{"id":28637,"date":"2026-02-24T13:36:44","date_gmt":"2026-02-24T12:36:44","guid":{"rendered":"https:\/\/blog.mi.hdm-stuttgart.de\/?p=28637"},"modified":"2026-02-24T13:36:48","modified_gmt":"2026-02-24T12:36:48","slug":"potenziale-und-grenzen-ki-gestutzter-assistenzsysteme-in-der-product-owner-rolle-eine-empirische-fallstudie","status":"publish","type":"post","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/24\/potenziale-und-grenzen-ki-gestutzter-assistenzsysteme-in-der-product-owner-rolle-eine-empirische-fallstudie\/","title":{"rendered":"Potenziale und Grenzen KI-gest\u00fctzter Assistenzsysteme in der Product Owner Rolle – eine Empirische Fallstudie"},"content":{"rendered":"\n

Simeon Schulz, Ronja Brauchle, Lisa-Marie Nohl<\/em><\/p>\n\n\n\n

Kurzfassung:<\/p>\n\n\n\n

Ziel der Arbeit ist es herauszufinden, welches Potenzial k\u00fcnstliche Intelligenz bei der Arbeit eines Product Owners in der agilen Projektmanagement Methode Scrum hat. Dazu wurde eine empirische Fallstudie durchgef\u00fchrt, die unterschiedliche Tools nach Effizienz, Qualit\u00e4t, Usability und Integration bewertet. Die Ergebnisse zeigten, dass KI Tools in die allt\u00e4glichen Prozesse eines Product Owners integriert werden k\u00f6nnen und h\u00e4ufig eine gute Grundlage schaffen. Die Rolle des Product Owners, das Kontextwissen und die menschliche Expertise k\u00f6nnen dabei jedoch nicht ersetzt werden, sondern die KI Tools bieten die M\u00f6glichkeit wiederkehrende Aufgaben zu automatisieren und den Product Owner zeitlich zu entlasten.<\/p>\n\n\n\n

Einleitung<\/p>\n\n\n\n

Nach einer Umfrage von Statista im September 2024 nutzt bereits jedes f\u00fcnfte Unternehmen in Deutschland k\u00fcnstliche Intelligenz (KI) in der IT. Dabei wird die generative KI bei Aufgaben wie der Kundenkommunikation, \u00dcbersetzungen oder dem Verfassen von Unternehmensreports verwendet [1]. K\u00fcnstliche Intelligenz (KI) gewinnt somit im Themengebiet der agilen Softwareentwicklung zunehmend an Bedeutung. Mit den stetig wachsenden F\u00e4higkeiten von KI-Systemen erweitern sich auch deren Einsatzm\u00f6glichkeiten, insbesondere zur Unterst\u00fctzung von Aufgaben im agilen Projektmanagement, wie der Product-Owner-Rolle [2]. Dabei stellt sich die Frage, in welchem Umfang KI-Tools Aufgaben des Product Owners \u00fcbernehmen oder bei der Bew\u00e4ltigung typischer Herausforderungen unterst\u00fctzen k\u00f6nnen und in welchen Bereichen menschliche Kompetenzen weiterhin unverzichtbar bleiben. Ziel dieses Papers ist es, diese Fragestellung anhand einer empirischen Fallstudie zu untersuchen und die Potenziale aufzuzeigen.<\/p>\n\n\n\n

Theoretischer Hintergrund<\/p>\n\n\n\n

Der Product Owner (PO) ist Teil von Scrum, einem Framework f\u00fcr agiles Projektmanagement [3]. Agilit\u00e4t ist ein flexibler, iterativer Ansatz, bei dem kleine, regelm\u00e4\u00dfige Releases im Vordergrund stehen, um kontinuierliche Verbesserung und Continuous Delivery zu erm\u00f6glichen [4]. Im agilen Projektmanagement wird dieser iterative Ansatz umgesetzt, wobei Zusammenarbeit, Flexibilit\u00e4t und Kundenfeedback zentral sind [4]. Das Framework Scrum bietet Artefakte, Rollen, Ereignisse und Verpflichtungen, um dies zu erm\u00f6glichen. In Scrum wird innerhalb eines Sprints, einer ein- bis vierw\u00f6chigen Arbeitsphase, ein funktionsf\u00e4higes Produktinkrement erstellt. Die Rolle PO umfasst die Aufgabenfelder Product Backlog Management, Stakeholder Management, Release Management und die Entwicklung einer Produktvision. Die Produktvision ist der \u00fcbergeordnete Zweck des Produkts und dient der Orientierung f\u00fcr das gesamte Team. Der PO ist ergebnisverantwortlich f\u00fcr die Maximierung des Produktwerts [3]. Au\u00dferdem muss der PO weitgehend die Gesch\u00e4fts-, Kunden- und Marktanforderungen analysieren [5].<\/p>\n\n\n\n

Eine weitere zentrale Aufgabe des PO ist die Kommunikation mit den Stakeholdern. Diese sind die Interessensvertreter des entstehenden Produkts. Intern kann das z. B. die Gesch\u00e4ftsleitung sein, extern sind es Kunden oder Endverbraucher des Produkts. Eine enge Zusammenarbeit zwischen dem PO und den Stakeholdern ist notwendig, da diese kein aktiver Teil des Scrum Teams sind und somit keinen direkten Einfluss auf das Projekt nehmen k\u00f6nnen. Der PO agiert als Interessensvertreter der Stakeholder und bildet die Schnittstelle zwischen dem Scrum Team und den Stakeholdern [6]. Zus\u00e4tzlich dazu haben die Stakeholder jedoch auch die M\u00f6glichkeit, den Prozess des Produkts zu erleben, indem sie am Sprint Review teilnehmen. Dort k\u00f6nnen sie direkte R\u00fcckmeldungen zu den Neuerungen geben; ob dabei vorgeschlagene \u00c4nderungen oder W\u00fcnsche der Stakeholder jedoch auch umgesetzt werden, entscheidet der Product Owner. Weitere Sprint Events erfolgen nur mit der Teilnahme des Scrum Teams, und die Stakeholder d\u00fcrfen nicht teilnehmen [3].<\/p>\n\n\n\n

Auch die Release Notes sind ein Kommunikationskanal f\u00fcr Neuerungen, die meist vom Product Owner erstellt werden und von den Stakeholdern eingesehen werden k\u00f6nnen. Dabei handelt es sich um einen technischen Bericht, der Updates zum Produkt enth\u00e4lt. Des Weiteren werden auch Bugfixes und neue Sicherheitsupdates dar\u00fcber kommuniziert [7].<\/p>\n\n\n\n

