Wie sich die Entwicklung von KI-Produkten unterscheidet – und warum Produktteams sich weiterentwickeln müssen

Galen Low: Gibt es wirklich einen so großen Unterschied im Prozess der Entwicklung eines Produkts mit KI-nativen Funktionen im Vergleich zu anderen Produkten, die lediglich auf bestehende KI-Technologie zurückgreifen?

Jyothi Nookula: Ja. Wenn man ein KI-natives Produkt entwickelt, hat man es mit drei Dingen zu tun, die sich unterscheiden. Erstens ist KI grundsätzlich unvorhersehbar.

Galen Low: Was ist das Erste, was Sie als Führungskraft tun, wenn Sie feststellen, dass ein Team nicht auf dem gleichen Level ist, wenn es um das Verständnis, den Umgang und sogar die Akzeptanz neuer Technologien wie KI geht?

Jyothi Nookula: Ich teile das Problem in zwei verschiedene Bereiche. Das erste Problem ist die Kompetenz. Das zweite ist die Einstellung. Wenn man ein Einstellungsproblem wie ein Kompetenzproblem behandelt, verschlimmert man es nur.

Galen Low: Was sind Ihre wichtigsten Dinge, die ein Product Manager, der sich für die Entwicklung von KI-Produkten interessiert, in seinem Lebenslauf oder Portfolio vorweisen sollte, um herauszustechen?

Jyothi Nookula: Eins ist der Nachweis, dass man etwas mit KI entwickelt hat, nicht nur darüber gesprochen hat. Der zweite Punkt ist...

Galen Low: Willkommen zum Podcast des Digitalen Projektmanagers – der Show, die Führungskräften im Delivery-Bereich hilft, intelligenter zu arbeiten, schneller zu liefern und besser zu führen im Zeitalter der KI. Ich bin Galen und jede Woche tauchen wir ein in praxisnahe Strategien, neue Tools, bewährte Frameworks und die eine oder andere Anekdote von der Projekt-Front. Egal, ob Sie riesige Transformationsprojekte steuern, KI-Workflows bändigen oder einfach versuchen, das Chaos im Griff zu behalten – Sie sind hier richtig. Los geht’s.

Heute sprechen wir über die Zukunft des Product Managers, was es braucht, um KI-Produkte zu entwickeln, wie KI den Produktentwicklungs- und Release-Prozess optimiert und was Teamleiter tun können, wenn ihre Produktteams unterschiedliche Fähigkeiten und Einstellungen im Umgang mit neuen Technologien wie KI haben.

Bei mir im Studio ist heute Jyothi Nookula. Jyothi verfügt über mehr als 13 Jahre Erfahrung in der Entwicklung von Innovationen im Bereich KI-Produkte und -Plattformen bei Unternehmen wie Netflix, Meta, Amazon AWS und Etsy. Sie hält außerdem 12 Patente im Bereich Machine Learning und hat über 1.500 Produktmanager bei ihrem Wechsel in KI-Rollen durch ihr Bildungsunternehmen Next Gen Product Manager betreut.

Jyothi, vielen Dank, dass du heute hier bist.

Jyothi Nookula: Hallo zusammen. Ich freue mich sehr, heute hier zu sein.

Galen Low: Ich bin auch begeistert und habe mich wochenlang auf dieses Gespräch gefreut. Als wir uns zuerst unterhielten und ich dein Profil ansah, dachte ich: Wow, Jyothi ist eine echte Powerfrau. So viele Marken und Technologien in ihrem Profil – wirklich beneidenswert.

Ich habe eine Schwäche für Menschen, die versuchen, die nächste Generation eines Handwerks so weiterzuentwickeln, dass sie in einer immer technologischer und jetzt KI-orientierten Welt bestehen kann. Als wir uns unterhielten, merkte ich: Wir haben so viel gemeinsam. Ich sitze auf der Projektseite, du mehr auf der Produktseite. Ich bin richtig gespannt darauf, wie sich die Dinge verändern und was du auf deiner Reise durch KI- und Machine-Learning-Produkte gelernt hast.

Ich weiß, wir werden unterwegs sicher die eine oder andere spannende Abzweigung nehmen, die wertvoll sein wird, und ich hoffe, das passiert auch. Aber als Projektmanager habe ich uns eine kleine Roadmap für heute erstellt. Am Anfang will ich einfach eine brennende Frage loswerden – eine unangenehme, aber drängende Frage, deren Antwort, glaube ich, alle interessiert.

