Produktleiterin bei OpenAI erklärt uns, wie KI das Produktmanagement auf höchster Ebene verändert

Kathy Korevec ist eine Gestalterin, die unter anderem als Director of Product bei Google Labs AI, als VP of Product & Design bei Vercel und als Senior Director of Product Management bei GitHub gearbeitet hat. Derzeit arbeitet sie an Codex bei OpenAI. Der rote Faden dabei ist die Entwicklung von Entwicklerwerkzeugen mit kompromisslosem Fokus auf Nutzerorientierung und Detailgenauigkeit.

Wir haben uns mit Kathy zusammengesetzt, um zu erfahren, wie KI das Produktmanagement bei den führenden Technologieunternehmen der Welt verändert. Das hatte sie zu sagen.

Ein „Koch, der für Köche kocht“

Ich war schon immer zuerst Gestalterin und erst danach Produktmanagerin.

Ich bin bei Unternehmen wie Heroku, GitHub und Vercel mit Entwicklerwerkzeugen aufgewachsen, was eine ganz besondere Ausprägung des Produktmanagements ist. Man liefert nicht einfach nur Funktionen aus, sondern entwickelt für Menschen, die sofort merken, wenn man Abkürzungen genommen hat. Es ist wie ein Koch, der für Köche kocht. Die Messlatte liegt hoch, und sie werden absolut bemerken, wenn die Soße nicht stimmt.

Einige meiner schönsten Momente als PM hatten überhaupt nichts mit der traditionellen „Arbeit eines PM“ zu tun. Bei GitHub habe ich Teile der Dokumentation neu geschrieben und sogar die Website neu gestaltet, um meinen Ansatz rund um die Prinzipien der Entwicklererfahrung widerzuspiegeln. Ich habe Wochenenden damit verbracht, meine eigene Website zu überarbeiten, um ein paar hundert Millisekunden herauszuholen, weil mich die Leistung gestört hat. Ich habe bei einem Projekt namens Papercuts mitgeholfen, bei dem wir Hunderte kleiner Ärgernisse beseitigt haben, denn diese Details summieren sich dazu, ob Menschen dein Produkt lieben oder es nur hinnehmen.

Das war für mich gewissermaßen immer der rote Faden. Ich sehe PMs nicht einfach als Menschen, die Lücken erkennen und schließen, oder als den „CEO deines Produkts“. Für mich geht es darum, den Details unangenehm nahe zu kommen. So nahe, dass einem Dinge wichtig werden, die auf keiner Produktplanung auftauchen.

Und jetzt befinden wir uns in diesem KI-Moment, der sich ehrlich gesagt ein wenig so anfühlt, als würde man allen einen Raketenrucksack geben und hoffen, dass sie nicht gegen einen Baum fliegen.

Ich verbringe viele Abende und Wochenenden mit intuitivem Programmieren mithilfe von KI und entwickle kleine, pragmatische Werkzeuge mit KI-Agenten. Man kann an einem Nachmittag von der Idee zu einem funktionierenden Produkt gelangen, was unglaublich ist. Gleichzeitig sind die Grundlagen wichtiger denn je. Ein Verständnis von Systemen, Abwägungen und der tatsächlichen Funktionsweise im Inneren unterscheidet etwas, das ausgeliefert wird, von etwas, das Bestand hat.

Andernfalls landet man auf einem Friedhof unvollendeter Projekte und rätselhafter Fehler.

Meine Reise in diesen Moment bestand also nicht wirklich darin, meine Arbeitsweise zu verändern. Es ging vielmehr darum, sie zu vertiefen. Dem Handwerk nahe zu bleiben. Und Dinge selbst zu entwickeln.

Die Distanz zwischen Idee und Validierung verkürzen

Bis vor sehr kurzer Zeit leitete ich bei Google Labs ein Produktteam namens AIDA, was für Unterstützung für KI-Entwickler, also Unterstützung für KI-Entwickler, stand.

