Wie steigt man als AI-Produktmanager in die Branche ein? Alle Tätigkeitsbereiche, Kernkompetenzen und Transformationspfade werden auf einmal vollständig klar erläutert.

"Kenntnis von KI" im Lebenslauf nützt nichts – was wirklich wertvoll ist, ist die Fähigkeit, ein echtes Problem zu einem funktionsfähigen, bewertbaren und stetig verbesserbaren Produkt zu machen. KI-Produktmanager sind keine Schnittstellenaufrufer, sondern Personen, die beurteilen, "welche Probleme an Maschinen übergeben werden sollen und welche weiterhin von Menschen verantwortet werden": Ausgehend von den Geschäftszielen teilen sie Eingabe-Verarbeitung-Ausgabe auf, wählen technische Pfade aus, bereiten echte Daten vor und gestalten Mechanismen für Mensch-Maschine-Kooperation und Ausfallsicherheit.

In letzter Zeit ist die Zahl der Menschen in meinem Umfeld, die sich für eine Tätigkeit als KI-Produktmanager umorientieren wollen, deutlich gestiegen.

Einige probieren nach Feierabend verschiedene KI-Tools aus, andere belegen Kurse für maschinelles Lernen und große Sprachmodelle, wieder andere überarbeiten ihre Lebensläufe, um die Angabe "Kenntnis von KI" auffälliger zu platzieren. Auf Stellenplattformen tauchen immer mehr Berufsbezeichnungen auf: KI-Anwendungen, intelligente Assistenten, Empfehlungssysteme, Computer Vision, Sprachprodukte, Roboter – es scheint, als ob jede Richtung mit KI zu tun hat.

Wenn man sich wirklich auf ein Vorstellungsgespräch vorbereitet, merken viele, dass sich die Frage schnell von "Kann ich KI verwenden?" zu etwas anderem wandelt:

Welches genaues Problem soll KI in einer bestimmten Stelle eigentlich lösen? Wie tief muss ein Produktmanager das verstehen? Kann man ohne Algorithmus-Hintergrund in diese Branche einsteigen? Können die bisherigen Produkterfahrungen noch weiter wirken?

Diese Fragen kommen der tatsächlichen Arbeit eines KI-Produktmanagers näher als das Auswendiglernen vieler Fachbegriffe.

KI-Produktmanager arbeiten an der Schnittstelle zwischen einem ganzen Spektrum von Technologien und Geschäftsprozessen

Die Berufsbezeichnung "KI-Produktmanager" deckt einen größeren Bereich ab, als viele Menschen annehmen.

Für Suche, Empfehlung, Risikoprüfung, Sprache, Bilderkennung, maschinelles Lernen, Roboter, intelligentes Fahren und Anwendungen großer Sprachmodelle werden alle Produktmanager benötigt. Bei unterschiedlichen technischen Ausprägungen verändert sich auch die Produktarbeit.

Bei der Arbeit an Empfehlungsprodukten muss man Nutzerverhalten, Inhaltsmerkmale und Sortierstrategien verstehen und beobachten, wie das System Klicks, Verweildauer und Konversion beeinflusst. Bei Sprachprodukten muss man die Auswirkungen unterschiedlicher Akzente, lauter Umgebungen und Erkennungsfehler auf die Nutzer berücksichtigen. Bei visuellen Produkten hat man es mit Datenerfassung, Annotationsqualität, Lichtveränderungen und Fehlalarmen bzw. nicht erkannten Fällen zu tun. Bei Roboterprodukten muss man neben der Modellleistung auch die Beziehung zwischen Hardware, Umgebung, Bewegungen und Sicherheit verarbeiten.

Große Sprachmodelle sind nur eine Technologieart, die in den letzten Jahren die größte Aufmerksamkeit erhalten hat. Sie haben die Interaktionsweise von KI-Produkten verändert, aber die grundlegenden Probleme, denen sich Produktmanager stellen müssen, nicht aufgehoben:

Welche Aufgabe soll der Nutzer erledigen?

Kann das System sie stabil ausführen?

Was passiert, wenn das Ergebnis falsch ist?

Wer trägt die Kosten des Fehlers?

Warum ist das Unternehmen bereit, kontinuierlich zu investieren?

Wenn es keine Antworten auf diese Fragen gibt, spielt es keine Rolle, welches Modell in das Produkt integriert ist.

