Aufhören Sie, mit großen Sprachmodellen zu chatten: Ein Leitfaden zur Neukonstruktion des AI-Arbeitsablaufs für Produktmanager

Der Schlüssel zur zehnfachen Produktivitätsdifferenz liegt in der Übereinstimmung zwischen Workflow und KI-Fähigkeiten – von ChatGPT-ähnlichen Fragen und Antworten hin zu einem neuen kollaborativen Paradigma mit geschlossener Ausführung, nahtlosem Kontext und Asset-Akkumulation. Dieser Artikel zerlegt die dreistufige Überlegenheit des neuen Agentic Workflows und zeigt, wie Sie den gesamten Prozess der Produktanalyse neu gestalten können, um von einem Ausführenden zum Architekten der KI-Zeit aufzustiegen.

Im Jahr 2026 hat die Penetration von KI bereits einen erheblichen Grad erreicht. Fast alle Produktmanager, Betreiber und Entwickler nutzen KI in ihrer täglichen Arbeit. Wenn Sie jedoch genauer hinsehen, werden Sie ein allgemeines Phänomen bemerken: Die meisten Menschen nutzen KI auf die gleiche Weise wie vor zwei Jahren, als ChatGPT erstmals auf den Markt kam.

Sie öffnen immer noch ein Web-Chatfenster, geben einen Prompt ein und warten dann auf eine Antwort. Der einzige Unterschied besteht darin, dass das zugrunde liegende Modell von GPT-4 auf GPT-5 oder ein begabteres chinesisches Großmodell gewechselt hat.

Dies ist natürlich besser als die völlige Nichtnutzung von KI, aber es nutzt das wahre Potenzial von KI bei weitem nicht aus.

In der praktischen Arbeit liegt die Produktivitätsdifferenz zwischen "KI nutzen können" und "KI gut nutzen" nicht bei 30%, sondern in der Größenordnung von zehnfach.

Viele Produktmanager nutzen KI so, als würden sie ein Auto wie ein Pferdewagen benutzen, nachdem das Auto erfunden wurde: Gleiche Route, gleiche Geschwindigkeit, nur ein anderer Motor.

Wo liegt eigentlich die Ursache dieser zehnfachen Differenz?

Die Antwort lautet: Passt Ihr Workflow zur Fähigkeitsstruktur der KI?

Als ersten Schritt zur guten Nutzung von KI sollten Sie aufhören, die KI in Ihren Händen einfach als einen "Chatbot" zu betrachten.

Warum ist das "Chatfenster" die Leistungsgrenze Ihrer Effizienz?

In den letzten 12 Monaten haben KI-Tools wie Cursor den Arbeitsablauf von Programmierern vollständig umgewandelt. Viele Menschen denken, dass dies nur ein "ChatGPT für Programmierer" ist, aber wenn man hinter die Erscheinungen blickt, repräsentiert es ein neues KI-Kollaborationsparadigma für alle Wissensarbeiter.

Das traditionelle Web-Dialogfenster (Chat) hat von Natur aus drei unüberwindbare Mängel. Wenn Sie die KI zu einem echten Produktivitätshebel machen möchten, müssen Sie die dreistufige Überlegenheit des neuen KI-Workflows (Agentic Workflow) verstehen:

Erste Stufe: Von "manueller Übertragung" zu "Rückkopplungsschleife"

Im Chatfenster bitten Sie die KI, eine Konkurrenzanalyse oder ein Python-Skript zur Datenverarbeitung zu schreiben, und sie gibt ein Ergebnis zurück.

Sie kopieren es in ein Dokument oder eine Ausführungsumgebung und stellen fest, dass das Format falsch ist oder es einen Fehler gibt.

Sie fügen das Problem wieder in das Dialogfenster ein, die KI ändert es, und Sie kopieren es erneut... In diesem Prozess werden die Menschen zu menschlichen Übertragern in der "Rückkopplungsschleife". Die KI produziert, wir überprüfen, wir übertragen, und die KI ändert erneut.

