Break-even bei etwa ~6 Nutzungen -- danach lohnt sich die Investition in Struktur
Prompts fuer Exploration und Kreativitaet. Skills fuer wiederkehrende Aufgaben mit Qualitaetsanspruch
Sweet Spot fuer Product Owner: Template bis Skill/Workflow -- nicht Agent
Merke dir
Wenn du eine Aufgabe zum dritten Mal gleichartig promptest, bau ein Template. Das ist der größte Hebel für Produktivität.
Abschnitt 4
MCP -- Die Steckdosenleiste
MCP erklaert
Die Steckdosenleiste fuer euer LLM
Vorher: Fuer jedes Tool ein eigener Adapter. Jira braucht eine Integration, Gmail eine andere, Confluence eine dritte.
Nachher: Ein genormter Stecker (MCP). Jedes Tool, das den Standard spricht, laesst sich einfach einstecken.
Offener Standard von Anthropic (Nov 2024). Heute unterstuetzt von OpenAI, Google, Microsoft.
LLM
Gmail
Jira
Kalender
DB
Eigenes Tool
USB-C fuer AI -- ein universeller Standard, damit LLMs mit beliebigen Tools kommunizieren
Offener Standard, ueber 1.000+ MCP-Server bereits verfuegbar
Orchestrator-Workers Pattern: Ein LLM entscheidet, welche Tools es braucht -- Jira, Confluence, Calendar, Slack
Jeder Worker beschreibt seine Faehigkeiten selbst (Tool Discovery) -- Plug-and-Play
Merke dir
MCP bedeutet: Ein LLM kann auf alle Tools zugreifen, die den Standard sprechen. Fragt euer IT-Team: "Welche MCP-Server gibt es für unsere Tools?"
Abschnitt 5
Halluzinationen
AI-Powered Product Owner
Halluzinationen: Wie oft passiert das wirklich?
1-3%
Zusammen- fassungen
niedrig
3-10%
Fakten- fragen
mittel
bis 94%
Zitate & Quellen
kritisch!
51-79%
Reasoning (o3) offene Fragen
mehr, nicht weniger
-71%
Kontext (RAG) reduziert Halluz.
gegenmassnahme
Halluzinationsraten variieren massiv nach Aufgabe: Zusammenfassungen (1-3%) vs. Quellenangaben (bis 94%)
Reasoning-Modelle halluzinieren bei offenen Fragen teilweise mehr, nicht weniger (o3: 51-79% auf SimpleQA)
RAG (Retrieval-Augmented Generation) reduziert Halluzinationen um ~71%
Historisch: Von 21,8% auf 0,7% bei Summarization (2021-2025) -- eine 96% Verbesserung
Merke dir
Vertraue niemals einer AI-generierten Quellenangabe blind. Halluzinationsraten bei Zitaten liegen bei bis zu 94%. Immer prüfen.
Abschnitt 6
Bias -- Was POs wissen müssen
AI-Powered Product Owner
Bias in LLMs: Was POs wissen muessen
85%
der AI-Resume-Screener bevorzugen weiss klingende Namen -- bei gleicher Qualifikation.
100%
von 17 getesteten LLMs zeigen Gender-Bias bei Berufsassoziationen.
62%
der Unternehmen verloren Umsatz durch AI-Bias-bedingte Fehlentscheidungen.
Was heisst das fuer dich als PO?
1. LLM-generierte Personas und Priorisierungen koennen Stereotypen verstaerken.
2. Sycophancy: LLMs sagen dir, was du hoeren willst -- nicht, was du wissen musst.
3. Ab Aug. 2026 ist Bias-Testing bei High-Risk-AI gesetzliche Pflicht (EU AI Act).
Praktischer Bias-Check
5-Minuten-Bias-Check fuer Nicht-Techniker
Swap
Namens-Swap-Test
Ersetze Name, Geschlecht, Herkunft. Aendert sich der Output?
Challenge
Devil's Advocate
"Was spricht dagegen? Welche Perspektiven fehlen?"
Flip
Umkehr-Test
"Gilt das auch fuer andere Gruppen?" Verallgemeinerungen entlarven.
