Meta-Produktmanager erklärt, wie KI die Auslieferung verändert und wo sie scheitert
Meta-Produktmanager Tom Leung erklärt, wie KI die Prototypenerstellung und Auslieferung beschleunigt, wo sie an ihre Grenzen stößt und warum menschliches Urteilsvermögen, Abstimmung und Strategie für das Produktmanagement weiterhin entscheidend sind.
Tom Leung
Teamleiter Produktmanagement bei META & der Ersteller des Newsletters The Fireside PM
KI-Features: Wirksame KI-Features erfordern umfassende Tests, Feedbackschleifen und ständige Weiterentwicklung, um erfolgreich zu sein.
Evolution des Projektmanagements: KI wandelt das Projektmanagement, indem sie schnellere Prototypen und iterative Validierungsprozesse ermöglicht.
Autonome Teams: Erfolgreiche Auslieferung setzt heute auf flexible Zielsetzung und befähigte Teams mit klaren Entscheidungsstrukturen.
KI-Toolstack: Ein vielfältiger KI-Toolstack steigert die Effizienz im Produktmanagement, mit Werkzeugen, die für spezielle Aufgaben und Arbeitsweisen ausgelegt sind.
Strategischer Fokus: Die Zukunft des Projektmanagements benötigt strategisches Denken neben KI-Kompetenz, wobei sich Rollen in Orchestrierung und Automatisierung aufteilen.
Tom Leung leitet ein Produktmanagement-Team bei Meta, wo er sowohl für den Produkt- als auch den Projekterfolg verantwortlich ist. Außerdem ist er der Gründer des Fireside PM Newsletters.
Wir haben uns mit ihm zusammengesetzt, um herauszufinden, was sich im Bereich Produkt- und Projektentwicklung verändert. Er erklärte, wo KI den Unterschied macht – und wo Menschen wichtiger denn je sind.
Produktmanagement bei Meta
Ich arbeite seit über zwanzig Jahren im Software-Produktmanagement.
Kostenlos freischalten
Erstellen Sie ein kostenloses Konto, um diesen Beitrag zu Ende zu lesen und Teil einer Community zukunftsorientierter Führungskräfte zu werden, die Tools, Leitfäden und Insights für den Erfolg im Zeitalter der KI freischaltet.
Have an account? Log In
Heute leite ich ein Produktmanagement-Team bei Meta. Meine Rolle konzentriert sich hauptsächlich auf das Warum und Was eines Projekts, aber ich bin für den Gesamterfolg und die Wirkung unserer Projekte verantwortlich.
Außerdem bin ich der Gründer des Fireside PM Newsletters.
Warum es schwieriger ist, ein erfolgreiches KI-Feature zu bauen, als es aussieht
Kürzlich habe ich ein Beratungsprojekt für ein Pre-IPO-Unternehmen durchgeführt, das ein KI-gestütztes Feature auf den Markt brachte. Interessant war, dass die eigentliche Magie vor allem im Übergang von Null auf Eins lag – von der Idee bis zum funktionierenden Prototyp.
Die Verbesserung der ursprünglichen Demo zu etwas, auf das wir wirklich vertrauen konnten, war jedoch weitaus schwieriger als erwartet. Wir haben mehrere Iterationen durchlaufen, verschiedene Grundmodelle (GPT-4, Claude, Gemini) getestet, um herauszufinden, welches für unseren konkreten Anwendungsfall am besten funktioniert, und uns intensiv mit Prompt-Engineering beschäftigt: Wir testeten unterschiedliche Instruktionsformate, fügten mehr Kontext zu Nutzerintentionen hinzu und verfeinerten die Outputstruktur.
Die größte Verbesserung erzielten wir durch die Integration von Nutzer-Feedbackschleifen und Personalisierungsdaten, wodurch das Modell individuelle Nutzerpräferenzen und Kontexte besser erfassen konnte.
Die größte Verbesserung erzielten wir durch die Integration von Nutzer-Feedbackschleifen und Personalisierungsdaten, wodurch das Modell individuelle Präferenzen und Kontexte besser erfassen konnte. Wir richteten A/B-Tests ein, um die Genauigkeit und die Nutzerzufriedenheit bei jeder Iteration zu messen.