Der Kernunterschied echter effizienter KI-Tools (wie Cursor, das in die lokale Umgebung integriert ist, oder Agenten mit Ausführungsfähigkeit) besteht darin, dass sie in unsere Ausführungsumgebung integriert sind.

Nachdem die KI Inhalte oder Code geschrieben hat, kann sie ihn direkt ausführen/vorschauen, Fehler selbst korrigieren und nach der Korrektur erneut ausführen. Die KI wird von einem "externen Berater, der nur Ideen gibt" (der nach der Beratung geht und nicht für das Ergebnis verantwortlich ist) zu einem "Arbeiter, der unabhängig arbeiten und sich selbst korrigieren kann".

Zweite Stufe: Von "begrenzten Hinweisen" zu "nahtloser Kontextbereitstellung"

Oft beschweren sich Produktmanager: "Die von der KI geschriebenen PRDs sind so schlecht, es sind nur richtige, aber nutzlose Reden." Tatsächlich liegt der Engpass bei der Qualität der KI-Ausgabe oft nicht darin, wie intelligent das Modell ist, sondern darin, wie viel relevanter "Kontext" es sehen kann.

Im Dialogfenster ist es schwierig, die historische Hintergrundinformationen des Projekts, die Protokolle mehrerer früherer Meetings und das genaue Format der Tracking-Daten auf einmal zu erklären.

Aber in einer KI-Umgebung, in der das Arbeitsverzeichnis verbunden ist, müssen Sie nur @einige interne Anforderungsdokumente und @die Meetingprotokolle der vergangenen Woche angeben, und die KI hat sofort den gesamten Kontext. Selbst wenn Sie keinen ausführlichen Prompt schreiben, wird das Ergebnis perfekt auf Ihre Geschäftspraxis zugeschnitten.

Dritte Stufe: Von "verbrauchsorientiert" zu "investitionsorientiert (Asset-Akkumulation)"

Das Nutzungsmuster von ChatGPT ist verbrauchsorientiert: Sie investieren Zeit, erhalten eine Antwort und schließen die Webseite, und alles fängt von vorne an. Im Gegensatz dazu ist der fortschrittliche KI-Workflow investitionsorientiert: Haben Sie ein internes Datendokument verwendet? Speichern Sie es in Ihrem lokalen Projektordner. Macht die KI wiederholt Fehler bei einer bestimmten Geschäftslogik? Nehmen Sie zwei Minuten Zeit, um eine globale Regel (Rules) zu schreiben. Hat Ihr Team eine spezielle Vorlage für PRDs? Schreiben Sie sie auf, damit die KI sie auch lernt.

Nach einer gewissen Zeit wird der Fliehkraft-Wirkungseffekt sichtbar: Je mehr Sie akkumulieren, desto besser versteht die KI Ihre Unternehmensgeschäfte, Ihre Schreibpräferenzen und Ihren Workflow. Das Chatfenster bleibt immer ein Fremder, für den Sie jedes Mal von vorne eine Kurzbeschreibung machen müssen, während die KI, die Assets angesammelt hat, zu einem immer vertrauter werdenden Mit-Produktmanager wird.

Die "drei Strategien" der Informationsverarbeitung

In der täglichen Produktarbeit entsteht in jedem Schritt eine große Menge an Informationen. Die Art und Weise, wie diese Informationen verarbeitet werden, bestimmt, wie viel die KI Ihnen helfen kann. Hier ist ein sehr praktisches Bewertungsframework:

Schlechte Strategie (Informationsverlust):

Nach einem Meeting gibt es nur mündliche Schlussfolgerungen, die die Menschen nach ein paar Tagen vergessen und die die KI auch nicht sieht.

Mittlere Strategie (Mensch-zentriert):

Schreiben Sie die Schlussfolgerungen in ein Online-Dokument wie Feishu/DingTalk/Confluence. Dies ist sehr ordentlich und für Menschen freundlich. Aber es ist für die KI nicht freundlich, da das Format gemischt ist und Zugangsberechtigungen erforderlich sind. Jedes Mal, wenn Sie die KI darauf Bezug nehmen lassen möchten, müssen Sie es manuell kopieren und einfügen.

