Senior-Vizepräsident für Produktmanagement erörtert den Wandel von linearen Prozessen zu paralleler Iteration
Suman Chittimuri, Senior-Vizepräsident für Produktmanagement bei Kore.ai, erklärt, warum KI Produktteams von linearen Arbeitsabläufen hin zu schnellerer Iteration, stärkerer Validierung und besseren Entscheidungen führt.
Suman Chittimuri
Senior-Vizepräsident für Produktmanagement bei Kore.ai
KI-Transformation: KI verlagert die Produktentwicklung von linearen Prozessen hin zu kontinuierlicher, paralleler Iteration und verändert Arbeitsabläufe grundlegend.
Produktarbeitsablauf: KI dient als zentrale Ausführungsebene, beeinflusst die Arbeitsweise von Teams und beschleunigt die Geschwindigkeit der Produktentwicklung.
Menschliches Urteilsvermögen: KI liefert Informationen für Produktentscheidungen, doch menschliche Beteiligung bleibt in kontextintensiven und urteilsbasierten Bereichen entscheidend.
Neugestaltung von Arbeitsabläufen: Produktverantwortliche müssen Arbeitsabläufe mit KI als zentralem Bestandteil neu überdenken, um transformative Verbesserungen zu erzielen.
Bedeutung der Validierung: Bewertungsorientierte Entwicklung und ausgeprägtes Urteilsvermögen sind entscheidend, um das Potenzial der KI für trügerische Gewissheit zu mindern.
Suman Chittimuri ist Senior VP für Produktmanagement bei Kore.ai, wo er KI-gestützte Produkte leitet, die Millionen von Nutzern in unternehmensweiten Arbeitsabläufen wie Personalwesen, IT, Beschaffung und Kundenerlebnis unterstützen.
Wir haben mit Suman gesprochen, um zu verstehen, wie KI die Produktentwicklung als Disziplin verändert. Er argumentierte, dass KI Teams nicht nur dazu zwingt, bestehende Arbeitsabläufe zu verbessern, sondern sie vollständig neu zu denken – weg von linearen Prozessen hin zu kontinuierlicher, paralleler Weiterentwicklung.
KI in unternehmensweiten Arbeitsabläufen anwenden
Ich bin Senior VP für Produktmanagement bei Kore.ai, wo ich Produktinitiativen leite, die KI in unternehmensweiten Arbeitsabläufen einsetzen – von Personalwesen und IT über Beschaffung bis hin zum Kundenerlebnis.
Du willst mehr vom The CPO Club?
Registriere dich für eine kostenlose Mitgliedschaft, um diesen Artikel vollständig zu lesen:
Wir entwickeln unsere Produkte für große Unternehmen und unterstützen branchenübergreifend wie im Bankwesen, Gesundheitswesen und Einzelhandel sowohl Mitarbeitende als auch Endkunden in großem Maßstab mit Millionen von Interaktionen. Dabei nutzen wir ein plattformbasiertes Bereitstellungsmodell: Wir entwickeln zentrale KI-Funktionen als wiederverwendbare Komponenten und setzen sie in mehreren Arbeitsabläufen ein. So können wir Anwendungsfälle schneller skalieren und gleichzeitig Konsistenz und Kontrolle gewährleisten.
Im vergangenen Jahr hat sich KI von einer unterstützenden Ebene zu einer zentralen Ausführungsebene entwickelt. Dieser Wandel betrifft nicht nur Funktionen, sondern auch die Art und Weise, wie wir Produkte entwickeln, wie Teams arbeiten und wie schnell wir von der Idee zur Wirkung gelangen.
Dieser Wandel in unserem Produktverständnis hat meinen Weg hin zu einer KI-gestützten Produkttransformation geprägt.
Wie KI Arbeitsabläufe in der Produktentwicklung beschleunigt
Durch KI haben wir von einem linearen Produktentwicklungsmodell zu einem kontinuierlicheren, KI-unterstützten Arbeitsablauf gewechselt.
Früher erfolgten Discovery, die Erstellung von PRDs, Design und Prototyping nacheinander. KI durchbricht dieses Modell. Sie unterstützt jeden dieser Schritte parallel, generiert Recherchegrundlagen, erstellt Entwürfe für Spezifikationen und entwickelt frühe Prototypen nahezu gleichzeitig.
Was sich dadurch verändert hat, sind Geschwindigkeit und Iteration. Was früher Tage dauerte, geschieht nun innerhalb von Stunden. Dadurch können Teams mehr Optionen prüfen und schneller verfeinern. Das bedeutet, dass Teams mehr Optionen untersuchen können – und sollten –, bevor sie sich festlegen.
All das erfordert einige Veränderungen:
Von sequenziellen Übergaben zu kontinuierlicher Iteration
Von der Erstellung von Artefakten zur Verfeinerung von Ergebnissen
Von begrenzter Erkundung zu schnellen Experimenten
Der Engpass liegt nicht mehr in der Entwicklung, sondern in der Entscheidung, was entwickelt werden soll, und in dessen wirksamer Validierung. Wir mussten die Validierungsebenen stärken und menschliches Urteilsvermögen bewusster einsetzen.
Warum KI Produktentscheidungen unterstützt, Menschen sie aber abschließend treffen
Wir verlassen uns stark auf KI, um vorgelagerte und ausführungsintensive Aktivitäten zu unterstützen und zu beschleunigen:
Unterstützung bei der Discovery (Sekundärforschung, Wettbewerbsanalyse)
Problemdefinition und erste Erkundung von Lösungen
Erstellung von PRDs und Beiträge zur Roadmap
UX-Konzepte und frühes Prototyping
Versuchsplanung und Untersuchung technischer Zielkonflikte
In diesen Bereichen zählen Geschwindigkeit, Breite und Iteration. KI ist hier besonders leistungsfähig.
KI ist stark darin, Optionen und Muster zu generieren, aber schwächer bei Urteilsvermögen, Kontext und Verantwortlichkeit … KI beschleunigt das „Wie“ und das „Was möglich ist“, während Menschen bestimmen, „was zählt“ und „wozu wir uns verpflichten“.
Bei Entscheidungen und in kontextintensiven Bereichen bleibt die menschliche Beteiligung ausdrücklich erforderlich:
Primärforschung und tiefgreifendes Kundenverständnis
Abschließende Priorisierung und verbindliche Roadmap-Zusagen
UX-Optimierung und Designkonsistenz
Interpretation von Experimentergebnissen
Abwägungsentscheidungen zwischen Geschäft, Technologie und Stakeholdern
Der Grund ist einfach: KI ist stark darin, Optionen und Muster zu generieren, aber schwächer bei Urteilsvermögen, Kontext und Verantwortlichkeit.
Meiner Erfahrung nach beschleunigt KI das „Wie“ und das „Was ist möglich“, während mein Team und ich für das „Was ist wichtig“ und das „Wozu wir uns verpflichten“ verantwortlich sind.
Wie KI die Produktgeschwindigkeit steigert, aber die Qualität vor Herausforderungen stellt
Insgesamt habe ich bei den Produktaktivitäten deutliche Verbesserungen bei Geschwindigkeit und Durchsatz beobachtet:
Die Erstellung von PRDs wurde von etwa 1 Tag auf etwa 2–3 Stunden reduziert
Das frühe Prototyping wurde von etwa 2 Tagen auf etwa 4–6 Stunden reduziert
Die Recherche zu Wettbewerbern und Märkten wurde von etwa 5–6 Stunden auf etwa 1–2 Stunden reduziert
Datenanalysezyklen wurden um etwa 60–70 % verkürzt
Dadurch können Teams innerhalb derselben Zeitvorgaben mehr Optionen untersuchen und schneller iterieren.
Die Kehrseite ist, dass Qualität und Konsistenz uneinheitlich sind:
Die Ergebnisse der KI erfordern häufig eine umfangreiche Validierung und Überarbeitung.
Teams neigen dazu, den ersten Ergebnissen zu sehr zu vertrauen, was zu oberflächlichem Denken führt.
Die UX-Konsistenz leidet, wenn KI Prototypen ohne eine starke Designaufsicht erstellt.
In einigen Bereichen erreicht die Genauigkeit ein Plateau (z. B. 80–85 % bei der strukturierten Extraktion), wodurch der Einsatz bei Entscheidungen mit hohen Risiken eingeschränkt wird.
KI verbessert die Effizienz deutlich, aber die Ergebnisse hängen weiterhin stark davon ab, wie gründlich Teams das von ihr Produzierte prüfen und verfeinern.
Suman teilt mit
KI verbessert nicht nur Arbeitsabläufe — sie zwingt dich dazu, sie neu zu überdenken … KI verbessert die Effizienz deutlich, aber die Ergebnisse hängen weiterhin stark davon ab, wie gründlich Teams das von ihr Produzierte prüfen und verfeinern.
Warum KI ein neues Denken über Produktabläufe erfordert
Hier ist etwas, das Produktverantwortliche wissen müssen: KI verbessert Arbeitsabläufe nicht nur — sie zwingt dich dazu, sie neu zu überdenken.
Die meisten Teams beginnen damit, KI auf bestehende Prozesse aufzusetzen, indem sie Kopiloten, Assistenten oder Automatisierung in vordefinierte Schritte integrieren. Das führt normalerweise zu schrittweisen Verbesserungen bei Geschwindigkeit oder Effizienz, aber das grundlegende System bleibt unverändert.
