15. Oktober 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
KI hat neue Product-Arbeit geschaffen: Wie PMs und Engineers sie aufteilen
KI hat die Product-Arbeit nicht abgeschafft, sondern den Engpass auf Urteilsvermögen, Review und Verantwortung verlagert. Hier sind die Daten, ein Drei-Spuren-Vertrag zwischen PM und Engineering und ein Check der Review-Kapazität.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
KI hat die Product-Arbeit nicht abgeschafft, sondern verlagert. Entwürfe, Prototypen und Code zu erzeugen wurde billig, während die Entscheidung, was Aufmerksamkeit verdient, das Prüfen des Erzeugten und die Verantwortung für das, was bei den Nutzern ankommt, teurer wurden. Das ist die neue KI-Produktarbeit. Teams mit hoher KI-Nutzung mergen 98 % mehr Pull Requests, doch die Review-Zeit steigt um 91 %. Die Lösung ist ein klarer Vertrag darüber, wer vorbereitet, wer entscheidet und wer die Produktion verantwortet.
Die wichtigsten Punkte
Bei mehr als 10.000 Entwicklern erledigten Teams mit hoher KI-Nutzung 21 % mehr Aufgaben und mergten 98 % mehr PRs, aber die PR-Review-Zeit stieg um 91 % und die PR-Größe um 154 %, ohne messbare Verbesserung auf Unternehmensebene (Faros AI, 2025).
Die DORA-Forschung 2025 ergab, dass KI den Durchsatz der Auslieferung inzwischen steigert, die Stabilität aber weiter senkt, weil ein höheres Änderungsvolumen schwache Kontrollen überfordert.
27 % der KI-gestützten Arbeit bei Anthropic bestanden aus Aufgaben, die sonst gar nicht erledigt worden wären. Billigere Erzeugung heißt mehr zu bewerten.
Der PM-Anteil an den Tech-Einstellungen stieg von 16 % im Jahr 2021 auf 21 % im Jahr 2026, während die Einstellungen von Software-Engineers in den USA auf unter die Hälfte ihres Höchststands von 2022 fielen.
Teile die Arbeit in drei Spuren: PM-Vorbereitung automatisieren, Produkturteil beim Menschen lassen und die Verantwortung für die Produktion mit dem Engineering teilen.
Welche neue Arbeit hat KI für Produktteams geschaffen?
Die neue Arbeit ist die Bewertung. Wenn Erzeugen billig ist, kann ein Team mehr Kandidaten produzieren, als es beurteilen kann. Die klarste Messung stammt aus der Telemetrie-Studie von Faros AI aus dem Jahr 2025 mit mehr als 10.000 Entwicklern in 1.255 Teams (Faros AI, 2025). In Teams mit hoher KI-Nutzung:
erledigten Entwickler 21 % mehr Aufgaben und mergten 98 % mehr Pull Requests.
wuchs die durchschnittliche PR-Größe um 154 %.
wuchs die PR-Review-Zeit um 91 %, was Faros als den Hauptengpass benennt.
stiegen die Bugs pro Entwickler um 9 %.
zeigte die Auslieferung auf Unternehmensebene keine signifikante Verbesserung.
Googles DORA-Programm fand dasselbe Muster auf Systemebene. Sein Report 2025, der auf knapp 5.000 Tech-Fachleuten beruht, stellte fest, dass die KI-Nutzung jetzt positiv mit dem Durchsatz der Auslieferung zusammenhängt – anders als im Ergebnis von 2024 –, aber weiterhin negativ mit der Stabilität. Die Autoren führen das darauf zurück, dass ein höheres Änderungsvolumen schwache Kontrollen wie automatisierte Tests und Feedbackschleifen überfordert ().
Außerdem entsteht ganz neue Arbeit. Anthropics Studie über die eigenen Mitarbeitenden ergab, dass 27 % der KI-gestützten Arbeit aus Aufgaben bestand, die ohne KI nicht erledigt worden wären (Anthropic, 2025). Manches davon ist wertvoll. Bei allem muss jemand entscheiden, ob es existieren sollte.
