5. November 2026Aktualisiert am Fathy Shalaby16 Min. Lesezeit
Was macht ein AI Product Manager? Rolle, Aufgaben und Skills
Ein AI Product Manager entscheidet, wo KI hingehört, legt fest, wie sie sich bei Fehlern verhält, setzt die Evaluationsschwelle und verantwortet das Ergebnis. Aufgaben, Skills, ein Rollenvergleich und eine Stellenbeschreibung zum Kopieren.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Ein AI Product Manager entscheidet, welches Nutzerproblem es wert ist, mit KI gelöst zu werden, legt fest, wie sich das System verhalten soll, wenn es richtigliegt, unsicher ist oder falschliegt, setzt vor dem Launch die Evaluationsschwelle und verantwortet, ob das Feature nach dem Release die Arbeit der Nutzer verbessert. Die Rolle behält das übliche Produktgespür und ergänzt Entscheidungen zu Daten, Modellverhalten, Kosten, Risiko und menschlicher Aufsicht.
Das Wichtigste in Kürze
Der Titel steht für drei verschiedene Jobs. Ein PM, der KI-Tools nutzt, ein PM, der ein KI-Feature verantwortet, und ein PM für ein KI-natives Produkt. Nur die letzten beiden brauchen die Skills unten.
Evaluation ist die neue Spec. Generative KI liefert bei gleicher Eingabe unterschiedliche Ausgaben, deshalb schreibt der AI PM Testfälle und eine Bestehensgrenze, nicht nur Anforderungen (SVPG, 2024).
Die Einführung ist nicht mehr das Schwierige. 88 % der Organisationen nutzen KI in mindestens einer Funktion, aber nur etwa ein Drittel skaliert sie (McKinsey, 2025).
Der Job geht nach dem Launch weiter. Modell-Updates, Prompt-Änderungen und neues Nutzerverhalten verschieben die Qualität, also muss jemand Evals neu laufen lassen und Korrekturraten beobachten.
Eine gute Stellenbeschreibung für AI PMs nennt einen Produktbereich, ein Ergebnis und die Grenze zur Entwicklung. Kopiere die Vorlage unten.
Was ist ein AI Product Manager?
Ein AI Product Manager ist ein Product Manager, dessen Entscheidungen prägen, wie sich ein KI-System innerhalb eines Produkts verhält. Marty Cagan und Marily Nika definieren AI Product Management als das Entwickeln KI-gestützter Produkte, nicht als die Nutzung von KI-Tools durch PMs (SVPG, 2024).
Der Titel wird für drei Arten von Arbeit verwendet:
Was der Titel bedeutet
Was der PM verantwortet
Braucht AI-PM-Skills?
Ein PM, der KI-Tools nutzt
Normale Produktarbeit, bei der KI bei Research-Synthese, Entwürfen und Analyse hilft
Ein Feature, das ein Modell innerhalb eines größeren Produkts nutzt, etwa Antwortvorschläge oder KI-Suche
Ja
Ein PM für ein KI-natives Produkt
Ein Produkt, in dem KI zentral für den Workflow ist und die Qualität davon abhängt, wie mit Unsicherheit und Ausnahmen umgegangen wird
Ja, in der Tiefe
Die Tools selbst sind schon überall. In der Umfrage 2026 des Product Institute unter 309 Produktverantwortlichen sagten 85 %, sie nutzten KI-Tools für die Produktarbeit, und 70 % hatten KI-gestützte Features ausgeliefert (Product Institute, 2026). Wer ChatGPT nutzt, um Interviews zusammenzufassen, ist noch kein AI PM. Wer das Verhalten eines KI-Features verantwortet, schon.
Warum es die Rolle jetzt gibt
Andrew Ng argumentierte im Januar 2025, dass AI Product Management andere Fähigkeiten braucht als klassisches Software-Produktmanagement, und sagte eine sehr starke Nachfrage nach guten AI PMs voraus (The Batch, 2025). Die Einstellungsdaten zeigen in dieselbe Richtung: 2,5 % der US-Stellenanzeigen erwähnen inzwischen KI-Skills, 55 % mehr als im Vorjahr (Lightcast zum Stanford AI Index 2026).