Source
Quellen-Check
Kann das LLM seine Aussage belegen? Vage = vermutlich bias-gestuetzt.
Compare
Second Opinion
Gleiche Frage an ein zweites LLM. Unterschiede zeigen modell-spezifischen Bias.
85% der AI-Resume-Screener bevorzugen weiss klingende Namen (UW 2024)
5-Minuten-Bias-Check: Swap, Challenge, Flip, Source, Compare -- kein ML-Wissen noetig
EU AI Act Timeline: Verbote seit Feb 2025, GPAI seit Aug 2025, Hochrisiko ab Aug 2026
Merke dir
Wenn ein AI-Output "zu glatt" klingt -- keine Widersprüche, keine Unsicherheit -- ist Sycophancy wahrscheinlich. Fordere explizit Gegenargumente ein.
Abschnitt 7
IP und Datenschutz
PO Insight -- DSGVO und LLMs
Was darf ich? Was nicht? Wie sichere ich mich ab?
Darf ich -- sofort
Allgemeine Fachfragen an LLM
Anonymisierte / synthetische Daten
Oeffentlich verfuegbare Infos
Code-Reviews ohne Credentials
Brainstorming ohne PII
Nur mit Absicherung
Interne Dokumente: pseudonymisieren
Kundenfeedback: nur aggregiert
Enterprise-Tier mit AVV + EU-Hosting
DSFA durchfuehren + dokumentieren
KI-Nutzungsrichtlinie im Team
3 Tiers: Public (Free) = keine Vertraulichkeit. Business = Training abschaltbar. Enterprise = AVV + EU-Hosting
DSGVO greift bei LLMs, sobald personenbezogene Daten im Prompt stehen -- auch wenn das Modell selbst keine speichert
Anonymisierung ist Pflicht -- Pseudonymisierung reicht fuer interne Dokumente
EU AI Act: Verbotene Praktiken seit Feb 2025, GPAI seit Aug 2025, Hochrisiko ab Aug 2026
Merke dir
Faustregel: Wenn du es nicht auf eine Postkarte schreiben würdest, gib es nicht ins LLM. Im Zweifel anonymisieren, Enterprise-Tier nutzen, oder den DSB fragen.
Abschnitt 8
Produktivität -- echte Zahlen
Die zentrale Erkenntnis fuer Product Owner
AI macht dich schneller. Aber nicht automatisch wertvoller.
+25%
schneller bei Wissensarbeit
~90%
der Firmen: kein Produktivitaetseffekt
95%
der AI-Piloten scheitern
Mehr Output ist nicht gleich mehr Wert. Als PO optimierst du den Durchfluss des Systems, nicht deinen eigenen Output.
Die Jagged Frontier -- Dein Kompass
Wo AI dir wirklich hilft -- und wo sie dich schlechter macht
AI-Turbo
Feedback aggregieren
User Stories schreiben
Markt-Research
Business Writing -69%
AI-Falle
Strategische Entscheidungen
Stakeholder-Alignment
Critical Thinking
Mensch+AI unterperformt AI allein bei Urteilen
Harvard/BCG: 758 Berater, +12,2% Tasks, 25,1% schneller -- aber Jagged Frontier: nicht jeder Task profitiert
~90% der Unternehmen messen keinen Produktivitaetseffekt (NBER 2026)
Leveling-Effekt: Die schwaechsten Mitarbeiter profitieren am meisten (+43%), die besten kaum
Wahrnehmungsluecke: 39 Punkte zwischen gefuehlter und tatsaechlicher Beschleunigung (METR 2025)
Merke dir
Die Grenze ist gezackt, nicht linear. Wer sie nicht kennt, überlässt AI Aufgaben, die sie nicht kann. Kenne deine Jagged Frontier.
Abschnitt 9
QA-Toolkit -- Die 4 QA-Momente
AI-Powered Product Owner Training
Die 4 QA-Momente
Sachlich-->Peer Review-->Adversarial-->Forensisch
QA-MOMENT 1
Definition of Ready
3-5 Qualitaetskriterien definieren, bevor die Stakeholder-Mails kommen.