Das Product Backlog ist eine priorisierte Liste dessen, was ben\u00f6tigt wird, um das Produkt weiterzuentwickeln, und wird vom PO erstellt und gepflegt. Das Scrum Team nutzt diese Liste als Arbeitsquelle, wobei der PO die alleinige Verantwortlichkeit tr\u00e4gt, das Backlog unmissverst\u00e4ndlich zu kommunizieren und das Produktziel klar zu definieren [3]. Die einzelnen Eintr\u00e4ge dieser Liste werden Product Backlog Items genannt und werden kontinuierlich bearbeitet und verfeinert. Dies beinhaltet das Aufteilen von Items in kleinere, konkretere Einheiten, welche der PO anschlie\u00dfend priorisiert [3].<\/p>\n\n\n\n

\u00dcblicherweise wird f\u00fcr die Formulierung folgendes Format der User Stories genutzt: \u201eAls [Rolle] m\u00f6chte ich [Ziel], um [Nutzen]\u201c [8]. Basierend auf dieser Priorisierung und dem Verfeinerungsprozess wird anschlie\u00dfend im Sprint Planning Event die Anzahl an Items ausgew\u00e4hlt, die das Team innerhalb eines Sprints bearbeiten kann. Abschlie\u00dfend ist zu erw\u00e4hnen, dass der Product Backlog keine starre Instanz, sondern eine dynamische Liste ist, die stetige Weiterentwicklung erlebt [3].<\/p>\n\n\n\n

Typische Herausforderungen des Product Owners<\/p>\n\n\n\n

Im Folgenden werden typische Probleme im Bereich Produktvision und Markt- und Nutzeranalyse betrachtet. Zum einen ist ein h\u00e4ufiges Problem eine unklare oder mangelnde Produktvision oder das Vernachl\u00e4ssigen der Produktvision aufgrund von anderen Aufgabenfeldern des PO [9]. Hinzu kommt das Jonglieren der Anforderungen von Kunden und Stakeholdern, welche verst\u00e4rkt werden k\u00f6nnen durch die Unf\u00e4higkeit, Nein zu sagen, was zu einer \u00dcberlastung des Backlogs f\u00fchren kann [9].<\/p>\n\n\n\n

Des Weiteren kann es bei der Markt- und Nutzeranalyse zu einer Informations\u00fcberflutung kommen. Weitere Probleme k\u00f6nnen fehlende oder veraltete Marktdaten, die nicht identifizierten relevanten Markt- oder Trendinformationen oder das nicht rechtzeitige Erkennen langfristiger Trends sein [10].<\/p>\n\n\n\n

Auch in der Rolle des Interessensvertreters muss sich der Product Owner diverser Herausforderungen stellen. Dazu geh\u00f6rt zum einen die asynchrone Kommunikation, die entsteht, wenn es den Stakeholdern nicht m\u00f6glich ist, an Meetings oder Sprint Events teilzunehmen. Unter klassischer asynchroner Kommunikation versteht man den normalen E-Mail-Kontakt [11].<\/p>\n\n\n\n

Es ist zudem wichtig f\u00fcr den PO, die technischen Aspekte des Entwicklerteams zu verstehen und klar und verst\u00e4ndlich an die Stakeholder zu kommunizieren, damit es nicht zu Missverst\u00e4ndnissen kommt [12].<\/p>\n\n\n\n

Der Aufgabenbereich rund um das Product Backlog birgt folgende Herausforderungen: Um User Stories zu generieren, muss der PO eine Menge an unstrukturierten Informationen aus allen Kommunikationskan\u00e4len analysieren und daraus relevante Anforderungen extrahieren. Dabei tritt schnell das Problem des Informations\u00fcberflusses auf [13]. Zus\u00e4tzlich erschweren Missverst\u00e4ndnisse zwischen der Fachsprache der Kunden und den technischen Anforderungen der Entwickler diesen Prozess [14].<\/p>\n\n\n\n

Eine weitere Herausforderung stellt die kontinuierliche Priorisierung der User Stories dar [15]. Dabei sieht sich der PO h\u00e4ufig mit dem Stakeholder-Dilemma konfrontiert, bei dem die Interessen verschiedener Abteilungen abgewogen und moderiert werden m\u00fcssen. Diese ergebnisverantwortliche Rolle f\u00fcr das Pflegen des Backlogs erzeugt einen erheblichen Entscheidungsdruck, welcher durch folgendes Konzept zus\u00e4tzlich versch\u00e4rft wird: Der Cost of Delay besagt, dass Fehlentscheidungen in der Priorisierung zu messbaren \u00f6konomischen Verlusten des Unternehmens f\u00fchren k\u00f6nnen [15].<\/p>\n\n\n\n

Zuletzt f\u00fchrt die Vernachl\u00e4ssigung der kontinuierlichen Pflege des dynamischen Backlogs schnell zu veralteten Anforderungen und Ineffizienz [16].<\/p>\n\n\n\n

Im Folgenden soll untersucht werden, inwiefern KI bei diesen Herausforderungen unterst\u00fctzen kann.<\/p>\n\n\n\n

Methodik<\/p>\n\n\n\n

Die Beantwortung der Forschungsfrage erfolgt mittels einer Evaluation von KI-gest\u00fctzten Tools und Szenarien, die anhand folgender Bewertungskriterien analysiert werden: Effizienz, Qualit\u00e4t, Kosten, Usability und Integration. Sofern es das jeweilige Szenario zul\u00e4sst, wird ein Vergleich zwischen der manuellen Bearbeitung der Aufgaben und der automatisierten Durchf\u00fchrung mithilfe von KI-Tools vorgenommen.<\/p>\n\n\n\n

A. KI-gest\u00fctzte Entwicklung der Produktvision<\/h3>\n\n\n\n

In dem ersten Szenario wird f\u00fcr die Produktvision ein Product Vision Board erstellt. Hierbei handelt es sich um ein g\u00e4ngiges Tool zur Visualisierung der Produktvision [17]. Als KI-Tool wird DesignAI von Venngage verwendet [18]. Dem Tool wird ein Prompt mit den Inhalten f\u00fcr das Product Vision Board gegeben, woraufhin es automatisch ein entsprechendes visuelles Product Vision Board erstellt.<\/p>\n\n\n\n

Zur Vorbereitung haben wir einen entsprechenden Prompt formuliert und in das Tool eingegeben. Der Prompt lautet wie folgt:
Erstelle ein Product Vision Board f\u00fcr eine gamifizierte Uni-Lernplattform. Die Plattform soll Kurse, Quizze und ein Level-Up-System enthalten. F\u00fclle die folgenden Bereiche aus:<\/p>\n\n\n\n

