15. Oktober 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Was Product Manager nie an KI delegieren sollten: 7 Entscheidungen
KI kann Belege sammeln, Optionen entwerfen und die Gegenseite vertreten. Sieben Produktentscheidungen brauchen trotzdem einen namentlich benannten Menschen als Owner. Hier sind die Liste, die Freigaberegel und eine Checkliste.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Was sollten PMs nicht an KI delegieren? Sieben Entscheidungen: welches Problem Aufmerksamkeit bekommt, was Kunden wirklich meinen, welchen Trade-off die Roadmap in Kauf nimmt, was das Team bewusst nicht baut, wie ein Stakeholder-Konflikt endet, ob ein Risiko akzeptabel ist und ob eine Wette weiterlaufen soll. KI kann Belege sammeln, Optionen entwerfen und die Gegenposition vertreten. Eine namentlich benannte Person trifft trotzdem die Entscheidung und trägt die Konsequenz.
Das Wichtigste in Kürze
Entwickler:innen misstrauen KI-Ergebnissen häufiger, als sie ihnen vertrauen: 46 % gegenüber 33 %, nur 3 % vertrauen ihnen voll und ganz (Stack Overflow, 2025, über 33.000 Befragte).
Die Ingenieur:innen von Anthropic nutzen KI bei 59 % ihrer Arbeit, sagen aber mehrheitlich, dass sie nur 0–20 % davon vollständig delegieren können (Anthropic, Dezember 2025).
Der EU AI Act verlangt, dass Menschen, die Hochrisiko-KI beaufsichtigen, deren Ergebnisse übersteuern oder rückgängig machen können und sich vor Automation Bias schützen (Artikel 14).
Der Agenten-Leitfaden von OpenAI nennt zwei Auslöser, um die Kontrolle an einen Menschen zurückzugeben: wiederholtes Scheitern und Aktionen, die sensibel, unumkehrbar oder folgenschwer sind.
Die Faustregel: Die Vorbereitung delegieren, die Entscheidung behalten. Je höher das Risiko und je schwerer es sich rückgängig machen lässt, desto näher an der Aktion sitzt die menschliche Freigabe.
Warum ist eine KI-Empfehlung keine Entscheidung?
KI liefert aus dem Kontext, den sie bekommt, eine selbstsichere Antwort. Flüssige Texte verdecken Lücken: Eine Empfehlung kann entschlossen klingen, obwohl die Belege unvollständig sind, die Kundenanfrage nicht repräsentativ ist, der Trade-off nirgends benannt wird und niemand als Owner feststeht.
Gerade die Menschen, die KI am meisten nutzen, trauen ihr nur vorsichtig. In Stack Overflows Developer Survey 2025 nutzen 84 % der Befragten KI-Tools oder planen es, aber 46 % misstrauen der Genauigkeit der Ergebnisse und 33 % vertrauen ihr (Stack Overflow, 2025). Der häufigste Frust, genannt von 66 %, sind Ergebnisse, die fast richtig sind, aber eben nicht ganz. Googles DORA-Forschung 2025 zeigt dieselbe Lücke: 90 % von knapp 5.000 Tech-Fachleuten nutzen KI bei der Arbeit, doch 30 % vertrauen den Ergebnissen nur ein wenig oder gar nicht (Google, 2025).
Produktentscheidungen lassen sich schwerer prüfen als Code. Ein fehlschlagender Test zeigt dir binnen Minuten, dass der Code falsch ist. Eine falsche Priorisierung kann zwei Quartale lang gut aussehen.
Was ist Automation Bias, und warum sollte das PMs interessieren?
Automation Bias ist die Neigung, ein Ergebnis zu akzeptieren, nur weil ein System es erzeugt hat. Der EU AI Act benennt ihn ausdrücklich: Menschen, die Hochrisiko-KI beaufsichtigen, müssen sich der „möglichen Neigung bewusst bleiben, sich automatisch oder übermäßig auf das Ergebnis zu verlassen“ (EUR-Lex, Verordnung (EU) 2024/1689, Artikel 14). Derselbe Artikel verlangt, dass die aufsichtführende Person das Ergebnis ignorieren, übersteuern oder rückgängig machen und das System sicher anhalten kann.
