Ein Artikel, der alle Aspekte von KI-Produktmanagern erschöpfend erläutert: Sechs Kernrichtungen und Transformationsleitfaden

In den letzten zwei Jahren ist eines der beunruhigendsten Themen im Kreis der Produktmanager wahrscheinlich die Frage, ob man sich zum KI-Produktmanager umschulen soll.

Öffnet man Personalbeschaffungs-Apps, so gibt es immer mehr Stellenangebote für KI-Produktmanager: Monatsgehälter von 30.000 bis 40.000 Yuan sind sehr verbreitet, und bei einigen erfahrenen Positionen können die Gehälter sogar 70.000 bis 80.000 Yuan erreichen. Wenn man dann auf die traditionellen Produkte blickt, an denen man seit vielen Jahren arbeitet, kommt man unweigerlich ins Grübeln.

Aber wenn man wirklich Bewerbungen einreichen will, stellt sich heraus, dass die Sache nicht so einfach ist.

Einige Stellen erfordern Kenntnisse über das Training und die Bewertung großer Modelle, andere verlangen Verständnis für Agent, RAG und MCP, und wieder andere setzen mehr als fünf Jahre Erfahrung im Finanzwesen, in der Fertigung oder in Unternehmenssoftware voraus.

Obwohl sie alle als KI-Produktmanager bezeichnet werden, sehen die Einstellungsanforderungen so aus, als handele es sich um völlig unterschiedliche Berufe.

Was noch frustrierender ist: Obwohl man bereits fünf oder sogar zehn Jahre als Produktmanager gearbeitet hat – muss man im KI-Bereich wirklich wieder als Junior-Produktmanager von vorne anfangen?

Diese Besorgnis ist nicht unbegründet.

Der 2026 veröffentlichte Bericht über KI-Talente von Maimai Gaopin zeigt, dass die Zahl der Stellen für KI-Produktmanager von Januar bis Juli dieses Jahres im Vergleich zum Vorjahr um 120,54 % gestiegen ist – die höchste Wachstumsrate unter allen nichttechnischen Positionen.

Die Zahl der Stellen steigt zwar tatsächlich, aber die Chancen werden nicht gleichmäßig auf alle Produktmanager verteilt.

Der Grund ist einfach: Heutige KI-Produktmanager haben sich längst in mehrere völlig unterschiedliche Berufsrichtungen aufgeteilt. Einige erforschen die Fähigkeitsgrenzen großer Modelle, andere beschäftigen sich täglich mit der Nutzerbindung, wieder andere bauen Agenten für Unternehmen, und weitere sind dafür verantwortlich, KI tatsächlich in die Geschäftssysteme der Kunden zu implementieren.

Alle diese Personen werden als KI-Produktmanager bezeichnet, aber ihre tägliche Arbeit, die technischen Hürden, die Gehälter und die zukünftigen Entwicklungsmöglichkeiten unterscheiden sich erheblich voneinander.

Für Produktmanager, die sich umschulen wollen, ist die Wahl der falschen Richtung manchmal problematischer, als vorübergehend nicht umzuschulen.

Heute werfen wir einen systematischen Überblick: Welche Arten von KI-Produktmanagern gibt es eigentlich? Warum ist die Gehaltslücke so groß? Und wie sollen sich traditionelle C-End- und B-End-Produktmanager entscheiden?

01

KI-Produktmanager haben sich in sechs Lager aufgeteilt

Unterteilt nach technischer Ebene des Produkts, Zielgruppe und Arbeitsinhalt lassen sich KI-Produktmanager derzeit grob in sechs Kategorien einteilen.

Erste Kategorie: KI-Nativ-Anwendungs-Produktmanager.

Dies ist die Richtung, die viele Menschen am meisten anstreben.

Hinter KI-Anwendungen wie Doubao, Yuanbao, Kimi, DeepSeek, Qianwen sowie Jimeng und Keling stehen jeweils entsprechende Produktteams.

Das gemeinsame Merkmal dieser Produkte ist, dass das Kern-Erlebnis stark von großen Modellen abhängt. Entfernt man die KI-Funktionen, verschwindet der Hauptwert des Produkts.

KI-Nativ-Produktmanager haben täglich viele Fragen zu bedenken: Warum soll der Nutzer Ihr Produkt verwenden? Warum verlässt er es nach einmaliger Nutzung wieder? Welche Fähigkeiten soll das Modell besitzen? Wann wird eine dialogbasierte Interaktion verwendet, und wann sind Schaltflächen, Leinwände oder andere Bedienverfahren erforderlich?

