Tech-Gründer und Ex-VP für Produkt sagt, KI verschlechtert Produktteams – nicht verbessert sie

Adam Root hatte VP-Product-Positionen bei verschiedenen Tech-Unternehmen inne und ist derzeit Gründer von Root Ventures, wo er workflowbasierte SaaS-Produkte entwickelt.

Wir haben uns mit Adam zusammengesetzt, um zu verstehen, wie KI den Produktlebenszyklus verändert — und wie sie dabei tatsächlich einige Teams sogar verschlechtert. Das hat er uns erzählt.

KI verschlechtert Produktteams

KI verschlechtert die meisten Produktteams, statt sie zu verbessern — weil sie die Reibung entfernt, die Teams früher vor schlechten Entscheidungen geschützt hat.

In den letzten 17+ Jahren habe ich SaaS-Plattformen skaliert, KI-getriebene Initiativen geleitet und messbare Ergebnisse erzielt, einschließlich der Steigerung des Umsatzes von $20k auf $400k MRR und der Umsetzung von Veränderungen im Unternehmensmaßstab. Früher in meiner Karriere glaubte ich, dass der schwierigste Teil der Aufbau, das Ausliefern von Features, das Skalieren von Teams und die Umsetzung einer Roadmap sei. Was ich aber vor allem in den letzten Jahren gelernt habe, ist, dass die eigentliche Herausforderung darin besteht, Unklarheit in Überzeugung zu verwandeln. KI macht genau diese Unterscheidung unausweichlich. 

Heute kann jeder mit KI-Tools schnell ein Prototyp entwickeln oder etwas veröffentlichen, aber die meisten Teams scheitern weiterhin daran, das in echte Wirkung umzusetzen. Ich sehe immer wieder starke technische Teams, die zwar schneller bauen, aber ohne eine klare Produktthese. Sie ergänzen KI an Workflows, die nie für den Erfolg konzipiert wurden. Das Ergebnis: mehr Output, aber nicht mehr Wirkung.

Diese Erkenntnis hat grundlegend verändert, wie ich Produktführung angehe. Ich betrachte heute jedes Produkt als ein System der Wahrheit anstatt als eine Ansammlung von Features. Es beginnt mit einem tiefen Verständnis des Problems, wird durch Beweise validiert und in einer Abfolge von Entscheidungen umgesetzt, die echten Hebel schafft. Erst dann wird KI zum echten Multiplikator. Fehlt dieses Fundament, beschleunigt sie nur das Chaos.

Mein Fokus liegt daher heute weniger auf Tools und mehr darauf, Klarheit zu schaffen, Teams auf das auszurichten, was wirklich zählt, warum es zählt und wie es Ergebnisse vorantreibt. Denn wenn das System stimmt, potenziert sich die Umsetzung.

Aufbau eines KI-nativen Portfolios

Momentan baue ich ein kleines Portfolio von KI-nativen und workflow-basierten SaaS-Produkten in verschiedenen Bereichen auf, die jeweils so konzipiert sind, dass sie im Zentrum realer Nutzeraktivitäten stehen – und nicht nur zusätzliche Features bieten.

Sotia ist ein Intelligenzsystem, das auf Verhaltensdaten basiert und mit Slack beginnt. Es unterstützt Führungskräfte dabei, die Ausführungsqualität in Echtzeit zu verstehen. Es übersetzt Kommunikationsmuster in Signale zu Abstimmung, Entscheidungsgeschwindigkeit und Risiko und schafft so eine neue Ebene zwischen reiner Aktivität und unternehmerischer Erkenntnis.

Parallel dazu entwickle ich VowVista, eine Marktplatzplattform im Bereich Hochzeitslocations, die darauf abzielt, Entscheidungssicherheit für die Generation Z zu schaffen. Sie begegnet einem fragmentierten, von Emotionen geprägten Kaufprozess, indem sie Transparenz, strukturierte Daten und geführte Workflows vereint, sodass Nutzer den Weg von der Erkundung bis zur Zusage leichter gehen können.

Neben diesen entwickle ich weiterhin KI-native Plattformen im Bau- und Außendienst, bei denen wir multimodale Eingaben wie Sprache, Fotos und Videos direkt vor Ort erfassen und in strukturierte, verwertbare Erkenntnisse für Betreiber und Führungskräfte umwandeln.