Gute Strategie (KI-zentriert):

Lassen Sie die Informationen zunächst in einem Format (wie Markdown) vorliegen, das die KI direkt lesen kann, in einem lokalen Verzeichnis oder einer Wissensdatenbank. Nachdem die KI diese Rohstoffe verarbeitet hat, kann sie das Ergebnis für die Menschen aufbereiten und ausgeben.

Wenn Sie die meisten Ihrer Arbeiten noch mit der schlechten oder mittleren Strategie durchführen, haben Sie noch viel Raum für einen zehnfachen Effizienzsprung.

Ein vollständiges Beispiel für die Neugestaltung des Produktworkflows

Lassen Sie uns ein typisches Szenario für Produktmanager – "Analysieren eines fehlgeschlagenen Falles nach dem Produktionsstart einer Funktion und Ausgeben eines Optimierungsschemas" – nutzen, um zu zeigen, wie man den gesamten Prozess mit der "guten Strategie" abwickeln kann.

Erster Schritt: Sammlung von Anforderungen und Problemen (von Meeting zu Dokument)

Bei der Produktwochenbesprechung der vergangenen Woche wurde das Problem der niedrigen Konversionsrate einer bestimmten Empfehlungsstrategie bei einer bestimmten Nutzergruppe diskutiert, und verschiedene Hypothesen wurden aufgestellt.

Traditionelle Methode (mittlere Strategie): Sie haben eine halbe Stunde Zeit in die Erstellung eines Meetingprotokolls investiert und es in der Gruppe veröffentlicht.

KI-Workflow (gute Strategie): Nutzen Sie einen KI-Meeting-Assistenten (wie Feishu Miaoji, Zoom AI), um das Meeting automatisch zu transkribieren und es als .md-Datei zu exportieren. Legen Sie es direkt in das meeting_notes-Verzeichnis Ihres projekt-spezifischen Ordners. Sie investieren fast keine Zeit, aber die KI kann ab sofort alle Details dieses Meetings wörtlich zitieren.

Zweiter Schritt: Daten- und Fallstudienanalyse

Sie müssen die Leistung dieser Strategie bei verschiedenen Daten betrachten und die konkreten Szenarien der Fehlschläge aufzeichnen.

Traditionelle Methode (mittlere Strategie): Fügen Sie in einem Online-Dokument einige Screenshots und Links zu Tracking-Daten ein.

KI-Workflow (gute Strategie): Erstellen Sie in Ihrem Projektordner eine analysis_notes.md-Datei und fügen Sie die Merkmale typischer fehlgeschlagener Fälle, die Fehlerprotokolle oder die Benutzerfeedback-Textzeilen ein.

Dritter Schritt: Lassen Sie die KI die geschlossene Schleife ausführen (der Augenblick, in dem die Wunder passieren)

Hier zeigt sich die wahre Stärke der guten Strategie. Da die Informationen der ersten beiden Schritte sich im gleichen Projektraum befinden, können Sie direkt ein KI-Tool, das lokale Kontextinformationen unterstützt (wie Cursor, selbst wenn Sie kein Code schreiben, sondern es nur zur Erstellung von Markdown-Dokumenten und zur Datenanalyse nutzen, ist es noch immer überlegen), öffnen und der KI den Befehl geben:

"Bitte analysieren Sie anhand der @Meetingprotokolle und @der Analyse der fehlgeschlagenen Fälle drei Optimierungsrichtungen. Und überprüfen Sie, ob diese Richtungen alle fehlgeschlagenen Fälle abdecken."

Beachten Sie, wie vollständig der Kontext ist, den die KI in diesem Moment erhält: Sie weiß, warum es geändert werden muss (im Meetingprotokoll steht es), weiß die konkreten Fehlermuster (in den Analysenoten steht es) und weiß, was der Erfolgskriterium ist. Solange Sie ein klares "Erfolgskriterium" (Success Criteria) vorgeben, kann die KI autonom die Logik aufarbeiten, die Daten vergleichen. Selbst wenn Sie mit einer CSV-Datei arbeiten, kann sie selbst ein Python-Skript schreiben, um die Daten auszuwerten, die Diagramme selbst korrigieren und schließlich das Ergebnis direkt an Sie liefern.