Der tiefere Grund ist, dass KI-Ausgaben unsicher sind. Cagan und Nika sagen es deutlich: „Generative AI, by its nature, is probabilistic, not deterministic.“ Dieselbe Eingabe kann unterschiedliche Ausgaben erzeugen, was verändert, wie ein PM Anforderungen schreibt, Qualität testet und ein Release plant.
Was macht ein AI Product Manager im Alltag?
Die Woche eines AI PMs mischt gewöhnliche Produktarbeit mit drei KI-spezifischen Schleifen: Ausgaben prüfen, das Eval-Set aktualisieren und Qualität, Tempo und Kosten abwägen.
Hier eine beispielhafte Woche für eine PM, die ein KI-Feature verantwortet, das Antworten für ein Support-Team entwirft:
Tag
Hauptaktivität
Ergebnis
Montag
40 markierte Entwürfe der Vorwoche mit der Support-Leitung durchgehen
6 neue Fehlerfälle im Eval-Set
Dienstag
Zwei Kundengespräche darüber, wo Agents Entwürfe immer noch umschreiben
Eine Notiz zu den zwei Ticket-Typen mit der höchsten Korrekturrate
Mittwoch
Abwägungs-Session mit dem Engineer zu einem günstigeren Modell
Entscheidung: das günstigere Modell nur bei Routine-Tickets testen
Donnerstag
Eval-Set mit beiden Modellen laufen lassen; jeden kritischen Fehler lesen
In diesem Beispiel geht etwa ein Drittel der Woche für das Lesen echter Ausgaben drauf. Ein PM, der nur Dashboards liest, übersieht den Fehler, der für eine wichtige Kundengruppe zählt. Die Tools für diese Schleife behandelt der AI-native Stack für technische PMs.
Was sind die zentralen Aufgaben eines AI Product Managers?
Diese Aufgaben tauchen in gut geführten Teams auf, ungefähr in der Reihenfolge, in der ein Feature sie durchläuft.
1. Entscheiden, ob KI überhaupt in die Lösung gehört
Beginne mit einem Nutzer, einer Situation und der Aufgabe, die er erledigen will. Frag dann, ob KI nötig ist. Die Rules of Machine Learning von Google, geschrieben von Martin Zinkevich, beginnen mit: „Don't be afraid to launch a product without machine learning.“ (Google). Ein regelbasierter Ablauf, ein besseres Suchfeld oder ein einfacheres Formular löst das Problem oft mit weniger Unsicherheit.
Schreib auf, was das System erhält, was es zurückgibt und was die Person als Nächstes tun kann. Entscheide, ob die KI vorschlagen, zusammenfassen, ranken, generieren oder handeln soll.
Lege dann das Verhalten im Fehlerfall fest:
Was passiert, wenn die Eingabe unvollständig oder außerhalb des Umfangs ist?
Wann soll das System verzichten, eine Rückfrage stellen oder an einen Menschen übergeben?
Kann der Nutzer das Ergebnis prüfen, bearbeiten oder rückgängig machen?
Was darf es unabhängig vom Prompt niemals tun?
Die 18 Guidelines for Human-AI Interaction von Microsoft Research, mit 49 Design-Praktikern an 20 KI-Produkten validiert, sind hier eine nützliche Checkliste. Die ersten beiden Richtlinien lauten, klarzumachen, was das System kann und wie gut es das kann (Microsoft Research, 2019).
3. Die Evaluationsschwelle setzen, bevor du die Demo polierst
Eine überzeugende Demo ist keine Qualitätslatte. Der AI PM verwandelt „gut genug“ in realistische Testfälle und eine Bestehensgrenze, auf die sich das Team vor dem Launch einigt, und ersetzt so das Bauchgefühl-Review durch strukturierte Evals (Aman Khan in Lenny's Newsletter, 2025).
Ein Praxisbeispiel mit illustrativen Zahlen für das Support-Antwort-Feature:
Schreibe eine dreistufige Bewertungsskala: unverändert senden, nach leichten Änderungen senden, unbrauchbar.
Markiere 10 der 20 Fehlerfälle als kritisch, etwa das Versprechen einer Erstattung, die die Richtlinie nicht erlaubt.
