Advertise on podcast: Stories Connecting Dots with Markus Andrezak

Agenten bauen dir in einer Nacht mehr Software, als dein Markt in einem Jahr verdaut. Wer sagt ihnen, wann's genug ist? Benedikt bringt Firmen bei, Software Factories zu bauen. Er macht das mit so viel Überzeugung, dass er dafür mit Freunden eine Firma gegründet hat: hackers&wizards. Die beste Adresse in Deutschland, um zu lernen, wie man eine Agenten-Factory aufbaut und betreibt. Factories sind Maschinen, in die man Requirements reinwirft und hinten kommt Software raus. Die Agenten schnappen sich Tickets, finden Bugs, fixen sie und rufen den Menschen nur noch dann, wenn sie ihn brauchen. Während die einen sagen, dass es das nicht gibt oder es nicht funktioniert, sitzen Benedikt und Co. mitten in dieser Welt, machen das und zeigen Firma für Firma, wie es geht. Im Podcast reden wir darüber, wie er da hingekommen ist und warum er sich genau das ausgesucht hat. Pentium 4 mit Turbotaste, Visitenkarten-Websites mit zwölf, und dann war er bei Otto, wo es Entwicklern immer gut ging. Im Dezember 2025 haben sich die Anfragen nach agentischer Entwicklung überschlagen und dann kam die Gründung. Bei Loops wird er grundsätzlich. Wie viele Loops gibt es eigentlich? Wie baut man Vertrauen in etwas, das man nicht mehr Zeile für Zeile liest? Warum Spec-Driven Development das alte Pflichtenheft-Problem nur schneller macht. Und warum die Factory uns nicht seltener zusammenbringt, sondern – gegen jede Intuition – sogar öfter. Am Ende die Gretchenfrage, aus der unser gemeinsamer Artikel „Breaking the Loop" entstanden ist: Die Maschine ist schnell. Der Markt ist träge. Und Agenten hören von allein nicht auf. Wie geht man damit um? Kapitel 00:00:00 Cold Open: 2.000 Pull-Requests 00:00:56 Normale Leute, abgefahrene Dinge: Software Factories 00:02:39 Wer ist Benedikt? Pentium 4, Turbotaste, Dreamweaver 00:04:25 Otto: wo es Entwicklern immer gut ging 00:05:23 Developer Experience und der erste AI-Moment 00:07:10 Wie aus Trainings eine Firma wurde 00:09:56 Dezember 2025: Die Anfragen überschlagen sich 00:11:09 Raus aus dem Chat: Ordner, Outcome, Kontext 00:13:35 Cline, die erste Loop, Subagenten 00:18:42 Die Bubble ist winzig 00:23:21 Einer macht 2.000 PRs pro Woche. Und das Team? 00:24:43 Templates erzwingen Einigung 00:28:00 Vertrauen: wie bei einem neuen Kollegen 00:32:15 Erst mal alles zutrauen 00:34:24 Kontext-Engineering ohne Hochglanz 00:38:12 "Ich glaub dir nicht, dass du vertraust": Loops auf allen Ebenen 00:44:41 Was eine Factory physisch ist 00:47:03 Weniger coden, glücklicher sein 00:49:36 Prozessverbesserung ohne ITIL 00:51:05 Linter, gehackte Metriken, Habit Hooks 00:55:51 Code war nie das Problem 00:59:01 Warum Spec-Driven Development nicht reicht 01:01:42 Probefahrt statt Prospekt 01:04:48 Zwei Arten, mit AI zu arbeiten 01:07:19 Die Gretchenfrage: Der Markt ist träge 01:09:48 Wann hört der Agent auf? 01:12:54 Das Halteproblem und das "gut genug" 01:14:44 "Ich wusste nicht, dass ich das kann" Gast Benedikt Stemmildt ist Founder & Co-CEO von hackers&wizards in Hamburg. Mit neun der erste Computer, mit zwölf die ersten Websites. Danach Studium und viele Jahre bei Otto, mit CI/CD und TDD, lange bevor es normal war. Developer Experience ist schon immer sein Thema. Jetzt bringt er Engineering- und Produktteams bei, wie man mit Agenten arbeitet und Software Factories baut. Man trifft ihn auf fast jeder Konferenz und jedem Meetup zum Thema. Erwähnt - hackers&wizards: hackersandwizards.dev - Unser Artikel: „Breaking the Loop" – Benedikt Stemmildt & Markus Andrezak: ueberproduct.de/breaking-the-loop - Markus Andrezak: AI Flow Dynamics – The Loops Don't Get Faster On Their Own - Markus Andrezak: Option Storming – The 3D Chess Behind Claude Code - Habit Hooks: github.com/habit-hooks/habit-hooks - Eliyahu M. Goldratt: *The Goal* / Theory of Constraints - Dan Shapiro: The Five Levels: From Spicy Autocomplete to the Software Factory - Boris Cherny / Claude Code: claude.ai/code - Cline, Aider, GitHub Copilot, Microsoft Copilot (erwähnt)

Ein ganz normales Softwarehaus in Regensburg. 50 bis 75 Leute. Und dort schreiben LLMs den Code. Für Mission-Critical-Software. Ursprünglich für Banken. Die meisten Firmen fragen sich noch, ob generierter Code überhaupt produktionsreif sein kann. Die knowis AG hat ihr ganzes Produkt darauf umgebaut. Und arbeitet selbst genau so. Warum fällt denen das so leicht? Weil Code-Generierung für sie nie ein Wunder war. Seit 20 Jahren machen sie aus Modellen lauffähige Software. Die LLMs haben nur den starren Generator ersetzt. „So betrachtet war es gar kein großer Change", sagt CTO Johannes Boßle. Wir reden über Spec-Driven Development mit Modellen statt endloser Textdokumente. Über Guardrails und Skills, die generierten Code verlässlich machen. Warum Banken und Agenten dieselbe Präzision brauchen. Und warum bei so einem Pivot die Software der einfachere Teil ist. Kapitel 00:00:00 Intro: Die Software ist der einfachere Teil 00:01:03 Eine ganz normale Firma macht Ungeheures 00:03:46 Johannes Boßle: Java, Waldhorn und 20 Jahre knowis 00:12:35 Was die knowis AG macht 00:13:50 Spec-Driven Development: Präzision statt AI-Slop 00:25:41 Teams, Silos und regulierte Umfelder 00:29:30 Amazon und knowis: zwei Enden des Spektrums 00:31:59 Warum der Sprung zu LLMs „gar kein großer Change" war 00:35:24 Code-Generierung war nie ein Wunder: Vertrauen, Guardrails, Skills 00:42:54 Nicht nur für Banken: raus aus der Nische 00:46:20 Was Banken und KI-Agenten gemeinsam haben 00:54:04 Das eigene Tool benutzen 00:56:48 Shift Left und neue Jobs 00:59:59 Token-Kosten, Provider und lokale Modelle 01:03:41 Bei einem Pivot, und generell selbst für Softwareunternehmen: Software der einfachere Teil 01:08:00 Woher der Mut und die Selbstverständlichkeit kommen 01:13:08 Ethik, Grenzen und das Tempo der Entwicklung 01:21:39 Wie gut ist generierter Code wirklich? 01:27:15 Was als Nächstes kommt Gast Johannes Boßle, CTO der knowis AG, Regensburg. Erwähnt knowis Cloud Solution Workbench Kent Beck: User Stories Boris Cherny (Claude Code) Benedict Evans „Java ist auch eine Insel" (Christian Ullenboom) Mehr von Markus: ueberproduct.de. Strategie machen.

