Tausend verlinkte Notizen, aber kein Gesamtbild: Man sieht nicht, welche Ideen zentral oder isoliert sind und wie zwei weit entfernte Konzepte zusammenfinden. Wenn jeder Link im Wiki schon in der Notiz erklärt ist, reicht ein Python-Skript mit 160 Zeilen, um daraus einen vollständigen Graphen zu bauen. Graphify erkundet ihn dann – gebaut ist er in 0,2 Sekunden und ohne einen einzigen Token.
Deine Gespräche mit einer KI behalten die Schlussfolgerungen und verlieren die Gründe: was du verworfen hattest, den offen gebliebenen Einwand, warum du so entschieden hast. Das eben erschienene Buch beschreibt den Arbeitsraum, der genau dagegen gebaut wurde — einer pro Thema, in dem die KI den Ursprung einer Idee wiederfindet und die Arbeit dort aufnimmt, wo sie stehen geblieben war.
Wissen, wonach man als Nächstes sucht – und vor allem, wann man aufhört. Statt vorab 30 oder 50 Quellen festzulegen, startet man mit einem kleinen, kuratierten Korpus, zieht daraus strukturiertes Wissen und lässt das, was es weiß und was es nicht weiß, die nächste Suche bestimmen. Das Ergebnis: weniger Redundanz, sichtbare blinde Flecken und ein prüfbares Abbruchkriterium.
Wohin mit einem Dokument, das nichts erzeugt, aber alles regiert, was danach erzeugt wird? Das gewohnte Kriterium — die Änderungsgeschwindigkeit — reicht nicht. Ein Funktionskriterium ersetzt es: Erzeugt diese Datei ein Ergebnis, bewahrt sie Wissen, beschreibt sie einen Stand, oder regiert sie künftige Handlungen? Anwendbar auf jedes Objekt, das die Architektur nicht vorgesehen hat.
Wie findet man heraus, ob die Methode, an der man monatelang gebaut hat, anderswo längst existiert — unter einem anderen Namen? Das Vorgehen besteht aus wenigen Schritten: die Idee in Mechanismen zerlegen, nach der Funktion statt nach dem Vokabular suchen, das eigene Fachgebiet und das Englische verlassen, und vorab festlegen, was ein Fund verändern muss, um zu zählen.
Mit einem Kontext arbeiten, ohne von einem irgendwo eingeschalteten Mac abzuhängen. Der Aufbau besteht aus drei Bausteinen: ChatGPT denkt, die Projekt-Direktiven definieren die Engine, Google Sheets erinnert sich. Konkretes Ergebnis: auf einer Messe ein Gespräch im Gehen diktieren, es persistieren, einspeisen und dann das System fragen, welche Fragen vor dem Verlassen der Halle noch offen sind.
Fünf Tage später findest du den einen Absatz, auf den es ankam, in einem langen ChatGPT-Gespräch kaum wieder. Dieser Bericht zeigt, wie sich ein genauer Ausschnitt auf Zuruf aus dem Fluss herausholen lässt — mit einer schlichten eigenen Direktive und einem Google Sheet als Postausgang. Mit blockierter API, misslungenem Umweg, einer Lösung, die von 50 Sekunden auf zwei kommt, und einer Prüfung nach jedem Schreibvorgang.
Du spürst, dass ein Text oder eine Entscheidung noch nicht sitzt, kannst aber nicht sagen, warum. Genau hier bringt eine KI wirklich etwas: Sie macht aus einem vagen Unbehagen konkrete Ansatzpunkte — ein blinder Fleck, eine schwache Annahme, ein unbehandelter Einwand. Welche Fragen Spannung statt Produktion erzeugen, und warum menschliche Urteilskraft dadurch wichtiger wird und nicht unwichtiger.
Jedes neue Format fühlt sich an wie ein Neuanfang: Du öffnest das letzte Dokument, kopierst, formulierst um, und irgendwann driften zwei Versionen auseinander. Schuld sind nicht die fehlenden Werkzeuge, sondern die Gewohnheit, ein Deliverable als Quelle der Wahrheit zu nehmen. Wie sich zwischen Quellen und Dokumente eine wiederverwendbare Schicht einziehen lässt — und was die KI davon hat.
Deine besten Artikelideen sterben zwischen dem Moment, in dem sie auftauchen, und dem Moment, in dem du dich endlich zum Schreiben hinsetzt. Der Aufbau, der sie heiß erfasst: die Stimme, um den Kopf zu leeren, ohne zu ordnen; eine Sitzungsquelle, die das Rohe bewahrt; die KI, die die Lücken in zehn Sekunden sichtbar macht statt erst in zwei Tagen.
Dein Team baut dasselbe Produktmodell bei jeder Frage neu zusammen, bei jedem Bug, bei jeder Ausschreibung. So schreibst du es einmal auf: mehrere Dutzend Objekte, einige Hundert Regeln, weniger als sechs Stunden. Und vor allem: woran du erkennst, dass du fertig bist — die drei Abschlusskriterien, die Vollständigkeit zu beweisen scheinen und nichts beweisen, und das eine, das hält.
Die KI erhöht die Produktionsfähigkeit — nicht die Entscheidungsfähigkeit. Entwickler rücken ans Produkt heran, PM rücken an den Bau heran. Diese Verschiebung lässt die Rollen verschwimmen, ohne die Verantwortung aufzulösen. Ein vollständiger Rundgang: was die KI im Product Management zur Selbstverständlichkeit macht, was schwer bleibt, und ein Katalog der entstehenden Rollen samt ihrer realen Risiken.
Vier Tage lang ein echtes Produkt mit Claude Code gebaut — 180 Commits, bei null angefangen. Was dabei sichtbar wird: ein Tempo, das berauscht, Fallen, die die KI von allein aufstellt, was Tests verändern, wenn man den Code nicht selbst schreibt, und wie weit ein PM gehen kann, ohne seinen Zuständigkeitsbereich zu verlassen. Ein Bericht aus der Praxis, keine Lehrmeinung.
Schneller Code zu produzieren genügt nicht, wenn niemand versteht, was gebaut wurde. Die KI automatisiert genau die Aufgaben, die Junior-Entwickler hervorbrachten, und ein Fehler, der zu spät auftritt, lehrt nichts mehr, sobald das System zu komplex geworden ist. Ein paar konkrete Orientierungspunkte, um die Kontrolle zu behalten: klare Verträge zwischen den APIs, Tests, die an die Fachlichkeit gebunden sind, Rekonstruierbarkeit als Qualitätskriterium statt bloßer Auslieferungsgeschwindigkeit.
Deine Dokumente sagen nicht alles: Das differenzierte Verständnis der Praxis bleibt im Kopf des PM. Sitzungsquellen bieten einen Kanal, um dieses informelle Wissen in einen Kontext einzuspeisen — einen Satz im Flur, eine Nuance beim Kunden, eine aufkeimende Spannung — und aus der Ansammlung von Mikrosignalen besser formulierte Notizen, Annahmen und Entscheidungen zu machen.
Deine Tools legen Informationen sauber ab, bauen aber nichts aus dem auf, was diese Informationen dich lehren. Dieser Text erklärt, warum die Zukunft des Informationssystems kein besseres, KI-gestütztes Formular ist, sondern ein Umschwenken auf Kontexte: übertragbare, geregelte Gedächtniseinheiten, die Quellen, Entscheidungen und Denkarbeit miteinander verknüpfen, statt sie nur abzulegen.
Du verlierst eine halbe Stunde in einer Testumgebung, nur um auf Slack eine Produktfrage zu beantworten? Diese versteckten Kosten fallen weg, sobald die KI den Quellcode befragt — die eigentliche Wahrheit über das Verhalten. Antworten, die in Belegen verankert sind — Funktion, Test, Commit — statt in veralteter Dokumentation. Vorausgesetzt, der Code spricht die Fachsprache.
Du verlierst den Faden, sobald du eine Unterhaltung mit einer KI zu einem länger laufenden Thema wieder öffnest? Dieser Artikel öffnet die Haube eines strukturierten Gedächtnissystems: der Unterschied zwischen Ziel und Aufmerksamkeit, die Direktiven, die Offline-Warteschlange, die drei Gedächtnisarten (Tagebuch, Zusammenfassung, Checkpoints) und der Ablauf einer Sitzung. Genug, um zu verstehen, wie sich eine KI wirklich an eine Mission erinnern kann.
Die meisten Organisationen können Dokumente produzieren. Das Denken dahinter zu Kapital zu machen, können sie nicht. Bei jeder Entscheidung fangen sie fast bei null an. Der PM als Architekt des Kontexts verwandelt verstreutes Kundenwissen — Transkripte, Einwände, Abwägungen, schwache Signale — in einen wiederverwendbaren Vermögenswert. Das Ergebnis: schnellere und robustere Entscheidungen und ein Wettbewerbsvorteil, den die Konkurrenz nicht sofort kopieren kann.
Klassisches RAG fängt bei jeder Frage von vorne an. Ein KI-Wiki — ein persistentes Wiki, das ein LLM pflegt — sichert Fachwissen ein für alle Mal. Atomare Notizen, Verknüpfungen zwischen Konzepten, Erkennung von Widersprüchen: das Wissen wird kompiliert, nicht wiederentdeckt. Erfahrungsbericht mit 950 Notizen aus Quellen der Industriewartung, mit Erkenntnissen zur Kalibrierung und konkreten Anwendungsfällen.
Du ertränkst in E-Mails und verlierst den Faden der laufenden Themen? Indem ich die Strukturierung an Claude delegierte — eine Datei, ein paar Direktiven, dann eine schrittweise Aufteilung — habe ich 500 Hausverwaltungs-E-Mails in eine abfragbare Wissensbasis verwandelt. Sieben Schritte, von der vagen Direktive zum Mehrfachdatei-System, ohne je ein komplexes Framework zu brauchen.
Dokumentation folgt dem Code nie wirklich. Das wissen wir, wir akzeptieren es — und trotzdem kostet es bei jeder Änderung Zeit. KI verändert die Gleichung: Wenn der Code sauber ist, wird er zur Quelle der Wahrheit, aus der sich andere Artefakte neu generieren lassen — Specs, Changelogs, Support-Dokumentation. Dieser code-centric-Ansatz erfordert ein Mindestmaß an technischer Kultur, eröffnet aber einen echten Hebel für Product Manager, die ihn beherrschen.
Ein verschwenderischer Skill blockiert dich nach 3-4 Ausführungen statt nach 8-10. Entdecke die 5 stillen Fallen, die dein Kontingent sättigen, wie du in 3 einfachen Phasen auditierst und 40% Kapazität gewinnst — ohne das Modell zu wechseln. Produktivität zurückgewonnen.
Software zu produzieren ist keine Seltenheit mehr. Die Cloud hat das normalisiert, KI wird diese Entwicklung weiter beschleunigen. Wenn alle schnell und gut bauen können, reicht es nicht mehr, Features am laufenden Band zu liefern. Der echte Wettbewerbsvorteil verlagert sich zum Verstehen des Kontexts: die Branche, die Nutzer, die Kunden, der Wettbewerb, die Normen. Besser verstehen als die anderen — bevor man baut.
Deine Arbeitstage als PM werden von Aufgaben aufgefressen, die nichts Strategisches an sich haben. In acht Tagen mit Claude Code habe ich meine Wettbewerbsbeobachtung automatisiert — Sammlung, Organisation, Aktualisierung. Gewonnene Zeit zum Analysieren, Verstehen, Entscheiden. Dieser Erfahrungsbericht zeigt konkret, warum sich der Schwerpunkt des Product-Manager-Berufs verschiebt: weniger Zwischenartefakte, mehr echte Strategie.
Schluss damit, den Kontext in jeder Sitzung neu erklären zu müssen. Claude merkt sich automatisch, was du gemacht hast, welche Entscheidungen getroffen wurden, welche Probleme aufgetaucht sind — pro Projekt, in deinem Git-Repo, ohne Datenbank. Portabel, versionierbar, weniger als 1 $/Monat. So richtest du das System in unter einer Stunde ein.