    \n
  1. Vision:<\/strong> Langfristiges Ziel und Wirkung der Plattform.<\/li>\n\n\n\n
  2. Target Group \/ Nutzer:<\/strong> Wer profitiert von der Plattform? (z.B. Studierende, Dozenten)<\/li>\n\n\n\n
  3. Bed\u00fcrfnisse:<\/strong> Welche Probleme oder Herausforderungen sollen gel\u00f6st werden?<\/li>\n\n\n\n
  4. Product:<\/strong> Welche Funktionen gibt es? (Kurse, Quizze, Level-Up, Gamification-Elemente)<\/li>\n\n\n\n
  5. Business Goals \/ Nutzen:<\/strong> Welchen Mehrwert bietet die Plattform f\u00fcr die Hochschule, Dozenten und Studierende?<\/li>\n\n\n\n
  6. Metrics \/ Erfolgskriterien:<\/strong> Wie wird der Erfolg der Plattform gemessen? (z.B. Engagement, Fortschritt, Nutzerzufriedenheit)<\/li>\n<\/ol>\n\n\n\n

    B. KI-gest\u00fctzte Nutzeranalyse<\/h3>\n\n\n\n

    Das zweite Szenario f\u00e4llt in den Aufgabenbereich der Nutzeranalyse. Die Wahl des zu untersuchenden Tools fiel auf Amplitude [19], da dieses in Teilen kostenlos zug\u00e4nglich ist und die finanziellen Mittel nicht f\u00fcr die Bezahlung eines Anbieters zur Verf\u00fcgung stehen.<\/p>\n\n\n\n

    In dem zu untersuchenden Szenario wird Nutzer-Feedback verarbeitet und ausgewertet. Amplitude ist ein Produktanalyse-Tool, mit dem automatisierte Nutzeranalysen betrieben werden k\u00f6nnen. F\u00fcr dieses Szenario wird das Feature \u201eAI-Feedback\u201c von Amplitude genutzt, welches Feedback automatisch in die folgenden Kategorien einteilt: Feature Request, Complaint, Bug, Loved Feature, Feature Mention und Takeaway [19].<\/p>\n\n\n\n

    Zur Vorbereitung haben wir eine CSV-Datei mit k\u00fcnstlichem Nutzerfeedback mit 20 Feedback-Eintr\u00e4gen erstellt und diese im Vorhinein in die Kategorien eingeteilt, um die Qualit\u00e4t der automatisch erstellten Kategorien \u00fcberpr\u00fcfen zu k\u00f6nnen.<\/p>\n\n\n\n

    C. KI-gest\u00fctztes Product Backlog Management<\/h3>\n\n\n\n

    Das dritte Szenario f\u00e4llt in den Aufgabenbereich der Erstellung, Priorisierung und Pflege des Product Backlogs. Das zu untersuchende Tool ist Gemini 2.5 Flash, da es eine schnelle Verarbeitung der Prompts bietet und multimediale Eingaben zul\u00e4sst [20].<\/p>\n\n\n\n

    In dem Szenario haben wir zun\u00e4chst ein Meeting simuliert, welches die Informationsgrundlage f\u00fcr das Erstellen von User Stories liefert. Es behandelt die Entwicklung eines Notification-Systems im Kontext einer Lernanwendung und enth\u00e4lt zudem die Information, dass Notifications per Mail an die User versendet werden sollen sowie die M\u00f6glichkeit der User, Notifications filtern zu k\u00f6nnen.<\/p>\n\n\n\n

    Mittels eines KI-generierten Transkripts (Simulation eines Transkriptionstools wie Whisper AI) wurde das Modell mit folgendem Prompt beauftragt:<\/p>\n\n\n\n

    \n

    Du bist Product Owner f\u00fcr ein Softwareprojekt. Anbei erh\u00e4ltst du das Transkript eines Meetings, aus welchem du die angesprochenen Aufgaben als klare User Stories definierst. Nutze dabei die Form: Als [Rolle] m\u00f6chte ich [Ziel], um [Nutzen]. Arbeite die Akzeptanzkriterien genau aus. Nutze eine Struktur mit Epics. Generiere zus\u00e4tzlich eine Textdatei.<\/p>\n<\/blockquote>\n\n\n\n

    F\u00fcr die anschlie\u00dfende Priorisierung der User Stories wurde das g\u00e4ngige MoSCoW-Verfahren (Must, Should, Could, Won\u2019t) genutzt [21]. Daf\u00fcr wurde unmittelbar nach dem Generieren der User Stories im gleichen KI-Chat folgender Prompt genutzt:<\/p>\n\n\n\n

    \n

    Priorisiere deine entwickelten User Stories mittels dem MoSCoW-Verfahren und exportiere diese im JSON-Format, um die User Stories automatisch als Tasks in Jira anlegen zu k\u00f6nnen.<\/p>\n<\/blockquote>\n\n\n\n

    Somit wurde der aufgebaute Kontext eines Product Owners durch den vorherigen Prompt genutzt. Das JSON-Format dient dem zeitsparenden, automatischen Anlegen von User Stories in Ticketsystemen wie Jira.<\/p>\n\n\n\n

    Abschlie\u00dfend wurde das Pflegen des Backlogs mittels KI getestet. Daf\u00fcr wurde ein weiteres Meeting-Transkript simuliert, welches folgende \u00c4nderung an den User Stories enthielt:<\/p>\n\n\n\n

    \n

    Die Nutzer sollen nicht alle E-Mail-Benachrichtigungen deaktivieren k\u00f6nnen, da sie kritische Meldungen empfangen m\u00fcssen.<\/p>\n<\/blockquote>\n\n\n\n

    Daf\u00fcr wurde folgender Prompt genutzt:<\/p>\n\n\n\n

    \n

    Du bist Product Owner f\u00fcr ein Softwareprojekt. Anbei erh\u00e4ltst du das Transkript eines Meetings, das \u00c4nderungen an User Stories beinhaltet. Ebenfalls erh\u00e4ltst du die Textdatei mit allen User Stories. Analysiere das Transkript und bestimme, welche User Story ge\u00e4ndert werden muss. Generiere eine neue Textdatei mit allen aktuellen User Stories und eine weitere Textdatei im JSON-Format f\u00fcr die ge\u00e4nderte User Story und alle neuen User Stories, nutze die gleiche Struktur.<\/p>\n<\/blockquote>\n\n\n\n

    Dieser Prompt beinhaltet eine Rollenzuweisung, um ihn unabh\u00e4ngig nutzen zu k\u00f6nnen, da er als Kontext die vorherig generierte Textdatei mit allen User Stories beinhaltet. Ebenso wurde f\u00fcr die Datenpersistenz eine neue Textdatei mit allen aktuellen User Stories erstellt und eine weitere JSON-Format-Datei f\u00fcr ge\u00e4nderte und neue User Stories.<\/p>\n\n\n\n

    Beim Prompting f\u00fcr die Erstellung und die Pflege der User Stories wurde die Methode des Persona-Pattern angewendet, sowie ein Beispiel im Erstellungs-Prompt mitgegeben. Beide Punkte sind nach [22] entscheidende Faktoren f\u00fcr gutes Prompting und f\u00fchren zu pr\u00e4ziseren Ergebnissen.<\/p>\n\n\n\n

    D. KI-gest\u00fctztes Sprint Review<\/h3>\n\n\n\n

    Das vierte Szenario besch\u00e4ftigt sich mit dem Thema asynchrone Kommunikation im Sprint Review. Dabei sollte erreicht werden, dass die Stakeholder auch asynchron R\u00fcckmeldungen zum Produkt abgeben k\u00f6nnen, ohne dass sie zwingend am Sprint Review teilnehmen m\u00fcssen.<\/p>\n\n\n\n

    Das verwendete Tool f\u00fcr diese Aufgabe war MiroAI, da dieses auch schon vor der Erg\u00e4nzung der KI-Funktionen ein Tool zur kollaborativen Arbeit war und somit nicht vollst\u00e4ndig neu etabliert werden muss [23]. Dazu haben wir ein gemeinsames Board f\u00fcr das Team, die Stakeholder und den Product Owner angelegt, das von jedem auf seine Weise genutzt werden kann.<\/p>\n\n\n\n

    Das Team nutzt das Board zum Hochladen der Review-Meeting-Folien und die Stakeholder k\u00f6nnen ihr Feedback dazu abgeben. Der Product Owner hat dann die M\u00f6glichkeit, das Feedback zu sammeln, zu kategorisieren und daraus neue Aufgaben f\u00fcr das Entwicklerteam zu definieren.<\/p>\n\n\n\n

    Da MiroAI eine Anbindung an das Ticketsystem Jira von Atlassian anbietet, k\u00f6nnen die neuen Aufgaben direkt mit den entsprechenden Tickets verbunden werden und bestehende Tickets in den Review-Meeting-Folien eingef\u00fcgt werden [23].<\/p>\n\n\n\n

    Damit die genannten Aufgaben effizienter gel\u00f6st werden k\u00f6nnen, kommen die KI-Funktionen von Miro AI zum Einsatz, die in dieser Fallstudie im oben genannten Kontext getestet werden. Die Stakeholder haben die M\u00f6glichkeit, nur einzelne Stichworte als Feedback zu geben, die anschlie\u00dfend durch die KI umformuliert und in den passenden Tonfall angepasst werden. Eine weitere Funktion, die alle Teilnehmenden des Boards nutzen k\u00f6nnen, ist die \u00dcbersetzungsfunktion, die ebenfalls KI-basiert arbeitet.<\/p>\n\n\n\n

    Der Product Owner kann bei der Bearbeitung des Feedbacks dieses in automatisch generierte Kategorien einteilen, um zum einen ein Stimmungsbild abzubilden oder das Feedback in logische thematische Kategorien zu unterteilen. Eine weitere Funktion ist der KI-Kollege, der die Rolle des Product Leads \u00fcbernehmen kann und somit aus dem gegebenen Feedback der Stakeholder direkt weitere Aufgaben generiert.<\/p>\n\n\n\n

    E. KI-gest\u00fctztes Release Notes<\/h3>\n\n\n\n

    Das f\u00fcnfte Szenario besch\u00e4ftigt sich mit der Automatisierung von Release Notes. Daf\u00fcr wurden die Gemini Gems genutzt. Diese sind benutzerdefinierte KI-Modelle, die die M\u00f6glichkeit bieten, individuelle Anforderungen an die KI weiterzugeben [20].<\/p>\n\n\n\n

    Das Ziel war es, ein Gemini Gem einzurichten, das aus den Review-Meeting-Transkripten die Release Notes automatisch nach den f\u00fcr Scrum geltenden Anforderungen definiert. Dies haben wir in den benutzerdefinierten Anweisungen festgelegt und eigene Dateien hochgeladen, die als Kontext dienten. Getestet wurde das Gemini Gem anschlie\u00dfend mit einem ebenfalls KI-generierten Meeting-Transkript.<\/p>\n\n\n\n

    Ergebnisse<\/h2>\n\n\n\n

    Im Folgenden werden die Ergebnisse der Fallstudie dokumentiert.<\/p>\n\n\n\n

    A. KI-gest\u00fctzte Entwicklung der Produktvision<\/h3>\n\n\n\n

    Effizienz:<\/strong> Die Generierung des Product Vision Boards erfolgt innerhalb weniger Sekunden. Die Dauer der erforderlichen Nacharbeit ist abh\u00e4ngig von der Ausf\u00fchrlichkeit des eingegebenen Prompts.<\/p>\n\n\n\n

    Qualit\u00e4t:<\/strong> Das Product Vision Board ist in die folgenden Kategorien unterteilt: Zielgruppe, Bed\u00fcrfnisse, Produkte und Funktionen sowie Ziele und Metriken. Mit Ausnahme der Business Goals, die lediglich in einem Stichpunkt erw\u00e4hnt wurden, wurden alle im Prompt gew\u00fcnschten Bereiche abgedeckt und sinnvolle Unterpunkte zu den jeweiligen Kategorien generiert. Die Unterpunkte sind kurz gehalten; pro Kategorie gibt es drei Unterpunkte. Die Visualisierung des Boards wird als ansprechend empfunden. Es gibt einen Disclaimer: \u201eDesignAI kann Fehler machen oder falsche Ergebnisse generieren.\u201c Dies legt nahe, dass die generierten Daten nicht immer technisch korrekt sind und eine \u00dcberpr\u00fcfung der generierten Ergebnisse erforderlich ist. Eine Nachbearbeitung des Boards ist m\u00f6glich. Hierf\u00fcr bietet das Tool weitere KI-Features, wie die Generierung von Bildern und Symbolen.<\/p>\n\n\n\n

