Die Produktwerker

Tim und Dominique sprechen in dieser Folge darüber, was der aktuelle AI Hype mit der digitalen Produktlandschaft macht und warum sich gerade grundlegend verschiebt, worauf es in der Produktentwicklung ankommt. Der AI Hype sorgt dafür, dass sich digitale Produkte immer einfacher und schneller bauen lassen. Was früher viel Zeit, Budget und eingespielte Teams brauchte, kann heute in kurzer Zeit umgesetzt werden. Dadurch sinkt die Hürde, überhaupt ein Produkt zu entwickeln, spürbar und mit ihr verändert sich auch der Wettbewerb.

Damit verschiebt sich die eigentliche Herausforderung. Wenn Delivery kein Engpass mehr ist, verliert reiner Output an Bedeutung. Entscheidend ist dann, ob ein Produkt im Alltag der Nutzer wirklich etwas verbessert. Der AI Hype führt also nicht automatisch zu besseren Produkten, sondern vor allem zu mehr Produkten. Für Nutzer wird das unmittelbar spürbar. Sie treffen immer häufiger auf Lösungen, die noch nicht ausgereift sind, auf unfertige Funktionen, unausgereifte Konzepte und Produkte, die sich laufend verändern. Was aus Unternehmenssicht schnelles Lernen bedeutet, fühlt sich aus Nutzersicht oft nach zusätzlicher Arbeit an. Produkte entstehen heute über Nacht und können morgen schon wieder anders aussehen. Das erschwert Orientierung und macht Gewohnheiten instabil.

Gleichzeitig wächst der Konkurrenzdruck auf Anbieter. Wenn immer mehr Menschen Produkte bauen können, steigt das Angebot in nahezu allen Bereichen. Für Nutzer bedeutet das mehr Auswahl, aber auch mehr Aufwand bei der Entscheidung. Für Anbieter wird es schwieriger, überhaupt noch wahrgenommen zu werden. In diesem Umfeld gewinnt Vertrauen stark an Bedeutung. Produkte, die verlässlich funktionieren und konsistente Erlebnisse bieten, heben sich deutlicher ab als solche, die nur mit neuen Features auffallen. Gerade bei zentralen Funktionen führt ständige Veränderung schnell zu Unsicherheit. Menschen wollen sich auf Werkzeuge verlassen können, besonders wenn sie diese regelmäßig nutzen. Ein Produkt, das Vertrauen aufbaut, bleibt eher bestehen als eines, das nur kurzfristig Aufmerksamkeit erzeugt.

Zugleich eröffnet der AI Hype auch eine Chance im Umgang mit Komplexität. Wenn Features schneller gebaut werden können, lassen sie sich auch leichter wieder entfernen. Statt Produkte immer weiter auszubauen, können Teams gezielt reduzieren und die Nutzung vereinfachen. Das schafft Klarheit und entlastet Nutzer. Auch das Verhalten der Nutzer verändert sich bereits. Viele testen neue Tools vorsichtiger, bleiben kürzer und hinterfragen Abo-Modelle kritischer. Empfehlungen aus dem eigenen Umfeld gewinnen an Gewicht. Für Produktmenschen entsteht daraus eine klare Aufgabe: Es reicht nicht mehr, schnell zu liefern. Es geht darum, Wirkung bewusst zu gestalten, Vertrauen aufzubauen und Produkte zu entwickeln, die auch in einem dynamischen Umfeld bestehen. Nicht die Geschwindigkeit entscheidet, sondern die Fähigkeit, echten Nutzen zu schaffen und langfristig relevant zu bleiben.

Im Gespräch wurde auf ein paar andere Folgen verwiesen:
- Ist Vibe Coding relevant für die Produktentwicklung? (https://produktwerker.de/ist-vibe-coding-relevant-fuer-die-produktentwicklung/)
- Mit "Jobs to Be Done"-Interviews zum besseren Kundenverständnis (JTDB) (https://produktwerker.de/jobs-to-be-done/)
- Gedankenaustausch: Was kommt nach UX? (https://produktwerker.de/gedankenaustausch-was-kommt-nach-ux/)
- Das Problem mit dem Minimal Viable Product (MVP) (https://produktwerker.de/das-problem-mit-dem-minimal-viable-product/)
- Features wegwerfen - was braucht es dafür außer Mut? (https://produktwerker.de/features-wegwerfen/)

Dominik Rose spricht in dieser Podcastfolge mit Tim über AI in der Produktentwicklung und darüber, wie sich der Alltag von Produktteams verändert, wenn moderne AI Werkzeuge auf die Realität eines großen Corporate Umfelds treffen. Dominik ist Senior Vice President Product bei LeanIX, einem Unternehmen aus Bonn, das inzwischen Teil von SAP ist und Software für Enterprise Architecture Management entwickelt. Gemeinsam schauen sie auf konkrete KI-Erfahrungen aus der Praxis und darauf, wie AI die Produktentwicklung in großen Organisationen tatsächlich beeinflusst.