Dr. Else van der Berg is a one of a kind Product Manager. Deeply knowledgable and experienced in traditional product theory and practice but curious enough to be one of the most knowledgable AI native PMs in Germany. How this conversation came about: Engineers are building loops that write their own prompts and ship overnight. Product managers stare at the same tools and can't find a single task to hand over. Why? That question kicked off this spontaneous recording. Our answer, in short: software spent sixty years building a second loop that checks the first — compilers, linters, tests. Product never defined what "correct" even means. So the industry retreats to its last line of defense: taste and judgment. Which sounds noble, until you look at the numbers. Kohavi spent a lifetime on research, some famous numbers: At Microsoft, a third of tested features create value, a third do nothing, a third destroy value. That's not judgment. That's rolling the dice. Not a high bar exactly. So, we both ran an experiment each, anyway:  Else built a pipeline that pulls opportunities out of interview transcripts — and it picked the same #1 opportunity five times in a row. Markus built a two-hour business-case agent whose results his clients call mind-boggling. Both hit the same wall: the output isn't the problem. Trusting a result you didn't witness is. Combining skills and observing them build a thing and influencing it makes sense. An agent just doing it - not in our life. Along the way: Bell Labs and idealized design, Pixar's hit machine, why three people take three different notes in the same interview, what a B2B marketplace for car dealers taught us about completeness, why CEOs hire loyalty instead of correctness — and how taste sneaks right back in through the back door. Discovery is the bottleneck. Judgment is our moat. Pick one. Dr. Else van der Berg on LinkedIn: https://www.linkedin.com/in/dr-else-van-der-berg-42b8b6a2/ On substack: https://elsevanderberg.substack.com 0:00:00 Why can't PMs build autonomous loops?  00:05:49 Taste, judgment, and how good humans actually are 00:12:10 Two experiments: skills, agents, and the definition of done 00:22:34 The artificial cut: correctness vs. completeness 00:40:00 Get the voodoo out: what humans are still for 00:53:15 Trust, loyalty, and humans on the loop 01:12:01 Taste comes back through the back door On youtube: https://youtu.be/EU6duyZnQSM

In dieser Episode ist Lars Giere mein Gast. Lars und ich kennen uns schon ewig, auch wenn wir nie direkt zusammengearbeitet haben - aber an denselben Stellen hintereinander. Lars hat mit 15 seine erste Firma gebaut, Mathematik und Informatik studiert, dann Produktrollen bei ImmoScout und mobile.de, danach global neue Geschäftsbereiche bei der eBay Classifieds Group aufgebaut. Später hat er FELMO gegründet, den mobilen Tierarzt-Service. Jetzt baut er mit qlaris.ai ein neues Startup. Wir reden über seinen ganzen Werdegang und landen dann tief bei AI. Highlights: Warum manche Themen emotional so viel mehr Impact haben als andere. Was mit einem passiert, wenn einem Entscheidungen abgenommen werden Und warum das erstmal wehtut, bis man merkt, dass man einfach eine Ebene höher rutscht. Vom Probleme-selber-lösen zum Maschinen-bauen-die-Probleme-lösen. Lars erzählt, wie sein Team mit qlaris.ai  synthetischen User-Research baut Und warum Kontext-Engineering gerade das große ungelöste Problem ist. Wir sprechen über Judgment & Taste als Buzzword, das oft nur schickeres Bauchgefühl ist, über Accountability wenn AI die Entscheidung trifft und der Mensch dafür geradestehen muss, und warum Claude Code für viele schon zum eigentlichen Betriebssystem geworden ist.   Links: Lars auf LinkedIn: https://www.linkedin.com/in/lars-giere/  qlaris: https://qlaris.ai felmo: https://felmo.de/ Kapitel 00:00:00 - Vorstellung Lars, Intro 00:04:15 - Start als Entrepreneur 00:06:56 - Gründung FELMO, Tiergesundheit und Skalierung 00:10:53 - Impact emotionaler Themen 00:34:31 - Enter KI und LLMs 00:49:09 - Neue Systeme und neue Rollen durch KI 00:59:03 - Synthetischer Research und Grenzen davon für Product Teams 01:22:06 - Operating System, Kontext und Zukunft der Arbeit 01:32:05 - What's next für Lars?

Wir wissen: AI macht gute Produkt Manager besser, mittelmässige bleiben stehen. Echte Education darüber, was Product Management ist, bleibt also so wichtig wie vorher. AI bringt Slop an den Kompetenzgrenzen. Umso wichtiger, dass Lust Göcke und Michael Schultheiß in den letzten Jahren ein fundamentales Buch zu Product Management geschrieben haben. Ihr ca. 700 Seiten dickes Buch bietet ein Meta-Modell zum Produktmanagement: Das 6D-Modell. Es beschriebt, welche grundlegenden Disziplinen und Fähigkeiten es gibt und ein PM beherrschen muss und wie diese zusammenhängen. Dazu ordnet es die populären Modelle ein: Welche Bereiche werden z. Bsp. von den Büchern von Marty Cagan gecovered und welche nicht, welche von Theresa Torres? Wo gibt es Überschneidungen dun Abgrenzungen. Zusammen ergibt sich ein Überblick in Breite und Tiefe über unsere Aufgaben und unseren Job, der dabei hilft, das alles einzuordnen und sich auszurichten. Der Hintergrund: Lutz ist Professor an der Hochschule Nordhausen, Michael aktiver Produktmanager, u.a. bei remarkable. Alles dazu, zum Hintergrund und der Entstehungsgeschichte hier im neuen Pod. Links  Das Buch bei amazon Das Buch bei Springer Lutz bei LinkedIN Lutz' Institutsseite (Hochschule Nordhausen) Michael bei LinkedIn Kapitel 00:00 – Das 6D-Modell: ein Meta-Modell für Produktmanagement 02:23 – Motivation hinter dem Buch: Lücken schließen, Praxisnähe sichern 04:45 – Organisationen verstehen: Funktionen vor Strukturen 09:02 – Produktstrategie in unterschiedlichen Kontexten 13:16 – Einfluss von AI auf Produktentwicklung und Organisationen 19:32 – Erfolgsmessung: Viability, Desirability, Integrity & Feasibility 24:03 – Überlappungen und Blindstellen in Modellen: das Beispiel Discovery & Delivery 34:37 – Organisationen und ihre Muster: Was funktioniert in verschiedenen Branchen? 43:12 – Rollenkompetenzen im Produktmanagement: Business, Technik, Stakeholder 53:23 – Der Umgang mit Komplexität: Modelle, Klarheit und Anpassungsfähigkeit 64:34 – Prinzipien in der neuen AI-Welt – was bleibt, was ändert? 72:42 – Strategien für Organisationen im Zeitalter von AI & schnelllebigen Märkten 82:54 – Erfolgskriterien: Design Thinking und Produktvielfalt 88:02 – Herausforderungen der Anforderungen, AI-unterstütztes Requirements Engineering 98:02 – Die Bedeutung von Klarheit in der Kommunikation & Organisation 103:44 – Wie liest man das Buch? Tipps für Einsteiger und Profis 109:33 – Zukünftige Schritte: Übersetzungen, Forschung, Community-Engagement

In dieser Episode ist Oliver Schwarz mein Gast. Ein guter Freund seit Jahren. Wir haben getwitched, über AI und Spiele diskutiert, stundenlang. Drum wurde es auch dieses mal lang. Oliver teilt seine praktischen Erfahrungen beim Aufbau von AI-gestützten Systemen für persönliche und berufliche Produktivität. Privat und bei beruflich, bei Testo. Das Gespräch führt uns zu vielen Aspekten: wie AI Arbeitsprozesse, Entscheidungsfindung und Organisationsstrukturen umgestalten kann, ein Schwerpunkt ist verantwortungsvolle Innovation und menschliche KI-Zusammenarbeit. Wir gehen dabei in die Tiefe anhand eines umfangreichen Assistenten, den Oliver gebaut hat. Dabei interessiert uns garnicht so sehr das Agentensystem, dass gebaut wurde (obwohl das sehr spannend ist und auch versucht LLM-unabhägig zu sein). Uns interessieren vielmehr die Learnings und Beobachtungen die dabei gemacht wurden. Wie beherrscht man die Claws? Wie eng muss man sie führen, harnessen? Warum hilft es Oliver, seinen Agenten zu „vermenschlichen"? Warum ist Oli aber Openclaw zu wild? Was passiert ausserhalb des persönlichen Umfelds, z. Bsp. bei der Einführung der neuen Technologien bei Oli's Arbeitgeber - Testo - wo genau das in seinen Verantwortungsbereich gehört? Was heisst das in Bezug auf Fürsorgepflicht? Highlights Von Chat über Kontext-Engineering zum Dark factory Pattern - was sind die Unterschiede? Der transformative Einfluss von KI-Systemen in der Softwareentwicklung, Projektmanagement und Wissensarbeit. Praktische Strategien zum Aufbau zuverlässiger, vertrauensbasierter KI-Tools, einschließlich Kontextmanagement und Regelsetzung. Die Bedeutung menschlicher Rollen, insbesondere Kommunikation und Entscheidungsfindung, in einer von KI erweiterten Welt. Herausforderungen bei Kostenmanagement und verantwortungsvollem Skalieren von KI-Integrationen. Das Konzept einer „Dark Factory", in der KI die Qualitätssicherung autonom ohne menschliche Überprüfung übernimmt. Organisation von KI-Interaktionen durch strukturierte Rahmenwerke wie Projektordner und semantische Hierarchien. Die psychologischen Aspekte des Vertrauens in KI, der Aufgabenübertragung und des Umgangs mit emotionalen Reaktionen. Kosten- und Risikobetrachtungen bei KI-Infrastruktur Kapitel 00:00 - Einführung in KI, agentische Entwicklung und gesellschaftliche FOMO 02:12 - Oliver Schwarz' Hintergrund und Erfahrungen mit KI in der Software 05:09 - Wie KI die Wahrnehmung technologischer Grenzen verändert hat 08:46 - Der Wendepunkt der KI für Oliver im letzten November 13:35 - Vertrauen in KI-Systeme aufbauen und psychologische Barrieren überwinden 15:00 - Nutzung von KI zur Strukturierung von Daten und Workflows in realen Projekten 20:00 - Strategien zur Einbettung von KI in organisatorische Routinen 25:52 - Mensch-KI-Zusammenarbeit in Projekt- und Entscheidungsunterstützung 32:19 - Die Bedeutung ergebnisorientierter Interaktionen 37:38 - KI in der Softwarequalitätssicherung: der „Dark Factory"-Ansatz 43:50 - Aufbau komplexer Multi-Agenten-Systeme für strategische Aufgaben 51:07 - Die Rolle semantischer Hierarchien und strukturiertes Kontextmanagement 57:33 - Schnittstellen und Kommunikationskanäle für KI-Systeme 60:57 - KI-Infrastrukturkosten, Anbieterökosysteme und Skalierbarkeit 70:53 - Veränderung der Entwicklerrollen: vom Codieren zur Kommunikation 78:50 - Organisationskultur, Rhythmus und Umgang mit KI-getriebenem Wandel 93:36 - Kundenakzeptanz, Marktstrategien und verantwortungsvolles Skalieren 98:56 - Zukünftige Berufsfelder, die durch die KI-Evolution geprägt werden 107:24 - Der Wandel in der Softwareentwicklung und Qualitätssicherungspraktiken 113:36 - Sozio-technische Herausforderungen, gesellschaftliche Reaktionen und historische Parallelen 118:39 - Abschließende Überlegungen zu verantwortungsvoller Innovation und kollaborativer KI Ressourcen & Links: Oliver Schwarz - LinkedIn Chester, Oliver's Assistent Lawrence, Oliver's Lernsystem  StrongDM's Dark Factory AI Artikel Kathrin Passig - "Neue Technologien, alte Reflexe"

