern.

Condens.io

Condens.io ist im Prinzip sehr ähnlich zu Dovetail. Es ist genauso eine zentralisierte Plattform für User Insights, die dich mit KI-Unterstützung noch effizienter macht.

Mit Condens.io ist im Wesentlichen der gleiche Workflow wie mit Dovetail möglich. Was die Plattform zusätzlich bietet, ist: KI-unterstütztes Tagging. Du kannst so die Tags für Zitate konsistenter organisieren. Das reduziert Fehlerquellen.

Wie funktioniert’s? Der Workflow.

Bei beiden Tools funktioniert folgender Workflow:

1. Interview hochladen: Video oder Audio einfach hochladen (1–2 Minuten).

2. Transkription: Das Tool transkribiert das Interview automatisch (2–3 Minuten).

3. Wichtige Zitate identifizieren: Die KI schlägt die wichtigsten Aussagen vor (1 Minute).

4. Highlights überprüfen: Die Vorschläge der KI durchgehen und bei Bedarf anpassen (5 Minuten).

Insgesamt dauert es pro Interview etwa 10–15 Minuten, um es vollständig zu analysieren, die Zitate zu vertaggen, Muster zu erkennen und Erkenntnisse zusammenzufassen – ohne die gesamte Aufnahme erneut anhören zu müssen. Wenn du das für fünf Interviews machst, bist du in 1–1,5 Stunden durch und hast alle Erkenntnisse parat, sauber strukturiert und vorzeige fähig.

Möchtest Du Deinen Kollegen die Haupterkenntnisse noch schmackhafter machen? Erstelle ein automatisches Zusammenfassungsvideo mit allen wichtigen Insights aller 5 Interviews. Das dauert vielleicht 15 Minuten und spart deinem Team die Zeit, sich durch stundenlange Interviews zu quälen. Ein perfekter Einstieg in eine Roadmap-Planning oder Backlog-Refinement Session.

Welches Tool soll ich nutzen?

Ich möchte kein Vergleichsportal werden :-) Schaue dir am besten beide Tools an und entscheide selber. Du wirst bei beiden nichts falsch machen! Es wäre nur falsch, keine Kundeninterviews zu führen und es wäre nicht clever, sich dabei nicht von KI unterstützen zu lassen.

Denn wenn du mit KI deinen Zeiteinsatz beim User Research hebelst, steigerst Du insgesamt die Innovationskraft Deines Teams, indem Du die Innovationszyklen verkürzt und die Innovationsrisiken senkst.

Du kannst in beiden Tools Zusammenfassungen mit Kernbotschaften automatisch zusammenfassen lassen. Perfekt für Präsentationen oder das Update an Stakeholder.

Du kannst bei beiden Tools von intelligenten Highlight-Empfehlungen profitieren und so Zusammenhänge und Muster schneller erkennen, die dir sonst vielleicht entgangen wären. So steigerst du die Qualität und Tiefe deiner Analyse.

Du kannst mit beiden Tools erheblich Zeit sparen und dich auf das Wesentliche konzentrieren: die Analyse der Nutzerbedürfnisse und das Entwickeln von Handlungsempfehlungen. Regelmäßige Kundeninterviews können so viel einfacher zum integralen Bestandteil deines Workflows in der Produktentwicklung werden.

Denn wir wissen es eigentlich: am Ende gewinnt der, der die Probleme seiner Kunden am besten versteht und passende Lösungen entwickelt, bevor es jemand anderes macht.

Klingt einfach. Ist aber nicht leicht. Ich weiß. :-)

Und es geht nicht darum, UX-Researcher oder Produktmanager obsolet zu machen. Im Gegenteil! KI ermöglicht es uns, den Wert unserer Arbeit massiv zu steigern und sichtbarer zum Produkterfolg beizutragen. Wir können uns auf die strategischen Aspekte konzentrieren, während die KI uns die lästigen zeitfressenden Aufgaben abnimmt, die uns bisher im Weg standen.

KI als Trojanisches Pferd für Product Discovery

Fun fact zum Schluss: Ich sehe KI als das trojanische Pferd, um die Product Discovery in Unternehmen zu etablieren. Es ist oft einfacher, neue Tools einzuführen, als dem Management das gesamte Konzept der Product Discovery zu erklären. Wenn du sagst: „Wir wollen KI einsetzen“, sind die Chancen höher, dass du Unterstützung bekommst, als wenn Du sagst „ich will Product Discovery machen“. Manager kennen das Thema KI und sehen es heißes Eisen. Sie wollen, dass ihre Leute Wissen darüber erwerben. Denn wer will sich schon nachsagen lassen, den Anschluss an die neueste Technologie zu verpassen?

Also, nutze die Gelegenheit! Schenke Dir die Ausreden, endlose Diskussionen über Ressourcen oder Zeit. Die Tools sind da, die Möglichkeiten liegen auf dem Tisch. Es liegt an Dir, den Schritt zu wagen und die Vorteile zu nutzen.

Also, bleib dran & mach einfach!

Alexej

PS: weitere hilfreiche KI-Tools für Produktmanagement und Software-Entwicklung findest du in meinem KI-Radar:

In the rapidly developing world of artificial intelligence, there are well over 100, if not soon 1,000 AI tools! This diversity raises important questions:

• Which of these tools should we use in our daily work?

• Which ones are mature and have already proven themselves?

• And which is the right tool for my role?

The AI Radar received a remarkable response from product people after my talk at Product Tank: I received dozens of messages and comments. And I won't forget the moment when around 50 mobile phones went up to take a photo of it 😅

In response to this interest, I have written this guide to provide a practical guide on how to read the radar. And thanks to helpful suggestions from the community about tools that were missing from the radar, I have added to it.

I recognise enormous potential in significantly increasing the innovative strength of teams through the selective use of AI. The radar aims to act as a catalyst for broader acceptance and integration of AI in our day-to-day work. It is intended to provide clarity and offer reliable orientation in the fast-moving landscape of AI tools. This radar curates carefully selected AI tools that are specifically tailored to the daily tasks in product management and software development.

This is because, my opinion is:

No AI usage is not an option!

Please feel free to share your feedback, tips and experiences to help reduce the barriers to using this pioneering technology. I would like to help a wide range of colleagues get started in the world of AI. The AI Radar can help to establish the routine use of AI tools in product management and software development.

How to read the AI Radar?

I have tried to make the AI Radar intuitive and self-explanatory. Nevertheless, questions may arise about the correct interpretation. So here is a brief explanation.

The circles show the level of maturity

In order to provide a clear guidance, I have organised the concentric circles according to the maturity level of the tools for daily use. Every technology, every tool, every product goes through different stages of development and adoption. The product managers among us should know this. :-)

For example, tools that are placed outside the circles sound exciting and relevant according to the manufacturers' announcements, but have not been rolled out yet.

1) experimental → observe!

This outer category includes tools that are either new and not yet fully developed or, in my opinion(!), have not yet sufficiently proven themselves in their application scenarios, especially for product management and software development. I recommend keeping these tools and their further development on your radar in order not to miss out on potential future opportunities.

Those of you who are keen to experiment can of course simply try out the tools and form your own opinion. Feel free to share your experience and evaluation with me!

2) useful → try!

This middle area contains AI tools that have already reached a certain level of maturity and their application scenarios are in my opinion(!) useful for our daily work. It's worth trying out these tools with an initial real use case at work! The proof of the pudding is in the eating. This way, you can expand your own toolbox and find out for yourself what each tool is and isn't suitable for. Usually, every tool offers a free version or trial phase.

3) established → use!

The innermost circle represents in my opinion(!) already proven AI solutions. These technologies are mature, and I recommend actively integrating them into your day-to-day work! The use of these tools brings tangible benefits, so that even a paid version should be worth it: generally speaking.

Of course, it is utopian to use all the tools! Many of the tools substitute each other.

The cross splits the radar according to roles

The division of the tools by the cross into four ‘pieces of cake’ serves to categorise the tools according to role profile:

• Product: tools for Product Managers & Product Owners

• Design: tools for product / UX / UI designers

• Engineering: tools for Software Developers

• Team: generic tools or mostly LLMs, which can help all roles in the team with various tasks.

Some tools are exactly on the dividing line. This should indicate that this tool is suitable for several roles.

The symbols assign a rating to the tools

The icons in this AI Radar serve as a rating system for the tools presented. They provide a quick overview of my personal(!) assessment and experience with the respective applications.

And what if a tool has no rating? That doesn't mean the tool is bad! Tools that I haven't tried out enough myself don't even have a symbol.

+1: Recommendation

This is my personal recommendation and perhaps also an insider tip. These tools have particularly impressed me and, in my opinion, offer outstanding added value!

👍 Thumb up: Proven

I use a 👍 to mark tools that I have observed and experienced as having proven themselves in long-term use. For me, they have proven their reliability and usefulness under real working conditions.