Allen gemeinsam ist, dass sie als System of Record und System of Intelligence funktionieren, die für reale Workflows entwickelt wurden und ein Liefermodell bieten, das schnelle Iteration mit unternehmensfähiger Zuverlässigkeit verbindet.

Warum Produktverantwortliche sich auf das System, nicht die KI, konzentrieren sollten

KI ist nicht das Produkt. Das System drumherum ist es.

Die meisten Teams beginnen damit, den Fokus auf das Modell, das Feature oder die Fähigkeit zu legen. In der Praxis ist das Modell aber oft das am wenigsten differenzierende und häufig der einfachste Teil. Die eigentliche Arbeit geschieht im Umfeld: den Daten, der Integration in Arbeitsabläufe, der Benutzererfahrung, dem Vertrauensmodell und darin, wie das Ergebnis eine tatsächliche Entscheidung oder Handlung beeinflusst.

Macht man das falsch, wirkt das Produkt mit KI zwar beeindruckend, bleibt aber nutzlos. Teams liefern Features aus, die sich gut präsentieren, aber nicht angenommen werden, weil sie nicht in die reale Arbeitsweise und Entscheidungsfindung der Nutzer eingebettet sind.

Wenn man es richtig macht, wird KI zum Multiplikator. Sie verwandelt chaotische Eingaben in strukturierte Erkenntnisse, reduziert Reibung in realen Arbeitsabläufen und schafft Hebel im gesamten System.

Hätte ich das früher gewusst, hätte ich es vermieden, zu viel in die „Intelligenz“ zu investieren, bevor der Workflow validiert war. In einigen Fällen haben wir beeindruckende Fähigkeiten entwickelt, die technisch funktionierten, aber das Nutzerverhalten nicht veränderten, weil sie nicht in die tatsächliche Arbeitsweise eingebettet waren. Wir mussten zurückgehen und das Design um den Workflow – nicht das Modell – aufbauen.

Wie evidenzbasierte Systeme die Umsetzung verbessern können

Ich habe meine Herangehensweise geändert: Anstatt Features zu bauen, entwickle ich erst evidenzbasierte Systeme, bevor überhaupt Code geschrieben wird – und nutze KI von Anfang an als Synthese- und Validierungsschicht.

Früher gingen selbst starke Teams relativ zügig von der Analyse zur Spezifikation über. Dieses Modell funktioniert in einer KI-gestützten Welt nicht mehr, da die Kosten für die Entwicklung massiv gesunken sind. Lösungen können nun schneller generiert und ausgeliefert werden, als man validieren kann, ob sie überhaupt gebraucht werden. Das führt zu einem neuen Fehlschlagmuster: Teams skalieren falsche Ideen mit ungeahnter Geschwindigkeit.

Discovery muss heute eine kontinuierliche, systemgesteuerte Funktion sein – keine Phase. Das bedeutet:

• Reale Signale in großem Maßstab aggregieren, darunter Nutzerverhalten, Supportdaten, Win-Loss-Analysen und qualitative Inputs
• KI nutzen, um Muster über alle diese Inputs hinweg zu synthetisieren – nicht nur zu zusammenzufassen
• Probleme explizit Workflows zuordnen und messen, ob das Produkt sie tatsächlich adressiert
• Annahmen kontinuierlich erneut validieren, sobald neue Daten vorliegen

Ich setze zum Beispiel strukturierte Prompts über verschiedene Datenquellen ein, um wiederkehrende Probleme zu identifizieren, sie Workflows zuzuordnen und explizit zu testen, ob das Produkt diese tatsächlich löst. Dieser Prozess widerlegt oft erste Annahmen oder verändert sie grundlegend, bevor sie Design oder Entwicklung erreichen.

Was sich dadurch geändert hat, ist die Qualität der Überzeugung. Wir bauen weniger Dinge, aber die, die wir umsetzen, sind viel stärker an reale Probleme gekoppelt. Das verändert auch die Arbeitsweise der Teams: Anstatt Meinungen zu diskutieren, reagieren wir auf verdichtete Evidenzen. Für mich bedeutet KI daher weniger eine Beschleunigung der Umsetzung, sondern vielmehr eine Steigerung der Genauigkeit bei der Auswahl, was umgesetzt wird.

