Generative AI und Large-Language-Model-Einsatz im operativen digitalen Produktmanagement. Opportunities und Fallen. Büşra Coşkuner zu Gast (Product Management Coach, ex Doodle, ex home24)
Praktiken, Tools und neue Arbeitsweisen für ProduktmanagerInnen in Zeiten von Generative AI
Künstliche Intelligenz ist kein Zukunftsthema mehr – sie verändert jeden Tag, wie wir digitale Produkte entwickeln. Doch zwischen Hype und Realität klafft oft eine große Lücke: Welche AI-Anwendungen bringen tatsächlich Mehrwert im Produktmanagement-Alltag? Und welche Arbeitserleichterungen schaden mehr, als dass sie helfen?
Genau darüber spreche ich in dieser Folge mit Büşra Coşkuner. Als Product Management Coach und Trainerin mit operativer Erfahrung unter anderem bei Doodle und home24 hat sie einen einzigartigen Blick auf die praktische Anwendung von AI-Tools im Produktmanagement gewonnen. Gemeinsam gehen wir die gesamte Bandbreite durch: Von Market Research und Competitor Analysis über synthetische User Interviews bis hin zu automatisierter Dokumentation von PRDs und User Stories. Wir beleuchten, wie AI bei der Konzeptualisierung und beim Prototyping mit Tools wie Lovable oder Figma Make helfen kann – und wo die Grenzen liegen.
Besonders spannend wird es beim Thema Agentic Workflows: Was passiert, wenn AI selbst Code schreibt? Welche Gefahren lauern, wenn Entwicklungszyklen immer schneller werden? Und warum funktioniert die Automatisierung von Kommunikation im Engineering-Kontext einfach nicht?
Doch Büşra bleibt nicht bei den Tools stehen. Wir diskutieren, wie sich die PM-Rolle selbst verändert: Werden Prompt Engineering und Evals zu Core Skills? Wie wandelt sich das Product Trio? Und was bedeutet das für Hiring in Zeiten von AI? Dabei vergessen wir nicht die kritische Perspektive: Wo werden Fundamentals ignoriert, welche Fallstricke beobachtet Büşra im Coaching – und wie gelingt die Balance zwischen Begeisterung und gesundem Skeptizismus?
Hört in die vierzehnte PRODUKTKRAFT-Podcast-Folge rein, um konkrete Einblicke zu gewinnen, wie AI das Produktmanagement bereits heute verändert – und was es braucht, um diese Werkzeuge verantwortungsvoll und effektiv einzusetzen!
Product Support Needed?
Du brauchst freiberufliche Hilfe im Produktmanagement? Ich biete Coaching, operativen Support, interimistische Product Leadership und Consulting: Melde Dich gerne unverbindlich unter jan@produktkraft.com bei mir und wir besprechen, wie eine für Dich hilfreiche Zusammenarbeit aussehen könnte.
Credits
Host & Producer: Jan Hoppe - https://www.linkedin.com/in/jan-hoppe-30b38ba3/ - http://www.produktkraft.com
Gast: Büşra Coşkuner - https://www.linkedin.com/in/busra-coskuner/ - https://www.busra.co/ - https://harumatcha.ch
Audio Engineering: Tim Nippert - https://www.linkedin.com/in/tim-nprt-69a377286/ - https://www.timnippert.com/
Links
https://www.lennysnewsletter.com/p/an-ai-glossary
https://www.nngroup.com/articles/synthetic-users/
https://www.producttalk.org/product-trios/
https://www.swiss-ai.org/apertus
Transkript (Auto Generated)
Büşra: Wir fangen immer vom Markt an und Nutzer sind ein Teil vom Markt.
Jan: Aber es ist ein Problem, wenn mein erster Startpunkt ist. Ich frag meine AI, was soll ich machen und mach dann weiter und weiter. Es ist ja ähnlich, wie ich auch in der Arbeitswelt vor AI nichts von einer Chefin oder einem Chef lernen, die mir den ganzen Tag immer nur sagt, jetzt machst du genau das.
Büşra: Bei ihnen eine PM entlassen wurde, weil sie halt mit allem, was sie vorgestellt hat, super gut durchgekommen ist. Also hier die strategische Richtung sollte dies sein, sollten diese Features bauen, la la la. Und dann am Ende irgendwie gegen die Wand gefahren ist. Und dann hat sich am Ende herausgestellt, dass sie sich einfach alles von der AI hat geben lassen. Also dass da kein critical thinking mit drin war, dass es nicht ihre Meinungen war, dass sie nicht hinterfragt hat und so weiter. Und dann wurde sie entlassen. Ich habe gesehen, wie ein Sales-Team ein lovable Prototyp an ihre B2B, an ihre Kunden verkauft hat und dann zum Product-Team gegangen ist und gesagt hat, so das habe ich verkauft, baut das doch mal. Und das Product-Team die Hände über den Kopf geschlagen hat und gesagt hat, ganz genau.
Jan: Ja, das ist leider die heimliche Lüge, die sich alle Teams erzählen muss. Das ist ja nur ein Experiment, das kommt dann weg. Wenn es funktioniert, kommt es leider nie weg.
Büşra: Richtig.
Jan: Hallo und herzlich willkommen zum Produktkraft-Podcast. Ich bin Jan Hoppe und ich rede hier an dieser Stelle Monat für Monat mit verschiedenen Stimmen über digitales Produktmanagement. Heute rede ich mit Büşra Coşkuner. Und in dieser Folge soll es um ein Thema gehen, das unsere Arbeit so doll verändert, wie es zuletzt wahrscheinlich das Mobile Web und davor das Internet selbst getan hat. AI. Dabei soll es aber nicht darum gehen, wie wir AI-Produkte entwickeln, sondern wir wollen viel mehr darüber sprechen, wie AI die Praxis des Produktmanagements verändert. Das heißt, unsere alltägliche Arbeit. Wenn ich auf meine Arbeit schaue, dann fällt mir auf, dass ich vor anderthalb Jahren nicht ein einziges Bezahlabo für irgendein AI-Tool hatte und inzwischen drei oder vier Subscriptions am Laufen habe. Und diese Tools verändern meine Arbeit so massiv, dass ich dieses Subscriptions kaum noch wegdenken kann. Ich achte zwar darauf, dass ich grundsätzlich immer erst selbst denke, bevor ich AI hinzufüge, aber ich glaube, man kann mit Fug und Recht behaupten, dass AI nahezu alle meine Arbeitsabläufe in irgendeiner Form unterstützt. So ist beispielsweise aus einem Zustand vor anderthalb Jahren, in dem ich vielleicht mal ein, zwei Prompts am Tag abgeschickt habe, eine Situation geworden, in der ich für mindestens 50 plus Inferenzen am Tag verantwortlich bin. Ich schreibe meinen Blog und ähnliches selbst, aber könnte mein Lektorat durch Claude kaum wegdenken und Perplexity hat Google ersetzt. Hinzu kommen Themen wie die tägliche Recherche, synthetische User Interviews, Market Research, etc. Und genau darüber wollen wir heute reden. Wie verändert sich die Arbeit am Produkt durch AI und wie macht man das gut? Gut im Sinne von nicht, wie ersetze ich mein Denken, sondern wie unterstütze ich mein Denken. Und mit wem könnte ich darüber besser reden als jemand, der viel in anderen Product People hilft, Arbeitsweisen zu verändern und anzupassen und dadurch eine besonders holistische Sicht auf die Themen hat? Ein Coach. Da habe ich mir heute Büşra Coşkuner eingeladen. Büşra macht seit 15 plus Jahren Produktarbeit in verschiedenen Rollen. Die letzten fünf davon hat sie im Coaching verbracht. Und wie gesagt, sie verbringt eine ganze Menge Zeit mit einer ganze Menge Product People, hat viele viele Organisationen gesehen und hat entsprechend einen ganz schön breiten Einblick darüber, welche AI Experimente gerade passieren, welche Organisationen Erfolge haben, welche keine Erfolge haben und kann aus dieser breiten Perspektive ihr Wissen teilen. Ich bin sehr gespannt auf das Gespräch. Los geht's. Hey, guten Morgen Büşra. Schön, dass du da bist.
Büşra: Guten Morgen.
Jan: Na, wie geht's dir heute?
Büşra: Bisschen müde und December Blues, sonst sehr, sehr gut. Danke. Wie geht's dir?
Jan: Ja, mir geht's eigentlich ziemlich genauso. Aber natürlich verfliegt der Blues jetzt sofort, wenn ich mich auf unser spannendes Gespräch freue und wir loslegen. Und vielleicht steigen wir direkt rein. Wie immer beginnen wir damit, einmal die Frage zu beantworten. Wer bist du eigentlich und wie bist du zum Produkt gekommen?
Büşra: Wer bin ich eigentlich und wie bin ich zum Produkt gekommen? Also ich bin Büşra, Büşra Coşkuner. Vergiss den Nachnamen. Story of my life. Ich bin gebürtige Berlinerin, lebe in Zürich seit fast zehn Jahren. Und ich bin Produktmanagement-Coach und Trainer und Advisor seit etwa fünf Jahren. Und davor habe ich irgendwas so über zehn Jahre oder so, war ich im Produktmanagement. Und meine Karriere ist sehr langweilig. Ich war immer im Produktmanagement. Sehr langweilig.
Jan: Product, Product, Product. War bei mir genauso. Wir haben ja viele Quereinsteiger-Innen und auch Leute, die vorher Marketing, vorher irgendwas, vorher Engineering und bei mir war es auch immer, immer Product. Aber es ist ja auch cool, weil ich finde, dann hat man einen ziemlich guten Griff daran, wie sich das Produkthandwerk über die Jahre verändert, weil da doch eine ganze Menge Veränderungen reingekommen sind.
Büşra: Das auf jeden Fall. Und vor allen Dingen war ich halt, also Produkt ist nicht gleich Produkt, es kommt immer darauf an, in welcher Industrie du bist, was für eine Art Produkt das ist und welchen Aspekt von Produktmanagement du jetzt gerade handelst. Und ich bin eingestiegen durch das klassische Produktmanagement in der Telekommunikation. Das war mein Einstieg. Und dann bin ich irgendwann ins digitale Produktmanagement übergangen. Und das sind ja auch zwei komplett unterschiedliche Welten, muss man sich auch bewusst sein. Von daher, ja gut, vielleicht war es nicht ganz so langweilig, meine Karriere. Genau. Und da dann auch die Mischung gehabt zwischen großem Konzern und kleinem Start-up und oder mittelgroßem Start-up, so richtig klein hatte ich das, glaube ich, noch nie. So zehn Personen Start-up oder sowas hatte ich noch nie. Bis hin zum Scale-up, bis hin zur Cash Cow, die dann nochmal Start-up 2.0 gemacht hat und so. Also da habe ich echt jetzt, glaube ich, doch einiges gesehen.
Jan: Ja, das glaube ich. Also sowohl hands-on als auch in den letzten fünf Jahren, seitdem du als Coach unterwegs bist. Und deswegen freue ich mich total, dich als Gesprächspartnerin für das Thema heute zu haben, weil wir darüber sprechen wollen, was AI mit der operativen Produktarbeit macht. Und du hast als Coach natürlich eine ziemlich coole Perspektive, weil du nicht als einzelner Practitioner herausfindest, wie mache ich das jetzt, sondern weil du mit sehr vielen Practitionern das redest und Muster erkennen kannst und Dinge erkennen kannst, die einzelne Leute eventuell übersehen. Sehe ich das richtig?
Büşra: Ja, ziemlich, ziemlich gut so, ja. Ich habe ja auch noch meine eigene Side-Business und das ist so ein bisschen von wie wende ich jetzt AI für meine Side-Business an? Das steckt ja auch noch drin. Aber im Großen und Ganzen, ja, es ist sehr spannend zu beobachten, was gerade passiert.
Jan: Ja, und dann lass uns doch in die Beobachtungen mal reinspringen. Dein Side-Business können wir am Ende ja auch nochmal pluggen. Kleiner Spoiler schon mal, wer Matcha-Tee braucht, kann sich bei Wischra melden. Gehen wir am Ende nochmal an. Hört bis zum Schluss mit, um mehr zu erfahren. Aber ganz grundsätzlich, AI in Productmanagement. Also wir sprechen heute nicht darüber, wie manage ich ein AI-Produkt. Wir sprechen auch nicht darüber, oder vielleicht am Rande darüber, wie müssen Organisationen jetzt sich neu aufstellen. Wir reden jetzt wirklich heute mal über die handwerkliche Perspektive. Was mache ich als einzelner PM mit AI? Und ich versuche mich mal so grob am Lifecycle unserer Produktarbeit lang zu hangeln. Und vielleicht werfe ich als erste Stichwort mal rein. Was hat Generative AI mit Market Research Themen gemacht? Also was hat Gen AI damit gemacht, wenn ich versuche beispielsweise herauszufinden, wo stehen gerade meine Competitors? Was sind da deine Beobachtungen?
Büşra: Das ist so saugeil. Also ich habe ja erwähnt, ich habe im klassischen Produktmanagement gearbeitet. Und damals war es so, dass wir extra Market Research Companies bezahlen mussten, damit sie für uns Market Research machen. Oder wir hatten selber ein Team, das für uns Market Research gemacht hat. Und das war eine sehr langwierige Arbeit. Das dauert sehr lange und muss von verschiedenen Perspektiven beleuchtet werden und so weiter und so fort. Was ich also was ich persönlich sogar schon heute mache und halt wirklich auch den Teams nahelege, ist, gerade im digitalen Bereich, gibt es kaum das Verständnis, dass es Market Research überhaupt braucht. Da halten wir das mal fest. Alles ist rund um UX Research, aber dass Market Research sehr, sehr wichtig ist. Das ist schon mal eine Sache, die ich Unternehmen und Teams immer wieder nahelegen muss.