Kompetenzmodell: Aus der Beurteilung realer Probleme entstehend

KI-Produkte beginnen oft von der Technologie aus.

Das Team hat ein Modell in der Hand und sucht dann nach einem Anwendungsfall. Man sieht, dass das Produkt eines anderen online gegangen ist, und will auch eine ähnliche Funktion entwickeln. Der Nutzer fragt "Können wir nicht einen intelligenten Assistenten hinzufügen?", und die Anforderung wird direkt in die Planung aufgenommen.

Wirklich wertvolle Chancen ergeben sich meist aus konkreten, sich wiederholenden Tätigkeiten.

Warum verbringen Qualitätskontrolleure mehrere Stunden damit, dasselbe Bauteil zu beobachten? Warum müssen Kundendienstmitarbeiter nach Ende eines Gesprächs die Informationen noch einmal zusammenstellen? Warum müssen Vertriebsmitarbeiter Aufnahmen wiederholt anhören? Welche Tätigkeiten von Ärzten, Anwälten, Lehrern und Betriebsmitarbeitern hängen ständig von manueller Auswahl, Vergleich, Klassifizierung und Beurteilung ab?

In diesen Fragen liegt meist schon die Produktrichtung.

Was Produktmanager beobachten müssen, ist nicht nur, dass der Nutzer sagt "Ich möchte KI", sondern vielmehr, wie der Nutzer derzeit arbeitet, wo am meisten Zeit verbraucht wird, wo am leichtesten Fehler auftreten und welche Auswirkungen ein Fehler hat.

Einige Probleme lassen sich mit Regeln lösen, einige erfordern Vorhersagemodelle, einige eignen sich für Sprach- oder Visualisierungstechnologien und andere erst für große Sprachmodelle. Die Technologiewahl sollte sich an der Aufgabe orientieren, statt die Aufgabe der Technologie anzupassen.

Zuerst die veränderbaren Arbeitsabschnitte finden

Ein lohnenswerter KI-Anwendungsfall weist meist mehrere Merkmale auf: Die Aufgabe tritt häufig auf, die Menge der zu verarbeitenden Informationen ist groß, es gibt wiederholende manuelle Tätigkeiten, die Ergebnisse lassen sich prüfen und es gibt Abhilfemaßnahmen, wenn das System einen Fehler macht.

Das bedeutet nicht, dass alle wiederholenden Tätigkeiten für die Automatisierung geeignet sind.

Wenn ein Fehler direkt schwere Verluste verursacht, das System aber keine Prüf- und Übernahmeverfahren hat, kann KI das Problem nur vergrößern. Wenn eine Aufgabe sehr selten auftritt, können die Trainings- und Wartungskosten höher sein als die manuelle Bearbeitung. Wenn die Daten selbst ungeordnet sind, kann auch das stärkste Modell nur instabile Ergebnisse liefern.

Die erste Fähigkeit eines KI-Produktmanagers besteht darin, zu beurteilen, welche Probleme an Maschinen übergeben werden sollen und welche weiterhin von Menschen verantwortet werden.

Anschließend "Effizienzsteigerung" zu prüfbaren Zielen umwandeln

"Effizienzsteigerung durch KI" ist keine Produktanforderung.

Konkretere Ziele könnten lauten: Den Kundendienstmitarbeitern 5 Minuten weniger Zeit für die Zusammenstellung von Aufzeichnungen nach Gesprächsende zu geben, sodass die Qualitätskontrolleure nicht mehr jede Produktcharge stichprobenartig prüfen, sondern das System zuerst verdächtige Proben aussortiert, sodass Vertriebsmitarbeiter nach Ende eines Anrufs schnell die vom Kunden betrachteten Probleme und anstehenden Aufgaben einsehen können.

Nachdem die Ziele klar definiert sind, gibt es eine Grundlage für technische Pfade, Interaktionsabläufe und Bewertungsverfahren.

Produktmanager müssen außerdem im Voraus definieren, was "gut gemacht" bedeutet. Einige Produkte messen die Genauigkeit, andere die Trefferquote, wieder andere die Antwortgeschwindigkeit, Stabilität, Kosten und die Übernahmerate durch Menschen. Für unterschiedliche Geschäftsbereiche kann nicht dasselbe Kennzahlensystem verwendet werden, und man kann nicht nur ein einziges Demonstrationsergebnis nutzen, um zu beweisen, dass das Produkt funktioniert.