Nico Noll: ProductAnalyst.ai - Produktdaten wirklich nutzen Was für ein Gespräch! Nico Noll ist seit Jahren Produktspezialist. Er hat Hunderte von PMs trainiert – in Unternehmen, in Workshops, als Coach. Und baut jetzt sein eigenes Ding, lebt den Traum vom eigenen Produkt: ProductAnalyst.ai. Ein Tool, das aus dem eigenen Schmerz entstanden ist: jahrelang als PM in Firmen gesessen, Daten eigentlich vorhanden, in der Praxis aber doch unerreichbar und nicht actionable. Die Grundidee ist einfach und gleichzeitig strukturell: Produktdaten sind in fast jeder Firma vorhanden. Aber niemand nutzt sie wirklich für Entscheidungen. Der Bottleneck ist nicht die Datenmenge – sondern der Zugang und die Interpretation. Die Datenlücke im Produktmanagement Das racking läuft, die Events werden geloggt - sehr viele sogar. Mixpanel, Amplitude, PostHog, Google Analytics – irgendeins davon ist fast immer vorhanden. Aber wenn ein PM wirklich wissen will, welche Verhaltensmuster Churn vorhersagen, welche Nutzer nach dem Onboarding abspringen, welche Segmente sich grundlegend anders verhalten – wartet er auf einen Data Analyst, ein Dashboard oder beides. Beide Optionen: langsam, teuer, oft nicht vorhanden. Nico hat das als PM bei Xing noch als Luxus erlebt: Frontend-Analyst und BI-Analyst ständig verfügbar. Das ist die Ausnahme. Die Regel: entweder kein Datenteam, oder eines das permanent überlastet ist. These 1: Die meisten Produktentscheidungen passieren ohne aktuelle, granulare Daten – nicht weil die Daten fehlen, sondern weil der Zugang zu aufwändig ist. Granulare Fragen kosten Wochen. Und bleiben deshalb meistens ungestellt, erst recht unbeantwortet. These 2: Das eigentliche Problem ist kein Technologie-Problem. Das Zugangsproblem tut so als sei es ein Analyseproblem. Was Product Analyst AI macht – und was nicht Kein "Vibe Analytics" – kein CSV in ChatGPT werfen und hoffen. Stattdessen ein System mit klaren Guardrails: Generalisierte statistische Funktionen auf der einen Seite. Firmenspezifischer Kontext auf der anderen. Der Ansatz: Man trennt, was generalisierbar ist (statistische Methoden, Berechnungslogik, Segmentierungs-Funktionen) von dem, was firmenindividuell ist (Event-Namen, Business-Definitionen, Segment-Strukturen). Beides zusammen ergibt ein System, das verlässliche Antworten liefert. Was aktuell funktioniert: Alltagsfragen im Produktmanagement. Wie viele Nutzer zeigen dieses Verhaltensmuster? Wie unterscheidet sich die Churn Rate zwischen unseren Segmenten? Was passiert im Durchschnitt in den ersten 30 Tagen nach Anmeldung? Was noch nicht geht: Die explorativen Zwei-Stunden-Sessions mit einem Senior Data Analyst. Die komplexen strategischen Analysen. Das ist bewusst kein Ziel – Pareto-Logik. 80 % der Fragen, die sich Teams täglich stellen, sind gut beantwortbar. Damit fängt man an. These: Wenn dieselbe Frage vom CEO und vom PM ins System kommt, muss dieselbe Antwort rauskommen. Das ist der Unterschied zwischen einem Tool für echte Entscheidungen und einem, das nur das gute Gefühl liefert, irgendwas analysiert zu haben. Context Engineering – der eigentliche Unterschied Hier wird's technisch. Aber lohnt sich. Ein LLM ohne Kontext macht Annahmen. Und tut das mit erschreckendem Selbstbewusstsein. Markus bringt ein gutes Beispiel: ein Bootcamp-Curriculum reviewen. ChatGPT spuckt ohne spezifischen Kontext generisches Zeug aus. Dann die tiefen fachlichen Fehler benennen, nochmal fragen – plötzlich sagt das Modell, es habe jetzt erst das nötige Wissen aktiviert und kann tatsächlich tief reingehen. Das LLM weiß, was es braucht. Es bekommt es nur meistens nicht. Was Product Analyst AI deswegen baut: einen Kontext-Layer. Was bedeuten die Event-Namen wirklich – denn die heißen oft nicht "conversion_event", sondern irgendein kryptischer String. Wie wird Churn Rate in dieser Firma berechnet? Welche Segmente gibt es, die immer wieder auftauchen? Welche Metriken sind already definiert? Das alles wird einmal erarbeitet – aktuell noch manuell im Onboarding – und dann dem Agent als strukturierter Kontext zur Verfügung gestellt. Der Agent zieht sich Kontext und ruft deterministische Berechnungsfunktionen auf. Kombiniert beides. Gibt verlässliche Antworten. These 1: Prompt-Qualität ist weniger wichtig als Kontext-Management. Wer Kontext strukturiert einbaut, kriegt dramatisch bessere Ergebnisse. These 2: Die Leute, die heute schon großen Wert aus AI ziehen, und die, die sagen "ist ja alles generisch" – die unterscheiden sich fast ausschließlich darin, wie gut sie Kontext managen. Datenzugang für alle – nicht nur Produkt Customer Success fragt sich, ob der Upsell vom letzten Quartal bei einem Account überhaupt genutzt wird. Sales will wissen, welche Kunden Absprungs-Signale zeigen. Marketing würde gerne sehen, welche Features tatsächlich zur Aktivierung führen. All das steckt in den Daten. Aber Mixpanel-Zugang hat meist nur Produkt. Und selbst dort weiß oft keiner wirklich, was in den Daten steckt. Das ist das größere Bild hinter Product Analyst AI: nicht nur PMs bedienen, sondern Datenzugang für alle Teams im Unternehmen ermöglichen. Ohne dass jeder Mixpanel lernen muss. Ohne Ticket an das Datenteam. Ohne drei Wochen warten. These: Die meisten Firmen haben ein Datenzugangs-Problem – und halten es für ein Datenanalyse-Problem. Der Fix ist nicht mehr Dashboards bauen. Der Fix ist, Fragen direkt beantwortbar zu machen. AI im Unternehmer-Alltag – was sich wirklich verändert hat Als Zweier-Founding-Team können Nico und sein Co-Founder heute Arbeit tun, die früher entweder liegengeblieben wäre oder externe Ressourcen erfordert hätte, die man als kleines Team schlicht nicht hat. Konkret: Aus der LinkedIn-Connection-Liste 5.000 relevante Unternehmen herausfiltern. Neue Anmeldungen automatisch qualifizieren – bei welcher Firma arbeiten die, welches Problem könnten sie haben, passen die zu uns? Ein Python-Script, das früher einen halben Tag manueller Arbeit bedeutet hätte, entsteht jetzt in Minuten. Nico sagt es direkt: Das revolutioniert jeden Teil seiner Arbeit. Nicht im Sinne von "ich muss nicht mehr denken". Im Gegenteil – die Qualität der eigenen Gedanken ist jetzt der Bottleneck, nicht die Umsetzbarkeit manueller Aufgaben. These 1: KI nimmt keine Jobs weg. Sie ermöglicht Arbeit, die vorher schlicht nicht stattgefunden hat – weil die Ressourcen fehlten. These 2: Mit AI-Unterstützung wird man als Unternehmer nicht effizienter in dem, was man schon gemacht hat. Man kann plötzlich Dinge tun, die vorher schlicht nicht im Bereich des Möglichen lagen. Der Suchtfaktor – und warum Abstand wichtig bleibt Nico läuft. Viel. Idealerweise Trailrunning in den Bergen. Und er reist. Montenegro, Bali. Nicht als Auszeit, sondern als notwendiger Kontrastwechsel. Der Hintergrund: Wenn repetitive Arbeit wegfällt und fast nur noch strategisches Denken übrig bleibt, wird mentale Klarheit zum eigentlichen Bottleneck. Früher konnte man "Kopf ausschalten und einfach machen". Das geht jetzt nicht mehr. Gleichzeitig: AI-Tools haben einen extremen Suchtfaktor. Schnelle Ergebnisse, ständige Dopaminstöße – Bumm, Ergebnis. Noch eine Iteration, bang, besser. Markus vergleicht das direkt mit Social Media. Und trifft damit einen Nerv. Naval Ravikant hat dazu einen passenden Tweet: "Play long-term games with long-term people." Das ist genau das Gegenteil vom Hustle-ADHS, das gerade in AI-Kreisen kursiert. These 1: Je mächtiger AI-Tools werden, desto wichtiger wird der Rhythmus drumherum. Wer das nicht aktiv gestaltet, verbrennt. These 2: Außerhalb der eigenen Bubble bleiben ist gerade strategisch wichtig – nicht nur persönlich. Wer nur innerhalb der AI-Early-Adopter-Welt lebt, verliert das Gefühl dafür, was die Mehrheit der Menschen braucht und versteht. Signal vs. Noise – wie man nicht den Überblick verliert Alle haben FOMO gerade. Die Größten der Szene inklusive. Die Frage ist nicht mehr, ob man was verpasst – sondern wie man trotzdem handlungsfähig bleibt. Nicos Antwort: Drei, vier Leute finden, die nicht Meinungen teilen, sondern zeigen, wie sie es machen. Denen folgen. Den Rest ausblenden. These: Taktisch in AI-Tools einzutauchen ist gerade einer der strategischsten Schritte, die man machen kann. Wer versteht, wie diese Werkzeuge wirklich funktionieren, hat einen fundamentalen Vorteil – genau wie beim Aufkommen des Internets oder von Mobile. Links Gast: Product Analyst AI → https://productanalyst.ai Nico auf LinkedIn → https://linkedin.com/in/niconoll Nico auf Twitter/X → https://twitter.com/niconoll Im Gespräch erwähnte Tools: Amplitude → https://amplitude.com PostHog → https://posthog.com Mixpanel → https://mixpanel.com Google Analytics → https://analytics.google.com ChatGPT → https://chat.openai.com Tweet von Naval Ravikant   Mein nächster AI Augmented PM Kurs, Start 18.05.2026 Kapitel 00:00 Einführung in Product Analyst AI 03:31 Die Lücke im Datenmanagement 06:16 Die Rolle der AI in der Datenanalyse 09:35 Komplexität der Datenfragen 12:19 Parametrisierung und Kontextualisierung 15:25 Herausforderungen der Dateninterpretation 18:32 Die Zukunft der Datenanalyse mit AI 21:23 Demokratisierung von Datenzugang 27:52 Die Herausforderungen der Datenanalyse 31:56 Die Entstehungsgeschichte des Produkts 35:13 Die Rolle von AI im Unternehmertum 38:13 Technologische Einflüsse auf Produktentwicklung 41:07 Intelligente Nutzerinteraktionen mit AI 43:22 Das Leben außerhalb der Arbeit 48:26 Langfristige Perspektiven in einer schnelllebigen Welt 52:46 Outro