Wie KI den gesamten Signal-to-Shipped-Workflow zusammenfasst

Hier ist ein End-to-End-KI-Workflow, den ich verwende, um aus Rohsignalen der Nutzer einen ausgelieferten, validierten Produktkreislauf zu erstellen.

Es beginnt mit der Signalaggregation. Ich sammle qualitative und verhaltensbezogene Daten, einschließlich Interviews mit Paaren, Reddit-Beiträgen, Bewertungen von Veranstaltungsorten, Abbruchstellen im Funnel und eingehende Anfragen. Statt diese einzeln zu prüfen, setze ich KI ein, um alle Quellen zu synthetisieren, wiederkehrende Probleme, deren Häufigkeit und die Stellen zu identifizieren, an denen Nutzer im Entscheidungsprozess hängenbleiben.

Danach folgt die Problemstrukturierung. KI hilft dabei, diese Signale zu klaren Problemstellungen zu clustern, die bestimmten Momenten im Workflow zugeordnet sind. Ich stelle diese Probleme dann auf die Probe, indem ich frage: „Ist das häufig, schmerzhaft und vom Produkt lösbar?“

Als Nächstes folgt die Lösungsentwicklung. Ich nutze KI, um schnell verschiedene Lösungswege zu entwickeln – nicht nur Features, sondern auch Workflow-Anpassungen. Entscheidend ist, mehrere Ansätze rasch zu generieren und dann auf die auszuwählen, die am besten zum Nutzerverhalten passen.

Dann geht es an Umsetzung und Instrumentierung. Mit KI-unterstützten Entwicklungstools kommen wir vom Konzept schnell zur funktionsfähigen Version – und das mit von Beginn an integrierter Instrumentierung. Wir verfolgen, ob Nutzer mit dem neuen Workflow interagieren, wo sie abspringen und ob sich Entscheidungs-Sicherheit oder Fortschritt verbessert.

Darauf folgt die Lernschleife. KI analysiert Nutzungsmuster, qualitative Rückmeldungen und Randfälle, um zu erkennen, was funktioniert und was nicht. Wir prüfen, ob sich wirklich das Verhalten geändert hat – und nicht nur, ob Nutzer interagiert haben.

Am Ende fließt alles in Iteration oder Entfernung zurück. Wenn der Workflow die Resultate verbessert, bauen wir ihn aus. Funktioniert er nicht, wird er entweder weiter angepasst oder schnell entfernt.

Claude, verbunden mit meinen Produktdaten und Nutzersignalen, übernimmt dabei den Großteil dieses Workflows.

Wie KI falsches Vertrauen erzeugen kann

Das beste Ergebnis von KI, das ich derzeit sehe, ist eine deutlich erhöhte Geschwindigkeit zu mehr Klarheit. Arbeit, die früher Tage dauerte, ist durch KI auf Stunden geschrumpft – insbesondere in der Recherche, Synthese und frühen Produktdefinition. Ich kann viel mehr Inputs auswerten, Muster schneller erkennen und Ideen testen, bevor das Team Ressourcen dafür einsetzt. Qualitativ führt das zu besserem Framing anfangs, weniger schwachen Ideen in Roadmap-Diskussionen und klarerer Abstimmung zwischen Produkt, Design und Engineering.

Auch die Durchsatzrate in der Produktentwicklung selbst wurde gesteigert. Im letzten Jahr bin ich mit KI-gestützten Workflows um ein Vielfaches schneller vom Konzept zum funktionierenden Produkt gekommen als es klassische Entwicklungszyklen zuließen. Das reicht von Problemformulierung bis hin zu Architektur, PRDs und einsatzfähiger Software in einem Bruchteil der bisherigen Zeit. Der Vorteil ist nicht nur Geschwindigkeit – sondern die Möglichkeit, reale Workflows früher zu testen, was die Lernkurve deutlich erhöht.

