AI Monitor 2026
Was sollte euer Produktteam jetzt ändern?
2 Min. LesezeitVeröffentlicht am Herausgegeben von Teklens
Euer Produktteam sollte einen Arbeitsablauf wählen, in dem KI einen konkreten Nutzen schaffen soll, und ihn entlang der sechs Dimensionen prüfen: Kontext klären, den grössten Hebel finden, unnötige Arbeit streichen, den Rest vereinfachen, das beste Vorgehen festhalten und erst dann beschleunigen und automatisieren. Die Studie zeigt, dass die Akzeptanz da ist und die Anpassungsfähigkeit fehlt. Diese Seite ist unsere Interpretation, kein Ergebnis der Studie.
Inhalt · Kurzantwort
Einordnung
Der Ausgangspunkt: Akzeptanz ist nicht der Engpass
Drei Befunde tragen diese Empfehlung. Offenheit für Veränderung ist mit 3,94 der höchste Wert der Studie. Das Anpassen von Strukturen und Prozessen ist mit 2,47 der tiefste. Und die Anpassungsfähigkeit trennt fortgeschrittene von zurückliegenden Organisationen am schärfsten. Wer also Akzeptanz schaffen will, arbeitet am falschen Ende.[Probst 2026, Anhang B]
Unsere Antwort ist ein Verbesserungsprozess, der bestimmt, welche Arbeit nötig ist, bevor irgendetwas beschleunigt wird. Er beginnt beim Kontext, weil ein Produktteam nur dann entscheiden kann, was entfallen darf, wenn Kundenfeedback, Entscheide, Jira und Code zusammenpassen. Das Product Brain, ein gemeinsames Gedächtnis für Menschen und Agents, hält diesen Kontext aktuell; das AI Product Playbook ist die Methode, mit der ein Team ihn nutzt.
Von der Dimension zur Massnahme
Wähle die Dimension, in der euer Team am ehesten hängt. Der Leitfaden zeigt die Arbeit, die Verantwortung, ein beobachtbares Ergebnis und eine Prüffrage. Er ist eine Interpretation, kein Ergebnis der Studie.
Befund der Studie
Rückhalt 3,56, Ressourcen 3,11, Vision 3,09: Engagement ist da, Mittel und Plan fehlen.
Praktische Arbeit
Ein KI-Vorhaben mit festem Budget, einer verantwortlichen Person und einem Ergebnis in Produktsprache definieren.
Verantwortung
CPO oder Head of Product
Beobachtbares Ergebnis
Ein dokumentierter Entscheid mit Ziel, Budget und Freigabe, den das Team ohne Rückfrage finden kann.
Prüffrage
Wurde das Budget in den letzten drei Monaten neu verhandelt, statt aus Ergebnissen abgeleitet?
Befund der Studie
Offenheit 3,94, Talent 3,11, Zusammenarbeit 3,08: Der Wille ist da, die Fähigkeit hinkt.
Praktische Arbeit
Eine Activity von der Aufgabe bis zur Freigabe mit den Menschen durchführen, die sie später verantworten; Erkenntnisse als Kontext für die nächste Activity festhalten.
Verantwortung
Product Lead mit Engineering
Beobachtbares Ergebnis
Die zweite Activity braucht weniger Übergaben als die erste, und das Team kann sagen, warum.
Prüffrage
Welche Frage musste bei der letzten Übergabe jemand ein zweites Mal beantworten?
Befund der Studie
Architektur 3,22, Infrastruktur 2,70, Anbindung 2,66: Prototypen entstehen, der Betrieb ist der Engpass.
Praktische Arbeit
Für ein KI-Feature den Weg vom Prototyp in den Betrieb aufschreiben: Datenfluss, Monitoring, Verantwortung; reproduzierbare Umgebungen vor der nächsten Automatisierung.
Verantwortung
Engineering Lead
Beobachtbares Ergebnis
Das Feature läuft eine Iteration lang ohne manuelle Eingriffe, und Ergebnisse fliessen in die Kernsysteme zurück.
Prüffrage
Welche Integration wird heute von Hand nachgeführt?
Befund der Studie
Zugang 3,05, Governance 2,73, Qualität 2,61: Nutzung läuft der Datenreife voraus.
Praktische Arbeit
Die Quellen einer Activity benennen (Tickets, Entscheide, Specs, Code), eine Person für deren Pflege bestimmen und die Quellen vor der Automatisierung prüfen.
Verantwortung
Product Owner
Beobachtbares Ergebnis
Eine Liste veralteter Specs und offener Entscheide, die wöchentlich kürzer wird.
Prüffrage
Auf welcher Quelle beruhte die letzte falsche Annahme im Team?
Befund der Studie
Richtlinien 2,67, Ökosystem 2,66, EU AI Act 2,63: eine systemische Lücke über alle Profile.
Praktische Arbeit
Betriebsgrenzen für KI im Team festhalten: welche Daten an welches Modell, wo es läuft, wer was automatisieren darf; menschliche Freigabe in jedem Ablauf sichtbar machen.
