KI in agilen Produktteams: Einblicke von Deep Research und was dies für Ihre Praxis bedeutet
In Kürze: KI in agilen Produktteams
Seit der Einführung von ChatGPT interessiere ich mich dafür, wie künstliche Intelligenz als aufstrebende Technologie unsere Arbeit beeinflussen kann; siehe meine verschiedenen Artikel zu diesem Thema. Wie Sie sich vielleicht vorstellen können, musste ich Deep Research von OpenAI, das mir letzte Woche zur Verfügung gestellt wurde, auch gleich testen.
Ich habe es gebeten zu untersuchen, wie KI-gesteuerte Ansätze es agilen Produktteams ermöglichen, tiefergehende Kundeneinblicke zu gewinnen und innovativere Lösungen zu liefern. Die Ergebnisse waren aufschlussreich, und ich freue mich, meine Erfahrungen mit Deep Research und die wichtigsten Erkenntnisse, die sich daraus ergeben haben, mit Ihnen zu teilen. (Download the complete report here: AI in Agile Product Teams: Insights from Deep Research and What It Means for Your Practice.)
🗞 Soll ich Sie über Artikel wie diesen informieren? Großartig! Sie können sich hier für den Newsletter „Food for Agile Thought“ anmelden und sich über 42.000 Abonnenten anschließen.
🛑 Becoming obsolete is a choice, not inevitable!
👉 Don’t Miss Out Again — Join the Second Cohort: AI for Agile Practitioners: Pilot Cohort #2, May 14 to June 11, 2025, at € 199!
Arbeiten mit Deep Research: Eine neue Ebene der Analyse
Meine Erfahrung mit Deep Research war bemerkenswert produktiv. Nachdem ich einen detaillierten Prompt zur Verfügung gestellt hatte, in welchem es darum ging, wie KI die agile Produktentwicklung verändert, erhielt ich eine umfassende Synthese, die weit über das hinausging, was ich von Marktforschung durch einen KI-Agenten erwartet hatte.
Am meisten hat mich beeindruckt, wie der Research Agent auf meine anfängliche Anfrage einging und klärende Fragen zu Branchenschwerpunkten, Entwicklungsstadien, Zeitrahmen und Unternehmensgrößen stellte. Dieser kollaborative Verfeinerungsprozess sorgte dafür, dass der endgültige Bericht auf meine spezifischen Bedürfnisse einging und nicht nur allgemeine Informationen lieferte. (Andere Modellen sind meiner Erfahrung nach dazu weniger geneigt; Perplexity oder Grok zum Beispiel.)
In nur 11 Minuten hat Deep Research dann die Ergebnisse aus 16 Quellen zu einer zusammenhängenden Darstellung mit drei detaillierten Fallstudien und einer durchdachten fallübergreifenden Analyse zusammengestellt. Bei der Analyse wurden nicht einfach nur Informationen zusammengetragen, sondern aussagekräftige Muster extrahiert und umsetzbare Erkenntnisse in einem strukturierten, leicht verdaulichen Format präsentiert.
Drei aufschlussreiche Fallstudien
In dem Bericht wurde untersucht, wie verschiedene Unternehmen KI in ihren agilen Frameworks einsetzen, um die Produktentwicklung und -bereitstellung zu verändern:
Lightful: Agiler „KI-Trupp“ treibt gemeinnützige Kommunikation voran
Dieses in London ansässige Technologieunternehmen bildete eine funktionsübergreifende „KI-Truppe“ mit Designern, Entwicklern und Produktmanagern, die in täglichen Iterationen arbeiteten. Anstatt KI um ihrer selbst willen einzuführen, identifizierten sie zuerst die spezifischen Probleme ihrer gemeinnützigen Kunden und experimentierten in kurzen, schnellen Zyklen mit KI-Lösungen.
Ihre erfolgreichste Innovation war ein „KI-Feedback“-Tool, das Nutzern hilft, ihre Beiträge in den sozialen Medien zu verbessern, indem es Vorschläge mit Erklärungen liefert. Die Lösung informierte die Nutzer und ergänzte die menschliche Kreativität, ersetzte diese aber nicht. Der agile Ansatz des Teams ermöglichte eine schnelle Adaption, wenn neue KI-Modelle verfügbar wurden, so dass die verbesserte Technologie innerhalb eines Sprint eingesetzt werden konnte.
