Ein vor fünf Jahren ausgebildeter Product Manager konnte ein Problem rahmen, eine Roadmap priorisieren und Stakeholder auf eine Linie bringen. Heute reichen diese drei Fähigkeiten nicht mehr, um einen starken PM von einem überholten zu unterscheiden. Gestiegen ist der Preis einer falschen Entscheidung. Ein schlecht durchdachtes KI-Feature kostet bei jeder einzelnen Anfrage Geld. Eine falsch gelesene Metrik lenkt ein ganzes Quartal in die falsche Richtung. Ein Preis, der auf falsch gerechneten Kosten pro Kunde beruht, zerstört mit wachsender Kundenzahl die Marge. Die Ausbildung ist dieser Verschiebung gefolgt: weg vom Vortrag über Frameworks, hin zu angewandtem, beziffertem und geprüftem Training.
Praxis ohne Rückmeldung lehrt die falschen Reflexe
PMs haben ihr Handwerk lange über Praxis, Mentoring und eine generalistische Business-Bildung gelernt. Dieses Modell hielt, solange der Zuschnitt der Rolle stabil blieb. Es hält nicht mehr, wenn dieselbe Position Finanzmodellierung, die Bewertung von KI-Systemen und echten organisatorischen Einfluss aufnimmt. Die Kernaufgaben sind geblieben: Geschäftssinn, funktionsübergreifende Ausrichtung und strategische Führung, wie sie Gorchels in The Product Manager’s Handbook als Rolle des „General Managers des Produkts“ beschreibt. Gewachsen ist alles, was darum herum dazugekommen ist, und genau dort hängt die klassische Ausbildung hinterher.
Am deutlichsten zeigt sich das bei der KI. Sie ist zur Produktkomponente geworden, die das Engineering nicht mehr allein verantworten kann. Der PM muss verstehen, wie ein Modell evaluiert wird, wo es versagt, was es pro Inferenz kostet und wie sich das auf die Unit Economics durchschlägt. Auch Datenkompetenz ist vom Bonus zur Eintrittsbedingung aufgerückt. Ein PM muss einen Aktivierungsfunnel lesen und eine Retention-Kurve nach Kohorten deuten können. Und er muss Kennzahlen, die eine Entwicklung früh anzeigen (Leading Indicators), von solchen unterscheiden, die sie erst nachträglich bestätigen (Lagging Indicators). Dazu formalisieren Organisationen Kompetenzrahmen, um die chronische Rollenunklarheit zu senken.
Die Forschung zur Expertise stützt eine bestimmte Lernform. Anders Ericsson und Kollegen beschrieben 1993 in der Psychological Review das Prinzip der gezielten Übung (deliberate practice): Leistung wächst mit Übung an klar umrissenen, schwierigen Teilaufgaben, zu denen es zeitnahe Rückmeldung gibt; die bloße Zahl der Stunden sagt wenig. Für einen Lernpfad heißt das: lieber zehn bewertete Produktentscheidungen mit Feedback als hundert Stunden Videokurse ohne Prüfung.
Wer zwei Jahre lang Features ausliefert, ohne je zu erfahren, ob sie die Retention bewegt haben, sammelt Routine, aber keine Urteilskraft.
KI-Kompetenz heißt, die Kosten pro Anfrage lesen zu können
Ein Modell trainieren muss ein PM nicht. Die Entscheidungen darum muss er aber lesen können: wie ein Modell geprüft und eingeführt wird, welche Kennzahlen zählen und wo die Risiken liegen. Zu den Kennzahlen gehören der Anteil richtiger Antworten (Accuracy), die Antwortzeit (Latenz), die schleichende Verschlechterung über die Zeit (Drift) und die Kosten pro Anfrage. Risiken sind Verzerrungen (Bias), erfundene Antworten (Halluzinationen) und der Datenschutz. Die Trennlinie ist ökonomisch. Jede Anfrage kostet Geld, deshalb liegt die Bruttomarge eines KI-Produkts meist unter der klassischer Software. Wie groß der Abstand wird, entscheidet sich zu einem großen Teil in Entscheidungen, die ein PM trifft.
