Produktleiter und Co-CEO erklärt, warum die Entwicklung von KI-Produkten eine ganz andere Herausforderung ist

Andrei Rebrov ist ein lebenslanger Produktentwickler und Co-CEO von Finsi, wo er KI in jede Ebene der Produktstrategie integriert — sowohl für das Team als auch für die Kunden.

Wir haben Andrei gefragt, wie KI das Produktmanagement und die Produktstrategie verändert. Das hat er uns erzählt.

KI in die Produktstrategie integrieren

Ich bin Andrei Rebrov, Co-CEO von Finsi. Während meiner gesamten Laufbahn als Produktverantwortlicher habe ich mich intensiv darauf konzentriert, Finanztechnologie zu entwickeln, die den Menschen wirklich dient.

Bei Finsi leite ich die Produktorganisation hinter einer KI-gestützten Wachstumsplattform für E-Commerce-Marken. Das Produkt ist eine B2B SaaS-Lösung, die DTC- und Abonnement-E-Commerce-Betreiber bedient — von aufstrebenden Marken mit weniger als 5 Mio. Dollar Umsatz bis hin zu größeren KMU. Unsere Plattform verbindet sich mit über 50 Tools, darunter Shopify, Klaviyo, Meta Ads, Google Ads und Recharge, und vereinheitlicht Daten über den gesamten E-Commerce-Stack hinweg. Außerdem nutzt sie fünf KI-Agenten, die Bereiche wie Umsatz-Intelligenz, Anzeigenautomatisierung, Kundenbindung und E-Mail, SEO und Kundenforschung abdecken.

Das Bereitstellungsmodell ist vollständig webbasiertes SaaS, und unser Kerngeschäftsversprechen besteht darin, die Lücke zwischen Analyse und Umsetzung zu schließen: Wir präsentieren nicht nur Erkenntnisse, sondern bauen und implementieren die Kampagnen, Abläufe und Segmente für unsere Nutzer direkt.

In meiner Arbeit bei Finsi stehe ich an vorderster Front, was die Integration von KI in unsere Produktstrategie betrifft — ich erforsche, wie KI Finanzdienstleistungen optimieren, die Nutzererfahrung verbessern und eine intelligentere Entscheidungsfindung im großen Maßstab ermöglichen kann.

Dieser Moment der KI-Transformation in der Produktführung fühlt sich sowohl aufregend als auch entscheidend an. Ich freue mich darauf, die Erkenntnisse und Perspektiven, die ich auf diesem Weg gewonnen habe, zu teilen.

Wie KI die Prozesse zur Produkt-Priorisierung verändert

Produktverantwortliche müssen ihren Prozess zur Priorisierung von Vorhaben überdenken. Fast jedes Team, das ich kenne, bewertet weiterhin mit Tabellen, subjektiven Bewertungsrahmen und vierteljährlichen Planungsritualen, die ursprünglich für langsame, teure Entwicklungszyklen entwickelt wurden.

KI verändert beide Seiten der Gleichung: Sie macht die Entwicklung schneller (sodass man mehr Chancen validieren kann) und kann weit mehr Signale verarbeiten als jeder Mensch — Nutzungsdaten, Support-Feedback, Abwanderungsmuster, Wettbewerbsindikatoren, Kundeninterviews — um zu bestimmen, was wirklich zählt.

Wir haben unseren Priorisierungsprozess um eine kontinuierliche KI-Signalschicht herum neugestaltet. Wir automatisieren die Extraktion von Aufgaben aus Granola-Transkripten, damit wir nichts vergessen, was wir noch schulden. Anstelle einer vierteljährlichen Roadmap-Übung pflegen wir nun einen ständig aktualisierten Backlog, in dem jede Aufgabe mit Daten aus verschiedenen Quellen gekennzeichnet ist — Häufigkeit von Kundenfeedback, geschätzter Einfluss auf den Umsatz, Wettbewerbsdringlichkeit und Nutzungsintensität. Unsere KI stellt wöchentlich eine priorisierte Übersicht dieses Backlogs bereit, die sich anpasst, sobald sich die Signale ändern.

Unsere Produktverantwortlichen treffen weiterhin die endgültigen Entscheidungen, aber sie arbeiten mit einem viel umfassenderen, dynamischeren Bild als früher.

Das Ergebnis: Wir haben die Zeitspanne zwischen dem Erkennen einer Möglichkeit und der Bereitstellung einer Lösung etwa halbiert und deutlich weniger Lösungen gebaut, die niemand nutzt.

Warum KI eine solide Grundlage in der Produktstrategie braucht

Wichtig ist zu verstehen, dass KI keine fehlerhafte Produktstrategie beheben kann — sie verstärkt nur jede Strategie, die man ohnehin schon verfolgt.