Wohin die Arbeit gewandert ist
Tätigkeit
Vor KI-Coding-Tools
Mit KI-Coding-Tools
Einen ersten Entwurf schreiben (Spec, Code, Prototyp)
Langsam, knapp
Schnell, reichlich
Auswählen, welchen Entwurf man weiterverfolgt
Implizit, weil es nur wenige gab
Explizite, häufige Entscheidung
Änderungen reviewen
Proportional zur Teamgröße
Wächst schneller als das Team
Die Produktion stabil halten
Vertraute Änderungsgrößen
Größere, häufigere Änderungen
Arbeit mit Kundenevidenz verbinden
Oft übersprungen
Wird zu höheren Kosten übersprungen
Aus dem Ausgelieferten lernen
Bestenfalls monatlich
Wöchentlich nötig, um Schritt zu halten
Wer fängt die neue Produktarbeit auf?
Jede Rolle übernimmt einen anderen Anteil.
Rolle
Neue Arbeit durch KI
Was man lassen sollte
Product Manager
Zwischen vielen Entwürfen und Prototypen wählen; Briefs schreiben, denen Agenten folgen können; prüfen, ob das Ausgelieferte zur Entscheidung passt
Statusberichte und erste Spec-Entwürfe von Hand schreiben
Engineer
Größere und häufigere Änderungen reviewen; Architektur, Security und Zuverlässigkeit schützen; Agenten-Kontext pflegen
Boilerplate tippen
Engineering Manager
Review-Kapazität dimensionieren; Batches klein halten; KI-Nutzungsrichtlinie festlegen
Zeilen, Commits oder akzeptierte Vorschläge zählen
Founder oder Head of Product
Öfter Nein sagen, weil Ja jetzt billig ist
Demo-Tempo als Evidenz behandeln
Die Einstellungsdaten spiegeln diese Verschiebung. Daten von TrueUp und Live Data Technologies, die Lenny Rachitsky ausgewertet hat, zeigen, dass Product Management die einzige Kernrolle war, deren Einstellungsanteil wuchs, von 16 % im Jahr 2021 auf 21 % Ende 2026, während US-Unternehmen im Jahr bis April 2026 etwa 113.000 Software-Engineers einstellten, gegenüber 239.000 im Höchstjahr 2022 (Lenny's Newsletter, 2026). Weniger Engineers pro PM bedeutet, dass jeder PM näher an mehr Output ist. Unser Beitrag zum PM-zu-Engineer-Verhältnis im KI-Zeitalter beleuchtet, was das mit dem Job macht.
Was ist der Drei-Spuren-Vertrag zwischen PM und Engineering?
Ein Vertrag macht die Aufteilung vor Arbeitsbeginn explizit, damit niemand die Lücke erst in der Produktion entdeckt.
Spur 1: Die mechanische PM-Arbeit automatisieren
Nutze KI dort, wo der Input existiert, die Transformation sich wiederholt und ein Mensch den Output prüfen kann. Gute Kandidaten:
Feedback gruppieren und deduplizieren
Themen aus Gesprächen und Support-Konversationen extrahieren
Eine erste Research-Zusammenfassung mit Quellenlinks
Einen Brief-Entwurf aus freigegebener Evidenz
Ticket-Kandidaten aus einem geprüften Brief
Release Notes, Stakeholder-Updates und Decision-Log-Einträge
Prüfen, ob ein Artefakt seine Evidenz und seine Akzeptanzkriterien enthält
Der Maßstab ist nicht „die KI hat es gemacht“. Der Maßstab ist, dass das Ergebnis leichter zu prüfen ist, als die Arbeit von Grund auf zu machen. Die vollständige Aufgabenliste steht in was Product Manager mit KI automatisieren sollten.
Spur 2: Das Produkturteil beim Menschen lassen
Der PM bleibt verantwortlich dafür, welches Problem Aufmerksamkeit verdient, wessen Problem es ist, welche Evidenz stark genug ist, welchen Trade-off das Team eingeht, was die Hypothese vorhersagt, was als Lernen zählt und was nicht gebaut werden sollte. KI kann ein Framing hinterfragen und fehlende Evidenz finden. Sie sollte nicht leise ein plausibles Muster in eine Roadmap-Zusage verwandeln. Wir listen das in was Product Manager nie an KI delegieren sollten auf.