Ein Rechenbeispiel zeigt, wie. Ein Tool kostet 9 Euro pro Nutzer und Monat, 10.000 Nutzer zahlen, macht 90.000 Euro Umsatz. Hosting und Support verbrauchen 40 Prozent, es bleiben 54.000 Euro Rohertrag. Nun kommt ein KI-Assistent dazu. Ein durchschnittlicher Nutzer verursacht 0,30 Euro Inferenzkosten im Monat, ein Intensivnutzer aber 12 Euro. Nutzen 5 Prozent der Kunden das Feature intensiv, kostet es 9.500 × 0,30 + 500 × 12 = 2.850 + 6.000 = 8.850 Euro. Der Rohertrag sinkt auf 45.150 Euro, also 50 Prozent. Steigt der Anteil der Intensivnutzer auf 20 Prozent, sind es 2.400 + 24.000 = 26.400 Euro, und vom Umsatz bleiben nur noch 31 Prozent.
Jeder einzelne Intensivnutzer bringt dabei Verlust: 9 Euro Preis minus 3,60 Euro Grundkosten minus 12 Euro Inferenz ergibt minus 6,60 Euro. Die Produktentscheidung lautet deshalb: in eine höhere Preisstufe verschieben, ein Nutzungslimit setzen oder für Routineanfragen ein günstigeres Modell nutzen. Ein Programm, das diese Rechnung nicht als Übung verlangt, bildet PMs aus, die Demos bewerten statt Produkte.
Analytik und Unit Economics gehören in dieselbe Übung
Der Kern der Produktanalytik liegt bei Aktivierungsfunnels, der Nutzung einzelner Features, Retention nach Kohorten, einer North-Star-Metrik und Experimenten. Bei Experimenten geht es um A/B-Tests, um die Frage, welche Wirkung wirklich zusätzlich entstanden ist, und um die richtige Reihenfolge der Tests. Der wiederkehrende Fehler liegt seltener in fehlenden Daten als in ihrer Überinterpretation. Ein Engagement-Anstieg kann ein Saisonartefakt sein, und eine Metrik, die steigt, ohne die Retention zu verbessern, bleibt eine Vanity Metric.
Die eigene Intuition liegt dabei öfter daneben, als es sich anfühlt: Die meisten Ideen bewegen ihre Zielmetrik gar nicht. Ein Programm, das das ernst nimmt, trainiert vor allem zwei Dinge: Zufallsschwankungen als solche erkennen und die Hypothese vor dem Test aufschreiben, so konkret, dass ein Ergebnis sie widerlegen kann.
Getrennt unterrichtet bleiben beide Fächer stumpf. Der PM muss ein einfaches Modell aufsetzen können: CAC, LTV, Payback, Deckungsbeitrag je Segment, Preis- und Packaging-Szenarien, der Business Case einer Roadmap-Initiative. Die nützlichste Übung verbindet beides. Ein A/B-Test zeigt plus 3 Prozent Conversion auf einer Preisseite; die Teilnehmer rechnen aus, ob das bei einem Payback von bisher 14 Monaten genügt, um den Kanal zu skalieren, und welche Annahme das Ergebnis kippen würde. Ohne diese Rechnung bleibt Priorisierung Meinungssache.
Führung und Discovery entscheiden sich an der Schnittstelle
Der Wert eines PM entscheidet sich oft an der Schnittstelle zu Sales, Engineering, Design und Marketing, wo die Klarheit des Rahmens mehr wiegt als formale Autorität. Die eigentliche Kompetenz liegt im expliziten Trade-off: benennen, was geopfert wird, warum, und was die eigene Meinung ändern würde. Ein offen ausgetragener, gut begründeter Dissens kostet eine Sitzung. Ein weicher Konsens, der in der Umsetzung zerfällt, kostet oft ein Quartal.
Discovery ist die zweite Hälfte desselben Handwerks. In der Linie des Customer Development, das Steve Blank in The Startup Owner’s Manual beschreibt, trainiert die Ausbildung, Hypothesen iterativ zu validieren: kontinuierliche Interviews, Jobs-to-be-done, schnelles Lesen von Marktsignalen. Teresa Torres hat in Continuous Discovery Habits (2021) daraus einen Rhythmus gemacht: mindestens ein Kundengespräch pro Woche durch das Team, das auch baut. Ein Team, das sich nur auf Dashboards stützt, optimiert Reibungen, die es nie verstanden hat.