Die eigentliche Chance entsteht, wenn du Arbeitsabläufe neu gestaltest und von Anfang an davon ausgehst, dass KI eine zentrale Komponente ist.
Wenn du das tust, verändern sich einige Dinge:
Die Arbeit wird weniger linear und stärker parallel — Recherche, Prototyping und Validierung können gleichzeitig stattfinden.
Die Kosten für die Erstellung und Prüfung von Ideen sinken erheblich, wodurch mehr Iterationen ermöglicht werden.
Die Rolle der Teams verlagert sich von der Erstellung von Ergebnissen hin zu deren Prüfung und Verfeinerung sowie zur Entscheidungsfindung.
Engpässe verlagern sich von der Umsetzung hin zu Beurteilung, Validierung und Abstimmung.
Dies erfordert jedoch, nicht nur Prozesse neu zu denken, sondern auch Rollen, Verantwortlichkeiten und die Art und Weise, wie du Qualität misst.
Wenn du das System nicht veränderst, begrenzt du das Ergebnis. Du erhältst schnellere Versionen derselben Arbeitsabläufe — keine grundlegend besseren.
Wie KI die Arbeitsabläufe für Recherche und Prototyping optimiert hat
Sprechen wir über unseren Arbeitsablauf von der Produktrecherche bis zum Prototyping.
Wir beginnen mit KI-gestützter Recherche, bei der KI Marktsignale, Aktivitäten von Wettbewerbern und interne Daten zusammenführt, um eine erste Sicht auf das Problemfeld zu erstellen. Die von Menschen durchgeführte Primärforschung — Kundengespräche und Beiträge von Stakeholdern — ergänzt dies.
Anschließend unterstützt KI bei der Strukturierung von Problemen und der Erkundung von Lösungen, indem sie mehrere Ansätze, Abwägungen und erste Hypothesen generiert.
Danach gehen wir zur Erstellung von PRDs über, bei der KI die erste Version der Anforderungen, Nutzerabläufe und Sonderfälle entwirft. Produktmanager verfeinern diese mit Geschäftskontext, Einschränkungen und Prioritäten.
Parallel dazu unterstützt KI die Konzeption der Benutzererfahrung und das frühe Prototyping, indem sie Wireframes oder Abläufe für eine schnelle Überprüfung und Iteration erstellt.
Schließlich führen wir vor der Umsetzung eine Validierungsschleife durch:
PM, Design und Entwicklung überprüfen die Ergebnisse.
Wir identifizieren Lücken, Inkonsistenzen und Risiken.
Wir nutzen KI erneut, um die Ergebnisse auf Grundlage des Feedbacks zu verfeinern.
Was früher ein sequenzieller Prozess war, geschieht nun in einer engen Schleife, wodurch sich mehrere Arbeitstage oft auf wenige Stunden verkürzen.
Trotz alledem ist KI noch nicht in der Lage, einen wirklich zuverlässigen, durchgängigen autonomen Produkt-Workflow zu ermöglichen.
Bei einzelnen Schritten sehen wir starke Fortschritte, aber ein System, das sich mit minimalem menschlichem Eingreifen konsistent von Problem → Lösung → ausgeliefert bewegt, gibt es noch nicht.
Lücken zeigen sich bei:
der Aufrechterhaltung des Kontexts über mehrere Schritte hinweg
dem Umgang mit Sonderfällen und Mehrdeutigkeiten
der Sicherstellung einer konsistenten Qualität und der Ausrichtung an den Geschäftszielen
Das Versprechen ist überzeugend, aber heute kann KI den Workflow lediglich beschleunigen. Sie kann ihn nicht zuverlässig durchgängig eigenständig verantworten.
KI ist noch nicht in der Lage, einen wirklich zuverlässigen, durchgängigen autonomen Produkt-Workflow zu ermöglichen…Bei einzelnen Schritten sehen wir starke Fortschritte, aber ein System, das sich mit minimalem menschlichem Eingreifen konsistent von Problem → Lösung → ausgeliefert bewegt, gibt es noch nicht.
Senior-Vizepräsident für Produktmanagement bei Kore.ai
Wie KI die Rollen und Fähigkeiten von Produktteams verändert
Was Produktteams betrifft, stechen einige Veränderungen hervor:
PMs werden zu „Entwicklern“, das heißt, von ihnen wird erwartet, eng mit KI zusammenzuarbeiten, schnell zu iterieren und zu verstehen, wie Dinge umgesetzt werden, nicht nur, was gebaut werden soll.
Die Rollen in Design und Entwicklung verlagern sich in eine frühere Phase des Zyklus; beide arbeiten von Anfang an zusammen, statt erst dazuzustoßen, nachdem die Anforderungen definiert wurden.
Die Verantwortung für Qualität ist stärker verteilt. Jeder ist dafür verantwortlich, die Ergebnisse der KI zu validieren, nicht nur den eigenen Fachbereich.
