Ich bin schon über 30 Jahre alt, ist es noch nicht zu spät, um zum KI-Produktmanager zu wechseln?

Mit 33 Jahren zum KI-Produktmanager wechseln – die Wurzel der Angst liegt nicht im Alter, sondern darin, dass man die Unterschiede der Stellen und den Wert der eigenen Erfahrungen nicht klar erkannt hat. In diesem Artikel werden die Kernanforderungen von drei Arten von KI-Produktstellen aufgeschlüsselt, anhand des Beschaffungsszenarios erläutert, wie alte Erfahrungen umgesetzt werden können, und ein Transformationspfad von der Beweiserhebung bis zur kleinskaligen Validierung gegeben, der Ihnen hilft, die Kosten zu berechnen und die richtige Richtung zu finden.

Die Antwort ist ungewiss, es hängt davon ab, wie Sie sich vorbereiten.

Die Stellenbezeichnungen in dieser Branche sind sehr unscharf: Acht von zehn ausgeschriebenen Stellen heißen „KI-Produktmanager“, aber wenn man hineinschaut, unterscheiden sich die Aufgaben stark. Die Unsicherheit beruht zu einem großen Teil darauf, dass man nicht weiß, welchen Wert die alten Erfahrungen in der neuen Stelle eigentlich haben.

Deshalb nenne ich zuerst meine Vorgehensweise: Zuerst die Stelle festlegen, dann über Nachschulung sprechen.

I. KI-Produktmanager ist keine einheitliche Stelle

Wenn Sie Stellenbeschreibungen durchsehen, sollten Sie nicht nur auf den Titel achten. In dieser Branche gibt es mindestens drei Arten von Tätigkeiten unter demselben Namen.

Die erste Kategorie ist die branchenspezifische Anwendung: Die Modelfähigkeiten werden in bestehende Prozesse wie Kundenservice, Beschaffung, Gesundheitswesen und Inhaltserstellung integriert. Diese Stellen legen größten Wert auf das Verständnis der Branche. Die Interviewer werden Sie nach konkreten Prozessen und Ausnahmeszenarien fragen – wenn Sie das nicht beantworten können, ist es vorbei.

Die zweite Kategorie sind Plattformprodukte: Sie befassen sich mit Modellanbindung, Datenverwaltung, Rechtevergabe, Effektbewertung und der Zusammenarbeit mit der Unternehmensseite, und neigen stark zu technischen Lösungen und ingenieurtechnischer Koordination.

Die dritte Kategorie bezieht sich auf Forschung oder Modelle: Gemeinsam mit dem Forschungsteam werden die Fähigkeitsgrenzen definiert, die Ausgabequalität bewertet und die technischen Fähigkeiten in lieferbare Produkte umgewandelt.

Diese Kategorien überschneiden sich im Unternehmen häufig, die Grenzen sind nicht klar gezogen. Aber die Unterschiede sind real. Zwei öffentlich ausgeschriebene Stellen reichen, um das zu verstehen: Die Stelle „Research (Code)“ bei Anthropic ist sehr offen formuliert: Sie erfordert Verständnis für KI/ML, die Fähigkeit, Python und SQL zu schreiben, sowie die Beteiligung an der Produktivsetzung und Bewertung von Modelfähigkeiten. Die Stelle „Enterprise Privacy“ desselben Unternehmens erfordert hingegen Kenntnisse über Datenspeicherung, Zugriffskontrolle, Auditprotokolle und Cloud-übergreifende Verwaltung, außerdem müssen Kompromisse zwischen Kundenanforderungen, Risiken und Ingenieurskosten eingegangen werden. Bei derselben Firma soll man bei der einen Stelle näher am Modell stehen, bei der anderen näher an der Verwaltung.

Hier muss ich einen Dämpfer verpassen. Bei den forschungsorientierten Stellen sind Python und SQL harte Voraussetzungen, keine Zusatzqualifikation – das Aufrufen von APIs reicht nicht aus. Bei den Stellen im Bereich Unternehmensdatenschutz sind Branchenkenntnisse selbst die Eintrittskarte, aber man muss Abstriche machen: Die Antriebskraft kommt von Rechts- und Sicherheitsabteilungen, nicht von Wachstum, das Tempo ist langsam und das Erfolgserlebnis geringer. Diese beiden Stellen lassen sich in China nicht direkt übernehmen, aber die Unterschiede in den Richtungen sind real: Auf welcher Seite Sie früher gearbeitet haben und zu welcher Seite Sie wechseln, die Kosten sind völlig unterschiedlich.