Danach möchte ich auf drei Aspekte näher eingehen. Erstens auf das Erkennen und Schließen von Kompetenzlücken im Produktteam beim Umgang mit Produkten, die KI- und Machine-Learning-Features nutzen. Zweitens will ich Beispiele dafür erkunden, wie deine Teams KI-Tools im Produktentwicklungsprozess einsetzen – sei es bei der Forschung, Datenanalyse, im Design, Engineering, Usability-Tests oder etwas ganz anderem.

Und zuletzt möchte ich erforschen, wie die Zukunft der Rolle des Produktmanagers aussieht. Was muss ein Lebenslauf oder Portfolio enthalten, um überhaupt für Rollen bei Firmen wie Meta, AWS, Netflix, Etsy oder anderen großen KI-getriebenen Unternehmen in Betracht gezogen zu werden?

Jyothi Nookula: Ich liebe es. Das ist das heißeste Thema gerade. Genau mein Ding.

Galen Low: Großartig. Lass uns mit dieser großen Frage starten. Meine Frage, um alles zu rahmen, ist: Geht es um KI. Denn du hast viel Erfahrung darin, mit Produktteams KI- und Machine-Learning-basierte Lösungen für große Unternehmen wie Meta, Amazon, Etsy und Netflix zu entwickeln. Gibt es wirklich so einen großen Unterschied im Prozess der Entwicklung eines Produkts mit KI-nativen Funktionen im Vergleich zu anderen Produkten, die lediglich bestehende KI-Technologie nutzen?

Jyothi Nookula: Das ist eine tolle Frage, denn das trifft wirklich den Kern dessen, was sich gerade bei der Produktentwicklung verändert. Die ehrliche Antwort: Ja, grundsätzlich – aber nicht so, wie die meisten denken. Folgendes meine ich damit: Wenn du ein KI-natives Produkt entwickelst, hast du es mit drei Dingen zu tun, die sich von klassischer Software oder auch Produkten unterscheiden, die KI nur per API integrieren.

Erstens: KI ist grundsätzlich unvorhersehbar. Bei klassischer Produktentwicklung schreibst du deterministischen Code: Wenn das passiert, dann das. Wenn ich auf diesen Button klicke, kommt immer derselbe nächste Screen. Mit KI-nativen Produkten arbeitest du mit probabilistischen Systemen, das heißt: Die KI-Features liefern bei jedem Durchlauf unterschiedliche Ergebnisse.

Das bedeutet, dein gesamter QA-Prozess, Edge Case Handling, Zuverlässigkeitsgarantien – alles muss komplett neu gedacht werden. Es reicht nicht zu testen, ob etwas funktioniert, sondern ob es ausreichend gut und konsistent über viele mögliche Ergebnisse funktioniert.

Das ist das erste Grundlegende: die Unvorhersehbarkeit, das Deterministische gegen das Probabilistische. Zweitens: Man baut Produkte auf ständig wechselndem Boden, weil sich die zugrundeliegenden Modelle weiterentwickeln, ohne dass du sie vollständig kontrollierst. Ein neues Modell kann sich verhalten verändern, ohne gleich Breaking Changes zu verursachen. Es kann Fähigkeiten erweitern – oder neue Fehlerquellen einführen. Und das passiert oft über Nacht, so rasant, wie sich heute alles entwickelt. Im Gegensatz zu klassischen Abhängigkeiten, die man versionieren oder dokumentieren konnte, sind diese Modellupdates schneller, als man sie überhaupt fassen kann.

Drittens – das ist enorm wichtig: Deine Erfolgsmessung muss sich unterscheiden. Du kannst jetzt nicht mehr nur messen, ob ein Feature erfolgreich ausgeführt wurde. Du musst bewerten: War das Ergebnis nützlich? Hat es der Benutzerintention entsprochen? Wie definierst du überhaupt, was gut für deinen Anwendungsfall ist? Du brauchst engere Feedback-Loops mit deinen Nutzern und musst Bewertungen direkt in die Produktentwicklung integrieren – ganz anders als bei klassischer Produktentwicklung.

Das sind die drei wesentlichen Unterschiede. Produkte, die einfach KI integrieren, etwa durch ChatGPT, bleiben eher bei klassischen Integrationen – aber sobald du ein Produkt wirklich KI-nativ von Grund auf entwickelst, sind diese drei Punkte maßgeblich und wirken sich massiv auf die Produktentwicklung aus.

