KI-PM-Interviews: Die 5 beliebtesten Fragen und wie du sie beantwortest

Ich habe in den letzten zwei Jahren viele Product Manager interviewt und wurde selbst interviewt. Ein Muster ist mir so scharf aufgefallen, dass ich es bis heute im Kopf habe: Sobald es um KI-bezogene Fragen geht, fangen acht von zehn sofort an, Konzepte herunterzubeten — was RAG ist, worin sich Fine-Tuning und Prompting unterscheiden, wie der Attention-Mechanismus im Transformer funktioniert. Je flüssiger es kommt, desto kälter wird mir innerlich, und im Grunde steht dann schon fest, dass ich ihn nicht will.

Nicht, weil er sich verhaspelt hätte. Sondern weil diese Fragen nie prüfen, was du auswendig kannst, sondern ob du denken kannst. Wenn du den Mund aufmachst und sofort eine Definition kommt, sagst du dem Interviewer damit: Ich habe das als Prüfungsstoff auswendig gelernt, aber ich habe damit noch nie wirklich eine Entscheidung getroffen.

Genau hier unterscheidet sich der KI-PM am stärksten vom klassischen Product Manager. Klassische Software: Wenn du sie durchdacht hast, verhält sie sich im Grunde so, wie du es dir überlegt hast. KI nicht — ein Modell brilliert im Test und stürzt im Live-Betrieb ab; es funktioniert für 90 % der Leute und redet für die restlichen 10 % Unsinn; und oft kannst du nicht einmal sagen, warum es falschliegt, und schon gar nicht mit einem Patch flicken. Der Interviewer will also gar nicht wissen, ob du diese Begriffe kennst, sondern wie du eine Produktentscheidung triffst, wenn du es mit etwas zu tun hast, das „Fehler macht, sich schwer erklären lässt und sich schwer reparieren lässt”.

Die folgenden 5 Fragen sind die, die ich in den letzten zwei Jahren am häufigsten gehört — und selbst gestellt — habe. Ich gebe dir keine Musterantworten — bei diesen KI-Themen gibt es meistens keine Musterantwort, der Interviewer bewertet deinen Denkweg, nicht dein Fazit. Ich sage dir nur, welchen Teil von dir jede Frage abwiegt, wie ich selbst antworten würde und welche Art von Antwort am schnellsten scheitert.

1. „Diese KI-Funktion macht manchmal Fehler — wie entscheidest du, ob sie live gehen darf?”

Das ist so gut wie immer die erste Frage im KI-PM-Interview und zugleich die Wasserscheide.

Sie prüft: Kannst du die Prämisse ‚KI wird definitiv Fehler machen’ akzeptieren und trotzdem eine verantwortungsvolle Entscheidung treffen? Bei klassischer Software lautet der Reflex „Bugs solange fixen, bis keine mehr da sind”, aber bei einer KI-Funktion kommst du nie auf null Fehler. Wenn in deiner Antwort mitschwingt „Ich bringe die Genauigkeit erst auf 100 %, bevor ich live gehe”, bist du im Grunde raus — das zeigt, dass du noch nicht in der Welt der KI angekommen bist.

Wie ich antworten würde: Ich strebe nicht danach, dass sie keine Fehler macht, ich strebe danach, dass ich den Schaden tragen kann, wenn sie einen macht. Ich frage zuerst — wenn diese Funktion daneben liegt, was ist der schlimmste Fall?

Eine KI, die dem Nutzer eine E-Mail vorformuliert: Wenn sie danebenliegt, korrigiert der Nutzer eben etwas, der Schaden ist gering — dann traue ich mich mit 80 % Genauigkeit live, weil die restlichen 20 % der Nutzer selbst auffangen. Aber eine KI, die dem Nutzer automatisch Geld abbucht oder einem Arzt eine Diagnose vorschlägt: Ein Fehler ist ein Zwischenfall, da traue ich mich selbst mit 99 % nicht, da braucht es menschliche Kontrolle, ein Auffangnetz und den Ausweg „im Zweifel lieber nichts tun”. Bei gleicher Genauigkeit hängt die Frage, ob sie live gehen darf, an den Kosten des Fehlers, nicht an der Zahl selbst.

Die Antwort, die am schnellsten scheitert: nur über die Genauigkeitszahl reden und nicht darüber, was ein Fehler anrichtet. „Ist die KI gut oder nicht” als Notenfrage behandeln statt als Produktfrage „Trage ich den schlimmsten Fall oder nicht” — das ist der Denkstand von 2023, und ein Interviewer von 2026 hört sofort, dass du noch nie eine KI-Funktion live gebracht hast.

2. „Für diese Anforderung — nimmst du Prompting, RAG oder Fine-Tuning? Und warum?”

Diese Frage kommt absurd häufig, besonders bei Stellen rund um große Modelle ist die Wahl zwischen Prompting/RAG/Fine-Tuning fast schon Pflicht.

Viele glauben, sie prüfe Technik, aber in Wahrheit prüft sie, ob du Abwägungen treffen kannst. Der Interviewer erwartet gar nicht, dass du Fine-Tuning-Code aus dem Handgelenk schreibst. Er will sehen: Kannst du bei einer gegebenen Anforderung diese Wege nach Kosten, Wirkungsgeschwindigkeit und Steuerbarkeit in eine Reihenfolge bringen und klar sagen, warum du diesen wählst und was es kostet, jenen fallen zu lassen?

Wie ich antworten würde: Ich baue immer von der leichtesten Lösung nach oben auf und greife garantiert nicht zu Fine-Tuning, wenn Prompting reicht. Denn Prompting ist am schnellsten zu ändern, am günstigsten, funktioniert es heute nicht, justiere ich morgen nach; RAG passt zu Szenarien, in denen „die Antwort auf meinem eigenen Dokumentenbestand fußen und jederzeit aktualisierbar sein muss”; Fine-Tuning ist am schwersten, Training kostet Geld und Daten, ein Durchlauf dauert lange — daran rühre ich nur, wenn „ich die ersten beiden probiert habe und die Wirkung einfach nicht reicht, und wenn diese Fähigkeit es wert ist, dass ich diese Kosten reinschieße”.

Entscheidend ist der letzte Satz — du musst sagen können, was jeder Weg aufgibt. Wählst du Prompting, gibst du Stabilität auf (dieselbe Frage stimmt heute und liegt morgen daneben); wählst du Fine-Tuning, gibst du Flexibilität auf (willst du ein Verhalten ändern, musst du neu trainieren). Wer „Ich habe A gewählt, der Preis ist der Verlust von B, aber für diese Anforderung ist dieser Preis es wert” klar erklären kann, hat bei dieser Frage die volle Punktzahl — selbst wenn er keine einzige Zeile Modellcode schreiben kann.

Die Antwort, die am schnellsten scheitert: gleich zu Beginn „Da muss man natürlich Fine-Tuning machen, das wirkt am besten”. Wer sofort nach der schwersten Lösung greift, bei dem geht der Interviewer davon aus, dass du Kosten nicht verstehst und nie um das Budget eines echten Projekts gebangt hast.

3. „Erzähl von einem Mal, als du dich entschieden hast, KI nicht einzusetzen.”

Diese Frage ist besonders heimtückisch, aber besonders gut geeignet, um Leute zu sieben. In den letzten zwei Jahren schreit alle Welt nach KI, und wenn ein Product Manager kein einziges Mal aktiv gesagt hat „hier gehört KI nicht hin”, dann läuft er höchstwahrscheinlich einem Trend hinterher, statt Produkt zu machen.

Sie prüft: Ist KI für dich der Zweck oder das Werkzeug? Der Interviewer will sich vergewissern, dass du nicht, nur weil „der Chef KI will” oder „das erzählt sich für die Finanzierungsrunde besser”, an eine Stelle, die sie überhaupt nicht braucht, mit Gewalt eine KI-Funktion pflanzt.

Wie ich antworten würde: Ich erzähle etwas Konkretes — zum Beispiel eine Funktion, der damals alle eine „intelligente Empfehlung” verpassen wollten, und die ich gestoppt habe. Weil der Nutzer in dem Szenario nur ein paar feste Optionen hatte, war eine fest verdrahtete Regel schnell, präzise und fehlerfrei; da mit Gewalt ein Modell draufzusetzen ist langsam, teuer und empfiehlt gelegentlich Falsches — reines KI-um-der-KI-willen. Am Ende haben wir es mit dem dümmsten if-else gelöst, und ich halte das für eine der richtigsten Entscheidungen, die ich in dem Jahr getroffen habe.

Eine konkrete Geschichte „Ich habe mal KI abgelehnt” ist mehr wert, als wenn du RAG in den schönsten Farben ausmalst. Denn sie beweist genau das, was der Interviewer am meisten will und am schwersten prüfen kann: Du hast Urteilsvermögen, die KI kommandiert dich nicht herum — du bist es, der sie benutzt.

Die Antwort, die am schnellsten scheitert: „Mir fällt kein solcher Fall ein, ich finde, KI verbessert eigentlich immer das Erlebnis.” Dieser eine Satz stellt dich in die Ecke der „KI-Gläubigen” — und kein reifes Team will einen Product Manager, der nicht unterscheiden kann, wann man KI besser nicht einsetzt.

4. „Kosten und Latenz — wie wägst du das ab?”

Vor ein paar Jahren galt das als Engineering-Problem — wie viele Token verbraten werden, ob die Antwort langsam ist, das sollte das Backend kümmern. Aber der Maßstab von 2026 ist anders: Kosten und Latenz liegen auf dem Dashboard des KI-PM selbst, gleich neben Qualität und Erlebnis, und müssen bei der Roadmap-Planung explizit abgewogen werden.

Sie prüft: Weißt du, dass eine KI-Funktion mit echtem Geld pro Aufruf verbrennt und dass eine Sekunde mehr Wartezeit dir gleich eine Nutzergruppe kosten kann? Klassische Software: Ist sie fertig, kostet ein zusätzlicher Nutzer fast nichts extra; KI nicht — jeder einzelne Aufruf kostet Geld, je mehr genutzt wird, desto mehr brennt. Ein Product Manager, der diese Rechnung nicht im Blick hat, baut eine Funktion mit tollem Erlebnis, die sich das Unternehmen nicht leisten kann.

Wie ich antworten würde: Ich behandle es als klare Dreieckabwägung — Qualität, Kosten, Geschwindigkeit, meist kannst du nicht alle drei haben. Ich frage, womit diese Funktion eigentlich gewinnt: Wenn es über „präzise antworten” geht, dann erlaube ich ihr, etwas langsamer und teurer zu sein, und nehme ein stärkeres Modell; wenn es über „einfach mal eben nutzen” geht, dann wähle ich vielleicht ein günstiges, schnelles kleines Modell und opfere ein bisschen Qualität für Antwortgeschwindigkeit und Kosten. Entscheidend ist, dass ich weiß, was ich womit tausche, und nicht per Default immer das stärkste und teuerste nehme.

Die Antwort, die am schnellsten scheitert: „Das überlässt man einfach der Technik zum Optimieren.” Kosten und Latenz ans Engineering abzuschieben — genau diese falsche Antwort erwartet der Interviewer, und sobald sie kommt, klebt das Etikett „Der versteht die Rechnung eines KI-Produkts nicht”.

5. „Warum willst du KI-Product-Manager werden?”

Sieht aus wie eine höfliche Aufwärmfrage, ist in Wahrheit ein Ehrlichkeitstest.

Sie prüft: Hast du hier wirklich selbst Hand angelegt, oder hat dich der Trend und das Gehalt angezogen und du hast dir einen Spruch zurechtgelegt? Denn jede technische Nachfrage, die gleich danach kommt, prüft, ob dieses „Warum” echt ist.

Wie ich antworten würde: Ich sage nicht „weil KI die Zukunft ist, der große Trend” und so korrektes Blabla — solche Sätze hört der Interviewer zwanzigmal am Tag, das ist so viel wert wie nichts gesagt. Ich erzähle eine konkrete Kleinigkeit: das erste Mal, als ich mit KI etwas, das ich lange mit mir herumgetragen und selbst mangels Programmierkenntnissen nie hätte bauen können, an einem Nachmittag wirklich gebaut habe — und es sich anklicken ließ, dieser Schlag von „ein Satz von mir, und es wird Wirklichkeit”. Ein echtes, konkretes, etwas tapsiges erstes Mal ist immer überzeugender als ein großes, korrektes Urteil.