All das führte zu vielen Startschwierigkeiten und Rückschlägen. Der Prozess dauerte etwa drei Monate kontinuierlicher Feinabstimmung, um von einer „beeindruckenden Demo“ zu einem „produktionsreifen Feature“ zu gelangen.
Das Fazit (TL;DR): Es ist ziemlich einfach, ein KI-Feature zu bauen, aber es ist deutlich schwieriger, ein herausragendes KI-Feature in sein Produkt zu integrieren, als es auf den ersten Blick erscheint.
Warum das größte Risiko von KI darin liegt, wie beeindruckend sie wirkt
Wir sind immer noch nicht an einem Punkt angekommen, an dem KI vollautonom ist. So beeindruckend sie auch ist, entdecke ich immer noch regelmäßig Fehler in der Argumentation und muss alles gegenprüfen.
Hier ein weiteres Beispiel: Ich habe vor ein paar Monaten ein Beratungsprojekt gemacht, bei dem Claude und Gamma einen Großteil der Arbeit übernommen haben, nachdem ich ihnen viele Hintergrundinformationen und Sitzungsnotizen zugeführt hatte. Die Ergebnisse waren beeindruckend. Aber als ich mich auf ein Kundengespräch vorbereitet habe, stellte ich fest, dass einige Fehler aufgetreten waren, die zunächst unauffällig wirkten, bis man die Annahmen genauer prüfte. Ich musste kurzfristig alle Zahlen aktualisieren.
Das ist die Herausforderung mit KI: Sie ist beeindruckend und wird jeden Tag besser, sodass man das Gefühl bekommt, weniger nachkontrollieren zu müssen. Aber solange sie nicht 99–100 % exakt ist, muss man wachsam bleiben, denn wenn Ihnen ein Fehler entgeht oder eine Halluzination auftaucht, kann das wirklich unangenehm werden.
KI ist erstaunlich und wird jeden Tag besser. Aber solange sie nicht zu 99-100 % akkurat ist, muss man weiterhin aufmerksam bleiben, denn wenn sie einen Fehler macht oder eine Halluzination hat, kann das richtig nach hinten losgehen.
Wie KI die Projektplanung, das Prototyping und Roadmaps verändert
Mit all dem verändert sich auch unsere Arbeitsweise. Ich habe festgestellt, dass wir manchmal bereits mit dem Prototyping beginnen, während wir noch das Produkt planen. Früher konnte man es sich nicht leisten, Dinge zu bauen, bevor die gesamte Planungsarbeit abgeschlossen war. Aber heute kann man ein neues Projekt in wenigen Wochen – oder sogar Tagen – umsetzen.
Mir fällt außerdem auf, dass die Planungszyklen kürzer und die Validierung iterativer geworden ist. Anstatt monatelang an detaillierten Spezifikationen zu arbeiten, erstellen wir nun kurze Briefings und überprüfen unsere Annahmen durch schnelle Experimente.
Wir verabschieden uns von starren Roadmaps und setzen stattdessen auf anpassungsfähigere Planung – wir passen die Prioritäten vierteljährlich oder sogar monatlich entsprechend unserer Erkenntnisse an.
Wir verabschieden uns von starren Roadmaps und setzen stattdessen auf anpassungsfähigere Planung – wir passen die Prioritäten vierteljährlich oder sogar monatlich entsprechend unserer Erkenntnisse an.
Außerdem haben wir die Zahl der formalen Statusmeetings reduziert und setzen stattdessen auf asynchrone Updates und durch KI generierte Fortschrittszusammenfassungen. Das schafft mehr Raum für tiefgehende strategische Gespräche, statt nur zu berichten, was ohnehin dokumentiert ist.
Das Risiko dabei ist, dass man am Ende zur Feature- oder Produktfabrik wird!
Wie sich die zentralen Delivery-Rituale mit KI verändern
Auch unsere grundlegenden Abläufe für die Projektabwicklung wandeln sich.