Jan: Stimmt, das ist ein sehr wichtiger Punkt. Gerade in den letzten Jahren ein totaler Fokus immer auf, beziehungsweise in den Jahren bis vor zwei, drei Jahren hatten wir einen sehr starken Fokus auf Nutzer zentrierte Produktentwicklung. Und der ganze Aspekt von jetzt behalte mal das Business auch im Blick ist schon ein bisschen zurückgetreten im Diskurs und kommt langsam wieder.
Büşra: Ganz genau. Und das ist so auch der Punkt, den ich versuche im digitalen Bereich, im digitalen Produktmanagement immer mehr zu stärken. Also ich war mal in einem anderen Panel drin mit jemandem, der nur das digitale Produktmanagement kennt und aus dem Engineering heraus reingewachsen ist versus jemandem, der komplett aus dem klassischen Produktmanagement herausgewachsen ist. Plus ich, die halt die beiden Welten kennt. Und der Kollege aus dem klassischen Produktmanagement heraus und ich, wir waren beide derselben Meinung. Für uns in unserem Gedankenset ist es sowieso unmöglich, ein Produkt nicht nutzerzentriert zu bauen. Weil wir fangen immer vom Markt an und Nutzer sind ein Teil vom Markt. Ohne die geht es gar nicht. Und im digitalen Produktmanagement, also die, die nur aus dem digitalen herausgewachsen sind, für sie ist der Fokus stark auf Feasibility. Was können wir bauen mit der Technologie? Tech first und dann gucken, was wir damit bauen können. Und jetzt eben dieser ganze Trend, dass es alles mehr nutzerzentriert ablaufen muss, ist für uns beide eigentlich sehr, sehr schräg. Und das ist für mich auch sehr schräg. Aber ich habe verstanden, dass die digitale Welt so funktioniert. Und das ist das, was ich immer wieder versuche, mit reinzubringen. Fängt vom Markt an. Und ein Teil vom Markt sind eure Nutzer. Wenn ihr eure Nutzer nicht versteht, also Nutzer und Käufer, wenn ihr die nicht versteht, dann habt ihr sowieso von vornherein verloren. Und von dort aus jetzt die Connection zu Market Research. Hey, das geht so sowschnell heute. Aneinhalb von nicht mal einem Tag kann ich dir Dinge recherchieren, die es vorher Monate gebraucht hat. Ich zück einmal per Plexity. Also ja, es gibt halt Chat-GPTs, Deep Research und Deep Thinking von whatever. Aber mein Go-To-Tool dafür ist Perplexity. Und ich recherchiere die wichtigsten Themen. Ich fange vielleicht erstmal frei an mit einem ganz allgemeinen Prompt. Also hier erzähl mir ein bisschen was über die und die Industrie. Was sind so die wichtigsten Trends gerade? Was passiert gerade? Und so weiter. Und dann gehe ich tiefer. Frage nach, wer sind hier die wichtigsten Competitor von dem und dem Unternehmen? Was sind deren Pläne? Was sind deren Strategie? Was ist die Strategie von dem und dem Unternehmen? Wie sind sie preislich aufgestellt? Wo geht es für sie hin? Also ganz strategisches Market Research. Innerhalb von nicht mal einem Tag habe ich die Informationen, die ich brauche, um meine eigene strategische Narrative daraus zu bauen. Das ist der Hammer.
Jan: Also total kann ich teilen, gerade perplexity, natürlich hier nicht gesponsert oder so, aber das ist auch schon krass, was für Reports da rauskommen, wenn man daran arbeitet. Aber hast du vielleicht so einen ganz konkreten Tipp? Also angenommen, ich wäre jetzt eine Produktperson, die bisher viel auf User Centricity gesetzt hat und das vielleicht auch nicht verlieren will, aber das Ganze jetzt mal ergänzen will durch Market Research. Und ich benutze jetzt Deep Research Thinking etc. Also im Prinzip die Variante, wo es drei, vier Minuten dauert, bis mir mein Chatbot was ausspuckt. Was sind so Haupt-Go-To-Prompts, die man da benutzen kann? Oder was sind Hauptfragen, die man stellen kann, um schnell einen guten Überblick und gute Ergebnisse zum Markt zu finden?
Büşra: Also ein ganz allgemeiner Prompt, den ich benutze, ist wirklich halt erstmal gucken, um welches Unternehmen geht es. Manchmal geht es um mein eigenes, also um das Unternehmen, wo ich gerade drin arbeite oder ein bestimmtes Unternehmen, zu dem ich mehr wissen will. Und dann stelle ich die Frage, wer sind die Hauptwettbewerber von Company X? Okay, dann ist wirklich ein weiterer Prompt, was sind deren Haupt... So, jetzt kommen wir wieder ins Denglische. Meine zwei Hauptarbeitssprachen sind Englisch und Denglisch, sage ich immer. How do they compare in the differentiators? Also einfach zu verstehen, was macht welches Unternehmen aus und wie differenzieren sie sich von den anderen? Das ist ein zweiter Prompt, den ich sehr gerne nutze. Ein dritter Prompt ist, tell me more about their pricing strategy. Wie sind sie preislich aufgestellt? Das ist einer, den ich sehr gerne benutze. Dann ein weiterer zum Beispiel, wenn ich einen Tipp geben muss bezüglich Interview-Prozesse, also wenn man sich irgendwo bewirbt oder so, dann sage ich auch immer, recherchier doch mal, was gerade bei denen ansteht. Und dann kann man solche Fragen stellen wie, was ist die strategische Ausrichtung von Unternehmen XYZ? Worauf werden sie in den nächsten drei Jahren Wert legen? Oder welche Veränderungen passieren gerade beim Unternehmen XYZ? Welche Veränderungen passieren gerade in dem Markt, in dem sie sich bewegen? Was sind die Trends? Also das sind wirklich all, das sind Prompts, die ich selber benutze, wenn ich mich auf ein Kundengespräch vorbereite, zum Beispiel in meinem Fall. Und genau diese kann man eben auch für Interview-Vorbereitungen benutzen. Das gebe ich auch gerne mal so als Tipp immer weiter, wenn mich da jemand fragt, hey, wie kann ich mich auf ein Interview mit denen und denen vorbereiten? Ja, guckt mal was in deren Markt passiert.
Jan: Ja, absolut. Riesentimesaver. Ich hätte vielleicht zu den Promts über den Markt auch noch als Ergänzung. Das funktioniert aber nur bei B2C-Produkten sehr gut. Aber ich...
Büşra: Ne, ne, ne, ne, ne, ne, ne.
Jan: Ne, ne, ne, den, den ich ergänzen will. Der funktioniert bei B2C-Produkten sehr gut. Nämlich der, wie ist denn das Sentiment zu der Marke, wie ist das Sentiment zu dem Produkt?
Büşra: Nice, ja.
Jan: Weil klar kann ich auch ewig selbst dann Reddit-Foren und Trustpilot etc. durchforsten. Aber so dieses Thema, was ärgert die Leute gerade, kriegt man auch sehr gut raus.
Büşra: Ja, das stimmt. Ja, voll. Das funktioniert teilweise auch für B2B. Also ich habe inzwischen gelernt, also gerade die letzten fünf Jahre haben mir gezeigt, die starke Differenzierung zwischen B2B und B2C ist eigentlich nicht der Knackpunkt. Der Knackpunkt ist, ist es ein datenstarkes Unternehmen oder datenschwaches Unternehmen im Sinne von gibt es viel Traffic drauf oder wenig Traffic. Und dann ist es egal, ob es B2B oder B2C ist.
Jan: Fast schon.
Büşra: Fast.
Jan: Bestimmt. Wir brauchen viele Informationen dazu irgendwo verfügbar. Das ist bei B2C-Produkten, die viel genutzt werden, häufig mehr gegeben als bei B2B-Produkten, aber nicht ausschließlich. Also wenn ich jetzt an einen Salesforce denke oder so, kriege ich, glaube ich, auch so ziemlich gute Informationen.
Büşra: Ganz genau. Und da ist dann auch der Link zu User Research, der Prompt, den du genannt hast. So einen ähnlichen benutze ich, wenn ich verstehen will, was gut funktioniert und was nicht gut funktioniert, um auch die Gaps eines Produktes selber zu verstehen. Okay, was sind so die Top-Beschwerden von den Nutzern und Nutzerinnen über das und das Produkt? Okay, was sind die Top-Begeisterungs-Features, die die haben? Und so kann ich mir selber eine Gap-Analyse bauen. Also das ist auch sehr, sehr stark.
Jan: Ja, und vor allen Dingen auch in Minuten. Also ich erinnere mich, ich habe so was ja auch als PM häufig händisch gemacht, aber man sitzt ja teilweise Tage da, um überhaupt mal ein grobes Bild dafür zu finden, wie die Scores bei der Trustpilot sind. Und dass man innerhalb von Minuten so ein ziemlich gutes Essay zusammenkriegt, ist einfach der Wahnsinn.
Büşra: Ja.
Jan: Nun ist es ja so, dass in den Zusammenfassungen, die dann von der AI kommt, natürlich ein gewisser Bias oft besteht für ein paar Dinge, die besonders häufig erwähnt werden. Manchmal wird beispielsweise die Unternehmensstrategie nicht so berücksichtigt, die explizit sagt, man will den die eine oder andere Route vielleicht gar nicht gehen. Ich habe so die Erfahrung gemacht, dass am Ende das Bilden meiner eigenen Hypothesen mich mehr leitet als dem Folgen von, ah ja, hier sind ein paar Promts, die Büşra und Jan in den Raum geworfen haben.
Büşra: Auf jeden Fall.
Jan: Siehst du genauso.
Büşra: Shit in, shit out. Und es ist genauso, wenn ich sage shit in, shit out mit AI, das eine Level ist natürlich ein scheiß Prompt, es gibt auch scheiß Ergebnisse. Das ist ein bisschen hart gesagt. Ein schlechter Prompt, es gibt schlechte Ergebnisse. Aber die andere Dimension davon ist, wenn ich nicht eine Meinung habe, dann weiß ich auch nicht, wonach ich suche. Und ja, man kann erst mal ein bisschen blank anfangen, aber genau da steckt auch die Falle drin. Man kann entweder blank anfangen mit ganz allgemeinen Prompts und dann halt die AI fragen, hey, was denkst du darüber? Gib mir mal einen Ansatz hier. Und dann hat man schon verloren, weil die AI einfach nur dir das sagen wird, was es selber halt irgendwie statistisch gesehen am wahrscheinlichsten findet. Die andere Herangehensweise, die ich bevorzuge, ist, ich lese auch nach. Also ich lese zum einen die Zusammenfassungen natürlich, die mir AI gibt. Und dann gucke ich. Ich gucke, was mich anspringt, wo ich das Gefühl kriege, ah, das könnte interessant sein. Und gucke mir oder lese mir dann die Artikel dazu durch, weil die sind natürlich viel detaillierter. Und darüber bilde ich mir Meinungen. Ich selber bringe die Punkte zusammen und mache mir eine Schlussfolgerung. Und dann habe ich vielleicht am Ende zwei unterschiedliche Meinungen. Und dann recherchiere ich in diese Richtung weiter. Und critical thinking ist hier das Stichwort. Und gucke dann, was Sinn macht, was ich da finde und was eher nicht viel Sinn macht. Und so mache ich die AI zu meinem Gesprächspartner und Spraying-Partner und nicht zum Ersatz meines Gehirns.
Jan: Ja, da sprichst du mir sehr aus der Seele, weil ich glaube, das können wir wahrscheinlich pauschal für alles sagen, was wir hier heute besprechen. AI kann total hilfreich sein, wenn ich schon eine Struktur für mich selbst habe und Lücken in meinem mentalen Modell ergänze oder verstärken will oder hinterfragen will, verstärken. Vergessen wir vielleicht mal, es geht mehr darum, welche Ergänzungen kann ich noch finden? Wie kann ich mein Denken stärken? Das meine ich nicht, nicht verstärken. Aber es ist ein Problem, wenn mein erster Startpunkt ist. Ich frage meine AI, was soll ich machen? Und mache dann weiter und weiter. Es ist ja ähnlich, wie ich auch in der Arbeitswelt vor AI nichts von einer Chefin oder einem Chef lerne, die mir den ganzen Tag immer nur sagt, jetzt machst du genau das, jetzt machst du genau das, jetzt machst du genau das. Sondern ich muss selbst ins Denken kommen.
Büşra: Und das erfordert auch, dass man schon eine gewisse Expertise sich aufbaut, um eben Skills wie Critical Thinking, strategisches Denken, woher weiß ich, dass es erfolgreich sein kann. Was ist überhaupt eine Gap-Analyse? Also wenn ich frage, hey, kannst du eine Gap-Analyse? Die meisten PMs würden sagen, nein. Wie sieht eine gute Competitive Analysis aus und so und so. Und wir sind jetzt gerade immer noch im Thema Market Research und eben weiter runtergebrochen. Wie sieht ein gutes Interview aus? Woran erkenne ich, ob die Leute nur was sagen oder es auch wirklich so meinen? Mit welchen Fragen muss ich nachgreifen, damit ich wirklich eine verlässliche Aussage haben kann? All diese Sachen, wie gehe ich vor, wenn ich verstehen will, ob das, was wir hier bauen, wirklich erfolgreich war? Wie messe ich das Ganze und so weiter? Also das muss man alles trotzdem noch lernen, weil wenn man das nicht weiß, versklavt man seinen Gehirn der AI, die einem am Ende nur eine statistische Wahrscheinlichkeit ausgibt.
Jan: Total. Und ich glaube, der Fakt ist, je nachdem, in was für einer Organisation man gearbeitet hat, ist dieser Umstand auch noch nicht mal nur neu. Denn je nachdem, wie viele Ressourcen verfügbar sind, macht jemand anderes ja auch die Marktanalyse und nicht ich selbst als PM. Genau. Oft sind Leute, die so Marktanalysen machen, gerade frisch aus der Uni und sollen jetzt mal die wichtigen Aspekte der Competitor-Landscape erfassen.
Büşra: Ja, voll.
