KI-Experte und Ex-Produktmanager taucht tief ein in die Nutzung agentischer Workflows für die Projektabwicklung
Nate Jones ist ein ehemaliger Produktmanager, der nun eigene Produkte entwickelt – und gleichzeitig der breiten Masse vermittelt, wie sie agentische Systeme zu ihrem Vorteil nutzen können. Er ist der richtige Ansprechpartner, wenn Sie die Feinheiten beim Einsatz von agentischen Pipelines für die Projektabwicklung kennenlernen möchten. Genau deshalb haben wir uns mit ihm zusammengesetzt.
Nate Jones
Head of Product bei Rockerbox
Agentische Workflows definieren die Projektabwicklung neu: KI-Agenten können jetzt Triage, Planung und Dokumentation in großem Umfang übernehmen. In Kombination mit klaren Geschäftsregeln erhöhen sie Geschwindigkeit und Konsistenz bei Projekten erheblich.
Der neue Projektmanager ist Leiter von Agenten: Produkt- und Projektmanager müssen sich vom Erstellen von Artefakten hin zur Validierung von Agentenergebnissen bewegen. Die Arbeit konzentriert sich nun auf Überwachung, Qualitätskontrolle und das Anleiten von KI-Systemen zum Lernen und Verbessern.
Die Einführung von KI erfordert tiefgreifende operative Veränderungen: Der Umstieg auf KI-gesteuerte Workflows ist kein Selbstläufer. Er erfordert neue Gewohnheiten, sauberes Kontextmanagement und klare Dokumentation, damit Menschen sich auf die 2 % der strategischen Arbeit konzentrieren können, die 98 % der Ausführung durch KI ermöglichen.
Das hat er uns erzählt.
Lernen Sie „den Mr. Rogers der KI“ kennen und seine Besessenheit von Künstlicher Intelligenz
Ich bin Nate — im Internet bekannt als der Typ mit der Mütze, der ständig über KI spricht. Neulich nannte mich jemand „den Mr. Rogers der KI“ und ich fand es ziemlich cool. Ich komme ursprünglich aus dem Produktmanagement und kenne daher die Herausforderungen im Bereich Delivery sehr gut. Ich arbeite mit Unternehmen, die agentenbasierte KI-Systeme entwickeln.
Meiner Meinung nach ist das Wichtigste, was man derzeit tun kann, KI zu lernen. Deshalb bringe ich es anderen bei.
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
Ich bin regelrecht besessen davon. Und die Leute, die ich kenne, die sich ebenfalls darauf fokussieren, sind diejenigen, die in ihrer Karriere am erfolgreichsten sind. Sie müssen sich die Fluency Velocity anschauen – also wie schnell Sie Ihre Fähigkeit, KI-Tools einzusetzen, steigern. Das ist heute eine zentrale Karrierekennzahl.
So verzehnfachen Sie Ihre Effizienz und Geschwindigkeit mit KI in 24 Monaten
KI hat alles verändert! Sie hat meine Arbeitsweise komplett umgekrempelt. Ich gehe inzwischen grundsätzlich von KI als Startpunkt aus.
Tatsächlich würde ich sagen, dass ich meinen Aufgabenbereich und meine Geschwindigkeit bei der Auslieferung in den letzten 24 Monaten verzehnfacht habe – bei gleichzeitig höherer Qualität. So können Sie das auch erreichen:
- Ändern Sie Ihre Denkweise: Beginnen Sie immer mit LLMs. Nur so lernen Sie es.
- Erwarten Sie Ergebnisse, nicht nur Ratschläge: KI ist ein mächtiges Werkzeug, das komplette Arbeitsergebnisse liefern kann – speziell im Projektmanagement. Sie müssen die KI einfach dazu bringen, Ergebnisse zu liefern. Setzen Sie hohe Qualitätsmaßstäbe an. Sagen Sie ihr klar, wenn das Resultat nicht gut genug ist. Schauen Sie dann auf sich selbst – denn fast immer liegt es daran, dass Sie die Absicht nicht klar kommuniziert haben und das LLM aus einer unpräzisen Eingabe die falschen Schlüsse zieht.
- Verwenden Sie LLM-unterstützte Prompt-Erstellung: LLMs helfen dabei, Prompts zu bauen – das spart enorm viel Zeit.
- Lernen Sie den optimalen Umgang mit LLMs: Lernen Sie, Eingaben zu teilen und Prompts sehr sauber zu formulieren. Und seien Sie pingelig bei den Eingaben, den Daten und dem sauberen Kontext, den Sie dem Modell liefern.
So automatisieren Sie Ticket-Triage und Aufgabenzerlegung mit agentenbasierten Systemen
Die Automatisierung von Ticket-Triage und Aufgabenzerlegung in großem Maßstab mit agentenbasierten Systemen ist sehr wichtig. Besonders für den Aufbau klarer, typisierter und deklarativer Planungsarchitekturen und Agenten-Workflows.