Beim Festlegen des Umfangs starten wir jetzt mit ergebnisorientierten Zielen statt mit Funktionslisten. Das gibt den Teams mehr Flexibilität beim Lernen und Anpassen.
Zur Validierung führen wir mehr kontinuierliche Tests mit kleineren Nutzergruppen durch, anstatt große Releases zu fahren. KI-Tools helfen uns dabei, Feedback-Muster schnell zu analysieren.
Für das Management der Umsetzung setzen wir nun häufiger auf autonome Teams mit klaren Entscheidungsrahmen (z.B. DACI), anstatt zentralisierter Freigabeprozesse. Wichtig ist, den Teams zu vertrauen, gute Entscheidungen zu treffen – und gleichzeitig KI zu nutzen, um Risiken oder Blocker frühzeitig aufzuzeigen.
Und dann wäre da noch die Abstimmung. Ich denke, sie ist heute wichtiger als je zuvor. Da wir heute so vieles realisieren können, brauchen wir eine einheitliche Sichtweise darauf, was gebaut werden soll und warum.
Um diese einheitliche Sichtweise zu erreichen, investieren wir stark in gemeinsamen Kontext: regelmäßige Strategiereviews, eine klare Dokumentation unseres „Warum" und explizite Entscheidungsgrundsätze, auf die sich jeder beziehen kann. Ich nutze auch KI-Tools, um konsistente Zusammenfassungen wichtiger Entscheidungen zu erstellen und sie breit zu verteilen, sodass alle Zugriff auf die gleichen Informationen haben. Zudem führen wir vierteljährliche Alignment-Sitzungen durch, in denen wir unsere Prioritäten hinterfragen und sicherstellen, dass alle verstehen, wie ihre Arbeit zum großen Ganzen beiträgt.
Das Ziel ist es, ein gemeinsames mentales Modell zu schaffen, sodass Teams selbstständig Entscheidungen treffen können, die dennoch zur übergeordneten Strategie passen.
Ich denke, Ausrichtung ist wichtiger denn je. Da wir jetzt so viele Dinge tun können, brauchen wir eine einheitliche Sichtweise darauf, was gebaut wird und warum.
Wie ein KI-Tool-Stack für moderne Produktmanager aussieht
Hier ist mein aktueller KI-Tool-Stack:
- ChatGPT: Allgemeine Begründung, Brainstorming und schnelle Recherche
- Claude: Komplexe Analysen und Schreibaufgaben, bei denen ich ein differenziertes Vorgehen benötige
- Gemini: Multimodale Aufgaben und wenn ich Dokumente mit Bildern analysieren muss
- Manus: Automatisierung lästiger Arbeitsabläufe wie das Erstellen wöchentlicher Team-Updates, die Datenverarbeitung und das Handling wiederkehrender Aufgaben im Projektmanagement
- NotebookLM: Synthetisieren von Erkenntnissen aus großen Dokumentenbeständen und Erstellen von Audio-Zusammenfassungen
- NanoBanana: Schnelles Erstellen von visuellen Präsentationen und Folien
- FigmaMake: Schnelles Prototyping und Design-Iteration
Ich wechsle je nach Aufgabe zwischen ChatGPT, Claude und Gemini. Jedes Tool hat seine Stärken in unterschiedlichen Bereichen.
Warum Claude andere LLMs bei Produktanforderungen übertroffen hat
Ich habe kürzlich fünf KI-Chatbots getestet, um beim Verfassen von Produktanforderungsdokumenten zu helfen.
Claude hat sich beim Schreiben von Produktanforderungsdokumenten als Spitzenreiter erwiesen. Es ist besonders gut darin, den Kontext über längere Dokumente hinweg beizubehalten, komplexen Anweisungen zu folgen und gut strukturierte, natürlich lesbare Ergebnisse zu liefern. Besonders gut ist es darin, Nuancen zu erfassen und den zu formellen oder generischen Ton zu vermeiden, in den manche andere Modelle verfallen.
Allerdings nutze ich immer noch verschiedene Modelle für unterschiedliche Aufgaben: ChatGPT für schnelle Iterationen, Gemini, wenn ich visuelle Informationen verarbeiten muss, und Claude für alles, was tiefgreifendes Denken oder ausgedehntes Schreiben erfordert.