Spur 3: Den Produktionsvertrag mit dem Engineering teilen
PM und Engineering einigen sich gemeinsam auf:
Architektur und Systemgrenzen
Security, Datenschutz und Datenaufbewahrung
Zuverlässigkeit, Performance und Betriebskosten
Evaluation und Fallback-Verhalten für KI-Features
Berechtigungen und nicht umkehrbare Aktionen
Rollout, Observability und Rollback
Der PM bringt den Nutzer, das Problem, die Evidenz und das angestrebte Ergebnis mit. Das Engineering bringt Systemrestriktionen, Fehlerfälle und die Kosten mit, das Versprechen in der Produktion wahr zu halten. Martin Fowlers Beschreibung von Agentic Engineering von 2026 bringt es auf den Punkt: Menschen bleiben verantwortlich für das, was die Software tut, und das Verständnis der Problemdomäne wird wichtiger, nicht unwichtiger (Fowler, 2026).
Spur
PM verantwortet
Engineering verantwortet
Gemeinsames Artefakt
1. Vorbereitung automatisieren
Regeln, Review von Ausnahmen
Tooling und Datenzugriff
Entwürfe mit Quellenlinks
2. Produkturteil
Problem, Evidenz, Trade-off, Ergebnis
Input zur Machbarkeit
Entscheidungsprotokoll
3. Produktionsvertrag
Nutzerwirkung, Akzeptanzkriterien
Architektur, Security, Zuverlässigkeit
Brief mit Leitplanken und Rollback-Plan
Sollten Product Manager zu Buildern werden?
Ja, wenn „PM Builder“ einen PM meint, der gerade genug baut, um eine Produktentscheidung zu verbessern. Nein, wenn damit ein PM gemeint ist, der Produktivsysteme verantwortet, ohne die Engineering-Skills, das Review und die Rechenschaft, sie sicher zu betreiben.
Ein PM Builder kann eine Interaktion greifbar machen, Unklarheit in einer Anforderung aufdecken, einen Workflow mit Nutzern testen, eine Frage mit Daten erkunden, einen Wegwerf-Prototyp bauen und die eigene Koordinationsarbeit automatisieren. Ein PM Builder sollte KI nicht nutzen, um das Architektur-Review zu umgehen, sensible Änderungen ohne Security-Review auszuliefern oder ein Experiment versehentlich in ein Produktionsversprechen zu verwandeln.
Eine Arbeitsdefinition: Ein PM Builder baut gerade genug, um die Entscheidung zu verbessern, nicht um sie zu umgehen. Unser längerer Beitrag zur Frage, ob Product Manager zu Buildern werden sollten, behandelt die nötigen Skills.
Wie sollten PMs Engineers und KI-Builder heute führen?
Die Aufgabe der Führungskraft ist nicht, den generierten Output zu maximieren. Sie besteht darin, das System so vertrauenswürdig zu machen, dass generierter Output sicher fließen kann. Acht Betriebsregeln:
Kleine Batches bevorzugen. Kleinere Änderungen lassen sich leichter reviewen, testen und zurückrollen. DORA nennt das Arbeiten in kleinen Batches als eine von sieben Fähigkeiten, die den Nutzen von KI verstärken (Google Cloud, 2025).
Akzeptanzkriterien nah an der Evidenz halten. Engineers sollten sehen, warum die Arbeit existiert, nicht nur, was im Ticket steht.
Agenten ihre Arbeit zeigen lassen. Geänderte Dateien, ausgeführte Tests, getroffene Annahmen und offene Fragen. Dann gegen den Brief reviewen, mit einer PM-Abnahme-Checkliste für KI-gebaute Änderungen.
Generierten Code als Änderungsvorschlag behandeln, nicht als Autorität.
Verhalten und Betrieb reviewen, nicht nur den Diff. Frag, was der Nutzer erlebt und was das Team unterstützen muss.