Jan: Das musste ich früher genauso kritisch hinterfragen, wenn das passiert, wie ich das jetzt mit einem Essay von Perplexity tue, nur, dass ich jetzt keine Junior-Personen brauche, die gerade frisch in den Job einsteigt, um mal zu googeln, wer die Competitors sind und eine tiefe Analyse über eine Woche zu machen. Sondern jetzt kann das im Prinzip jeder sich schnell heranziehen, aber das Denken bleibt.
Büşra: Ja.
Jan: Ja, und wir haben gerade schon über das Herausfinden von so User Sentiments für mein Produkt gesprochen. Wie stehst du denn insgesamt zu der ganzen Thematik, sich User zu simulieren beispielsweise über eine AI oder eine AI zu fragen, dass das ist mein Produkt? Was braucht der User als Nächstes?
Büşra: Ich bin da tatsächlich sehr kritisch, was das angeht. Aber mit einer Nuance drin. Ich stelle mir immer die Frage, wenn wir unsere Arbeitsweise verändern, warum machen wir das? Also welchen Zweck hat das? Warum wollen wir über synthetic User gehen, statt User selbst zu befragen? Und die Antwort, die ich oft höre, ist, ja Gott, das dauert so lange, die richtigen User zu rekrutieren und dann auch noch was von denen zu hören, das uns irgendwie weiterbringen. Und am Ende haben wir irgendwie mit sechs Leuten gesprochen, zehn Leuten gesprochen, was auch immer. Und die sagen uns nur das, was wir eh schon wissen. So und dann glaube ich, ja okay, gut, dann habt ihr vielleicht nicht die richtigen Fragen gestellt oder vielleicht habt ihr die falschen Leute rekrutiert, aber vielleicht wisst ihr aber auch schon genug und ihr hättet jetzt diese Runde nicht drehen müssen. Der Knackpunkt, den die Leute damit aber vermitteln wollen, ist, es dauert zu lange, um an einen Punkt zu kommen, dass man sich eine Idee überlegen kann. Okay, wenn wir den Aspekt nehmen, ist es vielleicht gar nicht so schlecht über Synthetic User, die gut definiert sind. Also noch mal Shit in, Shit out, wenn wir irgendwie sagen, ja erzähl mir was irgendwie über einen Kfz-Mechaniker. Das ist viel zu breit. Erzähl mir was über einen oder du bist jetzt ein Kfz-Mechaniker, der in, keine Ahnung, Berlin in einer Gegend sein Geschäft anbietet, wo die ganzen Reichen und Neureichen leben und du bist in Business schon seit zehn Jahren und musst jetzt dein Business verkaufen. Das ist etwas ganz anderes. Wenn man einen gut definierten User hat, und da war ich selber in den letzten paar Monaten in ein paar Workshops schon drin, um selber mal zu lernen, wie man das macht und so, und selber auch den Unterschied zu sehen. Wenn man einen gut definierten User hat, dann kann es einem wirklich dabei helfen, schnell mal so auf Knackpunkte zu kommen, die eben in der Masse bekannt sind, die man so im Schnitt sieht. Und die einem dabei helfen können, mal auf schnelle Ideen zu kommen. Oder schnell mal auf eine Idee zu kommen, um die mal vertesten zu können.
Jan: Das Hypothesen, Ideen gerne generieren.
Büşra: Genau. Aber nicht für bare Münzen nehmen. Weil zum einen ist AI komplett biased. Das dürfen wir nicht vergessen. Es ist trainiert auf Daten, die biased sind. Und das ist auch keine Neuigkeit. Das wissen wir eigentlich schon seit längerem. Da gibt es genug Studien zu. Das heißt, die Antwort, die es dir geben wird, wird auch auf diesen Bias beruhen und diesen Bias nochmal dir widerspiegeln. Das Zweite ist, es kann dir nur das ausspucken, was es selber weiß. Also wozu es auch Daten im Internet gibt. Und das wurde auf dem Internet trainiert. Und teilweise sind die Daten auch veraltet. Oder die Ressourcen sind veraltet teilweise. Das heißt, es kann dir nur das wiedergeben, wozu es auch etwas findet. Und das Dritte ist, es kommt auch immer drauf an, was für eine Art von Idee man sucht. Wenn man jetzt nur irgendwie was iterieren will und so weiter, kommt man auch selber drauf mit den eigenen Recherchen oder mit dem eigenen User Feedback. Aber wenn es jetzt um eine total innovative Idee gehen soll, dann muss man nun mal weiterbohren. Und dann reichen auch im normalen Leben nun mal zehn Interviews nicht aus. Da muss man rübergehen, sich ein bisschen shadowing machen. Man muss ganz andere Fragen stellen. Man muss auf das kommen, was man nicht sieht. Und das lungert nicht im Internet rum. Also kann dir die AI das auch nicht sagen.
Jan: Das finde ich sehr schlau und vor allen Dingen auch spannend. Das, was ich da lerne, kann ja für die Zukunft auch wieder Teil meiner synthetischen User Persona werden, die mehr und mehr angereichert wird. Und dadurch eventuell eine Chance hat, bessere und bessere Hypothesen und Ideen zu generieren.
Büşra: Wo wir dann beim Thema REC sind. Letztendlich, wenn man, also es gibt Unternehmen, die machen genau das. Die nehmen das, was sie schon haben. Da begleite ich auch gerade ein Unternehmen dabei. Die nehmen das, was sie schon haben. Und zapfen es an. Also wir stehen gerade am Anfang. Also wir gucken uns an, wie wir das machen können. Aber die zapfen es im Prinzip an. Und somit haben sie echte Daten von ihren eigenen Nutzern und Nutzerinnen und Käufern und Käuferinnen zu ihrem eigenen Produkt in ihrer Industrie, in ihrer Situation, mit denen sie chatten können und dann eben die Daten herausziehen können.
Jan: Kleiner Einwurf, RAC, Retrieval Augmented Generation, also der Vorgang, in dem man einen Vector Storage bereitstellt, in dem man sehr, sehr viele Daten reinwerfen kann, deutlich mehr als man in einem einzelnen Prompt unterbringen könnte, damit ein Large-Language-Model spontan herausziehen kann, was aus diesem Storage ist gerade für mich relevant, basierend wiederum auf einem Prompt, den jemand anderes schreibt, also im Prinzip ein großer Datenspeicher, auf den AI zugreifen kann, das vielleicht einmal kurz als Verständnis-Einwurf, falls jemand das React-Thema noch nicht kennt.
Büşra: Und das wiederum ist eine andere Dimension. Darin reden wir nicht mehr über synthetische User, sondern über das Anzapfen der echten, eigenen Daten. Die können natürlich auch lückenhaft sein und beißt und so weiter, aber trotzdem ist es eine andere Dimension.
Jan: Hast du da ein Beispiel, das du teilen kannst, wo in so einem Prozess mal wirklich was ganz Neues bei rauskam, was ein Team noch nicht erwartet hat oder was ein Team richtig überrascht hat und vorangebracht hat?
Büşra: Aus der Perspektive tatsächlich noch nicht. Also es sind eher so Sachen gewesen wie, also nochmal, wir sind gerade am Anfang mit diesem Team und die haben vorher ein anderes Tool genutzt beziehungsweise haben dann irgendwie auch versucht, über Chagy PT. Enterprise irgendwie die Daten anzuzapfen, mal irgendwie so was reingefiedelt und gesagt, hey, benutzt das mal so mäßig. Und das haben die dann eher so benutzt wie, ja, wir denken so und so und so, kannst du uns mal irgendwie das Interview mit dem rausholen, einfach mehr so in der Richtung, dass sie das eine oder das andere nachlesen können.
Jan: So im Prinzip als Research-Datenbank, die ich leicht beziehe.
Büşra: Genau, es gibt ja Tools wie Dovetail, die das sowieso out of the box machen, also eher in die Richtung.
Jan: Okay. Spannend, und vielleicht finde ich die gleiche Frage noch mal, wir sind ja so relativ flüssig übergegangen aus den synthetischen User-Interviews. Hast du da vielleicht ein Beispiel, wo du sagst, ach, da war mal was Spannendes, was da rausgekommen ist, was ich so nicht erwartet hätte?
Büşra: Nee, da habe ich noch kein praktisches Beispiel zu. Also, wie gesagt, ich bin selber da eingestiegen jetzt die letzten Monate, um mal zu lernen, wie das geht, wie das funktioniert, und mir mal zu überlegen, ob das etwas ist, was ich dem einen oder anderen Kunden mal zeigen kann. Bis jetzt habe ich noch nicht so wirklich den Need gesehen, ehrlich gesagt. Das ist vielleicht auch noch der andere Aspekt, wenn ein Unternehmen sowieso schon hands-on da drin ist, User Research zu machen, dann sehe ich bisher noch nicht so wirklich den Need, einen synthetischen User zu befragen. Weißt du, was ich meine? Weil die sind sowieso schon da drin, und es wäre eher kontraproduktiv und ein Rückschritt, sich aus diesen Praktiken nah beim Kunden zu sein, herauszuziehen. Wo ich das eher sehe, ist, und das werde ich demnächst machen, so für eigene Projekte, so jeder, der so Side-Business hat, oder so ein Nebenprojekt oder so. Was ich allen PMs sowieso nahelege, ja, ein Side-Projekt zu haben, da finde ich das sehr stark, und das will ich mal selber, mein Side-Projekt noch ausprobieren. Das habe ich noch nicht gemacht. Und mal gucken, wie weit ich damit komme, um mal damit rumzuspielen. Und zu gucken, ob das sich auch deckt mit dem, was ich bisher so herausgefunden habe und so weiter. Oder ob das mir neue Perspektiven aufmacht. Aber bisher habe ich es so bei den Companies, wo ich drin bin, noch nicht so den Bedarf gesehen.
Jan: Ja, es deckt sich absolut mit meiner Erfahrung damit. Weil ich mache ja nicht nur freiberufliche Produktarbeit und Coaching, sondern ich gründe ja auch gerade einen Start-up, das Psychotherapeutinnen beispielsweise bei ihrer Arbeit unterstützt. Ich selbst habe Psychologie im Nebenfach studiert, habe aber natürlich keine therapeutische Ausbildung und ein Nebenfach bringt einen sowieso nur so weit. Das ist auch klar. Und wenn wir da jetzt auf einem relativ grünen Feld ganz neue Spaces explorieren, ist das ein super Tool, um einen von 0 auf 70% Verständnis zu bringen. Aber die letzten 30% funktionieren halt nicht mit KI. Aber viele Faktenfragen kann man sich schnell mal raufholen, um dann ein besseres User-Interview mit besseren Hypothesen zu führen. Aber ich habe tatsächlich auch die Erfahrung gemacht, dass sobald man einmal den echten Insight drin hat, dass es mein Gefühl, meine Empathie eher wieder bremst und wieder auf ein allgemeineres Niveau bringt, wenn ich von da aus wieder einen Schritt zurück mache. Aber gleichzeitig Wahnsinn, wie schnell die 70% zustande kommen. Wenn wir uns mal von dem Thema User Research lösen und mal an das Thema Dokumentationen im Groben und Ganzen denken. Also was habe ich in den letzten 12, 13 Jahren Produktarbeit und du wahrscheinlich auch an Dokumenten und Requirements und PRDs und User Stories etc. etc. geschrieben? Wie ist da deine Perspektive drauf?
Büşra: Da bin ich auch zwiegespalten. Also ich, auf der einen Seite bin ich total begeistert davon, wie schnell man Dokumente inzwischen erstellen kann. Hey, das ist so eine Erleichterung. Weil es wird ja auch sehr stark und sehr schnell als Monkey-Work gesehen. So und und also vor allen Dingen User Stories schreiben und so weiter. Das ist alles Monkey-Work. Und du hast halt PRDs erwähnt. Es gibt inzwischen so viele Templates. Man braucht sich einfach nur eins aussuchen. Die Research machen davor, wovon wir gesprochen haben. Und dann mit der AI sich überlegen, was ist jetzt eigentlich das Kernproblem? Was ist die Lösung? In welche Zielgruppe geht es, sich die sich einmal entscheiden? Und dann vielleicht auch nur eine Sprachaufnahme machen von den eigenen Gedanken rein in die AI und zack, füllt es dir dein PRD-Template aus. Das ist Hammer. Ich habe gerade ein Strategiedokument aufgesetzt für einen Kunden von mir. Komplett innerhalb von zwei Tagen Recherche über Perplexity, ein Strategietemplate mir bauen lassen, was spezifisch für diesen Kunden gemacht ist und so, was auf seine Bedürfnisse passt und dann meine Gedanken nach meiner Recherche, Meinungsbildung und so weiter, meine Gedanken reingefüttert und zack, hat es das Strategiedokument aufgesetzt. Ich war so, wow, Hammer. Auch andere Dinge, also mein Zeitproject, ja, also ich erstelle PDFs automatisiert. Ja, gut, das konnten wir auch vorher mit den ganzen Automatisierungstools, ne. Jetzt kann ich aber erstmal noch einen Agent drüber laufen lassen. Hey, hat diese Person eigentlich schon bezahlt oder nicht? Nein, okay, dann mach mal jetzt einen Zahlungserinnerungs-PDF. So und zack, macht es das für mich.
Jan: Und dann personalisiert auf die Person, oder?
Büşra: Genau, gut, auch das Personalisierte konnten wir früher schon machen, ja. Ich bin seit 2019 in der Maker-Community. Eigentlich nennen wir das Maker, also die ganzen Leute, die halt mit, es gibt ja die Indie-Hackers, das sind ja Developer, die halt auch Produkte bauen und so weiter. Und diejenigen, die halt nicht Developer sind und mit No-Code-Tools oder eben heute AI-Tools ihre Produkte bauen, die nennt man halt Maker. Heute nennen wir das irgendwie Builder und Product Builder und Product Creator und whatever. Aber eigentlich ist das Original-Sprache Maker. Und in der Maker-Community, da haben wir das schon lange vor AI gemacht, einfach automatisiert, personalisiert, PDFs zu generieren. Aber der AI-Knick davor ist halt noch die ganze Sache in Richtung die Recherche vorherzumachen. Also den Agenten zu sagen, wenn der das noch nicht bezahlt hat, dann schreibt daraus ein PDF. Und eben nicht mehr über N8N oder Make die ganzen Verknüpfungen zu machen, muss man trotzdem noch. Also das stimmt nicht, das können wir gleich streichen. Also muss man trotzdem noch. Aber eben diese ganzen tedious Work davor muss man nicht selber machen.