Es ist jedoch nicht alles gut. KI kann ein falsches Gefühl von Sicherheit erzeugen. Teams können ein poliertes Ergebnis mit Produktqualität verwechseln. Ein Prototyp wirkt überzeugend, die Spezifikation klingt vollständig, und alle haben das Gefühl, dass Fortschritte gemacht werden, selbst wenn der zugrunde liegende Arbeitsablauf, das Vertrauensmodell oder das Nutzerbedürfnis noch ungelöst sind. Ich habe auch beobachtet, dass KI für mehr Lärm sorgt, wenn sie ohne eine klare Produktthese eingesetzt wird. Sie kann mehr Ideen, mehr Text, mehr Tickets und mehr Artefakte erzeugen, als ein Team realistisch bewerten kann – was die Priorisierung tatsächlich erschweren kann.

Adam teilt mit

Das beste, was ich bei KI momentan beobachte, ist eine enorme Beschleunigung auf dem Weg zur Klarheit. KI hat Arbeit, die früher Tage dauerte, auf Stunden komprimiert – insbesondere bei Recherche, Synthese und in der frühen Produktdefinition.

Wo KI bei Produkten versagt

KI hat vor allem dort nicht geliefert, wo ich grundlegende Verbesserungen in Produktbeurteilung und nachhaltigem Produkterfolg erwartet hatte.

Anfangs dachte ich, KI würde die Priorisierung und die Qualität von Roadmaps durch offensichtliche Muster deutlich verbessern. Sie hilft zwar dabei, Muster sichtbar zu machen, löst aber nicht die Frage, was wirklich wichtig ist. Die Herausforderung bleibt weiterhin, Abwägungen zu interpretieren, Nebeneffekte zu verstehen und sich bei Unsicherheit auf eine Richtung festzulegen. KI unterstützt diesen Prozess, aber sie ersetzt ihn nicht. Ich habe nicht erlebt, dass KI eigenständig dauerhaft bessere Produktentscheidungen trifft.

Auch bei der tatsächlichen Nutzerakzeptanz bleibt sie zurück. KI-Features lassen sich zwar hervorragend präsentieren, aber das führt nicht zu wiederholter Nutzung, solange diese nicht fest in die tatsächlichen Arbeitsabläufe integriert sind. Ich habe erlebt, dass Teams beeindruckende KI-Funktionen liefern, die Nutzer einmal ausprobieren, aber zu denen sie nicht zurückkehren, weil das Produkt das Verhalten nicht verändert hat oder nicht Teil des Arbeitsalltags wurde.

Ein weiteres Defizit liegt in der Reduzierung von Komplexität. Ich habe erwartet, dass KI den Aufbau und Betrieb von Produkten vereinfacht, doch häufig entstehen neue Ebenen, etwa Prompt-Logik, Sonderfälle, Bewertungsprobleme und Vertrauensfragen. Anstatt Arbeit abzubauen, verschiebt sie diese in neue Bereiche, die weiterhin Disziplin von Produkt- und Entwicklungsteams erfordern.

Warum Verantwortung beim Menschen bleiben muss

Ich setze KI überall dort stark ein, wo Skalierung und Mustererkennung wichtig sind, und halte Menschen überall in der Schleife, wo Urteil, Risiko oder Geschmack entscheidend für das Ergebnis sind.

Im KI-Bereich verlasse ich mich am meisten auf sie bei Recherche und Synthese. Ich speise Transkripte, Support-Tickets, Win-Loss-Daten und Verhaltenssignale ein, um wiederkehrende Probleme zu identifizieren, deren Häufigkeit zu quantifizieren und sie Workflows zuzuordnen. Auch bei der frühen Priorisierung ist KI hilfreich – nicht, um Entscheidungen zu treffen, sondern um Annahmen auf Belastbarkeit zu testen, indem sie Abwägungen, Nebeneffekte und alternative Sichtweisen aufzeigt, die ich vielleicht nicht bedacht hätte. In der Experimentierphase hilft KI dabei, Hypothesen zu generieren, Varianten zu entwerfen und Ergebnisse schnell zu analysieren, besonders bei einer großen Menge qualitativen Feedbacks.

