KI im Produktmanagement:
Der Weg zu relevanten Ergebnissen für ihr Business
Michael Hoffmann
TastyChange
MSC Trainer
Die Herausforderung: Fehlende Domänenkenntnis der KI
Die Welt der generativen KI ist faszinierend und voller Potenziale und hat in den letzten Monaten beeindruckende Fortschritte gemacht. Doch ein Problem bleibt: Die Ergebnisse der großen Sprachmodelle (wie z.B. ChatGPT) sind oft zu allgemein oder sogar irrelevant für spezifische Fragestellungen. Dies liegt daran, dass diese Modelle darauf trainiert wurden, eine riesige Menge an allgemeinen Informationen zu verarbeiten, jedoch nicht unbedingt die Tiefe und Expertise besitzen, die für unsere spezifischen Domänen erforderlich ist. Aber es gibt Lösungen! Durch den Einsatz eigener Daten kann generative KI relevanter und nützlicher für die Arbeit im Produktmanagement werden.
Lösungen: Mehr Kontext, eigene Daten und smarte Systeme
1. Mehr Kontext durch Prompting
Ein erster Ansatzpunkt ist die gezielte Information durch Anreichern des Prompts (Input in das Sprachmodell). Hierbei geht es darum, die KI über die richtige Fragestellung hinaus auch mit wertvollen spezifischen Informationen zu versorgen. Wenn wir die KI beispielsweise bitten, eine Analyse eines bestimmten Marktes zu erstellen, kann es sinnvoll sein, mehr Details zu Marktsegmenten, relevanten Kundenbedürfnissen oder bekannten Herausforderungen zu liefern. Dies verbessert die Relevanz der Antwort, da die KI in der Lage ist, spezifischer auf die Anfrage einzugehen.
2. Upload von relevanten Daten
Eine weiterer Ansatz ist der Upload eigener relevanter Daten. Die meisten Sprachmodelle bieten eine Upload-Funktion, um spezifische Informationen in Form von Dokumenten hochzuladen. Dieser zusätzliche Input wird vom Sprachmodell verarbeitet. Das bedeutet konkret: durchgeführte Marktanalysen, Verkaufsdaten oder zielgruppenspezifische Dokumentationen können der KI zugänglich gemacht werden. So erhält die KI die Möglichkeit, ihre allgemeinen Fähigkeiten mit spezifischem Wissen aus Ihrer eigenen Unternehmensumgebung zu kombinieren. Dies verbessert die Relevanz nochmals erheblich, da über den Upload eine größere Datenmenge zur Verfügung gestellt werden kann.
3. Verknüpfung von Unternehmensdaten: RAG-Systeme
Ein besonders vielversprechender Ansatz sind sogenannte Retrieval-Augmented Generation (RAG) Systeme. Bei dieser Methode wird ein Sprachmodell mit einer Wissensdatenbank verknüpft, beispielsweise einem ausgewählten Order aus der Dokumentenablage. Das Sprachmodell kann gezielt in dieser Wissensbasis nach relevanten Informationen suchen und diese nutzen, um fundierte und spezifische Antworten zu generieren. Über die kontextbezogene semantische Suchfunktion kann das Sprachmodell sich gezielt relevante Informationen aus einem großen Wissensraum heraussuchen und für die Beantwortung einer Fragestellung mit nutzen.
Datenschutz und Sicherheit: Ein unverzichtbarer Bestandteil bei der Arbeit mit eigenen Daten
Der Einsatz von Unternehmensdaten birgt natürlich auch Risiken – insbesondere in Bezug auf Datenschutz und Datensicherheit. Dabei gilt es sicherzustellen, dass persönliche oder sensible Daten nicht in falsche Hände geraten oder versehentlich im Modell gespeichert werden. Auch dazu gibt es mittlerweile für jedes Sicherheitsbedürfnis eine Lösung:
- Sicherheit durch IT-Infrastruktur: Durch den Einsatz von On-Premise-Installationen oder durch das Aufsetzen auf bestehende IT-Infrastrukturen wie beispielsweise Microsoft Azure können Unternehmen sicherstellen, dass ihre Daten in einem kontrollierten Umfeld bleiben und nicht in die allgemeine Training-Datenbasis einer KI einfließen.
- Datenmaskierung und Pseudonymisierung: Eine weitere Option ist die Verwendung von Datenmaskierung oder Pseudonymisierung (bei persönlichen Daten), um sicherzustellen, dass sensible Informationen unkenntlich gemacht werden, bevor sie von der KI verarbeitet werden.
Der Schlüssel zum Erfolg für relevante Ergebnisse: Die Anwender richtig mitnehmen
Die beste Technologie bringt wenig, wenn die Anwender sie nicht verstehen oder falsch nutzen. Eine erfolgreiche Implementierung von generativer KI im Produktmanagement sollte daher immer beim Anwender beginnen. Das bedeutet:
- Klare Leitplanken zur Nutzung von KI schaffen: Anwender brauchen ein klares Rahmenwerk, das Unsicherheiten im Umgang mit KI beseitigt. Dazu gehören u.a. die Definition, welche Daten von der KI verarbeitet werden dürfen und welche nicht, sowie die Implementierung klarer Zugriffsrechte und Protokolle zur Überwachung der Nutzung von KI-Systemen.
- Richtiger Umgang mit Sprachmodellen trainieren: Um das volle Potenzial generativer KI zu nutzen, sollten Anwender lernen, effektive Prompts zu erstellen und der KI den notwendigen Kontext zu geben. Nur so entstehen relevante Ergebnisse.
- Awareness schaffen und Kreativität fördern: Das Bewusstsein für Möglichkeiten, Chancen und Risiken des KI-Einsatzes ist wichtig, damit Produktmanager beginnen, die Technologie in den Arbeitsprozessen “mitzudenken”. So entstehen sinnvolle Anwendungsfälle, die einen hohen Mehrwert liefern.
Fazit
Generative KI bietet ein riesiges Potenzial für das Produktmanagement, wenn wir die Herausforderungen der Relevanz lösen. Der gezielte Einsatz eigener Daten – sei es durch verbessertes Prompting, das Hochladen von relevanten Dokumenten oder durch RAG-Systeme – trägt dazu bei, dass die Outputs tatsächlich einen Mehrwert bieten. Datenschutz-/Sicherheit und Anwender-Befähigung sind dabei die Erfolgsfaktoren, um die Basis für eine erfolgreiche und sichere Implementierung zu legen.
Michael Hoffmann war mehr als 14 Jahre mit Schwerpunkt digitaler Transformation und Produktmanagement für international marktführende B2B Unternehmen in unterschiedlichen Manager- und Leadership-Rollen tätig. In dieser Zeit hat er u.a. erfolgreich die Transformation eines international führenden Hardware-Herstellers zum digitalen Service-Provider umgesetzt und als Director of Product Management ein digitales Plattform-Modell von der Konzeption bis zur Markteinführung verantwortet.
Seine Expertise in künstlicher Intelligenz baute er mit diversen business-relevanten Projekten und ergänzend mit wissenschaftlicher Weiterbildung auf. Als im Jahr 2022 ChatGPT von OpenAI eingeführt wurde, hat er früh das transformative Potenzial der generativen KI erkannt und sich auf die Prozessoptimierung durch generative KI spezialisiert. Seit 2 Jahren ist er als selbständiger Berater und Interim-Manager mit Schwerpunkt generativer KI und Transformation im B2B-Bereich tätig. Seine Seminare zeichnen sich durch einen hohen Praxisbezug aus.