Wenn man das richtige Problem für die richtigen Nutzer löst, hilft KI dabei, dies schneller und im größeren Stil zu tun. Doch wenn die Grundannahme falsch ist, beschleunigt KI den Weg zum falschen Ziel.

Ich habe dies aus erster Hand erlebt. Zu Beginn bei Finsi zogen wir KI-Funktionen in Betracht, weil sie beeindruckend und technisch machbar waren — Aktionsvorschläge, Abwanderungsprognosen und Content-Erstellung. Doch all das hätte keine Bedeutung gehabt, wenn wir nicht zuerst die eigentliche Erkenntnis gehabt hätten: E-Commerce-Betreiber haben kein Analyseproblem, sondern eine Lücke in der Umsetzung. Erst nachdem wir das validiert hatten, wurde KI zum richtigen Hebel.

Wer mit KI arbeitet, braucht die gleiche Disziplin wie in jeder guten Produktarbeit — eine strikte Problemdefinition, echtes Einfühlungsvermögen für Nutzer und ehrliche Priorisierung. KI erhöht den Druck auf all diese Punkte, weil man mit der gestiegenen Geschwindigkeit noch schneller als je zuvor das Falsche bauen und ausliefern kann.

Wie eine Claude-Code-Fähigkeit unseren Produktfokus geschärft hat

Eine entscheidende Veränderung für uns war die Implementierung einer Claude-Code-Fähigkeit namens „Merchant Advocate“ für unsere Coding-Agents.

Ich habe Claude mit Kontext zu Finsi’s Mission und Produktfokus sowie einer Zusammenfassung von Transkripten aus Granola versorgt. Immer wenn wir eine neue Anforderung haben, prüfen wir diese mit dieser Fähigkeit, wodurch wir unserem Kernauftrag treu bleiben: Software auszuliefern, die die Arbeit für Händlerinnen und Händler reduziert.

Durch diesen einfachen Schritt in unseren Workflows haben wir viele potenzielle Features von unserer Roadmap entfernt.

Warum Cursor für schnelle Produktprototypen entscheidend ist

Cursor hat unsere Arbeitsweise im Engineering-Team grundlegend verändert – nicht nur durch schnelleres Coden, sondern auch dadurch, die Distanz zwischen Produktdenken und Umsetzung zu verkürzen.

Wenn ich ein Feature in natürlicher Sprache beschreiben und innerhalb von Minuten einen funktionalen Prototypen sehen kann, verändert das grundlegend, wie wir Ideen testen. Die gesamte Produktentwicklung läuft dadurch schneller und experimenteller ab.

Hier ein Beispiel: Wir wollten eine „wöchentliche Intelligence-Briefing“-UI für einen unserer Produkt-Agents testen. Anstatt sie in Figma auszuarbeiten und auf einen Sprint zu warten, beschrieben wir das Layout und die Datenstruktur in normaler Sprache an Cursor und hatten innerhalb weniger Stunden einen funktionalen Prototypen, der mit unseren Staging-Daten verbunden war. Noch am selben Tag ließen wir ihn von drei Kundinnen und Kunden bewerten und erhielten Feedback, das das finale Design maßgeblich prägte – bevor wir eine einzige Zeile produktiven Code geschrieben hatten.

Warum Menschen das Wesentliche und Zwischenmenschliche verantworten

Wir haben die Rolle von KI und Mensch in unseren Produktprozessen bewusst definiert.

KI treibt bei uns die Datensynthese, Mustererkennung, Anomalie-Identifizierung und Umsetzung an – beispielsweise die automatische Erkennung von Kündigungssignalen, Umverteilung von Werbebudgets, Generierung von E-Mail-Texten im Markenstil und das Ausspielen von Klaviyo-Flows. Dies sind häufig wiederkehrende und datenintensive Aufgaben, bei denen KI menschliche Geschwindigkeit und Skalierung klar übertrifft.

Auch bei der Priorisierung hilft KI, indem sie Empfehlungen identifiziert, die den größten Umsatz-Effekt für unsere Kundschaft bringen. So verstehen wir besser, wo wir mit der Produktentwicklung ansetzen sollten.

Dennoch treffen Menschen explizit Entscheidungen, die Urteilsvermögen, Ethik und strategischen Kontext erfordern.