Je mehr zusammenhängende Produkte der PM steuert, desto genauer muss er wissen, was wovon abhängt und wie Rückkopplungen wirken. Die Roadmap richtet er dann an messbaren Ergebnissen aus und nicht an einer Liste von Lieferungen. Daher kommt das Bild vom PM als „Mini-GM“, der für ein Geschäftsergebnis geradesteht, so wie Gorchels die Rolle schon früher gefasst hat.
Die Reihenfolge der Module entscheidet über den Lerneffekt
Ein stimmiges Programm beginnt mit einem expliziten Kompetenzmodell (Strategie, Analytik, Umsetzung, Führung, Nutzerverständnis, Technik), weil benannte Erwartungen die Unklarheit senken, die die Rolle abdriften lässt. Es folgen die Fundamente: Produktlebenszyklus, Discovery- und Delivery-Schleifen, Priorisierungsmethoden wie RICE oder gewichtetes Scoring und die Basis der Unit Economics.
Darauf baut die Daten- und Experimentpraxis auf. Die KI-Module kommen erst danach, wenn das analytische Fundament steht. Sonst beurteilt der PM ein KI-Feature, ohne messen zu können, was es bewirkt. Am Ende stehen zwei Stufen, die Theorie von Kompetenz trennen: Simulationen, die den realen Entscheidungskontext mit fehlender Information und Zeitdruck nachbilden, und eine Bewertung, die angewandte Analyse misst statt auswendig gelerntes Vokabular.
Wie das zeitlich aussieht, zeigt ein Beispielplan für einen berufsbegleitenden Pfad. Bei sechs Stunden pro Woche über zwölf Wochen stehen 72 Stunden zur Verfügung. Zwei Wochen Fundamente (12 Stunden), drei Wochen Analytik und Experimente (18 Stunden), zwei Wochen Unit Economics (12 Stunden), zwei Wochen KI (12 Stunden) und drei Wochen Simulation mit bewerteten Entscheidungen (18 Stunden). Mindestens die Hälfte jeder Woche gehört der Übung an einem echten oder realistischen Fall. Bei zehn bewerteten Entscheidungen bleiben pro Entscheidung rund sieben Stunden Vorbereitung, Analyse und Feedback.
Den Fortschritt kann man an jedem Blockende mit einem der Skills-Tests von netpy prüfen, die es auch auf Deutsch gibt (die Testnamen bleiben englisch). Nach Analytik und Experimenten passt Mastering Product Analytics, nach den Unit Economics dessen Modul zu Attribution, CAC und LTV, nach dem KI-Block AI Product Management, und am Ende der Product-Management-Test als Gesamtprüfung. Jeder Test hat 80 Fragen, nach Modulen gegliedert. Wer ihn vor und nach dem Block ablegt, sieht, welche Module sich bewegt haben, und hängt eine Woche an, wenn die schwachen Module schwach geblieben sind.
Ein vollständiges Curriculum enthält außerdem Ethik und Regulierung. Dieser Baustein wird am häufigsten vernachlässigt. Dabei setzt er dem Produktdesign feste Grenzen, sobald ein Modell personenbezogene Daten verarbeitet. Dazu gehört, dass ein PM die Regeln seines Marktes für KI-Systeme kennt und weiß, welche Pflichten sein Unternehmen als Anbieter oder Betreiber treffen. Als Wahlmodul ist das zu wenig.
Beim Format zählen fünf Entscheidungen: Theorie und Praxis verzahnen, auf Entscheidungssimulationen setzen, die echten Werkzeuge des Berufs nutzen, Mentoring und Peer-Learning organisieren und den PM für ein Portfolio verantwortlich machen statt für ein isoliertes Feature. Dieselben Begriffe, im passiven Kurs oder in der Simulation gelernt, erzeugen nicht dieselbe Kompetenz.
Ingenieur, KI-PM, interne Akademie: drei Startpunkte
Der Übergang vom Ingenieur zum PM startet mit einem echten Vorteil, der Vertrautheit mit technischen Systemen. Nachholen muss er Geschäftsmodellierung und Discovery, genau das, was Engineering nicht trainiert. Für das Unternehmen hat der Wechsel einen Preis: Laut Bitkom fehlten in Deutschland 2025 rund 109.000 IT-Fachkräfte, und eine offene IT-Stelle blieb im Schnitt 7,7 Monate unbesetzt. Wer einen Entwickler zum PM macht, plant die Nachbesetzung deshalb ein, bevor der Lernpfad beginnt. Für ihn verschiebt sich der Beispielplan: Die KI-Wochen schrumpfen auf eine, und die frei gewordene Woche geht an Discovery und Geschäftsmodellierung, die im Fundamente-Block sonst nur am Rand vorkommen.