⭐ Star: Promising

I usually use this symbol for the most promising new additions to AI Radar. As this technology is still relatively young, new tools and features are constantly appearing on the market. Although I find tools with a star symbol very interesting and potentially valuable, I have not yet been able to gather enough experience to give a final assessment.

It is important for me to emphasise that these ratings are based on my personal experience and assessment. They reflect my current level of knowledge and my subjective opinion.

I therefore invite you to share your experiences with the tools with me, especially if you have used them more intensively in productive situations. My goal is to continuously update the radar and make it a valuable resource for the entire community.

The AI Radar 10/2024

This is what the AI Radar looks like in version 10/2024 as of 1 October 2024. The high-resolution version can be found at the very end for downloading and sharing with colleagues.

What has changed in the 10/2024 version?

8 AI tools included in the radar:

Perplexity.ai: I use this tool every day, especially for research. I simply forgot it in the first version of the radar. :-)

Cursor.com is an AI-powered code editor designed to increase the productivity of software developers through intelligent code suggestions and seamless interaction with codebases. Thanks Tarik Hennings for pointing out that the tool was missing!

Pendo.io is an AI-powered product experience and adoption platform that helps companies improve software experiences by combining product analytics, user feedback and in-app guidance into a single solution. Thank you, Sebastian Fleischmann, for pointing me to Pendo's AI features!

Kraftful.com is an AI-supported platform for product teams that makes it possible to quickly analyse large amounts of user feedback in order to gain actionable insights for product development. Thanks Bernhard Hecker for the tip!

NotebookLM is an AI-powered tool from Google that allows users to import and analyse documents and web content and use artificial intelligence to generate summaries, answers to questions and even audio discussions.

Product-Copilot.ai is an AI-powered browser extension for product managers that integrates seamlessly with common project management tools and supports the creation of user stories, error messages and other product-related tasks. Thanks, Paul Wall for the tip!

Relume.io is a web-based design platform that enables users to create responsive websites and user interfaces without coding by providing pre-built components and intuitive drag-and-drop functionality. Thanks to Paul Wall for this one too!

Condens.io is a centralised user insights platform that allows companies to import and analyse data from user research and make it accessible across teams to create a single source of truth. According to Thomas Gläser, it is a better alternative to Dovetail. Thanks for the tip!

Changed categorisation for 2 AI tools

Claude.ai was included twice in the first version of the radar (in Product and Engineering respectively). It has now moved to the border between Product and the entire team. Thanks to the Artifacts feature, I see very special fields of application for product managers in prototyping (read more here). Since it is a GenAI LLM like ChatGPT, all colleagues can benefit from it. And of course also developers for help with code creation, debugging or code review.

V0.dev is an AI-powered generative user interface system that allows developers and designers to quickly create React-compatible UI code using simple text instructions or image templates. I now see this tool as less experimental and more useful and would like to encourage every software developer and designer to give it a try! Be it for quick prototypes or as a starting point for the final implementation. A lot is possible.

Should I now only work with AI tools?

No! No matter where you or your team are in the process of establishing modern ways of working ‘by the book’ and using tools, start with exactly what appeals to you most in your situation! Start with baby steps. Better slow, but steady. It's better to establish yourself than to give up because of disappointment due to excessive demands.

If you don't know where to start, start by looking at the recommendations and proven tools for your role. This will narrow down the selection enormously.

Help to shape the AI Radar!

The AI landscape is developing rapidly. My radar is a snapshot and can quickly become outdated - that's what makes AI development so exciting! The variety of AI tools makes it difficult to keep an overview and use them effectively. I want to master this challenge with you and keep updating the radar.

And that's why your participation helps me to ensure that the AI Radar always offers help and orientation to the community! Therefore:

Share your experiences and insights with me!

• Which tools are missing or deserve more attention?

• Which tools would you categorise or rate differently?

• Should certain experimental tools be removed or upgraded?

Send me your practical experiences, screenshots and screen recordings. I will be happy to incorporate and publish them - not without giving you credit, of course!

Einen Kommentar hinterlassen

Let's develop a living treasure of knowledge with your feedback!

Let's take customer-centred product development to the next level thanks to AI and shape our way of working with AI together! Because lower risks in product innovations and shorter innovation cycles are real added values that can be measured in hard cash.

So, stay tuned & just do it!

Alexej

PS: Here is the AI Radar 10/2024 in full resolution:

The history of the AI Radar

09/2024

As of version 10/2024 of the radar, I have removed the ‘to try out’ rating with a question mark (?) without replacement. It was more of my internal note about what I still wanted to try out and therefore had no benefit for the community.

Though I am publishing in German first, I will publish the English versions of my most important articles and resources in English.

Consider subscribing to the “🇺🇸 English only” list for free to stay up-to-date. This is how it goes:

1. Subscribe to BeyondBacklog.de by clicking on this button:
   

   Jetzt abonnieren

2. Go to beyondbacklog.de/account make your choice like this:

You are done! 💪

Happy reading!

Alexej

Als Reaktion auf dieses große Interesse habe ich diesen Guide verfasst, um eine praktische Anleitung zu bieten, wie das Radar zu lesen ist. Und dank freundlichen Hinweisen aus der Community auf Tools, die im Radar noch fehlten, habe ich es ergänzt.

Ich erkenne ein enormes Potenzial darin, durch den gezielten Einsatz von KI die Innovationskraft von Teams signifikant zu steigern. Das Radar soll deshalb als Katalysator für eine breitere Akzeptanz und Integration von KI in unserem Arbeitsalltag dienen. Es soll Durchblick verschaffen und eine zuverlässige Orientierung in der schnelllebigen Landschaft der KI-Tools bieten. Dieses Radar kuratiert sorgfältig ausgewählte KI-Tools, die speziell auf die täglichen Aufgaben im Produktmanagement und in der Softwareentwicklung zugeschnitten sind.

Denn, meine Meinung ist:

Keine KI-Nutzung ist keine Option!

Hier ist der Guide, wie das Radar zu lesen ist:

Das KI-Radar 10/2024

So sieht das KI-Radar in der Version 10/2024 per 1.10.2024 aus. Die hochauflösende Version befindet sich ganz am Ende zum Herunterladen und Teilen unter Kollegen.

Was hat sich in der Version 10/2024 verändert?

Seit der Version 10/2024 des Radars habe ich die Bewertung „to try out“ mit Fragezeichen (?) ersatzlos entfernt. Es handelte sich eher um meinen internen Vermerk, was ich noch ausprobieren wollte und hatte daher keinen Nutzen für die Community.

8 KI-Tools im Radar aufgenommen:

Perplexity.ai: ich nutze dieses Tools täglich speziell für Research. Ich habe es in der ersten Version des Radars einfach vergessen. :-)

Cursor.com ist ein KI-gestützter Code-Editor, der entwickelt wurde, um die Produktivität von Software-Entwicklern durch intelligente Code-Vorschläge und nahtlose Interaktion mit Codebasen zu steigern. Danke Tarik Hennings für den Hinweis, dass das Tool noch fehlte!

Pendo.io ist eine KI-gestützte Plattform für Produkterfahrung und -Akzeptanz, die Unternehmen dabei hilft, Software-Erlebnisse zu verbessern, indem sie Produktanalysen, Benutzerfeedback und In-App-Anleitungen in einer einzigen Lösung kombiniert. Danke, Sebastian Fleischmann, dass du mich auf die KI-Features von Pendo hingewiesen hast!

Kraftful.com ist eine KI-gestützte Plattform für Produktteams, die es ermöglicht, große Mengen an Nutzerfeedback schnell zu analysieren, um daraus umsetzbare Erkenntnisse für die Produktentwicklung zu gewinnen. Danke Bernhard Hecker für den Tipp!

NotebookLM ist ein KI-gestütztes Tool von Google, das es Nutzern ermöglicht, Dokumente und Webinhalte zu importieren, zu analysieren und daraus mithilfe Künstlicher Intelligenz Zusammenfassungen, Antworten auf Fragen und sogar Audio-Diskussionen zu generieren.

Product-Copilot.ai ist eine KI-gestützte Browser-Erweiterung für Produktmanager, die sich nahtlos in gängige Projektmanagement-Tools integriert und bei der Erstellung von User Storys, Fehlermeldungen und anderen produktbezogenen Aufgaben unterstützt. Danke Paul Wall für den Tipp!

Relume.io ist eine webbasierte Design-Plattform, die es Nutzern ermöglicht, responsive Websites und Benutzeroberflächen ohne Programmierung zu erstellen, indem sie vorgefertigte Komponenten und intuitive Drag-and-Drop-Funktionen bereitstellt. Auch hierfür danke an Paul Wall!

Condens.io ist eine zentralisierte Plattform für Nutzererkenntnisse, die es Unternehmen ermöglicht, Daten aus User Research zu importieren, zu analysieren und teamübergreifend zugänglich zu machen, um eine einheitliche Informationsquelle zu schaffen. Laut Thomas Gläser ist es eine bessere Alternative zu Dovetail. Danke für den Tipp!