Das bedeutet: Produktvision und Roadmap-Entwicklung bleiben menschlich – wir müssen nicht nur verstehen, was die Daten sagen, sondern auch, welche Art von Unternehmen wir gestalten wollen und welche tiefgehenden Wünsche unsere Kundinnen und Kunden haben. UX-Entscheidungen liegen weiterhin beim Menschen, da Empathie und Intuition für Nutzererleben bisher nicht zuverlässig automatisiert werden können. Und jede Entscheidung, die ein Kundenunternehmen gefährden könnte – etwa die erhebliche Umverteilung des Werbebudgets – erfordert vor Ausführung die Freigabe durch einen Menschen.

Unser Prinzip ist: KI übernimmt das Wiederholbare und Analytische; Menschen verantworten das Wesentliche und Zwischenmenschliche.

Warum KI sich mit tiefem Kundenverständnis schwertut

Gerade beim tiefen Kundenverständnis hat KI unsere Erwartungen am deutlichsten verfehlt. Anfangs glaubten wir, KI könne qualitative Signale – Supporttickets, Bewertungen, Umfrageantworten – zuverlässig zusammenfassen und mit minimalem menschlichen Aufwand in umsetzbare Produkt-Insights übersetzen. In der Praxis ist KI hervorragend im Kategorisieren und Clustern großer Mengen an Feedback, verfehlt aber oft die Zwischentöne der Kundengefühle, insbesondere in speziellen E-Commerce-Nischen mit eigenen kulturellen oder betrieblichen Kontexten. KI entdeckt echte Muster, doch deren Interpretation erfordert weiterhin einen Menschen, der die Welt der Kundschaft wirklich versteht.

Wir haben außerdem festgestellt, dass von KI generierte Kreativinhalte – Werbetexte, E-Mail-Betreffzeilen – zwar schnell produziert und als Ausgangspunkt nützlich sind, aber selten die Performance erreichen, die Texte erzielen, die von jemandem mit echtem Markenverständnis verfasst wurden. Es beschleunigt zwar die Produktion, ersetzt jedoch noch nicht das echte kreative Feingefühl.

Schließlich hatten wir erwartet, dass KI unsere interne Produkt-Discovery wirklich voranbringt – aber die Zeit, um wirklich neue Kundenbedürfnisse zu identifizieren, hat sie nicht verkürzt: Sie hilft uns, vorhandene Informationen zu verarbeiten, doch die wertvollsten Erkenntnisse stammen weiterhin aus direkten, offenen Gesprächen mit Kundinnen und Kunden – etwas, das bislang kein KI-Tool ersetzen oder nachbilden konnte.

Andreis Gedanken

KI ist hervorragend darin, Feedback in großem Maßstab zu kategorisieren und zu clustern, aber sie verfehlt konsequent die Nuancen der Gefühle der Kund:innen.

Wie die Datenqualität die Entwicklung von KI-Produkten beeinflusst

Als ich mit KI begonnen habe, war mir nicht bewusst, wie wichtig die Datenqualität ist oder wie lange es dauert, sie richtig hinzubekommen.

Als wir die KI-Agenten von Finsi gebaut haben, sind wir davon ausgegangen, dass die Anbindung an Shopify, Klaviyo und Werbeplattformen saubere und zuverlässige Daten liefert. Die Realität war viel komplizierter. Verschiedene Marken strukturieren ihre Daten unterschiedlich, verfolgen unterschiedliche Ereignisse, verwenden verschiedene Namenskonventionen und es gibt Lücken und Inkonsistenzen in den historischen Aufzeichnungen. Wir verbrachten weitaus mehr Zeit als erwartet mit der Normalisierung, Duplizierung und Validierung der Daten, bevor die KI vertrauenswürdige Empfehlungen liefern konnte.

Wenn ich das im Voraus gewusst hätte, hätte ich früher und stärker in die Dateninfrastruktur investiert, anstatt zu versuchen, möglichst schnell die KI-Schicht auf eine unsichere Grundlage zu bauen.

Warum das Vertrauen der Nutzer:innen bei KI-Produkten eine zentrale Rolle spielt

Würde ich noch einmal mit den KI-Agenten unseres Produkts beginnen, würde ich das Thema Nutzervertrauen anders angehen.

Zu Beginn gestalteten wir unsere KI-Agenten relativ autonom — sie präsentierten Empfehlungen und machten es leicht, diese mit einem Klick zu genehmigen und umzusetzen. Die Nutzer:innen zögerten allerdings, selbst wenn die Vorschläge gut waren. Sie mussten das "Warum" hinter jeder Empfehlung verstehen, bevor sie sich für eine Umsetzung entschieden. Deshalb fügten wir Erklärbarkeit nachträglich ins Produkt ein, doch es wäre deutlich besser gewesen, von Anfang an auf Transparenz zu setzen.

Vertrauen ist keine Funktion, die man später hinzufügen kann — es muss von Anfang an Teil der Kernerfahrung sein.