Vierter Schritt: Ausgabe des endgültigen Lieferables

Alle Analyseschlussfolgerungen befinden sich jetzt im Ordner. Alles, was Sie tun müssen, ist, die KI zu bitten: "Erstellen Sie anhand aller obigen Diskussionen und Überprüfungsergebnisse einen PRD/Präsentations-PPT-Gliederungsplan, der unserem Teamformat entspricht." Nachdem die KI es erstellt hat, kopieren Sie es in die Confluence oder Feishu Ihres Unternehmens und veröffentlichen es.

Beachten Sie die Umkehr der Reihenfolge: Zuerst die KI, dann der Mensch. Dies ist die tiefste Denkweise-Umstellung im Workflow. Früher war die Gewohnheit, dass "der Mensch zuerst das Dokument schreibt und dann die KI es poliert"; jetzt lautet die Logik, dass "der Mensch strukturierte Kontext-Rohstoffe liefert, die KI die Generierung leitet und der Mensch die endgültige Prüfung und Veröffentlichung übernimmt".

Abschluss: Seien Sie der "Aufgabensteller", nicht der "Aufgabenlöser"

Wenn Sie sich den gesamten oben beschriebenen Prozess ansehen, werden Sie eine grundlegende Rollenumkehr bemerken: Im traditionellen Workflow ist der Produktmanager der "Ausführende", und die KI ist der "Kleinhelfer"; Im neu gestalteten Workflow wird die KI zum Haupt-"Ausführenden", und die Rolle des Menschen wird zum "Architekten", der die Richtung und die Standards festlegt und die Entscheidungen trifft.

Mit anderen Worten, unsere Einstellung zur KI sollte sich von "Lassen Sie die KI einen Text für mich schreiben" zu "Lassen Sie die KI dieses Geschäftsproblem für mich lösen" entwickeln.

Solange Sie der KI genügend reichhaltigen lokalen Kontext geben und klare Erfolgsstandards festlegen, kann sie den Analyse-, Entwurfs- und Überprüfungsprozess vollständig unabhängig durchlaufen. Der Kernwert eines Produktmanagers besteht darin, dass er weiß, in welche Richtung das Produkt gehen sollte und was ein "gutes" Ergebnis ist. Diese hochdimensionale "Urteilsfähigkeit" ist genau das, worauf die KI am meisten von Ihnen angewiesen ist.

Aktionsempfehlung: Die Tools ändern sich ständig. Heute ist es Cursor, morgen könnte es ein integrierteres Produktarbeitsplatz sein. Aber die drei grundlegenden Logiken der Rückkopplungsschleife, der Kontextbereitstellung und der Asset-Akkumulation bleiben gleich. Heute können Sie versuchen, ein laufendes Projekt auszuwählen, einen lokalen Ordner zu erstellen und alle relevanten Forschungsdokumente, Benutzeräußerungen und Meetingprotokolle in Markdown- oder Textform hineinzulegen. Dann widerstehen Sie dem Drang, in das Web-ChatGPT Fragen zu stellen, und beginnen Sie mit einem KI-Tool, das die lokale Arbeitsumgebung unterstützt (wie Cursor, Dify lokale Wissensdatenbank usw.) Ihre Konversation.

Sie werden sofort die Vertrautheit spüren, die Ihre Geschäftsprozesse versteht, jederzeit zur Verfügung steht und ständig verbessert wird. Die Veränderung beginnt mit der Neugestaltung Ihres Arbeitsverzeichnisses.

Dieser Artikel stammt aus dem WeChat-Account "Jeder ist ein Produktmanager" (ID: woshipm), Autor: PM's Training, veröffentlicht von 36Kr mit Genehmigung.