Schließlich die Technologie in den vollständigen Ablauf integrieren

KI erledigt selten eine Tätigkeit alleine.

Sie muss meist mit Daten, Berechtigungen, manuellen Prüfungen, Geschäftssystemen und nachfolgenden Aktionen verbunden werden. Wer überprüft das Ergebnis, nachdem das System eine Anomalie erkannt hat? Kann der Nutzer das Ergebnis ändern, nachdem das Modell eine Empfehlung ausgegeben hat? Beeinflusst ein Fehler bei der Sprachtranskription Verträge oder Angebote? Wenn die Wissenssuche keine Antwort findet, weigert sich das System zu antworten oder generiert es weiter?

Diese Gestaltungen bestimmen, ob KI wirklich in den Geschäftsprozess aufgenommen werden kann.

Dass ein Modell eine Antwort liefern kann, bedeutet nicht, dass das Produkt fertig ist. Das Produkt muss außerdem dafür sorgen, wie die Antwort entsteht, bestätigt, geändert wird und wie Fehler protokolliert werden.

Arbeitsablauf: Der Fokus liegt auf der Validierung, nicht auf der Präsentation

Der Entwicklungsprozess von KI-Produkten weist Ähnlichkeiten mit dem gewöhnlicher Produkte auf, aber die Validierungsverfahren sind unterschiedlich.

Ausgehend von den Geschäftszielen

Produktmanager müssen zuerst festlegen, was genau das Projekt verändern soll: Die Bearbeitungszeit verkürzen, die Personalkosten senken, die Erkennungsgenauigkeit steigern, die Konversion erhöhen oder einen bisher nicht skalierbaren Dienst nutzbar machen.

Wenn die Geschäftsziele unklar sind, wird es leicht passieren, dass später "die Modellleistung gut ist", aber niemand weiß, welches Problem sie eigentlich löst.

Die Nutzeraufgabe in Eingabe, Verarbeitung und Ausgabe aufteilen

Eine Tätigkeit des Nutzers umfasst meist mehrere Schritte.

Beispielsweise muss ein Kundendienstmitarbeiter bei der Bearbeitung eines Tickets möglicherweise das Gespräch lesen, die Problemart beurteilen, Schlüsselinformationen extrahieren, historische Aufzeichnungen abfragen und dann die Inhalte in das System eingeben. KI muss nicht den gesamten Ablauf übernehmen, sondern eignet sich möglicherweise nur für den am meisten wiederholten und zeitaufwendigsten Teil.

Erst nach dieser Aufteilung kann der Produktmanager beurteilen, welche Technologie verwendet werden soll und welche Abschnitte unbedingt manuelle Beurteilung erfordern.

Technischen Pfad auswählen

KI-Technologien umfassen maschinelles Lernen, tiefes Lernen, Verarbeitung natürlicher Sprache, Spracherkennung, Computer Vision, Empfehlungssysteme und große Sprachmodelle.

Produktmanager müssen nicht jeden Algorithmus selbst implementieren, aber sie müssen ihre grundlegenden Fähigkeiten und Grenzen verstehen. Die Bilderkennung löst das Problem "Was sehe ich?", die Spracherkennung löst das Problem "Was höre ich?", das Empfehlungssystem löst das Problem "Wem was empfehlen?", Vorhersagemodelle konzentrieren sich auf "Was wird als Nächstes passieren?" und große Sprachmodelle sind besser für offene Sprachaufgaben geeignet.

Die Wahl des technischen Pfades hängt von Aufgabe, Daten, Latenz, Kosten und den Folgen von Fehlern ab.

Daten und Bewertungsproben vorbereiten

KI-Produkte können nicht nur anhand von Anforderungsdokumenten abgenommen werden.

Es müssen Daten vorbereitet werden, die der realen Umgebung nahekommen und normale Eingaben, unklare Ausdrücke, Ausnahmefälle und Grenzfälle abdecken. Datenqualität, Annotationsverfahren und Probenverteilung beeinflussen alle das Endergebnis.

Dieser Schritt legt auch viele Probleme offen: Einige Daten wurden überhaupt nicht aufgezeichnet, einige unterliegen Zugriffsbeschränkungen, einige historische Daten sind veraltet, und bei einigen "richtigen Antworten" gibt es selbst keinen einheitlichen Standard.