Den Kontext verbessern, der den Tools zur Verfügung steht. DORAs Modell nennt KI-zugängliche interne Daten und gesunde Datenökosysteme als eigenständige Fähigkeiten. Unser Leitfaden zum Produktkontext für KI-Coding-Agenten zeigt, was dazugehört.
Eine KI-Nutzungsrichtlinie veröffentlichen. DORAs erste Fähigkeit ist eine klare, kommunizierte KI-Haltung: welche Tools erlaubt sind, welche Daten sie sehen dürfen und welche Aktionen eine Freigabe brauchen.
Das Betriebsmodell zählt mehr als die Toolwahl. Die Umfrage des Product Institute von 2026 unter 309 Product Leaders ergab, dass 47 % der Organisationen mit einem ausgereiften Betriebsmodell sagen, KI verbessere ihre Arbeitsweise, gegenüber 29 % derer mit einem unreifen. Von den Organisationen mit schwachem Modell sagen 42%, KI lege Schwächen offen oder verschlimmere die Lage (Product Institute, 2026).
Wie prüfst du, ob die Review-Kapazität mithalten kann?
Miss die Warteschlange, nicht den Output. Ein einfacher wöchentlicher Check:
Zähle die diese Woche geöffneten und die gereviewten Änderungen.
Notiere die mediane Zahl der Stunden von der Eröffnung bis zum ersten Review.
Notiere die mediane Änderungsgröße in Zeilen oder Dateien.
Wenn zwei Wochen in Folge mehr geöffnet als gereviewt wird oder sich die mediane Review-Zeit verdoppelt, begrenze das Work in Progress, bevor du weitere Agenten-Aufgaben hinzufügst.
Durchgerechnetes Beispiel (illustrativ)
Angenommen, ein Team aus fünf Engineers und einem PM mergte vor den KI-Coding-Tools 20 Änderungen pro Woche, im Median 150 Zeilen groß, mit erstem Review innerhalb von vier Stunden. Sechs Wochen nach der Einführung von Agenten öffnet das Team 40 Änderungen pro Woche mit einem Median von 380 Zeilen. Reviews beginnen jetzt erst nach 11 Stunden, und am Ende jeder Woche warten 12 Änderungen.
Das Team setzt ein Limit von drei offenen, agentengenerierten Änderungen pro Engineer, lässt Agenten jede Änderung über 200 Zeilen aufteilen und lässt den PM jede Änderung vor dem Engineering-Review gegen die Akzeptanzkriterien ihres Briefs prüfen. Innerhalb von drei Wochen sinkt die Warteschlange auf drei Änderungen, und das erste Review kommt nach fünf Stunden. Der Output pendelt sich bei etwa 30 gemergten Änderungen pro Woche ein: weniger als der Spitzenwert, mehr als vorher und reviewbar. Deine Zahlen werden abweichen; die Methode ist der Punkt.
Vorlage: Wöchentlicher Review der KI-Arbeitslast
Kopiere das in die wöchentlichen Meeting-Notizen deines Teams.
Diese Woche geöffnete / gereviewte / gemergte Änderungen:
Mediane Zeit bis zum ersten Review:
Mediane Änderungsgröße:
Noch offene agentengenerierte Änderungen:
Prototypen erstellt / in die Roadmap übernommen / verworfen:
Erzeugte Arbeit ohne Verbindung zu einer Entscheidung:
Wo hat KI Reibung beseitigt?
Wo hat sie Review- oder Betriebslast hinzugefügt?
Was beenden, verkleinern oder zurückrollen wir?
Die Zeile zur unverknüpften Arbeit ist die nützlichste. Alles, was ohne eine Entscheidung dahinter erzeugt wurde, ist die neue Arbeitslast in Reinform.
Was sind die häufigen Fehler?
Output feiern. Ein Plus von 98 % bei gemergten PRs bedeutet wenig, wenn auch Review-Zeit und Bugs steigen. Beobachte das System, nicht den Einzelnen.
Review dem überlassen, der gerade frei ist. Review ist jetzt die knappste Kapazität im Team. Plane sie wie jede andere Kapazität.
Den PM zum Teilzeit-Engineer machen. Bauen, um zu lernen, ist gut. Ohne Engineering-Review in die Produktion auszuliefern verschiebt das Risiko, es beseitigt es nicht.
