Führungskraft bei Google erklärt, wie agentische Arbeitsabläufe PM-Modelle verändern
Anshumani Ruddra erläutert, wie agentische Arbeitsabläufe Lieferteams dabei helfen, schneller zu arbeiten, während menschliches Urteilsvermögen, Validierung und Entscheidungsfindung noch wichtiger werden.
Anshumani Ruddra
Produktleiter bei Google
Agentischer Wandel: Agentische Arbeitsabläufe ersetzen lineare Übergaben durch parallele, funktionsübergreifende Lieferung, die auf gemeinsam genutztem Code und Dokumentation basiert.
Menschliches Urteilsvermögen: KI übernimmt Koordination und Entwurf, während Führungskräfte weiterhin für Qualität, Kreativität, Priorisierung und Vertrauen verantwortlich sind.
Mit Audit beginnen: Teams sollten wöchentliche Zeitfresser prüfen, bevor sie Tools auswählen, und so eine generische Einführung sowie auffällige, aber ineffektive Systemstapel vermeiden.
Rituale sind wichtig: Schnellere KI-Lieferung erfordert dennoch klaren Umfang, Abstimmung der Beteiligten, gründliche Validierung und disziplinierte Checklisten, um die Produktqualität zu gewährleisten.
Führungsmodell: Erfolgreiche KI-Einführung verbindet veränderte Arbeitsweisen der Führungskräfte mit Teams, die experimentieren und Verbesserungen organisationsweit teilen.
Anshumani Ruddra ist Produktleiter bei Google und arbeitet an Auslieferungsprozessen innerhalb der Zahlungsprodukte. Er ist zudem Dozent und hat bereits C-Level-Positionen im Bereich Delivery innegehabt.
Wir haben uns mit Anshumani zusammengesetzt, um zu erfahren, wie KI die Delivery bei Unternehmen wie Google verändert. Das hat er uns erzählt.
Produkte bei Google entwickeln
Ich bin Anshumani Ruddra. Seit über 22 Jahren entwickle ich Konsumentenprodukte an der Schnittstelle von Technologie, Storytelling, Popkultur und menschlichem Verhalten – angefangen als Kinderbuchautor, später Game Designer für weltweite Social-Hits wie Mafia Wars und Café World, und schließlich beim Aufbau von Hotstar zu einer der größten Streaming-Plattformen der Welt während der IPL-Jahre.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
In den vergangenen fünf Jahren bei Google habe ich das Produktmanagement für die erfolgreiche GPay-App in Indien geleitet, das gesamte Google-Zahlungsangebot für APAC verantwortet und KI-Produkte für Endverbraucher entwickelt. Aktuell führe ich ein End-to-End-Entwicklungsteam für KI-Produkte, um ein komplett neues Produkt zu schaffen.
Darüber hinaus unterrichte ich Produktleiter und Führungskräfte darin, wie man mit KI Produkte entwickelt – etwa in meinem Maven-Kurs "Level Up to Product Super IC". Ich habe dabei immer beide Rollen gleichzeitig inne – die des Gestalters und die des Lehrenden – und beide prägen meinen Ansatz beim Product Delivery: weniger Koordination und Genehmigungen, mehr direkte Umsetzung von Erkenntnissen bis zum funktionierenden Prototypen, ohne auf Erlaubnis zu warten.
Wie KI Menschen ermöglicht, mehr von dem zu tun, was sie am besten können
Ich versuche, KI nicht einfach als ein weiteres, besseres Tool zu betrachten. Dieses Bild verengt den Blick darauf, dass es nur um Effizienz geht. KI ist ein Multiplikator – möglicherweise ein einmaliger in einem Jahrhundert.
Dadurch verbringe ich viel weniger Zeit mit der verbindenden Arbeit der Auslieferung: Meetings zusammenfassen, PRDs entwerfen, Status- und Stakeholder-Updates schreiben und erste Recherchearbeiten. Vieles davon habe ich an ein persönliches „agentisches Betriebssystem“ ausgelagert, das sich weitgehend selbst steuert.
So kann ich meine Zeit auf die 10 % konzentrieren, die wirklich schwierig und menschlich sind – nicht auf die 90 % Koordination, die früher die Woche aufgefressen haben. Ich widme mich mehr dem eigentlichen Handwerk: Denkerarbeit, Urteilsfindung, Prototypenentwicklung.
