Team-Strukturen im Wandel

Context

Dein Head of Engineering kommt zu Dir und sagt: “Wir brauchen einen Prompt Engineer.” Dein Designer fragt, ob er jetzt auch AI Interaction Design lernen muss. Ein PM-Kollege schickt Dir einen Artikel mit der Headline “AI Will Replace Product Managers by 2028”.

Gleichzeitig hat Shopify verkuendet, dass keine neuen Stellen mehr genehmigt werden, ohne vorher zu zeigen, dass AI die Aufgabe nicht erledigen kann. Duolingo hat seine Contractor-Workforce für Content-Erstellung reduziert und durch AI-Pipelines ersetzt.

Die Frage ist nicht ob sich Team-Strukturen ändern. Die Frage ist: Wie navigierst Du diesen Wandel als PM?

Concept

Wie AI bestehende Rollen verändert

Product Managers:

Klassisch: Features definieren, Specs schreiben, Backlog priorisieren
AI-Aera: Eval Criteria definieren, Quality Thresholds setzen, probabilistische Outcomes managen, mit AI-Tools prototypen, Prompts als Produktspezifikationen schreiben
Kern-Shift: Von “spezifiziere exakt was gebaut wird” zu “definiere wie ‘gut genug’ aussieht und wie man es misst”

Engineers:

Klassisch: Deterministischen Code schreiben, klare Cause-Effect-Bugs debuggen
AI-Aera: AI APIs integrieren, Eval Pipelines bauen, Prompts optimieren, Model Versioning, non-deterministisches Testing
Kern-Shift: Von “schreibe die Logik” zu “orchestriere AI-Capabilities und baue Guardrails”

Designer:

Klassisch: Pixel-perfekte Interfaces mit vorhersagbaren States
AI-Aera: Design für Unsicherheit (Confidence Indicators, Graceful Degradation), Feedback-Mechanismen (Thumbs Up/Down, Korrekturen), Trust-Building Patterns
Kern-Shift: Von “designe den Output” zu “designe die Experience um unvorhersagbaren Output”

Neue Rollen in AI-Teams

Rolle	Fokus	Warum wichtig
Prompt Engineer	Prompts für Production optimieren, A/B-Tests	Direkte Auswirkung auf Qualität und Kosten
Eval Specialist	Eval Datasets bauen, Quality Pipelines	Oft unterbesetzt, aber kritisch
AI Trainer / RLHF	Human Feedback, Labeling-Qualität	Wird oft outgesourced, braucht aber Oversight
Agent Ops	AI Agents monitoren, trainieren, steuern	Emerging — schnell wachsende Disziplin seit 2025

Die “Wird AI PMs ersetzen?”-Frage

Die evidenzbasierte Antwort (Stand 2026): Nein, aber die Rolle verändert sich erheblich.

Was AI für PMs automatisiert: Datenanalyse und Reporting, erste Entwuerfe von PRDs und Specs, Competitive Research, Meeting Notes, einfaches Prioritization Scoring.

Was AI nicht ersetzen kann: Stakeholder Alignment und organisationale Navigation, Judgment Calls bei Tradeoffs, User Empathy und qualitative Insight Synthesis, Vision und Strategie, Cross-funktionale Fuehrung.

Das Polarisierungsmuster (ab 2025): Rollen spalten sich in AI-augmented Generalists (PMs, die mit AI mehr schaffen) und AI-focused Specialists (PMs, die AI-Produkte bauen). Die traditionelle Mittelposition steht unter dem groessten Druck.

Team-Evolution nach AI Maturity

Stage	Zeitraum	Team-Setup	Fokus
Exploring	0-6 Monate	Bestehendes Team + 1 ML/Integration Engineer	Erstes AI-Feature, Proof of Concept
Building	6-18 Monate	Dedizierter AI Pod (PM + 2-3 Engineers + Designer)	Production Features, Eval Infrastructure
Scaling	18-36 Monate	Mehrere AI Pods + Shared Platform Team	Mehrere Features, Shared Infra, Cost Optimization
AI-Native	36+ Monate	AI in jedem Team, zentrale Governance	AI als Core Capability, Org Transformation

Framework

Hire vs. Upskill Entscheidungsmatrix:

Situation	Hire	Upskill
Eigene Modelle trainieren	Ja	-
AI ist das Kernprodukt	Ja	-
Eval-Infrastruktur von Null	Ja	-
Scale erfordert dedizierte Ops	Ja	-
Foundation Model APIs nutzen	-	Ja
AI ist Feature im Produkt	-	Ja
Starke Engineering-Basis vorhanden	-	Ja
Budget begrenzt	-	Ja

Immer sicherstellen: Mindestens eine Person im Team versteht Model Behavior und Limitations tiefgehend.

Scenario

Du bist Head of Product bei einem Series-B-Startup (80 Mitarbeiter). Euer Produkt ist eine Recruiting-Plattform. Ihr wollt drei AI-Features launchen: automatische CV-Zusammenfassung, Job-Candidate-Matching, Interview-Fragen-Generator. Aktuelles Team: 4 PMs, 12 Engineers, 3 Designer. Kein dediziertes AI-Talent.

Budget: Ihr koennt entweder 2 AI-Spezialisten einstellen (je $180k/Jahr) oder $100k in Upskilling plus $60k für AI-Tooling investieren.

Kontext: Alle drei Features basieren auf Foundation Model APIs (kein eigenes Modell noetig). Euer Senior Engineer hat bereits einen Prototyp mit der OpenAI API gebaut.

Decide

Wie wuerdest Du entscheiden?

Die beste Entscheidung: Upskilling + Tooling ($160k) statt zwei Neueinstellungen ($360k/Jahr).

Warum:

Alle Features nutzen Foundation Model APIs — kein Custom-Model-Training noetig
Der Senior Engineer hat bereits einen Prototyp — die Basis ist da
Upskilling bringt breiteres AI-Verständnis ins gesamte Team, nicht nur bei 2 Personen
$200k/Jahr gespart, die in besseres Tooling und Eval-Infrastruktur fliessen können

Konkret:

1 PM wird AI PM (fokussiert auf Eval Criteria und Quality Thresholds)
2-3 Engineers lernen Prompt Engineering, RAG Patterns, Eval Frameworks
1 Designer lernt AI Interaction Design
$60k für Tooling: Eval Framework, Model Serving, Monitoring

Wann doch einstellen: Wenn nach 6 Monaten die Eval-Qualität nicht stimmt oder ihr auf Custom Models wechseln muesst.

Was viele falsch machen: “AI Specialists” einstellen für Arbeit, die eigentlich Integration und Evaluation ist — nicht Forschung oder Model Training.

Reflect

Die wichtigste Erkenntnis: AI automatisiert PM-Tasks, nicht die PM-Rolle. Judgment, Strategie und Fuehrung werden wichtiger, nicht weniger wichtig.

Die meiste AI-Produktarbeit 2026 ist Integration und Evaluation, nicht Model Training — Upskilling schlägt oft Neueinstellung
Prompt Engineering für Production-Systeme ist komplex und wirkungsvoll — keine Junior-Aufgabe
Plane für Evolution: Starte bei Stage 1, aber designe die Struktur so, dass Stage 2 möglich ist

Quellen: Shopify CEO AI-First Memo (2025), Duolingo AI Restructuring (2025), HBR “To Drive AI Adoption, Build Your Team’s Product Management Skills” (2026), Agents Today “The Great Reshuffling” (2026), 8Allocate “AI Team Structure” (2026)