Einordnungen bei 2 KI-Tools geändert

Claude.ai war in der ersten Version des Radars zweimal drin (jeweils bei Product und Engineering). Es ist jetzt an die Grenze gewandert zwischen Product und dem gesamten Team. Dank des Artifacts Featuers sehe ich ganz spezielle Anwendungsfelder für Produktmanager im Prototyping (hier zum Nachlesen). Da es sich um ein GenAI LLM wie ChatGPT handelt, können alle Kollegen einen Nutzen daraus ziehen. Und natürlich auch Entwickler für Hilfe mit Erstellung von Code, Debugging oder Code Review.

V0.dev ist ein KI-gestütztes generatives Benutzeroberflächensystem, das es Entwicklern und Designern ermöglicht, durch einfache Textanweisungen oder Bildvorlagen schnell React-kompatiblen UI-Code zu erstellen. Ich sehe dieses Tool nun als weniger experimentell an, sondern durchaus sehr nützlich und möchte jeden Software-Entwickler und Designer anregen, das auszuprobieren! Sei es für schnelle Prototypen oder als Ausgangsbasis für die finale Implementierung. Vieles ist möglich.

Also, bleib dran & mach einfach!

Alexej

PS: Hier ist der Guide, wie das Radar zu lesen ist:

PPS: Hier das KI-Radar 10/2024 in voller Auflösung:

How can we use AI tools in product development practice?

For me, it was important to provide actionable ideas and go beyond ChatGPT prompt engineering use cases like I see so-called experts focusing on this topic only.

In this article I will provide the slides including my narrative, so you can grasp everything I showed. This is what the talk was about:

1. Who am I?

2. What is Product Orga Fitness Test?

3. Q1: Start with Problem Understanding

   1. Dovetail

   2. Miro AI

   3. Automating Customer Interviews with Juttu

   4. The result: one Discovery Day, Every Week.

   5. AI as Trojan Horse for Product Discovery

4. Q2: Time to insight

   1. Claude.ai Artifacts for Prototyping

   2. Uizard.io

   3. 10x Your Innovation Power

5. Q3: People Development

   1. Stanford University Study

   2. Harvard Business School Study

6. The AI Tool Radar for Web Product Development

7. Run the Full Fitness Orga Test

8. How to Stay in Touch

Who am I?

Currently, I introduce myself as a Product Leader uncovering the value of using AI tools at work.

After 18 years of non-stop working in the digital space in different industries and different product roles and studying part-time in parallel, this year I finally took some time off.

It gave me the possibility to explore new frontiers. In my private life I started dancing West Coast Swing pretty intensive. And my professional Me started trying out different AI tools for product use cases.

This is exactly where I personally see huge potential for using the right AI tools and why I was on stage.

What is Product Orga Fitness Test?

For the talk I utilized the product orga fitness test of the Value Rebels - a boutique product consulting company on a mission to upgrade European product teams to build better digital products. This test is a quick assessment which help to understand the gaps between the status quo and the common definition of “what is a good product practice?” according to the definition of the Value Rebels.

During the talk I explored 3 of 49 questions from different dimensions with the audience using slido.com and showed how using the right AI tools can strengthen your fitness level for those topics.

Q1: Start with Problem Understanding

Here are the ratings of the live poll on the question if product teams do start with problem understanding:

So the question arises:

how could AI help you with the problem understanding?

First: why most of you did not rank with a 5? What is the reason?

There are always several reasons. But there is always this one pain, you might be familiar with: From product managers point of view this is how it looks like when you have to analyze the recordings:

After the interview you have to hear all the recordings again in full length and summarize and analyze them in order to make the insights digestible for the team and for stakeholders. So we feel that it costs us almost the whole week of work to do everything right.

As humans, we seek the excuse: I need the management to allow me to put my time in discovery. If we are honest with ourselves this excuse is one reason why we do product discovery barely.

Dovetail

Let me show you dovetail.com!

Dovetail is a customer insights hub and research platform. The free version already offers everything you need to heal the pain with making interview insights digestible really quick.

How? Let me show you.

1. You upload your video of the interview (it takes 1-2 minutes):

   

2. you let the tool transcribe the video (it takes 2-3 minutes):

   

3. You get suggestions on the highlight quotes of every interview (it takes 1 minute).

4. You go through the highlights and accept or change them (it takes 5 minutes).

5. If you want you can add custom tags for certain quotes on specific features, or problems, or topics.

In the end it takes 10 - 15 minutes in total per video to fully analyze and summarize the whole interview instead of watching the whole recording again. I recommend doing this work right after the customer interview, as you still remember the conversation.

When you repeat this practice for 5 videos, you are done within 1–1,5 hours to gain all insights from all interviews without the need to listen to all recordings again.

6. After this, you want to make your insights digestible for your colleagues:

   

   Therefor you just let the dovetail AI create a board with clusters of quotes to different topics. You can edit them and organize them by using your own tags. Let’s say it takes you another 30 minutes to have something to work on together with your team.

7. And if you want to make main insights easy digestible for your colleagues, you can automatically create a summary video with all important insights from all interviews. It takes you, not longer than 10-15 minutes:

   

   So instead of showing your team or colleagues 5 interviews 30 minutes each, you show a 10-minute video out of all significant insights, e.g., when you start with a roadmapping or planning or refinement session.

Miro AI

In case you want to do discovery work by the book, you may be want to create an interview snapshot for every interview. It’s a one-pager document introduced by Teresa Torres in her book Continuous Discovery Habits. You might be familiar with it.

I prefer and recommend using this Miro template for Interview results by David Pereira he provides for free. This template is reduced to what in my opinion is really necessary:

With this template I suggest you to take the Dovetail transcript of the interview and to use the Miro AI feature to suggest what to fill in. This is a screenshot of my very first shot with a very simple prompt:

Already with my very simple prompt I got a good enough list of opportunities I can copy, paste and edit them in the template. I got also one powerful quote which I can pretty much copy & paste. Only the facts are indeed too long for the template I use. So I either would need to re-iterate with one or two prompts, or fill out the facts by hand inspired from what Miro AI suggests me.

Automating Customer Interview Scheduling with Juttu

We saw how we can simplify the tasks of summarizing and analyzing customer interviews and make them digestible for our colleagues. But there is still another pain:

Teresa Torres suggests implementing continuous discovery habits. But scheduling all the interviews with customers and the back and forth via email to find a slot is a lot of admin effort. You could automate this as well.

Here is just an inspiration from one of a lot of YouTube videos how to automate appointment generation. You can use tools like make.com together with ChatGPT and Gmail and Calendly or another tools. There is some AI logic for text generation inside this workflow. Such automation setups are pretty common for B2B sales and customer success calls. So what I already saw working for sales or customer success, we could adapt for product discovery as well.

The downside of this solution: you need to set it up first, so it requires an initial effort.

Let me show you an alternative:

Juttu

There is a startup named Juttu.co currently in their first beta iteration out there. They solve exactly this continuous scheduling problem for you. It’s a simple mail automation with a kind of Calendly functionality and this is how it works:

You just put your list of contacts in this tool, define your interview slots in the calendar and set up the weekly limit. This tool promises to automate the continuous recruiting of customers for the interviews.

And, there is no AI inside this tool: yet, I guess.

So I want to show you, that you don’t need AI for everything in order to improve your product orga fitness level! You can start utilizing the right tools with the right methods for the proper task.

Even in the era of AI don’t forget about tools and methods without AI!

The Result: one Discovery Day, Every Week.

Let’s wrap up: this is how one day in your week could look like:

You can run 5 automatically scheduled interviews in the morning, gain insights from 5 interview recordings and create digestible summary out of them in the afternoon.

When did you manage to do it last time with 5 interviews?

Me never before!

I think: This will for sure supercharge your innovation power. And you still have 4 days a week left to do, what you’ve done before while you didn’t need to ask somebody to do discovery.

And, there is another secret, I want to tell you…

AI as Trojan Horse for Product Discovery

I see AI being the Trojan Horse for us product people to bring in product discovery to life in our companies. In my experience it’s much easier to get new tools, than to explain the whole concept of product discovery to your management or colleagues. Especially if you say: “We want to use AI” chances are higher you get support because managers consider this topic as hot and want their people to gain knowledge about it.

Q2: Time to Insight

Here are the ratings of the live poll on the question if teams try to reduce the time to insight:

Therefrom the question arises:

How could AI help to reduce time to insight?

How could AI help us to throw away bad ideas fast?

We may be want to test our assumptions and ideas with prototypes, right? But it still requires some team effort and time to create such prototypes, and it takes some days and a few people.

What if we as Product Managers could create prototypes on our own?

Let me show you Claude.ai. It’s more or less the same as ChatGPT but with a special feature called Artifacts.