Hier ein agentenbasierter Ticket-Triage-Workflow von Anfang bis Ende:
- Ein Kundentelefonat wird mit Granola (Notiz-App) transkribiert. Das Transkript gelangt dann in eine agentenbasierte Pipeline.
- Der erste Agent nutzt GPT-5 Thinking, um das Transkript zu analysieren und die Stimme des Kunden zu identifizieren. Das Ergebnis sind klare Anfragen.
- Diese Ergebnisse werden an den nächsten Agenten weitergegeben, der Notion (Projektmanagement-Software) über MCP ansteuert, die Kundendaten und Anforderungen protokolliert und das vollständige Transkript als Referenz anhängt.
- Der nächste Agent verwendet ein Analyse-LLM, in meinem Fall Gemini 2.5 Pro, um die gesamte Notion-Datenbank mit einem eigenen Prompt zu durchsuchen. Es erstellt eine gewichtete Übersicht zur Priorisierung aller erfassten Anfragen.
- Anschließend nutzt ein weiterer Agent ein leichtgewichtiges LLM (z. B. GPT Turbo), um Linear via MCP abzufragen. Es vergleicht die Prioritäten mit bestehenden Tickets, identifiziert Überschneidungen und hebt Lücken hervor.
- Wenn Lücken bestehen, kehrt der Workflow zu GPT-5 Thinking zurück mit einem Prompt, der Produktprobleme und Lösungserfordernisse generiert.
- Anschließend erstellt ein Agent mit ChatPRD via MCP einen ersten Entwurf für ein Product Requirements Document (PRD).
- Danach übernimmt GPT-5 Non-thinking, teilt das PRD in einzelne Tickets auf – ein sehr linearer Schritt – und übermittelt sie zurück zu Linear via MCP.
- Falls Sie noch weiter gehen möchten, kann ein anderer Agent die Liste der menschlichen und agentenbasierten Entwickler (wie Devin AI) abrufen und mit der automatischen Aufgabenvergabe in Slack beginnen.
Die Konstruktion von Ticket-Triage und -Zerlegung in großem Maßstab unter Einsatz agentischer Systeme war sehr wichtig. Insbesondere um saubere, typisierte und deklarative Planungsarchitekturen sowie Agentenflüsse zu erhalten.
Was agentische Pipelines sind und wie man sie für skalierbare Bereitstellung baut
Agentische Pipelines könnten einen ganzen Tag an Lektionen füllen, aber hier ist das Wesentliche: Sie geben einem LLM die Werkzeuge, Anweisungen und den Rahmen, um ein Problem für Sie zu lösen. Über eine API gebaut, ist Ihr Ziel, relevante Daten zu beziehen — z. B. über den MCP-Server von Atlassian oder ein ähnliches System — und die eingehenden Tickets mit dem richtigen Prompting zu koppeln, um autonome Aktionen einzuleiten.
Genau hier ist sauberes, deklaratives Prompting wichtig. Ich habe festgestellt, dass es gut funktioniert, weniger auf Prompt-Sprache zu setzen und die Struktur direkt in den Workflow zu integrieren. Das ermöglicht Skalierung für verschiedene Tickettypen. Deterministische Intelligenz zu erreichen — also konsistente, vorhersehbare Ergebnisse zu erhalten — klappt, indem man Klarheit und Geschäftsregeln mit Nachdruck in die Arbeitsabläufe einbaut, sodass tausende Tickets verarbeitet werden können.
Sehen Sie sich nur den oben beschriebenen agentischen Ablauf an. Es geht nicht darum, besonders gut zu prompten. Es gibt ein oder zwei Prompts, aber hauptsächlich bestehen sie aus Geschäftsregeln, Rückgabedaten und sorgfältig strukturierten Denkaufgaben in kleinen Schritten. Große Prompts für große Denkmodelle sind weniger verlässlich als viele aufeinanderfolgende Aufgaben für einfache Modelle. Es ist jedoch wichtig, mit einfachen Modellen auch stets eine Verifizierung einzubauen.
Warum die Einführung von KI in Bereitstellungs-Workflows ernsthaftes Change-Management erfordert
Insgesamt hat es mich überrascht, wie viel Aufwand erforderlich ist, um KI in Workflows zu integrieren! Es ist eine riesige Change-Management-Aufgabe — wahrscheinlich die größte, die wir bislang in der Technologie gesehen haben. Man muss den gesamten Workflow darauf ausrichten, davon auszugehen, dass der Mensch nur noch 2 % der Aufmerksamkeit aufbringt, während das LLM 98 % übernimmt.
Der komplette Arbeitsprozess muss neu aufgebaut werden.
