“Engineers are 10x faster. Product managers haven’t sped up at the same rate. Now they’re the bottleneck.”
Dieses Andrew-Ng-Zitat, geteilt von Lenny Rachitsky, hat mich nicht mehr losgelassen. AI Coding Agents verändern gerade, wie schnell Softwareteams Code erzeugen können. Aber was passiert, wenn sich der Engpass verschiebt: zu den Menschen, die Anforderungen formulieren, Optionen bewerten, Entscheidungen vorbereiten und Fachwissen tragen?
Genau das ist ein großer Teil der Arbeit vieler Produkt-Manager.
Das hat mich bewegt, einen Test zu starten: Ich habe Wissen und Informationen wie Code behandelt und ich habe KI Agenten nicht zum Programmieren genutzt, sondern für meine eigene Wissensarbeit.
Der Engpass hat sich verschoben#
Ich bin Produkt- und Partner-Manager. Ich schreibe keinen Produktivcode. Ich sitze mitten zwischen Partnerstrategie, Kundenanforderungen, Ökosystem-Entscheidungen und Kommunikation. Mehr als 110 Partner im ctrlX OS Ökosystem, dazu laufend neue Unternehmen, die mitmachen wollen, neue Use Cases, die bewertet werden müssen, und strategische Entscheidungen, die vorbereitet werden sollen.
KI Agenten wie Claude Code und Codex machen Code “billig”. Aber dadurch verschwindet der Engpass nicht, er wandert nur. Jemand muss immer noch entscheiden, was gebaut wird, welcher Partner passt und warum eine Option besser ist als die andere. Diese Arbeit, die eigentliche Wissensarbeit, ist nicht im gleichen Maß schneller geworden.
Also habe ich mir eine einfache Frage gestellt: Wenn diese KI Agenten Entwickler beschleunigen, warum nicht auch mich?
Man muss dafür kein Entwickler sein. Wer ein strukturiertes Dokument schreiben kann, kann anfangen. Ich zeige euch, wie.
Lesson 1: Für Wissensarbeiter ist Markdown “Code”#
Der Name Claude Code führt in die Irre. Diese KI Agenten sind nicht auf Programmierung beschränkt. Sobald man versteht, was in der Wissensarbeit die Rolle von “Code” übernimmt, ändert sich alles!
Diese Rolle übernimmt Markdown. Ein einfaches Textformat, das jedes große Sprachmodell sehr gut lesen kann. Wenn ich mein Wissen in Markdown halte, kann der Agent es lesen, verdichten und aktualisieren. Und er behandelt jede Änderung wie Code: als nachvollziehbaren Diff, den ich prüfe und annehme oder verwerfe. Nichts passiert unsichtbar im Hintergrund.
Ich nutze Markdown für meine Notizen schon seit 2021, mit Software-Tools wie Logseq und Obsidian. Neu ist also nicht Markdown selbst, neu ist, dass ein KI Agent jetzt direkt in dieser Wissensbasis arbeiten kann.
Das klingt unspektakulär. Die Konsequenzen sind es nicht.
Lesson 2: die vier Stufen vom Chat zur Wissensbasis#
In den letzten Monaten habe ich diese vier Stufen erlebt und mich durch Probieren stark weiterentwickelt. Auf welcher Stufe stehen Sie?
Stufe 1: Chat. Man kopiert einen Prompt aus einer Prompt-Sammlung, passt ihn an, setzt einen Firmennamen ein und kopiert die Antwort aus dem Chatbot manuell in ein Dokument oder eine Präsentation. So arbeiten viele seit dem Start von ChatGPT. Es funktioniert, aber es bleibt Handarbeit und nichts baut aufeinander auf!
Stufe 2: Ein Agent im Chat. Man speichert den langen Prompt einmal als wiederverwendbaren Agent oder als Projekt. Danach gibt man nur noch den Firmennamen ein. Das ist deutlich besser, aber das Ergebnis steckt immer noch im Chatfenster fest.
Stufe 3: Ein Agent, der Dateien schreibt. Der Agent läuft im Editor und erzeugt echte Markdown-Dateien. Er erstellt Profile, organisiert Ordner und schreibt direkt in die Wissensbasis. Das Ergebnis verlässt endlich den Chat, kein Kopieren und Einfügen von Informationen mehr.