Galen Low: Lustig, denn bevor ich die Frage gestellt habe, dachte ich: Wahrscheinlich wird sie sagen, es ist im Grunde dasselbe, nur mit kleinen Unterschieden. Aber das ändert wirklich alles.

Ich finde besonders spannend, was du über das Messen von Intention und dem Messaspekt sagst. Ich komme ja aus der Projektwelt, mit klassischen Anforderungsdokumenten: alles binär – ja oder nein. Aber plötzlich hast du viel mehr Unschärfe, weil das System probabilistisch arbeitet, das Ergebnis also nicht immer gleich ausfällt.

Und weil die Architektur im Hintergrund gewissermaßen eine Black Box ist, die sich selbstständig und schneller weiterentwickelt, als Menschen folgen können. Das ist tatsächlich eine ganz andere Welt, als wie die meisten digitalen Produkte in letzter Zeit gebaut wurden. Aber es macht Sinn. Folgendes frage ich mich:

Du hast über ein Jahrzehnt Erfahrung im Bereich Machine Learning und KI. Viele Menschen sind erst in den letzten zwei Jahren richtig eingestiegen. Für sie ist es neu, seit ChatGPT den Deckel gelüftet hat, was mit KI möglich ist. Dabei ist KI schon lange in Software und digitalen Produkten verbaut.

Und ich denke an Netflix: Das sieht so einfach aus – aber ist es wahrscheinlich gar nicht. Algorithmen, Machine Learning im Backend, Datenverarbeitung … Netflix ist nicht einfach ein paar Tags und eine Taxonomie, es ist kein „Ähnliche Links“-Feature auf einer Website. Es geht um Verhalten und Intention – und es ist einfach, Fehler zu machen oder nicht zu merken, wie falsch die KI liegt, bis man das durch einen Tweet oder User-Feedback erfährt, z.B. „Mein Netflix versteht mich nie richtig.“

Jyothi Nookula: Selbst bei Instagram Reels oder TikTok – ich schau mir einmal ein Skivideo an, und dann werde ich mit Skivideos überschwemmt. Ja.

Galen Low: Und ich glaube, wir nehmen es oft als selbstverständlich hin. Es wirkt einfach, Routine, gleiches Skill-Set … aber wenn man es so betrachtet wie du, ist es komplett anders. Vielleicht können wir an dieser Stelle einen Schritt zurücktreten: Neben deiner beeindruckenden Produktverantwortung bei Amazon, Meta, Netflix, Etsy bist du ja auch Gründerin von Next Gen Product Manager, bietest Bootcamps zur Transformation von klassischem in KI-Produktmanagement an.

Eigentlich zeigt allein die Existenz deines Kurses ja: Die klassischen PM-Skills reichen heute nicht mehr. Es bedarf eines zukunftsgerichteten Mindsets und spezieller Kompetenzen. Und selbst wenn du dir in deiner Karriere die Teams oft aussuchen konntest, waren sicher nicht immer alle im Team gleich fit oder offen in Bezug auf KI und neue Technologien. Was ist das Erste, was du als Führungskraft tust, wenn du feststellst, dass ein Team nicht auf demselben Level in Bezug auf Verständnis, Umgang und Akzeptanz von KI steht?

Jyothi Nookula: Ja, und das ist eine sehr praktische Herausforderung, mit der ich häufig konfrontiert bin und die auch ständig bleibt. Ich habe Teams zwischen drei und zwölf Leuten geleitet. Die Kompetenz- und Komfort-Lücke mit KI ist die größte, die ich in meiner Karriere bei Technologie-Umbrüchen gesehen habe.

Mein Vorgehen: Ich trenne das Problem als Erstes in zwei Bereiche. Einerseits Kompetenz (also Mangel an Know-how), andererseits die Einstellung (also Skepsis, Widerstand, Angst). Es ist wichtig, zu diagnostizieren, wo das Problem wirklich liegt – manchmal ist es auch eine Mischung. Wenn du bei einem Einstellungsproblem mit Kompetenztrainings arbeitest, verschlimmerst du es.

