Wo KI in der PM-Woche wirklich passt
Produktmanagement sind vier verschiedene Jobs, die sich einen Kalender teilen. Du liest viel (Feedback, Tickets, Transkripte, Analytics-Exporte), schreibst viel (Specs, Updates, Briefings), analysierst ein wenig (Funnels, Kohorten, Umfrageergebnisse) und überzeugst ständig. Jede dieser Aufgaben belohnt ein anderes Modell, weshalb ein einziges KI-Abo ungefähr zwei Drittel der Arbeit abdeckt und der Rest sich wie ein Kampf anfühlt.
| PM-Aufgabe | Bestes Modell | Warum |
|---|---|---|
| PRD-Erzählung, Problemstellungen, Produkt-Updates | Claude | Hält ein langes Argument, schreibt Prosa, die ein Engineer tatsächlich liest |
| Feedback-Themenbildung, Ticket-Clustering, strukturierte Extraktion | GPT | Zuverlässig bei strikten Ausgabeformaten und konsistenten Kategorie-Labels |
| Discovery-Recherche, Wettbewerbs-Scans, Marktkontext | Gemini | Am besten bei aktuellem Web-Material, liefert Quellen, die du öffnen kannst |
| Lange Transkripte, Recherche-Decks, 100-seitige Berichte | Gemini | 1-Mio-Token-Kontextfenster, sodass das gesamte Korpus in einem Durchgang passt |
| Spec-Kritik und Edge-Case-Suche | Jedes Modell, das die Spec nicht geschrieben hat | Ein unabhängiger Leser findet, was der Autor nicht sieht |
Nichts davon ersetzt das Urteil darüber, was gebaut werden soll. Es verkürzt den Abstand zwischen den vorhandenen Inputs und etwas Niedergeschriebenem, genau dort, wo die meisten PM-Wochen tatsächlich Zeit verlieren. Auch das Wechseln ist günstig: Bei Whizi Pro kostet eine Claude-Sonnet-5-Nachricht 10 Credits eines monatlichen Kontingents von 2.000 Credits, eine GPT-5.6-Luna-Extraktion kostet 1, und Gemini 3.7 Flash liest Transkripte für 2 Credits pro Nachricht.
Eine PRD schreiben, die ein Engineer nicht zurückschickt
Die meisten KI-geschriebenen Specs scheitern am selben Punkt: Sie beschreiben ein Feature statt einer Entscheidung. Engineering braucht keinen Absatz darüber, warum der Kunde wichtig ist. Es braucht die Zustände, die Edge Cases und was passiert, wenn der Call fehlschlägt. Frage explizit danach, und die Ausgabe verändert ihren Charakter.
Prompt: Problemstellung zuerst
Schreibe den Abschnitt zur Problemstellung einer PRD. Meine Evidenz: [Support-Tickets, Analytics, Interview-Zitate einfügen]. Schlage keine Lösung vor. Liefere: wer hat das Problem, wie oft, was tun sie derzeit stattdessen, was kostet es sie, und was würden wir erwarten, das sich ändert, wenn es gelöst wäre. Markiere jede Behauptung, die nicht durch die eingefügte Evidenz gestützt wird, als ANNAHME.
Prompt: der Spec-Körper
Verwandle dies in eine Spezifikation für ein Engineering-Team. Feature: [Beschreibung]. Abzudeckende Nutzerzustände: [Liste]. Liefere: User Storys mit Akzeptanzkriterien, jeden Zustand einschließlich leer, ladend, Fehler und Berechtigung verweigert, das Verhalten, wenn eine Abhängigkeit nicht verfügbar ist, Analytics-Events mit ihren Eigenschaften, und offene Fragen. Erfinde keine Anforderungen, die ich nicht genannt habe. Liste alles, was du annehmen musstest, in einem separaten Abschnitt am Ende auf.
