In meinem Beitrag Ist Scrum noch zeitgemäß? habe ich beschrieben, wie KI-gestützte Teams so schnell werden, dass der Product Owner zum Engpass wird. Daraus folgt eine Frage, die mich seitdem in Projekten beschäftigt: Was genau muss ein PO liefern, damit ein schnelles Team das Richtige baut?
Mehr Tickets in kürzerer Zeit sind darauf keine gute Antwort. Ich erlebe regelmäßig, dass Teams ihre Tickets sauber abarbeiten und alles funktioniert. Trotzdem ist das Ergebnis kein Produkt, das der Kunde wirklich braucht. Es ist schlicht nicht fertig, und für diesen Unterschied muss jemand Verantwortung übernehmen.
Dieser Beitrag beschreibt, welche fachlichen Informationen, Entscheidungen und Grenzen Product Owner und Entwickler:innen gemeinsam klären sollten. Wie KI-generierte Ergebnisse technisch geprüft und übergeben werden, behandelt unser Beitrag zur KI-gestützten Softwareentwicklung in der Engineering-Praxis.
Ein erledigtes Ticket löst noch kein Kundenproblem
Ein Ticket kann alle vereinbarten Kriterien erfüllen und trotzdem wenig zum eigentlichen Problem beitragen. Hilfreich ist es, drei Ebenen auseinanderzuhalten:
- Arbeitsergebnis: Die vereinbarte Änderung ist umgesetzt.
- Nutzbarkeit: Die Änderung funktioniert im vorgesehenen Arbeitsablauf.
- Wirkung: Das Problem des Kunden wird tatsächlich kleiner.
Klassische Entwicklungsprozesse prüfen vor allem die erste Ebene. Die Definition of Done fragt, ob umgesetzt und getestet wurde. Ob die Sachbearbeiter:innen beim Kunden danach weniger Zeit für einen Vorgang brauchen, beantwortet sie nicht. Produktverantwortung umfasst alle drei Ebenen.
Schaubild: Vom erledigten Ticket zur Wirkung beim Kunden

Abbildung 1: Ein erledigtes Ticket deckt nur die unterste Ebene ab. Die Produktverantwortung reicht bis zur Wirkung beim Kunden. Vereinfachte Darstellung.
Mit KI gewinnt dieser Unterschied an Gewicht. Die DORA-Forschung zu nutzerzentrierter Entwicklung beschreibt KI als Verstärker: Ohne klaren Fokus auf die Bedürfnisse der Nutzer:innen kann beschleunigte Codeproduktion ein Team schlicht schneller in die falsche Richtung treiben. DORA empfiehlt deshalb, Entwickler:innen direkten Zugang zu Nutzerfeedback zu geben und Erfolg an der Wirkung des Produkts zu messen.
Welche Fehler durch fehlenden Projektkontext entstehen
Wenn KI-gestützte Umsetzung danebenliegt, heißt es schnell, die KI habe halluziniert. Oft fehlte aber schlicht der Kontext. Ein Sprachmodell ohne die nötigen Informationen denkt sich das Thema zu Ende, um die Aufgabe trotzdem abzuschließen. Menschen reagieren in unübersichtlichen Großprojekten übrigens ganz ähnlich.
Modellfehler verschwinden dadurch allerdings nicht. OpenAI erläutert in seiner Forschung zu Halluzinationen, dass Sprachmodelle auch bei Unsicherheit überzeugt klingende, falsche Antworten erzeugen, weil Training und Bewertung das Raten bisher eher belohnen als das Eingeständnis von Unsicherheit. In der Praxis lohnt es sich deshalb, vier Fehlerarten zu unterscheiden:
|
Fehlerart |
Beispiel |
Konsequenz |
|
Fehlende Information |
Ein fachlicher Ausnahmefall wurde nicht beschrieben |
Fachlichkeit ergänzen |
|
Widersprüchlicher Kontext |
Ticket und aktuelle Dokumentation nennen unterschiedliche Regeln |
Widerspruch klären |
|
Offene Entscheidung |
Niemand hat festgelegt, wie ein Grenzfall behandelt werden soll |
Zuständige Person entscheiden lassen |
|
Modellfehler |
Das Modell widerspricht vorhandenen Informationen oder erfindet Inhalte |
Ergebnis prüfen und korrigieren |
Tabelle 1: Vier Fehlerarten in KI-gestützter Umsetzung. Nur die letzte liegt beim Modell; die ersten drei lassen sich durch fachliche Klärung vermeiden.
Mehr Kontext senkt das Risiko, garantiert aber keine fehlerfreien Ergebnisse. Entscheidend ist, dass ungeklärte Fragen sichtbar bleiben. Trifft das Team oder die KI eine Annahme, sollte sie als Annahme gekennzeichnet und bei relevanten Folgen bestätigt werden.