Fehlt die Kompetenz, schaffe ich sofort einen gemeinsamen Kontext – durch Praxis, nicht durch Theorie! Das lehre ich auch in meinem Kurs: Lernen durch Tun. Ich schicke Leute nicht erst in Trainings oder empfehle Tutorials, sondern integriere KI direkt in den Alltag und den Workflow: z.B. Claude oder GPT-Integration, um Sprint Retros zu schreiben, Themen oder Nutzerforschung zusammenzufassen, Deep Research, Zusammenfassungen im User Research … Die Leute erleben so, wie ihnen das Tool konkret hilft, anstatt es als Ersatz zu sehen. Nach zwei Wochen frage ich dann in Meetings: Wer hat mit KI etwas schneller erledigt? Wer hat ungeahnte Einblicke gewonnen – dank KI? Die gemeinsamen Erfahrungen bauen die Kompetenz auf.

Geht es um Einstellung (Widerstand, Angst), führe ich 1:1-Gespräche, frage offen nach ihren Bedenken und höre erst einmal nur zu. Dabei kommen oft berechtigte Ängste auf den Tisch: Die Sorge, das eigene Handwerk würde entwertet; das Misstrauen gegen die Qualität der KI-Ausgaben; das Gefühl, abgehängt und überfordert zu sein. Hier kann man niemanden mit Logik überzeugen, sondern muss Ängste anerkennen und normalisieren und gemeinsam einen Lösungsweg bauen.

Wer z.B. um sein Handwerk bangt, dem zeige ich auf, wie KI das Grundgerüst erledigt und er sich neuen Herausforderungen widmen kann. Wer der Technik misstraut, plant mit mir Bewertungsrahmen, wird Experte für KI-Qualitätssicherung im Team.

Hilfreich ist auch, „Bridge People“ zu identifizieren – Teammitglieder, die KI gerne ausprobieren und experimentieren. Ich gebe ihnen die explizite Erlaubnis, Einblicke ins Team zu bringen: im Daily, Show & Tell, Peer-to-Peer-Learning. Wenn Kollegen sehen, dass ein Teammitglied KI nutzt und produktiv ist, öffnen auch die Skeptiker sich öfter – viel wirksamer als Anweisungen von oben.

Schließlich – auch wenn es provokant klingt – stelle ich klar, dass KI-Kompetenz zur Basiserwartung wird. Ich habe Verständnis für die Lernkurve, bin geduldig im Prozess, aber in der Richtung unmissverständlich: Es ist keine Option mehr, KI zu ignorieren. So wie früher alle Agile, Analytics oder UX kennen mussten, gehört KI jetzt zum Jobprofil.

Ich habe festgestellt: Die erfolgreichsten Teams kombinieren hohe Unterstützung mit hohen Anforderungen – das reduziert Ängste. Dort, wo Führungskräfte vage sind und Unterstützung fehlt, entstehen Ängste und Widerstand. Ziel ist nicht, sofort alle aufs gleiche Level zu bringen, sondern gemeinsam in die richtige Richtung zu starten – mit psychologischer Sicherheit und praxisnahen Tools.

Galen Low: Großartig. Ich liebe diese Unterscheidung zwischen Kompetenz und Einstellung. Und ehrlich, das klingt wie eine Mischung aus Change- und Teamentwicklung in Echtzeit.

Oft denken wir Change-Management ist etwas, das man macht, wenn eine große Veränderung kommt – eine einmalige Initiative. Aber hier ist Change-Management ein täglicher, begleitender Prozess. Geteilt, mit Peer-Support, Offenheit, Klarheit, weniger Peer-Pressure, mehr Peer-Support.

Wissen wird geteilt, Sorgen werden adressiert. Auch die sehr realen Ängste – Gefühl, nicht mitzuhalten. Zu wenig Zeit. Entwertung des eigenen Handwerks. Nichts ist hilfreicher, als im Team zu sehen, wie damit umgegangen wird – nicht nur im Theoretischen.

Gemeinsames Tun führt zur Entwicklung. Und deine hohe Erwartung gepaart mit Unterstützung und Klarheit finde ich überzeugend. Das ist der entscheidende Unterschied: Nicht mehr, ob KI kommt, sondern wie wir zusammen den Wandel gestalten.

Jyothi Nookula: Ja.

Galen Low: Du hast das Thema kleine Experimente, Piloten erwähnt: Schnelle Praxisnähe, Steigerung der Kompetenz mit KI. Ich kann mir vorstellen, dass KI in vielen Bereichen des Produktentwicklungsprozesses eingesetzt werden kann – besonders, wenn das Produkt selbst auf KI basiert.