Jan: Also den Punkt verstehe ich total gut. Ich bin selbst immer ziemlich zwiegespalten, selbst bei so Themen wie User Stories, weil ich das Gefühl habe, und da bin ich gespannt, was du dazu zu sagen hast, weil ich das Gefühl habe, dass wenn ich...
Büşra: Wir reden nicht mehr.
Jan: Ja, wir reden nicht mehr. Und ich wollte noch auf einen anderen Punkt hinaus. Wenn ich schreibe, zwingt es mich, wirklich mich mental aufzuräumen. Also selbst wenn ich eine einfache User Story als PM geschrieben habe in der Vergangenheit, fielen mir beim Schreiben wirklich für einfachste Features doch noch mal auf, ach Mist, was passiert denn, wenn das Dropdown in dem State geschlossen wird? Das habe ich gar nicht bedacht. Und diese Sachen, es schärft so mein Denken und ist dann der zweite Aspekt, wäre dann die Kommunikation, das Reden tatsächlich. Ich brauche auch nicht 20.000 Dokumente in ewiger Länge, sondern ich brauche Klarheit. Ich brauche die Dinge, die ich mir merken kann. Ich brauche kondensierte Gedanken. Wie ist da so, du siehst ja auch einige Kunden, wie ist da so deine Perspektive darauf, was das mit diesen Prozessen gerade macht?
Büşra: Ja, genau. Also mein Concern ist vor allen Dingen, dass wir... Wir reden nicht mehr miteinander. Das sehe ich sehr stark. Gerade am Anfang, wo es dann hier sehr cool ist, lass mir einfach die User Story schreiben, das ist so geil, ne? Dann wird das halt reingeschmissen ins Team. Und wir haben ja vorher schon nicht gut genug geredet, ja. Wir hatten ja vorher schon das Problem, dass es in vielen Unternehmen so war, dass die Engineers kaum nachgefragt haben, was das eine oder das andere zu bedeuten hätte. War ja auch schwierig, weil ja einfach nur Prozesse eingehalten wurden und so weiter. Und man hat dann erst die Thematik verstanden, wenn man in den Code reingeguckt hat. Und bis dahin war so wie, PM sagte dann so, boah, ich hab ja meine Arbeit gemacht. Ich hab jetzt hier die User Story geschrieben, mit so einem der Engineer machen. Und das ist ja sowieso so ein Knackpunkt, an dem ich mit meiner Arbeit ansetze, dass wir mehr in den Austausch gehen, mehr miteinander reden. Und eine User Story im Prinzip nur ein Output eines Alignments ist quasi. Weil wir jetzt verstanden haben, worum es geht, dann schreiben wir jetzt die User Story. Und eben der erste Concern, den ich hab, ist halt, dass genau diese Bestrebungen jetzt wieder unterwandert werden. Weil es so einfach ist, eine User Story zu schreiben und sich die Leute auf bequem, also sich darauf bequem machen. Klar, verständlich, ein PM hat nicht so viel Zeit, muss die ganze Zeit so viele Sachen machen. Also verkürzt er die Zeit an den Stellen, wo er denkt, hier ist meine Zeit nicht gut investiert. Und das verstehe ich auch. Was kann man da anders machen? Man kann trotzdem einhalten zu sagen, hey, den ersten initialen Wurf, mach mir die AI. Wir nehmen das trotzdem als Grundlage zum Reden. Und da komme ich zu deinem Punkt. Concern Nr. 2, ja, wo ist das Deep Thinking dahinter? Es gibt solche und solche Menschen. Es gibt Menschen, die sich klarer werden, während sie schreiben. Es gibt Menschen, die klarer werden, während sie reden. Und das Schreiben ist quasi nur die Dokumentation der Clarity, die sie bekommen haben beim Reden. Ich bin so ein Typ zum Beispiel. Aber auch wiederum ja. In dem Moment, wo es schwarz auf weiß steht, kann man nochmal drüber nachdenken und überlegen. Und so ging es mir auch damals. Und nochmal überlegen, habe ich jetzt wirklich alles abgedeckt? Oh, ich merke, diesen Fall habe ich ja gar nicht abgedeckt. Und dann noch ergänzen und hinzufügen. In beiden Fällen stimme ich dir zu. Wir überspringen die Details inzwischen. Wir sehen sie nicht mehr. Und ich rede gar nicht über User Stories. Also noch nicht mal das, sondern wirklich die Ebenen darüber. Auch in PRDs sehen wir die Details nicht mehr. In Strategiedokumenten sehen wir die Details nicht mehr, weil wir selber nicht schreiben. Und die Edge-Cases nicht bedenken. Warum bin ich so kritisch oder eigentlich sarkastisch, weiß ich nicht, gehässig, was User Stories angeht? Weil ich glaube, User Stories sind wirklich unser geringstes Problem. Irgendwie kriegt man das dann noch gelöst, weil mittendrin irgendwie im Auffällt, wir haben diesen Edge-Case nicht bedacht. Und dann kann man das immer noch besprechen und eine Lösung für finden. Also außer in Teams, wo der Prozess ist, steht nicht im User Story, schicke ich zurück, mach dir weiter Gedanken drüber.
Jan: Dann hat man eh andere Probleme.
Büşra: Ganz genau, ganz genau das ist das Problem eigentlich ein anderes. Und ich sehe die größere Problematik eher da drüber. Also auch das Leadership macht es sich inzwischen sehr einfach. Und lässt sich halt eben irgendwelche strategischen Dokumente ausspucken, ohne selber nochmal reinzugehen und zu sagen, so, jetzt lese ich mir das nicht nur durch nochmal, sondern jetzt schreibe ich mal richtig Prosa und die Narrative und schaue im Detail, ob meine Strategic Choices auch richtig sind und ob das meinen Teams gut genug eine Richtung gibt. Und auch auf der Ebene passiert das nicht mehr.
Jan: Ja, was schade ist, wenn es nicht passiert, weil das ist der Punkt. Du hast gerade angesprochen, du schaffst deine Gedanken beispielsweise eher durchsprechen. Bei mir funktioniert Schreiben sehr viel besser. Aber diese Arbeit, dieses Rauskristallisieren, worauf kommt es wirklich an, was ist der Kern des Narrativs, wo sind links und rechts die Kanten, die Edge-Cases und wie kann ich jetzt wirklich Verständnis dafür herstellen, dass die Leute verstehen, was ich hier meine, sei es auf der Strategie-Ebene oder runtergebrochen auf das, was in einem Ticket steht. Das ist ja, finde ich, die Herausforderung, da wirklich Klarheit reinzukriegen. Und ich habe auch das Gefühl, das wird nicht leichter, dadurch, dass Text automatisch generiert werden kann.
Büşra: Ja, absolut. Ist jetzt hier keine Videoaufnahme, ich bin die ganze Zeit am nicken. Ja voll, ich bin voll bei dir. Und es birgt sogar nochmal, ich sage mal Second-Order-Effekt-Risiko. Diejenigen, die ihre Tools, ihre AI-Tools super gut beherrschen, die kommen vielleicht sogar mit allem durch. Und das heißt, ich weiß jetzt nicht mehr, welche Company das war, aber ich habe von einem Freund gehört, dass bei ihnen eine PM entlassen wurde, weil sie halt mit allem, was sie vorgestellt hat, super gut durchgekommen ist. Also hier die strategische Richtung sollte dies sein, wir sollten diese Features bauen, lalalala. Und dann am Ende irgendwie gegen die Wand gefahren ist. Und dann hat sich am Ende herausgestellt, dass sie sich einfach alles von der AI hat geben lassen. Also, dass da kein critical thinking mit drin war, dass es nicht ihre Meinungen war, dass sie nicht hinterfragt hat und so weiter. Und dann wurde sie entlassen. Ich weiß nicht mehr, welches Unternehmen das war, welche Freundes das war. Das war irgendwann vor anderthalb Jahren oder so. Das ist jetzt auch länger her. Inzwischen sind die Models ja viel, viel, viel, viel besser. Und wir wissen viel besser, wie wir mit den Tools umgehen müssen. Das heißt, wenn man den, und das mache ich immer, wenn man denen sagt, hey, hinterfrage mich, challenge me, challenge my thinking, show me my gaps, tell me what is good, tell me what I'm missing, tell me what is not good enough, dann schaffen sie es uns auch kritisch zu unterfragen und guter sparring Partner zu sein. Aber Menschen, die das nicht machen, die kommen durch. Die fliegen unterm Radar, die kommen durch und dann bauen wir wieder schlechte Produkte, weil wir alle darauf reingefallen sind, dass wir das und das machen sollen, was am Ende nur ein Ausdruck einer AI war.
Jan: Ja, die kommen zumindest oft durch, aber das Beispiel, das du gerade genannt hast, ist ja auch ein Beispiel für irgendwo fährt man dann eventuell doch gegen eine Wand. Und ich kann auch sagen, dass ich auch mit einer Hand von Leuten zusammengearbeitet habe, wo ich irgendwann mehr und mehr den Eindruck bekommen habe, Moment, das sind immer so glatte Texte. Aber wie viel Substanz ist da eigentlich? Ich glaube, je enger die Zusammenarbeit wird, desto mehr fällt es dann doch auf. Und man stellt sich die Frage, ja gut, dann kann ich auch ein LLM prompten und brauche dich nicht in der Zusammenarbeit. Und ich glaube, das ist ein Standding, den wir alle nicht wollen.
Büşra: Ja, gut. Wobei, Text kann glatt sein. Das ist für mich nicht das Problem. Für mich ist das Problem, was sagt der Text aus? Da müssen wir reingucken. Und dann ist es halt ein super glatter Text. Also vor allen Dingen, wenn es ums Englische geht, sind nur die Englisch-Natives die Englisch-Natives. So, dann dürfen wir uns ruhig mal gerne der AI bedienen, dass es uns glatte Texte rausspuckt. Wichtig ist wirklich, dass da nicht eher was drin steht. Und da muss man halt reinschauen.
Jan: Hm, klar. Sondern was ich meine ist, wenn dann immer alles allglatt aussieht, da bin ich inzwischen so ein bisschen skeptisch. Weil, ne, ähnlich wie...
Büşra: Da guckst du nur mal zweimal rein, ob der Inhalt stimmt.
Jan: Genau, da guck ich zweimal rein, genau.
Büşra: Ja, ja voll. Das mach ich aber auch so, ja.
Jan: Ja, kommen wir vielleicht mal zu... Das sind ja jetzt alles so Sachen, die man irgendwie zynisch und kritisch betrachten kann oder als Chance betrachten kann. Es gibt ja auch ein paar Sachen in unserem Toolkit, die einfach dazugekommen sind. Wie zum Beispiel, wenn wir mal an Prototypisierungen mit Tools wie Figma Make oder Lovable denken. Wie siehst du da den Einsatz von solchen Werkzeugen, die einem im Prinzip in einer Minute klickbare Prototypen herstellen, die dann eventuell auch ganz andere Ideen abbilden, auf die man gar nicht gekommen wäre?
Büşra: Das ist so super interessant. Wo soll ich anfangen? Oh Gott. Also, ich fange mal damit an, so ein paar Anekdoten, was ich schon alles gesehen habe. Ich habe gesehen, wie ein Sales Team, ein Lovable Prototype an ihre B2B, an ihre Kunden verkauft hat und dann zum Product Team gegangen ist und gesagt hat, so das habe ich verkauft, baut das doch mal. Und das Product Team, die Hände über den Kopf geschlagen hat und gesagt hat, ganz genau, also sorry, unser System funktioniert so nicht. Wenn wir das bauen, sondern das dauert mindestens mal zwei Jahre, wir müssen uns ganze Architektur umstellen. Was hast du dir dabei gedacht?
Jan: Das ist Sales Driven Development auf Stereoiden.
Büşra: Ganz genau, ganz genau. Also das ist so ein so, ich denke sehr gerne an diese Geschichte. Es ist ein super Niche Hersteller und was auch immer der sich dabei gedacht hat. Okay, whatever. Auf der anderen Seite aber denke ich auch an ein Team, das sich einfach nur eingesperrt hat einen Tag lang und quasi einen Designsprint an einem Tag gemacht hat mit Hilfe von synthetischen Usern, ja, mit Hilfe von Perplexity Research und so weiter und sich dann einfach zusammengesetzt hat und geprototypt hat. Einfach nur die Lösung geprototypt. Also ein Tagesdesignsprint und dann halt, als Follow-up diesen Prototype vertesten zu lassen und Feedback einzuholen und so. Also schon sogar erst das Feedback über die LLM bekommen, über die synthetischen User und so weiter. Also das alles an einem Tag gemacht, um halt auf den Prototypen zu iterieren und dann halt als Follow-up dann mit echten Usern nochmal gegenzuprüfen. Das ist Hammer!
Jan: Also hat man so schon mal so ein Artefakt, das sich an der Realität reiben kann und abschleifen kann.
Büşra: Ganz genau. Dann ist das nochmal natürlich nur uns jeder zu betrachten. Also letztendlich ein Learning ist zum Beispiel, wenn die UI schon so hübsch aussieht. Also mal abgesehen davon, dass es irgendwie mal so, dass ein ähnliches UI ist, ist egal, ne? Wenn es so hübsch aussieht, dann läuft man oft Gefahr, dass beim Usability-Test die Leute, also die User, die wir da im Usability-Test haben, sich eher auf die UI konzentrieren und sagen, ich verstehe nicht, warum der Button da ist oder, gut, das wäre sogar noch UX teilweise, ich kann diese Font nicht lesen, ich kann, was weiß ich, sich eher darauf konzentrieren, als auf den Wert. Und warum ist das kritisch in dem Moment? Weil wenn man mit Lovable ein Prototyp macht, wo man eigentlich primär den Wert dessen, was man da bauen möchte, vertesten will und schauen will, ist das etwas, was für ein Thema Desirability, der Value Risk, ist das etwas, das unsere Nutzergruppe hier, die wir gerade interviewen, begeistern würde und sie sich aber eher an der, ja, auch teilweise UX aufhalten, teilweise an der UI, dann kriegen wir nicht die Informationen raus, die wir eigentlich haben wollten.