Matthias Lübken. Zwei Jahre deep in AI. AI Revolution Isights Wo man Mathias erreicht: Matthias' Angebot: tavon.ai - Put AI Agents To work AI education and deplyoment LinkedIN: https://www.linkedin.com/in/luebken/ Community: AI Tinkerers Cologne   Matthias ist Produktmanager, Softwareentwickler, Rheinländer aus Bonn. Seit gut zwei Jahren macht er nichts anderes als AI-Tools studieren und anwenden. Er hat die Welle vor zwei Jahren auf sich zukommen gesehen hat und ist reingesprungen. Im Gespräch versuchen wir Hintergründe zu erklären, Fomo zu nehmen und aufzuklären, Begriffe erklären. TLDR Agentic AI ist ein glorified while loop mit Tool Calls. Wer das einmal verstanden hat, sieht warum so absurde Sachen funktionieren — und warum die meisten Diskussionen da draußen am falschen Punkt ansetzen. Ein paar Themen, die wir besprochen haben Der Schalter Der Moment, der alles verändert hat, war Claude Code und die neuen Modelle. Auf einmal konnte Matthias Sachen alleine machen, für die er vorher ein ganzes Software-Team gebraucht hätte. Good enough" - das hat bei ihm edie Frage aufgebracht, "Was mache ich denn eigentlich in Zukunft mit Teams"? Claude Code, der wohl schlechteste Produktname aller Zeiten (weil man damit eben nicht nur coden kann). Produktmenschen, Strategen, Finanzmenschen und normale Menschen, alle können damit strukturiert arbeiten, Context aufbauen, automatisieren, … Boris Cherny hat das Claude Code am Anfang in einer Woche als Wochenendprojekt gebaut. Das Interface ist ein Terminal. Für Software-Entwickler fühlt sich das wie 1985 an und genau darin liegt der Trick. Was darunter passiert Ein Large Language Model schickt Tool Calls raus. Unix-Commands — list, grep, execute. Die kommen zurück. Das LLM interpretiert, schickt den nächsten Call. Und so weiter. Ein glorified while loop, sagt Matthias. Der Durchbruch, den Claude 3.7 Sonnet brachte, war dass das Modell gut genug war, eine neue Fähigkeit zu bekommen: den Aufruf von Tools. In der richtigen Reihenfolge, für lange genug, dass etwas Sinnvolles dabei rauskam. Boris Cherny hat daraus ein Arbeitsprinzip gemacht: Feature auf funktionaler Ebene abnehmen, Code nicht mehr lesen. 60 bis 70 Prozent wirft er weg. Egal, wenn die anderen 30 Prozent funktionieren. Für die meisten Entwickler ist es psychologisch brutal, weil sie 15 Jahre gelernt haben zu coden, jeden Commit zu verstehen, jeden PR zu reviewen. Jetzt verschiebt sich der Wert dieser Skills auf genau die Stellen, die früher als "soft" abgetan wurden: Architektur, Judgment, beschreiben können wie gut aussieht. Kent Beck hat vor zwei Jahren formuliert: 90 % seiner Skills sind im Wert auf Null gesunken, 10 % haben vertausendfacht. Und bei Cherny klappt es nicht, weil er Yolo ist, sondern weil er penibel ein System aufgebaut hat. Was Context Engineering heißt Ein LLM ist per se stateless. Jeder Call fängt neu an. Der Thread, den man in ChatGPT siehst, wird komplett mitgeschickt, bei jedem Request. Was das System über einen zu wissen scheint, liegt daran, was man vorher reingeschrieben hat, oder an einer internen Memory, die man kaum steuern kannst. Claude Code funktioniert anders. Man baut Kontext auf, der bleibt. Was ist das Projekt? Was die Prinzipien? Was gibt es schon? Das steht in Markdown-Dateien. Der Agent lädt den gewünschten Kontext. Man steuert das. Metapher: Read the f*****g manual vs. "das Problem, das dich betrifft, steht in Kapitel 5, Absatz 4." Der Mensch kommt mit beidem irgendwie klar- aber die Qualität des Ergebnisses ist eine andere. Auch bei der LLM: Besserer, exakterer Kontext, besseres Ergebnis. Der eigentliche Punkt hinter allem, was Matthias als "Maschine bauen" beschreibt. Erst wenn die Maschine gut gebaut ist, kann man dem Ergebnis trauen. Matthias' persönliches CRM Sein CRM besteht aus einem Ordner mit Markdown-Dateien. Kontakte, Aktivitäten, eine simple Folderstruktur nach Status, E-Mail und Kalender angebunden. Wenn er wissen will, was beim letzten Gespräch mit jemandem war, fragt er den Agenten. Der durchsucht alles, antwortet, schlägt nächste Schritte vor. E-Mails lässt Matthias entwerfen, schickt sie aber immer selbst raus. Human in the loop, wieder. Das Ergebnis ist trotzdem Faktor X besser als jeder normale E-Mail-Assistent, weil der echte Kontext da ist. Dahinter steckt eine Frage, die uns den ganzen Talk beschäftigt hat: Wie viel von klassischer SaaS-Software wird kaputtgehen, weil hyperpersonalisierte Lösungen so viel besser passen? Matthias glaubt nicht, dass SaaS grundsätzlich stirbt, er aber eine Richtung : Systems of Records, die für LLMs mit ordentlichen APIs zugänglich gemacht werden. Und für viele Use Cases, wo heute irgendwas von der Stange genommen wird, das so halb nicht passt, sind kleine eigene Lösungen auf einmal eine echte Option. Openclaw und die Voice Message Peter Steinberger hat OpenClaw gebaut, ein Agentsystem ,basierend auf einer anderen Agentenplattform aus Österreich: pi. Er hat WhatsApp angeschlossen. Die erste Version konnte nur Text. Irgendwann schickt jemand aus Versehen eine Voice-Nachricht. Der Agent sieht: das ist keine Text-Datei. Also: Unix-Environment, Datei aufmachen, scheint Audio zu sein, was nimmt man für Audio: Whisper von OpenAI? Wie rufe ich das auf? Token holen. API Call. Transcription. Antwort zurück. Jeder einzelne dieser Schritte ist nachvollziehbar. Zusammen sieht es aus wie Magie. Das ist das Prinzip hinter allem. Was Matthias gerade macht Unter anderem: Eine Menge Community-Arbeit, Wissen unter die Leute bringen. Er baut AI Tinkerer Cologne (als Bonner), Teil eines globalen Netzwerks, Tüftler zusammenbringen, konkret ausprobieren was geht. Workshops mit HR-Teams, die Workflows automatisieren wollen. In ein paar Wochen London, AI Engineering Konferenz, wo er über seinen Coding Agent Pi spricht. Sein Fokus für die nächsten Wochen: rausfinden, wie weit Non-Coding-Workflows mit Cowork und ähnlichen Tools wirklich tragen. Sein Aufruf: Schickt die harten Use Cases rüber. Die, bei denen ihr nicht weiterkommt. UNd das meinen wir ernst: Schickt sie uns! Challenge accepted! Kapitel 00:00 Einführung in die Themen von AI und Unsicherheit 02:09 Matthias' Erfahrungen mit AI 08:14 Die Entwicklung von Software-Tools und deren Einfluss 12:10 Der Paradigmenwechsel in der Softwareentwicklung 17:40 Vertrauen in AI-gestützte Systeme und deren Nutzung 23:33 Die Anpassung an sich verändernde Technologien 24:55 Einführung in Agenten und Modelle 27:30 Erfahrungen mit Software-Entwicklung und LLMs 29:58 Anwendungen und Entdeckungen mit Claude 32:48 Kontext-Engineering und CRM-Entwicklung 34:33 Unterschiede zwischen ChatGPT und Claude 38:46 Tool-Calling und seine Bedeutung 42:33 Praktische Anwendungen von LLMs in Unternehmen 50:11 Philosophische Überlegungen zu LLMs und menschlicher Arbeit 53:33 Die Herausforderung der Spezifikation 55:07 Die Bedeutung von Kontext und Anweisungen 56:59 Zugriffsrechte und Sicherheit in der KI 59:02 Die Unterschiede zwischen Cloud Code und Desktop-Tools 01:01:01 Hyperpersonalisierung in der Softwareentwicklung 01:03:30 Die Zukunft von SaaS und hyperindividualisierte Software 01:06:15 Prototypen und agile Entwicklung 01:09:01 Das Innovationsdilemma großer Unternehmen 01:13:24 Herausforderungen bei der Implementierung neuer Technologien 01:14:07 Herausforderungen der KI-Nutzung 01:16:50 Kosten und Ressourcenmanagement bei KI 01:20:10 Abonnements und Token-Management 01:22:34 Die Bedeutung des Experimentierens 01:27:13 Die Rolle der KI in der Zukunft 01:33:41 Bildung und die Zukunft der Arbeit