Wir arbeiteten ziemlich tief im Technologiestack. An frühen Programmiermodellen, Trainingsdaten für Code, die in Gemini einflossen, und anschließend auf der nächsthöheren Abstraktionsebene an Produkten wie Colab Composer und Jules. Der Wandel bestand in der Frage: „Können wir Code generieren?“ hin zu: „Können wir Menschen tatsächlich dabei helfen, echte Software durchgängig zu entwickeln?“

Die von mir geleitete Organisation war also eindeutig eine Mischung. Teil Forschung, Teil Produkt und Teil „Wir werden diese Woche etwas Prag­matisches ausliefern und sehen, ob es jemand nutzt.“ Unsere Nutzer reichten von professionellen Entwicklern bis zu Menschen, die noch nie Code geschrieben hatten. Das ist ein anspruchsvolles Publikum, denn man muss gleichzeitig Tiefe und Zugänglichkeit bieten.

Das Entwicklungsmodell spiegelte dies wider. Viele schnelle Iterationen, enge Schleifen zwischen Modellfähigkeiten und Produkterfahrung sowie die Bereitschaft, Dinge wieder zu verwerfen, wenn sie sich nicht bewährten. Es geht weniger um eine Produktplanung als um zielgerichtete Erkundung.

Jetzt bin ich bei OpenAI und arbeite an Codex – ein Moment, in dem sich der Kreis gewissermaßen schließt. Codex begann als Modell und entwickelt sich nun zu einem Agenten und einer Anwendungsebene innerhalb von ChatGPT, die Menschen dabei hilft, ihre Arbeit tatsächlich zu erledigen. Code schreiben, Arbeitsabläufe automatisieren, Systeme miteinander verbinden.

In beiden Fällen ist der rote Faden also derselbe: Werkzeuge zu entwickeln, die die Distanz zwischen einer Idee und etwas, das in der realen Welt läuft, verkürzen.

Warum sich PMs auf prototypengestützte Produktentwicklung konzentrieren sollten

Ich behandle Spezifikationen nicht mehr als das wichtigste Arbeitsprodukt bei der Produktentwicklung. Diese Veränderung hatte ich bereits begonnen, aber KI hat sie beschleunigt.

Zu Beginn meiner Karriere, insbesondere bei GitHub und Heroku, wurde mir klar, wie wichtig Dynamik ist. Die tatsächliche Nutzung ist entscheidend. Man lernt mehr aus etwas, das in Produktion ist, als jemals aus einem perfekt geschriebenen Dokument.

Was KI bewirkt hat, ist, diese Philosophie noch weiter zu verdichten.

Statt jetzt eine lange Spezifikation zu schreiben und eine Woche lang darüber zu diskutieren, baue ich selbst eine grobe Version des Produkts. Oder ich programmiere innerhalb von ein oder zwei Tagen intuitiv einen Prototypen. Etwas, das man anklicken, kaputtmachen und auf das man reagieren kann. Das verändert alles.

Man geht von „Was denken wir, wird passieren?“ zu „Was passiert tatsächlich, wenn man das nutzt?“ Viele abstrakte Diskussionen werden dadurch auf etwas Konkretes reduziert.

Auch die Rolle des PM verändert sich dadurch. Man formt nicht nur Ideen, sondern setzt sie direkt einem Belastungstest aus. Man ist näher an der Umsetzung und erkennt dadurch fehlerhafte Annahmen früher.

Das Ergebnis ist natürlich Geschwindigkeit. Wir liefern schneller aus, verwerfen Ideen schneller und verbessern gute Ideen schneller.

Die wichtigste Veränderung besteht jedoch darin, dass unsere Entscheidungen ehrlicher sind.

Warum die Nachteile von KI subtil, aber wichtig sind

Allerdings gibt es definitiv auch Nachteile.

Eine davon ist das, was ich als „Scheingeschwindigkeit“ bezeichnen würde. Man hat das Gefühl, sich unglaublich schnell zu bewegen, weil man viel produziert. Code, Prototypen, Dokumente. Aber nicht alles davon ist tatsächlich gut oder nutzbar. Man kann eine große Oberfläche ohne echte Tiefe erzeugen.

