Produktmanagement in der KI-Ära: Wenn Pläne schneller veralten als du sie schreiben kannst!

Ich erinnere mich noch gut an Meetings, in denen Roadmaps für 12 Monate präsentiert wurden – sauber aufgebaut, brav priorisiert, mit bunten Quartals-Balken versehen. Alle nickten. Alle fühlten sich sicher. Und drei Monate später war die Hälfte davon hinfällig, weil sich irgendetwas im Markt verändert hatte.

Was damals Ausnahme war, ist heute der Normalfall. Und KI macht es noch drastischer.

Anthropic hat in deren BLOG einen bemerkenswert offenen Einblick (LINK) gegeben, wie sich Produktmanagement intern verändert hat. Jetzt könnte man meinen, das ist ein besserer PR-Beitrag über „wie lässig unsere KI ist", dem ist nicht so, denn das ganze ist eine ehrliche Beschreibung eines echten Umbruchs. Den jedes Team, das mit KI-Tools arbeitet, früher oder später selbst erleben wird.

Wenn Stunden das neue Quartal sind!

Modelle wie Claude Opus 4.6 können inzwischen komplexe Softwareaufgaben in Stunden erledigen. Nicht in Tagen. Nicht in Sprints. In Stunden. Was bedeutet das für klassisches Produktmanagement? Ganz einfach: Die alte Planungslogik bricht zusammen.

Wenn ein Entwickler-Team früher 2 Wochen für einen Prototypen gebraucht hat, dann macht eine detaillierte Vorab-Spezifikation Sinn. Du willst ja nicht, dass jemand 2 Wochen in die falsche Richtung arbeitet. Aber wenn derselbe Prototyp heute in einem Nachmittag steht – gebaut von einer Produktmanagerin ganz ohne eigene Coding-Skills – dann wird die große Spezifikation zum Hemmschuh. Du hast länger über das Feature nachgedacht als es gebraucht hätte, es einfach auszuprobieren.

Das ist der Kern des Shifts, den Cat Wu, Produktmanagerin bei Anthropic, in deren BLOG beschreibt. Sie baut Prototypen, Evals und interne Tools mit Claude Code – ganz ohne selbst eine Zeile Code zu schreiben. Die Idee kommt am Morgen. Der Test läuft am Nachmittag. Fertig.

Drei Rollen, ein Werkzeugkasten

Was mich an ihrem Arbeitsansatz besonders interessiert: Sie nutzt Claude nicht als ein einziges Allzweck-Tool, sondern strukturiert ihren Workflow in 3 klar getrennte Einsatzbereiche:

• Claude.ai für Strategie, Texte und Denk-Partnerschaften – das klassische Chat-Interface als Sparringspartner

• Claude Code für Prototyping und Skripte – also echte technische Umsetzung, ohne Entwickler-Engpass

• Cowork für Wissensarbeit und Organisation – Mails, To-dos, Slides, Recherche in Slack

Das klingt simpel - ist es aber nicht. Denn die meisten Teams scheitern genau daran: Sie nehmen ein KI-Tool und erwarten, dass es alles kann. Stattdessen ist es klüger, unterschiedliche Modi für unterschiedliche Aufgaben zu definieren. Ich kenne das aus meiner eigenen Arbeit mit Claude - wer das Tool richtig einzusetzen versteht, arbeitet doppelt so schnell wie jemand, der es nur zum Texte schreiben verwendet. Aber manchmal hüpfe ich auch zu Perplexity, MANUS oder ins gute alte ChatGPT!

Vier Shifts, die du kennen musst

Anthropic hat intern 4 fundamentale Veränderungen im Produktmanagement identifiziert. Ich finde, alle 4 sind eine direkte Konsequenz der neuen Geschwindigkeit.