With product managers (and other knowledge workers) as well getting over the barrier to adopt the command line of Claude Code (probably the worst product name ever), everything changes. Roles, responsibilities, the requirements for an org to align.  So, I am happy to in this episode to speak with Dr. Else van der Berg, a self employed product manager living in Berlin. Else in working  in AI native companies, so she knows something about the evolving landscape of product management in AI-native environments. 'The way I work has changed more in the last six months than in the last five years.' - Dr. Else van der Berg Else writes about this shift in our role and in our environments a lot on LinkedIn and on substack. Read Else's content on LinkedIn: https://www.linkedin.com/in/dr-else-van-der-berg-42b8b6a2/ And on substack: https://elsevanderberg.substack.com Get infected! I really enjoy Else's refreshing perspective, knowing all the depth of our "old styles" of working, carrying all the influences from Marty Cagan, Teresa Torres etc. - but being full of energy to embrace all the tools and thus discovering all the new possibilities but also the new frictions. She shares her journey from traditional product management roles to embracing AI tools that enhance evidence-based decision-making. Else emphasizes the importance of understanding technology, especially in AI-driven products, and how this knowledge can empower product managers to make informed decisions. The discussion also touches on the shift from rigid Agile methodologies to more flexible, adaptive approaches that prioritize collaboration and rapid iteration, reflecting the changing dynamics of tech companies today. Else enjoys the shift from more specialised to more generalist roles that the new technology allows for. She argues that a broader skill set allows for better integration of technology and user experience. She also highlights the need for product managers to engage deeply with both customers and how the technology buys us that time. The conversation concludes with insights on how to navigate the challenges of communication and collaboration in fast-paced environments, emphasizing the value of transparency and shared goals among team members. The main point, though, is: This new technology augments us, helps us to get rid of "boring" work through atomisation and thus helps us find time to do what only humans can do - connect with other humans: clients, stakeholders, engineers.  Takeaways 'The way I work has changed more in the last six months than in the last five years.' 'We need to understand the technology behind AI products.' 'Everything is a test because you're just trying to collect data to see if your assumptions were true or false.' 'The smaller you are, the cooler it is.' 'We need to embrace failures and be transparent about them.'   Soundbites   'The way I work has changed more in the last six months than in the last five years.' 'I think there's a strong case being made for strict specializations and boundaries.' 'Launching an MVP or launching a feature is a test method.' Chapters   00:00 Introduction to AI Native Product Management 02:28 Dr. Else Van Der Berg's Journey in Tech 04:49 The Role of Generalists in Product Management 11:25 Shifts in Validation and Testing Methods 20:32 The Impact of Automation on Product Management 30:27 The Future of Product Development Teams 38:19 Proactive Product Management Strategies 40:17 The Role of AI in Understanding Problems 43:13 Communication Challenges in Product Management 45:26 Maintaining Context and Consistency 48:37 The Future of Work and Team Dynamics 55:49 Cultural Shifts in Organizations 01:00:28 Embracing Change and Innovation