Claude.ai Artifacts for Prototyping

Let assume you have an idea for a new feature or app, and you want to try out things fast. This is what I did:

I told you I started dancing West Coast Swing. And as a social dancer I think I uncovered an opportunity for a product and I want to quickly visualize my idea in order to test my assumptions. This is what I did and showed to a friend already.

I wrote down the idea of a new app and a very simple prompt. This was my first result:

It’s not bad! It’s fully clickable. I was never ever able to do such things before!

Uizard.io

Then I went to uizard.io. It’s an AI powered mockup and prototype creation tool. It is like Figma on AI steroids with a prompt command line.

In uizard.io I typed in just one sentence with the very high level idea what I wanted. Just one sentence, not the whole requirements! This is what I got within 1 Minute:

Doesn’t matter if for me or for a designer: reaching this state, overcoming the blank sheet of paper would take at least some hours or days including conversations between 2 people.

How often we just don’t create prototypes because it’s too much effort?

I think, pretty often!

Now, I could have started to iterate from here in uizard, but this is what I did instead. I screenshotted the uizard results and gave them Claude:

This is the result after less than 1 hour and may be 10 iterations:

I think it’s pretty amazing for the effort I took. I was never able to create this state of my idea visualization within such a short amount of time.

Imagine how often I can do it now!

How many different ideas I can visualize, discuss with my team or stakeholders?

Additionally, I have a full functioning react code, which I could now ask my developer to push to a server and make it available on my smartphone to run interviews and assumption tests with users.

10x Your Innovation Power

We are going to become Super Swiss Army Knifes. In a very positive way. We now can reduce dependencies within a team by augmenting our skills with the capabilities of right AI tools to iterate faster.

I am bold on it: I say, utilizing AI tools with the right methods will someday 10x your innovation power in terms of speed in uncovering business value.

And the crazy thing is: this is just the beginning. The capabilities of the technology and the possibilities of its utilization will only improve.

Imagine, what will be possible in one, two, or five years from now…

When you don’t start to decrease your cycles for customer insights and assumption tests, while others will do: you will automatically fall back in the value your product provides. And this should be a matter for both: you as a product manager in a company and you as the CEO of your own professional life.

This brings me to the next and last fitness test question.

Q3: People Development

Here are the ratings of the live poll on the question if companies do care enough about development of their people:

With these results in mind ask yourself:

How does AI affect you?

Not your team.

Not your company.

Just you and your professional role?!

Let me show you some research results…

Stanford University Study

There is a study of the Stanford University showing the following:

The blue bars are performance score of knowledge workers on tasks without using ChatGPT, the pink bars are performance score with ChatGPT.

On the left side we see results for less skilled people, on the right side we see results for more skilled people.

Now look at the green arrow:

less skilled people with ChatGPT outperform more skilled people without ChatGPT.

Look at the two red arrows:

AI as Co-Pilot allows much higher performance uplift for less skilled people than for high skilled people.

And now look at the dotted red line:

there is almost no difference in performance between skilled and unskilled people who use AI.

Having 18 years of professional experience, I count myself to the high skilled people side. So for me, it means: I need to take care about utilization of AI, otherwise fresh bachelor students will outperform me in certain tasks – not everywhere, to be fair. But still.

For young professionals on the flip side:

AI is a huge chance!

Keep this in mind, doesn’t matter which segment you belong to.

Harvard Business School Study

Another study of Harvard Business School came to the conclusion, that GPT-4 has the following impact on the productivity of knowledge workers.

• The quality of work has been increased by 40 % → we can gain better results.

• The speed of task completion has been increased by 25% → we can do work faster.

• The task completion has been increased by 12% → we can do tasks which we have not been able to do before, like I showed you how me as product manager is now able to create prototypes.

If we put these results in a formula, we see, that productivity doubles. And this is only using GPT-4 in 2023:

Now, let’s do just a speculative thought experiment:

• assume that two further technological iterations influence our productivity in the same way.

• assume this happens within next 5 years, or may be 10 years: doesn’t matter. Most of us will still be working.

• This means, that people, who use those tools, will be 10x productive than people who don’t.

My advice: Take it seriously! Don’t trust that companies will take your development in their hands. They don’t do it enough right now already, as we saw it in the poll results. It’s your own responsibility!

One action, you can take, is following me on LinkedIn and subscribing to my newsletter ;-) Every new follower and subscriber motivates me to keep uncovering the value of AI tools for the product development practice:

Jetzt abonnieren

The AI Tool Radar for Web Product Development

Since I know there are a lot of tools out there, it is a challenge to follow them all and recognize when and what to use it for.

This is why I started creating such a radar of AI tools for product development, where I want continuously evaluate AI tools for our use cases in product practice.

With this radar I want to focus on bridging the gap between technological possibilities and practical business applications that prepare product teams and product people to adopt and benefit from AI tools. I want to curate suitable tools and evaluate how they can help the product community.

If you want to get the radar in high resolution and stay up-to-date with the recent versions, consider becoming a subscriber! I am working on my next post I want to publish on October 1st, with the October edition of the radar containing additional tools. I intend to keep on updating this radar over time.

Run the Full Fitness Orga Test

Behind this QR code you will find the full fitness orga test with all 49 questions. I highly recommend you going through the test for yourself and then also with your team. It helps you to start the internal discussion on where you want to improve. It doesn’t matter if with or without AI: there is always room for improvement.

How to Stay in Touch

If you got interested, this is how you can reach me and join the discussion: either on LinkedIn or subscribing to my free newsletter:

Jetzt abonnieren

If you want to shape the future of work in product development together with me, talk to me or write me on LinkedIn or an e-mail.

If you know someone in a company who wants to start a practical exploration project to measure and learn about the impact of AI in product practice together and share the results with the community, please let me know!

Thank you for the attention, and I am open for questions and the discussion. So, feel free to comment:

Einen Kommentar hinterlassen

Stay curious and just do it!

Alexej

Was machen die da eigentlich?

oder noch besser:

Und dafür habt ihr einen Monat gebraucht?

Uff, das sitzt dann! Mich hat es auch schon öfter erwischt. Früher habe ich es als Vorwurf aufgefasst und mir nur gedacht:

hast du ’ne Ahnung?

oder

was soll das jetzt eigentlich?

Jetzt bin ich weniger emotional. Ich habe gelernt, was hinter der Frage steckt:

1. oftmals ist es keine Ahnung und keine böse Absicht

2. eher selten ist gemeint „warum arbeitet ihr eigentlich genau daran?“

3. nicht selten hingegen „warum kann das Produkt nicht dies und das und warum baut ihr das nicht?“

Also widmen uns gleich mal allen drei Fragen und schauen uns an, wie du in der Situation jeweils damit umgehen kannst.

„Was macht ihr eigentlich?“

Oftmals steckt hinter dieser Frage einfach Unwissenheit oder Neugierde, und selten ist es als Vorwurf gemeint. Dennoch kann es frustrierend sein, damit konfrontiert zu werden. Deshalb habe ich ein paar Tipps für dich für solche Situationen:

Kommuniziere transparent

Ein wichtiger Aspekt ist eine offene und transparente Kommunikation. Sorge dafür, dass die Kollegen aus anderen Abteilungen über die Ziele, den Fortschritt und die Prioritäten deines Teams informiert sind. Regelmäßige Updates, beispielsweise in Form von Status-Meetings oder Newslettern, können dazu beitragen, Missverständnisse zu vermeiden und das Verständnis für eure Arbeit zu verbessern. Am meisten hat mir stets geholfen, immer Mantra-artig zu wiederholen, an welchem Kundenproblem wir arbeiten und wie eine etwaige Lösung das Business nach vorne bringen kann.

Teile das Wissen

Gebe deinen Kollegen die Möglichkeit, mehr über die Produktentwicklung zu erfahren! Biete Schulungen oder Workshops an, in denen du die Grundlagen erklärst und Einblicke in eure Arbeitsweise gibst. Ich persönlich habe es gemocht, unsere Miro-Boards zu zeigen und dabei zu erläutern, wo wir was und warum schreiben oder bewegen. Indem du dein Wissen teilt, kannst du das Verständnis für deine Arbeit fördern und möglicherweise sogar Interesse wecken.

Zeige die Mehrwerte deiner Arbeit auf

Manchmal ist es hilfreich, die konkreten Auswirkungen deiner Arbeit zu verdeutlichen. Präsentiere entweder selber oder im Wechsel mit Kollegen Fallstudien oder Erfolgsgeschichten, in denen ihr zeigt, wie eure vergangenen Produktinnovationen das Unternehmen vorangebracht haben. Auf diese Weise könnt ihr langsam aber stetig das Vertrauen von euren Kollegen zu manifestieren und verdeutlichen, dass eure Arbeit wichtig ist und einen echten Mehrwert für das Unternehmen bietet.