Über Prototypenentwicklung gesprochen: Hier hat sich besonders viel verändert. Ich kann heute eine Vision validieren, indem ich selbst einen funktionierenden Prototyp baue, bevor überhaupt jemand anderes daran arbeitet. Die Hürde, etwas zu bauen, gibt es nicht mehr. Wenn ich eine Idee habe, kann ich einen funktionsfähigen Erstentwurf erstellen.
Wann KI nutzen – und wann ein Mensch gebraucht wird
Am stärksten automatisierbar sind das Zusammenfassen und die administrativen Schichten:
- Rohes Meeting-Audio in Entscheidungen und Aktionspunkte überführen
- Erste Entwürfe von PRDs und Recherchen erstellen
- Eingehende Signale sortieren
- Stakeholder-Updates bearbeiten
Man setzt dies mit persönlichen Agenten um, die die eigenen Eingaben überwachen, Entscheidungsbedarf hervorheben und den Rest vorformulieren.
Kundenintelligenz wird in diesem Bereich ebenfalls viel zu wenig genutzt: Es gibt mittlerweile Tools, die konkret sagen, welche Features gebaut werden sollten und den Einfluss auf den ARR schätzen – trotzdem aggregieren die meisten Teams Feedback immer noch per Hand aus Slack und Support-Tickets.
Aber der Mensch muss immer noch definieren, was „gut“ bedeutet. Als Führungskraft ist es deine Aufgabe, Qualität zu definieren – darum halte ich die Bewertung (Evals) für so entscheidend.
Menschen müssen außerdem Geschmack und Produkturteil einbringen, wirklich kreative Sprünge von Null auf Eins machen und das Vertrauensgeschäft der Teamführung, das Navigieren von Politik und die schwierige Priorisierung übernehmen.
KI verschafft mehr Möglichkeiten – aber der Mensch entscheidet, wo die Zielscheibe hängt.
Warum Technologiestacks mit einem Audit beginnen sollten
KI-Tools sind genau wie ein gutes Videospiel – leicht zu bedienen, aber gnadenlos schwer zu meistern. Die verlockende Ersteinstiegserfahrung lässt vermuten, es würde immer so glatt laufen, sodass viele von der Komplexität überrascht werden. Viele geben dann auf. Die eigentliche Fähigkeit ist nicht das Prompten, sondern die Bereitschaft, dranzubleiben und in deinem eigenen Tempo zu lernen – schneller, als sich angenehm anfühlt.
Im Beruf besteht mein Stack vor allem aus den neuesten Gemini-Modellen, mit Antigravity als Agenten-Hub. Der Agentenmanager von Antigravity wird unterschätzt – dabei ist er tatsächlich innovativ. Im Bereich Projektmanagement verwendet Google eigene Tools, die mit Jira und GitHub in der Außenwelt vergleichbar sind.
Für meine persönlichen Projekte und Lehraktivitäten besteht mein Kern-Stack aus:
- Claude Code für das Programmieren. Das ist herausragend. Ich lasse mehrere Agenten parallel laufen. Es kommt einer echten Assistenz am nächsten, nicht nur einer Autovervollständigung.
- Replit zum Prototyping. Der Plan-First-Ansatz und die parallelen Agenten heben es hervor.
- NotebookLM plus Obsidian für Recherche und Schreiben.
- Codex und Claude Cowork übernehmen viele wiederkehrende Aufgaben und Automationen, indem sie E-Mail, Kalender, Cloud-Laufwerke und Besprechungsnotizen integrieren.
- Granola und Wispr Flow vervollständigen den Stack. Ich spreche mich sehr für Spracherkennung und Spracheingabe aus.
In den letzten 6–12 Monaten hat sich der Stack von „KI nutzen, um schneller zu entwerfen“ zu einem echten persönlichen agentischen Betriebssystem entwickelt – es geht weniger um einmalige Prompts und mehr um beständige Agenten, die wiederkehrende Abläufe umfassend übernehmen.
Mein Rat zum Aufbau eines Stacks: Beginnen Sie nicht mit dem auffälligsten Tool. Prüfen Sie, wie Sie Ihre Woche verbringen, finden Sie Ihre größten Zeitfresser und wählen Sie gezielt das Tool, das diese beseitigt. Allgemeine Einführungsstrategien funktionieren nicht.
Wie agentische Workflows die Projektabwicklung optimieren
Wir haben uns bewusst zuerst auf das gemeinsame Fundament konzentriert, das diese Workflows ermöglicht, denn dort entscheidet sich, ob alles zusammenhält oder auseinanderfällt.
Fast alle unsere Prozesse laufen mittlerweile als agentische Workflows – über Design, Produktmanagement und technische Umsetzung hinweg. Agentische Workflows steuern die Strategie und das Denken hinter dem, was gebaut werden muss, das Design von Komponenten, Screens und Layouts sowie das Zusammenspiel von Backend- und Frontend-Code. Das ist kein isoliertes Experiment in einer Ecke des Teams; so findet die Arbeit Ende-zu-Ende statt.
Wir haben uns bewusst zuerst auf das gemeinsame Fundament konzentriert, das diese Workflows ermöglicht, denn dort entscheidet sich, ob alles zusammenhält oder auseinanderfällt. Ganz praktisch heißt das: gemeinsame Infrastruktur für das gesamte Team aufbauen, einen gemeinsamen Satz an Agentenfähigkeiten bereitstellen und einen gemeinsamen Rahmen schaffen, über den alle arbeiten. Das wichtigste Element ist Dokumentation, die nicht nur für Menschen, sondern auch für Agenten verständlich ist. Wenn Ihre Dokumentation nur für Menschen Sinn ergibt, driften Ihre Agenten ab, daher investieren wir viel Aufwand in Texte, die beiden Zielgruppen gleichzeitig dienen.
Konkret sieht das aus wie klar markierte Wissensdateien, PRDs und Entwicklungsdokumente. Wir behalten diese in der Regel in Markdown, sehr prägnant, und schreiben sie so, dass sie für Menschen und Agenten gleichermaßen verständlich sind. Entscheidend ist: Menschen validieren all diese Dateien, bevor wir mit der Umsetzung starten. Die menschliche Validierung der Eingaben hält den agentischen Workflow sauber, denn Agenten sind nur so gut wie die ihnen zugrundeliegenden Dokumente und Fähigkeiten.
Wir führen außerdem sehr klare Checklisten und stellen sicher, dass Agenten diese abarbeiten. Ein Agent markiert einen Schritt erst dann als abgeschlossen, wenn die jeweilige Checkliste auch wirklich erfüllt ist; nur dann geht es zum nächsten Schritt. Diese Disziplin aus klarer Dokumentation, menschlich validierten Eingaben, gemeinsamen Fähigkeiten und schrittweisen Checklisten macht agentische Arbeit von einer Modeerscheinung zu etwas Zuverlässigem.
Der Nutzen zeigt sich, sobald das Fundament steht. Die eigentliche Herausforderung ist die Investition im Vorfeld in gemeinsame Infrastruktur und agententaugliche Dokumentation. Teams, die diesen Schritt überspringen, erleben ein beeindruckendes Demo, nur um dann mitanzusehen, wie die Prozesse mit wachsender Komplexität auseinanderfallen. Teams, die die Arbeit machen, erhalten tatsächlich schnelle, parallele Umsetzung in Design, Produkt und Entwicklung.
Wie KI traditionelle Projektmanagement-Modelle verändert
Das altmodische Wasserfallmodell funktioniert heute einfach nicht mehr. Klassisches Projektmanagement verlief streng linear: Schritt eins führte zu Schritt zwei, dann zu Schritt drei, mit starren Übergaben zwischen den Disziplinen. Produkt schrieb die Spezifikation, Design erstellte die Entwürfe, Entwicklung baute es – und dann prüfte das Design die finale Ausgestaltung. Jede Phase wartete auf die vorherige.
Diese lineare Kette ist aufgebrochen, was eine großartige Entwicklung ist. Die einzelnen Schritte sind jetzt austauschbar und die Grenzen zwischen Design, Entwicklung und Produkt sind verschwommen. Beispielsweise haben Designer das Designsystem bereits direkt in den Code integriert – die richtigen Komponenten, Layouts und spezifische Farbwerte. Die Entwicklung kann dann einen gesamten Feature-Flow umsetzen, und das Design beseitigt sämtliche UI-Probleme direkt im Code, um die Feinarbeit abzuschließen. Niemand wartet mehr auf eine Übergabe aus Figma. Design arbeitet im selben Medium wie die Entwicklung.