Prompt: der Kritik-Durchgang
Handle als Staff Engineer, der diese Spec vor der Schätzung überprüft. Liste nur die Probleme: undefiniertes Verhalten, fehlende Zustände, widersprüchliche Anforderungen, versteckte Migrationsarbeit und alles, was in der Verfeinerung eine Rückfrage auslösen wird. Schreibe die Spec nicht um.
Führe diesen dritten Prompt in einem Modell aus, das die Spec nicht geschrieben hat. Er bringt zuverlässig die drei Fragen ans Licht, die dein Team sonst in der Verfeinerung aufwerfen würde, und sie vorher zu beantworten, ist der Unterschied zwischen einem 20-minütigen und einem 50-minütigen Grooming.
Aus rohem Feedback etwas machen, das du priorisieren kannst
Die Aufgabe mit dem höchsten Hebel für KI im Produktmanagement ist nicht das Schreiben. Es ist das Lesen von 400 Feedback-Einträgen in einer Form, die du nutzen kannst. Manuell gemacht ist das ein halber Tag. Gut gemacht mit einem Modell sind es 20 Minuten, und die Qualität hängt fast vollständig davon ab, ob du stabile Kategorien erzwingst.
Prompt: erster Durchgang, Themenbildung
Hier ist rohes Kundenfeedback. Clustere es in Themen. Liefere für jedes Thema: ein Label, die Anzahl der Einträge, den durch die Sprache implizierten Schweregrad, ein repräsentatives, exakt kopiertes Zitat, und ob das Thema ein Bug, eine fehlende Fähigkeit, ein Usability-Problem oder eine Erwartungslücke ist. Führe keine Themen mit unterschiedlichen Grundursachen zusammen, auch wenn der Wortlaut ähnlich ist. Paraphrasiere keine Zitate. Feedback: [einfügen].
Prompt: zweiter Durchgang gegen eine feste Taxonomie
Klassifiziere dasselbe Feedback nur mit diesen Kategorien neu: [deine bestehende Taxonomie einfügen]. Alles, was nicht passt, kommt in UNKLASSIFIZIERT mit einer Erklärung. Liefere eine Tabelle mit Kategorie, Anzahl und Prozentsatz.
Die Struktur mit zwei Durchgängen ist entscheidend. Der erste Durchgang zeigt dir, was tatsächlich in den Daten steckt. Der zweite macht das Ergebnis mit dem letzten Quartal vergleichbar, was es in einem Priorisierungsgespräch nutzbar macht statt nur interessant.
| Wonach fragen | Was du bekommst | Wofür es gut ist |
|---|---|---|
| Themen mit Anzahlen | Eine gerankte Liste von Problembereichen | Roadmap-Input, Quartalsplanung |
| Nur wörtliche Zitate | Unbearbeitete Kundensprache | Copy, Positionierung, Überzeugung von Führungskräften |
| Aufteilung nach Schweregrad und Häufigkeit | Eine 2x2-Matrix von Schmerz gegen Volumen | Entscheiden, was zuerst behoben wird |
| Widersprüche | Wo Segmente Gegensätzliches wollen | Frühes Erkennen eines falschen Konsenses |
Diese letzte Zeile ist einen festen Prompt wert: Wo in diesem Feedback wollen unterschiedliche Nutzer unvereinbare Dinge? Benenne die Segmente und den Trade-off. Eine Themenliste glättet Uneinigkeit, und Uneinigkeit ist meist das Nützlichste in den Daten.
Discovery, Wettbewerber und die Recherche, für die du nie Zeit hast
Discovery ist die Arbeit, die zuerst gestrichen wird, wenn ein Release sich verspätet, genau dann, wenn eine falsche Entscheidung am teuersten ist. Modellgestütztes Scannen ersetzt nicht das Gespräch mit Kunden, aber es ersetzt die Ausrede, blind in eine Entscheidung zu gehen.