„Warum arbeitet ihr eigentlich genau daran?“

Diese Frage wird oft gestellt, wenn andere Abteilungen bestimmte Features oder Änderungen erwarten, die ihr jedoch nicht umsetzt. Es ist wichtig, diese Frage mit Bedacht zu beantworten, und zwar so, dass sich die Gründe für eure oder deine Entscheidungen dem Gegenüber bestenfalls von alleine erschließen. Hier sind einige Tipps, wie du damit umgehen kannst.

Klare Kommunikation der Prioritäten

Erkläre, welche Kriterien und Prioritäten du oder euer Team bei der Auswahl von Aufgaben und Zielen berücksichtigt. Zeige auf, dass ihr euch z. B. an den strategischen Zielen des Unternehmens orientiert oder eine bestimmte Geschäftsentwicklung befruchten wollt. Dass deshalb solche Wünsche und Anforderungen, die darauf nicht einzahlen, umgesetzt werden können, ist zwar nicht das, was das Gegenüber gerne hört, jedoch wird es ihm leichter fallen, das zu akzeptieren. Oder aber es fällt ihm ein valides Argument ein, warum sein Anliegen oder Idee doch wertvoll für das angestrebte Ziel ist. Zugegeben: Das passierte mir bisher so selten, dass ich mich an keine konkreten Fälle erinnern kann. Nur per se ausgeschlossen ist es nicht und das ist auch gut so!

Datenbasierte Entscheidungen

Nutze, wo immer es möglich ist, Daten und Analysen, um deine oder eure Entscheidungen zu untermauern. Zeige, dass eure Arbeit auf umfangreichen Recherchen, Benutzerfeedback und Erkenntnissen aus dem Markt basiert. Dadurch kannst du Vertrauen aufbauen und verdeutlichen, dass die Entscheidungen fundiert sind.

Übrigens sind Einzelstimmen von Kunden und Nutzern oder einzelne Beobachtungen ebenfalls Daten! Oftmals verstehen wir unter dem Begriff „Daten“ große Tabellen und Charts und Zahlen. Das ist jedoch bei weitem nicht immer gegeben. Nutze also jegliche Form von Daten, die du hast!

„Warum kann das Produkt nicht dies und das und warum baut ihr das nicht?“

Abschließend zur Frage „Warum kann das Produkt nicht dies und das und warum baut ihr das nicht?“. Diese Frage bezieht sich oft auf spezifische Funktionen oder Verbesserungen, die von den Kollegen erwartet werden, aber nicht auf deiner aktuellen Roadmap enthalten sind. Hier sind einige Empfehlungen, wie du darauf reagieren kannst:

Erkläre eure Roadmap

Teile eure Produkt-Roadmap mit den Führungskräften und Multiplikatoren anderer Abteilungen und erkläre, welche Ziele ihr verfolgt. Falls bereits spruchreif und sinnvoll zu nennen, erkläre auch die Features und Entwicklungen, die ihr bereits geplant habt. Erläutere dabei die Gründe hinter den Entscheidungen und Priorisierungen. Durch eine transparente Kommunikation können die Kollegen besser verstehen, welche Projekte gerade im Fokus stehen und warum andere Anforderungen noch nicht berücksichtigt werden können.

Betone den Wert der bestehenden Funktionen

Mache deutlich, welche Vorteile und Mehrwerte in eurem Produkt bereits vorhanden sind. Zeige auf, wie diese Funktionen den Nutzern helfen und welche positiven Auswirkungen sie auf das Unternehmen haben. Manchmal können die Kollegen die bereits vorhandenen Stärken eures Produkts übersehen oder unterschätzen, daher ist es wichtig, diese Aspekte in Erinnerung zu rufen.

Schaffe Verständnis für Notwendigkeit zu priorisieren

Erkläre den Kollegen, dass Ressourcen und Kapazitäten begrenzt sind und dass ihr Entscheidungen treffen müsst, um eure Prioritäten umzusetzen. Verdeutliche, dass die Produktentwicklung Zeit, Arbeit und Ressourcen erfordert und dass nicht alle Anforderungen sofort erfüllt werden können. Eine klare Kommunikation über diese Beschränkungen kann dazu beitragen, realistische Erwartungen zu schaffen.

Ich persönlich wähle gerne die Analogie des Return on Invests. Ich erkläre, dass der wirtschaftliche Aspekt hinter meinen Prio-Entscheidungen darauf liegt, das Verhältnis zwischen dem erwarteten Nutzen (=Return) unseres Arbeitseinsatzes für ein bestimmtes Thema (=Invest) zu maximieren. Sobald ich merke, dass es einleuchtet, erkläre ich, dass wir grundsätzlich immer in der Lage sind für ein bestimmtes Vorhaben den Invest grob abzuschätzen. Und dann bitte ich mein Gegenüber darum, mir zu helfen, den erwarteten Return aus seinem Anliegen zu ermitteln. Das hat dann zwei Effekte:

1. das Gegenüber erkennt, dass es womöglich gar keinen quantifizierbaren wirtschaftlichen Nutzen gibt;

2. das Gegenüber greift den Gedankengang auf und wird versuchen, einen Nutzen zu ermitteln.

Beides ein wertvolles Ergebnis.

Suche also den Dialog mit den Kollegen aus anderen Abteilungen, um ihre Blickwinkel und Erwartungen besser zu verstehen. Durch eine enge Zusammenarbeit kannst du gemeinsam Lösungen finden. Und als Produktmenschen ist es unsere Aufgabe, unsere Arbeitsweise und Entscheidungsprozesse transparent zu machen, um das Verständnis und die Akzeptanz zu fördern. Es ist nicht die Aufgabe der anderen, es zu wissen.

Fazit

Abschließend möchte ich dich ermutigen:

• Sei offen und respektvoll im Umgang mit Fragen und Anliegen der Kollegen. Erkläre deine Arbeit transparent, um Vertrauen zu stärken.

• Pflege eine Kultur des Verständnisses und der Zusammenarbeit

So wird es euch gelingen, gemeinsam daran zu arbeiten, großartige Produkte zu entwickeln und erfolgreich auf den Markt zu bringen.

Und wenn es doch mal jemanden gibt, der aus schlechter Laune dich vorwurfsvoll fragt oder schlechte Stimmung verbreitet, dann mach’s wie es die Ärzte empfehlen:

Bleib freundlich und sag’ nix, das ärgert sie am meisten!

Also, bleib dran & mach einfach!

Alexej

Jetzt abonnieren

🙏 Wenn Dir meine Inhalte gefallen, unterstütze mich bitte dabei, 1.000 Abonnenten zu erreichen:

• 📧 Leite den Text an Deine Kollegen weiter, wenn Du ihn nützlich fandest.

• 🔗 Teile bei LinkedIn, in WhatsApp, Slack oder Teams

📮 Und sende mir gerne Dein Feedback an beyondbacklog@substack.com.

• Braucht es noch Product Owner / Product Manager, wenn KI die User Stories mit Akzeptanzkriterien und Testfällen schreiben kann?

• Braucht es noch Product / UX / UI Designer, wenn KI fertige Designs erstellen kann?

• Braucht es Software-Entwickler, wenn KI in Sekundenschnelle funktionierenden Code schreiben kann?

Ja, es werden PMs/POs, Designer und Engineers gebraucht. Denn es wird eher mehr Software-Systeme, Integrationen und Endgerätevarianten als weniger geben, die wir betreuen und weiterentwickeln müssen.

Und nein, solche, die sich als User Story Schreiberlinge und Backlog Manager bzw. Pixel-Schubser oder nur Coder verstehen, wird es nicht brauchen. Ehrlich gesagt, braucht die moderne digitale Produktentwicklung sie in dieser Form heute auch schon nicht.

Doch wie wird KI die Jobs in der Produkt- und Softwareentwicklung beeinflussen?

Halt, stopp! Wird wirklich die KI die Jobs verändern? Ist die Kausalkette wirklich so kurz? Oder werden die Menschen, die KI nutzen und damit Kundenprobleme besser lösen und höheren Wertbeitrag für die Unternehmen erzielen, die Jobs beeinflussen?

Letzteres, ganz klar! Diese Menschen werden die Maßstäbe setzen, indem sie ihre Produktivität steigern und damit bessere Lösungen bei kosteneffizienterer Arbeitsweise und geringerem Innovationsrisiko entwickeln.

Bei manchen führt diese Vorstellung möglicherweise zu Angst. Irgendwo verständlich. Doch was ich davon halte, habe ich hier aufgeschrieben:

Die Zukunft der Arbeit

Kürzlich habe ich den „The Future of Jobs“ Report des World Economic Forum entdeckt. Mit 295 Seiten keine Klo-Lektüre. Und er zeigt, dass Technologien wie KI, Big Data, Cloud-Computing und digitale Plattformen in den nächsten fünf Jahren erhebliche Veränderungen bei Arbeitsplätzen und Qualifikationen bewirken werden.