Ich habe ein paar Freunde nach ihren Blicken auf die Herausforderungen 2025 gefragt. Hier sind ihre Antworten. Am Anfang war mir gar nicht klar, was das werden soll. Ich habe mich einfach dafür interessiert. Inzwischen weiss ich, was es soll. Zumindest für mich. Welchen dunklen oder hellen Gedanken ich - oder vielleicht auch du - in 2025 zu dem Thema erwogen habe: Andere haben das auch. Aus anderen Winkeln, mit anderen Einsichten, mit anderen Konsequenzen, mit anderen Ups und Downs.  Aber egal, ob Angestellter, Unternehmer, Berater, was auch immer die Rolle: Die Kräfte, die wirken sind immer die selben.  Insofern: Es ist ein riesiges „Wir sind alle im selben Boot, we're all in this together statement geworden." Es war ein schönes Projekt, mit all den Leuten in Kontakt zu treten. Vielen Dank an alle, die mitgemacht haben. Vielen Dank auch an alle, die verständlicherweise keine Zeit gefunden haben. Auch vielen Dank an jene, die einfach nur mit mir geredet haben, die ich so wieder getroffen habe und die letztlich gar kein Statement abgeben wollten. Ihr seid genauso groß und es war genauso schön.  2025: Das Jahr der Desorientierung – 2026: Die Chance zur Differenzierung Hier sind die Leitplanken für das kommende Jahr: Substanz statt Hype: KI ist kein reines Tech-Thema mehr, sondern ein „Story War". Während wir lernen müssen, den „B******t-Detektor" zu schärfen , ermöglicht uns die Technik gleichzeitig, als Individuen Produkte und Strategien in einer Geschwindigkeit zu bauen, die früher Teams brauchte. Vom Verwalten zum Gestalten: Wir werden aktuell von administrativer Routine aufgefressen. Das Ziel für 2026: KI übernimmt die „mindless" Aufgaben, damit wir endlich wieder die Zeit finden, echte Qualität und menschliche Gestaltung in den Fokus zu rücken. Langsamkeit als Wettbewerbsvorteil: In einer Zeit, in der sich die Welt wöchentlich neu erfindet , wird „langsames Denken" zur Superkraft. Fragen vor Antworten, Verstehen vor Bewerten – das schafft die Klarheit, die anderen im Herdenverhalten verloren geht. Radikale Akzeptanz & Fokus: Ob wirtschaftliche Flaute , KI-Disruption oder persönliche Schicksalsschläge – die Gewinner von 2026 werden diejenigen sein, die Situationen ohne lähmende Labels akzeptieren und den Prozess über das Ziel stellen.  Mein Fazit: Wir sitzen alle im selben Boot. Die Unsicherheit ist real, aber sie ist auch die Geburtsstunde für echte Differenzierung. Nutzt die Tools, aber behaltet den Human in the Loop. Die Statements in der Reihenfolge:  00:00 Intro 03:14 Matthew E. May:  https://www.linkedin.com/in/matthewemay/  https://matthewemay.com KI fungiert als kreativer „Thought Partner", der es Einzelpersonen ermöglicht, komplexe Produkte wie Apps ohne ein Team von Codern zu entwickeln. Die größte strategische Herausforderung ist nun nicht mehr der Entwurf, sondern die Auswahl und Umsetzung der richtigen Strategie unter begrenzten Ressourcen Zitat: „Es hat mir erlaubt, mich mehr und ausführlicher mit verschiedenen und neuen Ideen für neue Bücher [...] plötzlich hast einen Gedankenpartner, den du nicht hattest." 06:21 Christian Riedel - Growth By Story https://www.linkedin.com/in/christianriedel/ https://www.growthbystory.de KI ist derzeit vor allem ein narratives Phänomen inmitten eines „Story Wars", bei dem die Erzählungen über die Technologie oft wichtiger sind als die Technik selbst. Für 2026 ist daher ein geschärfter „B******t-Detektor" entscheidend, um zwischen echtem Nutzen und Marketing-Hype zu unterscheiden Zitat: „KI ist wahrscheinlich nicht nur ein technologisches Phänomen. Es ist vor allem ein narratives Phänomen." 09:22 Mohammed El-Nabulsi - Heon GmbH https://www.linkedin.com/in/mohammed-el-nabulsi/ https://heon.de Das Jahr 2025 war ein rasanter Weg durch einen „dunklen Wald" voller Wachstum und Rückschläge, in dem das ständige Hinterfragen von Konstanten zum wichtigsten Antrieb wurde. Zitat: „Es war wie ein Schritt in einen irgendwie ganz, ganz tiefen, dunklen Wald gewesen, von dem ich aber von Anfang an wusste, dass es genau der richtige Wald war." 11:15 Tim Steigert - The White Rabbit https://www.linkedin.com/in/timsteigert/ https://thewhiterabbit.is Die größten Hindernisse waren mangelnde Demut und Offenheit bei erfolgreichen Entscheidern; für 2026 plädiert er für „langsames Denken", also Verstehen und Selbstreflexion vor schnellen Antworten und Bewertungen. Zitat: „Mehr Mut zu langsamem Denken. [...] Also Fragen vor Antworten, Verstehen vor Bewerten, Perspektivwechsel vor Standpunkten." 12:27 Sohrab Salimi - Agile Academy https://www.linkedin.com/in/sohrabsalimi/ https://www.agile-academy.com/de/ KI ist ein echter Gamechanger, der insbesondere die deutsche Kernindustrie massiv unter Druck setzt; Agilität ist dabei die Grundvoraussetzung, um diese Tools erfolgreich zu integrieren. Zitat: „Diesmal ist der Begriff Gamechanger wirklich nicht unterbewertet. Das ist das ganze Thema AI." 15:36 Kerstin Neumann https://www.linkedin.com/in/kerstin-neumann-abb01312/ Herausforderungen sollten als „Trainingsfläche" begriffen werden, um durch Akzeptanz und Übung in einen Flow-Zustand zu gelangen, der die benötigte Energie für Problemlösungen deutlich reduziert. Zitat: „...dass irgendwann die Label, also Attribute, Herausforderungen, Problemen, Hürde verloren gegangen sind [...] weil vor mir Situationen lagen, die gehandhabt werden wollten." 17:53 Holger Nils Pohl https://www.linkedin.com/in/holgerpohl/ https://clarity.holgernilspohl.com Nach einer schweren persönlichen Krise ist die wichtigste Lehre, den Prozess über das Ziel zu stellen, Langeweile wertzuschätzen und strikte Grenzen zur eigenen Regeneration zu ziehen. Zitat: „Das Ziel ist eigentlich gar nicht wichtig, weil ich weiß nicht, ob ich das Ziel von irgendetwas morgen erreiche, egal wie sehr ich anpacke." 20:14 Büsra Coskuner https://www.linkedin.com/in/busra-coskuner/ https://www.busra.co Während die technologische Entwicklung rasant verläuft, verändert sich der Arbeitsmarkt durch Layoffs und neue Anforderungen an „AI-Fluency" fundamental; die Karten zwischen Individuen und Firmen werden komplett neu gemischt. Zitat: „Die Karten werden neu gemischt. Zum einen natürlich eben auch auf dem Jobmarkt, sich selbst als Profil hervorzuheben, aber vor allen Dingen auch bei den Companies." 22:23 Patrick Sauerwein https://www.linkedin.com/in/patricksauerwein/ https://virtualpatrick.com Die Erfahrungen des Jahres mahnen zu mehr Empathie, interkultureller Neugier und einer konsequenten Rückbesinnung auf den Sinn im Leben und die Verbindung zu anderen Menschen. Zitat: „...mit dem Herzen Menschen zu verbinden, irgendwas zu hinterlassen, wo man da drin aufgeht. Das Ganze eigentlich vielleicht auch mal mit mehr Liebe." 24:39 Konstantin Diener - cosee GmbH https://www.linkedin.com/in/konstantin-diener-4030b820a/ https://www.cosee.biz In Zeiten wirtschaftlicher Stagnation muss Innovation auch bedeuten, Kosten zu sparen; gleichzeitig gilt es, mit KI echte Wertstiftung zu betreiben, statt nur automatisierte „Plastikspielzeugprodukte" zu erzeugen. Zitat: „Innovation bedeutet auch, Kosten sparen, nicht nur mehr Geld zu verdienen." 27:07 Jan Hegewald https://www.linkedin.com/in/jan-hegewald/ Es besteht eine wachsende Gefahr durch eine starke Kommerzialisierung der KI; für die Zukunft sind verantwortungsvolle „Guardrails" und der Aufbau neuer, fundamentaler gesellschaftlicher Fähigkeiten entscheidend. Zitat: „Ich wünsche euch allen [...] dass wir als Gesellschaft die richtige Art finden, die besten fundamentalen Veränderungen zu [meistern]." 29:08 Dominique Winter https://www.linkedin.com/in/dominiquewinter/ https://produktwerker.de In einer Welt ständiger Irritation müssen wir die Kompetenz entwickeln, uns schnell und iterativ neu auszurichten, während wir im Kleinen (privat und kollegial) aktiv positive Erlebnisse schaffen. Zitat: „Wenn wir auch nicht vielleicht im Großen alles ändern können, können wir doch gerade schauen, dass die kleinen Sachen gut funktionieren." 31:26 Tim Klein https://www.linkedin.com/in/timklein-de/ https://produktwerker.de Das Jahr war geprägt von extremer politischer Verunsicherung und einem explosionsartigen Aktivitätsschub im letzten Quartal; Trends wie „Vibecoding" zeigen dabei, dass die KI-Entwicklung gerade erst am Anfang ihrer Dynamik steht. Zitat: „Vibecoding, ein Begriff, der zu Beginn des Jahres noch nicht mal bekannt war und heute gefühlt in aller Munde ist." 33:37 Stefan Roock - it agile https://www.linkedin.com/in/stefanroock/ https://www.it-agile.de Agilität ist oft an oberflächlicher Umsetzung gescheitert (z.B. bei Continuous Integration); echtes agiles Arbeiten bietet nach wie vor riesiges Potenzial, braucht aber vielleicht einen neuen Namen, da der alte Begriff verbraucht ist Zitat: „Vermutlich ist der Begriff Agilität allerdings verbraucht und möglicherweise brauchen wir das, was Agilität eigentlich meinte, unter einem anderen Namen." 36:18 Markus Andrezak Die inhärente Unsicherheit betrifft uns alle gleichermaßen; die Lösung liegt darin, die KI für Routineaufgaben (Verwaltung) zu nutzen, um endlich wieder mehr Zeit für die menschliche Gestaltung und Differenzierung zu gewinnen Zitat: „Wir konnten nie genug gestalten. Wir sind immer von der Verwaltung aufgefressen worden. AI kann uns unendlich beim Verwalten unterstützen [...] und deswegen in der Gestaltung unterstützen."   39:21 Ende