Deshalb ist der erste Schritt beim Berufswechsel nicht, Kurse zu kaufen, sondern die Richtung festzulegen.

Wollen Sie Anwendungen entwickeln oder mit Modellen arbeiten?

Wenn diese Frage nicht geklärt ist, sind alle nachfolgenden Investitionen verstreut.

Die Einstellungsseite lehnt einen Lebenslauf nicht nur wegen des 33. Lebensjahres ab, aber sie gibt Ihnen auch keine Pluspunkte für Selbstvermarktungen wie „Mit 33 Jahren kann ich umsteigen“ – in den Lebensläufen, die ich gesehen habe, hat diese Formulierung nie eine praktische Wirkung gezeigt.

Was Sie nachweisen können, bestimmt, welche Stelle Sie bekommen.

II. Alte Erfahrungen müssen sich auf einen konkreten Fehler beziehen

Lassen Sie uns das am Szenario der Beschaffung näher erläutern.

Wenn eine E-Mail eines Lieferanten eintrifft, muss der Einkäufer sechs bis sieben Punkte prüfen: Modell und Spezifikation, Menge, Einheit, ob der Preis inklusive oder exklusive Steuern ist, Liefertermin und wer den Preis genehmigen kann. Die Aufgabe der KI besteht darin, daraus einen Entwurf einer Anfragepreisliste zu machen. Es sieht aus wie die Umwandlung von Text in strukturierte Daten, aber in Wirklichkeit stecken überall Fallstricke.

Die drei Einheiten „Karton, Stück, Satz“ werden im System oft verwechselt eingetragen. Ein Einkäufer erkennt den Fehler auf einen Blick, das System nicht. Wenn man „inklusive Steuern“ und „exklusive Steuern“ direkt vergleicht, ist die sortierte Reihenfolge falsch. Bei dem Satz „Voraussichtlich Freitag Versand“ ist ein Mensch vorsichtig, das Modell schreibt ihn höchstwahrscheinlich direkt als festen Termin in das Feld für den Liefertermin.

Diese Fallstricke erkennen erfahrene Einkäufer mit verbundenen Augen, Neulinge merken sie erst nach zwei oder drei Fehlern, die Verluste verursachen.

Der erste Wert Ihrer Erfahrungen liegt genau hier: Sie können sagen, in welchem Schritt der Fehler auftritt, wer davon betroffen ist und wen man als Nächstes zur Bestätigung fragen muss. Dieses Urteilsvermögen kann man nicht einfach lernen, es wird durch die praktische Tätigkeit geformt.

Aber freuen Sie sich nicht zu früh. Die Fallstricke benennen zu können, bedeutet nicht, dass Sie definieren können, wie die KI eingesetzt werden soll. Die eigentliche Schwierigkeit liegt in der folgenden Reihe von Fragen: Mit welchen Stichproben wird getestet? Wenn das Modell „voraussichtlich“ als festen Termin interpretiert, wie erkennen Sie den Fehler, anstatt das Modell für richtig halten zu lassen? Kann jedes Feld auf die entsprechende Stelle im Originaltext zurückgeführt werden? Wer ist die prüfende Person, und wer unterschreibt nach der Prüfung? Wenn die Schnittstelle ausfällt, die Rechte unzureichend sind oder Felder fehlen – sieht der Benutzer dann eine Leerstelle oder eine Fehlermeldung?

Diese Fragen können nicht einmal Menschen mit fünf Jahren Erfahrung im B2B-Bereich beantworten. Wenn Sie sie nicht beantworten können, fehlt Ihnen etwas – und das nicht wenig.