Ein weiteres Problem sind Qualität und Vertrauen. Von KI erzeugter Code kann überraschend gut und gleichzeitig selbstbewusst falsch sein. Wenn man nicht versteht, was unter der Oberfläche passiert, kann man Dinge ausliefern, die fragil, unsicher oder schwer zu warten sind.

Und dann gibt es noch einen subtilen Punkt. Es war noch nie so einfach, Dinge anzufangen. Sie gut fertigzustellen, ist nicht unbedingt einfacher geworden. Wir werden deutlich mehr halbfertige Produkte, aufgegebene Prototypen und Systeme sehen, die irgendwie funktionieren, bis sie es nicht mehr tun. Ich selbst habe einige davon gebaut.

Das Gesamtergebnis ist also ein gewisses Paradox. Wir kommen schneller als je zuvor zu etwas. Wir sind nicht automatisch besser darin, daraus etwas zu machen, das Bestand hat.

Kathys Gedanken

Es war noch nie so einfach, Dinge anzufangen. Sie gut fertigzustellen, ist nicht unbedingt einfacher geworden. Wir werden deutlich mehr halbfertige Produkte, aufgegebene Prototypen und Systeme sehen, die irgendwie funktionieren, bis sie es nicht mehr tun. Ich selbst habe einige davon gebaut.

Warum vier Prinzipien Produkte von einem kurzen Glanzmoment zu Vertrauen führen

Ich möchte noch etwas mehr über Vertrauen sprechen, weil Produktverantwortliche meiner Meinung nach das Risiko unsichtbarer Software von geringer Qualität unterschätzen.

KI macht es unglaublich einfach, Dinge zu bauen. Man kann Werkzeuge, Funktionen und sogar ganze Apps in einem Bruchteil der Zeit entwickeln, die man früher dafür gebraucht hätte. Das klingt nach einem uneingeschränkten Vorteil, aber als Ergebnis erhält man sehr viel mehr Software, die irgendwie funktioniert.

Halbfertige Funktionen, fragile Systeme, Dinge, die schnell entwickelt und nie stabilisiert wurden. Sie fallen nicht lautstark aus. Stattdessen verschlechtern sie sich mit der Zeit. Sie gehen auf subtile Weise kaputt, sorgen für Verwirrung oder untergraben still und leise das Vertrauen.

Das Risiko besteht nicht nur in technischen Altlasten im herkömmlichen Sinn. Es geht um Vertrauensaltlasten.

Hier sind vier Prinzipien, die sich für mich als hilfreich erwiesen haben:

1. Das System muss verständlich sein. Nutzer sollten zumindest auf hoher Ebene verstehen können, was die KI tut und warum. Keine vollständige technische Transparenz, aber genug, damit es sich nicht wie eine Blackbox anfühlt, die willkürliche Entscheidungen trifft. Das kann so einfach sein wie das Anzeigen von Schritten, das Sichtbarmachen von Annahmen oder die Möglichkeit, zu prüfen, was sich geändert hat.
2. Für Korrekturen entwerfen. Das System wird manchmal falsch liegen. Das ist eine Tatsache. Entscheidend ist, wie einfach ein Nutzer eingreifen, den Fehler korrigieren und weitermachen kann. Wenn die Korrektur des Systems mühsam ist, sinkt das Vertrauen schnell. Wenn sie einfach ist, werden die Menschen es weiter nutzen, auch wenn es nicht perfekt ist.
3. Auf Beständigkeit statt auf Glanz ausrichten. Viele KI-Produkte optimieren auf den „Wow“-Moment. Eine einzelne, wirklich beeindruckende Interaktion. Vertrauen entsteht durch das Gegenteil – dadurch, dass das System immer wieder erwartungsgemäß funktioniert, ohne Überraschungen. Besonders bei Werkzeugen für Entwickler ist Vorhersehbarkeit wichtiger als Magie.
4. Zurückhaltung zeigen. Nur weil das System etwas kann, bedeutet das nicht, dass es das auch sollte. Wenn man zu viel automatisiert oder zu viel Kontrolle übernimmt, spüren Nutzer das. Sie verlieren ihr Gefühl von Handlungsspielraum. Die besten Produkte verschaffen einem mehr Möglichkeiten, ohne einen aus dem Prozess auszuschließen.

Warum KI weder Produktdifferenzierung noch durchgängige Automatisierung bewältigen kann

Hier sind noch einige andere Bereiche, in denen KI hinter den Erwartungen zurückbleibt.

Es wird viel über Agenten gesprochen, die einfach eine Aufgabe übernehmen und sie von Anfang bis Ende ausführen können. In der Praxis benötigen die meisten Systeme, die ich gesehen habe, jedoch noch viel Überwachung. Man muss sie anleiten, korrigieren und erneut auffordern. Es ist eher so, als würde man einen eifrigen Praktikanten betreuen, statt eine vollständig unabhängige Kollegin oder einen vollständig unabhängigen Kollegen mit einer Aufgabe zu betrauen.

Das ist nach wie vor nützlich, entspricht aber nicht der Erwartung.

Und dann ist da noch die Produktdifferenzierung.

Viele KI-Funktionen wirken heute ähnlich. Man kann eine Chat-Oberfläche hinzufügen, etwas Code generieren und etwas zusammenfassen. Das gehört inzwischen zum Standard.

Schwieriger war es, diese Fähigkeiten in etwas zu verwandeln, das sich einzigartig wertvoll anfühlt und tief in einen Arbeitsablauf integriert ist. Etwas, das den Menschen tatsächlich fehlen würde, wenn man es ihnen wegnehmen würde.

Ich glaube, genau dort bleiben viele Produkte hinter den Erwartungen zurück.

Warum menschliches Urteilsvermögen bei Produktentscheidungen im Bereich KI unverzichtbar bleibt

Produktmanager müssen sich fragen: „Wo hat KI tatsächlich ein gutes Gespür? Und wo nicht?“

Es gibt Bereiche der Produktarbeit, in denen KI für mich inzwischen unglaublich nützlich ist – bei allem, was von Breite, Geschwindigkeit oder Iteration profitiert, stütze ich mich stark auf sie. Frühe Recherche, das Erkunden von Lösungsräumen, das Ausarbeiten verschiedener Ansätze und sogar das Erstellen grober UX-Richtungen oder -Abläufe. Sie hilft hervorragend dabei, festgefahrene Situationen zu überwinden oder mehr Optionen zu sehen, als man allein gefunden hätte.

Wie bereits erwähnt, nutze ich sie auch häufig für das Prototyping. Schnell von einer Idee zu etwas Interaktivem gelangen zu können, hat meine Arbeitsweise grundlegend verändert.

Und dann gibt es noch all die „Zwischenarbeit“. Nutzerfeedback zusammenfassen, Muster aus Daten herausarbeiten, Dokumente entwerfen. Dinge, die früher viel Zeit und ständiges Wechseln zwischen Kontexten erforderten.

Wo ich mich nicht auf KI verlasse, ist dort, wo Urteilsvermögen wirklich zählt. Die Priorisierung ist ein wichtiger Bereich. KI kann dabei helfen, Optionen aufzulisten, aber sie versteht nicht wirklich die Zielkonflikte in deinem Unternehmen, deinem Team oder deinen Rahmenbedingungen. Sie spürt nicht, welchen Preis es hat, falschzuliegen.

Dasselbe gilt für Roadmap-Entscheidungen. Dabei geht es um Überzeugung, den richtigen Zeitpunkt und manchmal darum, auf etwas zu setzen, das in einer Tabellenkalkulation nicht rational wirkt.

Auch UX ist ein interessanter Bereich. KI kann schnell eine große Menge an Benutzeroberflächen generieren, aber sie hat kein Gespür für Qualität. Sie spürt nicht, was bei wiederholter Nutzung frustrierend oder erfreulich ist. Besonders bei der Entwicklung für Entwickler macht der Unterschied zwischen etwas, das funktioniert, und etwas, das sich gut anfühlt, alles aus.

Und dann sind da noch technische Zielkonflikte. KI kann Architekturen vorschlagen, aber sie trägt nicht die langfristigen Konsequenzen dieser Entscheidungen. Das tut dein Team.

Wie KI traditionelle Produktannahmen auf den Kopf stellt

Ich glaube, die wichtigste Annahme, die ich aufgeben musste, ist, dass der Boden, auf dem man steht, stabil ist.

Lange Zeit konnte man im Produktbereich davon ausgehen, dass einige Dinge relativ unveränderlich waren. Die Benutzeroberfläche, der Arbeitsablauf, sogar das, was das Produkt ist. Innerhalb dieses Rahmens iterierte man. KI verändert das.

Das Modell verbessert sich, und plötzlich ist deine Produktoberfläche falsch. Ein neues Interaktionsparadigma taucht auf, und eine zuvor solide wirkende Roadmap wird irrelevant. Dinge, die du für Einschränkungen gehalten hast, verschwinden, und neue tauchen auf, auf die du nicht vorbereitet warst.

Du baust also nicht nur auf einem sich ständig verändernden Boden. Du hinterfragst fortwährend, ob dieser Boden überhaupt existieren sollte. Das war für mich eine grundlegende Veränderung meiner Denkweise.

Die zweite Annahme, die ich aufgegeben habe, ist, dass die besten Produkte am klarsten definiert sind. Früher wurde großer Wert auf frühzeitige Klarheit gelegt. Das Problem definieren, die Lösung definieren, sauber umsetzen.

Heute entsteht ein großer Teil des Werts daraus, länger in der Erkundungsphase zu bleiben, als es sich angenehm anfühlt. Das Produkt ein wenig undefiniert zu lassen, während sich die zugrunde liegenden Fähigkeiten weiterentwickeln.

Und die letzte Annahme betrifft den Ort, an dem der Wert entsteht. Früher dachte ich, dass ein großer Teil des Produktwerts in der Benutzeroberfläche liegt. In der UI, im Ablauf, in den Pixeln. Heute liegt ein großer Teil des Werts im Verhalten. Darin, wie das System reagiert, sich anpasst und zusammenarbeitet. Die Benutzeroberfläche ist nach wie vor wichtig, besonders für Entwickler, aber sie ist nicht mehr das Gravitationszentrum.

Wie AI Rollen verschmelzen lässt

Rollen verschmelzen. Die Grenzen zwischen PM, Engineering und Design werden deutlich durchlässiger.

Mit AI kannst du Prototypen erstellen, Code schreiben, UX erkunden und Ideen viel direkter einem Belastungstest unterziehen. Das bedeutet, dass mehr Menschen über das hinweg arbeiten können, was früher sehr klar voneinander getrennte Rollen waren. Und das verändert die Struktur des Teams.

Du brauchst weniger Übergaben. Mehr Menschen, die eine Idee selbst weiterentwickeln können, zumindest bis zu einem sinnvollen Grad an Ausarbeitung.

Ich habe das auch ganz persönlich erlebt. Vor Kurzem bin ich wieder in die Rolle eines IC-PMs gewechselt, und das erfüllt mich unglaublich. Ich bin wieder viel näher an der Arbeit. Dinge bauen, Ideen testen, ins Detail gehen. Das erinnert mich daran, dass ein großer Teil des Produkturteilsvermögens daraus entsteht, Dinge tatsächlich umzusetzen, und nicht nur daraus, sie zu orchestrieren.

Das bedeutet nicht, dass Manager oder Spezialisierung verschwinden. Du brauchst weiterhin tiefgehende Expertise, besonders in Bereichen wie Systemdesign oder hochwertiger UX. Aber du brauchst auch mehr „Full-Stack-Produktdenker“, die sich mühelos über den gesamten Stack hinweg bewegen und AI als Verstärkung einsetzen können.