PepsiCo: KI entdeckt die „perfekten Cheetos“
PepsiCo setzte generative KI und tiefes Reinforcement Learning ein, um mit der Form und dem Geschmack von Cheetos zu experimentieren. Zunächst wurde eine digitale Simulation des Produktionsprozesses erstellt. Dann trainierten sie ein KI-System, um Variablen wie die Feuchtigkeit des Teigs, die Temperatur und die Maschineneinstellungen zu optimieren und führten Tausende von virtuellen Versuchen durch, viel schneller als es physische Labortests erlauben würden.
Die von der KI entwickelten „perfekten Cheetos“ führten zu einer Steigerung der Marktdurchdringung um 15 %, da die Produkteigenschaften besser auf die Vorlieben der Verbraucher abgestimmt wurden. PepsiCo kombinierte menschliches Fachwissen mit KI-Experimenten. Fachexperten legten klare Ziele fest, während die KI den Lösungsraum ausgiebig erkundete und nicht-intuitive Kombinationen identifizierte, die die menschliche Forschung und Entwicklung möglicherweise übersehen hätte.
Wayfair: Generative KI verbessert die Kundenvisualisierung
Wayfair hat „Decorify“ entwickelt, ein KI-gestütztes Tool für die Inneneinrichtung, mit dem Kunden Fotos ihres Zimmers hochladen und einen gewünschten Stil beschreiben können. Das generative Modell erzeugt ein fotorealistisches Bild des Raumes mit Wayfair-Möbeln und Dekoration, die zu diesem Stil passen, und verlinkt die Produkte zum Kauf.
Innerhalb weniger Monate nach der Markteinführung hatte das Tool mehr als 175.000 Raumdesigns für die Nutzer erstellt. Damit wurde ein wichtiges Kundenbedürfnis befriedigt: Als Kunde kann mir nun vorstellen, wie die Möbel in meinem Raum aussehen werden. Wayfair behandelte dies als MVP: Es wurde früh eingeführt und dann durch iterative Updates auf der Grundlage von Nutzerfeedback und Nutzungsdaten verbessert.
Sechs zentrale Muster für den KI Erfolg
Im Rahmen dieser Fallstudien hat Deep Research wiederkehrende Muster identifiziert, die zu einer erfolgreichen Integration von KI in agile Frameworks beitragen. Der Bericht kommt zu folgendem Schluss:
„Common threads in our case studies include a relentless focus on customer needs, iterative development to harness AI’s fast improvements, cross-functional teamwork, and careful attention to ethics and data quality.“
Die sechs wichtigsten Muster, die es hervorzuheben gilt, sind:
1. KI als Erkenntnismaschine, nicht nur als Effizienzwerkzeug
In allen drei Fällen hat KI tiefere Einblicke in die Kunden gewonnen, die die Produktausrichtung beeinflusst haben — von der Identifizierung der Anforderungen an die Qualität der Inhalte bei Lightful über die Entdeckung präziser Produkteigenschaften, die die Verbraucher bei PepsiCo lieben, bis hin zur Aufdeckung von Stilvorlieben bei Wayfair. Die Unternehmen nutzten KI, um verborgene Bedürfnisse und Muster aufzudecken, nicht nur um bestehende Prozesse zu automatisieren.
2. Kundenzentrierter, problemorientierter Ansatz
Erfolgreiche Teams begannen mit den Problemen/Bedürfnissen der Kunden und wandten dann die KI entsprechend an – nicht umgekehrt. Diese Disziplin verhinderte die Verschwendung von Kapazitäten für „coole“ KI-Ideen, die nichts bewirken. Die Frage lautete immer: „Wie kann KI helfen, dieses spezifische Kundenproblem zu lösen?“ und nicht ‚Wo können wir KI einsetzen?‘
3. Agile Methoden verstärken die Wirkung von KI (und umgekehrt)
Das schnelle Tempo der KI-Entwicklung erfordert die Adaption, die agile Methoden bieten. Die Teams integrierten die KI-Arbeit in ihren Arbeitsrhythmus: mit kurzen Experimenten, um die Machbarkeit zu testen, mit Sprints, um KI-gesteuerte Funktionen schrittweise zu entwickeln, und mit häufigen Überprüfungen, um die Qualität der Ergebnisse mit den Beteiligten zu bewerten. So entstand eine leistungsstarke Feedback-Schleife, in der die Anpassungsfähigkeit von Agile eine schnelle KI-Pilotierung ermöglichte und die durch die KI gewonnenen Erkenntnisse in die nachfolgenden Iterationen einflossen.
4. Funktionsübergreifende Teams und Fähigkeiten sind unerlässlich
KI-Projekte überschneiden sich mit Datenwissenschaft, Technik, Design und Fachwissen. An den erfolgreichsten Implementierungen waren verschiedene Teams beteiligt, die eine gemeinsame Sprache für KI hatten. Dies verhinderte Missverständnisse und unrealistische Erwartungen und ermöglichte eine reibungslosere Zusammenarbeit und effektivere Lösungen.
5. Menschliche Aufsicht, Ethik und Datenqualität
Die Teams schufen Prozesse, um die KI-Ergebnisse zu überprüfen und Fehler oder Verzerrungen zu vermeiden. Dazu gehörten die Aufnahme von Qualitätssicherungsschritten in die Definition of Done, A/B-Tests von KI-Entscheidungen im Vergleich zu menschlichen Entscheidungen vor der vollständigen Einführung und der proaktive Umgang mit ethischen Überlegungen. Die Transparenz gegenüber den Nutzern und die Einhaltung gesetzlicher Vorschriften waren von entscheidender Bedeutung.
6. Die Unterstützung durch die Führung und die Kultur des Experimentierens
Die Unterstützung durch die Führungsebene sorgte für eine Vision und Ressourcen, die es den Teams ermöglichten, ohne Angst zu iterieren. Es war wichtig, realistische Erwartungen zu setzen — KI nicht als Zauberei, sondern als leistungsfähiges Werkzeug zu sehen, das der Verfeinerung bedarf — und den Fortschritt in Begriffen zu kommunizieren, die der Führung wichtig sind (Kundenkennzahlen, ROI, Wettbewerbsvorteile).
Überflüssig zu werden ist eine Entscheidung, nicht unvermeidlich
Was mich an diesen Ergebnissen am meisten beeindruckt, ist die Tatsache, dass sie das Narrativ der Angst der Wissensarbeiter vor der KI in Frage stellen. Viele Fachleute sehen KI eher als eine Bedrohung denn als eine Technologie, die einen Paradigmenwechsel herbeiführt, wie die Druckerpresse, die Elektrizität oder das Internet. Doch diese Fallstudien erzählen eine andere Geschichte.
In jedem Beispiel blieb das menschliche Fachwissen unerlässlich. Die KI hat die menschlichen Fähigkeiten verbessert, anstatt sie zu ersetzen. Bei Lightful lieferte die KI Vorschläge, aber der Mensch blieb in der kreativen Schleife. Bei PepsiCo legten Fachexperten die Ziele fest und leiteten die KI bei ihrer Erkundung. Bei Wayfair half das KI-Visualisierungstool den Kunden, bessere Entscheidungen zu treffen, ersetzte aber nicht das menschliche Einkaufserlebnis.
Diese Beobachtungen deuten darauf hin, dass es eine Entscheidung ist, im Zeitalter der KI obsolet zu werden, und diese ist nicht unausweichlich. Erfolgreich werden diejenigen sein, die lernen, KI als Kollaborateur zu nutzen — indem sie die KI z. B. einsetzen, um Erkenntnisse aus unstrukturierten Daten zu gewinnen, komplexe Szenarien zu simulieren und ihre Entscheidungsfindung zu verbessern.
Was dies für Ihre agile Praxis bedeutet
Als agile Praktiker sind wir in einer einmaligen Position, um KI zu verinnerlichen. Die agile Denkweise, die sich auf Adaption, kontinuierliche Verbesserung und die Schaffung von Kundennutzen konzentriert, passt perfekt zur sich weiterentwickelnden KI-Technologie. Hier sind drei Anregungen für Ihre eigene Praxis:
- Fangen Sie klein an und lernen Sie schnell: Beginnen Sie mit spezifischen Kundenproblemen, bei denen KI einen Mehrwert bieten könnte. Führen Sie Experimente in kurzen Iterationen durch, sammeln Sie Feedback und adaptieren Sie schnell.
- Bauen Sie funktionsübergreifende KI-Kenntnisse auf: Stellen Sie sicher, dass Ihr Team ein gemeinsames Verständnis für die Möglichkeiten und Grenzen der KI hat. „Verstehen“ bedeutet nicht, dass jeder ein Datenwissenschaftler werden sollte, aber jeder sollte genug verstehen, um effektiv zusammenzuarbeiten.
- Lassen Sie den Menschen im Mittelpunkt stehen: Entwerfen Sie KI-Implementierungen, die die menschliche Kreativität und Entscheidungsfindung ergänzen, anstatt zu versuchen, sie zu ersetzen. Bei den meisten Anwendungen bleibt der Mensch im Mittelpunkt.
Viele agile Teams verpassen derzeit Möglichkeiten, KI für tiefere Einblicke zu nutzen — insbesondere bei der Umwandlung qualitativer Daten aus der Benutzerforschung, Retrospektiven und Kundenfeedback in umsetzbare Muster. Es gibt ein enormes ungenutztes Potenzial für den Einsatz von KI, um aus den reichhaltigen, aber unstrukturierten Daten, die wir bereits sammeln, eine sinnvolle Erkenntnis zu gewinnen.
Fazit
Die Zukunft gehört den agilen Praktikern, die das menschliche Urteilsvermögen mit der analytischen Kraft der KI verbinden können. Wir können unseren Kunden und Unternehmen einen noch nie dagewesenen Mehrwert bieten, wenn wir diese Partnerschaft verinnerlichen, anstatt sie zu fürchten. Deep Research ist nur ein kleiner Einblick in diese Zukunft.
Haben Sie in Ihrem agilen Alltag mit KI experimentiert? Welche Möglichkeiten sehen Sie für KI, um die Fähigkeiten Ihres Teams zu erweitern, anstatt sie zu ersetzen? Wie können wir sicherstellen, dass KI unseren agilen Werten dient und sie nicht untergräbt? Bitte schreiben Sie mir eine Nachricht oder kommentieren Sie unten.
🛑 Becoming obsolete is a choice, not inevitable!
👉 Don’t Miss Out Again — Join the Second Cohort: AI for Agile Practitioners: Pilot Cohort #2, May 14 to June 11, 2025, at € 199!
📖 Deep Research — Weitere Lektüre
60 ChatGPT Prompts Plus Prompt Engineering Guide for Scrum Practitioners
ChatGPT 4: Ein Schnäppchen für Scrum-Praktiker?
Agile Transformation mit ChatGPT oder McBoston?
Ein ChatGPT Jobinterview für eine Scrum-Master-Position
Generative KI: ChatGPT von OpenAI über Business Agilität und Scrum
👆 Stefan Wolpers: The Scrum Anti-Patterns Guide (Amazon advertisement.)
📅 Professional Scrum-Schulungen nach Scrum.org, Workshops und Events
Sie können sich Ihren Platz für Scrum-Schulungen, Workshops und Meetups direkt sichern, indem Sie dem entsprechenden Link in der Tabelle unten folgen:
Alle kommenden Professional-Scrum-Klassen finden Sie hier.
Sie können Ihren Platz für die Schulung direkt buchen, indem Sie den entsprechenden Links zum Ticketshop folgen. Sollte der Beschaffungsprozess Ihrer Organisation einen anderen Einkaufsprozess erfordern, wenden Sie sich bitte direkt an die Berlin Product People GmbH.
✋ Nicht versäumen: Lernen Sie mehr über Deep Research im 20.000-köpfigen „Hands-on Agile“ Slack Team
Ich lade Sie ein, sich dem „Hands-on Agile“ Slack-Team anzuschließen und die Vorteile einer schnell wachsenden, lebendigen Gemeinschaft von agilen Praktikern aus der ganzen Welt zu genießen.
Wenn Sie jetzt beitreten möchten, müssen Sie nur noch Ihre Anmeldeinformationen über dieses Google-Formular angeben, und ich werde Sie anmelden. Die Mitgliedschaft ist kostenlos.
Bereiten Sie sich auf Deep Research vor, indem Sie den kostenlosen Scrum Anti-Patterns Guide lesen:
