Product Owner und KI: Eine Rolle im Wandel
Wie KI die tägliche PO-Arbeit verändert – vom Backlog über Nutzerfeedback bis zur neuen Kernkompetenz „Spec Review“ – und wo der eigentliche Engpass hinwandert.
Als Product Owner übersetze ich zwischen Nutzern, Fachbereich und Entwicklung. Die Werkzeuge dafür waren jahrelang stabil: Interviews, Workshops, Backlog, Refinements, Stakeholder-Kommunikation. KI ändert daran nichts grundlegend – und trotzdem verschiebt sich das Bild sichtbar.
Was klassische PO-Arbeit ausmacht
Der Kern bleibt: Ich verantworte, was gebaut wird, nicht wie. Ich priorisiere das Backlog, kläre Anforderungen, halte das Zielbild scharf und sorge dafür, dass Entwicklung und Design ohne unnötige Rückfragenschleifen arbeiten können. Der Aufwand liegt weniger im Schreiben von Stories als im Verstehen des Problems dahinter.
Genau da setzt KI an. Sie beschleunigt viele Zwischenschritte, nimmt der Rolle aber nichts von dem, was ihren Wert ausmacht. Sie verschiebt, wo Zeit anfällt und wo neue Fehlerquellen entstehen.
Konkrete Unterstützung durch KI
Prototyping vor dem Sprint. Wenn eine Idee unscharf ist, kostet ein klickbarer Entwurf zwei bis drei Stunden und liefert etwas, das man Nutzern oder Stakeholdern zeigen kann. Ob mit v0, Lovable oder handgesteuert per Claude Code – Annahmen werden greifbar, bevor Sprint-Kapazität hineinfließt. Kein Ersatz für echte Discovery, aber ein sehr wirksamer Vorfilter.
Recherche. Markt- und Wettbewerbsanalysen, etablierte Muster in einer Domäne, ein Blick auf die Landing Pages im Segment – Aufgaben, die früher einen halben Tag verschlungen haben, sind in einer strukturierten KI-Session in einer Stunde erledigt. Der Output ist Startpunkt, nicht Ergebnis: Modelle halluzinieren plausibel klingende Details, und wer sie ungeprüft in Entscheidungsvorlagen übernimmt, macht sich angreifbar.
User Stories und Akzeptanzkriterien. Erste Entwürfe generiert ein Assistent gut, besonders wenn der fachliche Rahmen schon steht. Das Risiko liegt in der Bequemlichkeit: Wer generierte Stories ohne eigenes Durchdenken übernimmt, produziert Anforderungen ohne Verständnis. Das rächt sich spätestens im Refinement.
Feedback verdichten. Support-Tickets, Umfrageergebnisse, offene Interview-Antworten – KI erkennt Muster, gruppiert Zitate, clustert Themen. Als Vorstrukturierung, die ein Mensch bewertet, hilft das. Als automatisches Priorisierungssignal wäre es fahrlässig.
Übersetzung. Technische RFCs für Stakeholder, Management-Briefings aus Sprintergebnissen, Zusammenfassungen langer Diskussionen. Ein Draft entsteht in Minuten, den man nur noch nachschärft.
Die neuen Risiken
Scheingeschwindigkeit. Ein KI-generierter Backlog sieht sauber und vollständig aus – und verdeckt, dass niemand tief mit Nutzern gesprochen hat. Output entsteht ohne Erkenntnis. Die Frage „Warum bauen wir das eigentlich?“ ist die eigentliche PO-Kompetenz und darf nicht wegoptimiert werden, nur weil Stories sich angenehm generieren lassen.
Über-Vertrauen in KI-Analysen. Wenn ein Assistent aus einer Handvoll Tickets ein „klares Nutzerbild“ zeichnet, klingt das überzeugend. In Wahrheit ist es Mustererkennung auf einer möglicherweise dünnen Datenbasis. Datenqualität und die Grenzen der Aussage einzuschätzen bleibt PO-Aufgabe.
Anforderungen ohne inneres Modell. Kommen Stories aus dem Modell, aber niemand im Team versteht die Domäne wirklich, entstehen im Refinement genau die Fragen, die vorher hätten geklärt werden müssen – nur später, mit Team-Kapazität verbrannt.
Neue Kernkompetenz: Spec Review
Je mehr Entwicklung KI-gestützte Umsetzung akzeptiert, desto weiter wandert die kritische Prüfung nach vorne. Ein guter Entwickler reviewt KI-generierten Code. Ein guter Product Owner reviewt KI-generierte Anforderungen und Analysen. Diese Fähigkeit ist keine Fußnote, sondern Kernkompetenz.
Konkret: Trifft die generierte Story das Problem? Decken die Akzeptanzkriterien die Edge-Cases ab? Enthält die Wettbewerbsübersicht die relevanten Player? Steht hinter der Roadmap-Skizze echte Priorisierung? Dieselbe Denkweise wie beim Code-Review, nur auf Anforderungsebene.
Der Engpass verschiebt sich
Wenn KI die Entwicklung beschleunigt, ist Umsetzung nicht mehr der langsame Teil. Der Flaschenhals wandert Richtung Entscheidungsqualität und -geschwindigkeit. Wer als PO nicht klar sagen kann, was als Nächstes wichtig ist – und warum – bremst ein Team, das eigentlich liefern könnte.
Das erhöht den Druck auf gute Discovery, klare Zielbilder, saubere Priorisierung und schnelle Klärungsrunden. Und senkt die Toleranz für „das nehmen wir schnell noch mit rein“ oder „darüber reden wir im nächsten Refinement“. In einem Team mit KI-gestützter Umsetzung kosten unklare Anforderungen mehr, nicht weniger.
Die Rolle wird dadurch eher wichtiger. Wer sie auf „Backlog pflegen“ reduziert, wird ersetzbarer. Wer sie als das versteht, was sie ist – Verantwortung für Nutzerwert und Richtung – wird zum Multiplikator eines produktiven Teams.