Die 80% Falle – Künstliche Intelligenz im Produktmanagement
Produktmanagerinnen und Produktmanager kennen das Problem: Kaum ist eine Sache fertiggestellt, folgt bereits die nächste Anfrage aus Vertrieb oder Support. Welche Produktvariante eignet sich für diesen Kunden? Welche Einschränkung gilt in Kombination mit jener bestimmten Konfiguration? Warum wurde eine Funktion vor zwei Jahren genauso umgesetzt?
Mit jeder beantworteten Frage wächst zwar der Nutzen für das Unternehmen – gleichzeitig bleibt weniger Zeit für die eigentlichen Aufgaben der Produktmanagerin oder des Produktmanagers: Marktanalyse, Strategieentwicklung, Portfoliomanagement, Preisoptimierung und Innovation.
Das Wissen in unseren Köpfen
Die Künstliche Intelligenz verspricht hier Abhilfe: Wissen, welches der Vertrieb und Support vom Produktmanagement brauchen, kann zukünftig von KI-Agenten bezogen werden. Insbesondere bei komplexen Produkten und Dienstleistungen ist der Bedarf an fundiertem Produktwissen hoch. Der Business Case liegt auf der Hand. Das Problem ist aber, dass ein grosser Teil dieses Produktwissens nicht dokumentiert ist. Es basiert auf Implementationsprojekten, Kundengesprächen, Trouble-Shooting, Managementmeetings, Gesprächen mit dem Entwicklungsteam oder Anwendungsfällen der Vergangenheit. Kurz ein grosser Teil des Produktwissens ist Erfahrungswissen, auf Englisch Tacit Knowledge.
Verschiedene Quellen gehen davon aus, dass bis zu 80% unseres Produktwissens, unstrukturiertes, undokumentiertes Tacit Knowledge ist. Diese Tatsache birgt mehrere Risiken:
Bottlenecking - Einzelne Produktmanager werden zur zentralen Wissensdrehscheibe zwischen Entwicklung, Vertrieb und Support
Knowhow-Verlust - Bei Stellenwechseln oder kurzfristigen Austritten geht wertvolles Wissen verloren
Lange Einarbeitungszeiten neuer Kolleginnen und Kollegen
Ineffizienzen nicht nur im Produktmanagement, sondern auch im Vertrieb und Support, welche viel Zeit mit der Suche nach Antworten verbringen oder auf Rückmeldungen warten.
Unternehmen verfügen bereits über zahlreiche Informationsquellen: SharePoints, Confluence, Wikis, Product Information Management Systeme (PIM), Content Management Systeme (CMS) oder andere Dokumentenablagen. Das Problem ist, diese Systeme umfassen nur sogenanntes Explicit Knowledge, dokumentiertes Wissen. Herausforderungen hier sind, dass die Informationen häufig über mehrere Systeme verteilt sind, limitiert à jour gehalten werden und schwer auffindbar sind.
Klassische Wissensdatenbanken reichen nicht aus
Mit Lösungen der künstlichen Intelligenz können Mitarbeiter auch im Unternehmenskontext nicht mehr mit Suchbegriffen nach Dokumenten suchen, sondern können ihre Informationssuche in einen Kontext setzen, welcher der Künstlichen Intelligenz hilft, relevante Inhalte von nicht-relevanten Inhalten zu trennen, idealerweise inklusive Quellenangabe.
Eine Künstliche Intelligenz ist nur so gut wie die Wissensbasis, auf welcher sie aufbaut. Das Problem besteht selten darin, dass Informationen komplett fehlen. Häufig sind sie einfach unvollständig oder nur oberflächlich dokumentiert. Das Erfahrungswissen aus den Köpfen der Produktmanager, Presales-Berater oder Servicetechniker fehlt.
Gute KI braucht mehr als gute Sprachmodelle
Die Qualität eine KI-unterstützten Informationssuchfunktion hängt nicht primär vom verwendeten LLM ab, sondern von seiner Wissensbasis. Diese Wissensbasis besteht aus drei Komponenten:
Explizites Wissen (Explicit Knowledge): Dokumentiertes Wissen wie Spezifikationen, Produktunterlagen, Prozessbeschreibungen oder Wissensdatenbanken.
Implizites Wissen (Tacit Knowledge): Erfahrungswissen der Mitarbeitenden, der Teil des Unternehmenswissen, welches undokumentiert, personenabhängig und schützenswert ist.