Die Antwort, die am schnellsten scheitert: Branchentrends und große Worte herunterbeten. Je größer und korrekter du es formulierst, desto sicherer weiß der Interviewer, dass du es nie wirklich getan hast — denn wer es wirklich getan hat, dem kommen konkrete Dinge über die Lippen, keine schönen Urteile.

Vergiss nicht: Die eigentliche Prüfung steckt in den Nachfragen

Bei jeder der obigen Fragen ist es nicht vorbei, wenn du die erste Runde beantwortet hast. Wo das KI-PM-Interview wirklich zeigt, was du kannst, ist der leichthin dahingeworfene Nachsatz des Interviewers: „Und dann?”

Du sagst „Diese Funktion bringe ich mit 80 % Genauigkeit live”, er hakt nach: „Wie fängst du die 20 % konkret auf?” „Und wenn du nach dem Launch feststellst, dass es real nur 70 % sind — was machst du dann?” Du sagst „Ich habe Prompting statt Fine-Tuning gewählt”, er hakt nach: „Und wenn du das Prompting drehst und wendest, wie du willst, und bei 60 % festhängst — wann würdest du deine Meinung ändern und doch Fine-Tuning machen? Wo ziehst du diese Grenze?”

Er will dich nicht ärgern, er will sich vergewissern: Ist dieses schöne Fazit von dir wirklich durchdacht oder auswendig gelernt? Auswendig Gelerntes fliegt nach zwei Ebenen Nachfrage auf — denn eine auswendig gelernte Antwort hat keine nächste Ebene, du hast nur ein einsames Fazit und bringst kein „Wenn sich die Lage ändert, wie passe ich an” heraus. Durchdachtes hält jeder Nachfrage stand, weil du diesen Weg im Kopf wirklich bis zum Ende gegangen bist.

Wenn du dich also vorbereitest, bereite nicht nur die Antworten vor, sondern frag dich einmal mehr „und dann?”: Wie rette ich die Lage, wenn diese Entscheidung falsch war, wann ändere ich bei geänderten Bedingungen meine Meinung, womit rechtfertige ich diese Grenze. Geh die Nachfragen erst selbst einmal durch, dann ist das „Und dann?” im echten Interview keine Klippe mehr, sondern deine Chance, echtes Können zu zeigen.

Am Ende prüfen sie alle dasselbe

Wenn du diese 5 Fragen zusammen betrachtest, merkst du: Was der Interviewer immer wieder abwiegt, ist in Wahrheit ein und dasselbe: Hast du konkrete Geschichten in der Hand — eine echte Entscheidung, eine echte Abwägung, am besten noch mit einer Zahl?

Bei welcher Genauigkeit du dich getraut hast, warum Prompting statt Fine-Tuning, welches Mal du eine KI-Funktion gestoppt hast, ob du Qualität gegen Kosten oder Kosten gegen Geschwindigkeit getauscht hast, wovon du beim ersten Mal von KI wirklich erschlagen warst — bei diesen fünf Fragen erzählen die guten Antworter alle von Dingen, die sie wirklich getan haben, die schlechten beten alle Definitionen und Trends herunter. Hohle Geschichten kosten das Offer, konkrete Geschichten bringen das Offer — dieser Satz gilt beim KI-PM härter als bei jeder anderen Stelle.

Wenn du dich also auf solche Interviews vorbereitest, ist mein Rat nicht, eine Fragensammlung auswendig zu lernen. Sondern zurückzugehen und die KI-bezogenen Dinge, die du wirklich getan hast, eines nach dem anderen hervorzukramen und bei jedem klarzuwerden: Was war damals die Entscheidung, was hast du aufgegeben, wie war das Ergebnis, gab es eine Zahl? Sammle fünf, sechs solcher Geschichten, und egal, wie diese Fragen verdreht gestellt werden — du hast echtes Material zu erzählen.

Eine Sache lässt mich bis heute nicht los, die werfe ich dir einfach mit hin: Wenn KI die Hürde, „etwas zu bauen”, so weit senkt, werden die „Was hast du gemacht”-Fragen im Interview immer leichter zu beantworten — weil jeder etwas bauen kann. Was wird dann die Frage, die die Leute wirklich auseinanderdividiert? Ich vermute, sie geht in die Richtung „Was hast du nicht gebaut, und warum nicht”. Aber das ist nur meine Vermutung, eine Antwort habe ich auch noch nicht.