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.
Schnell produzieren mit KI verdrängt am Ende die Zeit, in der man denkt. Hier ist ein konkretes Verfahren, das sie schützt: ein begrenzter Kern von Karten, durch verteilte Wiederholung gepflegt und dann auf einem Tisch ausgelegt, um eine neue Idee mit den eigenen Überzeugungen zu konfrontieren. Du bekommst die Aufnahmekriterien, die Wiederholungsrhythmen und den Weg zum Anfang.
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.
Ein Großkunde blockiert deinen Verkauf, weil er seine Daten in seinem Azure will, sein IAM, seine Schlüssel, seinen LLM-Vertrag. Dieser Text gibt dir ein Raster, um solche Anfragen zu sortieren: was deinen Wert wirklich trägt, was ihn nur kaufbar macht, und wo die Grenze zwischen der Kontrolle des Kunden und deiner Fähigkeit verläuft, das Produkt weiterzuentwickeln.
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.
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.
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.
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.
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.
Du stellst einen PO ein, damit er das Backlog pflegt und die Schnittstelle zu den Entwicklern bildet? Dann optimierst du einen Kreislauf, der längst überholt ist. Dieser Text nimmt die Trennung zwischen denen, die das Produkt denken, und denen, die es ausführen, auseinander: warum sie die Qualität senkt, warum das Backlog keinen Beruf tragen kann und warum die KI die letzte Ausrede nimmt, damit zu leben.
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.