Stufe 4: Das LLM Wiki, das vom Agenten gepflegt wird. Eine Git-versionierte Wissensbasis, angelehnt an Andrej Karpathys Konzept LLM Wiki. Eine zentrale Datei erklärt dem Agenten, wofür das Wiki da ist und was er tun kann. Jede wiederkehrende Aufgabe, etwa eine Firmenanalyse oder eine Meeting-Zusammenfassung, liegt daneben als wiederverwendbarer “Skill”. Die Struktur selbst sagt dem Agenten, was zu tun ist.
Der entscheidende Sprung ist der von Stufe 2 zu Stufe 3: der Moment, in dem Ergebnisse keine Wegwerfantworten im Chat mehr sind, sondern Teil einer Wissensbasis werden, die mit jeder Nutzung besser wird.
Lesson 3: Am besten mit der Arbeit beginnen, die man immer bereits wiederholt#
Nicht bei den großen Visionen anfangen, am besten fängt man mit einer Aufgabe an, die man immer wieder macht. Bei mir waren die Beispiele schnell klar.
Ich akzeptiere keine Partner-Meetings mehr ohne Transkript. Das klingt streng, ist aber die Grundlage für alles Weitere: Aus jedem Transkript entwirft der Agent ein Partnerprofil, offene Punkte, nächste Schritte und häufige Fragen für unser Partnerhandbuch. Wissen, das früher einfach wieder weg war oder nur durch meine Notizen überlebte, wird dadurch wiederverwendbar.
Als ein Vertriebskollege Argumente für einen konkreten Neukunden brauchte, habe ich Marktrecherche, Wettbewerbsbeobachtungen und Kundenkontext zusammengezogen. Der Agent hat daraus ein strukturiertes Briefing erstellt: Kundensituation, wahrscheinliche Einwände, passende Ökosystem-Beispiele und mögliche Gesprächsargumente. Das war nicht die finale Antwort. Aber es war ein sehr viel besserer Startpunkt als eine leere Folie.
Und Firmenanalysen für Partnerschaftsentscheidungen: Firmenname rein, strukturierter Bericht raus: Kennzahlen, Pro und Contra, Entscheider, Portfolio-Fit und Nähe zu Wettbewerbern.
Was weiterhin menschliches Urteil braucht#
Das ist keine Magie und es ist kein Autopilot.
Transkripte können falsch sein. Agenten können Kontext übersehen oder Zusammenhänge herstellen, die plausibel klingen, aber nicht stimmen. Vertrauliche Informationen brauchen klare Grenzen. Jede Empfehlung braucht weiterhin menschliche Prüfung.
Für mich geht es nicht darum, Urteil auszulagern. Es geht darum, keine Zeit mehr mit Sammeln, Kopieren und Umformatieren von Informationen zu verschwenden. Der Agent soll das Material vorbereiten, damit ich mehr Zeit für die eigentliche Entscheidung habe.
War der Weg reibungslos? Nicht ganz. Ich mache das bewusst mit im Unternehmen freigegebenen Werkzeugen. Bei der Arbeit nutze ich Gemini und Microsoft Copilot. Gemini verwende ich als Agent in VS Code. Es ist weniger reif als Claude Code oder Codex, die ich für private Projekte nutze. Manchmal schreibt Gemini die Antwort nicht wirklich in die Markdown-Datei. Manchmal legt es Ordner nicht selbstständig an. Der Ansatz funktioniert trotzdem. Und genau das ist der Punkt: Das ist heute erreichbar, nicht erst in zwei Jahren und nicht nur mit dem besten verfügbaren Tool.
Die Frage, die mich beschäftigt#
Ich nutze diese Wissensbasis seit drei Monaten. Sie wächst mit jedem Meeting, jeder Recherche und jeder Entscheidung und damit stellt sich für mich die spannendste Frage:
Was passiert, wenn nicht nur eine Person, sondern ein ganzes Team so arbeitet? Auf einer gemeinsamen Wissensbasis, mit Branches und Pull Requests, so wie Entwickler seit Jahren mit Code arbeiten? Könnte das die nächste Generation von Wissensmanagement im Unternehmen werden?
Ich habe darauf noch keine fertige Antwort. Aber ich bin von einer Sache überzeugt: KI versteht man nur, indem man sie benutzt!
Nehmt euch diese Woche eine wiederkehrende Aufgabe: eine Meeting-Zusammenfassung, ein Kundenbriefing, ein Partnerprofil, eine Research-Notiz oder eine Entscheidungsvorlage. Legt den Input in Markdown ab. Lasst einen Agenten die erste Version erstellen. Und prüft dann den Diff.
Genau dort fängt es an.
👉 Nutzt ihr AI Agents schon für Wissensarbeit oder nur für Code? Schreibt mir auf LinkedIn