Die Sicht der Entwickler ignorieren. Atlassians Umfrage von 2025 unter 3.500 Entwicklern und Managern ergab, dass Entwickler 16 % ihrer Zeit mit Coden verbringen und dass 63 % sagen, die Führung verstehe ihre Schmerzpunkte nicht (Atlassian, 2025). Frag die Engineers, wo die neue Last sitzt, bevor du entscheidest.
Headcount ohne Agenten planen. Microsofts Work Trend Index 2025 schlägt ein Verhältnis von Mensch zu Agent als Planungskennzahl vor und stellte fest, dass 36 % der Führungskräfte erwarten, dass das Führen von Agenten innerhalb von fünf Jahren Teil ihres Jobs wird (Microsoft, 2025). Jemand muss diese Agenten steuern und prüfen; plane deren Zeit ein.
Wo Specky ins Spiel kommt
Specky ist um diesen Vertrag herum gebaut. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, sodass ein Brief oder Ticket Inline-Zitate auf die zugrunde liegende Evidenz trägt. Der MCP-Server von Specky gibt Coding-Agenten denselben Produktkontext, damit das Engineering mit dem Grund startet, nicht nur mit der Anfrage. Nach dem Release prüft Specky, ob die Wette aufgegangen ist. Der PM behält das Urteil; das Engineering behält die Produktion; niemand verliert den Faden dazwischen.
Häufig gestellte Fragen
Sollten PMs lernen, mit KI zu bauen?
Ja, wenn das Bauen ihnen hilft, eine Produktfrage zu testen, eine Anforderung zu klären oder wiederkehrende mechanische Arbeit loszuwerden. Prototypen sind ein schneller Weg, einem Nutzer oder Engineer zu zeigen, was du meinst. PMs sollten für Produktionsarchitektur, Security, Zuverlässigkeit und Betrieb trotzdem das Engineering einbinden, denn generierter Code, der bei Nutzern landet, wird zur Verantwortung des Engineerings.
Wie sollten PMs Engineers führen, die KI-Coding-Tools nutzen?
Lege einen klaren Entscheidungsvertrag fest, halte die Arbeit in kleinen Batches, lass Agenten Annahmen und Tests dokumentieren, definiere Daten- und Berechtigungsgrenzen und miss Produkt- und Delivery-Ergebnisse statt generiertem Volumen. Behalte Review-Zeit und Änderungsgröße jede Woche im Blick; sie sind die ersten Anzeichen dafür, dass der Output der Kapazität des Teams zum Prüfen davonläuft.
Warum hat KI unsere Arbeitslast erhöht statt gesenkt?
Weil das Erzeugen schneller billiger wurde als das Bewerten. Faros AI stellte fest, dass Teams mit hoher KI-Nutzung 98 % mehr PRs mergten, während die Review-Zeit um 91 % stieg. Anthropic stellte fest, dass 27 % der KI-gestützten Arbeit sonst nicht erledigt worden wären. Mehr Entwürfe, Prototypen und Änderungen brauchen alle jemanden, der entscheidet, ob sie existieren sollten und ob sie funktionieren.
Was ist die richtige Rolle für einen PM Builder?
Ein Entscheidungsbeschleuniger. Ein PM Builder erstellt gerade genug, um zu lernen und abzustimmen – durch Prototypen, Datenexploration und automatisierte Koordination – und arbeitet dann mit dem Engineering daran, eine validierte Richtung in sichere, wartbare Software zu überführen. Der Test ist, ob das Bauen eine Entscheidung verbessert hat, nicht ob der PM Code ausgeliefert hat.
Wird KI Product Manager ersetzen?
Die Daten sagen Nein. Der PM-Anteil an den Tech-Einstellungen ist seit 2021 gewachsen, während KI Aufgaben wie Synthese, Dokumentation und Statusberichte übernimmt. Probleme auszuwählen, Trade-offs zu treffen und Ergebnisse zu verantworten braucht weiterhin einen Menschen. Siehe unseren Überblick über die Daten von 2026 dazu, ob KI Product Manager ersetzen kann.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing