KI-Umstieg für Product Manager 01 | Welcher der beiden „KI-Product-Manager" willst du eigentlich werden?
Tencent hat am 11. August sein Campus-Recruiting für 2027 eröffnet, gerichtet an Studierende mit Abschluss zwischen Januar 2026 und Dezember 2027.
Die Ankündigung listet eine Reihe KI-nativer Rollen auf: KI-Full-Stack-Entwickler, Agent-Entwickler, KI-Anwendungsentwickler, KI-Algorithmen-Entwickler, KI-Product-Manager, AIGC-Kunstproduktion.
In derselben Ankündigung wurde noch etwas anderes geändert. Tencents Leitsatz zur Personalauswahl lautete bisher „ehrgeizig, lernbegierig, umsetzungsstark”. Diesmal folgen darauf drei konkretere Punkte: Probleme eigenständig finden und definieren, KI-Ergebnisse bewerten und überprüfen, Fähigkeit in sichtbares Ergebnis verwandeln.
Keiner der drei Punkte handelt von Large-Model-Technik.
Und sie wurden nicht für die eine Rolle „KI-Product-Manager” geschrieben. Tencent hat in dieser Runde fünf Berufsfamilien geöffnet — Technik, Produkt, Design, Marketing, Zentralfunktionen — und der Maßstab gilt allen fünf.
Da bin ich hängengeblieben. Denn sämtliche „Umstiegs-Guides”, die ich im vergangenen Jahr gelesen habe, handeln von etwas anderem.
„KI-Product-Manager” bezeichnet zwei verschiedene Dinge gleichzeitig
Wer sucht, wie ein PM in die KI wechseln soll, bekommt bemerkenswert einheitliche Ergebnisse: eine Lern-Roadmap — Prompt Engineering → RAG → Agenten → LLMOps —, eine Gehaltstabelle und unten ein Anmeldelink.
Ich bin diesen Weg zunächst auch gegangen. Es hat einige Monate gedauert, bis mir auffiel, dass das, was ich brauchte, auf dieser Karte gar nicht vorkommt.
Der Haken liegt darin, dass eine Berufsbezeichnung für zwei verschiedene Dinge verwendet wird:
| „KI-Product-Manager” | „Product Manager im KI-Zeitalter” | |
|---|---|---|
| Was es ist | Eine Stelle: Produkte auf Basis großer Modelle und Agenten bauen | Eine Arbeitsweise: mit KI irgendetwas bauen |
| Was man können muss | RAG, Fine-Tuning, Evaluationssysteme, Coze / Dify | Anforderungen klar formulieren, beurteilen ob es sich lohnt, selbst ausliefern |
| Wer hineinkommt | Eine begrenzte Zahl Plätze in einer begrenzten Zahl Firmen | Jeder, der bereits Arbeit vor sich hat |
| Anteil der Inhalte im Netz | Praktisch alles | Sehr wenig |
Tencents drei Punkte beschreiben die rechte Spalte. Die verkauften Kurse lehren die linke.
Die linke Spalte ist nicht erfunden. Sie ist real, und sie wächst.
Zhilians Zahlen ergeben erst zusammen einen Sinn
Zhilian Recruitment hat am 16. Juli den Bericht 2026 zur Talentenwicklung der KI-Branche veröffentlicht, auf Basis der Plattformdaten des ersten Halbjahres 2026.
Betrachtet man nur das Wachstum je Rolle, steht der KI-PM glänzend da:
- Agent-bezogene technische Fachkräfte: +244 % gegenüber Vorjahr
- KI-Product-Manager: +87,7 % gegenüber Vorjahr
- Datenannotation / KI-Trainer: +30,3 %
- KI-Ingenieur: +19,3 %
Die Zahl steigt weiter. Von derselben Organisation nannte Vizepräsident Li Qiang für das erste Quartal +81 %; im Halbjahr sind es 87,7 %. Seine Datenbasis: 404 Millionen Bewerber und 15,49 Millionen Unternehmen auf der Plattform.
Doch derselbe Bericht enthält eine weitere Zahl, die unbedingt danebengehört: die Stellenausschreibungen der gesamten KI-Branche wuchsen nur um 10,6 % gegenüber dem Vorjahr, die Zahl der Bewerber um 10,5 %.
Die Rolle KI-Product-Manager wächst schnell — aber sie wächst in einem Becken, das sich nur um 10,6 % geweitet hat.
87,7 % ist eine Wachstumsrate, kein Volumen. Wenn sich eine schmale Basis verdoppelt, kann die absolute Zahl trotzdem klein bleiben. Und was weit schneller wächst — Agent-Entwicklung mit +244 % — ist eine Engineering-Rolle, in die ein Product Manager nicht einfach hinüberwechselt.
Stellen plus 10,6 %, Bewerber plus 10,5 %. Diese beiden Zahlen liegen fast übereinander: Die Tür wird breiter, und die Schlange davor wird im selben Tempo länger.
Am schnellsten wächst die KI-Nachfrage nicht bei den Large-Model-Firmen
Zwei weitere Zahlen aus demselben Bericht, nach Branchen aufgeschlüsselt:
- KI-Ingenieur-Stellen in der Branche für neue Energien: +38,2 % gegenüber Vorjahr
- KI-Ingenieur-Stellen in Luftfahrt, Raumfahrt und Schiffbau: +23,5 %
Beide liegen deutlich über den 10,6 % der Branche insgesamt.
Ein erheblicher Teil des Zuwachses liegt also nicht bei „Firmen, die große Modelle bauen”, sondern bei traditionellen Industrien, die KI in ihren eigenen Betrieb holen. Die Zahl der einstellenden Unternehmen stieg um 24,8 % — schneller als die 10,6 % bei den Stellen. Das heißt: Nicht wenige Firmen stellen massenhaft ein, sondern mehr Firmen öffnen jeweils ein paar Plätze.
Das wirkt sich ziemlich direkt darauf aus, wohin man sich bewegen sollte. Wenn KI-Arbeit in neue Energien, Fertigung und Luftfahrt einsickert, ist die gesuchte Person nicht zwingend ein Product Manager, der große Modelle versteht. Wahrscheinlicher ist es ein Product Manager, der diese Branche versteht und KI dort zum Laufen bringt.
Der Zweite bringt das Branchenwissen bereits mit. Was fehlt, ist die Arbeitsweise.
Wie eng ist diese Tür? 54 Stellenausschreibungen geben Aufschluss
Jemand hat 54 KI-PM-Stellenausschreibungen führender Unternehmen durchgearbeitet. Die wiederkehrenden Anforderungen bündeln sich eng: Prompt Engineering, RAG, Function Calling, Daten-Alignment, SFT / RLHF, automatisierte Evaluationssysteme, Low-Code-Plattformen wie Coze und Dify, dazu das Lesen von Fachpublikationen und die Fähigkeit, in Code zu prototypen.
Am schwersten wiegt für Arbeitgeber, ob echte Erfahrung damit vorliegt, KI in den Produktivbetrieb zu bringen. Der Grund liegt auf der Hand: KI-Projekte laufen in einen Stapel Probleme, die nichts mit Technik zu tun haben — die Daten sind nicht zu bekommen, eine Abteilung kooperiert nicht, Nutzer trauen dem, was das Modell ausgibt, schlicht nicht. Wo diese Löcher liegen, weiß nur, wer es gemacht hat.
Dieselbe Auswertung enthält einen kontraintuitiven Befund: Keine Erfahrung mit Agent-Projekten heißt nicht, keine Chance zu haben. Unternehmen rechnen praktische Arbeit auf Low-Code-Plattformen an, und sie rechnen einen Hintergrund als intensiver Nutzer an.
Der Weg ist also nicht versperrt. Er verlangt nur, dass man etwas vorlegt — und nicht einen Teilnahmenachweis.
Der Haken: Genau dieses „Etwas” kann eine Lern-Roadmap nicht liefern.
„KI-Ergebnisse bewerten und überprüfen” hat keine Stellenvoraussetzung
Zurück zu Tencents drei Punkten. Den mittleren habe ich am längsten angesehen: KI-Ergebnisse bewerten und überprüfen.
Das Besondere daran: Er verlangt weder einen Stellenwechsel noch einen Firmen- oder Branchenwechsel. Welche Arbeit auch immer vor dir liegt — sobald du sie mit KI machst, beginnt das noch am selben Tag.
Und es ist schwerer, als es aussieht. KI bezeichnet Unfertiges als fertig — nicht aus Unehrlichkeit, sondern weil sie selbst nicht weiß, was sie liegengelassen hat. Entweder du erkennst es selbst, oder du wartest, bis Nutzer es dir nach dem Launch sagen.
Letztes Jahr habe ich angefangen, Dinge allein bis zur Auslieferungsreife zu bringen. Zwei davon haben nachprüfbare Commit-Historien: ein Passfoto-Werkzeug, 21 Commits, 13. bis 30. Juni, inzwischen im App Store; und ein PDF-Werkzeug, 43 Commits, der erste am 5. Juli, der letzte am 11. Juli, ausgeliefert für iOS und macOS.
Ich führe diese Zahlen nicht an, um anzudeuten, es sei schwer gewesen. Im Gegenteil — die meisten schweren Teile hat die KI übernommen. Die Zeit ging woanders hin: zu beurteilen, ob das Erzeugte brauchbar ist, und die Stellen zu finden, an denen ich selbst übernehmen musste.
Tencents Formulierung dafür lautet „Fähigkeit in sichtbares Ergebnis verwandeln”. Sichtbar ist das tragende Wort. „Vertraut mit großen Modellen” im Lebenslauf kann der Gegenüber nicht überprüfen. Ein Link, den er anklicken kann, beantwortet die Frage in dreißig Sekunden.
Welcher der beiden Wege der richtige ist, kann ich nicht sagen
Wenn deine Firma gerade Produkte auf Basis großer Modelle baut, oder du zu so einer Firma willst, dann ist der Stellenweg real. Die 87,7 % sind real. Die Ausschreibungen sagen deutlich, was verlangt wird, und die Lücken lassen sich auffüllen.
Wenn die Arbeit vor dir keinen direkten Bezug zu großen Modellen hat — und laut jenem Bericht fließt ein Großteil des Zuwachses genau in diese Art Arbeit —, dann bringt es womöglich weniger, RAG und SFT durchzuackern, als eine Idee einmal wirklich bis zum Ende zu bauen.
Möglicherweise waren diese beiden Wege auch nie getrennt zu lesen. Am selben Tag, an dem Tencent „KI-Product-Manager” in die Stellenliste aufnahm, schrieb es „KI-Ergebnisse bewerten und überprüfen” in den Maßstab aller fünf Berufsfamilien. Dieselbe Ankündigung, derselbe Tag.
Was ich für mich noch nicht gelöst habe, ist etwas anderes: Wenn niemand in deiner Firma solche Ergebnisse verlangt und die Leistungsbeurteilung nicht darauf schaut — woran hältst du dich dann fest, um weiterzumachen? Ich bin so weit gekommen, indem ich eigene Produkte gebaut habe, aber dieser Weg steht offensichtlich nicht jedem offen — er frisst deine Abende und Wochenenden, und über lange Strecken zahlt dir dafür niemand einen Bonus.
Auf diese Frage habe ich keine Antwort. Falls du eine hast, würde ich sie gern hören.
Diskussion