Es gibt auch ein sehr praktisches Problem: Tokens kosten Geld.

Angenommen, ein Nutzer ruft das Modell Dutzende Male pro Tag auf, und die Kosten übersteigen bereits die Einnahmen aus den Mitgliedschaften – dann wird das Unternehmen umso mehr verlieren, je beliebter das Produkt ist.

Bei traditionellen Internetprodukten konzentrieren sich Produktmanager hauptsächlich auf Traffic, Bindung, Konversion und Kommerzialisierung. Bei KI-Nativ-Anwendungen fehlt keines dieser Probleme, und zusätzlich müssen noch die Modellfähigkeiten und die Inferenzkosten untersucht werden.

Was noch mehr Kopfschmerzen bereitet: Die Modelle werden zu schnell aktualisiert. Eine Funktion, die man mühsam entworfen hat, kann möglicherweise nächsten Monat durch ein einzelnes Modell-Update direkt realisiert werden, sodass das vorherige Produktdesign entsprechend angepasst werden muss.

Diese Stellen erfordern im Allgemeinen ein hohes Maß an technischem Verständnis und Innovationsfähigkeit, insbesondere bei führenden universellen KI-Assistenten.

Unternehmen wie Tencent, Alibaba, ByteDance, Baidu sowie Kimi und DeepSeek investieren kontinuierlich in diese Richtung. Es ist leicht vorstellbar, wie schwierig es für kleine und mittlere Unternehmen ist, auf der Rennbahn der universellen Assistenten mit diesen Unternehmen zu konkurrieren.

Aber bei vertikalen KI-Anwendungen gibt es immer noch Chancen. In Bereichen wie KI-Bildung, KI-Medizin, KI-Design, KI-Begleitung und KI-Recht ist das Verständnis für spezifische Nutzer und Geschäftsszenarien ebenso wichtig.

Für gewöhnliche Produktmanager ist der Einstieg in ein Team für vertikale KI-Anwendungen in der Regel realistischer als der direkte Versuch, in ein Team für führende universelle Assistenten zu gelangen.

Zweite Kategorie: KI+-Produktmanager.

Diese Kategorie ist möglicherweise die Richtung, der traditionelle Internet-Produktmanager die größte Aufmerksamkeit schenken sollten.

Unter KI+ versteht man, dass ein bereits existierendes Produkt mit KI-Funktionen ausgestattet wird.

Zum Beispiel hat Alipay den KI-Assistenten Abao eingeführt, WeChat testet derzeit den nativen KI-Assistenten Xiaowei, und Meituan hat Xiaomei auf den Markt gebracht.

Diese Produkte verfügen bereits über eine große Anzahl von Nutzern, reichhaltige Geschäftsszenarien und ausgereifte Dienstleistungssysteme. Jetzt geht es darum, wie die KI die Nutzeranforderungen verstehen und dann die ursprünglichen Funktionen aktivieren kann.

Ein Beispiel:

Früher wollte der Nutzer in WeChat Essen bestellen: Er musste das entsprechende Mini-Programm finden, nach Händlern suchen, Produkte auswählen und die Bestellung bestätigen.

Mit einem KI-Assistenten muss der Nutzer möglicherweise nur einen Satz sagen: „Bestell mir ein Mittagessen in der Nähe mit guter Bewertung, das weniger als 30 Yuan kostet.“

Hinter einem scheinbar einfachen Satz verbirgt sich eine ganze Kette von Schritten: Absichtsverstehen, Händlersuche, Dienstaufruf, Nutzerbestätigung, Zahlungsberechtigungen und vieles mehr.

Es gibt noch kompliziertere Dinge.

Wenn die KI für den Nutzer das falsche Essen bestellt oder eine Verbrauchsrechnung falsch berechnet, wie soll die Verantwortung verteilt werden? Welche Vorgänge können von der KI automatisch ausgeführt werden, und welche müssen unbedingt vom Nutzer bestätigt werden?

Bei der Entwicklung solcher Produkte ist es natürlich wichtig, das Modell zu kennen – aber die jahrelang gesammelten Geschäftserfahrungen, Nutzergewohnheiten und das Risikobewusstsein sind oft noch wichtiger.

