Die Produktwerker copertina

Die Produktwerker

Die Produktwerker

Di: Tim Klein Dominique Winter Oliver Winter
Ascolta gratuitamente

3 mesi a soli 0,99 €/mese

Dopo 3 mesi, 9,99 €/mese. Si applicano termini e condizioni.

A proposito di questo titolo

 Im Podcast der Produktwerker besprechen wir Themen rund um die Rolle des Product Owners. Dazu tauschen wir uns nicht nur untereinander aus, sondern sprechen auch mit interessanten Gesprächspartnern aus allen möglichen Themenbereichen von Product Ownern. Die Produktwerker sind Tim Klein (@produktwerkCGN), Oliver Winter (@oliwin) und Dominique Winter (@designik). Als Experten für Produktentwicklungen haben wir uns in der agilen Community Kölns kennen und schätzen gelernt. Wir drei wollen die Kompetenz von Product Ownern und Produktorganisationen fördern, bessere Produkte und Services zu entwickeln. Wir freuen uns über Euer Feedback auf produktwerker.de, per Mail an podcast@produktwerker.de oder via Twitter an @produktwerker.Tim Klein, Dominique Winter, Oliver Winter Economia Gestione e leadership Management Ricerca del lavoro Successo personale
Episodi
  • RoI und realistische Kosten von AI Initiativen

    RoI und realistische Kosten von AI Initiativen
    Jan 19 2026
    Simonetta Batteiger ist erneut zu Gast und sie spricht mit Tim über ein Thema, das in vielen Unternehmen gerade an Bedeutung gewinnt: die Kosten von AI Initiativen. Es geht um die Frage, wie sich Investitionen in künstliche Intelligenz realistisch bewerten lassen. Der Austausch bewegt sich bewusst weg vom Hype und hin zu einer nüchternen betriebswirtschaftlichen Betrachtung, die Produktmenschen dabei hilft, Verantwortung zu übernehmen. AI Initiativen entstehen aktuell oft aus Neugier, Innovationsdruck oder dem Wunsch, technologisch nicht abgehängt zu werden. Gleichzeitig bleibt häufig unklar, was diese Vorhaben tatsächlich kosten und welchen Beitrag sie zum Geschäftserfolg leisten sollen. Die Kosten von AI Initiativen beschränken sich dabei selten auf Tool Lizenzen oder Token Nutzung. Schon früh im Gespräch wird deutlich, dass der größte Teil der Ausgaben in Menschen fließt. Machine Learning Engineers, Data Scientists, Produktteams, Governance Rollen und rechtliche Prüfung verursachen laufende Kosten, die dauerhaft eingeplant werden müssen. Ein zentrales Spannungsfeld liegt in der Erwartungshaltung vieler Organisationen. AI soll Prozesse beschleunigen, Kosten senken oder neue Umsätze ermöglichen. Diese Erwartungen brauchen jedoch eine belastbare Grundlage. Ohne klare Hypothesen bleibt unklar, ob eine Initiative Wert schafft oder lediglich Ressourcen bindet. Die Kosten von AI Initiativen lassen sich nur dann sinnvoll bewerten, wenn sie mit einer konkreten Annahme über Nutzen verknüpft werden. Genau hier kommt das AI Business Case Template von Simonetta ins Spiel, das nicht als finanzmathematisches Artefakt verstanden werden soll, sondern als Denkwerkzeug und Anstoß von Diskussionen. Das AI Business Case Template (inkl. Anleitung) findet ihr in folgendem Blog-Post von Simonetta verlinkt: The RoI of AI initiatives and the realistic cost of AI readiness auf ihrem Blog inclusiveleaders.blog Im Mittelpunkt steht die Frage, wie ein Return on Investment entstehen kann. Investitionen in Infrastruktur, Datenqualität und Betrieb müssen sich über Zeit rechnen. Dabei ist Geschwindigkeit entscheidend. Je früher sichtbar wird, welchen Effekt eine AI Initiative hat, desto besser lässt sich nachsteuern. Gleichzeitig bleibt Unsicherheit ein fester Bestandteil. Auch bei AI gelten die bekannten Muster aus der Produktentwicklung. Viele Ideen funktionieren nicht wie erhofft. Das ist kein Scheitern, sondern Teil des Lernprozesses. Entscheidend ist, diese Unsicherheit bewusst einzuplanen und transparent zu machen. Die Kosten von AI Initiativen steigen vor allem dann stark an, wenn aus Experimenten irgendwann produktive Systeme werden. Modelle müssen überwacht werden, Daten verändern sich, regulatorische Anforderungen greifen. Ohne saubere Governance und kontinuierliche Kontrolle entstehen neue Risiken. Diese Aspekte gehören von Anfang an in die Betrachtung, damit AI nicht zur Black Box wird, die sich finanziell und organisatorisch verselbständigt. Deutlich wird im Gespräch mit Simonetta Batteiger aber auch, dass sich an den Grundprinzipien der Produktarbeit wenig ändert. Discovery bleibt zentral, um echte Probleme zu verstehen. Value entsteht nur dort, wo Nutzer oder Kunden bereit sind, für Lösungen zu bezahlen oder wo Kosten messbar reduziert werden. AI erweitert den Werkzeugkasten, hebt aber betriebswirtschaftliche Logik nicht auf. Wer die Kosten von AI Initiativen realistisch einschätzt, schafft eine solide Basis für Entscheidungen und wird gegenüber Stakeholdern anschlussfähig. Wer die Kosten von AI Initiativen versteht und einordnen kann, verlässt die Rolle des Experimentierenden und übernimmt Gestaltungsspielraum. Genau darin liegt die Chance, AI sinnvoll und wirksam im Unternehmen zu verankern. Wer überhaupt mal einen Zugang zu Business- und Finanzzahlen bekommen möchte und sich strukturiert Wissen hierzu draufschaffen möchte, dem können wir ihren Kurs sehr empfehlen: Business and Finance Concepts for Product and Tech Leaders.
    Mostra di più Mostra meno
    53 min
  • Trends für POs in 2026

    Trends für POs in 2026
    Jan 12 2026
    In dieser Folge sprechen Dominique und Oliver über die Trends, die die Rolle von Product Ownern im Jahr 2026 prägen könnten – und was das für den Arbeitsalltag konkret bedeutet. Denn: Viele Organisationen spüren längst, dass sich die Erwartungen an Product Owner verändern. Es geht nicht mehr nur um Tools, Methoden oder einzelne Praktiken. Sondern um ein neues Rollenverständnis – mit mehr Verantwortung für echte Produktwirkung. Dominique und Oliver werfen u.a. einen Blick auf diese Entwicklungen: • Datenkompetenz als Schlüssel: Daten gibt’s genug – aber welche davon helfen wirklich bei Entscheidungen? • KI im Produktalltag: Weg vom Tool-Experiment, hin zu sinnvoller Unterstützung bei Analyse, Discovery und Strategie. • Fokus auf Outcome statt Output: Mehr Features ≠ mehr Wert. Aber wie zeigen wir Wirkung wirklich? • Neue Formen der Zusammenarbeit: Ownership wird zum Teamergebnis – und braucht Orientierung, Klarheit und Kommunikation. • Umgang mit Komplexität: Lernen wird wichtiger als Planen. Was bedeutet das für agiles Arbeiten im Jahr 2026? Am Ende verdichten sich die Trends zu einem klaren Bild: Product Owner entwickeln sich vom Anforderungsmanager zur echten Produktverantwortung. Technologische Möglichkeiten wachsen – aber der Erfolg bleibt menschlich: Klarheit, Haltung und Verständigung sind entscheidend.
    Mostra di più Mostra meno
    47 min
  • Forecasting mit der Monte-Carlo-Simulation

    Forecasting mit der Monte-Carlo-Simulation
    Jan 5 2026
    Monte-Carlo-Simulation hilft in der Produktentwicklung dabei, Prognosen realistischer zu machen. Nicht als harte Zusage, sondern als Blick auf Wahrscheinlichkeiten und damit auf das Risiko, das in komplexer Arbeit fast immer mitschwingt. Zeit also, sich tiefer damit auseinander zu setzen, weshalb Dominique in dieser Folge mit Felix Rink, Flight Level und Kanban Coach aus Köln, spricht. Gemeinsam starten sie bei einer Frage, wann ist etwas fertig (dazu hatten wir auch schon eine andere Folge mit Felix) und wie belastbar ist so eine Aussage eigentlich, wenn Teams in unsicheren Umfeldern arbeiten. Von dort geht es zur Idee hinter der Monte-Carlo-Simulation. Sie ist überraschend simpel. Vergangene Ergebnisse geben Hinweise darauf, wie sich Arbeit vermutlich auch künftig verteilt. Statt eine einzelne Zahl zu versprechen, entsteht eine Bandbreite. Fertigstellungen aus der Vergangenheit werden in vielen Durchläufen immer wieder neu kombiniert, bis ein Muster sichtbar wird. Manche Ergebnisse tauchen oft auf, andere sind selten. Genau diese Verteilung ist in der Produktentwicklung hilfreich, weil Schwankungen zum Tagesgeschäft gehören. Schnell wird klar, dass es weniger um exakte Termine geht als um ein besseres Gefühl für Risiko. Die Simulation zeigt, mit welcher Wahrscheinlichkeit ein bestimmter Umfang in einem Zeitraum wirklich geschafft werden kann. Das verändert, wie über Planung gesprochen wird. Zusagen werden zu bewussten Entscheidungen über Risiko und nicht zu Versprechen, die später unter Druck verteidigt werden müssen. Für Product Owner ist das besonders wertvoll, weil Gespräche mit Stakeholdern dadurch sachlicher werden und Erwartungen besser eingeordnet werden können. Ein weiterer Schwerpunkt liegt auf den Daten. Entscheidend ist nicht, möglichst weit zurückzugehen, sondern eine Vergangenheit zu wählen, die der erwarteten Zukunft ähnelt. Kurze Zeiträume mit ausreichend vielen Datenpunkten liefern oft bessere Prognosen als lange Historien, in denen Sondereffekte alles verzerren. Auch eine feinere Betrachtung auf Tagesbasis kommt zur Sprache, weil sich Forecasts damit schneller aktualisieren lassen und Veränderungen im System früher auffallen. Spannend wird es dort, wo die Monte-Carlo-Simulation nicht als einmaliger Schritt verstanden wird, sondern als laufendes Werkzeug. Neue Erkenntnisse, zusätzliche Arbeit oder geänderte Rahmenbedingungen fließen direkt in den nächsten Forecast ein. So entsteht ein kontinuierlicher Abgleich zwischen Realität und Erwartung. Das unterstützt aktives Risikomanagement und hilft Teams, Prioritäten immer wieder neu auszurichten, ohne jedes Mal bei null anfangen zu müssen. Am Ende geht der Blick über die klassische Fertigstellungsfrage hinaus. Überall dort, wo vergangenes Verhalten brauchbare Hinweise auf die Zukunft gibt, kann Monte Carlo helfen, Unsicherheit greifbar zu machen. In der Produktentwicklung ist das oft genau die Art von Pragmatismus, die fehlt. Nicht kompliziert, aber deutlich verlässlicher als Bauchgefühl.
    Mostra di più Mostra meno
    38 min
Ancora nessuna recensione