Die meisten PM-Tools sind kein Hochrisiko-System im Sinne des Gesetzes, aber das Prinzip lässt sich übertragen: Wer nicht erklären kann, warum er eine Empfehlung angenommen hat, hat nicht entschieden. Er hat sie nur weitergereicht.
Was sollten Product Manager nie an KI delegieren?
Sieben Produktentscheidungen sollten in menschlicher Hand bleiben. KI kann jeweils den Boden bereiten, aber die Entscheidung hängt an Kontext, Beziehungen oder Verantwortung, die ein Modell nicht hat.
1. Welches Problem die Aufmerksamkeit des Teams verdient
KI kann Signale nach Häufigkeit oder Ähnlichkeit ranken. Häufigkeit ist nicht Wichtigkeit. Zehn Anfragen von Free-Nutzer:innen können weniger zählen als ein einziges Abwanderungsrisiko beim größten Account, und das kann nur jemand abwägen, der Strategie, Timing und Opportunitätskosten kennt. Marty Cagan ordnet das Value Risk, also ob Kunden es kaufen oder tatsächlich nutzen werden, dem Product Manager zu (SVPG, 2017).
2. Was der Kunde wirklich meint
KI kann in Minuten Themen über 200 Transkripte hinweg taggen. Sie kann aber nicht die Nachfrage stellen, die eine gewünschte Lösung („Füg einen Export-Button hinzu“) vom eigentlichen Job trennt („Meine Finance-Leiterin braucht diese Zahl jeden Montag“). Verknüpfe jede wichtige Aussage mit dem Originalzitat und lies die Quelle, bevor du aus einem Thema Konsequenzen ziehst. Unser Leitfaden zum Trennen von Belegen und Interpretation in der KI-Recherche-Synthese zeigt die Methode.
3. Welchen Trade-off die Roadmap eingeht
Ein Priorisierungs-Score ist ein Input, kein Urteil. Priorisierung entscheidet, wer bedient wird, was warten muss, welches Risiko akzeptiert wird und was das Unternehmen lernen will. KI kann zehn Szenarien durchrechnen. Ein Mensch muss eines auswählen und den Preis denen erklären, die dabei verlieren. Der RICE-Priorisierungsleitfaden zeigt, wie du einen Score nutzt, ohne ihn für dich entscheiden zu lassen.
4. Was das Team bewusst nicht baut
Nein zu sagen erfordert Überzeugung und eine Beziehung zu den Menschen, die gefragt haben, und es wird wichtiger, seit ein Prototyp nur noch einen Nachmittag dauern kann. Pendos Analyse von 615 Software-Abonnements ergab, dass etwa 80 % der Features selten oder nie genutzt werden (Pendo, 2019). Wenn Bauen billiger wird, wächst dieser Anteil eher, als dass er schrumpft. Das Gespräch selbst behandeln wir in So sagst du Nein zu „Das können wir mit KI in einer Stunde bauen“.
5. Wie ein Stakeholder-Konflikt gelöst wird
KI kann konkurrierende Ziele abbilden und drei Kompromissoptionen entwerfen. Sie kann aber nicht die Beziehung zwischen Product, einem wichtigen Kunden, einer Sales-Leiterin und Engineering halten, wenn die Antwort jemanden enttäuscht. Jeff Bezos empfiehlt in seinem Aktionärsbrief von 2016, dass eine Führungskraft mit Überzeugung, aber ohne Konsens widersprechen und sich dann committen soll („disagree and commit“) (Amazon, 2016). Das funktioniert nur, wenn ein Mensch das Commitment übernimmt.
6. Ob ein Risiko akzeptabel ist
Datenschutz, Sicherheit, Safety, Compliance, Zuverlässigkeit und unumkehrbare Aktionen brauchen einen verantwortlichen Menschen, der das Risiko akzeptiert. KI kann das Risiko beschreiben. Sie sollte es nie stillschweigend akzeptieren. Das gilt auch für das, was KI baut: Veracode hat über 100 Sprachmodelle getestet und festgestellt, dass 45 % der generierten Codebeispiele eine Schwachstelle aus den OWASP Top 10 enthielten, wobei die Sicherheitsleistung unabhängig von der Modellgröße gleich blieb (Veracode, 2025).
7. Ob eine Produktwette noch lebt
KI kann Launch-Metriken mit der Hypothese vergleichen. Ob man eine Wette fortsetzt, eingrenzt, pausiert oder beendet, hängt aber an Sunk Costs, Teammoral, Kundenversprechen und der nächsten Chance. CB Insights stellte fest, dass 43 % von 431 risikokapitalfinanzierten Startups, die seit 2023 aufgegeben haben, mangelnden Product-Market-Fit als Grund nannten (CB Insights, 2026). Die falsche Wette früh zu beenden gehört zum Job eines PM, und dafür braucht es einen Owner, der das laut ausspricht.
Die sieben Entscheidungen im Überblick
Entscheidung
Was KI tun kann
Was der Mensch verantwortet
Meist umkehrbar?
Problemwahl
Signale clustern und zählen
Strategie, Timing und Opportunitätskosten abwägen
Teilweise
Kundenbedeutung
Themen taggen, Zitate ziehen
Nachfragen und der Job hinter der Anfrage
Ja
Roadmap-Trade-off
Szenarien bewerten und vergleichen
Entscheiden, wer warten muss und warum
Teilweise
Nicht bauen
Alternativen generieren
Nein sagen und Vertrauen halten
Ja
Stakeholder-Konflikt
Positionen abbilden, Optionen entwerfen
Die Beziehung und die endgültige Entscheidung
Teilweise
Risikoakzeptanz
Risiken und Fehlermodi beschreiben
Das Risiko akzeptieren oder ablehnen
Oft nein
Fortführung der Wette
Ergebnisse mit der Hypothese vergleichen
Fortsetzen, eingrenzen, pausieren oder stoppen
Teilweise
Was können Product Manager bedenkenlos an KI delegieren?
Delegiere Arbeit, bei der ein Mensch das Ergebnis gegen die Quelle prüfen kann, bevor es eine Roadmap, ein Kundenversprechen oder ein Produktivsystem verändert. Gute Kandidaten:
Meeting- und Call-Zusammenfassungen mit Links zur Aufzeichnung oder zum Transkript
Gruppieren und Deduplizieren von Feedback
Erste Entwürfe für Research-Readouts, PRDs und Release Notes
Mögliche Interviewfragen und alternative Hypothesen
Entwürfe für Akzeptanzkriterien zur Durchsicht
Updates im Decision Log und Vorbereitung von Statusberichten
Prüfungen auf fehlende Felder, veraltete Belege oder uneinheitliche Terminologie
Gemeinsam ist ihnen die Überprüfbarkeit. Anthropics Studie über die eigene Belegschaft ist ein guter Referenzpunkt: Ingenieur:innen und Forschende nutzten Claude bei 59 % ihrer Arbeit, gegenüber 28 % ein Jahr zuvor, und berichteten von 50 % mehr Produktivität, doch mehr als die Hälfte sagte, sie könne nur 0–20 % ihrer Arbeit vollständig delegieren (Anthropic, 2025). Intensive Nutzung und zurückhaltendes Delegieren passen also gut zusammen. Die vollständige Methode zum Sortieren von Aufgaben findest du in Was Product Manager mit KI automatisieren sollten.
Wie entscheidest du, wann ein Mensch ein KI-Ergebnis freigeben muss?
Nutze eine Regel: Je höher Risiko, Unumkehrbarkeit, Mehrdeutigkeit und Beziehungswirkung, desto näher an der Aktion muss die menschliche Freigabe sitzen.
Der Leitfaden von OpenAI zum Bau von Agenten nennt zwei Auslöser, um die Kontrolle an eine Person zu übergeben: das Überschreiten einer Fehlerschwelle, etwa wenn eine Anfrage mehrfach missverstanden wird, und riskante Aktionen, die sensibel, unumkehrbar oder folgenschwer sind, etwa Bestellungen stornieren oder große Rückerstattungen genehmigen (OpenAI, 2025). Außerdem empfiehlt er, jedes Tool eines Agenten als niedriges, mittleres oder hohes Risiko einzustufen, und zwar nach Lese- versus Schreibzugriff, Umkehrbarkeit, Berechtigungen und finanzieller Wirkung.
Bezos' Idee der Two-Way-Door-Entscheidungen rundet das Bild ab. Viele Entscheidungen sind umkehrbar und verdienen einen schlanken Prozess, und die meisten lassen sich mit etwa 70 % der Informationen treffen, die du dir wünschst. Heb dir den aufwendigen Review für die Einbahnstraßen auf. Unser Reversibilitäts-Framework für Produktentscheidungen zeigt, wie du beides unterscheidest.
Ein Freigabe-Score aus vier Faktoren
Bewerte jedes von KI vorbereitete Ergebnis bei vier Faktoren von 1 (niedrig) bis 3 (hoch) und addiere die Punkte.
Faktor
1
2
3
Risiko bei Fehler
Kosmetisch
Nervt Nutzer:innen oder verschwendet einen Sprint
Geld, Daten, Sicherheit oder rechtliches Risiko
Umkehrbarkeit
In Minuten rückgängig
In Tagen rückgängig
Nicht rückgängig zu machen
Mehrdeutigkeit
Klare Quelle und Regel
Etwas Interpretation
Umstrittene Belege oder Strategie
Beziehungswirkung
Nur intern
Ein Kunde oder ein Team
Viele Kunden oder eine öffentliche Zusage
4–6: automatisieren und wöchentlich stichprobenartig prüfen.
7–9: KI entwirft, und der PM prüft, bevor etwas live geht.
10–12: KI bereitet nur Belege und Optionen vor. Ein namentlich benannter Owner entscheidet und hält die Begründung fest.
Die Bereiche sind ein Ausgangspunkt, kein Standard.
Durchgerechnetes Beispiel (illustrativ)
Angenommen, ein Team aus sechs Personen lässt KI 140 Feedback-Einträge im Monat sortieren. Tagging und Deduplizierung erreichen 5 Punkte: geringes Risiko, in Minuten umkehrbar, klare Regeln, nur intern. Das läuft automatisch, und der PM prüft jeden Freitag 10 Einträge stichprobenartig.
Dieselbe KI empfiehlt dann, ein Reporting-Feature einzustellen, das 12 % der Accounts nutzen. Das erreicht 11 Punkte: Nutzer:innen verlieren Daten, die Änderung lässt sich kaum zurücknehmen, die Nutzungsbelege sind umstritten, und viele Kunden sind betroffen. Die KI stellt das Belegpaket zusammen. Der PM interviewt drei betroffene Kunden, trifft die Entscheidung und hält die Begründung fest.
Checkliste: Bevor du eine KI-Empfehlung annimmst
Kopiere sie in deine Entscheidungsvorlage.
Ich kann die Quellen nennen, auf denen diese Empfehlung beruht, und habe mindestens eine geöffnet.
Ich weiß, von welchen Annahmen sie abhängt und welche Belege ihr widersprechen.
Ich habe die KI nach dem stärksten Argument gegen ihre eigene Antwort gefragt.
Kundenzitate sind echt und verlinkt, nicht zu etwas Neuem umformuliert.
Ich habe sie nach Risiko, Umkehrbarkeit, Mehrdeutigkeit und Beziehungswirkung bewertet.
Eine namentlich benannte Person trägt die Konsequenz, und diese Person ist nicht „die KI“.
Die Entscheidung und ihr Grund sind aufgeschrieben.
Es gibt ein Datum, an dem geprüft wird, ob die Entscheidung richtig war.
Ist die Zeile zur Verantwortung leer, ist die Entscheidung nicht bereit. Mit einer Vorlage für ein Product Decision Log sind die letzten beiden Kästchen in zwei Minuten erledigt.
Was sind die häufigsten Fehler?
Eine Zusammenfassung als Quelle behandeln. Eine Zusammenfassung von 40 Interviews ist eine Behauptung über diese Interviews. Prüfe Zitate stichprobenartig, bevor sie in eine Roadmap einfließen.
Aus Vagheit delegieren. „Priorisiere unsere Roadmap“ ist keine Aufgabe, die eine KI gut erledigen kann. Es ist eine Entscheidung mit fehlenden Inputs. Gib KI enge Aufgaben, deren Ergebnis du prüfen kannst.
Die Menge die Agenda bestimmen lassen. KI macht Ideen, Specs und Prototypen billig. Product Institutes Umfrage 2026 unter 309 Product Leadern ergab, dass nur 17 % strategische Planung und Roadmapping als Bereich mit hoher KI-Wirkung nannten, gegenüber 50 % bei Engineering und Entwicklung (Product Institute, 2026). Der Output wuchs schneller als das Denken dahinter.
Kein Owner nach dem Launch. Die Entscheidung, weiterzumachen oder zu stoppen, wird am häufigsten übersprungen, weil sie kein Meeting erzwingt. Trag den Review-Termin beim Launch in den Kalender ein.
Überkorrektur. Gar nichts zu delegieren verschenkt Zeit, die KI dir zurückgeben kann. Martin Fowlers Notiz zu Agentic Engineering trifft die Balance: „Humans are still responsible for what the software does and how it works“ (Fowler, 2026).
Wo Specky ins Spiel kommt
Specky übernimmt die Vorbereitungsseite dieser Entscheidungen. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph, sodass ein von KI entworfenes PRD oder eine Empfehlung mit Inline-Zitaten zu den zugrunde liegenden Gesprächen ankommt. Entwürfe landen zur Durchsicht im PM Inbox, statt direkt rauszugehen, und das Decision Log hält fest, wer was warum entschieden hat. Die KI übernimmt das Recherchieren und den ersten Entwurf. Du behältst die Entscheidung.
Häufig gestellte Fragen
Was sollten Product Manager nie an KI delegieren?
Problemwahl, Kundeninterpretation, Roadmap-Trade-offs, die Entscheidung, etwas nicht zu bauen, Stakeholder-Konflikte, Risikoakzeptanz und die Entscheidung, eine Wette fortzusetzen oder zu stoppen. KI kann für jede davon Belege und Optionen vorbereiten, aber diese Entscheidungen hängen an Strategie, Beziehungen und Verantwortung, die ein Modell nicht hat. Benenne für jede einen menschlichen Owner.
Kann KI eine Produkt-Roadmap priorisieren?
KI kann Items bewerten, Szenarien durchspielen und zeigen, welche Belege welche Option stützen. Die endgültige Reihenfolge sollte sie nicht festlegen. Priorisierung entscheidet, wer warten muss und welches Risiko das Unternehmen eingeht, und das muss jemand den Betroffenen erklären. Behandle KI-Scores als einen Input neben Kundenbelegen, Strategie und Engineering-Aufwand.
Sollten PMs KI-Zusammenfassungen von Kundenfeedback vertrauen?
Vertraue ihnen als Ausgangspunkt, nicht als Beleg. Zusammenfassungen können verschiedene Beschwerden vermischen oder Kontext weglassen. Halte jede wichtige Aussage mit dem Original-Transkript, Ticket oder der Metrik verknüpft und prüfe eine Stichprobe, bevor eine Zusammenfassung eine Roadmap-Entscheidung prägt.
Was bedeutet Human-in-the-Loop im Product Management?
Es bedeutet, dass eine namentlich benannte Person eine von KI vorbereitete Entscheidung oder Aktion prüft und freigibt, bevor daraus eine Verpflichtung gegenüber Kunden, Strategie, Finanzen oder Produktion wird. Die prüfende Person muss das Ergebnis verstehen, es ablehnen oder rückgängig machen und den Prozess anhalten können. Das entspricht dem, was Artikel 14 des EU AI Act für Hochrisiko-KI-Systeme verlangt.
Wie viel von der Arbeit eines PM kann KI übernehmen?
Viel von der Vorbereitung und wenig vom Entscheiden. Anthropics Ingenieur:innen nutzten KI 2025 bei 59 % ihrer Arbeit, doch die meisten sagten, sie könnten nur 0–20 % davon vollständig delegieren. Für PMs gehen Research-Synthese, Entwürfe und Statusarbeit an die KI, während Problemwahl, Trade-offs und Verantwortung beim Menschen bleiben. Unsere Datenauswertung fragt, 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