Prompt: Wettbewerbsanalyse
Erstelle eine Analyse, wie [Wettbewerber] [Job to be done] handhabt. Behandle: ihre eigene formulierte Positionierung, den in ihrem Help Center dokumentierten Ablauf, die Preisgestaltung, soweit öffentlich, was sich in den letzten 12 Monaten mit Daten geändert hat, und die in öffentlichen Bewertungen sichtbaren Beschwerdethemen. Belege jede Behauptung mit einer URL. Trenne, was das Unternehmen sagt, von dem, was Dritte beobachten.
Prompt: Interview-Synthese
Lies diese Interview-Transkripte. Liefere: die Aufgaben, die Nutzer zu erledigen versuchen, die Workarounds, die sie entwickelt haben, die Momente, in denen sie Frustration mit exakten Zitaten ausdrückten, und jede Stelle, an der das, was ein Nutzer sagte, dem widerspricht, was er beschrieb zu tun. Verallgemeinere nicht über die Transkripte hinaus. Wenn ein Muster in weniger als drei Interviews auftaucht, kennzeichne es als einzelne Beobachtung statt als Muster.
Diese letzte Einschränkung vergessen PMs am häufigsten. Modelle produzieren gerne saubere Muster, und ein sauberes Muster aus zwei Interviews ist, wie eine Roadmap am Ende einem Kunden dient, den es nicht gibt. Frage bei jeder Behauptung nach Anzahlen.
Executive-Narrativ und Launch-Kommunikation
Derselbe Inhalt muss auf vier Höhen existieren: eine Spec für Engineering, ein Update für das Team, ein Absatz für das Leadership-Review und eine Launch-Notiz für Kunden. Das Umschreiben zwischen den Höhen ist die mechanischste Arbeit im Job und am leichtesten abzugeben.
Prompt: Höhenwechsel
Schreibe dies für [Zielgruppe] um. Sie interessieren sich für [spezifische Anliegen]. Sie haben [Level] Kontext zu diesem Produktbereich. Halte jede sachliche Behauptung identisch. Länge: [Vorgabe]. Beginne mit der Entscheidung oder dem Ergebnis, nicht mit dem Hintergrund. Entwurf: [einfügen].
Prompt: der Leadership-Absatz
Verdichte dieses Update auf 120 Wörter für eine Führungskraft, die es einmal lesen wird. Struktur: was sich geändert hat, was es für die zugesagte Metrik bedeutet, was wir von ihnen brauchen, und das einzige Risiko, das ihre Aufmerksamkeit verdient. Keine Adjektive, die nicht gemessen sind.
Prompt: die Pre-Mortem
Nimm an, dieser Launch ist sechs Monate von jetzt an gescheitert. Schreibe die drei plausibelsten Erklärungen, nach Wahrscheinlichkeit geordnet, nur basierend auf dem, was im Plan unten steht. Nenne für jede das frühe Signal, auf das wir achten könnten. Plan: [einfügen].
Behalte alle vier Höhen im selben Whizi-Thread. Die Launch-Notiz erbt den Kontext aus der Spec und der Feedback-Analyse, sodass du das Feature nicht jedes Mal neu erklären musst, wenn du die Zielgruppe wechselst.
Wo KI Product Manager speziell in die Irre führt
Drei Fehlerquellen zählen in diesem Job mehr als in den meisten anderen.
Erfundene Wortzitate. Wenn du nach repräsentativen Zitaten fragst, ohne das Modell an den Quelltext zu binden, bekommst du manchmal einen plausiblen Satz, den kein Kunde gesagt hat. Weise immer an, Zitate exakt kopieren, nicht paraphrasieren, und prüfe stichprobenartig drei davon gegen die Rohdaten, bevor ein Zitat auf eine Folie kommt.
Falsches Vertrauen bei kleinen Stichproben. Ein Modell wird acht Support-Tickets mit genau derselben Sicherheit thematisieren wie achthundert. Frage bei jedem Thema nach Anzahlen und behandle alles unter einer Handvoll Instanzen als Beobachtung statt als Signal.