Außerdem sehen wir einen Bedarf an neuen Fähigkeiten:
Ein stärker ausgeprägtes Denken in Bezug auf Bewertung und Tests
Die Fähigkeit, mit Mehrdeutigkeiten und nichtdeterministischen Systemen zu arbeiten
Der sichere Umgang mit schneller Iteration und Experimenten
Warum Führungskräfte sich vor dem falschen Vertrauen in KI hüten müssen
Führungskräfte unterschätzen ein großes Risiko: das falsche Vertrauen in die Ergebnisse der KI.
KI erstellt häufig flüssige, gut strukturierte Antworten, die richtig wirken – selbst wenn sie unvollständig oder falsch sind. Teams neigen dazu, den Ergebnissen ohne ausreichende Validierung zu vertrauen.
In kleinem Maßstab führt dies zu geringfügigen Fehlern. In großem Maßstab kann es dazu führen, dass sich systematische Fehler in Workflows ausbreiten – bei Produktentscheidungen, Kundeninteraktionen oder betrieblichen Prozessen.
Suman teilt
Führungskräfte unterschätzen ein großes Risiko: das falsche Vertrauen in die Ergebnisse der KI…Teams neigen dazu, den Ergebnissen ohne ausreichende Validierung zu vertrauen.
Warum Claude das wertvollste Werkzeug im Produktmanagement ist
Wenn ich nur ein KI-Werkzeug behalten dürfte, wäre es ein vielseitiger KI-Arbeitsbereich – Claude und Claude Work.
Nicht, weil es perfekt wäre, sondern weil es über den gesamten Produktlebenszyklus hinweg am vielseitigsten ist – von der Entdeckung über die Problemdefinition und das Erstellen von PRDs bis hin zu Prototyping-Eingaben und sogar technischen Untersuchungen.
Der Wert liegt nicht nur im Werkzeug selbst, sondern auch darin, wie einfach es sich in verschiedene Arbeitsabläufe integrieren lässt, ohne eine aufwendige Einrichtung oder Integration zu erfordern.
Spezialisierte Werkzeuge sind nützlich, aber sie lösen in der Regel bestimmte einzelne Schritte. Ein vielseitiger KI-Arbeitsbereich fungiert als Denk- und Ausführungsebene, die sich auf mehrere Phasen anwenden lässt.
Warum Bewertung und Urteilsvermögen für Produktverantwortliche entscheidend sind
Das hätte ich gern gewusst, bevor ich mit KI begonnen habe:
Bewertungsorientierte Entwicklung ist entscheidend: Man braucht klare Möglichkeiten, um die Qualität früher Ergebnisse zu messen. Ohne diese ist es schwierig, KI-Systemen zu vertrauen oder sie zu skalieren.
Experimentieren ist unverzichtbar: KI-Systeme sind nichtdeterministisch. Ein gutes Ergebnis erreicht man nicht in einem einzigen Durchlauf; stattdessen arbeitet man sich durch mehrere Versionen.
Das ist also mein Rat. Beginnt mit soliden Bewertungsrahmen. Hätte ich das getan, hätten wir Nacharbeiten und falsches Vertrauen in frühe Ergebnisse vermieden.
Außerdem sollte man Folgendes verstehen: Starkes Produktdenken wird nicht mehr in erster Linie durch tiefgehendes Fachwissen bestimmt.
In der Vergangenheit bauten PMs im Laufe der Zeit tiefgehende Fachkenntnisse auf und stützten sich darauf. KI macht heute einen großen Teil dieses Grundlagenwissens – Marktkontext, Einblicke in Wettbewerber und sogar erste Analysen – leicht zugänglich.
Wichtiger ist heute nicht nur, was man weiß, sondern auch, wie man Fragen stellt, Informationen zusammenführt und Urteilsvermögen anwendet. Tiefe ist weiterhin wichtig, aber sie ist nicht mehr das einzige Unterscheidungsmerkmal.
Versteht Folgendes: Starkes Produktdenken wird nicht mehr in erster Linie durch tiefgehendes Fachwissen bestimmt. Wichtiger ist heute nicht nur, was man weiß, sondern auch, wie man Fragen stellt, Informationen zusammenführt und Urteilsvermögen anwendet. Tiefe ist weiterhin wichtig, aber sie ist nicht mehr das einzige Unterscheidungsmerkmal.
Senior-Vizepräsident für Produktmanagement bei Kore.ai
Auf dem Laufenden bleiben
Sie können Suman Chittimuris Newsletter „AI Fluency“ auf LinkedIn und seinen Produkt-Newsletter auf Substack abonnieren. Folgen Sie ihm außerdem auf LinkedIn.
Weitere Experteninterviews folgen im The CPO Club!