QA-MOMENT 2
AI als Senior Developer
Rollenwechsel im gleichen Chat: Gleicher Kontext, andere Perspektive.
QA-MOMENT 3
Pitch-Stress-Test
AI spielt den Gegner: haertester Kritiker, bevor echte Stakeholder den Pitch sehen.
QA-MOMENT 4
Halluzinations-Check
AI prueft eigene Outputs: gedeckt / interpretiert / hinzugedichtet.
DoR zuerst: Qualitaetskriterien definieren, bevor AI generiert -- nicht danach
Rollenwechsel: "Du bist jetzt ein skeptischer Senior Developer. Review jede Sub-Story gegen unsere DoR."
Stress-Test: AI als haertester Kritiker einsetzen, bevor echte Stakeholder den Output sehen
Forensisch: AI prueft ihre eigenen Outputs gegen Quellen -- gedeckt vs. interpretiert vs. hinzugedichtet
Merke dir
QA ist kein Schritt am Ende, sondern 4 Momente während der Arbeit. Die Reihenfolge ist: sachlich --> peer review --> adversarial --> forensisch.
Abschnitt 10
RAG erklärt -- Wenn eure AI Firmenwissen braucht
RAG fuer Product Owner
Was ist RAG? -- Die 30-Sekunden-Version
1. Frage
Nutzer stellt Frage
"Was ist unsere Rueckgabepolitik?"
2. Suchen
System findet Docs
Automatisch aus eurer Wissensbasis
3. Antwort
KI antwortet mit Quellen
Fundiert, nicht ausgedacht
Ohne RAG: KI raet aus dem Gedaechtnis. Mit RAG: KI schlaegt erst nach, dann antwortet.
RAG fuer Product Owner
Was POs ueber RAG entscheiden muessen
Wann RAG einsetzen
Grosse Wissensbasis (mehr als 200 Seiten)
Daten aendern sich regelmaessig
Antworten muessen belegbar sein
Firmenwissen soll erreichbar werden
Wann NICHT
Wenige Dokumente: Prompt Engineering reicht
Nur Stil/Ton anpassen: Fine-Tuning besser
Echtzeit-Aktionen noetig: MCP ist das Werkzeug
Datenqualitaet ist schlecht: erst aufraeumen
Wochen
bis zum ersten Prototyp
~40 Mrd. $
RAG-Markt 2035
Kein Allheilmittel
Datenqualitaet bleibt PO-Aufgabe
RAG = Retrieval-Augmented Generation -- KI schlaegt erst nach, dann antwortet
Beispiel: AllianzGPT -- 60.000 Nutzer, kennt das Confluence der Allianz, 95% woechentliche Nutzung
Reduziert Halluzinationen um ~71% -- weil die AI auf echte Dokumente zurueckgreift
RAG vs. MCP: RAG = Wissen nachschlagen. MCP = Aktionen ausfuehren. Beide ergaenzen sich
Merke dir
RAG ist das Nachschlagewerk für eure AI. Aber es ist nur so gut wie eure Daten. Datenqualität ist und bleibt eine PO-Aufgabe.
Diese Konzepte lernst du hands-on im eintägigen KI-Training für Product Owner und Produktmanager
Wir verwenden Cookies und ähnliche Technologien, um dein Nutzererlebnis zu verbessern. Damit können wir anonymisiert Surfverhalten analysieren oder Funktionen bereitstellen. Ohne deine Zustimmung funktionieren manche Features möglicherweise nicht.
Funktional
Immer aktiv
Die technische Speicherung oder der Zugang ist unbedingt erforderlich für den rechtmäßigen Zweck, die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Teilnehmer oder Nutzer ausdrücklich gewünscht wird, oder für den alleinigen Zweck, die Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz durchzuführen.
Präferenzen
Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Präferenzen erforderlich, die nicht vom Abonnenten oder Benutzer angefordert wurden.
Statistiken
Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt.Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Vorladung, die freiwillige Zustimmung deines Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht dazu verwendet werden, dich zu identifizieren.
Marketing
Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen.