Meta-Produktmanager erklärt, wie KI die Auslieferung verändert und wo sie an ihre Grenzen stößt
Meta-Produktmanager Tom Leung erläutert, wie KI die Prototypenerstellung und Auslieferung beschleunigt, wo ihre Schwächen liegen und warum menschliches Urteilsvermögen, Abstimmung und Strategie in der Produktentwicklung weiterhin entscheidend sind.
Tom Leung
Leiter des Produktmanagement-Teams bei META & der Ersteller des 'The Fireside PM'-Newsletters
KI-Features: Wirksame KI-Features zu entwickeln, erfordert umfangreiche Tests, Feedbackschleifen und kontinuierliche Weiterentwicklung, um erfolgreich zu sein.
Wandel im Projektmanagement: KI wandelt das Projektmanagement, indem sie eine schnellere Prototypenerstellung und iterative Validierungsprozesse ermöglicht.
Autonome Teams: Erfolgreiche Auslieferung basiert mittlerweile auf flexiblen Zielsetzungen und selbstbestimmten Teams mit klaren Entscheidungsrahmen.
KI-Toolstack: Ein vielfältiger KI-Toolstack steigert die Effizienz im Produktmanagement – mit Werkzeugen, die auf bestimmte Aufgaben und Arbeitsabläufe spezialisiert sind.
Strategischer Fokus: Die Zukunft des Projektmanagements verlangt strategisches Denken sowie KI-Kompetenz und teilt Aufgaben in Orchestrierung und Automatisierung auf.
Tom Leung leitet ein Produktmanagement-Team bei Meta, wo er sowohl für den Produkterfolg als auch den Projekterfolg verantwortlich ist. Er ist außerdem der Gründer des Fireside PM Newsletters.
Wir haben uns mit ihm zusammengesetzt, um herauszufinden, was sich bei der Produkt- und Projektlieferung verändert. Er erklärte uns, wo KI die Spielregeln verändert hat – und wo Menschen wichtiger denn je sind.
Produktmanagement bei Meta
Ich arbeite seit über zwei Jahrzehnten im Software-Produktmanagement.
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
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.
Ich bin außerdem 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 börsennahes Unternehmen durchgeführt, das ein KI-gestütztes Feature einführen wollte. Besonders spannend war, dass die eigentliche "Magie" vor allem im Schritt von Null auf Eins lag – vom Konzept bis zum funktionierenden Demo.
Doch das Verbessern des ersten Demos hin zu einem Zustand, in dem wir wirklich großes Vertrauen hatten, war deutlich schwieriger als erwartet. Wir sind durch mehrere Iterationen gegangen, haben verschiedene Basis-Modelle (GPT-4, Claude, Gemini) getestet, um herauszufinden, welches in unserem speziellen Anwendungsfall am besten abschneidet, und ausführlich mit Prompt Engineering experimentiert: unterschiedliche Anweisungsformate getestet, mehr Kontext über Benutzerabsichten hinzugefügt und die Ausgabestruktur verfeinert.
Die größte Verbesserung ergab sich durch die Einbindung von Nutzer-Feedbackschleifen und Personalisierungsdaten, wodurch das Modell individuelle Nutzerpräferenzen und Kontexte besser verstehen konnte.
Die größte Verbesserung ergab sich durch die Einbindung von Nutzer-Feedbackschleifen und Personalisierungsdaten, wodurch das Modell individuelle Nutzerpräferenzen und Kontexte besser verstehen konnte. Wir haben A/B-Tests eingerichtet, um die Genauigkeitssteigerungen und die Nutzerzufriedenheit bei jeder Iteration zu messen.
Das alles führte zu vielen Startschwierigkeiten. Der Prozess dauerte etwa drei Monate kontinuierlicher Verfeinerung, um vom "beeindruckenden Demo" zum "produktiven Feature" zu gelangen.