Lege die Launch-Latte fest: mindestens 85 % der Routine-Tickets brauchbar, mindestens 60 % der Randfälle brauchbar, null kritische Fehler.
Lies die Ergebnisse nach Ticket-Typ, nicht nur im Durchschnitt. Eine Gesamtquote von 90 % kann eine Quote von 40 % bei Abrechnungstickets verbergen.
Entwickler spüren dieses Problem bereits: 66 % nannten in der Stack-Overflow-Umfrage 2025 fast richtige KI-Antworten als ihren größten Frust (Stack Overflow, 2025). Deine Nutzer werden es auch spüren. Die ausführliche Methode steht in unserem Leitfaden zum KI-Evaluationsframework für Produktteams.
4. Kosten, Latenz und Qualität gemeinsam mit der Entwicklung abwägen
Cagan und Nika nennen die Abwägungen zwischen Genauigkeit, Geschwindigkeit, Kosten und Nutzererlebnis als KI-Produktentscheidungen (SVPG, 2024). In der Praxis einigen sich PM und Engineer auf:
Kosten pro erfolgreicher Aufgabe, nicht Kosten pro Aufruf
Latenz, die der Nutzer für diese Aufgabe toleriert
Welche Daten das System lesen, speichern oder an einen Modellanbieter senden darf
Die Qualitätsschwelle, die ein teureres Modell rechtfertigt
Der PM verantwortet das Problem und die Abnahmeschwelle; die Entwicklung verantwortet das technische Design und die Produktionsqualität.
5. Ein Release planen, das zum Risiko passt
Ein Entwurf, den ein Mensch prüft, braucht einen anderen Rollout als eine KI-Aktion, die Kundendaten ändert oder eine Nachricht verschickt. Lege einen Verantwortlichen, einen Kill Switch, einen Rollback-Plan und eine Möglichkeit fest, Fehler zu untersuchen.
Prüfe regulatorische Pflichten früh. Seit dem 2. August 2026 verlangt Artikel 50 des EU AI Act, Menschen mitzuteilen, wenn sie mit einem KI-System interagieren, es sei denn, es ist offensichtlich, und verlangt die Kennzeichnung synthetischer Inhalte, mit einer Übergangsfrist bis zum 2. Dezember 2026 für bereits auf dem Markt befindliche generative Systeme (Cooley, 2026). Das verändert die Oberfläche, ist also ebenfalls eine Produktentscheidung.
Für ein gemeinsames Risikovokabular gliedert das freiwillige NIST AI Risk Management Framework (veröffentlicht am 26. Januar 2023, ergänzt am 26. Juli 2024 um ein Generative-AI-Profil) die Arbeit in Govern, Map, Measure und Manage. Es ersetzt keine domänenspezifische rechtliche oder Sicherheitsprüfung.
6. Das Ergebnis nach dem Launch verantworten
Nutzung allein beweist keinen Wert; ein beliebtes Feature kann trotzdem Prüfaufwand erzeugen. Verfolge, ob Nutzer Ausgaben akzeptieren, bearbeiten oder verwerfen, wie lange die Aufgabe insgesamt dauert und welche Support-Last entsteht. Regel 2 der Rules of ML von Google lautet, Metriken vor allem anderen zu entwerfen und umzusetzen, und das gilt genauso für LLM-Features (Google).
7. Die Argumentation zusammenhalten
Bewahre Evidenz, Entscheidung, Verhaltensvertrag, Eval-Ergebnisse und Release-Ergebnis zusammen auf, damit das Team nach einem Modell-Update, wenn sich die Qualität verschiebt, sehen kann, was angenommen wurde. Die Team-Version dieser Schleife steht in AI-nativem Produktmanagement für kleine Teams.
Wer betreibt und verbessert ein KI-Produkt nach dem Launch?
Der AI PM verantwortet nach dem Launch das Ergebnis und die Qualitätslatte; die Entwicklung verantwortet die Zuverlässigkeit des Systems. In größeren Unternehmen kann ein ML- oder Plattform-Team die Modellschicht verantworten.
Zur Arbeit nach dem Launch gehört bei einem KI-Feature meist:
Das Eval-Set bei jeder Änderung an Modell, Prompt oder Retrieval neu laufen lassen, bevor sie live geht
Live-Ausgaben wöchentlich stichprobenartig prüfen und neue Fehler ins Eval-Set aufnehmen
Korrektur- und Abbruchraten beobachten, nach Nutzersegment und nicht nur insgesamt
Die Kosten pro erfolgreicher Aufgabe prüfen, wenn das Volumen wächst
Entscheiden, wann das Feature eingestellt wird, wenn es seinen Platz nicht mehr verdient
Die McKinsey-Umfrage 2025 unter 1.993 Befragten ergab, dass 62 % der Organisationen mit KI-Agents experimentieren, aber nur 23 % sie skalieren (McKinsey, 2025). Die Verantwortung nach dem Launch macht einen Großteil des Unterschieds aus.
Welche Skills braucht ein AI Product Manager?
Andrew Ng nennt fünf Skills für AI PMs: technische Kompetenz in KI, iterative Entwicklung, Datenkompetenz, Umgang mit Mehrdeutigkeit und fortlaufendes Lernen (The Batch, 2025). Im Alltag heißt das:
Skill
Wie es in der Praxis aussieht
Wie du es im Interview zeigst
Product Discovery
Findet ein konkretes Nutzerproblem und testet es mit echtem Verhalten
Ein Problem, das du nach fünf Kundengesprächen begraben hast
KI-Verständnis
Versteht variable Ausgaben, Kontextgrenzen, Retrieval und Fine-Tuning-Abwägungen auf konzeptioneller Ebene
Erkläre, warum ein Feature bei langen Dokumenten scheiterte
Evaluationsdesign
Macht aus einer Qualitätserwartung Testfälle, eine Bewertungsskala und eine Bestehensgrenze
Führe durch ein Eval-Set, das du gebaut hast
Datenurteil
Weiß, welche Daten das Feature braucht, wem sie gehören und was die Einwilligung abdeckt
Ein Datenzugriffsproblem, das du gelöst hast
Abwägungsdenken
Wägt Genauigkeit, Latenz, Kosten pro Aufgabe und Nutzervertrauen ab
Eine Modell- oder Anbieterwahl, die du getroffen hast, und warum
Risiko und Aufsicht
Entwirft Verzichts-, Übergabe- und Rückgängig-Pfade; kennt die Kennzeichnungsregeln
Ein Fehlermodus, um den du herum designt hast
Ergebnismessung
Verknüpft Modellverhalten mit Aufgabenerfolg, Retention und Umsatz
Die Metrik, die du in Woche eins beobachten würdest
Ein AI PM muss kein Machine-Learning-Forscher sein. Er muss aber rohe Ausgaben lesen, fundierte Fragen stellen und, wie Ng anmerkt, zunehmend selbst Prototypen bauen.
AI Product Manager vs. klassischer PM vs. ML Product Manager: Was ist der Unterschied?
Die drei Titel überschneiden sich, legen aber das Gewicht auf unterschiedliche Entscheidungen. „ML Product Manager“ ist der ältere Titel, vor allem für Produkte auf Basis trainierter Modelle wie Ranking, Empfehlungen und Betrugserkennung. „AI Product Manager“ meint heute meist einen PM, der mit generativen Modellen und Agents arbeitet, wobei viele Unternehmen die Titel austauschbar verwenden.
Gestufter Rollout, zuerst menschliches Review, Eval-Gate bei jeder Änderung
In einem kleinen Team deckt oft eine Person alle drei ab. Die Skills lassen sich übertragen; die Gewichtung ändert sich. Neben einem AI- oder ML-Engineer, der Modell, Retrieval und Schutzmaßnahmen verantwortet, verantwortet der AI PM das Problem, den Verhaltensvertrag und die Eval-Latte. Wie billigeres Bauen diese Rollen umformt, siehst du in was die Debatte um das PM-zu-Engineer-Verhältnis bedeutet.
Vorlage: Stellenbeschreibung für einen AI Product Manager
Kopiere diese Stellenbeschreibung für einen AI Product Manager und ersetze die Teile in eckigen Klammern. Sie ist so geschrieben, dass sie Leute anzieht, die Ergebnisse verantworten, und nicht Prompt-Volumen.
