AI Product Discovery: Probleme finden, die KI wirklich lösen sollte

Warum Discovery bei KI härter prüfen muss

Bei klassischen Features ist die teuerste Discovery-Frage: Will das jemand? Bei KI kommen zwei weitere dazu, die genauso tödlich sind: Wird das Modell gut genug? Und dürfen wir das überhaupt? Eine Idee kann begehrenswert, machbar und trotzdem nicht geschäftsfähig sein – etwa weil die Trainingsdaten der DSGVO widersprechen oder der Use Case unter dem EU AI Act in eine hohe Risikoklasse fällt.

Marty Cagans vier Risiken – Wert, Usability, Machbarkeit, Geschäftsfähigkeit – bleiben der beste Rahmen, aber KI verschiebt die Gewichte. Machbarkeit ist nicht mehr binär («können wir das bauen?»), sondern probabilistisch («erreicht das Modell 95 Prozent, und reichen 95 Prozent?»). Genau deshalb gehört die Frage nach der Fehlertoleranz in jedes Discovery-Gespräch: Was passiert, wenn die KI falsch liegt – ein Schulterzucken oder ein Compliance-Fall?

Die vier Fragen vor dem ersten Prompt

1. Ist das Problem belegt? Nicht durch Zustimmung im Meeting, sondern durch beobachtetes Verhalten: Workarounds, Exporte nach Excel, wiederkehrende Support-Tickets. Teresa Torres' Continuous-Discovery-Prinzip – wöchentlich echte Nutzer sprechen – liefert diesen Rohstoff zuverlässiger als jede Umfrage.

2. Ist KI die beste Lösung? Prüfe die langweilige Alternative zuerst: Regelwerk, besseres Formular, saubere Suche. KI gewinnt dort, wo Eingaben unstrukturiert, Muster komplex und Antworten sprachlich sind – nicht dort, wo eine If-Else-Logik reicht.

3. Wie teuer ist ein Fehler? Definiere die Fehlertoleranz schriftlich, bevor jemand baut. Sie bestimmt Architektur (Human-in-the-Loop oder nicht), UX (Vorschlag oder Automatik) und Compliance-Pfad. Ein Feature mit tiefer Fehlertoleranz braucht ein anderes Produkt als dasselbe Feature mit hoher.

4. Existieren die Daten? Gartner nennt Datenqualität als Abbruchgrund Nummer eins. Die Discovery-Frage ist dreifach: Gibt es die Daten, sind sie zugänglich, und dürfen sie für diesen Zweck genutzt werden? In DACH entscheidet die dritte Frage öfter als die ersten beiden.

Wo die besten KI-Ideen versteckt sind

Die stärksten KI-Use-Cases stehen selten im Brainstorming-Protokoll. Sie liegen in deinen Bestandsdaten: Support-Tickets, die sich um dieselben drei Themen drehen. Feature-Requests, die in Wahrheit Duplikate sind. Onboarding-Schritte, an denen Nutzer reihenweise abspringen. Wer Kundensignale über alle Quellen clustert, findet Probleme mit belegter Frequenz – und Frequenz ist das beste Argument gegen das Lieblingsfeature des lautesten Stakeholders.

Im Brownfield gehört auch der Code zur Discovery: Welche Komponenten wären betroffen, wie riskant ist der Eingriff, welche Geschäftsregeln hängen dran? Eine Idee, die fachlich brillant und technisch ein Minenfeld ist, gehört früh erkannt – nicht erst im Sprint. Code Intelligence macht diese Prüfung zur Routine statt zur Archäologie.

Empfehlungen

• Starte beim Workaround. Suche dort nach KI-Use-Cases, wo Nutzer heute sichtbar improvisieren – Exporte, Copy-Paste, wiederkehrende Tickets. Belegte Frequenz schlägt jede Vision.
• Erzwinge die Nicht-KI-Alternative. Jedes KI-Vorhaben muss dokumentieren, warum die langweilige Lösung schlechter ist. Wenn das Argument fehlt, ist es «AI for AI's sake».
• Schreibe die Fehlertoleranz fest. Vor dem Prototyp: Was kostet eine falsche Antwort, wer haftet, braucht es Human-in-the-Loop? Diese Antwort gehört in die Spec, nicht in den Flurfunk.
• Halte den Takt. Wöchentliche Kundenkontakte nach Torres – gerade wenn Agenten die Execution beschleunigen, wird die Qualität deiner Discovery zum Engpass.

Einordnung & Grenzen

• Die vier Fragen sind ein Filter, kein Ersatz für Urteilskraft: Es gibt legitime strategische Wetten, die bewusst vor der vollen Validierung starten – dann aber als Wette mit Budgetdeckel, nicht als Roadmap-Zusage.
• Die zitierten Abbruchgründe stammen aus Gartners Prognose vom Juli 2024 und sind Branchenaggregate. Dein Portfolio kann besser oder schlechter abschneiden – entscheidend ist, dass du dieselben vier Punkte vor dem Invest prüfst.

Passende Use Cases aus der Bibliothek

Vom Beitrag direkt in die Praxis: Diese Use Cases setzen die Konzepte mit Teklens um.