Konkret über alle Berufsgruppen hinweg heißt das:

• Technologie sorgt für mehr Jobs: Es wird erwartet, dass Rollen im Zusammenhang mit KI, Nachhaltigkeit, digitaler Transformation und Bildung ein erhebliches Wachstum erfahren werden.
  
  Die gute Nachricht für uns: Die digitale Transformation geht weiter und so dürfte es in den nächsten Jahren nach wie vor genug zu tun geben. Jedoch sollte KI auf der Agenda eines jeden von uns stehen.
  
  Ich behaupte: Basic KI-Kenntnisse werden bis 2030 zu einer Standard-Anforderung. Das ist wie mit SEO seit den 2000ern oder Mobile Design seit den 2010ern. Wer heute kein Basis-Verständnis dafür mitbringt, hat es eben schwer.

• Technologie sorgt für weniger Jobs: Büro- und Verwaltungstätigkeiten werden aufgrund von Automatisierung und Digitalisierung voraussichtlich zurückgehen.
  
  Die gute Nachricht: Davon sind wir nicht betroffen. Außer du interpretierst deinen Titel des Product Managers oder Product Owners als Backlog Manager – dann wird es wahrscheinlich dünn werden.

• Technologie verändert die gefragten Fähigkeiten: Analytisches Denken, kreatives Denken und technologische Kompetenz sind entscheidende Fähigkeiten für die zukünftigen Arbeitsmärkte.
  
  Das Learning: Jeder von uns sollte für sich passende Weiterbildungsinitiativen suchen, um die sich entwickelnden Qualifikationsanforderungen zu erfüllen. Mein Weg ist: Selber ausprobieren.

„Fähigkeiten“ sind ein gutes Stichwort: Es wird erwartet, dass 44 % der notwendigen Fähigkeiten bis 2027 beeinflusst werden. Weiterbildung ist somit essenziell. Denn KI-Modelle wie GPT-4o und Claude 3.5 Sonnet können heute bereits komplexe Aufgaben übernehmen.

Zu glauben, dass wir in der Produktentwicklung nicht betroffen seien, ist mir persönlich eine zu heiße Wette. Die Frage ist vielmehr:

• Wie kann ich dank der Tools meine Produktivität steigern?

• Wie kann ich Produktinnovationen für die Kunden werthaltiger gestalten?

• Wie kann ich kosteneffektiver und risikoärmer für das Geschäft innovieren?

Deswegen will ich, dass Du und ich zu denjenigen gehören, die die Arbeitswelt der agilen Produktentwicklung im Digitalumfeld mitgestalten. Dann verändert nicht die KI unsere Arbeit, sondern wir nutzen die KI, um unsere Arbeitsweise zu verändern. Und das zum Besseren. Für Kunden, fürs Business, für uns selber.

Es wird auch erwartet, dass bis 2027 bis zu 42 % der geschäftlichen Aufgaben automatisiert werden. Ob auch 42 % der Aufgaben von PMs, Designern und Entwicklern komplett automatisiert werden? Eher unwahrscheinlich, denke ich. Einfach, weil wir wenige repetitive Tätigkeiten haben. Und doch bietet Automatisierung – egal in welchem Ausmaß – die Chance, mehr Kapazität und Energie auf komplexere Aufgaben zu lenken.

KI erhöht die Produktivität und schließt Qualifikationslücken

Der AI Index Report der Stanford University bestätigt es: KI befähigt die Arbeitnehmer, Aufgaben schneller zu erledigen und die Qualität ihrer Arbeit zu verbessern. Also höhere Produktivität.1

Außerdem sei das Potenzial, die Qualifikationslücke zwischen gering und hoch qualifizierten Arbeitnehmern durch KI-Nutzung zu schließen, riesig:

Die lernwilligen und experimentierfreudigen Jungspunde bekommen damit die Chance, den Erfahrungsvorsprung der alten Hasen für gewisse Aufgaben fast zu egalisieren. Große Chance für alle Young Professionals. Und wichtig zu verstehen für alle erfahrenen Fachkräfte: Es ist jetzt die falsche Zeit, um sich auf dem reinen Erfahrungsschatz auszuruhen!

Doch es gibt auch Risiken:

Die Studie der Harvard Business School zeigt: KI ohne Aufsicht kann zu Leistungseinbußen führen. Kritisches Denken bleibt wichtig! Wenn sich Menschen zu sehr auf KI verlassen, neigen sie dazu, weniger kritisch zu denken und Fehler zu übersehen. Konkret erzielten professionelle Recruiter, die sich auf vermeintlich gute KI-Modelle verließen, schlechtere Ergebnisse, weil sie den KI-Ergebnissen blind vertrauten.

Und ich merke diese Tücke selber: Natürlich nutze ich Claude, Gemini und ChatGPT, um mir u. a. bei der Recherche in 500-seitigen Berichten helfen zu lassen. Nur überprüfe ich stets die Ergebnisse der KI. Nicht nur einmal fragte ich die KI, auf welcher Seite eines PDFs das KI-Tool die Information für die vorgeschlagene Formulierung gefunden hat. Doch weder dort noch überhaupt in dem Bericht waren die zitierten Passagen zu finden. 🤷

Fazit

KI nutzen – ja! Nur gewusst wie. Es gilt, die Technologie zu verstehen und in der täglichen Arbeit anzuwenden, ohne das eigene Beurteilungsvermögen abzuschalten.

Für mich ist die Frage nicht, wie KI unsere Arbeit verändern wird. Meine Frage ist, wie ich KI für mich persönlich und speziell in der Produkt- und Softwareentwicklung so nutzen kann, dass sie meine Arbeitsergebnisse verbessert.

Ich bin überzeugt: Es ist möglich, mit demselben Team und in derselben Zeit dank KI die Produktivität bei Produktinnovationen zu erhöhen.

Und eins ist auch ganz klar:

Erste Inspiration für denkbare Anwendungsfälle der KI in der Produkt- und Softwareentwicklung habe ich deshalb in diesem Artikel aufgeschrieben:

Also, bleib dran & mach einfach!

Alexej

PS: Ich will meine Gedanken dazu, wie PMs/POs, Designer und Entwickler für welche Anwendungsfälle und mit welchen KI-Tools ihre Produktivität verbessern können, demnächst in dedizierten Artikeln vertiefen. Abonniere daher gerne kostenlos diesen Newsletter, wenn dich meine Erkenntnisse darüber interessieren und schreibe mir, ob es spezifische Anwendungsfälle oder Tools gibt, die dich interessieren.

Jetzt abonnieren

🙏 Wenn Dir meine Inhalte gefallen, unterstütze mich bitte dabei, 1.000 Abonnenten zu erreichen:

• 📧 Leite den Text an Deine Kollegen weiter, wenn Du ihn nützlich fandest.

• 🔗 Teile bei LinkedIn, in WhatsApp, Slack oder Teams

📮 Und sende mir gerne Dein Feedback an beyondbacklog@substack.com.

Was machen diese Menschen anders?

Marty Cagan und Christian Idiodi haben über diese Fähigkeiten in ihrem Podcast gesprochen. Sie nennen das Konzept „Product Sense“. Was es ist, wie ich darüber denke und wie du es selbst entwickeln kannst – das will ich hier besprechen.

Was ist Product Sense?

Zunächst mal: „Product Sense“ klingt für viele wie ein angeborenes Talent. Ein bisschen so wie ein außergewöhnlicher Geruchssinn. Man hat ihn oder eben nicht. Nur: Product Sense ist kein mysteriöses Genie-Gen. Es ist eine Fähigkeit, die auch du entwickeln kannst und – ja, als Produktmensch – sogar trainieren musst!

Marty spricht von vier Kernelementen: Demut, Neugierde, Handlungsfähigkeit (engl. Agency) und Empathie. Eigentlich alles, was wir als Kleinkinder eh schon auf die Welt mitbringen.

1) Demut

Demut spielt eine zentrale Rolle beim Entwickeln von Product Sense. Es geht darum, anzuerkennen, dass du nicht alles weißt, und die Bereitschaft zu haben, ständig von anderen zu lernen. Marty hat es treffend formuliert: Demut ist der Grundpfeiler für erfolgreiches Lernen. Ich habe selber oft erlebt, dass diejenigen, die glauben, schon alles zu wissen, am wenigsten bereit sind, neue Informationen aufzunehmen. Nur durch Demut ist es möglich, die eigene Perspektive zu erweitern und damit Innovation vorantreiben.

Fange also an Demut (weiter) zu entwickeln, indem du jetzt kurz innehältst und dir folgendes bewusst machst:

Öffne dich also für Feedback und sei bereit, von anderen zu lernen.