Verifiziertes externes Wissen: Fachliteratur, Normen, wissenschaftliche Publikationen, aber auch validierte Inhalte des Internets wie Blogeinträge, Webinars oder Podcasts, welche im Kontext des Geschäftsfelds des Unternehmens Sinn machen.
KI erkennt ihre eigenen Wissenslücken
KI-Lösungen für die Ausbildung und Information zu Produktwissen bei Vertrieb, Vertriebspartnern und Service sind ein Mehrwert, wenn diese alle drei Wissensquellen miteinander verbinden. Aber wie bringen wir das Erfahrungswissen in die Wissensquelle für die Künstliche Intelligenz? Es fängt damit an – und das ist die entscheidende Neuerung – dass die Künstliche Intelligenz Lücken ihrer eigenen Wissensbasis identifiziert. Diese Lücken können entweder sein, dass gewisse Fragen mit dem vorhandenen Wissen nicht beantwortet werden können oder dass die Aktualität, Berechtigungen, Versionierung nicht mehr korrekt sind. In diesem Fall startet die Intelligenz eine Anfrage beim jeweiligen Wissensträger innerhalb des Unternehmens. Sie startet einen sogenannte Closed Loop:
Die KI erkennt eine Wissenslücke.
Sie identifiziert automatisch den zuständigen Experten (z.B. der Produktmanager) anhand von Rollen, Kompetenzen oder Verantwortlichkeiten.
Der Produktmanager beantwortet die offenen Fragen in einem kurzen Interview – beispielsweise per Spracheingabe.
Die neuen Informationen werden strukturiert in die Wissensbasis übernommen.
Künftige Anfragen können sofort ohne erneute Rückfrage beantwortet werden.
So wächst die Wissensbasis kontinuierlich weiter, ohne dass die Produktmanager Dokumente, Spezifikationen oder Q&A nachführen oder erweitern müssen. Gleichzeitig erkennt die KI veraltete oder widersprüchliche Dokumentationen und liefert Hinweise, welche Inhalte aktualisiert werden sollten.
Weniger Unterbrechungen – mehr Zeit für strategische Arbeit
Der Nutzen zeigt sich auf mehreren Ebenen. Für Vertrieb und Support gibt die Lösung schnellere Antworten ohne Wartezeit und mit nachvollziehbaren Antworten mit Referenzen auf Originalquellen. Ferner hat der Vertrieb die Bequemlichkeit einer Kontextsuche.
Das Produktmanagement seinerseits hat deutlich weniger operative Unterbrechungen und kann neue Wissenslücken gebündelt und in definierten Zeitfenstern beantworten. Es erhält zudem Transparenz darüber, welche Fragen Vertrieb und Kunden tatsächlich beschäftigen. Damit kann es die Produktdokumentation und Wissensbasis kontinuierlich verbessern und Produktverbesserungen initiieren.
Der Erfolg lässt sich messen
Viele Unternehmen investieren heute in leistungsfähige KI-Modelle. Der grössere Hebel liegt jedoch häufig an einer anderen Stelle: in der systematischen Erschliessung des eigenen Erfahrungswissens. Wer explizites Wissen mit dem Erfahrungswissen seiner Mitarbeitenden verbindet und diesen Prozess kontinuierlich pflegt, entlastet nicht nur Produktmanager, sondern schafft eine lernende Wissensplattform, von der Vertrieb, Support, Entwicklung und letztlich auch die Kunden profitieren.
Ob eine KI-gestützte Wissensplattform im Produktmanagement ihren Nutzen entfaltet, zeigt sich anhand weniger Kennzahlen:
Wie viele Anfragen kann der Chatbot selbstständig beantworten?
Wie präzise und zuverlässig sind die Antworten?
Wie schnell werden Antworten geliefert?
Wie konsequent werden neue Wissenslücken durch Experten geschlossen?
Wie entwickelt sich die Qualität der Wissensbasis über die Zeit?
Nur wenn dieser kontinuierliche Verbesserungsprozess funktioniert, bleibt das Vertrauen der Nutzer erhalten und die Wissensbasis gewinnt dauerhaft an Qualität. Die zentrale Frage lautet deshalb nicht mehr: Welches KI-Sprachmodell setzen wir ein? Sondern: Wie machen wir das Wissen unseres Unternehmens dauerhaft für Mensch und Künstliche Intelligenz nutzbar?