Es gibt auch ein häufiges Missverständnis: Man glaubt, dass man bereits grenzüberschreitend tätig ist, wenn man Anforderungsanalysen durchgeführt, Ablaufdiagramme gezeichnet und mit Entwicklern über Anforderungen gestritten hat. Die Grundlagen sind zwar noch nutzbar, aber die Objekte haben sich geändert. Früher hatten Sie es mit Sicherheit zu tun: Der Ablauf ist festgelegt, die Felder sind begrenzt, Sie können alle Fälle aufzählen. Jetzt haben Sie es mit einer Ausgabe zu tun, die selbst Inhalte erfindet – Sie können nicht alle Fälle aufzählen, sondern müssen das Verhalten des Modells nur durch Stichproben und Bewertungen eingrenzen. Wer diese Umstellung nicht praktisch durchgemacht hat, wird beim ersten Mal scheitern.

Das Verständnis für die Ingenieurspraxis ist ebenfalls wichtig. Bei branchenspezifischen Anwendungsstellen reicht es in der Regel, an Diskussionen über Ein- und Ausgaben, Schnittstellenrechte, Bewertungsschemata und menschliche Eingriffe teilzunehmen. Für forschungsorientierte Stellen werden Kenntnisse in Python, SQL und Modellen benötigt – das ist eine ganz andere Angelegenheit.

III. Die Umstellungskosten beginnen mit der Beweiserhebung

Dieser Schritt wird am häufigsten übersprungen, weil alle wissen wollen, „wie lange die Umstellung dauert“. Aber die Zeitkosten der Umstellung liegen nicht in der Dauer des Lernens, sondern darin, wie viele echte Materialien Sie erhalten können.

Es gibt drei Wege, die Kosten steigen von niedrig zu hoch.

Der erste Weg: Suchen Sie einen Ansatzpunkt zum Testen in Ihrer aktuellen Tätigkeit. Sie kennen die Nutzer, die Daten und die Abläufe gut, die Validierungskosten sind am niedrigsten. Voraussetzung ist, dass das Unternehmen tatsächlich von diesem Problem geplagt wird und bereit ist, Daten freizugeben und technische Mitarbeiter zur Zusammenarbeit zu stellen. Wenn Sie auf so eine Situation treffen, zögern Sie nicht und legen Sie direkt los – solche Gelegenheiten sind selten.

Der zweite Weg: Wechseln Sie zu einer KI-Anwendungsstelle in einer angrenzenden Tätigkeit. Mit einem Hintergrund in der Beschaffungskooperation ist es viel realistischer, sich bei Bereichen wie Lieferkette, Unternehmensdienstleistungen, intelligente Dokumentenverarbeitung oder Vertragsverarbeitung zu bewerben, als in einem Internetunternehmen als Algorithmus-Produktmanager zu arbeiten. Die Fachsprache ist dieselbe, die Interviewer verstehen, welche Probleme Sie früher gelöst haben. Aber seien Sie nicht zu optimistisch: Diese Stellen verlangen ebenfalls Erfahrungen in der Bewertung und im Online-Betrieb, Ihre früher erworbenen Plattformfähigkeiten werden nicht automatisch angerechnet.

Der dritte Weg: Wechseln Sie gleichzeitig Branche und Stellenart, um im Bereich Plattform oder Forschung zu arbeiten. Das ist nicht unmöglich, aber Sie müssen zuerst akzeptieren, dass Sie Verluste machen: Sie müssen gleichzeitig zwei Beziehungen neu aufbauen: die neue Branche und die neuen Nutzer, sowie die neue Art der technischen Zusammenarbeit. Die Zeit wird in der Regel in Jahren berechnet, nicht in Monaten.

Dann kommt die Lebensrechnung. Ich empfehle den Leuten im Allgemeinen, diese Punkte zuerst klar zu überdenken, bevor sie handeln: Wie viel Freizeit können Sie investieren? Können Sie autorisierte Stichproben erhalten und technische Kollegen finden, die bereit sind, mitzuarbeiten? Können Sie akzeptieren, dass Ihre Dienstgrad und Ihr Einkommen bei der Stellenumstellung neu bewertet werden? Wie viel Fehlerraum bieten Standort, Familie und die Stabilität Ihrer aktuellen Stelle?