Jan: Ja, weil die Leute zu sehr auf die Details achten, anstatt zu gucken, ist das große Ganze überhaupt sinnvoll.
Büşra: Genau. Und bei Teams, wo wir das mal so ausprobiert haben, sind wir zum Beispiel zurückgerodert und haben gesagt, okay, für Value-Tests machen wir ganz bewusst keine High-Fidelity-Prototypes, sondern wir machen Low-Fidelity-Prototypes, die einfach nur das Konzept rüberbringen sollen, um abzuchecken, ist das etwas, was sie wollen oder nicht. Sodass die High-Fidelity-Prototypes wirklich für User Experience und UI gedacht sind. Und die machen wir in den Teams tatsächlich auch nicht mehr mit Lovable, sondern die haben eben schon Figma und dann geht es halt über Figma Make.
Jan: Ja, der Gedanke, der mir gerade durch den Kopf geht, ist, dass das im Prinzip eine alte Thematik neu aufmacht, weil ich kann gar nicht zählen, wie oft ich mit Designpersonen in meinem Team gerade diese Diskussion hatte, gehen wir da jetzt mit Pen & Paper und irgendwie so einem Wireframe-Style-Prototypen rein. Oder benutzen wir einfach auch vor AI unsere Design Library, das dauert jetzt auch nicht länger, aber mit fertigen Komponenten etc. Glaube ich auch, dass der Blick auf was anderes geht, aber ich verstehe auch jede Designperson, die sagt, das geht aber auch genauso schnell und dann ist es auch greifbar. Und es ist glaube ich ja eine spannende Diskussion, die nicht neu ist, aber jetzt natürlich neu aufgemacht wird, weil jede Person mit einem Satz in Figma Make oder in Lovable einen Prototypen erstellen kann, der halbwegs so aussieht, wie er aussehen soll.
Büşra: Und dazu habe ich zwei weitere Punkte. Und ich glaube, das sind so eher die spannenderen Punkte. Also der eine von diesen zwei Punkten ist, da denke ich ganz konkret an einen Kunden von mir. Wenn man in einem Unternehmen arbeitet, wo es simply keine Designer gibt oder ein Designer, wie in dem Fall für zighundert Menschen, dann ist Lovable so ein Lovable Prototype, aber auch sehr, sehr hilfreich. Es gibt die Möglichkeit, sein eigenes CI-CD auf Lovable zu übertragen. Das kann man machen. Man kann da über Templates gehen, man kann da über Module aufsetzen und so. Das geht schon. Und er hat zum Beispiel in Lovable eine Lösung bauen lassen. Die Arbeit mit einem Externen, er hat dann eine Lösung gebaut, auch mit echten anonymisierten Daten gefüttert, also quasi dummy data, aber aus echten Daten zusammengestellt und anonymisiert. Und das hat er über ein iFrame in die echte Lösung, die existiert und die sie gebaut haben, embedded und das nimmt er jetzt für seine Experimente und guckt, ob diese Funktionalität noch, bevor sie es gebaut haben, gut ankommt oder nicht. Weil das Bauen und vor allen Dingen auch die Integration und das System, das sie jetzt gerade haben, wäre sehr kostspielig. Und das vertestet er jetzt. Beziehungsweise der Test ist vorbei, Hypothesen validiert, kommt gut an, die werden jetzt das bauen. Und das haben sie innerhalb von zwei Monaten validiert, was sehr, sehr schnell ist in dem Bereich, wo sie arbeiten. Statt lange zu bauen und dann vielleicht doch festzustellen, oh, das ist es gar nicht. Und während sie das vertestet haben, haben sie eben gleichzeitig eine Art Usability-Test-Feedback natürlich auch bekommen und haben das angepasst, bevor sie eben all das gebaut haben. Und das ist ein richtig geiler Case. Und das ist richtig Empowering. Das ist so der eine von den zwei spannenden Cases.
Jan: Und der zwingt einen dann wahrscheinlich auch das Experiment, den Proof of Concept, den man da gebaut hat, wirklich Proof of Concept sein zu lassen und den Code wegzuschmeißen und es richtig zu bauen. Ganz genau. Anstatt dass der Durchstich, der als Provisorium gedacht war, auf einmal, auf ewig in Production lebt.
Büşra: Das haben wir tatsächlich bei Doodle damals gemacht. Mein letzter Arbeitgeber war ja Doodle. Wenn man heute auf Doodle geht, dann sieht man Doodle One-on-One und Booking Pages. Booking Pages hieß Bookable Calendar zu meiner Zeit. Die sahen auch alle ganz anders aus, aber die zwei zum Beispiel haben wir in meinem Team gemacht. Wir haben wir in meinem Team gebaut. Gerade Doodle One-on-One war ein richtig Diskussionsthema, weil das haben wir als Prototyp gebaut. Da mussten wir das aber live nehmen. Dann hat es die Ewigkeiten als Prototyp Code existiert. Und mit Bookable Countdown haben wir von scratch sauber aufgebaut.
Jan: Ja, so ist es.
Büşra: Genau. Und dann haben wir das wirklich in den Engineering-Reaktionen gesehen. Diejenigen, die mit Doodle One-on-One gearbeitet haben, haben so geflucht. Und diejenigen, die mit Bookable Countdown gearbeitet haben, die waren so, ja, alles normal, whatever.
Jan: Ja, das ist leider die heimliche Lüge, die sich alle Teams erzählen müssen. Das ist ja nur ein Experiment, das kommt dann weg. Genau, ja, ja. Wenn es funktioniert, kommt es leider nie weg.
Büşra: Richtig. Und jetzt mit Loveable, wie du sagst, kann man sie wirklich einfach wegschmeißen. Der zweite richtig geile Case, der sich jetzt damit eröffnet hat, ist, wie schnell Teams, also ob jetzt Trio, Quattro, Quintet, whatever, Cross-Functional-Team, ich bin ein bisschen sarkastisch mit den Namensgebungen.
Jan: Ich höre es ja.
Büşra: Kann ich den Berliner nicht zurückhalten. Also wenn halt das Cross-Functional-Team, sage ich jetzt mal, sehr schnell ein gemeinsames Verständnis dafür aufbauen kann, was eigentlich gemeint ist. So, und da denke ich an einen anderen Kunden von mir, setzen sich inzwischen die PMs hin, teilweise auch die Designer, also egal, prompten was, bis es irgendwie so irgendwas macht, was sie im Kopf hatten. Und damit gehen sie in ein Gespräch mit den Engineers, guck mal etwas in die Richtung, la la la, etwas, das, das und das und das kann. Ist es etwas, was wir in unserem System bauen können? Was denkst du dazu? Wie könnten wir das bei uns anwenden? Und dann kommen sie in richtig, richtig, richtig schöne Gespräche mit den Engineers rein. Das, was die Engineers sagen, das prompten die PMs oder die Designer, je nachdem, wer gerade mit denen spricht. Und das klingt so wie Silo. Sie arbeiten wirklich sehr eng zusammen. Und immer dann, wenn sie ihre Gespräche und ihren Austausch haben zu dem nächsten Feature und so weiter, dann setzen sie sich halt zusammen. Die bereiten schon was vor, was sie meinen, die Designer oder die PMs, damit sie nicht einfach... Das ist so ein Learning, dass sie es nicht in dem Gespräch prompten. Manche machen das auch, wenn sie von Null anfangen und jetzt nicht so genau wissen, worum es geht. Aber immer dann, wenn sie so eine Idee davon haben, worum es gehen soll, dann bereiten sie sich schon vor mit einem Prototype. Aber so oder so, dass sie halt im Gespräch live prompten, ob jetzt um was Neues zu bauen oder das zu intervieren, das ist hammergeil. Und sie kommen viel schneller auf den grünen Punkt, wo sie sagen, okay, es soll das können aus dem und dem Problem heraus, weil wir das und das anders machen wollen, können wir aber nicht exakt so machen, wie hier gepromptet im Prototyp. Wir können es aber so und so und so machen. Ah ja, meinst du das so? Zack, zack, zack, zack, zack. Ja, genau, dann würde es halt so funktionieren. Ist das in Ordnung für euch? Mal gucken, wie fühlt sich das an? Ja, okay, fühlt sich gut an. Komm, lass uns machen. Fertig. Das ist hammergeil.
Jan: Total.
Büşra: Weil ich noch nicht sehe, wie die an Speed gewonnen haben, alleine dadurch, dass sie sich einfach in einen Raum setzen, für ein, zwei Stunden manchmal. Und dann ist es dann fertig.
Jan: Ja, und gerade auch vielleicht ergänzend noch zu dieses Thema von den ganzen Interaktionen. Was genau macht das denn jetzt? Was genau passiert dann da? Also wie viel Zeit ich früher mit Engineering-Teams damit verbracht habe, überhaupt mal darüber zu reden. Nee, nee, dann gibt es hier eine kleine Animation und das klappt dann um. Aber fühlt sich das auch gut an? Wie genau kann man sich das denn vorstellen? Das ist ja oft schon zwei Drittel des Termins gewesen. Und über die eigentliche Substanz dahinter hat man dann oft kaum geredet, weil man dieses Verständnis erst mal herstellen musste, was man jetzt einfach zeigen kann. So funktioniert die Interaktion. Guck es dir an. Und dann ist es sofort spürbar, ob es sich gut oder schlecht anfühlt. Ja, das ist glaube ich wirklich so ein total revolutionärer Bereich für die Arbeit. Und auch alles, das sind ja keine Artefakte, die sich vorher nicht herstellen ließen. Nur die Geschwindigkeit, mit der man jetzt drauf iterieren kann, gerade in der Prototypisierungsphase, wo die Sachen weggeworfen werden, die Geschwindigkeit und wie greifbar man das machen kann, würde ich da mal zusammenfassend sagen, das ist halt einfach eine Qualität, die hat man so vorher auf gar keinen Fall erreicht.
Büşra: Ja, voll.
Jan: Ja, und um nochmal einen weiteren Aspekt aufzuwerfen in der Produktarbeit, wie siehst du das ganze Thema rund um Datenanalysen? Wir haben ja in den meisten Organisationen Tonnen über Tonnen von Datenmaterial, das mir in meiner Discovery-Arbeit als Product Person helfen kann. Was hast du da für Ansätze beobachtet, bei deinen Kontinenten, die gut funktionieren?
Büşra: Das ist so ein bisschen schwierig. Also bei vielen haben wir noch nicht so den Dreh rausgefunden, weil das Schwierige dran, also es ist multidimensional. Das eine ist, du hast da echte Daten. Wem vertraust du deine Daten an? Das ist ein sehr großes Thema in allen Companies gerade. Weil letztendlich, ja, du kannst eine Chat-GPT-Enterprise-Version haben, aber es ist secure by policy, nicht secure by architecture. Und das kann sich jederzeit ändern. Du hast keine Ahnung, welche Deals sie im Hintergrund mit Governments oder sonst was haben. Und das ist ein riesen Thema, warum es generell die Adoption so ein bisschen verlangsamt. So das ist so die eine Facette. Also auch ein Notebook-LLM oder so, ja, schmeiß doch deine Daten rein und dann erzählst es dir was. Notebook-LLM ist Google. Same Topic, so, ne? Also es ist so alles so. Und gerade bei Datenauswertung sind die Leute sehr vorsichtig. Gleichzeitig gibt es die Teams, die ihre Daten gerade anonymisieren. Das kann man machen. Und wo es dann halt auf User-Level nicht ersichtlich ist, natürlich wer was macht. Trotzdem in Verbindung mit deiner Company, dass deine Company bei dem und dem Thema so und so performt, ist halt immer noch heikel, aber sie gehen den Schritt und machen das. Diejenigen, die das ausgetestet haben, habe ich letztens erst wieder einen Call mit dem Team gehabt, die sagen dann halt auch, na ja, shit in, shit out, können wir nichts mit anfangen, wir haben es probiert. Aber das, was es uns ausspuckt, ist so nicht verwertbar, weil eben die Systeme nicht verstehen, wie unsere Daten aufgebaut sind. Und weil wir selber auch lückenhaft tracken. Deswegen habe ich keine schlauen Insights daraus bekommen. Kein schlaues Reporting machen können, ging nicht. So und auch da ist jetzt so der nächste Ansatz, okay, müssen wir vielleicht doch in unserem eigenen System arbeiten, eben Open Source-Produkte nehmen, die dann halt bei uns laufen. Und dann eben wieder das Thema Rack, können wir unsere Daten irgendwie in einem Rack halten und dann haben wir Open Source-Tools, die bei uns laufen, die dann darauf zugreifen und so weiter. Da habe ich noch keine schlaue Antwort drauf. Und ich bin da auch stark am Beobachten, was da passiert. Und nochmal, da gibt es auch natürlich die Unternehmen, die weniger Privacy-sensitive sind. Die machen einfach, die nehmen einfach ihre Daten, hauen ein LLM drüber und hoffen darauf, dass sie gute Ergebnisse kriegen. Aber nochmal, also wo ich jetzt halt bei meinen Kunden sehe, dass die Ergebnisse einfach wirklich oft nicht zu gebrauchen sind, bin ich da skeptisch, ob die nicht Privacy-concerned, oh Gott, voll das Ding.
Jan: Ob es das wert ist, so diesen Trade-off einzugehen?