Warum KI Auswahl und Konfigurierbarkeit für Nutzer:innen weniger wichtig macht

KI hat mich auch gezwungen, die Annahme aufzugeben, dass ein gutes Produkt bedeutet, den Nutzer:innen möglichst viel Kontrolle und Konfigurationsmöglichkeiten zu geben.

Über Jahre galt im B2B-SaaS die konventionelle Weisheit, dass Power User Flexibilität schätzen — mehr Einstellungen, mehr Dashboards, mehr Wege, das Erlebnis zu personalisieren. Wir entwickelten die frühen Versionen von Finsi auf dieser Annahme: Die Operator:innen konnten eigene Dashboards konfigurieren, eigene KPI-Schwellen setzen und bestimmen, welche Kennzahlen verfolgt werden. Doch mit der Integration der KI zeigte sich das Gegenteil: Unsere erfolgreichsten Nutzer:innen verbrachten weniger Zeit mit Konfiguration und handelten öfter basierend auf KI-Empfehlungen.

Diejenigen, die jedes Detail anpassen wollten, hatten häufig den geringsten Mehrwert, da sie das Tool — und nicht ihr Geschäft — optimierten. KI zeigte uns, dass unsere Nutzer:innen weniger kognitive Belastung und mehr Vertrauen in die nächsten Schritte benötigten. Das zwang uns dazu, das Produkt deutlich zu vereinfachen, einen Großteil der Konfigurierbarkeit zu streichen und uns noch stärker auf KI-basierte, pointierte Voreinstellungen zu stützen.

Es war eine kontraintuitive Lektion: Manchmal ist der beste Produktentscheid, den Nutzer:innen Wahlmöglichkeiten wegzunehmen statt weitere hinzuzufügen.

Warum echte KI-Transformation ein Umdenken in der Wertschöpfungskette eines Produkts erfordert

Die meisten „KI-gestützten“ Produkte sind keine echten KI-Produkte – sie sind Funktionshüllen mit einem aufgesetzten LLM, und der Markt wird das früher oder später durchschauen.

Echte KI-Transformation eines Produkts bedeutet, die gesamte Wertschöpfungskette zu überdenken – und nicht, einfach einen GPT-Aufruf in einen bestehenden Workflow einzubauen. Die Unternehmen, die am Ende gewinnen, sind nicht die, die KI am schnellsten eingeführt haben, sondern diejenigen, die mithilfe von KI jede Annahme über ihre Produktkategorie hinterfragen.

Warum Produktverantwortliche eine kleine Anzahl hochwirksamer Wetten auswählen müssen

Widerstehen Sie zwei gleichermaßen gefährlichen Impulsen:

1. Der Drang, KI überall gleichzeitig einzuführen
2. Der Impuls, zu warten, bis sich alles sicherer anfühlt

Produktverantwortliche, die erfolgreich sein werden, wählen eine kleine Anzahl von hochwirksamen Maßnahmen, gehen in die Tiefe und bauen eine echte organisatorische Kompetenz — nicht nur Tool-Bekanntheit — im Umgang mit KI auf. Starten Sie mit den Problemen, die Sie am meisten kosten: Zeitverlust durch manuelle Arbeit, Entscheidungen ohne genügend Daten und Funktionen, die zu lange brauchen, um ausgeliefert oder validiert zu werden. Nutzen Sie KI gezielt zur Lösung dieser Herausforderungen.

Und seien Sie ehrlich mit Ihren Teams darüber, was sich durch KI für sie ändert. Führungskräfte, die so tun, als würde KI keine Rollen und Verantwortlichkeiten verändern, verlieren das Vertrauen; wer hingegen offen und überlegt darüber spricht, wie KI menschliches Urteilsvermögen ergänzt, schafft anpassungsfähige Kulturen.

Optimieren Sie abschließend nicht darauf, "KI-nativ" zu wirken – optimieren Sie auf Ergebnisse. Die beste KI-Produktstrategie schafft messbaren Nutzen für Anwender, nicht einfach das beeindruckendste Demo. Bleiben Sie am tatsächlichen Problem orientiert, und die richtige Nutzung von KI wird folgen.

Andrejs Gedanken

Produktverantwortliche, die erfolgreich sein werden, wählen eine kleine Anzahl von hochwirksamen Maßnahmen, gehen in die Tiefe und bauen eine echte organisatorische Kompetenz im Umgang mit KI auf.

Folgen Sie mit

Sie können sich mit Andrei Rebrov auf LinkedIn vernetzen. Und schauen Sie sich Finsi an.

Weitere Experteninterviews folgen im The CPO Club!