AI in der Produktentwicklung wirkt in vielen Diskussionen wie ein Thema aus der Startup Welt. Doch auch im Corporate Umfeld verändert sich gerade sehr viel. Bei SAP LeanIX zeigt sich das in der täglichen Arbeit von Produktmanagement, UX und Engineering. Neue Werkzeuge und Modelle verändern, wie Software entsteht und wie Teams zusammenarbeiten. Entwickler nutzen zunehmend AI Unterstützung beim Schreiben, Prüfen und Verbessern von Code. Ein großer Teil der Pull Requests wird bereits durch AI Systeme begleitet. Das führt dazu, dass Delivery deutlich schneller wird und sich die Erwartungen an Teams verändern.

Diese Entwicklung hat spürbare Auswirkungen auf die Rollen in der Produktentwicklung. Wenn Software schneller entsteht, verschiebt sich der Fokus stärker auf Problemverständnis, Kundennähe und Produktentscheidungen. Gerade im Corporate Kontext bleibt Continuous Discovery deshalb ein zentraler Bestandteil guter Produktarbeit. Produktmanager und Designer arbeiten weiterhin eng mit Kunden zusammen, sammeln Feedback und bringen diese Erkenntnisse direkt in die Weiterentwicklung des Produkts ein. AI in der Produktentwicklung beschleunigt vieles, ersetzt aber nicht das Verständnis für Kundenprobleme.

Gleichzeitig verändert AI auch die Art, wie Produktteams Ideen ausprobieren. Prototypen entstehen heute deutlich schneller. Teams können Konzepte direkt visualisieren und gemeinsam mit Kunden weiterentwickeln. Das führt zu einer engeren Verbindung zwischen Discovery und Delivery. Feedback fließt schneller zurück ins Team und Entscheidungen lassen sich auf einer deutlich besseren Grundlage treffen.

Auch auf Produktebene stellt AI Unternehmen vor neue Fragen. Kunden erwarten zunehmend intelligente Funktionen und neue Interaktionsmöglichkeiten. Gleichzeitig darf der eigentliche Kern eines Produkts nicht verloren gehen. Für Unternehmen wie LeanIX bedeutet das, AI gezielt dort einzusetzen, wo sie echten Mehrwert für Nutzer schafft, statt lediglich neue Funktionen zu ergänzen, weil die Technologie verfügbar ist.

Besonders deutlich wird der Wandel beim Blick auf den Markt. AI in der Produktentwicklung verändert nicht nur interne Arbeitsweisen, sondern auch Wettbewerbslandschaften. Neue Anbieter tauchen auf, Kategorien verschieben sich und bisherige Marktlogiken werden aufgebrochen. Produktteams müssen deshalb genauer beobachten, wie sich Kundenbedürfnisse entwickeln und welche Probleme in Zukunft wirklich relevant bleiben.

Gerade im Corporate Umfeld entsteht dabei eine besondere Spannung. Einerseits verlangen Governance, Sicherheit und Prozesse nach Stabilität. Andererseits entwickeln sich AI Technologien in rasantem Tempo weiter. Organisationen müssen lernen, beides miteinander zu verbinden. Teams brauchen Raum zum Experimentieren und gleichzeitig klare Rahmenbedingungen, die den Einsatz neuer Technologien verantwortungsvoll ermöglichen.

Am Ende bleibt eine Erkenntnis besonders wichtig: AI in der Produktentwicklung macht viele Dinge schneller und leichter zugänglich. Auch in einem Corporate-Umfeld. Der eigentliche Kern erfolgreicher Produktarbeit bleibt jedoch unverändert. Produktmenschen müssen ihre Kunden verstehen, Märkte beobachten und Entscheidungen treffen, die langfristig Wirkung entfalten. Wer sich aktiv mit den neuen Möglichkeiten beschäftigt und gleichzeitig nah an den echten Problemen der Nutzer bleibt, hat in dieser Phase eine große Chance, bessere Produkte zu bauen.

In dieser Episode des Produktwerker Podcasts sprechen Dominique und Oliver darüber, warum der Alltag eines Product Owners oft mehr über die Organisation verrät als über die Person. Der Gedanke dahinter ist der PO als Seismograph im Unternehmen. Wer genau hinschaut, erkennt in typischen Situationen im Produktalltag Hinweise auf strukturelle Herausforderungen im Unternehmen.

Viele Product Owner kennen Momente, in denen sie sich eher wie Anforderungsmanager fühlen. Anforderungen landen im Backlog, die relevanten Entscheidungen treffen andere. Der eigene Handlungsspielraum wirkt begrenzt, obwohl die Rolle eigentlich Verantwortung für den Produkterfolg tragen sollte. Wenn sich ein PO dauerhaft so erlebt, ist das oft kein persönliches Defizit, sondern der Seismograph zeigt hier ein Signal aus der Organisation. Entscheidungsbefugnisse sind unklar oder werden nicht wirklich delegiert. Die Rolle existiert, aber das dazugehörige Mandat fehlt.

Ein anderes typisches Signal entsteht, wenn alles gleichzeitig wichtig ist. Mehrere Stakeholder bringen Themen ein, jede Anfrage hat höchste Priorität. Für den Product Owner fühlt sich das anstrengend und frustrierend an. Entscheidungen werden immer wieder infrage gestellt oder der PO überstimmt. Um bei dem Bild des Seismographs zu bleiben, wird hier ein strategisches Vakuum sichtbar. Wenn auf Unternehmensebene kein klarer Fokus existiert, konkurrieren Ziele miteinander. Dann landet der Konflikt zwangsläufig im Produktalltag.

Dominique und Oliver besprechen noch einige weitere Signale in dieser Podcastfolge. Diese Signale fühlen sich für Product Owner zunächst unangenehm an. Sie erzeugen Druck, Frust oder das Gefühl, ständig zwischen Interessen vermitteln zu müssen. Gleichzeitig können sie ein wertvoller Hinweis sein. Der Alltag eines PO macht sichtbar, wo Entscheidungsräume fehlen, wo Prioritäten nicht geklärt sind oder wo Wirkung nicht gemessen wird.

Die Metapher des PO als Seismograph soll nicht, dass Product Owner die Ursache all dieser Probleme sind. Vielmehr zeigt ihre tägliche Arbeit, wie Organisationen tatsächlich funktionieren. Wer diese Signale erkennt, kann beginnen, sie anzusprechen und auf eine Veränderung hinzuwirken.

Verändern lässt sich eine Organisation selten von heute auf morgen. Doch Product Owner können ihr eigenes Verhalten beeinflussen. Sie können Fragen stellen, Transparenz schaffen und Verbündete suchen. Manchmal reicht schon ein gemeinsames Gespräch über Priorisierung oder Ziele, um Bewegung in festgefahrene Muster zu bringen.

In dieser Folge spricht Dominique mit Tara Bosenick (https://www.linkedin.com/in/tarabosenick/), Management Director bei uintent, über KI gestützten UX Research und was davon im Alltag von Produktteams wirklich trägt. Tara bringt mehr als zwei Jahrzehnte Erfahrung im UX Research mit und beobachtet sehr genau, wie sich der Einsatz von Sprachmodellen auf Research Prozesse auswirkt.

UX Research steht für fundierte Entscheidungen. Wer Produkte verantwortet, braucht belastbare Erkenntnisse über Bedürfnisse, Motive und Probleme von Nutzerinnen und Nutzern. Gleichzeitig steigt der Druck. Zeit fehlt, Prioritäten konkurrieren, Entscheidungen sollen schneller fallen. Hier können KI Werkzeuge Entlastung bieten. Tara erlebt in ihren Workshops beides: Begeisterung und Ernüchterung. Sprachmodelle formulieren hervorragend. Sie helfen beim Schreiben von Screenern, Interviewleitfäden oder UX Texten. Sie unterstützen bei der Strukturierung von Gedanken. Gerade beim Formulieren entsteht spürbare Zeitersparnis im UX Research. Der große Hebel liegt jedoch in der Analyse. Transkripte auswerten, Muster erkennen, Zitate sauber belegen und daraus einen klaren Report bauen kostet Zeit. Hier setzen viele Hoffnungen an. Doch genau hier zeigt sich auch die Schwäche probabilistischer Systeme. Ein Sprachmodell berechnet Wahrscheinlichkeiten. Es liefert gut klingende Antworten. Das bedeutet nicht automatisch, dass diese Antworten auch korrekt sind.

Wer im UX Research Interviews analysiert, will keine wahrscheinlichen Aussagen, sondern präzise Aussagen auf Basis echter Daten. Halluzinationen entstehen schneller als vielen bewusst ist. Ein falsch zugeordnetes Pronomen im Transkript kann bereits eine Interpretation kippen. Ein unklarer Kontext im Prompt kann dazu führen, dass externe Annahmen in die Analyse einfließen. Tara plädiert deshalb für ein sehr bewusstes Vorgehen, wie kleine Analyseschritte statt großer Gesamtaufgaben zu stellen, klare Regeln im Prompt zu formulieren, Explizite Anweisungen zu geben, nur mit den vorliegenden Daten zu arbeiten und Zitate wortwörtlich wiederzugeben. UX Research mit KI verlangt Disziplin und ein kritisches Auge.

Auch die Vorbereitung von Research profitiert nur begrenzt von Automatisierung. Wer regelmäßig Interviews führt, erstellt Leitfäden oft schneller selbst, als ein Sprachmodell mit ausreichend Kontext zu versorgen. Sinnvoll kann KI im UX Research beim vorbereitenden Desk Research sein oder als Sparringspartner für Hypothesen und Fragestellungen. Spannend wird es aber beim Reporting. Layouts automatisiert befüllen, Charts erstellen und Präsentationen strukturieren spart Zeit, ohne den Kern des UX Research zu verfälschen. Hier entsteht echte Entlastung im Alltag von Product Ownern und Produktmanagerinnen.

Gleichzeitig bleibt der Mensch zentral. Gute Interviews leben von Beziehung und Gesprächsdynamik. Wer UX Research komplett an Bots abgibt, verliert die unmittelbare Erfahrung mit Nutzerinnen und Nutzern. Gerade für Produktteams ist es wertvoll, Probleme aus erster Hand zu hören. Diese Erfahrung schafft ein gemeinsames Verständnis, das kein Report ersetzen kann.

Datenschutz und Compliance sind lösbar, wenn passende Tarife und Verträge genutzt werden. Das größere Risiko liegt in der unkritischen Nutzung. Sprachlich überzeugende Ergebnisse verführen dazu, sie ungeprüft zu übernehmen. Für fundierten UX Research braucht es jedoch Verantwortung und Reflexion.

KI gestützter UX Research ist damit weder Heilsbringer noch reine Spielerei. Er kann Prozesse beschleunigen, wenn wir die Grenzen kennen und bewusst steuern. Wer Halluzinationen versteht, Prompts strukturiert und Ergebnisse prüft, gewinnt Zeit für das Wesentliche. Für bessere Fragen, tiefere Gespräche und klarere Entscheidungen im Produktalltag.

Entscheidungen gehören für Product Owner:innen zum Alltag. Sie priorisieren Features, balancieren technische Schulden gegen neue Chancen und diskutieren mit Stakeholdern über Roadmaps und Budgets, meist unter Unsicherheit und Handlungsdruck. Genau daran zeigt sich, wie professionell wir entscheiden. Eine Entscheidung verkleinert den Raum der Möglichkeiten. Sie schafft Orientierung, bedeutet aber auch Verzicht, weil Alternativen bewusst losgelassen werden, und genau das ist oft der eigentliche Schmerzpunkt.

In frühen Phasen von Produktideen ist Unsicherheit besonders hoch. Wir wissen wenig über Markt, Zielgruppe oder Zahlungsbereitschaft, und selbst nach Interviews, Prototypen und Daten bleibt ein Restrisiko. Entscheidungen sind deshalb Wetten auf plausible Annahmen. Struktur hilft, damit umzugehen. Paarweise Vergleiche reduzieren Komplexität, Szenarien machen Chancen und Risiken sichtbar, und das Einschätzen von Wahrscheinlichkeiten führt zu besseren Urteilen als reines Bauchgefühl. Zusätzlich lohnt der Blick auf Zeithorizonte, weil kurzfristige Entlastung langfristig schaden kann, während heutiger Aufwand morgen Stabilität schafft.

In echten Dilemmata gibt es keine perfekte Lösung, nur Optionen mit Nebenwirkungen. Dann ist entscheidend, das Problem präzise zu formulieren und Kriterien sowie Entscheidungslogik transparent zu machen. Vertrauen entsteht über Nachvollziehbarkeit, nicht über Einigkeit. Ob eine Entscheidung gut war, hängt nicht nur vom Ergebnis ab, sondern von den Informationen und Risiken zum Zeitpunkt der Entscheidung. Wer Entscheidungen regelmäßig reflektiert, baut Urteilsfähigkeit auf. Professionelle Produktverantwortung heißt, Annahmen offenzulegen und Unsicherheit als Teil der Arbeit anzunehmen.