Ein praktischer Blick auf das Skillset eines modernen PM für digitale und physische Plattformen. Als ich kürzlich mit einem PM aus einer großen Tech-Firma sprach, wurde mir klar, wie schnell sich die Anforderungen an diese Rolle ändern...
Ein praktischer Blick auf das Skillset eines modernen PM für digitale und physische Plattformen
Als ich kürzlich mit einem PM aus einer großen Bank sprach, sagte er etwas, das mich stutzen ließ: „KI nutze ich nur zum Schreiben von E-Mails.“ Dabei erreichen seine Konkurrenten schon heute durch die Integration von KI in den ganzen Produktprozess 40 % höhere Produktivität. In fünf Jahren wird dieser Unterschied existenziell sein.
Die Daten von McKinsey, Gartner und BCG sind eindeutig. 72 % der Data Leader befürchten, dass ihre Organisationen den Wettbewerbsvorteil verlieren, wenn sie KI nicht übernehmen. Trotzdem arbeitet die Mehrheit der Product Manager noch mit Methoden von 2020.
Das Problem: Der traditionelle PM-Ansatz genügt nicht mehr
Der Abstand zwischen KI-Vorreitern und Nachzüglern wächst dramatisch. Die Daten von McKinsey zeigen, dass sich die Lücke in der KI-Reife zwischen Leadern und Nachzüglern in drei Jahren um 60 % vergrößert hat. Digitale und KI-Vorreiter erzielen heute einen 2 bis 6× höheren Total Shareholder Return als ihre Konkurrenten.
Die Risiken der Nichtübernahme sind konkret und messbar. Product Manager ohne KI-Kompetenzen sehen sich 40 % geringerer Produktivität, einem um 5 % langsameren Time-to-Market und der wachsenden Unfähigkeit gegenüber, mit Teams zu konkurrieren, die KI in die tägliche Arbeit integrieren.
Unternehmen, die nicht in die KI-Kompetenzen ihrer PM-Teams investieren, geraten in die Falle der Stagnation. Während ihre Konkurrenten Routineaufgaben automatisieren und KI für strategische Entscheidungen nutzen, bleiben sie in manuellen Prozessen gefangen, die immer teurer und langsamer werden.
Die Lösung: Fünf zentrale KI-Kompetenzen für einen modernen PM
Nach Untersuchungen von McKinsey, Gartner und Product School muss jeder Product Manager fünf grundlegende Bereiche beherrschen. Es geht nicht darum, Data Scientist zu werden, sondern KI so weit zu verstehen, dass man sie strategisch nutzen kann.
AI & Data Literacy bedeutet zu verstehen, wie KI-Modelle funktionieren, welche Daten sie brauchen und wo sie versagen können. Es geht nicht um technische Details, sondern um die Fähigkeit zu erkennen, welche Probleme sich für KI-Lösungen eignen und wie man die Qualität der Ergebnisse sichert.
Analytical Thinking & AI-Powered Decisions steht für den Übergang von intuitiver Entscheidung zu einem Data-driven-Ansatz. Ein moderner PM muss KI-Analysen interpretieren, Experimente für AI-driven Features entwerfen und KI-Ergebnisse in die Produktstrategie übersetzen können.
AI Tool Fluency & Integration umfasst die praktische Kenntnis generativer KI-Tools von ChatGPT bis zu spezialisierten PM-Plattformen. Es geht um die Fähigkeit, diese Tools in den täglichen Workflow zu integrieren und für die Automatisierung von Routineaufgaben zu nutzen.
Strategic AI Product Development handelt vom Entwurf von Produkten, die KI als Wettbewerbsvorteil nutzen. Der PM muss bei der Arbeit mit Data-Science- und ML-Teams Accuracy, Latency, Kosten und User Experience ausbalancieren können.
Responsible AI Awareness deckt ethische Aspekte, den Umgang mit Biases und Compliance mit Regulierungen ab. In einer Zeit, in der KI-Entscheidungen Millionen Nutzer betreffen, ist die Verantwortung für Transparenz und Fairness entscheidend.
Ergebnisse: Messbare Wirkung auf das Geschäft
Die Zahlen sprechen klar. Eine McKinsey-Studie zeigte eine Steigerung der PM-Produktivität um 40 % bei der Nutzung generativer KI-Tools und eine Beschleunigung des Time-to-Market um 5 % über einen sechsmonatigen Produktzyklus. Alle Teilnehmer der Studie meldeten eine 100%ige Verbesserung der Kundenerfahrung.
Auf makroökonomischer Ebene kann KI bis 2030 0,5 bis 0,9 Prozentpunkte zum jährlichen Produktivitätswachstum beitragen. Unternehmen, die sich zur KI-Transformation verpflichten, können in 2 bis 3 Jahren 15 bis 20 % Verbesserung der digitalen Reife und 10 bis 20 % Zuwachs beim EBIT in gezielten Domänen erreichen.
Case Studies: Konkrete Zahlen aus der Praxis
Die besten Belege kommen von Unternehmen, die die KI-Integration ernst genommen haben. Ihre Ergebnisse zeigen, was möglich ist, wenn KI Teil der DNA des Produktteams wird.
Klarna: Warnung vor übereilter KI-Implementierung
Klarna wurde zum Lehrbuchbeispiel dafür, wie man KI nicht in Produktprozesse bringt. Im Jahr 2022 entließ sie 700 Mitarbeiter und ersetzte sie durch KI-Systeme. CEO Sebastian Siemiatkowski behauptete, KI schaffe alles vom Customer Support bis zu Executive-Entscheidungen.
Die Realität war eine andere. Bis 2024 sah sich Klarna mit einer Zunahme von Kundenbeschwerden, sinkender Zufriedenheit und der Frustration der Nutzer über generische KI-Antworten konfrontiert. KI-Systeme versagten bei komplexeren Problemen, die Empathie und menschliches Verständnis verlangen. Der CEO räumte später ein: „Wir sind zu weit gegangen“, und das Unternehmen stellt jetzt aktiv wieder Menschen ein.
Toyota: Durchdachte KI-Integration
Toyota steht für den entgegengesetzten Ansatz, die durchdachte KI-Integration. Das Unternehmen nutzt KI zur Optimierung der Produktion und hat durch Automatisierung 10.000 Stunden im Jahr gespart. Generative KI ersetzt physische Handbücher, was bei Millionen Fahrzeugen Materialeinsparungen bringt. Der Hybrid-Cloud-Ansatz bei der KI-Infrastruktur senkt zudem die Investitionen in Facilities.
General Mills: KI als Werkzeug, nicht als Ersatz
General Mills setzte KI-Modelle zur Optimierung der Supply Chain ein und erzielte seit dem Geschäftsjahr 2024 Einsparungen von über 20 Mio. Dollar. Echtzeit-Leistungsdaten in der Produktion bringen eine geplante Verringerung der Verschwendung um 50 Mio. Dollar und 20 bis 30 % weniger Produktionsabfall, was fast 20 Mio. Dollar jährliche Einsparungen bedeutet. Der Schlüssel ist, dass die künstliche Intelligenz als Werkzeug zur Verbesserung menschlicher Entscheidungen genutzt wird, nicht als deren Ersatz.
Die Zukunft: Framework für den AI-enabled PM
Die Transformation des Product Managements betrifft nicht nur Tools, sondern eine grundlegende Änderung der Denkweise. Bis 2030 werden alle Product Manager de facto AI Product Manager sein. Der Unterschied wird darin liegen, wer jetzt beginnt, in diese Kompetenzen zu investieren.
Das Framework des künftigen PM verbindet traditionelles Business Acumen mit AI Fluency, Customer Insights mit Agile Leadership. Es geht nicht um den Ersatz bestehender Fähigkeiten, sondern um ihre Erweiterung um die KI-Dimension.
Ein Aufruf an die Führung
Die Zeit zu handeln ist jetzt. Jeder Monat Verzögerung bedeutet eine größere Lücke, die aufgeholt werden muss. Wer heute nicht beginnt, in die KI-Skills seiner PM-Teams zu investieren, hat in fünf Jahren ein existenzielles Problem.
Die konkreten Schritte sind klar: Investieren Sie in KI-Upskilling der PM-Teams, definieren Sie die Hiring-Kriterien für AI-fluent Kandidaten neu, statten Sie die Teams mit den richtigen KI-Tools aus und schaffen Sie eine Kultur der AI-driven Entscheidungen.
Die Frage ist nicht, ob KI zum Standard im Product Management wird. Die Frage ist, ob Sie zu denen gehören, die diese Veränderung anführen, oder zu denen, die ihr hinterherlaufen.
Der Artikel ist ursprünglich auf LinkedIn erschienen. Originalartikel auf LinkedIn