Wo ich Aufgaben ausdrücklich menschlich halte, ist bei Überzeugung und Commitment. Die endgültigen Priorisierungsentscheidungen, die Roadmap-Reihenfolge und die Frage, was wir nicht bauen, liegen weiterhin beim Führungsteam und mir. Gleiches gilt für UX-Entscheidungen, die Geschmack, Vertrauen und emotionale Kontexte verlangen. Auch technische Abwägungen werden von Menschen getroffen, weil sie langfristiges Systemdenken, Risikotoleranz und organisationale Rahmenbedingungen erfordern, die KI nicht vollständig erfassen kann.

Der Grund ist einfach: KI ist hervorragend darin, Informationen zu verdichten und den Lösungsraum zu erweitern, aber sie übernimmt keine Verantwortung für die Konsequenzen. Letztlich kommt es in der Produktführung darauf an, unumkehrbare oder besonders kostspielige Entscheidungen bei Unsicherheit zu treffen. Diese Verantwortung muss beim Menschen bleiben.

Warum Produktverantwortliche auf falsches Vertrauen in der Skalierung achten müssen

Produktverantwortliche unterschätzen häufig das Risiko von falschem Vertrauen im großen Maßstab.

KI-Systeme sind sehr gut darin, Ergebnisse zu produzieren, die richtig wirken – auch wenn sie es nicht sind. Die Gefahr liegt nicht im offensichtlichen Scheitern, sondern in plausibler Genauigkeit. Etwas sieht richtig aus, klingt überzeugend und ist doch auf eine Weise falsch, die nicht unmittelbar auffällt.

Im kleinen Maßstab kann ein Nutzer es bemerken. Im Produktmaßstab wird derselbe Fehler über Tausende von Interaktionen wiederholt und beeinflusst so unbemerkt Entscheidungen, Workflows und Ergebnisse.

Ich habe das in Bereichen wie Dokumenteninterpretation, Empfehlungen und Workflow-Automatisierung beobachtet. Das System funktioniert meistens gut genug, sodass sich die Nutzer darauf verlassen – aber genau in den Randfällen liegt das eigentliche Risiko. Und diese Randfälle sind oft die mit den größten Konsequenzen.

Besonders gefährlich ist dabei, dass traditionelle Produktinstinkte das nicht erfassen. Du siehst keinen Nutzungsabfall und keinen Absturz. Du siehst Engagement. Das Produkt „funktioniert“. Bis es das nicht mehr tut.

Die Lösung besteht nicht nur aus besseren Modellen. Es geht darum, für Vertrauen und Überprüfung zu entwerfen:

Adam teilt mit

Produktverantwortliche unterschätzen oft das Risiko von falsch gesetztem Vertrauen im großen Maßstab… Besonders gefährlich ist, dass traditionelle Produktinstinkte das nicht erfassen. Du siehst keinen Nutzungsabfall und keinen Absturz. Du siehst Engagement. Das Produkt „funktioniert“. Bis es das nicht mehr tut.

• Belege zeigen, nicht nur Antworten
• Vertrauen und Unsicherheiten offenzulegen
• Klare Prüfstellen mit menschlicher Beteiligung schaffen
• Instrumentierung nicht nur für die Nutzung, sondern vor allem dafür, wenn das System falsch liegt

Das Risiko besteht darin, anzunehmen, dass Genauigkeit linear mit der Nutzung wächst. Tatsächlich wächst das Risiko schneller als die Genauigkeit.

Wie die Urteilsfähigkeit von KI schwach werden kann

KI hat besonders dort Schwierigkeiten, wo das Produkt menschliche Interessen, Ambiguität und die Kosten eines Fehlers verstehen muss – nicht nur eine plausible Antwort generieren.

Ein gutes Beispiel findet sich in Compliance-orientierten oder vertrauensabhängigen Workflows. Ich habe an Produktkonzepten gearbeitet, bei denen KI Informationen aus Dokumenten extrahieren, Probleme kennzeichnen und nächste Schritte empfehlen kann. Das klingt auf dem Papier wie ein perfekter Anwendungsfall für KI. In der Praxis ist das Problem, dass das Modell eine sehr selbstbewusste Antwort geben kann, dabei aber wichtigen Kontext übersieht, eine Formulierung missversteht oder nicht begreift, warum genau eine Ausnahme wichtiger ist als eine andere.

