Die KI-gestützte Produktmanagerin: Wie Dr. Nancy Li KI-Produkte in wenigen Wochen auf den Markt bringt
Lernen Sie Dr. Nancy Lis Rahmenwerk für KI-gesteuerte Produktbereitstellung kennen und erfahren Sie, wie man PM-Arbeit automatisiert, Ideen schnell validiert und KI-Produkte in wenigen Wochen mit messbarem Mehrwert einführt.
Nancy Li
Director of Product, Youtuber, and LinkedIn Top Voice
Führungsrolle in der Branche: Dr. Nancy Li ist eine renommierte Produktdirektorin, YouTuberin und LinkedIn Top Voice im Bereich KI-Produktmanagement.
KI-Projektmanagement: KI verändert die Projektausführung, indem der Fokus stärker auf Entscheidungsfindung statt auf reine Dokumentation gelegt wird.
Automatisierung von Aufgaben: Die Automatisierung zentraler Produktmanagement-Aufgaben spart erheblich Zeit und steigert Effizienz sowie Produktivität.
KI-Produkt-Lebenszyklus: Ein strukturiertes KI-Produkt-Rahmenwerk beschleunigt die Markteinführung und stellt sicher, dass KI-Anwendungen echten Mehrwert bieten.
Zukunft der Rollen: KI wird einige Rollen ersetzen, hebt aber die Bedeutung qualifizierter, KI-gestützter Produktmanager hervor.
Dr. Nancy Li ist eine anerkannte Director of Product, YouTuberin und LinkedIn Top Voice. Sie gründete den Product Manager Accelerator, zwei KI-Produkte sowie das AI Product Management Bootcamp — Letzteres verantwortete den Launch von über 40 echten KI-Produkten.
Wir haben sie getroffen, um herauszufinden, wie sie das schafft. Sie hat uns ihr Framework für schnelle und effektive Projektabwicklung vorgestellt.
Produktmanager ausbilden
Ich habe den Product Manager Accelerator gegründet, der mehr als 1.500 Produktmanager:innen geholfen hat, ihre Traum-PM-Jobs bei FAANG-Unternehmen und Unicorn-Startups zu bekommen — und befördert zu werden zu Produktleiter:innen. Außerdem habe ich das AI Product Management Bootcamp ins Leben gerufen, das den Launch von 40 echten KI-Produkten ermöglicht hat.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Kürzlich haben wir für unsere Teilnehmer:innen zwei KI-Produkte entwickelt: AI Study Companion und AI Interviewer Copilot. Diese werden derzeit von PM Accelerator-Studierenden genutzt, und wir planen, die Produkte 2026 für externe Nutzer:innen zu veröffentlichen.
Ich war zudem eine der jüngsten Engineering-Promovierten an der BU und bin Alumna der MIT Sloan School of Business. Ich bin preisgekrönte Director of Product und YouTuberin. Ich wurde in Forbes vorgestellt und bin LinkedIn Top Voice.
Wie KI die Projektabwicklung vom Artefakt zur Entscheidung verändert
Durch KI wandelt sich die Projektabwicklung vom reinen Erstellen von Artefakten hin zu fundierten Entscheidungen. Wir verbringen weniger Zeit mit Dokumentation und Koordination und mehr Zeit damit, die richtigen Probleme zu identifizieren, Annahmen zu validieren und KI-gestützte Workflows zu designen.
Durch KI verändert sich die Projektabwicklung vom Produzieren von Artefakten hin zu fundierten Entscheidungen.
Es geht schneller, ist iterativer und dreht sich zunehmend darum, Menschen und KI gemeinsam zu orchestrieren — statt Übergaben zu managen.
Als CEO und CPO konnte ich mein Team halbieren und gleichzeitig meine Produktivität durch den Einsatz von KI verdoppeln.
Welche Kernaufgaben des Product Managements automatisiert werden können
Ich spare mindestens acht Stunden pro Woche bei Produktmanagement-Aufgaben, indem ich meine Arbeit automatisiere. Folgende Aufgaben sollten automatisiert werden:
- Anforderungserstellung
- Prototyping
- Marktforschung
- Fehlersuche
- Kundeninterviews — wir nutzen Dovetail, um Meetingnotizen zusammenzufassen und in Anforderungen umzuwandeln.