2) Neugierde

Ein weiterer wichtiger Aspekt von Product Sense ist die Neugierde. Menschen, die eine starke Neugierde entwickeln, sind immer auf der Jagd nach neuen Informationen und Erkenntnissen. Diese unersättliche Wissbegierde treibt sie an, ständig dazuzulernen und sich weiterzuentwickeln. Neugierde ist damit ein essenzielles Merkmal, um in der heutigen, schnelllebigen Welt als Produktmensch erfolgreich zu sein. Es ist die Neugierde, die uns befähigt, immer wieder neue potenziell wertvolle Kundenprobleme und Marktchancen zu entdecken, um dafür in Folge innovative Lösungen finden zu können.

Erweitere deine Neugierde, indem du neue Themen erkundest, Fragen stellst, offen für Unbekanntes bleibst und regelmäßig aus deiner Komfortzone heraustrittst.

3) Handlungsfähigkeit & Handlungsmacht (engl: Agency)

Es reicht nicht aus, nur zu wissen und zu verstehen. Es braucht das Handeln, und zwar das Können und das Wollen. Die Fähigkeit, Entscheidungen zu treffen und diese in die Tat umzusetzen, ist entscheidend. Marty verwendet dafür den englischen Begriff Agency. Der Begriff wurde auch in die deutsche Wissenschaftssprache übernommen und bezeichnet die Handlungsfähigkeit und Handlungsmacht Menschen zur Durchsetzung ihrer Interessen.

Du kennst es sicher selber: Viele Menschen haben gute Ideen, aber nur wenige setzen sie auch tatsächlich um. Vielleicht gehörst du ja selber dazu? Hier kommt Agency ins Spiel – der Wille und die Fähigkeit, das Gelernte in die Praxis umzusetzen.

Entwickle deine eigene Agency, indem du wirklich Verantwortung übernimmst und proaktiv Entscheidungen triffst oder zumindest vorschlägst. Hier trennt sich meiner Erfahrung als Führungskraft nach die Spreu vom Weizen. Denn beides bedeutet für die meisten, ihre Komfortzone zu verlassen. Ich verstehe, es fühlt sich unangenehm an. Ist aber der Schlüssel. Denn Handeln innerhalb der Komfortzone bringt uns Produktmenschen nicht wirklich weiter.

4) Empathie

Ein echtes Verständnis für die Bedürfnisse und Probleme der Kunden ist unerlässlich. Auch genannt: Empathie. Empathie ermöglicht es, sich in die Lage der Kunden zu versetzen, deren Herausforderungen zu verstehen und auch mal das eigentliche Problem zwischen den Zeilen zu erkennen. Es ist diese Fähigkeit, die Barrieren zwischen dem Produktteam und den Kunden abzubauen und eine echte Verbindung herzustellen.

Beeindruckend dafür fand ich im Podcast die Geschichte eines Produktmanagers, der 90 Tage damit verbrachte, einen Arbeitssuchenden zu begleiten. Diese direkte Interaktion mit dem Kunden half ihm, echte Einblicke zu gewinnen und bessere Produkt-Entscheidungen zu treffen. Statt sich auf theoretische Annahmen oder Daten zu verlassen, basierte er seine Entscheidungen auf realen Erfahrungen und Bedürfnissen.

Entwickle deine Empathie weiter, indem du aktiv zuhörst, dich in die Perspektive anderer versetzt, ihre Gefühle anerkennst und bewusst Mitgefühl zeigst. Vor allem die Gefühlswelt wieder zu erschließen ist etwas, woran zumindest ich aktiv arbeiten musste. Meine Sozialisierung, auch u. a. in Form der klassischen BWL-Lehre, hat dafür leider keinen Raum geboten. Ich behaupte mal, ich bin damit nicht der einzige.

Habe ich nun Product Sense?

Gute Frage! Ich denke, die Wahrheit ist: Die Antwort ist nie binär. Product Sense entwickelt sich ständig weiter und ist ein kontinuierlicher Lernprozess, der nie abgeschlossen ist – so auch bei mir.

Ich denke: Wenn ich jede Woche etwas lerne, dann ist es ein Zeichen dafür ist, dass ich auf dem richtigen Weg bin. Tiefes Verständnis über den Markt, die Kunden und Technologietrends zu entwickeln und dieses Wissen in gute Entscheidungen umzusetzen, ist entscheidend.

Direkter Kundenkontakt spielt dabei eine zentrale Rolle, denn nur so können die wirklichen Bedürfnisse und Probleme der Kunden verstanden werden. Das ist meiner eigenen Erfahrung nach auch der schwierigste Teil des Jobs:

Und doch ist es möglich und übrigens notwendig! Die eigene Komfortzone verlassen und den Kundenkontakt zur Gewohnheit für sich und für das Team etablieren, ist der Schlüssel. Ich spreche hier vom Konzept der Continuous Discovery Habits von Teresa Torres, welches hier jetzt zu weit führen würde (ein anderes Mal).

Fehler sind dabei wertvolle Lektionen, die zu besseren Entscheidungen in der Zukunft führen. Innovation entsteht oft durch das Hinterfragen von Dogmen und Überprüfen von Annahmen. Tiefes Domänenwissen kann dabei sowohl ein Vorteil als auch ein Hindernis sein. Der trockene Humor an dieser Stelle ist: Manchmal denken Führungskräfte, dass sie mit ihrer jahrelangen Erfahrung automatisch Experten sind. Doch wie Marty so schön sagte:

„Wenn du 30 Jahre lang im selben Job bist, hast du vielleicht 30 Jahre Erfahrung. Oder du hast ein Jahr Erfahrung, das du 30 Mal wiederholt hast.“

Und, Achtung: davor sind wir erfahrene Produktmenschen ebenfalls nicht gefeit! Wir müssen uns stets dessen bewusst werden, dass Innovation durch frische Perspektiven und kontinuierliches Lernen entsteht.

Fazit

Das Konzept von Product Sense ist vielfältig und komplex und – zugegeben – nicht einfach zu erklären. Es geht nicht nur um Wissen und Erfahrung, sondern auch um die Fähigkeit, kontinuierlich zu lernen und sich anzupassen. Wenn du also das nächste Mal jemanden triffst, der „den Dreh raus hat“, denk daran: Es ist kein mysteriöses Genie-Gen. Es ist harte Arbeit, Demut, Neugier, Agency und Empathie. Und das Beste daran: Jeder kann es lernen. Du auch!

Also, bleib dran & mach einfach!

Alexej

🙏 Wenn Dir meine Inhalte gefallen, unterstütze mich bitte dabei, 1.000 Abonnenten zu erreichen:

• 📧 Leite den Text an Deine Kollegen weiter, wenn Du ihn nützlich fandest.

• 🔗 Teile bei LinkedIn, in WhatsApp, Slack oder Teams

📮 Und sende mir gerne Dein Feedback an beyondbacklog@substack.com.

Das, was wir als Anwender kennen und sehen sind Tools wie ChatGPT, Gemini und Claude. Heute tauchen wir in die unsichtbare Welt der Technologie hinter diesen Tools ab.

KI-Anwendungen

ChatGPT, Gemini und Claude sind Webanwendungen von OpenAI, Google und Anthropic, die es jedem von uns ermöglichen, mit der KI zu interagieren. Darüber hinaus gibt es zahlreiche weitere.

Obwohl solche Anwendungen wie eine dünne Schicht um die namensgebenden Large Language Models erscheinen, steckt oft mehr dahinter. So muss ChatGPT mit denselben Einschränkungen wie das Modell darunter GPT-4o umgehen, z.B. KI-Halluzinationen. Die Anwendungsschicht bietet jedoch mehr Möglichkeiten, diese Einschränkungen zu mildern, indem Regeln und Filter festgelegt werden, um Antworten innerhalb bestimmter Parameter oder erwarteter Ergebnisse zu halten. Das nennt man „Alignment“.

Das Wichtigste: Lass dich nicht verwirren, wenn du es mal hörst: Es gibt kein ChatGPT-4. Es gibt nur ChatGPT (die Webanwendung) oder GPT-4 (das Modell).

Nun tauchen wir tiefer in die Architektur ein.

Generative Pre-Trained Transformers (GPT)

Generative Pre-trained Transformers (GPT) sind Sprachmodelle, die mithilfe der 2017 eingeführten Transformer-Architektur eigenständig Texte, Bilder, Videos und Musik erstellen und abändern können. Bei ChatGPT steckt diese Technologie im Namen - nur falls du dich das mal gefragt hast.

GPTs durchlaufen ein intensives Training aus einer Unmenge an Daten, primär aus dem Internet. Dabei lernen sie die Muster und Strukturen von z.B. Sprache so gut kennen, dass sie nahezu perfekte Texte generieren können. Gleiches gilt für Bilder, Videos und Musik.

Doch ein kleiner Haken bleibt: Diese Modelle verstehen Texte nicht wie wir Menschen. Statt echtem Verständnis erkennen sie nur statistische Muster in den Daten. Das ist beeindruckend, aber nicht dasselbe wie menschliches Denken.