Produktmanager müssen zusammen mit Algorithmus-, Entwicklungs- und Geschäftsteams bestätigen: Welche Daten dürfen verwendet werden, welche nicht, wer die Ergebnisse beurteilt und welcher Standard erfüllt sein muss, um die Abnahme zu bestehen.

Mensch-Maschine-Kooperation und Ausfallsicherheitsmechanismus gestalten

Fehler von KI lassen sich nicht vollständig beseitigen, daher muss das Produkt einen Pfad für den Fall des Auftretens von Fehlern gestalten.

Ergebnisse mit geringem Risiko können automatisch erledigt werden, Ergebnisse mit hohem Risiko erfordern eine manuelle Bestätigung. Wenn das System keine Grundlage findet, soll es den Nutzer klar darauf hinweisen, statt weiter eine scheinbar vollständige Antwort zu generieren. Wenn das Modell unsicher ist, kann es den Nutzer bitten, Informationen zu ergänzen oder die Aufgabe an einen Menschen übergeben.

Ein gutes KI-Produkt strebt nicht danach, "alles zu können", sondern beschreibt klar seinen kompetenten Bereich und handhabt die Teile, in denen es nicht gut ist, ordnungsgemäß.

Nach der Inbetriebnahme kontinuierlich beobachten

Nach der Veröffentlichung des Produkts muss die Leistungsänderung kontinuierlich verfolgt werden.

Die Eingaben der Nutzer ändern sich, die Daten ändern sich und auch die Geschäftsregeln ändern sich. Das Modell zeigt zu Beginn eine gute Leistung, aber bei größerem Einsatzumfang können Probleme wie zu hohe Kosten, langsamere Antworten oder gehäufte Fehler auftreten.

Daher sind Überwachung, Feedback, Probenrückgewinnung und iterative Bewertung alle Bestandteile des KI-Produkts. Eine einzige Veröffentlichung löst nicht alle Probleme, auch der anschließende stabile Betrieb erfordert die Beteiligung des Produktmanagers.

Umorientierung zum KI-Produktmanager: Eigene Arbeiten sind überzeugender als "Kenntnis von KI"

Viele Menschen bleiben beim Lernen von KI leicht auf der Ebene der Tools stehen: Sie probieren verschiedene Produkte aus, sammeln Anleitungen, lernen neue Konzepte kennen und schreiben dann in ihren Lebenslauf "Vertraut mit großen Sprachmodellen", "Grundkenntnisse im maschinellen Lernen".

Diese Inhalte zeigen, dass man mit KI in Berührung gekommen ist, aber nicht, dass man KI-Produkte entwickeln kann.

Ein effektiverer Weg besteht darin, ein vollständiges Produkt in einem Anwendungsfall zu entwickeln, den man gut kennt.

Man kann mit der vertrautesten und am leichtesten zu beobachtenden Tätigkeit bei der Arbeit beginnen: Zusammenstellung von Sitzungsprotokollen, Klassifizierung von Kundendienst-Tickets, Analyse von Vertriebsanrufen, Inhaltsprüfung, Bildqualitätskontrolle, Wissenssuche, Empfehlungssortierung oder sogar eine seit langem manuell wiederholt bearbeitete Tabellenarbeit.

Das Werk muss nicht sehr groß sein, aber der Prozess muss klar dargestellt werden:

Wie erledigt der Nutzer diese Aufgabe derzeit?

Wo liegt der aufwendigste Abschnitt?

Warum eignet sich KI für die Beteiligung?

Woher kommen die Daten?

Wie werden die Ergebnisse bewertet?

Wer bearbeitet Fehler, wenn sie auftreten?

Was sind die Kosten des Systems und wie wird es gewartet?

Wenn man für eine Stelle im Bereich Bilderkennung arbeitet, sollte man die Erkennungsergebnisse in unterschiedlichen Umgebungen zeigen und erläutern, wie Fehlalarme und nicht erkannte Fälle gehandhabt werden. Wenn man an einem Empfehlungssystem arbeitet, muss man das Empfehlungsziel, das Nutzerfeedback und die Sortierlogik erläutern. Wenn man an Sprachprodukten arbeitet, muss man Geräusche, Akzente und Fachbegriffe berücksichtigen. Wenn man eine Anwendung für große Sprachmodelle entwickelt, muss man die Wissensquellen, den Kontext, die Zitate, die Prüfung und