1. Side Quests statt starrer Roadmaps

   Statt 12-Monats-Plänen setzt das Team auf kleine, selbstgewählte Experimente – sogenannte „Side Quests". Klingt nach Hobby-Projekt. Ist aber strategisch klug. Features wie „Claude Code auf Desktop", das AskUserQuestion-Tool oder To-do-Listen sind genau aus solchen Experimenten entstanden. Die beste Idee kommt nicht aus dem Planungsmeeting. Sie kommt, wenn jemand einfach mal etwas ausprobiert – und es funktioniert.

2. Demos statt Dokumente

   Neue Ideen werden sofort als Prototyp gebaut und intern getestet. Wer recht hat, zeigt es – nicht in einem 30-seitigen PRD, sondern in einer Demo. Das bedeutet: Weniger Diskussion über Konzepte, mehr Lernen aus echten Nutzertests. Evals helfen dabei, Stärken und Schwächen systematisch zu verstehen, statt auf Bauchgefühl zu setzen.

3. Features regelmäßig neu denken

   Jede neue Modellversion ist ein Grund, bestehende Features zu überprüfen. Nicht als Pflichtübung. Sondern weil ein Feature, das bei Modell X gerade so funktioniert hat, bei Modell Y plötzlich deutlich besser lösbar ist. Wer Features als „fertig" behandelt, lässt Potenzial liegen.

4. Do the simple thing – und zwar bewusst!

   Das finde ich am klügsten: Implementierungen werden absichtlich einfach gehalten. Warum? Damit komplexe Workarounds für alte Modell-Grenzen später leicht entfernt werden können. Ein konkretes Beispiel: Bei To-do-Listen gab es früher Reminder-Hacks, weil Modelle unzuverlässig waren. Als die Modelle besser wurden, musste der Hack weg. Wer ihn tief eingebaut hatte, hatte ein Problem. Wer ihn sauber isoliert hatte, nicht.

   Das ist, für mich, eine der wichtigsten Lektionen aus dem ganzen Beitrag.

Die Rolle des PMs verschiebt sich radikal!

Früher war der Product Manager derjenige, der Risiken minimiert, bevor etwas gebaut wird. Vorab-Spezifikation, Stakeholder-Alignment, Feature-Freeze. Das alles machte Sinn, wenn Entwicklung teuer und langsam war.

Heute verschiebt sich die Rolle von Kontrolle hin zu Kuratierung.

Was bedeutet das konkret? Wenige echte „Nicht-Verhandelbare" definieren - also jene Dinge, bei denen du sicher sein musst, bevor du startest. Den Rest über schnelle Experimente lernen. Diese Verschiebung klingt einfach - sie ist es nicht! Denn sie erfordert ein fundamentales Umdenken: Weniger Vorab-Sicherheit. Mehr Toleranz für Unvollkommenheit. Schnelleres Verwerfen von Dingen, die nicht funktionieren.

Und das gilt nicht nur für Produktteams. Wenn eine Produktmanagerin in einem Nachmittag Prototypen bauen kann, dann können das Data Scientists, Finance-Leute, Legal-Teams und Designer auch. Der Abstand zwischen „Was wäre, wenn…" und „Probier das mal aus" schrumpft überall. Nicht nur in der Softwareentwicklung.

Was das für dich bedeutet

Falls du ein Unternehmen führst, ein Team leitest oder einfach weißt, dass KI-Tools künftig ein Teil deines Arbeitsalltags sein werden – und das werden sie –, dann ist die entscheidende Frage nicht: „Welches KI-Tool kaufe ich?"

Die entscheidende Frage ist: Wie muss ich meine Arbeitsweise ändern, damit ich von dieser Geschwindigkeit profitiere – statt von ihr überrollt zu werden?

Starre Prozesse, lange Planungszyklen und die Überzeugung, dass Spezifikation wichtiger ist als Experiment – das sind die echten Hindernisse. Nicht fehlendes Budget. Nicht fehlende Technologie.

Die Ironie dabei: Viele Unternehmen investieren gerade viel Geld in KI-Tools – und organisieren sich gleichzeitig so, dass sie den Hauptvorteil dieser Tools komplett zunichte machen. Nämlich Geschwindigkeit!