Large Language Models (LLMs)

GPT ist ein möglicher Typ von Large Language Models (LLM). Weitere bekannte und leistungsstarke LLMs wie Claude 3.5, Gemini 1.5 Pro, Llama 3 und Mistral Large sind keine GPTs im engeren Sinne. Sie verwenden möglicherweise ähnliche Technologien oder Prinzipien, haben aber ihre eigenen spezifischen Architekturen und Trainingsmethoden.

LLMs haben kein echtes Sprachverständnis. Ihre Antworten basieren auf Mustern aus dem Training, nicht auf inhärentem Wissen oder Verständnis der Welt. In den letzten Jahren gab es immense Anstrengungen in der Entwicklung von LLMs, sowohl kommerziell als auch durch Open-Source. Die Tools wie ChatGPT, Midjourney, Perplexity.ai und Claude.ai - um nur einige bekannte zu nennen - sind das anfassbare Ergebnis dieser Anstrengungen.

Unterschiede zwischen LLM und GPT

Während alle GPT-Modelle auf der Transformer-Architektur basieren, können andere LLMs unterschiedliche Architekturen verwenden. Außerdem sind GPT-Modelle tendenziell für allgemeinere Anwendungen konzipiert. Large Language Models (LLMs) können dagegen, müssen jedoch nicht, oft für spezifische Aufgaben oder Domänen optimiert sein.

LLMs werden ebenfalls auf umfangreichen Textdaten trainiert und können Inhalte wie ein Mensch generieren. Sie erkennen Muster in Daten und nutzen diese, um relevante Antworten zu geben. So ist z.B. BERT ein weithin anerkanntes LLM, das 2018 von Google entwickelt wurde und große Anerkennung für die Beantwortung von Fragen und die Sentimentanalyse erhielt. Dieses LLM nutzt zwar ebenfalls die Tansformer-Architektur ist jedoch kein GPT:

• BERT ist primär für das Verstehen von Sprache und Kontextanalyse konzipiert, während GPT auf die Generierung von menschenähnlichem Text ausgelegt ist

• BERT verarbeitet Text in beide Richtungen, um den Kontext besser zu erfassen, während GPT Text sequenziell von links nach rechts verarbeitet

Parameter bei LLMs

Die modernen LLMs haben Millionen oder Milliarden Parameter und können Fragen beantworten, Essays schreiben, Dokumente zusammenfassen, Sprachen übersetzen, Code, Bilder, Videos, Musik generieren und vieles mehr.

Parameter sind dabei die Werte, die während des Trainings eines Modells angepasst werden, um das Modell so gut wie möglich an die gegebenen Daten anzupassen. Einfach gesagt: Parameter bestimmen, wie das Modell Daten verarbeitet und welche Ausgabe es erzeugt. Diese Werte werden durch den Trainingsprozess iterativ angepasst, um Fehler zu minimieren.

Parameter sind wie Megapixel bei Kameras: je größer die Zahl, desto mehr Details.

Parameter sind damit das Herzstück des Lernprozesses in KI-Modellen. Sie machen den Unterschied zwischen einem einfachen, ungenauen Modell und einem hoch entwickelten System aus, das erstaunlich präzise und nützliche Vorhersagen treffen kann.

Generative KI

Generative KI erzeugt oder verändert Inhalte durch Nutzung statistischer Muster in Daten. Es geht dabei also nicht um Kreativität im menschlichen Sinne. Ein bekanntes Beispiel dafür sind Deepfakes, bei denen visuelle und auditive Inhalte so manipuliert werden, dass sie täuschend echt wirken.

Der Hype um generative KI begann 2014 mit der Einführung der Generative Adversarial Networks (GANs) durch Ian Goodfellow. Diese Netzwerke trugen zur Forschung bei und wurden später in 2017 durch die Transformer-Modelle von Google ergänzt.

Generative KI ist ein sehr faszinierender Bereich des Deep Learning und darum geht es als Nächstes.

Deep Learning

Deep Learning basiert auf künstlichen neuronalen Netzen (KNN), die aus vielen künstlichen Neuronen bestehen. Diese sind miteinander verbunden und in der Regel in Schichten organisiert. Deshalb der Begriff „deep“. Im Bild zeigt jeder Kreis ein künstliches Neuron und jeder Pfeil eine Verbindung zwischen zwei künstlichen Neuronen.

Obwohl die Idee der KNN vom menschlichen Gehirn inspiriert ist, funktionieren sie anders als die biologischen Prozesse. Die KNN sind hoch entwickelte Mustererkennungssysteme und nicht mit bewussten Wesen zu verwechseln.

Deep Learning spielt eine Schlüsselrolle bei vielen modernen Anwendungen, wie der Spracherkennung, Bildverarbeitung und autonomen Fahrzeugen. Technologisch betrachtet handelt es sich bei Deep Learning um einen speziellen Bereich des maschinellen Lernens.

Maschinelles Lernen (ML)

Es gibt zwei Wege, wie Systeme intelligent werden können:

• Die eine Methode nutzt vorprogrammierte Regeln für Entscheidungen – regelbasierte Systeme folgen starr den Vorgaben des Entwicklers, ohne aus neuen Daten zu lernen.

• Die zweite Methode, und hier wird es spannend, setzt auf das Lernen aus Daten: Das ist Maschinelles Lernen (ML).

ML erlaubt es Systemen, aus großen Datenmengen zu lernen und Muster zu erkennen, um Entscheidungen ohne menschliches Zutun zu treffen. Anders als oft in Filmen dargestellt, bedeutet ML nicht, dass die Systeme ein Bewusstsein oder Emotionen entwickeln. Es handelt sich vielmehr um einen statistischen Ansatz.

Ob bei der Vorhersage von Kundenverhalten, der Erkennung von Betrugsmustern oder der personalisierten Werbung – ML revolutioniert viele Bereiche unseres Lebens und Arbeitens, ohne dass wir es direkt merken.

Starke KI (AGI) und Schwache KI

Bei der Starken KI haben die Forscher es zum Ziel, die gesamte Bandbreite menschlicher Intelligenz nachzubilden. Das heißt, sie soll denken, lernen und Probleme lösen können wie ein Mensch – auch solche, die vorher unbekannt sind. Im Idealfall führt das zu einer Superintelligenz, welche die menschliche Intelligenz übertrifft. Dieses potentielle Ereignis wird als Singularität bezeichnet. Experten sind sich jedoch einig, dass wir von diesem Szenario noch weit entfernt sind und ob wir es überhaupt jemals erreichen, darüber scheiden sich die Geister. Starke KI ist damit heute eine theoretische Form der KI.

Schwache KI ist spezialisierter, begegnet uns heute im Alltag und erscheint mit Modellen wie GPT-4 oder Claude 3.5 gar nicht so schwach. Sie wird für bestimmte Aufgaben entwickelt, wie Sprachübersetzungen oder Bilderkennung, und hat nicht den Anspruch, menschliche Intelligenz vollständig nachzuahmen.

Doch, was ist Künstliche Intelligenz überhaupt?

Künstliche Intelligenz

Künstliche Intelligenz (KI) klingt nach Science-Fiction, ist es aber nicht. Es geht darum, Maschinen so zu programmieren, dass sie Aufgaben übernehmen, die normalerweise menschliche Intelligenz erfordern – wie Lernen, Problemlösen und Entscheidungen treffen.

Der Begriff KI wurde in den 1950er Jahren geprägt und hatte seine ersten Anwendungen im militärischen Bereich - wie so häufig bei neuen Technologien. Seither hat sich das Feld enorm weiterentwickelt und durchdringt mittlerweile zahlreiche Branchen.

Fazit

Ich hoffe, ich konnte einen guten Überblick über wichtige KI-Konzepte ohne Anspruch auf wissenschaftliche Vollständigkeit und Korrektheit geben. Denn die Verwendung einiger Begriffe variiert, je nachdem, mit welchem Experten man spricht.

Es lohnt sich m.E. in der Kaffeeküche im Zweifel nicht auf korrekte Terminologie zu beharren. Wichtiger ist es, das große Ganze der Technologie zu verstehen und noch wichtiger: anwenden und dann darüber reden!

Mein Tipp: Beginne mit Claude.ai, dem heute leistungsfähigsten Modell. Lass dir bei den täglichen Aufgaben helfen. Wenn du schon soweit bist, dann überlege doch im Team ein kleines KI-Projekt zur gemeinsamen Nutzung, um erste Erfahrungen mit KI in einer Rolle als Team-Mitglied zu sammeln.

Inspiration für Produkt- und Softwareentwicklung findest du in meinem Artikel:

Also, bleib dran & mach einfach!

Alexej

PS: wenn Du glaubst, das sollte noch jemand lesen oder hören, empfiehl meinen Newsletter gerne weiter. Tausend Dank dafür!

Einem Freund empfehlen