Eineinhalb Stunden Vorbereitung mit zusammengeführtem Projektwissen
Wie viel fachliche Klärung ausmacht, habe ich vor einiger Zeit selbst erlebt. Zwei Kolleg:innen sollten für einen Kunden eine App bauen, und für einen anstehenden Kundentermin war die Vorbereitung dünn. Ich habe mir daraufhin rund anderthalb Stunden genommen, Ticketsystem, Code-Repository, einen KI-Assistenten und die übrigen Projektsysteme verbunden und das gesamte Vorhaben analysieren, beschreiben und einordnen lassen.
Im Termin konnte ich dadurch klar sagen, was zu tun ist. Den größten Anteil daran hatte die Strukturierung: Wir hatten ein gemeinsames Bild davon, was wir bauen und warum.
Die Episode hat Grenzen, die ich offen benennen möchte. Ich habe die Vorbereitungszeit nicht mit einem Vergleichswert gemessen, und eine 90-minütige Analyse ersetzt keine vollständige fachliche Prüfung. Sie zeigt aber, wo der Hebel liegt. Das Wissen war im Projekt vorhanden, nur verstreut. Erst durch das Zusammenführen und Einordnen wurde daraus ein Verständnis, mit dem ein Team arbeiten kann. Und darin sehe ich eine Kernaufgabe des Product Owners im KI-Zeitalter.
"Der größte Hebel liegt oft in einer simplen Frage: Was machen wir hier eigentlich?"
Was der PO für eigenständige Umsetzung bereitstellen muss
Im Scrum-Beitrag habe ich ein Modell beschrieben, in dem alle im Team die Vision kennen und ihre Tickets selbst schreiben. Das bleibt ein guter Ausgangspunkt. Für neue Detailfragen reicht die Vision allein allerdings nicht. Dafür braucht ein Team ein fachliches Kontextpaket, das der PO gemeinsam mit den Entwickler:innen aufbaut und pflegt.
Das fachliche Kontextpaket
|
Bestandteil |
Leitfrage |
Überprüfbare Grundlage |
|
Kundenproblem |
Was funktioniert im heutigen Ablauf unzureichend? |
Beobachtung, Gespräch oder nachvollziehbarer Befund |
|
Ziel und Priorität |
Welche Verbesserung rechtfertigt die Umsetzung? |
Gemeinsame Zielbeschreibung und Priorisierung |
|
Fachliche Regeln |
Welche Fälle und Ausnahmen müssen berücksichtigt werden? |
Beispiele und bestätigte Regeln |
|
Umfang |
Was gehört zum Arbeitspaket? |
Grenzen und ausdrücklich offene Punkte |
|
Abhängigkeiten |
Welche angrenzenden Abläufe oder Systeme sind betroffen? |
Fachliche Zusammenhänge und technische Klärung |
|
Entscheidungsrechte |
Was darf das Team entscheiden? |
Zuständigkeiten und Eskalationskriterien |
|
Akzeptanz und Wirkung |
Woran erkennen wir eine brauchbare Lösung? |
Prüfkriterien und passende Rückmeldung |
|
Quellen und Stand |
Woher stammen die Informationen? |
Herkunft, Aktualität und dokumentierte Änderungen |
Tabelle 2: Bestandteile eines fachlichen Kontextpakets. Das Paket bleibt veränderbar und ist keine vollständige Vorabspezifikation des Projekts.
Der anspruchsvollste Teil ist die Zerlegung. Der PO bricht das Kundenproblem in fachlich sinnvolle Module herunter, ohne den Zusammenhang zu verlieren: Jedes Arbeitspaket braucht den Bezug zum Produktziel und zu angrenzenden Abläufen. Welche Informationen für eine konkrete Umsetzung nötig sind und wie sie technisch bereitgestellt werden, gestalten die Entwickler:innen mit. Die technische Architektur bleibt Aufgabe des Teams.
Ein Problem so zu zerlegen, dass Menschen und KI es sinnvoll bearbeiten können, ist eine erlernbare Fähigkeit. Darauf geht auch unser Beitrag Low Code und No Code: Warum erst KI das Versprechen einlöst ein.
Entscheidungsrechte klären
Ohne geklärte Entscheidungsrechte landet jede offene Frage wieder beim PO, und der Engpass ist zurück. PO und Team sollten deshalb gemeinsam festlegen:
- welche Entscheidungen das Team selbst trifft, etwa bei Umsetzungsdetails innerhalb der beschriebenen Regeln;
- wann eine Produktentscheidung nötig ist, zum Beispiel wenn sich Umfang, Priorität oder das Verhalten für Kund:innen ändert;
- welche Risiken weitere Verantwortliche einbeziehen, etwa bei Datenschutz, Sicherheit oder Verträgen;
- wie neue Erkenntnisse dokumentiert werden, damit das Kontextpaket aktuell bleibt;
- wie die Vertretung funktioniert, wenn der PO krank oder im Urlaub ist.