Roadmap-Theater. Ein Modell zu bitten, dein Backlog zu priorisieren, erzeugt ein selbstbewusstes Ranking, das aus nichts als den Worten in deinen Tickets abgeleitet ist. Es hat keinen Zugriff auf deine Strategie, deine Kapazität, deine technischen Schulden oder den Deal, der nächstes Quartal abgeschlossen wird. Nutze es, um den Trade-off zu strukturieren, niemals um die Entscheidung zu treffen.
- Speichere eine PRD-Prompt-Vorlage in Claude und einen Kritik-Prompt zum Ausführen in einem anderen Modell
- Speichere eine Feedback-Themenbildungs-Vorlage in GPT mit deiner bestehenden Taxonomie eingefügt
- Speichere eine Wettbewerbs-Scan-Vorlage in Gemini, die für jede Behauptung eine URL verlangt
- Frage immer nach Anzahlen zusammen mit Themen und behandle kleine Anzahlen als Beobachtungen
- Weise das Modell an, Wortzitate exakt zu kopieren, und prüfe dann drei stichprobenartig gegen die Quelle
- Führe bei jedem Launch-Plan ein Pre-Mortem vor dem Launch-Review durch, nicht danach
- Halte Spec, Feedback und Launch-Kommunikation in einem Thread, damit der Kontext erhalten bleibt
Häufige Fragen
Kann ich Kundeninterviews einfügen?
Ja. Für lange Transkripte nutze Gemini: sein 1-Mio-Token-Kontextfenster fasst etwa 2.000 Seiten Text, sodass ein vollständiger Satz Interviews in einem Durchgang passt, statt aufgeteilt zu werden. Entferne zuerst Namen, E-Mails und Firmenkennungen. Rollen und Segmente sind alles, was die Analyse braucht, und den Rest zu entfernen hält dich außerhalb der meisten internen Datenrichtlinien.
Integriert sich Whizi mit Jira oder Linear?
Noch nicht nativ. In der Praxis besteht der Workflow darin, die strukturierte Ausgabe in Whizi zu erzeugen (User Storys mit Akzeptanzkriterien, eine Tabelle mit Themen und Anzahlen) und sie in deinen Tracker einzufügen, was Sekunden dauert, weil das Format bereits dem entspricht, was der Tracker erwartet. Bitte um die Ausgabe als Markdown-Tabelle oder als ein Issue pro Block, wenn du sie einzeln einfügen willst.
Welches Modell schreibt die beste PRD?
Claude für die erzählenden Abschnitte, also die Problemstellung, die Begründung und alles, wovon ein Mensch überzeugt werden muss. GPT für die strukturierten Abschnitte, also User Storys, Akzeptanzkriterien, Zustandstabellen und Definitionen von Analytics-Events. Das Dokument zwischen beiden aufzuteilen kostet einen zusätzlichen Modellwechsel und reduziert den Überarbeitungsaufwand spürbar.
Ist es sicher, interne Roadmap- oder Umsatzdaten einzufügen?
Whizi trainiert nicht mit deinen Unterhaltungen, und die Datenrichtlinie jedes Anbieters ist einsehbar, bevor du dieses Modell aktivierst. Deine Unternehmensrichtlinie ist meist die strengere Einschränkung. Eine zuverlässige Gewohnheit ist, sensible Zahlen zu indexieren statt absolute Werte einzufügen, da die Analyse relativer Bewegungen identisch funktioniert und die Zahlen aufhören, sensibel zu sein.
Kann KI mein Backlog priorisieren?
Sie kann den Trade-off strukturieren, was wirklich nützlich ist: Punkte gegen von dir definierte Kriterien vergeben, aufzeigen, wo zwei Punkte voneinander abhängen, und zeigen, welchen Segmenten eine bestimmte Entscheidung dient. Sie kann die Entscheidung nicht treffen, weil sie keinen Einblick in deine Strategie, deine Teamkapazität oder den kommerziellen Kontext hat. Behandle jedes von ihr erzeugte Ranking als Diskussionsanstoß.