Wie sieht es aus, sich auf diese Welt zuzubewegen? Was sind die richtigen 2 % Aufmerksamkeit, die der Mensch so steuern sollte, dass er dadurch echten Mehrwert schafft? Wie kann man den Umfang mit zusätzlicher LLM-Unterstützung sinnvoll verzehnfachen? Wie baut man Vorlagen, Kontext- und Dokumentationserwartungen sowie die Prozesse neu auf?
Man kann es sich so vorstellen — Ihre Aufgabe im Produktbereich ist es jetzt nicht mehr, Artefakte zu erstellen. Sondern Sie müssen:
- Über die zukünftige Ausrichtung nachdenken
- Agentische Systeme validieren, die beginnen zuzuhören, PRDs für Sie zu erstellen und diese an die Entwicklung weiterzugeben.
- Und aktiv eingreifen, wo Sie bessere Optionen erkennen.
Bauen Sie also Systeme, die es Ihnen ermöglichen, einen Ideenfluss zu überprüfen, den die KI zu generieren beginnt.
Ähnlich verhält es sich in Projekten: Die Aufgabe, die Züge auf den Gleisen zu halten, dreht sich nicht um Artefakte oder Meetings. Es geht nicht um Stakeholder-Updates. Es geht darum, einen automatisierten Ablauf wie oben beschrieben zu betrachten und zu sagen: „Nein, ich glaube, hier liegt eine grundlegende Fehleinschätzung vor“, dann einzugreifen und praktisch mitzuarbeiten, um die Korrektheit zu gewährleisten – und dabei sicherzustellen, dass das System aus diesem Eingriff lernt.
Sie sind jetzt Manager von Agenten.
Einblick in Nate Jones’ KI-Tech-Stack zum Bauen und Steuern von Projekten
Hier ein Einblick in meinen Stack zur Inspiration:
- Linear ist eine hervorragende Wahl für das Projektmanagement – entwickelt mit KI im Fokus
- Superhumans KI (Produktivitätssoftware) bietet Such-, Schreib- und Kalenderfunktionen, um die Korrespondenz zu erleichtern
- Granola für Meeting-Transkripte
- Perplexity für Recherche
- ChatGPT Deep Research für einen ersten Einblick in komplexe Themen
- GPT-5 Pro für sehr komplexes Denken und Problemlösung
- Codex für geleitete Problemlösung beim Programmieren
- Claude für Textbearbeitung und -erstellung
- Claude Code als Allzweck-Agent mit Zugriff auf lokale Dateien
- Claude als persönlicher Assistent auf dem Handy
- Riverside für KI-gestützte Aufnahmen
- Comet Browser für intelligentes Surfen im Web mit KI
Und ich sage es so: Viele unterschätzen den Einsatz von Claude als Tool. Claude kann Excel- und PowerPoint-Dateien komplett von Grund auf erstellen. Und mit Claude Code kann man weit mehr machen als nur codieren. Ich habe tatsächlich einen ganzen Artikel darüber geschrieben.
Warum KI Meetings verdrängt und vollständig asynchrone Zusammenarbeit ermöglicht
Mit KI kann man heutzutage viel mehr asynchron zusammenarbeiten. Ich habe ganze Produkte gemeinsam mit meinen Mitentwicklern gebaut, ohne ein einziges Meeting. Man braucht nur ausgezeichnete Dokumentationssysteme und klärt Entscheidungen in Slack.
KI macht dies möglich – mit KI-gestützter Dokumentation, KI-gestütztem Programmieren und vielem mehr.
Aber vor allem ist es ein Wechsel in der Denkweise.
Warum traditionelles Projektmanagement im Zeitalter der KI verschwindet
Geschmack verschwindet nicht. Verantwortung auch nicht. Stakeholder-Management, Beziehungen, Aufgaben mit unklarem Kontext – das bleibt alles. Dafür braucht es Menschen.
Aber Projektmanagement im Sinne von "Katzentreiber" und Projekte vorantreiben – das wird verschwinden. Alles, was mit Struktur und Organisation zu tun hat, übernimmt in Zukunft die KI.
Mein Tipp ist daher: Begeistert euch für die unklaren, menschlichen Aspekte des Jobs. Und fangt an, euch stark damit zu beschäftigen, KI-Agentensysteme zu bauen und zu steuern — damit kann man schon mit dem OpenAI Agent Builder und n8n einsteigen.
Mein Tipp ist daher: Begeistert euch für die unklaren, menschlichen Aspekte des Jobs. Und fangt an, euch stark damit zu beschäftigen, KI-Agentensysteme zu bauen und zu steuern — damit kann man schon mit dem OpenAI Agent Builder und n8n einsteigen.
Dranbleiben
Ihr könnt Nate folgen und von ihm lernen – und zwar über seinen Newsletter und YouTube.
Weitere Experteninterviews folgen auf The Digital Project Manager.
