Backlog Refinement durchführen
Bereitet eine vom PM vereinbarte Teilmenge kommender Stories vor und verfeinert sie; bewahrt teilweise Meeting-Abdeckung, Diskussion und Bestätigung pro Story und setzt dieselbe Activity fort, ohne freigegebene Quellen zu überschreiben.
ProduktstatusVerfügbarNotizen und Transkripte als Dateien funktionieren heute; die Aufzeichnung über den Meeting-Bot ist Beta.
Warum das zählt
Die Activity bleibt durchgehend dieselbe Conversation. Sie kann nach dem Meeting fortgesetzt werden, später weitere Transkript-Evidenz aufnehmen und zu jedem vorgeschlagenen Thema zurückkehren, ohne als neuer Lauf zu gelten.
Owner
Product Manager
Mensch + Agent
Beteiligte · Agents
Auslöser
Eine Refinement-Session für den kommenden Lieferhorizont steht an.
Benötigter Kontext
Optionaler Kontext
Skills
Vorgeschlagener Gesprächsbogen
- 1Geeignete Refinement-Kandidaten vorschlagenRelevanz für die Initiative, Lieferhorizont und Priorität, aktuellen Status, offenen Umfang, bestehende Vorbereitung und Quellenverfügbarkeit prüfen. Kandidaten-Stories mit Gründen für Aufnahme oder Ausschluss vorschlagen; nie alle offenen Backlog-Elemente mit dem Meeting-Umfang gleichsetzen.Skills: Prepare task context · Prepare an agreed refinement scope
- 2Das Refinement-Set besprechen und vereinbarenVorgeschlagene Kandidaten mit dem PM prüfen, Prioritäten und fehlenden Kontext besprechen und die geordnete Auswahl plus Meeting-Horizont vereinbaren. Entfernen, Ergänzen oder Verschieben vor der Vorbereitung zulassen.
- 3Das Refinement-Dokument vorbereitenFür die ausgewählten Stories aktuelles Verhalten, gewünschtes Outcome, relevante Leitlinien, Lücken und nötige Meeting-Entscheide zusammenfassen. Ein Vorbereitungsdokument mit Agenda und Referenzen pro Story erstellen; Antworten nicht vorwegnehmen.Skills: Prepare an agreed refinement scope
- 4Das Meeting halten und Teil-Evidenz erfassenMeeting-Notizen oder Transkript in einem oder mehreren Teilen entgegennehmen. Evidenz stabilen Story-Referenzen zuordnen und die Abdeckung als besprochen, nicht besprochen, unklar oder wartend festhalten. Ein Teil-Transkript kann ausreichend belegte Stories freigeben, ohne das ganze Meeting als vollständig zu erklären.
- 5Jede besprochene Story entwerfen und prüfenAus Transkript und Diskussion die Änderungen für alle Stories dieses Refinements ableiten. Für jede betroffene Story einen Entwurf gegen ihre aktuelle Quell-Baseline erstellen. Akzeptanzkriterien, Konsistenz und relevante Regeln prüfen; nicht abgedeckte oder unklare Stories offen lassen und nachfragen, statt Entscheide aus Schweigen abzuleiten.Skills: Synthesise refinement decisions per story · Draft a Jira story · Review an artifact against agreed criteria
- 6Jede Story einzeln besprechen und bestätigenDie Activity-Conversation auf eine Story mit Entwurf, Diff, Evidenz und Befunden fokussieren. Den PM unabhängig überarbeiten, bestätigen, ablehnen oder verschieben lassen. Den exakten finalen Inhalt und das Quellziel vor der Übernahme bestätigen; eine geänderte Baseline erneut prüfen und jede zuvor freigegebene Version bewahren. Die Freigabe einer Story gibt nie die übrigen frei.
- 7Recap und offene Follow-ups festhaltenEntscheide pro Story zusammenfassen, übernommene von nur bestätigten Entwürfen trennen und offene oder nicht abgedeckte Elemente mit Owner und nächster Frage bewahren. Bei unvollständiger Abdeckung den PM um den Entscheid bitten, ob geschlossen oder fortgesetzt wird; diese Activity erstellt oder verwaltet keine Aufgaben.Skills: Record decisions and follow-up
Ergebnis
Refinement-Umfang und Agenda vor der Session; Entwürfe pro Story, Abdeckungskarte und ein Entscheid-Recap danach.
Artefakte
Erstellt: Refinement-Umfang
Aktualisiert: Jira-Story
So sieht gut aus
- Der ausgewählte Umfang ist explizit vereinbart oder sichtbar offen.
- Jede ausgewählte Story erscheint in der Abdeckungskarte.
- Teil-Evidenz erzeugt nie eine stillschweigende Freigabe oder Änderungen an nicht besprochenen Stories.
- Übernommene Updates und nur bestätigte Entwürfe bleiben getrennt.
Freigabe
Ziel
Meist als Nächstes
Vertiefung im AI PM Lab
Beiträge, die das Denken hinter dieser Activity erklären.
- AI Product Operating Model: vom Managen der Arbeit zum Managen des Kontexts
- Strukturierte KI-Workflows: Warum euer Team nicht bessere Prompts braucht, sondern Struktur
- Claude Code für Product Manager: das Setup, das aus einem Chatfenster einen Mitarbeiter macht
- Die Anatomie eines Jira-Tickets für KI-Product-Management im Agentic Engineering
Wähl den Einstieg, der zu deiner Rolle passt.
Leg mit uns die Product-AI-Richtung fest oder teste das gemeinsame Product Brain mit Jira und Code an echter Arbeit.