- Einarbeitung in neue Projekte
- Sich schnell in Themen einarbeiten, z.B. Branchennews
- Technologische Bestandsaufnahme zusammenfassen
- Systemarchitektur-Diagramme basierend auf existierendem Code erstellen
Aber es ist wichtig zu betonen, dass in manchen Bereichen weiterhin ein menschlicher Beitrag erforderlich ist, etwa beim Übergang vom Prototyp zu marktreifen Produkten und bei der Entwicklung von Produktstrategien, mit denen man sich wirklich unterscheidet.
Ein menschlicher Beitrag ist in einigen Bereichen weiterhin erforderlich, zum Beispiel beim Übergang vom Prototyp zum marktreifen Produkt und bei der Entwicklung einer Produktstrategie, die wirklich hervorstechen lässt.
Wie KI zentrale Abläufe für Produktteams verändert
All das hat Auswirkungen auf die Delivery-Routinen.
KI halbiert die Zeit für die Definition des Projektumfangs. Kundenfeedback sammeln und Marktforschung betreiben ist heute einfacher denn je.
Und obwohl die Abstimmung von Teams weiterhin menschliches Feingefühl erfordert, kann KI dabei helfen, Teammeetings zusammenzufassen und so Zeit zu sparen.
Ein Rahmenwerk zur Erstellung von KI-Produkten
Wie ich bereits sagte, hat mein Bootcamp bei der Einführung von über 40 KI-Produkten geholfen. Dafür haben wir ein KI-Hypothesen-Framework entwickelt. Es ist ein einfaches, wiederholbares System, das wir nutzen, um KI-Ideen vor dem Bau zu validieren.
Der Prozess beginnt mit der Problembestimmung durch unser GUCCI-Framework (Ziele und Mission, unerfüllte Bedürfnisse, Kundensegmentierung, Wettbewerb und integriertes Ökosystem), bei dem wir das Nutzerziel, den Schmerzpunkt, die Rahmenbedingungen und die angestrebte Wirkung klären.
Daraufhin formulieren wir eine KI-Hypothese – eine klare Aussage darüber, welche Eingabedaten die KI benötigt, welche Ausgaben sie generieren soll und wie sie den Arbeitsablauf verbessern wird. Dies lenkt unsere Datenstrategie und einen schnellen KI-Prototyp, um die technische Machbarkeit zu testen.
Wir validieren dann die KI-Eingaben und -Ausgaben direkt mit den Kunden, um sicherzustellen, dass das Feature tatsächlich ein echtes Problem löst. Nur validierte Ideen kommen in das Produkt-MVP, bei dem wir die komplette KI-unterstützte Nutzerreise gestalten.
Sobald das MVP live ist, messen wir, ob wir den Produkt-Markt-Fit für KI erreicht haben. Falls ja, skalieren wir durch eine Generalisierungsstrategie, erweitern die Anwendungsfälle und nutzen reale Nutzerdaten, um unseren Daten- und Produktvorteil zu stärken.
Dieser Lebenszyklus — GUCCI → KI-Hypothese → PoC → MVP → PMF → Skalierung — ermöglicht es uns, KI-Produkte konsistent in etwa drei Monaten einzuführen und dabei sicherzustellen, dass KI nur dort eingesetzt wird, wo sie wirklich messbaren Mehrwert schafft. Mehr über den Prozess können Sie hier lesen.
Wie spezifikationsgetriebenes Produktmanagement die Auslieferung von KI-Produkten beschleunigt
Ein weiterer wichtiger Aspekt ist, dass wir uns von traditionellen Projektmanagement-Methoden verabschiedet haben — also dem Schreiben von Anforderungen, dem Warten auf Designer für Mockups und dem Warten auf Entwickler für den ersten Prototyp. Heute nutzen wir einen „spezifikationsgetriebenen" Produktmanagement-Prozess. Das bedeutet, wir setzen KI-Tools ein, um Anforderungen zu schreiben und Prototypen schnell zu generieren.
Jetzt verwenden wir einen “spezifikationsgetriebenen” Produktmanagement-Prozess, was bedeutet, dass wir KI-Tools einsetzen, um Anforderungen zu schreiben und Prototypen schnell zu generieren.
Wir können Produktanforderungen innerhalb einer Stunde in Prototypen umsetzen – ganz ohne Code – und Ideen schnell ausprobieren. Die Entkopplung der Abhängigkeiten von Designern und Entwicklern verkürzt Zeitpläne drastisch und spart Produktmanagern jede Woche viele Stunden.