AI Product Manager, [Produktbereich]
Über die Rolle
Du verantwortest [Produktbereich / KI-Feature], das [wer] nutzt, um
[Aufgabe, die erledigt werden soll]. Du entscheidest, wo KI in den
Workflow gehört, wie sie sich verhalten soll, wenn sie unsicher ist
oder falschliegt, und ob sie [Ergebnismetrik] verbessert. Du berichtest
an [Name/Titel] und arbeitest täglich mit [N] Engineers, [N]
Designer(n) und [fachlichen Reviewern] zusammen.
Was du tun wirst
- Nutzerprobleme über Interviews, Support-Daten und Produkt-Analytics
finden und einordnen; entscheiden, wann KI nicht die richtige
Antwort ist.
- Verhaltensverträge schreiben: Eingaben, Ausgaben, Grenzen, Verzichts-
und Übergaberegeln und was das System niemals tun darf.
- Gemeinsam mit der Entwicklung das Evaluations-Set aufbauen und
pflegen; die Bestehensgrenze für den Launch und für jede Modell-
oder Prompt-Änderung festlegen.
- Kosten-, Latenz- und Qualitätsabwägungen treffen, einschließlich
Modell- und Anbieterwahl, mit einem klaren Ziel für die Kosten pro
erfolgreicher Aufgabe.
- Gestufte Rollouts mit Verantwortlichem, Monitoring und Rollback-Pfad
planen; mit Legal zu Kennzeichnungs- und Datenpflichten arbeiten.
- Ergebnisse nach dem Launch verantworten: Akzeptanz-, Korrektur- und
Abbruchraten, Aufgabenzeit, Support-Last und Umsatzwirkung.
- Evidenz, Entscheidungen und Ergebnisse dokumentiert halten, damit
das Team erklären kann, warum sich das Produkt so verhält.
Woran sich Erfolg zeigt
- 30 Tage: Du kannst die fünf wichtigsten Fehlermodi aus dem Lesen
echter Ausgaben erklären, und das Eval-Set deckt sie ab.
- 90 Tage: Eine KI-Änderung ist durch ein vereinbartes Eval-Gate
ausgeliefert, mit gemessenem Effekt auf [Ergebnismetrik].
- 180 Tage: Eine regelmäßige Review-Schleife (wöchentliche
Ausgaben-Stichproben, monatlicher Ergebnis-Review), die läuft,
ohne dass du ihr hinterherlaufen musst.
Was du mitbringst
- [N]+ Jahre im Product Management oder einer eng verwandten Rolle.
- Erfahrung damit, mindestens ein Feature auszuliefern, bei dem die
Ausgabequalität unsicher war (ML, Suche, Empfehlungen oder
generative KI).
- Genug technische Tiefe, um mit einer Modell-API zu prototypen und
einen Eval-Report zu lesen; du musst keine Modelle trainieren.
- Sicherer Umgang mit Daten: Du kannst grundlegendes SQL und Analytics
schreiben oder lesen.
- Nachweise für Customer Discovery, nicht nur für Delivery.
- Von Vorteil: Erfahrung in [Domäne] oder mit Workflows mit
menschlichem Review.
Prüfe vor dem Veröffentlichen, ob die Rolle einen Produktbereich nennt und dem PM echten Zugang zu Kunden und rohen Ausgaben gibt. Ohne beides ist der Job Koordination, kein Product Management.
Woran erkennst du, ob eine AI-PM-Rolle gut definiert ist?
Ob du einstellst oder dich bewirbst: Prüfe vier Dinge. Die Rolle nennt einen Nutzer, einen Produktbereich und ein Ergebnis; der PM kann entscheiden, dass KI nicht die Antwort ist; der PM definiert Evaluation und Rollout gemeinsam mit der Entwicklung; und Erfolg wird an Ergebnissen gemessen, nicht an geschriebenen Prompts oder ausgelieferten Demos. Wenn eine Rolle Strategie, Modellarchitektur, Data Science, Compliance und QA ohne klaren Fokus verantwortet, sind das mehrere Jobs unter einem Titel. Ngs eigene Faustregel nennt typische Engineer:PM-Verhältnisse von 4:1 bis 10:1, wobei 6:1 üblich ist (The Batch, 2025). Ein AI PM, der 30 Engineers über fünf KI-Features hinweg abdeckt, hat keine Zeit, Ausgaben zu lesen, und das ist der Teil des Jobs, den man nicht überspringen kann.