Kannst du uns konkrete Beispiele geben, wie eure Teams KI im Entwicklungsprozess einsetzen?

Jyothi Nookula: Ja. Ganz konkrete Beispiele aus dem gesamten Product-Lifecycle.

Galen Low: Sehr gerne.

Jyothi Nookula: Beginnend bei Discovery und Forschung. Wir setzen KI gezielt ein, um Erkenntnisse viel schneller zu gewinnen. Früher ergaben 15–20 User-Interviews einen Berg an Daten, aus denen wir mühevoll Wochen brauchten, um Muster herauszufiltern. Heute geben wir die Transkripte in Claude ein – und lassen Muster, Widersprüche und Randfälle identifizieren.

Aber: Das Endergebnis prüfen und challengen wir mit dem Forscher gemeinsam. Der Mensch bleibt entscheidend – KI liefert nur den hervorragenden ersten Entwurf in einer Stunde anstelle einer Woche. So können Forscher und PMs sich auf die entscheidende Bewertung konzentrieren: Was zählt? Was widerspricht unseren Annahmen? Tiefgreifende Fragen nach vorne richten.

Auch bei Support-Tickets: Das Ticket-Aufkommen ist immer enorm. Viele Teams arbeiten sich manuell durch tausende Anfragen, um Pain-Points zu erkennen. Mit KI analysieren wir Tausende Support-Tickets, ermitteln so Größe, Reichweite und Ursachen von Problemen und erhalten Muster, die wir manuell nie gefunden hätten.

So gewinnen Produktmanager eine valide Entscheidungsbasis: Welche Features sind prioritär für unsere Roadmap?

Auch bei Dokumentation oder Stakeholder-Kommunikation: KI nimmt uns viel Fleißarbeit ab. Wir nutzen KI um PRDs zu schreiben, Sprint-Reviews zu verdichten, Stakeholder-Updates zu erstellen. KI liefert starke Entwürfe. Ein PM meinte: Früher verbrachte ich 30% meiner Zeit mit Doku – heute mit dem Editieren und Verbessern von Texten. Viel wertvoller, denn es gibt immer einen soliden Startpunkt.

Und KI macht Dokumentation zugänglicher: Man kann z.B. fragen: „Was haben wir beim Payment-Redesign beschlossen?“ – und erhält automatisch daraus generierte Antworten, aus Threads, Meetings und PRDs kombiniert. Dokumentation wird also für alle schneller nutzbar.

Auch in Richtung Engineering: Früher erstellte der PM nur die PRD. Heute gehört häufig ein Prototyp dazu. Warum nur Stories liefern, wenn man ein klickbares Beispiel zeigen kann? So entstehen klare Vorstellungen vom Product Market Fit noch vor der Entwicklung. Die neue PRD enthält: Vision, Bewertung, Anforderungen, Akzeptanzkriterien – und den Prototyp mit dem gewünschten Nutzerverhalten. So ändert sich der gesamte Produktentwicklungsprozess.

Galen Low: Gut, dass du das ansprichst. Kürzlich sprach ich mit Produktleuten über PRDs (Product Requirement Documents) – sind sie tot? Aber ein Kollege erwiderte: Sie bleiben zentral! Man braucht Gedanken und Argumente, warum ein Produkt auf den Markt passt, welche Features, welche Prioritäten. Prototyping, Strategie und Vision müssen im Team bestehen bleiben. KI gibt Impulse, aber die kreative Antwort kommt vom Team. Die Dokumentationskultur hilft, KI zu trainieren.

Aber viele, die vorher nie Doku schrieben, müssen jetzt damit anfangen, um davon zu profitieren. Produktmanager sind also oft vorn dabei.

Ich liebe das Bild von der „ersten Entwurfsmaschine“. Ich habe aber noch eine Frage: Nutzt ihr KI nur als Entwurfsmaschine oder füttert ihr die bearbeiteten Ergebnisse zurück, damit die KI immer besser wird?

Jyothi Nookula: Wir nennen das One-Shot-Prinzip – viele erwarten, dass man KI einmal füttert und das Ergebnis direkt übernimmt. Das funktioniert selten. In der Praxis liefert KI einen ersten starken Entwurf, den man dann weiter iteriert – eigene Gedanken einbringt, nachbessert, Feedback gibt. Die KI analysiert Schwachstellen, gibt Impulse, und im Gespräch entwickelt man Fortschritte, bis das Ergebnis stimmig ist. Wer KI als Einweg-Werkzeug nutzt, verschenkt viele Potenziale. Wert entsteht mit jedem weiteren Umlauf, durch iteratives Arbeiten. „Taste“ bzw. Feingefühl muss nach wie vor vom Produktmanager kommen.

Galen Low: Ein schönes Bild – „Taste“. Manche fürchten, sie reden dann 30% der Zeit mit einem Roboter, statt mit Menschen – gerade Product Manager reden ja sonst in Interviews und Forschung viel mit echten Nutzern. Geht KI auf Kosten der Menschlichkeit im Produktmanagement? Manche fürchten vielleicht auch eine Entmenschlichung?

Jyothi Nookula: Nicht unbedingt. KI wird nicht zur reinen Roboter-Konversation, denn du musst dich weiterhin mit Stakeholdern, dem Engineering- oder Forschungsteam abstimmen. PMs sitzen an einer zentralen Schnittstelle und nutzen KI als hilfreichen Assistenten für Brainstormings – ein 24/7-Companion, mit dem man Ideen entwickeln kann, aber die menschliche Interaktion bleibt zentral.

Galen Low: Spielen wir mal den Advocatus Diaboli: In Unternehmen wie den deinen gibt es bestimmt Leute, die sagen: „Können wir diesen Prozess nicht einfach automatisieren? Brauchen wir den Menschen?“ Warum nicht alle Support-Tickets durch einen Agenten, Features automatisch priorisieren, entwickeln, releasen – alles ohne Menschen?

Wie kann man gegen diesen Tech-zentrierten Ansatz argumentieren? Wie hältst du in großen Techfirmen dagegen, dass nicht Technologie statt Nutzer im Mittelpunkt steht?

Jyothi Nookula: Das begegnet mir häufig – sowohl in Beratungsprojekten als auch bei meinen Studierenden. Alle wollen jetzt KI integrieren. Und oft geraten die Nutzer und ihre Probleme aus dem Fokus. Die Anreize liegen falsch – Führung liest dieselben Hype-Artikel, Investoren fragen in jedem Call nach der KI-Strategie, Entwickler wollen hacken. Der Druck, „etwas mit KI zu machen“, ist enorm.

Mein Ansatz: Zurück auf Produkt-Prinzipien. Nutzer vor Algorithmen! Kommt jemand mit einer neuen KI-Fähigkeit, frage ich: „Welches Problem lösen wir damit?“ Und lasse mir detailliert schildern, wie der Alltagsablauf des Nutzers aussieht, welche Bedürfnisse bestehen, was ohne diese Technik passiert wäre. Daraus ergeben sich drei Szenarien:

1. Die Energie verpufft, weil kein echtes Problem vorliegt. 2. Es gibt ein echtes Problem, aber KI ist gar nicht die beste Lösung – vielleicht ist besseres Onboarding, UX oder ein einfacheres Tool sinnvoll. 3. Best Case: Ein reales Nutzerproblem, bei dem KI wirklich neuen Mehrwert schafft. Innovation entsteht!

Bei Amazon nutzen wir das Prinzip des „Working Backwards“, indem wir z.B. eine Pressemitteilung zum geplanten Produkt erstellen. Ich lasse PMs die Auswirkungen aus Nutzerperspektive schildern – das ist schwer zu faken und klärt die Vision wirklich.

Es gibt aber auch Fälle, wo die Vorgabe Top-Down kommt – z.B. der CTO hat entschieden. Dort versuche ich wenigstens, die Lösung auf ein wirkliches Problem anzuwenden: „Gut, wenn wir das machen, dann doch da, wo es echten Mehrwert bringt.“ Ich habe gelernt, als Produktmanager nicht nur Visionen zu verteidigen, sondern die Energie ins Richtige zu lenken – zum Wohl der Nutzer.

Galen Low: Das war eine Meisterklasse – Produktpolitik navigieren, Begeisterung kanalisieren! Oft sieht man sich als Gatekeeper, der von allem abwehrt. Aber Energie zu steuern, führt zu echter Innovation. Das Beispiel mit dem Pressetext stiehlt mein Herz – denn es bringt den Outcome, den Nutzen der Lösung in den Vordergrund.

Jyothi Nookula: Ich liebe das Pressemitteilungs-Konzept – ich nutze es bis heute in meiner Arbeit. Es schärft den Blick aufs Wesentliche.

Galen Low: Super.

Zurück zur Zukunft: Die Rolle des Produktmanagements verändert sich. Produkte, Tools, Methoden, Erwartungen an technische und geschäftliche Kompetenz – alles im Wandel. Welche drei bis vier Dinge müssen Produktmanager, die im Bereich KI Fuß fassen wollen, im Lebenslauf oder Portfolio vorweisen, um herauszustechen?

Jyothi Nookula: Danke für diese praktische Frage. Die Anforderungen haben sich in den letzten zwei Jahren sehr verändert.

Erstens: Nachweis, dass man wirklich etwas mit KI gebaut und umgesetzt hat. Es reicht nicht, in einem KI-Team mitzuarbeiten oder Strategien entwickelt zu haben – ich will sehen, welches Problem du gelöst hast, was die KI tat, wie du bewertet hast, was du gelernt hast. Wer das nicht im Job kann: Bau Nebenprojekte! Starte mit Projekten, mache daraus Produkte – zeig sie anderen, hol Feedback ein, verbessere das Produkt, mach es im Optimalfall sogar zu einem Zahlungsprodukt (auch mit Mini-Umsatz). Das beeindruckt im Lebenslauf mehr als jede LinkedIn-Zeile über KI-Projekte.

Zweitens: Technisches Verständnis. Du musst nicht coden, aber glaubhaft mit Ingenieuren diskutieren können, wissen, wie das System tickt z. B. Bewertungsrahmen, A/B-Tests, Qualität vs. Latenz, Kosten vs. Fähigkeiten, verwendete Architektur. Schreibe nicht „Habe KI genutzt, um Nutzererlebnis zu verbessern“ – sage, wo du z. B. ein RAG-Setup gebaut und Halluzinationen reduziert hast und was das gebracht hat. Testfrage für mich: Kannst du einem Entwickler erklären, warum man Technik A statt B nimmt? Und einem Business-Stakeholder, warum diese Entscheidung fürs Geschäft zählt?

Drittens (und letztens): Erfahrung im Umgang mit Ambiguität und schnellen Iterationen. KI-Produkte wandeln sich ständig, Modelle entwickeln sich weiter. Wer in Umgebungen „zero to one“ gearbeitet hat, bringt das mit. Zeige Experimentierfreude, Prototyping, schnelle Tests und Learnings – auch bei Side-Projects.

Was mich nicht interessiert: Buzzword-Suppe, Zertifikatsammlungen oder Sätze wie „leidenschaftlich für KI“. Entscheidend ist für mich das Lern- und Entwicklungs-Tempo („learning velocity“). Es spielt keine Rolle, ob du zehn Jahre KI-Erfahrung hast – niemand hat das aktuell! Entscheidend ist, dass du einfach loslegst, baust, lernst, ausprobierst – nicht wartest, bis dich jemand beauftragt.

Galen Low: Das beschreibt den Spagat sehr gut. Viele sagen, sie müssten nicht coden können – aber ein großes Vokabular und Verständnis sind nötig, um quer zu denken, Nutzerbedürfnisse und Technik zu verbinden, wo es reibt und wie man handhabt. Und diesen Mut, Tempo, Lernbereitschaft braucht es – eben nicht nur, weil man in Firma X dabei war.

Jyothi Nookula: Deshalb sage ich: Nicht auf Erlaubnis warten – machen! Die Barrieren, loszulegen, waren noch nie so niedrig.

Galen Low: Jyothi, danke für deine Zeit heute – es hat sehr viel Spaß gemacht. Wo kann man mehr über dich erfahren?

Jyothi Nookula: Auf LinkedIn unter Jyothi Nookula oder auf nextgenproductmanager.com, wo du mehr über meine Kurse zu KI-Produktmanagement, Agentic AI und PM Accelerator erfährst.

Galen Low: Super! Die Links findet ihr in den Shownotes oder in der Videobeschreibung. Nochmals vielen Dank, Jyothi.

Jyothi Nookula: Danke, es hat mir großen Spaß gemacht.

Galen Low: Das war’s für heute mit dem Digital Project Manager Podcast. Wenn dir das Gespräch gefallen hat, abonniere uns, wo immer du hörst. Und wenn du weitere praxisnahe Tipps, Case Studies und Playbooks willst, schau auf thedigitalprojectmanager.com vorbei. Bis zum nächsten Mal – danke fürs Zuhören.