Büşra: Ja, also ob es ihnen überhaupt was bringt. Und dann eben diesen Trade-off einzugehen, dass sie ihre Daten geben, ohne dass sie wirklich sinnvolle Ergebnisse rausbekommen. Kann ich nicht sagen, ich weiß nur, dass einige Freunde haben davon erzählt, dass sie das jetzt versuchen wollen. Okay, macht es, wenn es was bringt. Let me know, dann weiß ich, dann kenne ich endlich einen Weg, der was bringt. Aber bisher habe ich noch keine schlaue Antwort darauf bekommen, tatsächlich.
Jan: Also ich kann eine Sache teilen, die ich sehr vielversprechend finde, mit der ich einige Proofs of Concept gemacht habe. Und zwar ist das im Bereich Data Warehousing. Oder Data Lake Housing, oder wie man es auch immer jetzt heute nennen will. Also wir haben auf jeden Fall ein System beispielsweise, in Databricks, beispielsweise in BigQuery, etc. in dem wir unsere Daten haben in okay aufbereiteter Form. Also da sind wir wieder bei diesem Shit-in-Shit-out-Thema. Wenn wir da einfach sehr schlechte Datenqualität haben, dann kann da auch nichts Sinnvolles bei rauskommen. Ich bin allerdings ziemlich beeindruckt von dem, was in modernen Data Warehousing möglich ist inzwischen mit LLMs, die halb bei Architecture sicher sind, weil am Ende die Modelle selbst gehostet werden. Also das heißt, man redet beispielsweise nicht mit dem Anthropic Server, sondern mit dem Server von Databricks, aber am Ende hosten die trotzdem das Modell. Das heißt, es ist eine andere Policy, an die man sich anschließt. Aber wie dem auch sei, die Möglichkeit allen Business-Stakeholdern, die kein Sequel können, die eventuell die Datenstruktur nicht kennen, etc., etc., dass die einfach in das interne Data Warehouse reinschreiben können, wie viele Nutzer haben sich im Oktober letzten Jahres über Marketing-Kanal X registriert und eine Antwort dazu bekommen. Das ist schon eine Qualität, wo ich sage, ach, das ist krass, weil so diese ganze Analystentätigkeit wieder auch ein Stück für einfache Anfragen einschränkt und den Leuten natürlich dann hoffentlich mehr Zeit gibt, komplexere Sachen zu machen. Aber gleichzeitig auch jeder schnell eine Antwort bekommt.
Büşra: Darüber müssen wir uns dann unbedingt unterhalten, dann müssen wir ihm mal Details erzählen, wie das funktioniert.
Jan: Ja, sehr gerne.
Büşra: Ja, das ist auch etwas für den einen oder anderen. Also was mir halt sehr stark auffällt, also das, was du erzählst, das haben wir früher bei Doodle aufgebaut. Als ich damals bei Doodle angefangen habe, da hatten wir gar keine Dateninfrastruktur. Also wir haben noch nicht mal richtig ordentlich irgendwie im Frontend getrackt, also wirklich fast gar nichts hatten wir. Wir haben dann über die fast drei Jahre, wo ich da war, die Dateninfrastruktur überhaupt erst aufgebaut. Und das, was du mir erzählst gerade, ist so wie, das haben wir auch schon immer so gemacht. Und das, was sich jetzt verändert, ist quasi der Zugriff auf die Daten. Dass wir eben nicht mehr, wie du sagst, also wir haben damals Metabase benutzt und das war auch ein bisschen ohne SQL. Also einfach klick dir deine Query zusammenmäßig und dann Next-Level, Next-Less-Technical-Level ist dann halt, schreib deine Frage rein und das antwortet dir so ein bisschen. Und es bringt mich immer wieder auf denselben Punkt. Letztendlich geht es beim Thema Datenauswertung immer um Data Cleansing. Es geht immer darum, die Daten so aufzubereiten, dass man sie überhaupt nutzen kann. Das heißt auch beim Thema, wie nutzen wir LLMs mit unseren Daten, kommen wir nicht um den Punkt herum, unsere Daten aufzuräumen. Das geht nicht anders. Umso stärker jetzt sogar, weil sonst das Risiko, dass das LLM uns irgendeinen Blödsinn erzählt, steigt umso mehr. Und weil wir dem immer glauben, weil es uns ja Fleece-Text rausgibt und wir glauben dem ja, was uns AI gibt, muss es umso stärker monitored werden, was da eigentlich an Daten reinkommt und dann auch gesäubert werden.
Jan: Ja, absolut. Also Data Cleansing, das eine Thema. Das zweite, um das vielleicht einmal zu ergänzen, falls jemand Interesse hat, sowas selbst zu machen. Das Alignment der AI ist tatsächlich dann auch ein zweites großes Problem, weil diese Modelle dann relativ vanilla sind und auch sehr gerne eine Antwort geben, die die Datenbasis trotz klarer Daten nicht hergibt. Oder die Konzepte, die man reinwirft, dann irgendwie interpretieren und versuchen umzusetzen. Also AI Alignment ist dann ein zweites Thema, was man dabei beachten muss. Aber mit sauberen Daten und mit gutem Alignment hat man da tatsächlich sehr starke Ergebnisse.
Büşra: Ja, erzähl mir mal nachher mal mehr, was will ich wissen.
Jan: Genau, könnte man auch mal eine Podcast-Folge drüber machen. Gebt gerne Feedback, wenn euch das näher interessiert. Vielleicht mal ans Publikum gerichtet. Klopfen wir noch mal ein ganz anderes Thema ab. Was macht denn Gen.AI mit der Frage, wie technisch eine Produktperson sein sollte?
Büşra: Oh, das ist so ein Hot-Take-Ding, ne? Also, ich habe eine Short-Term und Long-Term-Antwort darauf. Short-Term-Antwort, wir werden immer noch, also die AI Adoption, die wird Jahre nehmen, wenn nicht sogar vielleicht ein Jahrzehnt oder, weiß ich nicht, zwei Jahrzehnte oder so. Das heißt, in dieser Übergangsphase werden wir immer noch Unternehmen haben, denen es nicht darum geht, dass ein PM technisch ist, sondern dass er an das ein PM Domain-Expertise hat, zum Beispiel Domain-Expertise wird immer wichtiger. Tief im Fintech drin, keine Ahnung, tief im Health-Bereich drin, tief im Productivity-Bereich drin, whatever. Und in diesen Unternehmen, die werden viel eher PMs suchen, die business-stark sind und Domain-Expertise haben. Also das ist so der eine Teil in einer Welt, wo AI nicht der Kern der Sache ist, aber zur Produktivitätssteigerung genutzt wird. Und das ist so. Das ist über, das wird auch überall so sein. Auch in den Companies, die ich gerade erwähnt habe, wenn nicht in den nächsten zwei Jahren, dann in den nächsten fünf oder sechs, sieben, acht Jahren, da wird es auch ankommen. In einer Welt, wo eben die ganze Monkey-Work von der AI irgendwie übernommen werden kann oder nicht sehr viel schneller daran machen werden kann, zählen andere Skills. Und das sind eben Domain-Expertise, das ist Critical Thinking, das ist Strategic Thinking, das ist Business Acumen, dass man viel, viel besser versteht, warum man das eine oder das andere machen sollte und das andere eben nicht und was es dazu braucht und wie man dahin kommt. Und das hat dann mit technischer Expertise gar nichts zu tun. Auf der anderen Seite kommen eben sehr wohl immer technischere Produkte, beziehungsweise in der digitalen Welt werden die Produkte durch AI immer technischer. Das heißt, dieser Punkt, mit dem wie technisch sollten PMs sein, naja, das, was wir heute als Technical PM nennen oder ein AI PM oder ein Data PM wird später einfach nur PM sein, weil das wird dann erwartet, dass du es kannst. Und das sehen wir halt auch in den Trends. Also klar, es gibt halt diese Big Stories wie Shopify, die halt sagen, ich erwarte, dass jeder PM, der sich hier bewirbt, auch coden kann beispielsweise. Das sind so die großen Dinge. Aber es kommen halt immer mehr Unternehmen dazu. Also LinkedIn macht das halt auch. Die Frage ist immer, wie bringen wir jetzt den Markt oder die PMs im Markt dahin? Und da sehen wir halt in den Unternehmen das Bestreben, ihre eigenen PMs mal dahin zu bringen. Viele Unternehmen haben jetzt Programme. Salesforce zum Beispiel, Zendesk, Salesforce, die haben ihre eigenen Programme, wie sie PMs aufbauen, dass sie das machen können. Also dass sie technischer werden, dass sie auch Code schreiben können mit den ganzen LLM-Tools und so weiter, dass sie halt alle so-called AI-PMs werden, was dann später halt einfach PM sein wird. LinkedIn macht das. Andere Unternehmen von Freunden, die ich jetzt vielleicht nicht nennen sollte, weil es nicht öffentlich ist, machen das. Also es gibt Programme dafür. Und das zeigt eine Trendanalyse. Dieser Trend zeigt, wie wichtig es wird in der Zukunft, dass PMs tatsächlich etwas technischer werden. Also es sind diese zwei Ebenen. Das eine ist, entweder wirst du technischer und wirst halt AI-PM, ohne dass du dann später AI-PM heißt und einfach nur PM heißt. Oder du gehst mehr Richtung Business- und Domain-Expertise und wirst der Commercial General Manager Style PM. Die Mitte wird es nicht mehr geben. Das ist so mein Hot Take.
Jan: Das ist schon mal eine spannende Prognose dafür, wie die PM-Rolle sich in den nächsten Jahren entwickelt. Was denn deine Vermutung, wie das Cross-Funktionale Team oder das Product Trio, wenn ich den Begriff jetzt doch nochmal hier reinbringen darf, wie sich diese Dynamik zwischen Engineering Product und Design verändert?
Büşra: Es wird meiner Meinung nach wieder auf das Unternehmen ankommen, aber im Großen und Ganzen sehen wir jetzt schon, dass die Rollen sich halt auch überschneiden. Also das haben sie ja vorher teilweise schon. Es kommt immer drauf an, in welchem Unternehmen man sich bewegt. Aber eben zum Beispiel diese Überschneidung zwischen PM und Designer, die gab es ja schon immer. Und dann hat man irgendwie diskutiert, wer macht jetzt was? Nein, das ist meine Rolle. Nein, das ist meine Rolle. Das ist meine Verantwortung. Nein, das ist meine Verantwortung. Aber jetzt ist es, es wird eher bei Design sein, dass es gewollt ist, dass sich die Rollen überschneiden. Jeder Engineer, der nicht Produktdenke hat, also was braucht der Kunde und so weiter, so-called Product Engineer, jeder Engineer, der das nicht kann, der wird es lernen müssen. Jeder PM, der nicht irgendwie, das Wort mag ich auch nicht, aber ich sage es jetzt einfach mal, Product Sense hat, Gott, ich habe es gesagt, ich habe Product Sense gesagt, oh mein Gott, der wird es aufbauen müssen. Jeder PM, der nicht coden kann, der wird Snippets of Code shippen können müssen oder zumindest halt bis zum PR bringen können müssen. Jeder Designer, auch Stand heute, jeder Designer, der nicht ein bisschen Frontend Coding kann und den Code nicht versteht, der hat heute schon Probleme, also vor AI schon Probleme, weil er dann die hübschesten Sachen design, die am Ende nicht umgesetzt werden können. Und bisher war halt die Antwort auf diese Skills, die sich gesammelt haben, war die Antwort, ja, Trio muss miteinander reden, Designer muss mit dem Engineer zusammen auf das Konzept kommen, Product Manager muss mit dem Designer zusammen auf die User Experience kommen, Product Manager und Engineer müssen zusammen gucken, was eigentlich wirklich machbar ist. Das ist die heutige Lösung dafür. Und die Zukunft sagt, diese Lösung werden wir fast schon nicht mehr brauchen in der Form, wie heute, weil jeder alles ein bisschen kann und selber ein Judgment darüber erstellen kann, ob das funktioniert, ob sich das gut anfühlt, ob das strategisch in die richtige Richtung geht und uns mehr Geld und mehr Kunden einbringen wird, ob das eigentlich überhaupt machbar ist, also ob wir das überhaupt bauen können in unserem System, da, da, da.
Jan: Ja, du hast vorhin diesen Makerbegriff einmal schon eingeworfen. Also, glaubst du dann, dass die, wenn ich dich richtig verstehe, vielleicht hat man einen gewissen Schwerpunkt noch auf einem der drei Themen, aber die Grenzen verwaschen und am Ende bauen alle?
Büşra: So ungefähr, genau. Und wir nennen das heute nicht mehr T-Shaped Person, sondern M-Shaped Person. Zwei Dinge solltest du auf jeden Fall irgendwie können.
Jan: Ja, spannender Begriff. Jetzt haben wir ziemlich viele Aspekte so im Detail besprochen, die sich verändern. Also wie verändern sich einzelne Techniken, wie ich vorgehen kann, was gibt es für neue Tools, die ich vorher nicht verwenden konnte. Wir haben relativ viel über Möglichkeiten gesprochen und so hier und da mal Critical Thinking zum Beispiel reingeworfen. Ich glaube, wir sollten aber so zum Abschluss schon auch noch mal einen Ticken mehr darüber sprechen. Ethik, Verantwortung, wie benutze ich all diese Dinge eigentlich vielleicht auf so einer abstrakteren Ebene richtig? Weil das, was wir gerade besprochen haben, ist ja jetzt auch ein Status Quo von heute. In einem Jahr wird es ein paar neue Tools geben, die wir heute nicht kennen und ein paar andere werden wir nicht mehr benutzen, weil sie zu schlecht sind für das, was wir machen. Was wäre denn so deine übergeordnete Leitschnur dafür, wie ich mich als PM mit Generative AI jederzeit verhalten sollte, egal wie es jetzt im Detail aussieht?