Verantwortung
CTO mit Legal oder Compliance
Beobachtbares Ergebnis
Ein einseitiges Dokument, das jede neue Activity zitiert, statt die Fragen neu zu stellen.
Prüffrage
Welche Entscheidung hat das Team zuletzt verzögert, weil eine Regel unklar war?
Befund der Studie
Strukturen anpassen 2,47, der tiefste Wert der Studie und die schärfste Trennlinie zwischen den Profilen.
Praktische Arbeit
Nach jedem Vorhaben den Ablauf ändern: einen Schritt streichen, einen vereinfachen, eine Freigabe neu zuordnen; das Ergebnis als Playbook festhalten.
Verantwortung
Product Lead
Beobachtbares Ergebnis
Ein Playbook, das sich seit dem letzten Vorhaben nachweislich geändert hat.
Prüffrage
Was hat sich an Rollen oder Abläufen nach dem letzten Rollout verändert?
Ein Anwendungsmodell für Software-Teams
Discover → Define → Build → Operate → Discover ist der Kreislauf, in dem ein Produktteam arbeitet. Er ist nicht das Forschungsmodell; die sechs Dimensionen beschreiben Voraussetzungen, der Kreislauf beschreibt Arbeit.
- Discover
Kundenfeedback, Wettbewerber und Gespräche auswerten; Signale sammeln.
- Define
Gemeinsames Refinement mit aktuellem Wissen; die freigegebene Spec hängt an der Story.
- Build
Coding mit frei wählbarem Agent; Kontext übergeben, Ergebnisse zurückführen.
- Operate
Entscheide mit Ergebnissen verbinden; Support und Betrieb auswerten; nächste Hypothesen prüfen.
Sieben Schritte, bevor etwas automatisiert wird
- 1 Kontext klären
- 2 Grössten Hebel finden
- 3 Unnötige Arbeit streichen
- 4 Ablauf vereinfachen
- 5 Bestes Playbook festhalten
- 6 Beschleunigen
- 7 Automatisieren
Den grössten Hebel besprechen
30 Minuten mit einem Founder. Du erzählst, woran euer Produktteam am meisten leidet. Wir sagen ehrlich, ob das AI Product Playbook hilft.
Wie ein Team damit beginnt
- Wählt einen Ablauf, der heute Koordinationsarbeit kostet, etwa vom Kundenfeedback zur freigegebenen Spec.
- Klärt das Ziel in einem Satz und benennt, wer entscheidet und wer freigibt.
- Listet die Schritte auf und streicht, was nicht zum Ergebnis beiträgt. Vereinfacht, was bleibt.
- Haltet das Vorgehen als Playbook fest, führt es einmal durch und notiert, was sich verbessert hat.
- Erst jetzt: Welche Schritte lassen sich beschleunigen, welche automatisieren, mit welcher Freigabe?
Einordnung & Grenzen
- Die Studie untersucht Organisationen über Branchen hinweg; die Übertragung auf Software-Produktteams ist unsere Interpretation.
- Die Studie misst weder die Wirkung von Teklens noch Zeitersparnis, Rendite oder Rechtskonformität. Solche Aussagen machen wir hier nicht.
- Der Leitfaden ordnet Massnahmen nach Dimension. Welche zuerst dran ist, entscheidet euer Kontext, nicht die Reihenfolge der Tabelle.
Fragen & Antworten
Womit sollten wir anfangen?
Mit einem Ablauf, nicht mit einer Dimension. Prüft ihn entlang der sechs Dimensionen und beginnt dort, wo das Team am meisten Zeit mit Suchen, Rekonstruieren und Nachführen verliert.
Brauchen wir dafür Teklens?
Nein. Die sieben Schritte funktionieren mit jedem Werkzeug. Teklens hält den Kontext zusammen, damit ein Team die Schritte wiederholen kann, ohne ihn jedes Mal neu aufzubauen.
Wie lange dauert das?
Das hängt vom Ablauf ab. Ein erster Durchlauf mit einem klar begrenzten Ablauf ist in wenigen Wochen möglich; ein Versprechen für 90 Tage geben wir nicht.
Quellen
- Probst 2026, Anhang B · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang B – Mittelwert, Standardabweichung, Median, Minimum, Maximum und Item-Rest-Korrelation aller 19 Fragen. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Selbsteinschätzung, explorativ, nicht repräsentativ.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Tabelle 5 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 5 und Abbildung 7 – Dimensionswerte je Profil (Abschnitt 4.4.2). Stichprobe: n = 64; Profile mit n = 12, 27 und 25 · Skala: Reifeskala 1–5 · Grenzen: Profile aus K-means auf denselben sechs Dimensionen; Unterschiede zwischen Profilen sind konstruktionsbedingt gross.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Abschnitt 5.1 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Abschnitt 5.1 – Interpretation der Befunde. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Interpretation der Forschungsarbeit; keine Kausalaussage.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.