Der PM eines KI-zentrierten Unternehmens braucht Verstärkung bei Evaluierungsmetriken, Machbarkeitsanalysen und Unit Economics, weil sein Alltag darin besteht, die Kosten der Modelle zu steuern. Interne PM-Akademien schließlich tragen, wenn sie auf Simulationen, Analytics-Labs und konkreten Stakeholder-Workshops beruhen, und scheitern, wenn sie zu einem Katalog von Folien schrumpfen.
Auch das Level verschiebt den Schwerpunkt. Ein einsteigender PM gewinnt am meisten, wenn er Analytik, Kundenverständnis, Geschäftsmodellierung und Kommunikation festigt. Ein PM auf mittlerem Niveau verlagert den Aufwand auf Strategie, Portfoliomanagement, Experimentiersysteme und KI. Ein Product Leader arbeitet an Coaching, Organisationsdesign und Finanz-Frameworks, weil sein Hebel die Qualität der Entscheidungen seines Teams ist.
Wann Learning by Doing reicht und wann nicht
Gegen jedes Curriculum lässt sich einwenden: Gute PMs lernen im Job, an echten Produkten mit echten Konsequenzen, und kein Kurs bildet das nach. Das stimmt unter einer Bedingung. Wenn das Team schnelle, ehrliche Rückmeldung liefert, also Experimente mit klaren Ergebnissen innerhalb von zwei bis vier Wochen, einen Mentor, der Entscheidungen nachbespricht, und Zugang zu den Kosten- und Umsatzzahlen, dann ist der Job die bessere Schule.
In vielen Organisationen fehlt mindestens eine dieser drei Bedingungen. Ein Release-Zyklus von sechs Monaten liefert pro Jahr zwei Rückmeldungen, zu wenig für gezielte Übung. Eine Faustregel hilft: Wer pro Quartal weniger als drei Entscheidungen mit messbarem Ergebnis nachbesprechen kann, braucht einen strukturierten Pfad mit Simulationen; wer mehr hat, investiert besser in Mentoring.
Wenn Programme scheitern, liegt es meist an der Gewichtung. Man lehrt Werkzeuge ohne das Denken, das sie nützlich macht, und Analytik losgelöst von der Strategie, der sie dienen soll. KI wird als Ingenieurskompetenz behandelt, obwohl sie ein Produktthema ist, und Unit Economics rutschen ans Ende, obwohl sie jeden Trade-off bedingen. Das Symptom ist immer gleich: Absolventen kennen die Begriffe, können aber keine Entscheidung mit Zahlen verteidigen.
Technik und Zertifikate: was der Markt tatsächlich prüft
Die Fähigkeiten, die heute den Unterschied machen, in der Reihenfolge des täglichen Gebrauchs: Datenbeherrschung, ein produktseitiges KI-Verständnis, strategische Modellierung, experimentelle Strenge und funktionsübergreifende Führung. KI-Expertise ist dabei auf konzeptioneller und Produktebene gefordert, nicht auf Ingenieursniveau. Ein PM, der ein Modell nicht bewerten und seine Kosten nicht lesen kann, kann die darauf gebauten Features nicht abwägen.
Zertifikate behalten Wert, wenn sie eine angewandte, an Fällen geprüfte Kompetenz bestätigen. Wer nur Vokabular abfragt, zertifiziert wenig, und der Markt hat gelernt, den Unterschied zu sehen. Finanzmodellierung übt man an Szenarien, die Preis, Kosten und Kundenwert in einem Modell verbinden, und variiert dann eine Annahme nach der anderen, um zu sehen, welche die Marge bewegt. Intern bildet man PMs über Simulationen, explizite Kompetenzrahmen, Analytics-Labs und Kompetenzbewertungen aus.
Ein Prüfstein für jeden Lernpfad, ob eingekauft oder selbst gebaut: Verlangt er mindestens einmal, eine Produktentscheidung mit ihrer bezifferten Wirkung auf Retention, Marge oder Modellkosten zu verbinden und diesen Trade-off vor Leuten zu verteidigen, die nicht dieselbe Sprache sprechen? Wenn nicht, liefert er Zertifikate, aber keinen Nachweis von Wirkung.