Der letzte Punkt wird häufig unterschätzt. Kann ein Team ohne PO keinen Tag weiterarbeiten, ist das Kontextpaket zu dünn oder die Entscheidungsrechte sind zu eng gefasst.
Whitepaper: Die Voraussetzungen für KI-gestützte Zusammenarbeit klären
Welche Anwendungsfälle eignen sich, wie bereiten Sie Daten und Prozesse vor und wie bauen Sie KI schrittweise aus? Das Whitepaper "KI im Unternehmen einführen" bietet eine praxisnahe Roadmap für Auswahl, Einführung und Ausbau von KI im Unternehmen.
Wie PO, Entwickler:innen und KI zusammenarbeiten
Das Verhältnis zwischen den dreien verstehe ich als gegenseitige Verstärkung. KI erhöht den Output der Entwickler:innen. Der PO verbessert die Voraussetzungen, unter denen KI und Team arbeiten, indem er Kundenverständnis und Entscheidungen zugänglich macht. Die Entwickler:innen wiederum melden zurück, wo Kontext fehlt oder Regeln widersprüchlich sind.
Eine Durchreiche, über die jede Information laufen muss, sollte der PO dabei nicht werden. Entwickler:innen brauchen direkten Zugang zu relevanten Kundenerkenntnissen, etwa zu Gesprächsnotizen, Nutzerfeedback oder zur Beobachtung realer Abläufe. Der PO sorgt dafür, dass diese Erkenntnisse eingeordnet, priorisiert und für alle nachvollziehbar sind. Auf dieser Grundlage kann das Team die Umsetzung End-to-End verantworten.
Teams, die weiterhin mit Scrum arbeiten, müssen dafür keine Regeln brechen. Der offizielle Scrum Guide erlaubt dem PO, Backlog-Arbeit zu delegieren; die Ergebnisverantwortung für den Wert des Produkts bleibt bei ihm. Teams sind dort ausdrücklich selbstmanagend, Sprints dauern einen Monat oder kürzer, und nutzbare Ergebnisse dürfen schon vor Sprintende bereitgestellt werden. Meine Kritik betrifft deshalb vor allem eine verbreitete Praxis: Der PO muss täglich neue Tickets nachliefern, damit das Team nicht ausläuft, und kommt selbst kaum noch zum Nachdenken.
"Arbeit, die nur entsteht, damit ein Team ausgelastet ist, bringt dem Produkt nichts."
Damit stellt sich die Frage, was mit frei werdender Kapazität passiert, wenn ein Team deutlich schneller liefert. Der Reflex, schnell neue Aufgaben zu erzeugen, führt selten zu einem besseren Produkt. Sinnvoller ist eine Entscheidung nach erwartetem Wertbeitrag. Das kann eine priorisierte technische Verbesserung sein, ein Experiment, die Arbeit an einem anderen Kundenbedarf oder auch die Anpassung der eingesetzten Kapazität.
Was sich bei vielen Teams verändert
Arbeiten mehrere Teams am selben Produkt oder an verbundenen Systemen, wächst die Produktverantwortung über das einzelne Team hinaus. Jede Ebene stellt eigene Anforderungen:
|
Ebene |
Entscheidende Voraussetzung |
|
Einzelne Entwickler:innen |
Fachliches Verständnis und sachgerechter KI-Einsatz |
|
Zusammenarbeit im Team |
Gemeinsame Ziele, sichtbare Entscheidungen und geklärte Zuständigkeiten |
|
Zusammenarbeit vieler Teams |
Gemeinsame Standards, nachvollziehbare Abhängigkeiten und verlässliche Entscheidungswege |
Tabelle 3: Voraussetzungen für KI-gestützte Umsetzung auf drei Ebenen. Mit jeder Ebene gewinnen Abstimmung und Entscheidungswege an Gewicht.
Für Organisationen mit vielen Teams bedeutet das: Kontextpakete folgen gemeinsamen Standards, Abhängigkeiten zwischen Teams werden sichtbar gemacht, und Produktprioritäten werden über Teamgrenzen hinweg nachvollziehbar entschieden. Wie sich Strukturen und Rollen dadurch verändern, beschreibt unser Beitrag Das Organigramm im KI-Zeitalter.