Typische Fehler von AI Product Managern
Beim Modell anfangen. Ein neues Modell ist kein Nutzerproblem. Wer dort startet, bekommt Demos, keine Produkte.
Auf Durchschnitten ausliefern. Eine Gesamtquote verbirgt das Segment, in dem das Feature schlecht abschneidet.
Das Eval-Set für fertig halten. Ohne neue Fälle aus Live-Fehlern misst es irgendwann nicht mehr das Produkt, das die Leute nutzen.
Kosten bis zur Rechnung ignorieren. Die Kosten pro erfolgreicher Aufgabe können springen, wenn die Nutzung wächst oder der Kontext länger wird.
Öffnungen statt Ergebnisse messen. Ein Feature, das angeklickt und dann stark bearbeitet wird, erzeugt womöglich Mehrarbeit.
Die Kennzeichnung ans Ende schieben. Nutzern zu sagen, dass sie mit KI sprechen, verändert die Oberfläche. Plane sie von Anfang an ein.
Wo Specky ins Spiel kommt
Specky ist ein KI-natives Produktsystem, das die Argumentation hinter einem KI-Feature an einem Ort hält. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, entwirft PRDs mit Kundenevidenz als Inline-Zitat und prüft nach dem Launch, ob die Wette aufgegangen ist. Für einen ersten Entwurf einer KI-Feature-Spec probiere den kostenlosen PRD-Generator oder lies unseren KI-PRD-Leitfaden.
Häufig gestellte Fragen
Was ist ein AI Product Manager?
Ein AI Product Manager ist ein PM, dessen Entscheidungen prägen, wie sich ein KI-System innerhalb eines Produkts verhält. Er wählt, wo KI hingehört, definiert ihr Verhalten und ihre Grenzen, setzt die Evaluationsschwelle und verantwortet das Ergebnis nach dem Launch. Ein PM, der KI-Tools nur für die eigene Arbeit nutzt, ist in diesem Sinn kein AI PM; das macht inzwischen jeder PM.
Was sind die wichtigsten Aufgaben eines AI Product Managers?
Die wichtigsten Aufgaben sind: entscheiden, ob KI zum Problem passt, den Verhaltensvertrag inklusive Fehlerbehandlung schreiben, gemeinsam mit der Entwicklung das Evaluations-Set und die Launch-Latte aufbauen, Kosten- und Qualitätsabwägungen treffen, einen zum Risiko passenden Rollout planen und die Ergebnisse nach dem Launch verantworten. Kennzeichnungs- und Datenpflichten, etwa Artikel 50 des EU AI Act, gehören zu dieser Arbeit.
Was ist der Unterschied zwischen einem ML Product Manager und einem AI Product Manager?
Ein ML Product Manager arbeitet traditionell an Produkten auf Basis trainierter Modelle wie Ranking, Empfehlungen oder Betrugs-Scores, mit Offline-Metriken wie Precision und Recall. Ein AI Product Manager arbeitet meist mit generativen Modellen und Agents, bei denen die Ausgaben offen sind und die Qualität über Eval-Sets und menschliches Review beurteilt wird. Viele Unternehmen verwenden die Titel austauschbar.
Braucht ein AI Product Manager einen technischen Hintergrund?
Er braucht technische Sprachfähigkeit, keinen Forschungshintergrund. Ein AI PM sollte auf konzeptioneller Ebene verstehen, wie Modelle, Kontext, Retrieval und Evaluation funktionieren, mit einer Modell-API prototypen und einen Eval-Report lesen können. Andrew Ng nennt technische Kompetenz in KI und Datenkompetenz neben dem Umgang mit Mehrdeutigkeit unter den Kernskills eines AI PMs.
Wie wirst du AI Product Manager?
Liefere ein Feature aus, bei dem die Ausgabequalität unsicher ist, und zeige dann, wie du sie gemessen hast: ein kleines Eval-Set, einen Verhaltensvertrag mit Fehlermodi und was du nach dem Lesen der Ausgaben geändert hast. Dieses Portfolio schlägt ein Zertifikat. Unsere Seite für angehende AI PMs nennt praktische Startpunkte.
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