Das TL;DR ist: Es ist ziemlich einfach, ein KI-Feature zu bauen, aber ein wirklich erfolgreiches KI-Feature im eigenen Produkt umzusetzen, ist deutlich komplexer, als es aussieht.
Warum das größte Risiko von KI ist, wie beeindruckend sie sich anfühlt
Wir sind immer noch nicht an dem Punkt, an dem KI völlig autonom ist. So beeindruckend sie auch ist, stoße ich weiterhin regelmäßig auf Fehler in der Argumentation und muss alles doppelt überprüfen.
Hier ist ein weiteres Beispiel: Vor ein paar Monaten habe ich ein Beratungsprojekt gemacht, bei dem Claude und Gamma einen Großteil der Arbeit erledigt haben, nachdem ich ihnen jede Menge Hintergrundinfos und Besprechungsnotizen zur Verfügung gestellt hatte. Das Ergebnis war beeindruckend. Aber bei der Vorbereitung auf ein Kundengespräch habe ich dann doch einige Fehler entdeckt, die unauffällig wirkten – bis man die Annahmen wirklich kritisch prüfte. Ich musste in letzter Minute alle Zahlen aktualisieren.
Und das ist die Herausforderung mit KI: Sie ist beeindruckend und wird jeden Tag besser – sodass man denkt, man müsse sie weniger kontrollieren. Aber solange sie nicht 99–100% genau ist, muss man weiterhin sehr aufmerksam sein, denn wenn ihr doch mal ein Fehler oder eine Halluzination unterläuft, kann das richtig große Auswirkungen haben.
KI ist erstaunlich und wird jeden Tag besser. Aber solange sie nicht 99–100 % genau ist, muss man sie im Auge behalten, denn wenn sie mal einen Fehler macht oder halluziniert, kann das richtig nach hinten losgehen.
Wie KI Projektplanung, Prototyping und Roadmaps verändert
Das alles gesagt, ändert sich unsere Arbeitsweise. Ich habe festgestellt, dass wir inzwischen manchmal parallel zum Produktplan bereits mit dem Prototyping beginnen. Früher konnte man es sich nicht leisten, mit der Entwicklung zu beginnen, bevor sämtliche Planung abgeschlossen war. Heute dagegen kann ein neues Projekt in wenigen Wochen — oder sogar Tagen — umgesetzt werden.
Mir fallen zudem kürzere Planungszyklen und mehr iterative Validierung auf. Anstatt monatelang an detaillierten Spezifikationen zu feilen, erstellen wir nun schlanke Briefings und prüfen unsere Annahmen durch schnelle Experimente.
Wir wenden uns von starren Roadmaps ab und bewegen uns zu einer adaptiven Planung — Prioritäten werden vierteljährlich oder sogar monatlich je nach Lernfortschritt angepasst.
Wir wenden uns von starren Roadmaps ab und bewegen uns zu einer adaptiven Planung — Prioritäten werden vierteljährlich oder sogar monatlich je nach Lernfortschritt angepasst.
Zudem haben wir die Anzahl formeller Statusmeetings zugunsten asynchroner Updates und von KI generierten Zusammenfassungen des Fortschritts reduziert. Das schafft Freiraum für tiefere strategische Gespräche, anstatt bloß zu berichten, was ohnehin schon dokumentiert ist.
Das Risiko dabei: Man läuft Gefahr, zur reinen Feature- oder Produktfabrik zu werden!
Wie sich die Kernrituale der Auslieferung mit KI verändern
Auch unsere zentralen Umsetzungsrituale wandeln sich.
Beim Definieren des Umfangs setzen wir heute auf ergebnisorientierte Ziele statt Feature-Listen. Das bietet Teams mehr Flexibilität, während des Prozesses zu lernen und sich anzupassen.
Für die Validierung testen wir viel kontinuierlicher in kleinen Nutzergruppen statt mit großen Gesamtauslieferungen. KI-Tools helfen uns, Feedback-Muster schnell zu analysieren.