Büşra: Ja, ist ein guter Punkt. Jede Woche passiert irgendwas Neues und jetzt sind wir schon wieder veraltet. Also ich komme inzwischen auch nicht mehr hinterher. Ich glaube, das eine ist halt eben die Tools zu lernen, aber nicht die Tools selbst. Ob es jetzt Lovable oder Figma Make ist, ist völlig egal. Einfach mal ein bisschen herumzuspielen, um zu verstehen, was kann ich damit machen. Um mal noch den Punkt zu kommentieren, was du eben gesagt hast, dass eben nächstes Jahr vielleicht alles wieder ganz anders, vielleicht ist in zwei Monaten schon alles wieder ganz anders. Und vielleicht sind wir auch keine M-Shaped Teams mehr, sondern, I don't know, ganz anders, wie auch immer W-Shaped Teams oder sowas, wo du halt zwei Sachen richtig gut können musst und nur eine Sache so irgendwie und nicht eine Sache richtig gut und zwei Sachen irgendwie. Also, um da mal das zu kommentieren, wie man sich da besser oder gut navigieren kann, ist vielleicht auch zu sagen, I don't know, ich pick mir jetzt etwas und spiele damit rum und gucke, wie weit ich damit komme. Und ob ich dasselbe dann in dem Tool mache oder in dem Tool, egal, ich lerne mal überhaupt mal das Konzept und was das bedeutet und was es mit mir macht und was es mit dem macht, was ich jetzt hier mache. Um mal den Teil abzudecken und der andere Teil, den du erwähnt hast, wie sollten wir uns generell immer verhalten. Und da muss ich sagen, bin ich so ein bisschen pessimistisch unterwegs gerade, gleichzeitig aber auch hoffnungsvoll und ich rede gleich darüber. In einer Welt, wo wir Daten an ein System übergeben, wo das System durch private Unternehmen gebaut worden ist, das eigentlich unter Infrastruktur gelten sollte, ist es die Verantwortung eines jeden Einzelnen, fünfmal oder zehnmal drüber nachzudenken, ob das, was ich da jetzt eingebe, ich wirklich eingeben sollte oder nicht. Das strategische Dokument, von dem ich dir erzählt habe, für einen Kunden, es ist so schwierig, ein strategisches Dokument aufzusetzen, dass so anonymisiert ist, dass die AI nichts damit anfangen kann, um welches Unternehmen es geht und in welche Branche und so weiter. Und das habe ich nur hinbekommen, ich weiß auch gar nicht, ob ich es richtig hinbekommen habe, weil das ist ja eine Blackbox, wir wissen es nicht. Ich glaube, ich habe deswegen einen relativ guten Job gemacht, weil ich zwischen Tools hin und her gesprungen bin. Ich habe die Recherche, die ich bei Perplexity gemacht habe, nicht reingefüttert in Claude, sondern habe das als meine eigenen Gedanken rübergegeben. Das, was Claude irgendwie in eine Struktur gebracht hat, habe ich nicht so bei ChatGPT direkt reingebracht, sondern habe ChatGPT erzählt, also per Voice erzählt, was ich denke, um da ein Feedback zu bekommen. Und letztendlich alles, was ich dann zusammengestellt habe, ist durch mein Critical Thinking gegangen, durch meine Schlussfolgerungen gegangen. Und so habe ich das Papier zusammengestellt und nicht die AI die Schlussfolgerungen machen lassen. Also solche Salto's vorwärts und rückwärts machen zu müssen, sollte eigentlich nicht der Sinn der Sache sein, ist es aber gerade. Da können wir über US-Tech reden, da können wir über China-Tech reden, wie auch immer. Es ist, und by the way, die Policy von dem chinesischen Model ist stärker auf Privacy ausgelegt, als die US Models, muss man sich mal durchlesen. Zumindest Stand heute, weiß nicht, was sie da machen. Und wir sind in Europa und für Europa, und ich weiß nicht, ob du es gemerkt hast, in letzter Zeit pushe ich ja sehr stark für Europe Tech. Und in Europa haben wir gewisse Werte, und diese Werte basieren auf Privacy. Und diese Werte kommen nicht irgendwoher. Wenn wir als Unternehmen unsere ganzen Geheimnisse weitergeben, das, was wir als wichtig finden, als competitive advantage finden, dann haben wir kein competitive advantage mehr. Dann haben wir unsere Seele, unsere ganzen Daten, unsere ganze, unseren Playbook weitergegeben. Und wir wissen nicht, was sie damit machen. Die sagen, die machen nichts. Wer gibt uns die Garantie? Wir wissen es nicht. Sie arbeiten mit der NASA zusammen. Wir wissen es nicht, was die machen. Und jetzt kommt mein hoffnungsvoller Teil dazu. Es gibt Veränderungen auf dem Markt. Es gibt Projekte, die genau das tacklen wollen. Die sind leider von der Modellstärke noch nicht so weit, dass die gleichwertig wären wie die populären Models. Aber der erste Schritt ist, das kennen wir doch im Tag, erst mal lauschen und dann iterieren. Also meine Hoffnung ist, dass sie auf die Stärke kommen werden. Um mal ganz konkret drei Player hier zu nennen. Das eine ist Mistral. Das ist aus Frankreich. Das ist Open Source & Open Weight. Das zweite ist Apertus. Das ist die Swiss Ethical AI, Open Source & Open Weight, und nicht trainiert auf Copyrighted-Daten. Und das dritte ist LUMO von Proton. Und das ist so die highly encrypted AI-Version. Und ich bin da gerade voll dabei, mit dran herumzuspielen. Also meine Wetten liegen gerade bei Proton. Wenn sie das gut spielen, hey, dann haben wir in Europa endlich ein richtig geiles Privacy-First-AI-System.
Jan: Cool. Ja, ich habe tatsächlich mit Proton noch gar nicht gespielt, aber es klingt super spannend. Und ich bin da sehr bei dir. Es ist ein schwieriger Moment, in dem Infrastruktur privatisiert ist. Das würden wir auch nicht bei unserer Wasserversorgung wollen oder beim Straßennetz wollen.
Büşra: Ganz genau.
Jan: Wir wissen alle, was das für ein Ärger ist, wenn Autobahnabstriche separat bezahlt werden müssen. Wie nervig das schon ist. Und es ist eigentlich eh ein Unding, dass wir das in der digitalen Infrastruktur schon so lange anders machen. Das ist ja nicht nur neu mit AI. Ich meine, deshalb läuft das Internet auf AWS, Azure und der Google Cloud.
Büşra: Ganz genau.
Jan: Und das ist kritische Infrastruktur. Da wäre es schon sinnvoll, wenn man überlegt, wie man das von privaten Interessen zumindest ein Stück weit entkoppelt, um eine Grundversorgung immer sicherzustellen.
Büşra: Ganz genau. Und es ist jetzt nicht so, dass das irgendwie herbeihalozinierte Sorgen sind. Also wir haben Beispiele in der sehr nahen Vergangenheit, wie etwas, das eigentlich Infrastruktur sein sollte, neutrale, von den Staaten geführte Infrastruktur sein sollte, wenn die in privaten Händen liegt, wie sie auch missbraucht werden können. Also es ist kein Geheimnis, wie das Elon Musk, Starlink einfach mal kurz mal ausgeschaltet hat, um einen gewissen Kriegsvorteil herbeizuführen. Das ist offen, das steht überall und das ist bewiesen. Und trotzdem wird noch nicht mal richtig dagegen vorgegangen. Also solche Dinge passieren, sie passieren jetzt in unserer Lifetime. Wir sind dabei, wir erleben es und wir ignorieren es. Wir wissen aber, dass sie passieren. Und da stelle ich mir die sehr, sehr kritische Frage, was brauchen wir als Europa, um wirklich voranzukommen mit AI und den Nutzen von AI zu ziehen. Und für mich ist die globale Antwort darauf, dass wir unsere eigene ethikale AI haben. Privacy first. Und sogar wenn es nicht privacy first ist, trotzdem nicht etwas, was den US-Laws oder den China-Laws unterlegt, sondern etwas, was in europäischen Gesetzgebungen unterlegt.
Jan: Ja, das ist ein sehr guter Gedanke. Genau, das finde ich aber einen sehr starken Gedanken, den wir uns glaube ich alle durch den Kopf gehen lassen sollten. Noch mal zurückgebrochen auf das ganz Konkrete. Wir haben jetzt ziemlich viele Aspekte umgedreht, wenn ich jetzt als Produktperson zugehört habe. Und ich selbst benutze vielleicht hier und da mal ein Chatbot, aber habe KI sonst nicht viel in meiner Arbeit eingebunden. Was wäre denn ein guter erster Schritt, oder was wären die ersten zwei, drei Schritte, die du empfehlen würdest, um das in meine Arbeit einzubinden? Ja, am besten ohne dabei wichtige Staatsgeheimnisse an private US-Unternehmen zu verraten.
Büşra: Naja, ein kleiner Gedanke, nicht jedes Unternehmen arbeitet mit Staatsgeheimnissen. Also allein schon mal keine personalisierten Daten rüber schicken, das wäre schon mal gut. Kein Code rüber schicken, das wäre auch gut. Samsung hat JetJPT verbannt, weil Engineers Code rüber geschickt haben. Das ist sensitive data. Code ist IP und das darf man nicht einfach irgendwo rein kopieren. Als jemand, der noch nicht damit gearbeitet hat, um einfach reinzukommen, würde ich empfehlen, mal so anzufangen mit dem, was wir erzählt haben. Macht mal Perplexity auf und macht mal einfach eine ganz einfache Datenrecherche. Das ist, glaube ich, so der lustigste Fall, der schönste Fall, der auch super unriskant ist, wo man einfach mal gucken kann, was es kann. Der zweite Punkt ist eben, ja, nimm dein Template. Es ist völlig egal, ob du ein Template hochlätst oder nicht. Da gibt es fünf Millionen Templates draußen. Templates sind keine IP. Nimm ein Template, schraub den Platz hoch und frag ChatGPT oder Claude, mal mit dir, mit critical thinking, einen Case zu bearbeiten. Schreib einen PRD dafür, mit dessen Hilfe und sag, hey, hilf mir mal, als mein sparing Partner auf eine gute Lösung zu kommen oder das Problem kritischer zu betrachten oder die Target Group besser zu beschreiben oder so. Einfach mal damit anfangen. Das ist nur riskant und super hilfreich. Was man natürlich auch machen kann, ist, so wie ich, wenn ihr könnt, irgendwelche Kurse oder Workshops zu besuchen, um mit synthetischen Usern zu spielen und zu gucken, wie weit ihr damit kommt. Also alles, was so safe space ist, macht das mal. Dann ist natürlich das Thema Agentic AI sehr groß. Ich finde, das wird aufgebaut. Ich habe auch sehr viel Berührungsängste damit gehabt. Bis ich verstanden habe, ist es einfach nur ein total normal automatisierter Workflow, wo du halt ein LLM mit darin einbindest. Ja, mein Gott, das ist kein Hexenwerk. Und da gibt es auch sehr einfache Kurse wie von HustleBatcher oder so. Ich kriege auch keine Provision von denen. Es ist einfach cool, was sie machen, wo man halt easy AI-Agents lernen kann, wie man AI-Agents baut, mit sehr sinnvollen Beispielen und so. Und dann mal gucken, hey, wie kann ich in meiner Arbeit was automatisieren, indem ich den Prinzipienfolge, die ich in diesem Kurs gelernt habe, pickt euch einen Case raus. Etwas, was ihr die ganze Zeit immer wieder macht, sehr repetitiv ist, aber an einer Stelle einen Arbeitssatz hat, der zeitfressend ist. Vielleicht ist es das User-Story-Schreiben. Vielleicht ist es meine Roadmap-Updaten. Vielleicht ist es doch Priorisierung. Und keine Ahnung, hier ist mein Rice-Coring, ich mache mal ein Update. Keine Ahnung. Was auch immer es ist, aber eine Sache, die euch halt sehr viel Zeit nimmt, um das mal in einem Workflow abzubilden. Vielleicht ist es aber auch wirklich etwas für euch im Privaten. Also zum Beispiel, ich lasse mir gerne jeden Morgen eine Zusammenfassung per E-Mail schicken an Trends im Bereich Matcha.
Jan: Ah ja, da sind wir nämlich bei dem Flag. Also, wenn ich gerne Matcha-Tee trinken möchte, wo kann ich das tun?
Büşra: Also wenn du in der Schweiz lebst, dann kannst du das sehr, sehr nicely, kannst du bei harumatcha.ch deinen Matcha-Pulver zu dir selbst bestellen. Oder wenn du Freunde hast in der Schweiz, die können das für dich machen.
Jan: Sehr gut, Link in den Show Notes.
Büşra: Aber eben, was sind die Trends im Matcha? Und dann gucke ich mir jeden Morgen irgendwie ein oder zwei Sachen an. Also mehr habe ich auch nicht den nervt, zu ehrlich gesagt. Genau, oder dann habt ihr irgendein anderes Thema, was euch interessiert. Dann baut ihr euch mal so einen kleinen E-Mail-Assistent, der euch jeden Morgen E-Mails schickt zum Thema X, Y, Z. Beispielsweise. Oder ihr macht eine Automatisierung über Slack, wo ihr immer dann, wenn jemand bei Slack einen Inside geteilt hat, aus einem User Research, dann wird das direkt zu N8n geschickt. Und die AI im N8n schreibt das in ein Notion-Dokument, das ihr irgendwo habt. Und dann ist es sofort abgelegt. Da werden wir wieder bei dokumentieren. Dann ist es sofort abgelegt, ohne dass irgendwie irgendwer nochmal einen Finger krumm machen muss. Ist doch geil.
Jan: Ja, also ich höre raus, am besten nimmt man sich mit, es gibt gar nicht den einen Punkt, sondern fang einfach bei einer Sache an, die du gerade machst und probier es aus. Gibt nichts Gutes, außer man tut es. Und man lernt und lernt und lernt.