Wie agentische Workflows auf Manus jede Woche Stunden einsparen
Ich nutze Manus als meine zentrale Orchesterplattform für agentische Workflows. Besonders nützlich ist es bei der Automatisierung von mehrstufigen Aufgaben wie das Generieren wöchentlicher Team-Updates, die Umwandlung von Besprechungsnotizen in Aufgaben und das Zusammenfassen von Recherchen aus mehreren Quellen.
Ich nutze Manus als meine zentrale Orchesterplattform für agentische Workflows. Besonders nützlich ist es bei der Automatisierung von mehrstufigen Aufgaben.
Die Erfahrung ist insgesamt positiv – es übernimmt die lästige Koordinationsarbeit, die mir früher jede Woche Stunden gekostet hat. Dennoch muss ich die Ergebnisse sorgfältig prüfen, da KI noch nicht ganz zu 100 % verlässlich ist.
Ich habe auch damit experimentiert, die benutzerdefinierten GPTs von ChatGPT und die Projects-Funktion von Claude für spezielle Workflows zu verwenden. Aber Manus war am effektivsten bei komplexen, mehrstufigen Orchestrierungen, bei denen verschiedene Tools zusammenarbeiten müssen.
Warum NotebookLM die Art verändert, wie PMs Kontext und Entscheidungen zusammenfassen
Was mir in letzter Zeit am meisten auffällt, ist, dass die Fähigkeit, den internen Kontext eines Kundensegments, Projekts oder einer früheren Entscheidung zu verstehen, indem KI Dutzende Quellen überblickt, wirklich beeindruckend ist.
Vor der KI hätte man dafür Wochen mit dem Lesen von Dokumentenstapeln und zahlreichen 1:1-Gesprächen verbringen müssen. Heute nutze ich Tools wie NotebookLM, um Dutzende Dokumente – Besprechungsnotizen, Strategiepapiere, Kundenrecherchen – zu erfassen und daraus schnell Erkenntnisse zu gewinnen.
Zum Beispiel kann ich, wenn ich eine neue Produktausrichtung evaluiere, darum bitten, sämtliches bisheriges Kundenfeedback zu einem bestimmten Schmerzpunkt zusammenzufassen und erhalte innerhalb von Sekunden eine kohärente Antwort, anstatt Tage damit zu verbringen, verstreute Dokumente zu lesen. Ich benutze auch ChatGPT und Claude für ähnliche Synthesearbeiten, besonders wenn ich den Kontext hinter vergangenen Entscheidungen verstehen oder Muster über mehrere Projekte hinweg erkennen muss.
Warum Strategie in einer KI-beschleunigten Welt wichtiger denn je sein wird
Innerhalb von fünf Jahren wird sich die Rolle des Projektmanagers in zwei unterschiedliche Wege aufteilen.
Eine Ausrichtung wird sich auf strategische Orchestrierung konzentrieren: das geschäftliche Umfeld verstehen, Stakeholder aufeinander abstimmen und übergeordnete Abwägungen treffen.
Die andere wird eher wie ein „KI-Workflow-Ingenieur“ sein, der automatisierte Systeme entwirft und optimiert, welche die Ausführung, das Reporting und die Koordination übernehmen.
Die taktische, administrative Seite der PM-Arbeit wird nahezu vollständig automatisiert werden.
Teams werden schneller agieren, aber das menschliche Urteilsvermögen, das notwendig ist zu entscheiden, was gebaut werden soll und warum, wird noch entscheidender. Die Gewinner werden jene PMs sein, die strategisch denken können und zugleich wissen, wie KI-Systeme effektiv genutzt werden.
Bleiben Sie dran
Sie können Tom Leung weiterhin auf seinem Weg, das KI-Spiel zu verändern, auf LinkedIn begleiten. Und schauen Sie natürlich auch auf tomleungcoaching.com vorbei!
Weitere Experteninterviews folgen beim Digital Project Manager! Treten Sie unserer kostenlosen Community bei und erhalten Sie unbegrenzten Zugriff auf Artikel und Einblicke.