Für diese Punkte gibt es keine Standardantworten, und suchen Sie nicht nach Dingen wie „30-Tage-Umstellungsplan“. Persönliche Prototypen sind nützlich, aber ihre Wirkung muss richtig eingeschätzt werden: Sie beweisen, dass Sie Probleme aufgeschlüsselt und Lösungen validiert haben, aber sie beweisen nicht, dass Sie in Produktivumgebungen gearbeitet haben, große Nutzerzahlen bewältigt haben oder konkrete Geschäftsergebnisse erzielt haben. Was wirklich Zeit kostet, ist das Erhalten von Daten, das Finden von Nutzern, das Verfolgen von Fehlerprotokollen und das Aufbereiten des Prozesses in einer Form, die die Zielstelle verstehen kann.

IV. Machen Sie zuerst eine Arbeit, die überprüft werden kann

Wenn Sie wirklich vorankommen wollen, ist der erste Schritt nicht, ein größeres Demo zu erstellen.

Ich habe schon zu viele Demos gesehen: Sie sind eine Woche lang beeindruckend, aber nach der Inbetriebnahme nutzt sie niemand.

Der erste Schritt besteht darin, den manuellen Prozess klar zu beschreiben. Wie viele E-Mails bearbeitet ein Einkäufer täglich? Welche Felder werden am häufigsten übersehen? Wie lange dauert es derzeit, eine Anfragepreisliste zu prüfen? Welche Informationen müssen unbedingt bei Lieferanten oder der Finanzabteilung bestätigt werden, um festgelegt zu werden? Wenn Sie diese Fragen nicht beantworten können, ist dieses Szenario noch nicht bereit für den Einsatz von KI.

Dann führen Sie eine kleinskalige Validierung mit autorisierten, anonymisierten Stichproben durch und fügen absichtlich fehlerhafte Daten hinzu: fehlende Spezifikationen, uneinheitliche Einheiten, unterschiedliche Steuerberechnungsgrundlagen, unklare Liefertermine. Sie sollten nicht darauf achten, wie schön die Antwort ist, sondern darauf, wie der Fehler aussieht, wenn er auftritt, und ob jemand ihn auffangen kann.

Denken Sie daran, die Grenzen einzuhalten: Erstellen Sie nur Entwürfe mit Bezug zum Originaltext, geben Sie keine Preise an, senden Sie keine Preisanfragen und erstellen Sie keine Bestellungen. Das ist nicht konservativ, sondern wenn in solchen Szenarien einmal ein Fehler auftritt, ist das gesamte Projekt für die Fachabteilung tot.

Dann holen Sie sich zwei oder drei Einkäufer, um die Ergebnisse anzusehen, und stellen Sie drei Fragen: Welche Felder stimmen überein? Welche wurden falsch interpretiert? Wie viel Zeit spart die Prüfung eines Entwurfs tatsächlich?

Das Ergebnis ist höchstwahrscheinlich nicht „vollständige Automatisierung“, sondern „fehlende Punkte im Voraus markieren, mehrere Angebote nebeneinanderlegen, damit die Bestätigung schneller geht“. Letzteres klingt nicht spektakulär, hat aber eine viel höhere Erfolgschance bei der Umsetzung.

An diesem Punkt können Sie eine Entscheidung treffen: Wenn das Problem real ist, die Stichproben verfügbar sind, die Fachabteilung bereit ist, zu prüfen, und die Zielstelle diese Fähigkeiten tatsächlich benötigt, kämpfen Sie um ein internes Pilotprojekt oder eine angrenzende Stelle. Wenn Bewertung und Rechte die größten Lücken sind, ergänzen Sie gezielt die entsprechenden Kenntnisse. Wenn Sie keine Daten erhalten können oder die Nutzer dieses Problem überhaupt nicht haben, wechseln Sie zu einem anderen Ansatzpunkt oder pausieren Sie in dieser Runde.

Kehren wir zum Titel zurück.

Die Frage, ob es eine Zukunft hat, mit 33 Jahren zum KI-Produktmanager zu wechseln, ist zu vage formuliert.

Meine Meinung ist: Nutzen Sie das Alter weder als Filter noch als Antrieb. Dinge, die das Ergebnis wirklich bestimmen, sind nur drei: Wie ist die Definition der Stelle, zu der Sie wechseln wollen? Welche konkreten Fehler können Sie mit Ihren alten Erfahrungen vermeiden? Wie viel Kosten sind Sie bereit, zu investieren, um die verbleibenden Lücken zu schließen? Wenn Sie diese