Für das Management der Umsetzung sind wir zu stärker autonomen Teams mit klaren Entscheidungsrahmen übergegangen, statt zentralisierte Freigabeprozesse zu nutzen. Das Wichtigste ist, Teams zu vertrauen, dass sie gute Entscheidungen treffen – während KI frühzeitig Risiken oder Hürden sichtbar macht.
Und dann ist da noch die Abstimmung. Ich glaube, Abstimmung ist heute wichtiger denn je. Da wir nun so viele Dinge machen können, brauchen wir eine gemeinsame Sicht darauf, was gebaut werden soll — und warum.
Um diese gemeinsame Sichtweise zu erreichen, investieren wir stark in gemeinsamen Kontext: regelmäßige Strategieüberprüfungen, klare Dokumentation unseres "Why" und explizite Entscheidungsprinzipien, auf die sich alle beziehen können. Außerdem nutze ich KI-Tools, um konsistente Zusammenfassungen wichtiger Entscheidungen zu erstellen und sie breit zu verteilen, damit wirklich jeder Zugang zu denselben Informationen hat. Und wir führen vierteljährliche Abstimmungs-Workshops durch, bei denen wir Prioritäten überprüfen und sicherstellen, dass jeder versteht, wie die eigene Arbeit ins Gesamtbild passt.
Ziel ist es, ein gemeinsames mentales Modell zu schaffen, sodass Teams eigenständige Entscheidungen treffen können, die dennoch zur Gesamtstrategie beitragen.
Ich denke, Ausrichtung ist heute wichtiger denn je. Da wir jetzt so viele Dinge tun können, brauchen wir eine einheitliche Sichtweise darauf, was wir bauen und warum.
Wie ein KI-Tool-Stack für moderne Produktmanager aussieht
Das ist mein aktueller KI-Tool-Stack:
- ChatGPT: Allgemeine Begründungen, Brainstorming und schnelle Recherchen
- Claude: Komplexe Analyse- und Schreibaufgaben, bei denen ich differenziertes Denken benötige
- Gemini: Multimodale Aufgaben und wenn ich Dokumente mit Bildern analysieren muss
- Manus: Automatisierung von mühsamen Abläufen wie das Erstellen wöchentlicher Team-Updates, das Verarbeiten von Daten und das Bearbeiten sich wiederholender Projektmanagement-Aufgaben
- NotebookLM: Synthese von Erkenntnissen über große Dokumentmengen hinweg und das Erstellen von Audio-Zusammenfassungen
- NanoBanana: Schnelles Erstellen von visuellen Präsentationen und Foliensätzen
- FigmaMake: Schnelles Prototyping und Gestaltungsiterationen
Ich wechsle zwischen ChatGPT, Claude und Gemini je nach Aufgabe. Jeder hat Stärken in unterschiedlichen Bereichen.
Warum Claude andere LLMs bei Produktanforderungen übertroffen hat
Vor kurzem habe ich fünf KI-Chatbots getestet, um Unterstützung beim Schreiben von Produktanforderungsdokumenten zu erhalten.
Claude war beim Erstellen von Produktanforderungsdokumenten führend. Es ist besonders gut darin, den Kontext über lange Dokumente hinweg zu behalten, komplexen Anweisungen zu folgen und gut strukturierte Ergebnisse zu liefern, die sich natürlich lesen. Besonders stark ist es beim Erfassen von Nuancen und darin, einen zu förmlichen oder generischen Stil zu vermeiden, in den andere Modelle manchmal verfallen.
Dennoch setze ich je nach Aufgabe verschiedene Modelle ein: ChatGPT für schnelle Iterationen, Gemini wenn ich visuelle Informationen verarbeiten muss, und Claude für alles, was tiefgründiges Denken oder längere Texte erfordert.