Das führt unmittelbar zu einem Vertrauensproblem. Die Nutzer fragen sich nicht: „War dieses Ergebnis beeindruckend?“ Sondern sie fragen: „Kann ich mich darauf verlassen, ohne ein Folge-Risiko zu erzeugen?“

Ich habe gelernt: Künstliche Intelligenz ist oft schwach im Urteilen, wenn:

• Der Zusammenhang nur teilweise bekannt ist
• Die Folgen von Fehlern asymmetrisch sind
• Der Nutzer eine Erklärung braucht, nicht nur ein Ergebnis

Wie KI Teams umstrukturiert

KI hat die Form meiner Produktteams von rollenbasierten Silostrukturen zu kleineren, integrierten und systemorientierten Teams verändert.

Früher waren Teams um klare Übergaben herum organisiert: Produkt legt fest, Design entwirft, Entwicklung setzt um und Data Analytics analysiert. Dieses Modell bricht zusammen, wenn KI die Ausführung beschleunigt und probabilistische Systeme einführt, die enge Rückkopplungsschleifen erfordern.

Heute bevorzuge ich weniger Menschen, die über die Grenzen hinaus agieren können. Produktmanager:innen sollen tiefer in Daten, Prompt-Design und Workflow-Logik einsteigen. Entwickler:innen sind näher am Problem und Nutzerkontext, nicht nur an der Implementierung. Design geht weniger um statische Bildschirme, sondern stärker um Interaktionsmuster, Vertrauen und wie sich das System verhält, wenn es unsicher ist oder Fehler macht.

Ich habe auch beobachtet, dass eher neue Verantwortlichkeiten entstehen als komplett neue Rollen. Beispiele dafür sind:

• Die Verantwortung für das Systemverhalten in Randfällen zu übernehmen, nicht nur im Idealfall
• Vertrauensschwellen und menschliche Überprüfungs-Momente zu definieren
• Datenqualität und Feedbackschleifen als wesentliche Produktanforderungen zu managen

Wie Produktverantwortliche KI nutzen sollten

Mein Rat ist einfach: Nutze KI nicht, um schneller zu werden. Nutze sie, um mehr richtig zu machen.

Im Moment konzentrieren sich die meisten Teams auf Geschwindigkeit, mehr Features, schnellere Zyklen, raschere Ergebnisse. Das ist der offensichtliche Vorteil. Aber Geschwindigkeit ohne Klarheit multipliziert Fehler nur.

Adams Rat

Mein Rat ist einfach: Nutze KI nicht, um schneller zu werden. Nutze sie, um mehr richtig zu machen…Die eigentliche Veränderung ist: Nicht mehr das Bauen ist die Einschränkung. Sondern die Urteilsfähigkeit.

Die eigentliche Veränderung ist: Nicht mehr das Bauen ist die Einschränkung. Sondern die Urteilsfähigkeit.

Als Produktverantwortliche:r wird deine Aufgabe also weniger das Vorantreiben der Ausführung, sondern vielmehr:

• Die richtigen Probleme definieren
• Entscheidungen in der richtigen Reihenfolge treffen
• Sicherstellen, dass das, was gebaut wird, tatsächlich das Nutzerverhalten verändert

Nutzen Sie KI, um Ihr Denken zu erweitern, Signale zu synthetisieren und Ideen zu testen. Aber delegieren Sie nicht die schwierigen Entscheidungen. Genau dort liegt der Mehrwert.

Gestalten Sie außerdem die Arbeitsweise Ihres Teams neu:

• Betrachten Sie Discovery als kontinuierlichen Prozess, nicht als Phase.
• Gestalten Sie für Vertrauen, nicht nur für Funktionalität.
• Bauen Sie Systeme, nicht nur Features.

Und am wichtigsten: Widerstehen Sie der Versuchung, das gründliche Nachdenken zu überspringen.

Begleiten Sie uns

Sie können Adam Root auf LinkedIn folgen, während er weiterhin Sotia, VowVista und andere SaaS-Produkte in seinem Portfolio entwickelt.

Weitere Experteninterviews folgen bald im The CPO Club!