Links zur Folge:  Alles zu meinem Strategy Collective: https://ueberproduct.de/seminar/the-strategy-collective/  Web Session am 11. Dezember, 10 Uhr, Input und Fragen dazu: https://us06web.zoom.us/meeting/register/-qDCbCrLT_2rp5Nva3mH7Q  Melde Dich gerne bei mir, falls Du Interesse hast und Dir nicht klar ob es für Dich passt u.ä.  Mayflower: https://mayflower.de  Björn Schotte auf LinkedIn: https://www.linkedin.com/in/bjoernschotte/  Björn's Talk "AI or Die": https://www.youtube.com/watch?v=HCOQBWPMN6s  Seine Slides zum Talk: https://www.linkedin.com/posts/bjoernschotte_der-große-ai-reset-für-product-manager-und-activity-7396088563727011840-j_eo?utm_source=share&utm_medium=member_desktop&rcm=ACoAAAMK_DMBJzkWYLNvJNYLK4jJCPycaoTSYRQ Zwei Personen, die sehr viel zu PM / AI auf LinkedIN posten und auch auf ihren Blogs dazu veröffentlichen:  Claudia Wodtke (den meisten wegen ihrem OKR-Klassiker bekannt): https://www.linkedin.com/in/christinawodtke/  Theresa Torres (den meisten wegen Continuous Discovery bekannt): https://www.linkedin.com/in/teresatorres/  In dieser Folge ist Björn Schotte mein Gast. Björn hat Mayflower mit gegründet und ist dort Geschäftsführer. Mayflower entwickelt Software für andere. Sie haben sehr früh mit agiler Software-Entwicklung angefangen. Weil das schwer für andere zu verstehen war, haben sie auch sehr lange Schulungen gegeben, auch bis hin zu OKR Schulungen. Sie haben auch ein fantastisches Produkt-Event - das Product Owner Camp - in Frankfurt über Jahre gestaltet. Immer mit dabei: Björn.  Mayflower hat sich dann schon vor 4-5 Jahren vollständig der Entwicklung mit Hilfe von AI gewidmet und eine riesige Transformation dorthin unternommen. Wahrscheinlich sind sie heute in diesem Bereich in Deutschland mit führend.  Björn hat letztens einen Vortrag für Produktmanager gehalten, in dem er OM als das Bottleneck dargestellt hat. "AI or Die - der große Reset". Den Talk siehst Du unten verlinkt, ebenso die Slides zu seinem Talk. In dieser Folge beschreibt Björn die Transformation des Produktmanagements durch AI und Automatisierung. Er beleuchtet die Rolle des Produktmanagers in einer zunehmend technologiegetriebenen Welt, die Notwendigkeit zur Anpassung an neue Tools und Prozesse sowie die Herausforderungen, die durch die Organisationen selbst entstehen.  Die Diskussion umfasst auch die Bedeutung von User-Tests, Feedback-Mechanismen und die Zukunft des Designs in der Produktentwicklung. In dieser Episode diskutieren wir auch darüber, wie Alignment funktioniert, wenn Sprints keinen Sinn mehr machen.  Wie sieht Zusammenarbeit aus? Machen OKRs noch Sinn? Wenn nein, wie bleibt man dann in einer Richtung? Was sind erste Schritte, die ich als OM gehen kann um die neue Welt zu entdecken? Wie nehme ich meine Organisation mit? Am Ende bleiben Daten und Kreativität im Kern wichtig. Dazu kommt aber auch Orchestrierungsfähigkeit im neuen Umfeld mit vielen unterstützenden Agenten.  Zudem betonen wir die Bedeutung von Transformation, Mut und Skills für Veränderungen in Unternehmen thematisiert, sowie der Umgang mit Defiziten in Technologien und die Wichtigkeit menschlicher Beziehungen in einem zunehmend automatisierten Umfeld.  Finally gibt Björn den Rat, sich eher bei Entwicklern Rat zu holen als bei PM—Kollegen, um neue Perspektiven einzunehmen.  Takeaways  - Die Rolle des Produktmanagements wird sich durch AI verändern.  - Produktmanager müssen engineering-naher werden.  - Orchestrierung wird zur Schlüsselkompetenz für PMs.  - AI ermöglicht schnellere Experimente und Iterationen.  - Automatisierung kann User-Tests und Feedback-Prozesse verbessern.  - Die Organisation kann ein Bottleneck für Innovation sein.  - Moderne Tools sind notwendig, um wettbewerbsfähig zu bleiben.  - Designsysteme müssen für AI optimiert werden.  - Die Wettbewerbsfähigkeit kann durch AI gesteigert werden.  - OKRs sind ein Mittel zum Alignment in Unternehmen.  - Automatisierung kann Dokumentation und Berichterstattung erleichtern.  - Skills und Tools sind notwendig für effektives Management.  - Der Weg vom 70%-er zum 5%-er erfordert erste Schritte zur Automatisierung.  - Transformation erfordert Mut und die richtigen Skills.  - Outcome-Stories sind wichtig für die Erfolgsmessung.  - Der Umgang mit Defiziten in Technologien ist herausfordernd.  - Menschliche Beziehungen sollten nicht automatisiert werden.  - Wissen und Inspiration sind entscheidend für den Fortschritt.  Chapter  00:00 Intro  05:55 Produktmanagement im Wandel  11:57 Die Rolle der 5% in der Produktentwicklung  17:45 Orchestrierung und Automatisierung im Produktmanagement  23:42 Zukunftsvisionen für Produktmanager  27:49 Die Rolle der Organisation in agilen Prozessen  29:16 Zusammenarbeit in 5-Prozent-Teams  31:01 Interaktion und Feedback in der Produktentwicklung  31:53 Notwendigkeit von CI/CD Pipelines  33:07 Toolstack für Produktmanager in der AI-Welt  33:43 Cloud Code und Designsysteme  36:01 Die Rolle des Produktmanagers in der AI-Ära  37:58 Gemeinsame Entwicklung von Fähigkeiten  40:26 Die Evolution des Designerberufs  41:48 Wettbewerbsfähigkeit durch Systemverbesserung  44:02 Zukunft des Produktmanagements  47:20 Fluide Prozesse und agile Strategien  48:51 Orientierung im agilen Umfeld  50:22 Automatisierung und Dokumentation  52:51 Der Weg vom 70%er zum 5%er  56:17 Transformation und Mut zur Veränderung  01:00:35 Outcome-Orientierung im Produktmanagement  01:08:25 Gemeinsame Geschwindigkeit im Unternehmen 01:11:02 Zukunftsvisionen und Unternehmensziele  01:12:08 Technologische Defizite und Herausforderungen  01:13:04 Optimierung von AI-Systemen  01:17:18 Menschliche Beziehungen und Automatisierung  01:19:11 Unkontrollierbarkeit und Emotionen in der Technologie  01:21:43 Lernquellen und persönliche Entwicklung

pckd - Herrenunterwäsche aus Berlin, hangenäht in Portugal aus edlen Stoffen. Ein kleines Label aus Berlin, ein Familienbetrieb, geführt von Evgeny und seinem Bruder. In dieser Folge schauen wir hinter die Kulissen eines aufstrebenden kleinen Unternehmens und lernen über die schönen, aber auch die harten Seiten. Schön, wenn die Kunden begeistert sind und noch dazu bei einem so „berührenden" Produkt. Hart, wenn die Produktionsstrasse wegfällt. Bitter, wenn Covid die Verbindung zur einzigen Produktion, die man hat, abkappt. Was dann? Wie kann man die Kundenerfahrung über den ganzen Prozess von Marketing über Bestellung, Verkauf, Lieferung und noch darüber hinaus so gestalten, dass man sich gegen billigere Konkurrenz abheben kann? Wie weit kann man dabei gehen? Wie kann man diese hochwertige analoge Welt mit der digitalen Welt des Internet-Verkaufs verbinden? Evgeny erzählt es. Schaut Euch die Ware hier an: https://www.pckd.de Der Rabatt-Code (30 großzügige Prozent!) ist: ueberproduct Viel Spaß bei der Folge! Lasst von Euch hören! Chapter:  00:00:00 Intro 00:02:37 Vom Digitalen zur Herrenunterwäsche 00:05:39 Innovationsfaktor und Produktentwicklung 00:10:22 Risiko-Management und strategische Entscheidungen 00:14:27 Positionierung und Branding im Textilmarkt 00:22:20 Herausforderungen in der Produktion und Marktstrategie 00:23:58 Marktanalyse und Positionierung 00:27:24 Kundenansprache und Marketingstrategien 00:32:21 Kundenservice und Einkaufserlebnis 00:40:19 Herausforderungen in der Produktionskette 00:49:07 Herrenunterwäsche und Innovation??? 00:50:30 Innovation als Problemlösung 00:53:40 Markenidentität und Ausschlusskriterien 00:56:47 Produktentwicklung und Anpassung für Sport? 01:01:39 E-Commerce und das Einkaufserlebnis 01:04:57 Weihnachtsgeschäft und Rabatt-Code!!!