Aus diesem Grund bin ich der Meinung, dass die meisten traditionellen C-End-Produktmanager sich bei der Umschulung vorrangig auf KI+-Stellen konzentrieren sollten.

Ihre Nutzererkenntnisse, Interaktionsdesigns, Wachstumserfahrungen und Branchenkenntnisse können weiterhin wirken. Es ist nicht notwendig, alle bisher gesammelten Erfahrungen über den Haufen zu werfen, um sich in den KI-Bereich umzuschulen.

Dritte Kategorie: Enterprise-KI/Agent-Produktmanager.

Diese Richtung ist nicht so populär wie die universellen KI-Assistenten, aber sie ist möglicherweise die realistischste Umschulungschance für eine große Anzahl von B-End-Produktmanagern.

Heutzutage diskutieren viele Unternehmen die Entwicklung eigener Agenten.

Finanzunternehmen wollen KI für die Unterstützung bei der Versicherungsannahme und Schadenregulierung nutzen, Fertigungsunternehmen wollen KI zur Optimierung von Produktion und Lieferkette einsetzen, und Einzelhandelsunternehmen wollen mit KI die Effizienz von Kundenservice, Vertrieb und Betrieb steigern.

Oberflächlich betrachtet scheinen alle diese Anforderungen durch große Modelle gelöst werden zu können.

Bei der praktischen Implementierung fangen die Probleme aber erst an.

Zum Beispiel möchte eine Versicherungsgesellschaft, dass die KI einen Teil der Schadenregulierungsgeschäfte automatisch bearbeitet.

Sie müssen zuerst den Schadenregulierungsprozess verstehen, wissen, welche Unterlagen von Menschen geprüft werden müssen, welche Regeln streng eingehalten werden müssen, welche Daten nicht beliebig aufgerufen werden dürfen, und auch überlegen, wie zu verfahren ist, wenn die KI falsche Antworten gibt.

Nach der Erstellung eines Demos ist das Projekt meistens erst im ersten Schritt angelangt.

Danach folgen Systemintegration, Berechtigungsverwaltung, Datensicherheit, Mitarbeiterschulung, Kundenabnahme und schließlich die ROI-Bewertung.

Traditionelle Produktmanager sind es gewohnt, über Nutzererfahrung zu diskutieren – Enterprise-KI-Produktmanager müssen dem Chef möglicherweise oft eine sehr einfache Frage beantworten:

„Wir haben so viel Geld für KI ausgegeben – wie viel Geld hat das Unternehmen dadurch eigentlich eingespart?“

Hier gibt es eine bemerkenswerte Veränderung.

Früher fanden viele B-End-Produktmanager, dass ihre Arbeit nicht besonders „attraktiv“ war. Sie beschäftigten sich täglich mit ERP, CRM, OA und Genehmigungsabläufen – das war bei weitem nicht so glamourös wie die Arbeit an Sozial-, Inhalts- oder Konsumprodukten.

Im Zeitalter der Agenten hat sich die Situation geändert.

Was Unternehmen am dringendsten brauchen, sind genau die Menschen, die die Geschäftsprozesse wirklich verstehen, die Branchenregeln kennen und wissen, wie Systeme miteinander verbunden werden.

Ein Produktmanager, der seit acht Jahren an Lieferkettenprodukten arbeitet, versteht das Modelltraining vielleicht nicht – aber er weiß, wie Beschaffung, Lagerbestand, Logistik und Abrechnung zusammenwirken. Wenn er für den Lieferketten-Agenten zuständig ist, ist sein Geschäftsverständnis möglicherweise viel tiefer als das eines Neulings, der gerade erst gelernt hat, Agenten zu bauen.

Natürlich kann das Geschäftsverständnis die technischen Fähigkeiten nicht ersetzen. Man muss zumindest wissen, wie Agenten Tools aufrufen, wie sie Unternehmenswissen abrufen, wie Berechtigungen gesteuert werden und wie die tatsächliche Wirkung bewertet wird.

Hier ist auch eine schnell wachsende neue Stelle zu erwähnen: FDE, Frontline Deployment Engineer.

Daten von Maimai zufolge ist die Zahl der Stellen für FDE und Vor-Ort-Bereitstellungsingenieure von Januar bis Juli 2026 im Vergleich zum Vorjahr um 1522,73 % gestiegen.

Der Anstieg ist tatsächlich erstaunlich – aber man muss auch berücksichtigen, dass die ursprüngliche Basis der neuen Stellen sehr klein war.

FDE-Mitarbeiter müssen in der Regel vor Ort beim Kunden sein, um KI-Funktionen in echte Geschäftssysteme zu integrieren. Viele Stellen erfordern außerdem, dass sie selbstständig Code schreiben und die technische Implementierung abschließen können.

Es gibt deutliche Überschneidungen mit den Enterprise-Agent-Produktmanagern, aber es handelt sich nicht um dieselbe Stelle. Wenn Produktmanager sich zu FDE umschulen wollen, müssen sie ihre praktischen Ingenieurskompetenzen ernsthaft ausbauen.

Vierte Kategorie: KI-Plattform- und Entwickler-Produktmanager.

Wenn die ersten drei Kategorien hauptsächlich auf Endnutzer und Unternehmenskunden abzielen, dann sind viele der Nutzer, die diese Kategorie bedient, selbst Entwickler.

Repräsentative Produkte umfassen Kouzi, Dify, Ali Bailian, Volcano Ark sowie KI-Entwicklungstools wie TRAE und Qoder.

Sie müssen das Problem lösen, dass andere Menschen KI-Anwendungen bequemer entwickeln können.

Zum Beispiel: Ein Unternehmen möchte einen eigenen Kundenservice-Agenten bauen – wie importiert es die Wissensdatenbank? Wie konfiguriert es Workflows? Wie bindet es externe Tools ein? Wenn die Aufrufzahlen plötzlich stark ansteigen, wie stellt es die Stabilität sicher und kontrolliert die Kosten?

Bei KI-Programmierwerkzeugen lauten die Fragen dann wieder: Wie versteht man den Projektcode? Wie ändert man mehrere Dateien? Wie führt man Aufgaben aus und überprüft sie? Wie reduziert man wiederholte Eingriffe durch Entwickler?

Diese Stellen haben ein Merkmal: Entwickler lassen sich nicht leicht täuschen.

Gewöhnliche Nutzer finden eine Funktion möglicherweise schon nutzbar, aber Entwickler achten sehr auf API-Design, Aufruflatenz, Fehlermeldungen, Kompatibilität, Stabilität und Kosten.

Daher ist die Hürde für das technische Verständnis bei Plattform-Produktmanagern relativ hoch.

Wenn Sie in der Vergangenheit Produkte wie Low-Code, Daten-Middle-Plattformen, Cloud-Dienste, Entwicklertools oder API-Plattformen entwickelt haben, wird die Umschulung relativ reibungslos verlaufen.

Wenn Sie überhaupt keinen technischen Hintergrund haben und nur deshalb Bewerbungen einreichen, weil Sie denken, dass KI-Plattformen hohe Gehälter zahlen, werden Sie wahrscheinlich nicht einmal die technischen Fragen im Vorstellungsgespräch beantworten können.

Fünfte Kategorie: Großmodell-Produktmanager.

Diese Produktmanager sind der Modellentwicklung am nächsten und werden von Laien am leichtesten missverstanden.

Viele Menschen glauben, dass Großmodell-Produktmanager für die Gestaltung von Produkten wie ChatGPT zuständig sind.

Die tatsächliche Arbeit kann völlig anders aussehen.

Zum Beispiel muss der Produktmanager, der für ein bestimmtes großes Modell zuständig ist, beurteilen, welche Fähigkeiten das Modell in der nächsten Phase vorrangig verbessern soll.

Ist es Programmierfähigkeit, mathematische Inferenz oder Tool-Aufruf? Wie erstellt man einen Bewertungsdatensatz? Welche Szenarien sind nach der Modellaktualisierung besser geworden, und welche haben sich verschlechtert?

Wenn das Modell Unsinn redet, müssen Produktmanager gemeinsam mit dem Algorithmus- und Datenteam das Problem analysieren und beurteilen, ob Prompts, Toolketten, Trainingsdaten oder das Modell selbst optimiert werden sollen.

Hier werden sehr hohe Anforderungen an technisches Verständnis, Datenanalyse und Modellbewertungsfähigkeiten gestellt.

Was die Gehaltsobergrenze betrifft, sind erfahrene Stellen im Zusammenhang mit großen Modellen tatsächlich sehr attraktiv.

Aber für die meisten traditionellen Produkt