Warum AI die Erwartungen der Nutzer verändert hat

AI verbessert nicht nur dein Produkt. Sie setzt neu fest, was Nutzer von allen Produkten erwarten. Du konkurrierst also nicht mehr nur mit deinen direkten Wettbewerbern. Du konkurrierst mit der besten AI-Erfahrung, die jemand in dieser Woche irgendwo gemacht hat.

Ich glaube, ich habe unterschätzt, wie schnell sich diese Erwartungshaltung verändern würde.

In der Praxis bedeutet das, dass die Zeitfenster für „gut genug“ viel kürzer sind. Etwas kann sich am Montag magisch anfühlen und am Freitag bereits veraltet sein. Wenn ich das gewusst hätte, hätte ich stärker auf Anpassungsfähigkeit und weniger auf Perfektion optimiert.

Kathys Gedanken

Ich glaube, ich habe unterschätzt, wie schnell sich diese Erwartungshaltung verändern würde…In der Praxis bedeutet das, dass die „gut genug“-Zeitfenster viel kürzer sind.

Warum Produktverantwortliche AI als Wandel der Disziplin betrachten müssen

Mein Rat ist, diesen Moment weniger als Wechsel des Werkzeugs und eher als Wandel der Disziplin zu betrachten.

Die wichtigste Fähigkeit besteht derzeit darin, klar zu sehen. AI erzeugt eine große Menge an Ergebnissen. Ideen, Code, Richtungen. Das Risiko besteht darin, dass du diese Ergebnisse irgendwann mit der Wahrheit verwechselst. Als Produktverantwortlicher ist es also deine Aufgabe, auf dem Boden der Tatsachen zu bleiben. Was Nutzer tatsächlich tun, wo Dinge scheitern und was sich langfristig bewährt.

Das Zweite ist, das zu bauen, worauf du dich verlässt. Wenn du an AI-Produkten arbeitest, solltest du sie intensiv nutzen. Nicht nur in Demos oder Reviews, sondern auch in deinen eigenen Arbeitsabläufen. Du wirst die Lücken sofort spüren. Wo Dinge langsam sind, wo sie verwirrend sind, wo sie fast funktionieren, aber eben doch nicht ganz. Diese Art von unmittelbarer Erfahrung lässt sich nur schwer ersetzen, und sie verändert die Qualität deiner Entscheidungen.

Das Dritte ist, dich mit Spannungen anzufreunden. Derzeit gibt es einen echten Konflikt zwischen Geschwindigkeit und Qualität, Erkundung und Disziplin, dem Möglichen und dem tatsächlich Nützlichen. Diese Spannung musst du nicht auflösen. Sie ist die eigentliche Arbeit. Die besten Teams, die ich erlebt habe, versuchen nicht, sie zu beseitigen. Sie navigieren bewusst durch sie hindurch. Sie arbeiten schnell, wenn sie lernen, und werden langsamer, wenn etwas richtig sein muss.

Und schließlich: Lass AI dich nicht zu einem Manager von Ergebnissen machen. Es ist sehr einfach, sich zurückzulehnen, zu orchestrieren, Eingaben zu formulieren, zu prüfen und weiterzumachen. Aber die besten Produktverantwortlichen sind derzeit noch immer sehr nah am Handwerk. Sie bauen, sie testen, sie beheben Dinge, die sie stören.

Denn letztlich hat sich die Aufgabe nicht verändert. Du bist weiterhin dafür verantwortlich, etwas zu schaffen, das funktioniert, dem Menschen vertrauen und das in ihr Leben passt. AI verändert nur, wie du dorthin gelangst.

Bleib dabei

Mehr von Kathy erfährst du in ihrem Blog über Produktgestaltung oder auf ihrer persönlichen Website. Oder folge ihr auf X.

Weitere Experteninterviews folgen im The CPO Club!