Büşra: Und hier ist eine Challenge. Die Challenge werde ich mir nämlich jetzt selber setzen im neuen Jahr, wenn ich jetzt wieder ein bisschen Ruhe habe. Dezember ist sehr stark gerade. Und zwar werde ich mir selbst die Challenge setzen, ein neues Produkt, digitales Produkt bauen, AI First. Und zwar nicht, dass das Produkt selbst AI First ist, sondern alles, was ich mache, alle Schritte, die ich machen werde, will ich immer zuerst AI einsetzen und gucken, wie weit ich mit AI komme und dann manuelle Arbeit. Das heißt, wenn ich dafür etwas automatisieren muss, um nicht die manuelle Arbeit zu machen, dann werde ich das machen.
Jan: Spannend. Dann der Appell an unsere ZuhörerInnen, falls ihr die Challenge auch machen wollt, lasst uns wissen, wie es läuft. Wir sind gespannt. Gut. Möchtest du zu unserem Hauptthema des Einsatzes von KI in der operativen Produktarbeit noch etwas loswerden, bevor wir in die schnellen Schlussfragen übergehen?
Büşra: Und zwar habt keine Angst davor. Also AI ist da. Es wird nicht weggehen. Auch wenn die Adoption jetzt ein bisschen langsamer ist, ist es nicht weg. Es geht nur darum, einen Weg zu finden. Es bleibt. Es wird bleiben. Und es wird alles verändern. Und es ist kein Hype. Es ist kein Hot Take oder whatever. Diejenigen, die das Internet erfunden haben, spielen damit rum und sind begeistert und sagen, hey, das ist jetzt was ganz, was Neues. Also es ist nicht unsere naive Generation, die das denkt. Es verändert wirklich was. Und das sollte euch nicht erschrecken, sondern es sollte euch neugierig machen. Seid neugierig. Bleibt neugierig. Probiert Dinge aus. Habt keine Angst davor. Das war mein großer Fehler. Ich hatte zu viel Angst. Ich habe lange gewartet, bis ich so richtig reingestiegen bin. Es gibt Kurse. Es gibt Leute, die ihr fragen könnt. Wenn ihr irgendjemanden folgt auf LinkedIn, der viel darüber teilt, dann reach out, fragt sie, schreibt ihnen. Experimentiert. Ihr habt nichts zu verlieren. Ihr habt gar nichts zu verlieren. Es ist nur Spaß. Es ist wirklich alles super, super interessant. Selbst wenn ich so vorhin das Doomsday-Szenario aufgebaut habe, hey, es macht Riesenspaß. Habt keine Angst davor.
Jan: Ja, sehr, sehr cool. Danke für das ehrliche Schlusswort. Und ich würde auch sagen, das Doomsday-Szenario ist ja auch nur da, weil die Opportunity so groß ist. Also insofern Licht und Schatten ergänzen sich hier wahrscheinlich.
Büşra: Einfach machen!
Jan: Machen!
Büşra: Das sagt der Macher. Just make it, make something.
Jan: Ja, sehr gut. Dann starten wir in unseren schnellen Schlussfragen. Bist du bereit?
Büşra: Let's do it. Ich habe keine Ahnung, was das für Fragen sind. Einfach machen.
Jan: Was vermisst du im Coaching, was du in der operativen Produktarbeit geschätzt hast?
Büşra: Oh, da sind ganz konkret zwei Dinge. Das eine ist das Teamwork, also Teil eines Teams zu sein, gemeinsam ein Ziel setzen, gemeinsam sich überlegen, wie erreichen wir das. Ideen hin und her wälzen, sich austauschen, sich gegenseitig eben, man hat Ziele, die Ziele setzen oder gemeinsam das Ziel erreichen und so weiter. Das vermisse ich tatsächlich sehr. Es ist teilweise sehr einsam als Solopreneur-Coach. Und das zweite ist, den Impact zu spüren. Und zwar direkt. Also wenn man was baut, so richtig geiler Dopaminschub. Oh, wir haben es gebaut. Wir haben es live genommen. Oh, geil, die ersten Nutzer nutzen es. Oh, da kommen die Zahlen rein.
Jan: Juhu!
Büşra: Das hast du halt nicht mehr, ne? Das Schöne ist, als Coach begleitest du halt die Teams dabei, dass sie das erleben. Und du siehst das Strahlen in deren Augen. Und dann immer jedes Mal, wenn ein Thema plötzlich glasklar wurde, ist so wie, oh, das ist schön. Aber den Impact des Release'ten kriegst du halt nicht mehr mit. Kannst halt nicht zelebrieren.
Jan: Na, da hast du vielleicht fast schon die Frage umgedreht. Aber ich stelle jetzt die Umgedrehte. Was ist im Coaching cooler als in der Operativwahl?
Büşra: Ja, genau. Also im Coaching ist das Schöne wirklich zu sehen. Man hat auf der anderen Seite einen Impact auf das Leben von anderen. Und da geht es um Teamcoaching wie auch One-on-one-Coaching. Und um nochmal das Wort Coaching hier auseinanderzunehmen. Wenn ich Coaching sage, Product Coaching funktioniert nicht so, dass man sagt, okay, ihr habt die Antworten in euch. Ich stelle euch schlaue Fragen und helfe euch dabei, die Antworten zu finden. Sondern es ist eine Mischung aus Mentoring, Advisory, Beratung und manchmal auch tatsächlich einfach eine Frage zu stellen, um dem mal zu zeigen, hey, eigentlich, das ist ein Thema, das ihr wirklich selber beantworten könnt. Für den Learning-Effekt quasi. Und sowohl im Teamcoaching als auch im One-on-one-Coaching coache ich ja auch One-on-one-Deep-Product-Manager. Also die, die sowohl andere Product-Manager führen und vielleicht Gruppen und Areas führen, als auch selber noch Hands-on am Produkt arbeiten. Also diese Schizophrenerrolle, wie ich das gerne nenne. Und zu sehen, wie sich ihr Leben teilweise dadurch verändert, das ist der Hammer. Das ist so richtig schön, die Leute dabei zu begleiten. Ja, weiß ich nicht, ob ihr jetzt sagen könnt, ein besseres Leben zu haben. Das ist sehr arrogant gefasst, würde ich sagen. Aber ein Stückchen weit etwas hinzukriegen, was sie vorher nicht hingekriegt haben und dadurch sich selbst einen neuen Weg aufzumachen. Das ist sehr schön.
Jan: Und welchen AI-Use-Case hast du selbst ausprobiert, aber dann als Quatsch verworfen?
Büşra: Landing-Pages bauen. Find ich totaler Quatsch. Also, meine Credits dafür aufzubrauchen, eine Landing-Page zu bauen. Warum sollte ich das tun? Es gibt so viele gute Landing-Page-Bilder, die wirklich wenig Geld kosten. Nämlich sowas, statt eben Expensive Credits für Landing-Pages bauen auszugehen. Totaler Quatsch.
Jan: Okay.
Büşra: Also, vielleicht eine Inspiration zu kriegen, was ich auf meine Landing-Page schreiben sollte, die ich dann in einem Landing-Page-Bilder baue. Dafür vielleicht ja. Aber nicht, dass sie dort live existiert.
Jan: Nicht von Grund aufbauen. Verstehe. So, und vervollständige den folgenden Satz. In fünf Jahren werden Produktpersonen ohne AI-Skills...
Büşra: immer noch gefragt sein, aber dafür müssen sie mehr auf der Businessseite sein. Also Business Acumen, Domain Expertise, Commercial Thinking, Strategic Thinking, Critical Thinking.
Jan: Yes. Welches Produkt, digital oder physisch, hat dich zuletzt so richtig begeistert?
Büşra: Ich antworte sehr gerne mit etwas physischem. Das ist nämlich so meine Lieblingsfrage, wo ich den Leuten gerne überrasche. Und zwar mein Luftfiltergerät. Das ist so geil.
Jan: Bist du Hausstauballergekerin oder was?
Büşra: Genau, also ich bin auch Hausstauballergekerin, aber generell halt auch so Pollen und so. Und das erste Mal, dass wir uns ein Luftfiltergerät zu Hause reingestellt haben, das war vor fünf Jahren oder vor sechs oder so. Und oh Gott, ich war begeistert, weil ich konnte plötzlich wieder atmen. Oh, das war so geil. Und ich wollte das Ding erst mal nicht haben, weil teuer, groß, hässlich, lalalala. Und seitdem wir es haben, will ich es nicht wieder hergeben. Wir haben das Ding immer noch. Und ich nenne es ganz liebevoll meinen Minion. Das ist von Philipps so ein Gerät. Und es hat in der Mitte so ein ganz großes Loch. Wie so ein Minion-Auge.
Jan: Ja, ja, ich verstehe.
Büşra: Deswegen nenne ich es ganz liebevoll meinen Minion.
Jan: Das muss ich mir auf jeden Fall als ebenfalls Polyallergiker unbedingt mal überlegen, ob ich da nicht doch darauf einsteige.
Büşra: Mach mal, das ist hammergeil.
Jan: Sehr gut.
Büşra: Also ganz kurz, ne? Solve a problem worth solving in a delightful way. Mein Minion.
Jan: Und das macht es. Sehr gut. Welcher private Bereich deines Lebens ist am stärksten durch deine Produktarbeit geprägt?
Büşra: Oh Gott, ich will eigentlich Produktarbeit rauslassen aus meinem Privatleben. Hey, das ist... Ich hab eigentlich... Ne privates, privat arbeitest Arbeit. Eine Sache, die wir gemacht haben, ist, mein Mann und ich, wir haben uns ne Vision, ne gemeinsame Vision und ne Strategie und Prinzipien und so weiter aufgebaut, ne? So a la Decision Stack. Und mein Mann findet das ziemlich geil. Und ich bin dabei relativ früh ausgestiegen, hab gesagt, ey komm, ich hab echt keinen Bock drauf, jetzt hier mit dir strategische Diskussionen zu führen. Oder irgendwie nochmal an unseren Prinzipien zu arbeiten und so, lass uns doch einfach unser Leben leben, what the fuck, so. Also ich versuche tatsächlich eigentlich eher Produktarbeit rauszulassen und mein Mann will eigentlich mehr Produktarbeit in unserem Leben sehen. Er ist Data Cytist, by the way, ne? Ja, genau, das erklärt viel uns in meinem Wissen, in meinem Dasein.
Jan: Ja, jemand, der viel Code schreibt, möchte gerne mehr Produktarbeit sehen. Ein bekanntes Muster.
Büşra: Wobei jetzt ist er Lead Data Cytist. Er schreibt gar keinen Code mehr, aber er ist gut.
Jan: Alles klar. Das heißt, die Zeit ist vorbei. Ja, was ist das beste Fachbuch, das du je gelesen hast?
Büşra: The Mom Test. Unangefochten.
Jan: Okay, cool. Und vorletzte Frage. Was ist der beste Ratschlag, den du je bekommen hast?
Büşra: Just do it. Ich bin ein nuturscher Over-Thinker und einfach ab und zu mal zu stoppen und zu sagen, ja what the fuck, just do it. Machen.
Jan: Da sind wir wieder beim Maker. Okay, letzte Frage von meiner Seite. Was möchtest du noch loswerden, obwohl ich dir bisher keine Frage dazu gestellt habe?
Büşra: Also wir sind ja im Thema AI, das meinst du, ne?
Jan: Kannst du auch weiterfassen.
Büşra: Ich glaube, eine Sache möchte ich tatsächlich noch zu AI sagen. Es gibt so viele Meinungen da draußen, was jetzt gerade passiert. Hey, wir haben keine Ahnung. Keiner von uns hat Ahnung. Ich auch nicht. Ich rede hier. Ich erzähle irgendwas, was ich gesehen habe, wo ich Leute begleite, was ich sehe und so weiter. Ich mache mir meine Meinung. Aber nochmal, nächste Woche kommt vielleicht das nächste Ding und dann sieht die ganze Welt wieder anders aus. Also jeder, der den ganzen Gurus auf LinkedIn folgt oder sonst was. Take it with a grain of salt. Also wir reden auch nur über das, was wir denken, was wir sehen, was wir miterleben. Es gibt so viel, was wir nicht sehen. Und für euch sieht das vielleicht ganz anders aus. Und ihr habt ganz andere Erfahrungen. Das eine, was bei mir nicht funktioniert hat, hat bei euch funktioniert und so weiter und so fort. Das ist alles kontextabhängig. Und vielleicht ist tatsächlich Kontext auch so das Stichwort und Schlusswort, was ich mitgeben möchte. Nicht so viel Angst haben. Kontext ist wichtig. Das, was ihr der AI mitgebt als Kontext, ist wichtig, damit es euch sinnvolle Sachen zurückgibt. Der Kontext, in dem ihr euch bewegt, ist wichtig, dass ihr sehen könnt, für welchen Use-Case ihr das anwenden könnt. Der Kontext eines jeden Individuums ist wichtig eben. Ich bin notorischer Over-Thinker. Wie kann ich sicherstellen, dass ich nicht overthinke und einfach mal was ausprobiere? Kontext, Kontext, Kontext. Und von daher, ja, probiert es aus und nehmt nicht alles für bare Münze. Und nein, die Welt wird wahrscheinlich nicht untergehen und wir werden schon irgendwie einen Weg finden. Lasst euch nicht durch eure Ängste treiben. Lasst euch durch Neugier treiben.
Jan: Büşra Coşkuner, vielen Dank für das Gespräch. Dankeschön. Das war sie, die inzwischen 14. Folge des Produktkraft-Podcasts. Danke fürs Zuhören an euch da draußen. Danke Büşra für das Gespräch und danke an Tim Nippert für das Audio-Engineering dieser Episode. Wie immer eine schnelle Schlussbemerkung. Ich mache freiberufliches Coaching und interimistische Produktarbeit. Wenn das für euch interessant sein kann, dann meldet euch bei mir unter jan.produktkraft.com oder via LinkedIn. Darüber hinaus freue ich mich natürlich, insbesondere dann, wenn euch das Projekt gefällt, wenn ihr mir eine gute Bewertung und ein Abo dalasst, weil das der Reichweite des Projekts hilft und mich motiviert, das Projekt weiterzuführen. So oder so wünsche ich euch alles Gute und sage bis zum nächsten Mal.