Ob die Zusammenarbeit funktioniert, zeigen einige wenige Signale:
- Wartezeit auf notwendige fachliche Entscheidungen
- Nacharbeit aufgrund missverstandener Anforderungen
- Zeit bis zu einem brauchbaren Ergebnis
- tatsächliche Verbesserung des Kundenablaufs
- Aufwand für Abstimmung und Vertretung
Weniger Rückfragen allein sind kein Erfolgssignal. Sie können auch bedeuten, dass offene Fragen unbemerkt bleiben und erst beim Kunden auffallen.
Die Rolle des PO ist dabei ein Baustein unter mehreren. Ebenso wichtig sind die Arbeitsweise der Entwickler:innen, die Prüfung und der Betrieb KI-generierter Ergebnisse sowie die Übertragung auf die gesamte Organisation. Diese Themen greifen ineinander und lassen sich in der Praxis kaum nacheinander abarbeiten.
Fazit: Fachliche Klarheit und eigenständige Verantwortung verbinden
Wenn KI die Umsetzung beschleunigt, verschiebt sich der Engpass zur fachlichen Klarheit. Product Owner werden dadurch wichtiger. Ihre Aufgabe besteht darin, das Kundenproblem ganzheitlich zu verstehen, es in fachlich sinnvolle Module zu zerlegen und Entscheidungen so zugänglich zu machen, dass das Team eigenständig und verantwortlich umsetzen kann. Ein gepflegtes Kontextpaket und klar vereinbarte Entscheidungsrechte verhindern, dass der PO dabei erneut zum Nadelöhr wird.
Drei Fragen helfen beim Einstieg, um die neue Rolle zu verinnerlichen:
- Kennt das Team das Kundenproblem gut genug, um bei neuen Detailfragen sinnvoll zu entscheiden?
- Welche Entscheidungen darf das Team heute selbst treffen, und wo wartet es unnötig auf Freigaben?
- Woran erkennen Sie über die technische Fertigstellung hinaus, dass ein Ergebnis beim Kunden wirkt?
Produktverantwortung und KI-gestützte Umsetzung verbinden
Im Erstgespräch klären wir gemeinsam, wie Ihre Teams Anforderungen fachlich aufbereiten, Entscheidungswege gestalten und KI-gestützte Umsetzung so organisieren, dass Ergebnisse beim Kunden tatsächlich wirken.
FAQ
Welche Aufgaben übernimmt ein Product Owner in KI-gestützten Teams?
Der Product Owner versteht das Kundenproblem ganzheitlich, zerlegt es in fachlich sinnvolle Arbeitspakete und hält Ziele, Prioritäten und Entscheidungen nachvollziehbar. Er sorgt dafür, dass Entwickler:innen Zugang zu Kundenerkenntnissen haben und eigenständig umsetzen können. Die Ergebnisverantwortung für den Produktwert bleibt bei ihm.
Muss der Product Owner alle Tickets selbst schreiben?
Nein. Laut Scrum Guide kann der Product Owner Backlog-Arbeit delegieren, bleibt aber für den Produktwert verantwortlich. In KI-gestützten Teams ist es sinnvoll, dass Entwickler:innen Tickets auf Basis eines gemeinsamen fachlichen Kontextpakets selbst formulieren. Der PO klärt Produktentscheidungen und sorgt dafür, dass Ziele und Grenzen für alle verständlich sind.
Verhindert vollständiger Projektkontext Halluzinationen?
Nein. Guter Kontext verringert Fehler, die durch fehlende oder widersprüchliche Informationen entstehen. Sprachmodelle können aber auch bei vorhandenem Kontext falsche Inhalte erzeugen. Deshalb sollten offene Fragen sichtbar bleiben, Annahmen gekennzeichnet und Ergebnisse geprüft werden. Fachliche Klärung und Prüfung ergänzen sich.
Welche Voraussetzungen brauchen KI-Teams für eigenständige Umsetzung?
Sie brauchen ein gemeinsames Verständnis des Kundenproblems, klare Ziele und Prioritäten, bestätigte fachliche Regeln und definierte Entscheidungsrechte. Dazu gehören Eskalationswege für Produkt- und Risikofragen, eine geregelte Vertretung und Zugang zu Kundenfeedback. Je klarer diese Grundlagen sind, desto weniger wartet das Team auf Freigaben.
Robert Tech ist Gründer und Group CEO der Assecor Gruppe. Seit 2007 begleitet er Unternehmen, Geschäftsführungen, CIOs und CTOs bei der digitalen Transformation, der Modernisierung komplexer Softwarelandschaften und dem strukturierten Einsatz von KI. Seine Schwerpunkte liegen auf KI-Strategie und KI-Implementierung, Enterprise-Software, Softwaremodernisierung sowie zukunftsfähigen IT- und Datenarchitekturen.