So funktioniert es:
- ChatGPT auffordern, bei den Produktanforderungen für Ihre Ideen zu helfen
- Unsere Produktideen eingeben
- ChatGPT stellt dann Rückfragen und erstellt die detaillierte Nutzerreise-Karte
- ChatGPT bitten, die Anforderungen zu generieren.
- Diese Anforderungen in Google AI Studio eingeben, um den Prototyp zu generieren.
Warum eine szenarioorientierte Philosophie messbaren Wert schafft
Wir setzen stark auf Agenten. Tatsächlich hängt unser Kerngeschäft maßgeblich von agentenbasierten Workflows ab – sowohl in unserem Unternehmen als auch in unseren Produkten. Das bedeutet, KI die Verantwortung für Ergebnisse zu geben, nicht nur für einzelne Eingaben.
Intern helfen uns Agenten, komplexe Abläufe in skalierbare, hochwertige und wiederholbare Prozesse zu verwandeln. In Kombination mit unserem End-to-End-Evaluationszyklus sind agentische Systeme zu einem zuverlässigen Motor hinter unserer Lieferqualität geworden.
Zum Beispiel verwenden wir Agenten, die Kundendaten aufnehmen, Erkenntnisse generieren, PRDs entwerfen, Designvarianten erstellen und Designs prototypisieren. Außerdem haben wir ein „KI-Zweitgehirn“ geschaffen, das mit mir als Junior-Produktmanager Ideen brainstormen kann.
In unseren Produkten konzentrieren wir uns auf Workflows, die unserer Lerncommunity echten Mehrwert bieten: Lernassistenten, Dokumentenintelligenz und mehrstufiges Schlussfolgern.
Unsere Philosophie ist einfach: KI muss dem Szenario dienen, und das Szenario muss messbaren Wert schaffen.
Aus unserer Sicht geht es bei KI nicht darum, dem neuesten Modell hinterherzujagen – sondern um disziplinierte Ingenieurskunst, szenariobezogenes Design und das Handwerk, jede Komponente so lange zu verfeinern, bis sie dem Nutzer wirklich nützt.
Aus unserer Sicht geht es bei KI nicht darum, dem neuesten Modell hinterherzujagen – sondern um diszipliniertes Engineering, szenariobasierte Gestaltung und die Handwerkskunst, jede Komponente so lange zu verfeinern, bis sie dem Nutzer wirklich dient.
Wie Agenten mit LangGraph anspruchsvoller werden können
Werfen wir einen Blick auf einen agentenbasierten Workflow. Dieser spezielle Anwendungsfall ist nicht allgemein gültig, aber ich denke, die Details unserer Umsetzung können für fortgeschrittene, PM-basierte Arbeitsprozesse hilfreich sein.
In der Anfangsphase unseres KI-Interview-Copiloten war unser System in erster Linie ein RAG-zentrierter Assistent, der auf LangChain basierte. Das ermöglichte schnelle Iterationen und half uns, eine solide Grundlage im Dokumentenmanagement und in der Qualität der Informationsbeschaffung zu schaffen. Mit wachsender Funktionalität und Komplexität des Assistenten – Unterstützung von mehrstufiger Schlussfolgerung, neuen Aufgabentypen, Personalisierung und Zusammenarbeit verschiedener logischer Module – reichte eine reine RAG-Pipeline jedoch nicht mehr aus.
Die anfängliche Herausforderung bestand nicht nur aus der Komplexität, sondern darin, bei heterogenen und sich ständig weiterentwickelnden Inhaltequellen eine zuverlässige, wiederholbare, hochwertige Lieferung zu gewährleisten. Wir benötigten ein Framework, das agentenbasiertes RAG unterstützt, bei dem mehrere spezialisierte Agenten kontrolliert und nachvollziehbar zusammenarbeiten können.
Das führte zur Einführung von LangGraph. Es bietet Determinismus, Transparenz und explizite Statusverwaltung – alles entscheidend beim Aufbau eines Gesprächsassistenten, dessen logische Schritte prüfbar, erklärbar und wiederholbar sein müssen. Der Wechsel zu LangGraph entsprach zudem unserer langfristigen Ausrichtung: dem Aufbau eines intelligenten Assistenten anstelle eines Einzelfragen-Antwortsystems.
Daher haben wir den Delivery-Workflow mit moderner KI-Orchestrierung neu aufgebaut:
- LangGraph für deterministische, multi-agentenbasierte Statusübergänge
- Embedding- und Retrieval-Evaluationsschleifen zur Stabilisierung des RAG-Agenten
- Metadaten-erhaltende Dokumentenverarbeitung, um semantisches Abschweifen zu vermeiden
Nun besteht das System aus mehreren Agenten: einem RAG-Agenten, einem Lebenslauf-Bewertungs-Agenten und einem Kontext-Orchestrierungs-Agenten. Wir haben ein vollständiges End-to-End-Evaluationsframework implementiert – auf Komponentenebene (Chunking, Embedding, Informationsbeschaffung) und Systemebene (Relevanz der Endantwort, Halluzinationsrate).
Durch die fortlaufende Feinabstimmung der einzelnen Komponenten und die Integration automatisierter Regressionstests konnten wir sicherstellen, dass das System vor jedem großen Release eine Genauigkeit von über 90 % erreichte.
Wir sind überzeugt: Ein modernes KI-System wird nicht durch ein einzelnes Modell definiert. Es wird definiert durch ein gut orchestriertes Ökosystem aus Komponenten: Dokumentenintelligenz, stabile Informationsbeschaffung, Zusammenarbeit mehrerer Agenten, Gedächtnisstrukturen und kontinuierliche Evaluierung.
Wir sind überzeugt: Ein modernes KI-System wird nicht durch ein einzelnes Modell definiert. Es wird definiert durch ein gut orchestriertes Ökosystem aus Komponenten: Dokumentenintelligenz, stabile Informationsbeschaffung, Zusammenarbeit mehrerer Agenten, Gedächtnisstrukturen und kontinuierliche Evaluierung.
Wie KI-gestütztes Debugging die Auslieferung beschleunigt
KI-gestütztes Debugging war ein wesentlicher Bestandteil dieser erfolgreichen Umsetzung – wir haben dabei stark darauf zurückgegriffen.
Tools wie Claude Code und Cursor helfen uns, Integrationsprobleme schnell zu diagnostizieren, Unit Tests zu generieren und auch bei schwierigen Grenzfällen im Prompt-Verhalten gezielt logische Schlussfolgerungen zu ziehen. Das erhöhte unsere Entwicklungsgeschwindigkeit deutlich – gerade bei der Behebung von Logikfehlern oder unerwarteten Modellergebnissen.
Wie ein KI-zentrierter Produktmanagement-Toolstack in der Praxis aussieht
Das ist unser PM-Tech-Stack:
- Google AI Studio zum Prototyping
- Claude Code zum Identifizieren von Problemen, Durchdenken von Grenzfällen und Generieren gezielter Unit Tests
- Cursor zum Debuggen
- ChatGPT für PRD
- ChatPRD für das Produktmanagement
- Dovetail zur Anforderungserhebung aus Kunden-Insights
- Miro für die Zusammenarbeit
Mein Favorit ist wahrscheinlich Claude Code. Es hilft uns konsequent dabei, Integrationsprobleme oder logische Lcken viel frher zu erkennen als es allein mit traditionellem Debugging mglich wre. Und es ist deutlich besser als Lovable. Auch wenn es viel Hype um Lovable gibt, ist es nicht fr produktionsreife, fortschrittliche KI-Entwicklung geeignet.
Wird KI Projektmanager und Produktrollen ersetzen?
Letztendlich glaube ich, dass KI Projektmanager ersetzen wird. Wir brauchen einfach keine Projektmanager mehr, um Prozesse zu steuern! Tatschlich werden viele Einstiegsjobs durch KI ersetzt werden dazu gehren Softwareingenieure, Designer und Datenanalysten.
Wir bentigen jedoch mehr KI-gesttzte Produktmanager, die Entscheidungen mithilfe von KI treffen knnen, bereichsbergreifende Teams fhren, um Produktvisionen umzusetzen und effektives Stakeholder-Management betreiben, und dabei schnell Ergebnisse erzielen.
Mein Rat? Du solltest dich schnell darin weiterbilden, wie du bestehende KI-Tools nutzen und Produktlieferungen neu erfinden kannst. Und erwge, dich speziell auf KI-Produkte zu konzentrieren. Aus meiner Sicht kannst du entweder KI-Produkte entwickeln und die Innovation vorantreiben oder ersetzt werden.
Bleib dran
Du kannst Dr. Nancy Li begleiten, whrend sie KI-Produkte entwickelt und anderen beibringt, es ihr gleichzutun, auf YouTube, LinkedIn, X, ihrem Podcast und der PM Accelerator-Website. Du kannst dir auch ihr neues AI Product Management Bootcamp anschauen.
Weitere Experteninterviews folgen auf The Digital Project Manager!