Das gleiche Verschwimmen passiert auch vorgelagert. Das Produktteam kann viel mehr PRDs parallel erstellen und damit die Entwicklung entblocken. Die Entwickler können mit KI tiefgehende, detaillierte technische Designdokumente verfassen, ohne dass das Produktteam jeden Schritt absegnen muss, weil jede Disziplin Arbeiten leisten kann, die früher Spezialisten vorbehalten waren.
Verschiedene Teammitglieder können nun verschiedene Teile der Arbeit übernehmen. Statt also einem linearen Staffellauf, bei dem der Stab bei jeder Übergabe verloren gehen kann, entsteht nun ein kleines, selbstbestimmtes Team, in dem jeder in angrenzende Bereiche vorstoßen kann, um Blockaden zu lösen.
In der Praxis bedeutet das leichte Systeme statt schwerfälliger Prozesse: weniger Statusmeetings und Freigabeschleifen, dafür mehr funktionierende Prototypen. PRDs und technische Designdokumente werden schnell generiert und als lebendige Artefakte behandelt, nicht als eingefrorene Spezifikationen. Ein gemeinsamer Code-Bestand — mit integriertem Designsystem — dient als einzige Quelle der Wahrheit, wo sich Produkt, Design und Entwicklung treffen.
Das Ergebnis ist Geschwindigkeit — Teams prüfen ihre Vision durch das Bauen, nicht durch Koordination, und veröffentlichen den Feinschliff, der früher viele Übergaben benötigte, nun in einem Bruchteil der Zeit.
Warum KI die Notwendigkeit von Projektritualen nicht abschaffen kann
Alle üblichen Rituale existieren weiterhin, und einige werden mit KI sogar noch wichtiger, nicht weniger. Viele gehen fälschlicherweise davon aus, dass schnelleres Bauen auch weniger Disziplin bedeutet. Das Gegenteil ist der Fall.
Die Festlegung des Projektumfangs ist nach wie vor entscheidend. Ein Team benötigt weiterhin eine kristallklare Definition dessen, was gebaut werden soll. Was sich verändert hat, ist das, was innerhalb dieses Umfangs nun möglich ist. Wenn ein Team effizient mit KI entwickelt, können viele Dinge, die früher niedrige Priorität hatten oder ewig im Backlog steckten, jetzt priorisiert und ausgeliefert werden. So entsteht ein bedeutungsvolleres, vollständigeres Produkt als zuvor. Der Umfang kann ambitionierter werden, aber die Notwendigkeit, ihn klar zu definieren, bleibt bestehen.
Teams benötigen weiterhin volle Abstimmung. Stakeholder ebenfalls. Wer über mehrere Teams hinweg arbeitet, muss immer noch bewusst sowohl intern als auch teamübergreifend Abstimmungen vornehmen. KI übernimmt diese Abstimmung nicht für dich.
Die Validierung der Arbeit ist noch wichtiger. Beim Produktaufbau in großen Unternehmen erreichen die Produkte Millionen, nicht nur Dutzende oder Hunderte Nutzer. Die Produkte müssen weiterhin exzellent sein, sehr gut funktionieren und auf dieser Skala performen. Die Unterstützung durch KI beim schnelleren Entwickeln senkt diese Anforderungen nicht. Die Validierung bleibt daher unverzichtbar.
Was sich geändert hat, ist, dass der Prozess nicht mehr so mühselig und langsam ist. Die Rituale selbst — klarer Umfang, echte Abstimmung und gründliche Kontrolle — bleiben relevant und gewinnen sogar an Bedeutung. Wir müssen die Prozesse überdenken, die traditionell eine schnellere Umsetzung behindern. KI ermöglicht es, die Zeremonie und Reibung um diese Rituale herum zu reduzieren, während ihr Kern geschützt bleibt.
Warum Urteilsvermögen in KI-zentrierten Organisationen noch wichtiger wird
Kurzfristig werden mehr Technologieunternehmen KI für die gesamte Produktentwicklung und -auslieferung einsetzen. Die gewagtere Prognose ist jedoch, wohin die Verbreitung als Nächstes führt. Sie wird sich nicht auf Tech-Unternehmen beschränken. Sie wird auf große Konzerne, dann auf Nicht-Technologieunternehmen und schließlich auf traditionelle Betriebe übergreifen.
Sobald diese Vorteile von Einzelpersonen über kleine Teams zu ganzen Organisationen wandern, wird der Dynamo-Effekt Teams und Arbeitsabläufe grundlegend verändern. Die Struktur, wie Lieferteams aufgebaut sind und wie Arbeit durch sie hindurchfließt, wird völlig anders aussehen als heute.
Die Bedeutung guter Entscheidungen verschwindet dabei keineswegs – im Gegenteil: Sie wird wichtiger, weil Entscheidungen viel häufiger getroffen werden müssen. War die Auslieferung früher langsam, gab es nur wenige wichtige Entscheidungen, vielleicht alle paar Wochen oder Monate. Jetzt müssen mehrmals täglich, manchmal stündlich, qualitativ hochwertige Entscheidungen getroffen werden.
KI-getriebene Entwicklung muss sowohl Top-down als auch Bottom-up eingeführt werden.
Daher muss sich der Fokus auf menschliche Entscheidungsfindung verschieben. Jeder Fachbereich muss eine klare Brille definieren, durch die jede Entscheidung betrachtet werden kann, um schneller und klarer entscheiden zu können. Ebenso wichtig ist es, diese Entscheidungen zu dokumentieren, damit Agenten sie verstehen und darauf zurückgreifen können.
Erfolgreiche Teams werden hochwertige, gut dokumentierte menschliche Urteilsfähigkeit als eine knappe Ressource behandeln, weil KI diese sowohl häufiger notwendig als auch wertvoller macht.
Warum Delivery-Leader KI übernehmen und Experimente fördern müssen
Der entscheidende Meta-Punkt ist, dass KI-gesteuerte Entwicklung sowohl von oben nach unten als auch von unten nach oben eingeführt werden muss. Es kann nicht nur das eine oder das andere sein.
Die obere Hälfte erfordert das Engagement der Führungsebene. Wenn das obere Management sich nicht engagiert, experimentiert und versucht, die eigenen Arbeitsabläufe und Liefersysteme zu verändern, wird es für die Organisation sehr schwierig, KI auf sinnvolle Weise einzuführen. Man kann keine Transformation anordnen, die man nicht selbst lebt. Führungskräfte, die KI an eine Taskforce delegieren, während sie selbst ihre Arbeitsweise nicht verändern, senden ein deutliches Signal, dass dies optional ist – und die Organisation versteht dieses Signal exakt. Mein erster Ratschlag an andere Delivery-Leader ist daher: Ändern Sie zuerst Ihre eigenen Arbeitsweisen, bevor Sie von anderen verlangen, ihre zu verändern.
Die untere Hälfte ist ebenso wichtig. Jüngere Mitarbeitende und einzelne Teams müssen die Freiheit haben, zu experimentieren, Konventionen herauszufordern und bestehende Abläufe in Frage zu stellen. Sie brauchen Raum, um Dinge auszuprobieren, zu hinterfragen, wie Lieferung bisher immer gelaufen ist, und anschließend das Gelernte an die Führungsebene weiterzugeben. Existiert dieser Kommunikationskanal nicht, fehlt also diese Freiheit und gelangen die Erkenntnisse nie nach oben, scheitert der gesamte Prozess genauso sicher, wie wenn das Engagement der Führung fehlt.
Das nützlichste, was eine Führungskraft im Delivery-Bereich derzeit tun kann, ist, beide Enden gleichzeitig zu halten. Gehen Sie mit gutem Beispiel voran, indem Sie Ihre eigenen Lieferprozesse sichtbar überdenken, und schaffen Sie gleichzeitig Bedingungen, damit Ihre Teams frei experimentieren und funktionierende Ansätze an Sie zurückmelden können. Es muss sowohl von oben nach unten als auch von unten nach oben geschehen.
Wenn sich nur eine Seite einbringt, kommt die Einführung ins Stocken. Beteiligten sich beide, bleibt die Veränderung bestehen.
Bleiben Sie dran
Sie können Anshumani Ruddras Arbeit auf LinkedIn verfolgen. Außerdem können Sie seinen Blog und seine Kurse ansehen.
Weitere Expert:innen-Interviews folgen auf The Digital Project Manager!