Wie agentische Workflows auf Manus jede Woche Stunden einsparen
Ich nutze Manus als meine Hauptplattform für die Orchestrierung agentischer Workflows. Es ist besonders nützlich, um mehrstufige Aufgaben wie das Erstellen von wöchentlichen Team-Updates, das Umwandeln von Besprechungsnotizen in Maßnahmen und das Zusammenführen von Forschungsergebnissen aus mehreren Quellen zu automatisieren.
Ich nutze Manus als meine Hauptplattform zur Orchestrierung agentischer Workflows. Es ist besonders nützlich, um mehrstufige Aufgaben zu automatisieren.
Die Erfahrung ist positiv – es übernimmt die mühsame Koordinierungsarbeit, die früher jede Woche viel Zeit gekostet hat. Allerdings muss ich die Ergebnisse weiterhin sorgfältig überprüfen, da KI noch nicht ganz 100% zuverlässig ist.
Ich habe auch mit benutzerdefinierten GPTs von ChatGPT und Projects von Claude für spezifische Workflows experimentiert. Aber Manus war am effektivsten für komplexe, mehrstufige Abläufe, bei denen verschiedene Tools zusammenarbeiten müssen.
Warum NotebookLM die Art verändert, wie PMs Kontext und Entscheidungen synthetisieren
Was mir in letzter Zeit am meisten aufgefallen ist, ist die Fähigkeit, den internen Kontext eines Kundensegments, eines Projekts oder früherer Entscheidungen zu verstehen, indem man mit KI Dutzende von Quellen gleichzeitig durchsucht – das ist wirklich beeindruckend.
Vor KI hätte man Wochen gebraucht, um sich durch Dokumentenberge zu arbeiten und zahlreiche 1:1-Gespräche zu führen. Jetzt nutze ich Tools wie NotebookLM, um Dutzende von Dokumenten – Besprechungsnotizen, Strategieunterlagen, Kundenstudien – aufzunehmen und schnell Erkenntnisse daraus zu gewinnen.
Zum Beispiel kann ich, wenn ich eine neue Produktausrichtung bewerte, darum bitten, sämtliches bisheriges Kundenfeedback zu einem bestimmten Schmerzpunkt zusammenzufassen und erhalte in Sekunden eine kohärente Antwort, anstatt Tage damit zu verbringen, verstreute Dokumente zu lesen. Ich verwende auch ChatGPT und Claude für ähnliche Syntheseaufgaben, insbesondere wenn ich den Kontext hinter früheren Entscheidungen verstehen oder Muster über mehrere Projekte hinweg erkennen muss.
Warum Strategie in einer KI-beschleunigten Welt wichtiger denn je sein wird
In fünf Jahren wird sich die Rolle des Projektmanagers in zwei deutlich unterschiedliche Wege aufteilen.
Eine Spur wird sich auf strategische Orchestrierung konzentrieren: das Geschäftsverständnis, die Ausrichtung der Stakeholder und das Treffen von grundsätzlichen Abwägungen.
Die andere wird eher wie ein „KI-Workflow-Ingenieur“ sein, der die automatisierten Systeme entwirft und optimiert, die Ausführung, Berichterstattung und Koordination übernehmen.
Der taktische, administrative Anteil der PM-Arbeit wird nahezu vollständig automatisiert sein.
Teams werden schneller agieren, aber das menschliche Urteilsvermögen, um zu entscheiden, was gebaut werden soll und warum, wird noch entscheidender. Die Gewinner werden die PMs sein, die strategisch denken können und gleichzeitig darin bewandert sind, KI-Systeme effektiv zu nutzen.
Bleiben Sie am Ball
Sie können verfolgen, wie Tom Leung weiterhin das KI-Spiel verändert, auf LinkedIn. Und schauen Sie natürlich auch auf tomleungcoaching.com vorbei!
Weitere Experteninterviews folgen auf The Digital Project Manager! Treten Sie unserer kostenlosen Community bei und erhalten Sie unbegrenzten Zugang zu Artikeln und Einblicken.
