Opportunity Identification
Context
Abschnitt betitelt „Context“Dein Leadership-Team hat entschieden: “Wir machen jetzt AI.” Die Roadmap hat Platz für 2-3 AI-Initiativen. Dein Engineering-Team schlägt einen internen Coding-Assistenten vor. Sales will einen AI-Chatbot. Support will automatische Ticket-Klassifizierung. Alle drei klingen vernünftig.
Deine Aufgabe als PM: Nicht das bauen, was am lautesten gefordert wird — sondern das finden, was den groessten Wert schafft.
Concept
Abschnitt betitelt „Concept“Wo AI den groessten Wert schafft
Abschnitt betitelt „Wo AI den groessten Wert schafft“McKinsey beziffert das jaehrliche Wertschoepfungspotenzial von Generative AI auf $2.6-4.4 Billionen. 75% dieses Werts konzentrieren sich auf vier Bereiche:
| Bereich | Wert-Treiber | Beispiel |
|---|---|---|
| Customer Operations | Automatisierung, schnellere Resolution | Klarna: 2.3M Chats automatisiert |
| Marketing & Sales | Personalisierung, Content-Generierung | Individuelle Kampagnen at Scale |
| Software Engineering | Code-Generierung, Testing, Reviews | GitHub Copilot, interne Tools |
| R&D | Beschleunigte Forschung, Prototyping | Drug Discovery, Material Science |
Top-Industrien: Banking, High Tech, Life Sciences. Aber das sind Durchschnittswerte — Deine Opportunity haengt von Deinem Kontext ab.
Drei Value Levers
Abschnitt betitelt „Drei Value Levers“Jede AI-Opportunity nutzt mindestens einen dieser Hebel:
- Automation: Repetitive Aufgaben eliminieren. Klarna automatisierte 2.3 Millionen Support-Chats — Arbeit, die vorher Menschen gemacht haben.
- Prediction: Muster erkennen, bevor sie eintreten. Churn Prediction, Demand Forecasting, Anomaly Detection.
- Personalization: Individuelle Erfahrungen at Scale. Duolingo passt Lerninhalte adaptiv an jeden einzelnen User an.
Der größte Wert entsteht, wenn alle drei kombiniert werden. Ein Empfehlungssystem, das Praeferenzen vorhersagt (Prediction), automatisch kuratiert (Automation) und individuell anpasst (Personalization), schlägt jede einzelne Dimension allein.
Pain Severity: Die fuenf entscheidenden Fragen
Abschnitt betitelt „Pain Severity: Die fuenf entscheidenden Fragen“Bevor Du eine Opportunity priorisierst, quantifiziere den Schmerz:
- Wie häufig tritt das Problem auf? (Taeglich > Monatlich > Selten)
- Wie gravierend ist der Schmerz? (Geschaeftskritisch > Unangenehm > Kosmetisch)
- Wie viele User sind betroffen?
- Kann AI es signifikant besser loesen als der Status Quo? Der Massstab ist 10x, nicht 10%.
- Sind die benoetigten Daten verfügbar und qualitativ ausreichend?
Frage 4 ist die, die am häufigsten ignoriert wird. Marginale Verbesserungen rechtfertigen die Komplexität von AI nicht.
Framework
Abschnitt betitelt „Framework“RICE-A: RICE mit AI-Komplexität (basierend auf Dr. Marily Nika)
Das klassische RICE-Framework erweitert um einen AI-Complexity-Faktor:
Formel: (Reach x Impact x Confidence) / (Effort + AI Complexity x 0.5)
| Faktor | Frage | Skala |
|---|---|---|
| Reach | Wie viele User/Monat? | Absolute Zahl |
| Impact | Wie stark verbessert es das Ergebnis? | 0.25 / 0.5 / 1 / 2 / 3 |
| Confidence | Wie sicher sind die Schaetzungen? | 50% / 80% / 100% |
| Effort | Team-Aufwand in Person-Monaten? | Person-Monate |
| AI Complexity | Datenqualitaet, Modell-Risiko, Eval-Aufwand? | 1 (niedrig) – 5 (hoch) |
AI Complexity wird mit 0.5 gewichtet und zum Effort addiert — weil AI-spezifische Risiken den effektiven Aufwand erhöhen, aber nicht 1:1 mit klassischem Effort vergleichbar sind.
Scenario
Abschnitt betitelt „Scenario“Du bist PM bei einem B2B-SaaS mit 15.000 zahlenden Kunden. Drei AI-Opportunities stehen zur Wahl:
| Opportunity A | Opportunity B | Opportunity C | |
|---|---|---|---|
| Was | AI-Chatbot für Support | Churn Prediction + Alerts | Interner Code-Assistent |
| Reach | 8.000 User/Monat | 15.000 Kunden | 4.500 interne Requests/Monat |
| Impact | 1 (mittel) | 3 (massiv) | 2 (hoch) |
| Confidence | 80% | 50% | 80% |
| Effort | 3 PM | 4 PM | 2 PM |
| AI Complexity | 2 | 4 | 1 |
| RICE-A Score | 1.600 | 3.750 | 2.880 |
Opportunity A klingt am einfachsten. Opportunity C hat einen starken Score bei niedrigem Effort. Opportunity B hat den hoechsten Score — aber nur 50% Confidence.
Wie wuerdest Du entscheiden?
Die beste Entscheidung: Opportunity C starten, Opportunity B parallel validieren.
Warum:
- Opportunity C (Code-Assistent): Hoher Score, niedrige Complexity, 80% Confidence. Reach misst hier interne Requests (4.500/Monat von 45 Engineers), nicht externe User — aber der Impact ist intern sofort messbar. Folgt der Shopify-Logik: “Bevor Du mehr Headcount forderst, zeige warum AI es nicht loesen kann.”
- Opportunity B (Churn Prediction): Hoechster Score, aber 50% Confidence. Starte mit einem 4-Wochen Data-Readiness-Check: Sind die Churn-Signale in Deinen Daten überhaupt vorhanden? Wenn ja, wird das Dein groesster Hebel.
- Opportunity A (Support-Chatbot): Niedrigster Score. Support-Chatbots sind inzwischen eine Commodity — schwer als Differenzierung zu nutzen.
Der haeufigste Fehler: Die sichtbarste Opportunity waehlen (Chatbot), weil Stakeholder sie “verstehen”. Stattdessen: Internes Tooling und Prediction-Modelle liefern oft den hoechsten ROI.
Reflect
Abschnitt betitelt „Reflect“- 75% des AI-Werts liegt in vier Bereichen. Customer Operations, Marketing & Sales, Software Engineering, R&D. Starte dort, nicht bei “cool klingenden” Features.
- 10x ist der Massstab, nicht 10%. Notion AI wuchs von $67M auf $500M+ Revenue, weil es in den Workflow integriert war — nicht weil es ein marginales Feature war. Perplexity erreichte $148M ARR mit einem klaren Pain Point: Suche mit echten Quellen.
- Uebersehe interne Opportunities nicht. Der Shopify-CEO hat es zur Policy gemacht: Bevor Teams mehr Headcount fordern, müssen sie zeigen warum AI es nicht loesen kann.
- Daten-Readiness vor Feature-Readiness. Die beste Opportunity nuetzt nichts, wenn die benoetigten Daten nicht existieren oder Muell sind.
Quellen: McKinsey “The Economic Potential of Generative AI” (2023), Dr. Marily Nika “RICE-A Framework” (2024), Shopify CEO Memo (April 2025), Klarna “AI Assistant Report” (2024), Notion AI Revenue (2025), Perplexity Growth Metrics (2025)