The star of this episode is Janna Bastow. You might know Janna from her role in setting up "Mind The Product" or as one of the business owners of the company running ProdPad, a specalized, really cool tool supporting smart work of Product Managers and Owners. But there's always more to the story of a person showing outcomes like these. In the episode, we follow Janna making her way from Canada to the UK. There she finds her self in a product management role, trying to figure out what that actually means. The role is not hat clear yet on our industry. Trying to figure that out, Janna is calling for action. She organizes community events for product people in a similar situations, which ultimately is the root of building the Mind The Product community. The rest of that is history. It grew to more than a community basically becoming a product minded media house. At that stage, Janna decided to seek the next challenge and follow and idea she had for some time: Building a tool that really focuses on the work of product people and only devoted to this. None of the tools on the market went far enough. So, together with Simon Cast, she went at it. Knowing the complex and multi faceted work of a Product Manager, she built the tool she would have liked to have when she started off. The tool is different in that it draws from all kinds of data sources that already exist in your environment and builds on those. You can build and configure very individual views. One main point is that all data which you base your decisions on can be seen and shared and thus, discussions can be based on that date. E.g. discussions on features in a spring and how why they are important or not can be based on the underlying data from customer interviews over inpur from support, any existing research data or stakeholder input. All is simply revealed without having to invest work. Another example is how PMs are supported in creating roadmaps based on existing data. A fun side story is how Janna was always depressed that she is obviously the only PM never being able to deliver on her roadmap "promises". Until she realized in her conversations in the meetups that led to "Mind The Product" that actually no PM ever delivers on these promises. Roadmaps were simply too static. She picked up on the "Now, Next, Later" concept and implemented in ProdPad to huge success and that is one of the main sources of "Now, Next, Later" being so huge these days. Of course, being loaded with data, the current topic of Janna and ProdPod is how can we enhance the tool with the right level and UseCases of AI? The aim is getting rid of the boring work and digging through statistics in the background and giving you hints, rather than doing the work that humans do best. Janna invites you to try the tool and suggest use cases for AI that would help you in your everyday PM life. See the links below for trial and contact information. For me, the underlying backstory of this episode is how the role of the PM was hugely under-defined even ca. 15 years ago while now being hugely over defined. The problem over the last 15 years has switched from having too little information to now having information overflow, but still clarity is hard to find. It's still not a clear cut role. But maybe that's just the nature of the game. Thanks a ton, Janna for this open exchange about your personal journey. You don't know me as a huge fan of tools, but I am impressed by the unique way that ProdPad is doing things well and different. It helps you define your own PM workflow or that of your organization. The way you configure the tool is the documentation of that flow at the same time. Also, it can help in managing up as well as in managing your stakeholders and help lead the right discussions by always exposing the right data for the discussion. It always helps to make sense of your assets and prevents you form simply filling out a "form" by asking the right questions. Thanks Janna for this great conversation! I can only invite you to have a look into ProdPad and see for yourself. Follow and / or contact Janna on LinkedIn: https://www.linkedin.com/in/jannabastow/ How to access a ProdPad Demo: https://www.prodpad.com/demo/ ProdPad on their stance on AI:  https://www.prodpad.com/features/ai-for-product-managers/ 00:00:00 Intro 00:03:12 Janna's Background 00:08:06 Erste Schritte im Produktmanagement 00:18:09 Social Web: From Meetups to Mind The Product 00:29:14 Mind the Product: Growth 00:34:06 Start-Up surprises and embracing serendipity 00:40:47 Initial triggers of ProdPad 00:55:21 Eureka and Now, Next, Later 00:57:07 Exposure and Daring 01:00:53 Continuous Feedback and validation 01:03:58 What Problem are you trying to solve? 01:07:11 Supporting Transparency and Collaboration in Product Management 01:10:06 Potential of AI in Prod Management and ProdPad 01:14:11 Invitation to help with AI in ProdPad 01:18:10 What's next in Product Management? 01:26:09 Outro

Diese Folge hat mir besonders viel Spaß gemacht und ich war besonders gespannt: Die Produktwerker, meine Freunde aus Köln. Sie zeichnen sich aus durch einen wöchentlich, regelmässig Montags um 6:00 Uhr morgens erscheinenden Podcast. Und ich meine: wirklich wöchentlich um 6:00 Uhr morgen. Sie bieten unheimlich nette, freundliche Education, begonnen von der klar strukturierten Website über ihre öffentlichen und internen Trainings. Vor allem aber haben sie ein unglaublich inklusive, freundliche, einladende Art. Jedes Event, bei sie dabei sind strahlt unter ihrer Freundlichkeit. Erlebt sie. Heute im Podcast: Tim Klein stellvertretend für die drei!

Hey, we haven't heard in a while. I am happy to be back. In all kinds of ways. If you have questions where I was, ask.  But let's cut to the chase! This pod is all about Holger and his new book on autism. It is written from first hand experience with all empathy you can imagine. It's also a short entertaining read for the whole family. Especially for families not familiar or ever having been in touch with autism.  So, before you do anything else, I urge you to visit Holger's Kickstarter Campaign for the book! Also, please spread the word!!! If you want to know more, stay here and listen to the pod. I have watched Holger's work since many years, but we never met. Finally, we met at a a conference in Cologne this spring and we spent a lot of time discussing. Holger is a person, I felt attached to right away but not only Holger as a person but also his work and thinking.  I learned straight away that he did what I always promised, at least to myself, which is to write a book. Not only one, but the current count is - we are not quite sure, at ten.  For my personal view, Holger's latest book is his most important one. It is called „The Wrong Planet". It tells the story of an alien on an unexpected journey to planet earth, having a crashed landing and having a couple of encounters to species unknown to him: ducks, a bear, a beaver an otter and a frog.  Ofc, all of this is a metaphor for  the experiences of people living with Asperger Autism. It is written from a person knowning the experience first hand. More in the episode. Lots more. The book is a very short and easily digestible book for the whole family, old and young, and also or even more interesting to anyone not living with Asperger autism. Beyond that it is ofc leading to thoughts of a more general and deeper understanding of diversity in general. The English version is a kickstarter project available from June 11 2024. All relevant info is available under holgernilspohl.com/autism. There will also be super interesting pledges excerpt just the book. Go there, get the info, be informed and potentially buy! If you want the German edition, you are lucky, you can directly buy it from Holger und his webpage holgernilspohl.com/ under books. Ofc we cover all the other work that Holger is doing and you also might already know him from his work in innovation and visualization or any of his collaborations with Alex Osterwalder, Sohrab Salimi and many more. Also, the conversation goes a long way on getting started, staying in pace, productivety and getting done as well as the value of visualization - which is Holger's actual profession. Last not least, his latest non fiction book „Creating Clarity" is awesome and you can just do it like me and direct order from Holger and get it shipped signed and super instantly. A really nice product experience. Go For it. But now: LetÄs listen to the man himself.  Again: Check out Holger's kickstarter project „The Wrong Planet" from June 11 2024 on https:// holgernilspohl.com/autism Or check out the already existing German version of the book on his web page under books. Thanks for listening, thanks to Holger for his time and see / hear all of you soon.   Chapters 4:10 - Intro to „The Wrong Planet"   9:10 - Craft and Detail make a story work for young and old   16:30 - Backstory and Motivation for "The Wrong Planet"   20:15 - Why a fiction book?   24:20 - Kickstarter and more info 30:30 - Info on autism 32:20 - Getting a diagnosis 41:00 - All of Holger's Books 48:10 - How Holger manages Productivity 1:06:20 - The concept Of Now 1:14:55 - Models as Fiction 1:16:00 - All of Holger's other work 1:22:10 - On getting started