    Kosten:<\/strong> Es gibt vier Modelle: das kostenlose Modell, das Premium-Modell f\u00fcr 10 Dollar pro Monat, das Business-Modell f\u00fcr 24 Dollar pro Monat und Nutzer, und schlie\u00dflich das Enterprise-Modell f\u00fcr 499 Dollar pro Monat f\u00fcr mehrere Nutzer [24].<\/p>\n\n\n\n

    Usability:<\/strong> Die Anwendung ist sehr einfach und intuitiv.<\/p>\n\n\n\n

    Integration:<\/strong> In der von uns genutzten kostenlosen Version ist keine Integration in andere Tools m\u00f6glich und das Vision Board kann nicht als Bilddatei heruntergeladen werden. Es besteht jedoch die M\u00f6glichkeit, Mitglieder einzuladen und somit kollaborativ an dem Board zu arbeiten.<\/p>\n\n\n\n

    B. KI-gest\u00fctzte Nutzeranalyse<\/h3>\n\n\n\n

    Das Nutzerfeedback wird automatisch in die zuvor genannten Kategorien kategorisiert. Zudem wird die Frequenz, mit der Feedback erw\u00e4hnt wird, erfasst. Eine Filterung nach Datum ist m\u00f6glich.<\/p>\n\n\n\n

    Effizienz:<\/strong> Die Generierung der Daten hat ca. 6,30 Minuten gedauert. Dabei muss der Nutzer lediglich zu Beginn die Daten hochladen. Die Nachpr\u00fcfung, bei der das schriftliche Feedback mit dem generierten Titel und der Kategorie abgeglichen wurde, dauerte ca. zehn Minuten. Die ermittelten Zeit- und Kostenwerte werden in der Tabelle \u201eFig. ??\u201d dargestellt. In der Spalte \u201eManuell\u201c erfolgte die manuelle Zuordnung der Feedback-Beitr\u00e4ge zu einer Kategorie sowie die Ermittlung der H\u00e4ufigkeit der Erw\u00e4hnung eines Features.<\/p>\n\n\n\n

    TABLE I \u2013 Vergleich: Manuelle und KI-gest\u00fctzte Nutzeranalyse<\/strong><\/p>\n\n\n\n

    Kriterium<\/th>Manuell<\/th>KI-gest\u00fctzt<\/th><\/tr><\/thead>
    Zeit<\/td>15 Min.<\/td>Generierung: 6,30 Min.; Nacharbeitung: 8 Min.<\/td><\/tr>
    Kosten<\/td>Keine<\/td>1. Kostenlos 2. Plus: 49 $\/Monat 3. Enterprise: individuell<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

    Qualit\u00e4t:<\/strong> Von den 20 Feedback-Eintr\u00e4gen zeigen 17 eine \u00dcbereinstimmung der durch KI generierten Kategorien mit den von uns manuell bestimmten Kategorien. Es kam jedoch mehrfach vor, dass Feedback mehreren Kategorien gleichzeitig zugeordnet wurde. Drei von uns speziell angelegte Bug-Feedbacks wurden nicht als Bug, sondern als Complaint erkannt. In unserer Probe unterscheidet das Tool au\u00dferdem nicht zwischen Feedback zu einem neuen Feature und Feedback zur Verbesserung eines bestehenden Features.<\/p>\n\n\n\n

    Usability:<\/strong> Das Finden und Benutzen bzw. Einarbeiten der einzelnen Features war intuitiv und schnell. Da das Tool Amplitude jedoch zahlreiche weitere Funktionen, beispielsweise Monitoring, bietet, k\u00f6nnen wir uns vorstellen, dass die vollst\u00e4ndige Einarbeitung etwas Zeit in Anspruch nimmt.<\/p>\n\n\n\n

    Integration:<\/strong> Als Quelle kann entweder eine CSV-\/Docs-Datei hochgeladen oder die Daten \u00fcber eines von 13 weiteren Tools integriert werden. Weitere Integrationen k\u00f6nnen angefragt werden.<\/p>\n\n\n\n

    C. KI-gest\u00fctztes Product Backlog Management<\/h3>\n\n\n\n

    Das KI-Modell Gemini 2.5 Flash konnte aus dem Meeting-Transkript erfolgreich Epics, User Stories und zugeh\u00f6rige Akzeptanzkriterien generieren, priorisieren und \u00c4nderungen vornehmen. Tabelle II visualisiert einen Auszug des KI-generierten Product Backlogs.<\/p>\n\n\n\n

    Effizienz:<\/strong> Die KI erm\u00f6glichte eine schnelle Erstellung einer ersten groben Version des Backlogs und erleichterte den Einstieg in die Formulierung der Stories erheblich. Die St\u00e4rke der KI liegt in der schnellen Verarbeitung gro\u00dfer Datenmengen, was dem Problem des Informations\u00fcberflusses entgegenwirkt. Auch die \u00c4nderungen an bestehenden Stories anhand neuer Transkripte verlief zeiteffizient. Jedoch erforderte vor allem die KI-generierte Priorisierung manuellen Mehraufwand. Hier wirkte der Einsatz von KI durch fehlerhafte Abh\u00e4ngigkeiten kontraproduktiv und erforderte eine zeitintensive Korrektur.<\/p>\n\n\n\n

    \"\"<\/a><\/figure>\n\n\n\n

    Qualit\u00e4t:<\/strong> Die funktionale Qualit\u00e4t der Ergebnisse ist gemischt. Positiv hervorzuheben ist die logische Strukturierung in Epics und die fachliche Nachvollziehbarkeit der Stories. Ebenso sind diese weitestgehend unabh\u00e4ngig voneinander und klein genug. Auch kritische Compliance-Themen (z.\u202fB. DSGVO) wurden von der KI in den Akzeptanzkriterien ber\u00fccksichtigt.<\/p>\n\n\n\n

    Negativ fielen Anti-Patterns auf: Teilweise wurde, wie in US 1.1, ein technisches System (z.\u202fB. \u201eBackend-System\u201c) als Rolle der User Story definiert, anstatt einer menschlichen Nutzerrolle. Zudem waren einige Akzeptanzkriterien nicht mess- oder testbar formuliert (z.\u202fB. fehlende Lastvorgaben f\u00fcr \u201ehohes Volumen\u201c). Bei der Priorisierung zeigte die KI deutliche Schw\u00e4chen: Sie folgte f\u00e4lschlicherweise einem Sichtbarkeits-Prinzip (Frontend vor Backend-Infrastruktur) anstatt Entwicklungsabh\u00e4ngigkeiten zu respektieren. Dies w\u00fcrde in der Praxis zu technischem und finanziellem Mehraufwand f\u00fchren. Die Analyse der Priorisierung (siehe Tab. III) zeigt, dass die KI sichtbare Features f\u00e4lschlicherweise vor der notwendigen technischen Basis einordnet. Dies f\u00fchrt zu folgenden Blockaden in der Entwicklung:<\/p>\n\n\n\n

    Mit der grundlegenden Kategorisierung der E-Mails (US 2.1) erst an vorletzter Stelle fehlt den Entwicklern in US 1.1, die Logik f\u00fcr das Tagging der E-Mails. Ebenso wird bei US 2.2 die UI vor der Datenstruktur in US 2.1 implementiert. Somit muss das Team mit Platzhaltern arbeiten und auf die Fertigstellung von US 2.1 warten. Anschlie\u00dfend ist ein zeitintensives Refactoring des Frontends notwendig.<\/p>\n\n\n\n

    Zudem missachtet der Vorschlag rechtliche Abh\u00e4ngigkeiten. Die Priorisierung des E-Mail-Versands (US 1.1) vor der damit verbundenen technischen Basis kann sowohl zu funktionalen Problemen als auch zu Compliance-Risiken f\u00fchren.<\/p>\n\n\n\n

    TABLE III \u2013 Vergleich Priorisierung: KI-Vorschlag vs. manueller L\u00f6sungsvorschlag<\/strong><\/p>\n\n\n\n

    Rg.<\/th>KI-Vorschlag<\/th>Manueller L\u00f6sungsvorschlag<\/th>Begr\u00fcndung<\/th><\/tr><\/thead>
    1<\/td>US 1.1 (Versand)<\/td>US 2.1 (Struktur)<\/td>Erst die Datenstruktur\/Kategorien im Backend definieren<\/td><\/tr>
    2<\/td>US 2.2 (UI)<\/td>US 1.1 (Versand)<\/td>Den technischen Kernprozess (Mail-Versand) zuerst bauen<\/td><\/tr>
    3<\/td>US 2.3 (Logik)<\/td>US 1.3 (Abmeldung)<\/td>Rechtssicherheit muss vor dem \u201eGo Live\u201c stehen<\/td><\/tr>
    4<\/td>US 1.3 (Abmeldung)<\/td>US 2.3 (Logik)<\/td>Pr\u00e4ferenzen und Logik im Backend verarbeiten<\/td><\/tr>
    5<\/td>US 2.1 (Struktur)<\/td>US 2.2 (UI)<\/td>Jetzt kann die UI auf dem Backend aufbauen<\/td><\/tr>
    6<\/td>US 1.2 (Design)<\/td>US 1.2 (Design)<\/td>Das Design kommt am Ende<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

    Die Abmelde-Funktion (US 1.3) f\u00fchrt zu einem Produkt-Release, bei dem den Nutzern keine M\u00f6glichkeit geboten wird, sich von den Benachrichtigungen abzumelden. Dies gef\u00e4hrdet nicht nur die Nutzerzufriedenheit, sondern kann auch zu rechtlichen Abmahnungen f\u00fchren.<\/p>\n\n\n\n

    Das Pflegen der User Stories bei ge\u00e4nderten Anforderungen verlief hingegen qualitativ hochwertig und detailliert. Die \u00c4nderung beschr\u00e4nkt sich dabei nicht nur auf eine einzelne User Story, sondern die KI hat in diesem Fall das Zusammenspiel mehrerer User Stories erfasst und die \u00c4nderung vollst\u00e4ndig integriert.<\/p>\n\n\n\n

    Usability \/ Integration:<\/strong> Die Bedienung des Chat-Interfaces des Gemini KI-Modells ist intuitiv. Die multimediale Eingabe erlaubte verschiedene Dokumente einzubinden.<\/p>\n\n\n\n

    D. KI-gest\u00fctztes Sprint Review<\/h3>\n\n\n\n

    Effizienz:<\/strong> Die KI-Funktionen konnten ohne gr\u00f6\u00dferen Aufwand angewendet werden und waren leicht zu finden. Die Funktionen mussten nicht zus\u00e4tzlich aktiviert werden, sondern standen dem Nutzer unter den weiteren standardm\u00e4\u00dfigen Einstellungen zur Verf\u00fcgung.<\/p>\n\n\n\n

    Qualit\u00e4t:<\/strong> Die Qualit\u00e4ten der Funktionen \u201eUmschreiben\u201c, \u201eTonfall anpassen\u201c und \u201e\u00dcbersetzen\u201c waren sehr gut und es konnten keine M\u00e4ngel festgestellt werden. Die Funktion zur automatischen Kategorisierung der Feedback-Notizen erstellte sinngem\u00e4\u00dfe Kategorien, f\u00fcgte jedoch nicht mehrere Notizen einer Kategorie zu. Die Aufgaben, die der KI-Kollege aus den Feedback-Notizen generierte, wirkten stark generisch und wenig individuell angepasst.<\/p>\n\n\n\n

    Usability:<\/strong> Die Benutzung der KI-Funktionen war intuitiv und schnell. Es ben\u00f6tigte keine spezielle Anleitung und war sehr selbsterkl\u00e4rend. Da es jedoch noch weitere individuelle Einstellungen gibt, wie z.\u202fB. das Anpassen des KI-Modells, k\u00f6nnen diese Funktionen den Einarbeitungsaufwand erh\u00f6hen. F\u00fcr die getesteten Funktionen ben\u00f6tigte es jedoch kein spezifisches Wissen.<\/p>\n\n\n\n

    Integration:<\/strong> Da eine Anbindung an das Ticketsystem Jira m\u00f6glich ist, kann man auf einfache Weise eine direkte Verbindung zu einem bestehenden System herstellen und somit Inhalte importieren.<\/p>\n\n\n\n

    E. KI-gest\u00fctzte Release Notes<\/h3>\n\n\n\n

    Effizienz:<\/strong> Das Einrichten des Gemini Gems war leicht verst\u00e4ndlich und konnte gut umgesetzt werden. Zu erw\u00e4hnen ist, dass es sich um ein zus\u00e4tzliches Tool handelt und die Zeit der Einrichtung mit eingeplant werden muss.<\/p>\n\n\n\n

    Qualit\u00e4t:<\/strong> Die Antwortqualit\u00e4t des Gemini Gems auf das hochgeladene Transkript war gut. Das Gemini Gem lieferte eine Release Note, die die Punkte aus dem Skript beinhaltete. Negativ anzumerken ist die Form der Release Note, da diese nicht tabellarisch war und somit erst formatiert werden musste, bevor sie verwendet werden kann. Au\u00dferdem erh\u00e4lt man je nach eingegebenem Prompt unterschiedliche Ergebnisse, was zu einer ver\u00e4nderten Qualit\u00e4t f\u00fchren kann. Neben der Qualit\u00e4t ist auch die L\u00e4nge der Ausgabe relevant, da diese nicht immer einheitlich ist und beobachtet werden konnte, dass nicht ausschlie\u00dflich die Release Note ausgegeben wurde, sondern meist zus\u00e4tzlicher Inhalt ebenfalls Teil der Ausgabe war.<\/p>\n\n\n\n

    Usability:<\/strong> Insgesamt war die Handhabe und das Einrichten des Gemini Gems sehr schnell und intuitiv. Es bedarf keinem zus\u00e4tzlichen Wissen und alle Schritte waren selbsterkl\u00e4rend. Da die Kommunikation mit dem Gemini Gem \u00fcber das gleiche Chatformat abl\u00e4uft, wie auch die Kommunikation mit Gemini, kam es zu keinen Schwierigkeiten in der Bedienung.<\/p>\n\n\n\n

    DISKUSSION<\/h2>\n\n\n\n

    A. KI-gest\u00fctzte Entwicklung der Produktvision<\/h3>\n\n\n\n

    Das Tool kann bei der Erstellung eines Product Vision Boards unterst\u00fctzen, da die Generierung von Ideen und deren Visualisierung sehr schnell erfolgt. Allerdings muss das Board anschlie\u00dfend \u00fcberpr\u00fcft werden, da Fehler auftreten k\u00f6nnen. Da die Unterpunkte kurz gehalten sind, ist das Tool f\u00fcr eine erste Ideenfindung gut geeignet. Wenn ein detailliertes Board gew\u00fcnscht ist, sollte es jedoch nachbearbeitet werden. Ein Nachteil besteht darin, dass das Herunterladen des Boards nicht m\u00f6glich ist.<\/p>\n\n\n\n

    In Bezug auf die genannten Herausforderungen des Product Owners hilft das Tool insbesondere dabei, dass die Produktvision nicht vernachl\u00e4ssigt wird. Durch die schnelle Generierung und die Visualisierung \u2013 beispielsweise durch automatisch erstellte Bilder \u2013 kann zudem sichergestellt werden, dass die Produktvision verst\u00e4ndlich und klar vermittelt wird.<\/p>\n\n\n\n

    B. KI-gest\u00fctzte Nutzeranalyse<\/h3>\n\n\n\n

    Insgesamt wurden die Feedback-Eintr\u00e4ge sinnvoll kategorisiert, und andere Features, wie das Sortieren nach Datum, haben zuverl\u00e4ssig funktioniert. Es k\u00f6nnte jedoch f\u00fcr den Nutzer verwirrend sein, dass ein Feedback-Eintrag mehreren Kategorien zugeordnet ist und doppelt vorkommt. Dies kann zu l\u00e4ngerer Nacharbeit f\u00fchren und die weitere Datenauswertung weniger effizient machen.<\/p>\n\n\n\n

    Die Kategorisierung gibt jedoch einen \u00dcberblick dar\u00fcber, welche Features viel Feedback erhalten, auch positives. Aus diesen Informationen kann geschlossen werden, wie h\u00e4ufig diese Features genutzt werden. Zur weiteren Analyse scheinen sich die kategorisierten Daten daher gut anzubieten. Au\u00dferdem ist eine breite Integration von Tools m\u00f6glich, wodurch sich das System an bestehende Systeme anschlie\u00dfen l\u00e4sst.<\/p>\n\n\n\n

    Im Vergleich zur manuellen Nutzeranalyse wurde durch die automatische Generierung eine Zeitersparnis von sieben Minuten erzielt. Wir gehen davon aus, dass sich diese Zeitersparnis bei sehr gro\u00dfen Datenmengen noch deutlicher bemerkbar macht.<\/p>\n\n\n\n

    Das Problem der Informations\u00fcberflutung bei der Nutzeranalyse kann durch den Einsatz von KI deutlich reduziert werden, indem Daten automatisiert analysiert und kategorisiert werden. Dadurch muss der PO weniger Zeit f\u00fcr die manuelle Auswertung aufwenden und kann die gewonnene Zeit f\u00fcr andere Aufgaben einsetzen. Allerdings zeigt sich in unserem Beispiel, dass die Datenqualit\u00e4t nicht immer optimal ist. Es kommt etwa zu mehrfachen oder fehlerhaften Kategorisierungen, weshalb eine manuelle Nachbearbeitung weiterhin notwendig bleibt.<\/p>\n\n\n\n

    Ein weiteres Bedenken betrifft den Datenschutz und die anonymisierte Verarbeitung der Nutzerdaten durch Amplitude. Dar\u00fcber hinaus muss gepr\u00fcft werden, ob die Zeitersparnis ausreicht, um die Kosten des KI-Tools zu rechtfertigen.<\/p>\n\n\n\n

    C. KI-gest\u00fctztes Product Backlog Management<\/h3>\n\n\n\n

    Die Fallstudie zeigt, dass KI-Modelle wie Gemini 2.5 Flash einen soliden Ansatz f\u00fcr das Product Backlog schaffen k\u00f6nnen, die Ergebnisse jedoch nicht direkt f\u00fcr einen Sprint einsatzbereit sind. Der PO profitiert von dieser Grundlage, muss sich jedoch der Fehleranf\u00e4lligkeit von KI-Modellen bewusst sein und aktiv Zeit in die manuelle Kontrolle investieren. Andernfalls besteht die Gefahr, aus Bequemlichkeit ein \u00fcberm\u00e4\u00dfiges Vertrauen gegen\u00fcber der KI zu entwickeln.<\/p>\n\n\n\n

    Besonders deutlich wurden die Grenzen der KI bei der Priorisierung. Das Stakeholder-Dilemma und die technischen Abh\u00e4ngigkeiten konnten von der KI nicht vollst\u00e4ndig erfasst werden. Grund daf\u00fcr kann das fehlende Kontextwissen \u00fcber das Projekt und die Stakeholder sein. Dementsprechend bleibt die menschliche Expertise unverzichtbar, um einen reibungslosen Entwicklungsfluss zu gew\u00e4hrleisten und rechtliche sowie wirtschaftliche Risiken zu minimieren.<\/p>\n\n\n\n

    In der kontinuierlichen Pflege und Aktualisierung des Backlogs zeigte das Tool hingegen gro\u00dfes Potenzial, den PO zeittechnisch zu entlasten.<\/p>\n\n\n\n

    D. KI-gest\u00fctztes Sprint Review<\/h3>\n\n\n\n

    Insgesamt k\u00f6nnen die KI-Funktionen von MiroAI sinnvoll eingesetzt werden und zeigten sich in der Fallstudie als n\u00fctzlich. Die Funktionsweise der automatischen Kategorien der Feedbacknotizen k\u00f6nnte in einem gr\u00f6\u00dferen Rahmen zu einer hohen Anzahl an Kategorien f\u00fchren, die statt \u00dcbersicht zu schaffen, zus\u00e4tzlichen Aufwand erzeugen k\u00f6nnten. Grund daf\u00fcr ist, dass die Kategorien sehr spezifisch gew\u00e4hlt wurden, wodurch es schwierig ist, weitere Feedbacknotizen in bestehende Kategorien einzuordnen.<\/p>\n\n\n\n

    Des Weiteren zeigte sich in unserem Use Case, dass die generierten Aufgaben aus den Feedbacknotizen nicht immer vollst\u00e4ndig umsetzbar sind und eine Nachbearbeitung erfordern. Die Aufgaben k\u00f6nnen in diesem Fall eher als Orientierung genutzt werden und h\u00e4ngen stark vom Inhalt und der Qualit\u00e4t des Feedbacks ab. Somit kann es zu besseren oder schlechteren Ergebnissen bei der Generierung der Aufgaben kommen.<\/p>\n\n\n\n

    E. KI-gest\u00fctzte Release Notes<\/h3>\n\n\n\n

    Die Funktionen des Gemini Gems konnten in dem Use Case \u201eKI-gest\u00fctzte Release Notes\u201c gut angewendet werden und waren erfolgreich. Insgesamt zeigte das Ergebnis, dass es leicht ist, ein individuelles Gemini Gem einzurichten, jedoch ist dies abh\u00e4ngig von der Genauigkeit der benutzerdefinierten Anweisungen.<\/p>\n\n\n\n

    Zus\u00e4tzlich ist zu beachten, dass die Gefahr von Halluzinationen einer KI immer besteht, weshalb es wichtig ist, die Ausgabe nachtr\u00e4glich vor der Ver\u00f6ffentlichung zu pr\u00fcfen. Je nach L\u00e4nge der Ausgabe kann dies einen hohen zeitlichen Aufwand bedeuten, da der generierte Inhalt h\u00e4ufig nicht sehr kurz ist. Somit muss abgewogen werden, wie sehr sich dieses Tool in dem genannten Use Case eignet.<\/p>\n\n\n\n

    F. Allgemein<\/h3>\n\n\n\n

    Zudem gibt es Herausforderungen im Aufgabenbereich des PO, die auf menschlicher Ebene liegen \u2013 beispielsweise das Setzen von Priorit\u00e4ten oder das bewusste Nein-Sagen gegen\u00fcber Stakeholdern. Solche sozialen und kommunikativen Aspekte k\u00f6nnen durch KI nicht vollst\u00e4ndig gel\u00f6st werden.<\/p>\n\n\n\n

    Au\u00dferdem d\u00fcrfen bei der Unterst\u00fctzung durch KI-Tools die Kosten, die zur Nutzung entstehen, nicht vernachl\u00e4ssigt werden. Die untenstehende Tabelle beinhaltet die Kosten, die ungef\u00e4hr pro Mitarbeitendem durch den Einsatz von KI-Tools entstehen. Die Summe von 90 Euro pro Mitarbeitendem wirkt auf den ersten Blick \u00fcberschaubar, jedoch summiert sich dieser Wert schnell je nach Gr\u00f6\u00dfe des Teams. Damit kann es zu hohen Investitionssummen kommen, die f\u00fcr kleinere Unternehmen oder Start-ups schwieriger zu bew\u00e4ltigen sind.<\/p>\n\n\n\n

    \"\"<\/a><\/figure>\n\n\n\n

    Neben den sozialen und finanziellen Aspekten lassen sich folgende technische Grenzen erkennen: Die KI-Modelle leiden an einer Kontextarmut. Sie verf\u00fcgen nur \u00fcber den kleinen Kontext, welcher ihnen \u00fcber Prompts zur Verf\u00fcgung gestellt wird. Somit besitzen die Modelle keinen kompletten \u00dcberblick \u00fcber die Projekte, historische Projektentscheidungen, Stakeholder-Informationen oder firmeninternes Wissen. Da unter anderem die Priorisierung im Backlog oft von solchen komplexen Faktoren abh\u00e4ngt, kann die KI nur eine schwache, chatlokale Priorisierung vermuten und keine globale Priorisierung empfehlen.<\/p>\n\n\n\n

    Eine m\u00f6gliche technische L\u00f6sung k\u00f6nnte hier die Implementierung von RAG-Systemen bieten, die der KI Zugriff auf die gesamte Projektdokumentation, internes Firmenwissen und historische Firmendaten gew\u00e4hren.<\/p>\n\n\n\n

    Ein weiteres Risiko liegt in der Konsistenz und Nachvollziehbarkeit der Ergebnisse. Das mehrmalige Ausf\u00fchren desselben Prompts mit identischen Transkripten f\u00fchrte oft zu unterschiedlichen Ergebnissen. Diese Abweichungen erschweren eine einheitliche Arbeitsstruktur f\u00fcr Product Owner sowie die verl\u00e4ssliche Begr\u00fcndung von Entscheidungen gegen\u00fcber Stakeholdern, da keine klare Nachvollziehbarkeit vorhanden ist.<\/p>\n\n\n\n

    Besonders kritisch ist die Abkopplung des Menschlichen. Deutlich wird dies beispielsweise im Bereich der KI-gest\u00fctzten Analyse von Transkripten, die zuvor von KI-gest\u00fctzten Transkriptionstools (z.\u202fB. Whisper AI) erstellt wurden. Ein Textprotokoll beinhaltet nicht die Menge an Informationen, die ein multimodales Gespr\u00e4ch enth\u00e4lt. Nonverbale Signale wie Gesichtsausdruck, Z\u00f6gern oder Betonung sind oft Indikatoren daf\u00fcr, was ein Stakeholder wirklich meint. Diese gehen in Transkripten verloren und tragen zur Kontextarmut der KI bei.<\/p>\n\n\n\n

    Zudem besteht die Gefahr, dass sich Fehler unbemerkt fortpflanzen. Werden beispielsweise wichtige W\u00f6rter in einem Meeting falsch transkribiert, zieht sich dieser Fehler durch den gesamten KI-Workflow bis in die fertige User Story. Dies unterstreicht die Notwendigkeit des Prinzips des \u201eHuman-in-the-Loop\u201c. Somit ist von einem vollst\u00e4ndigen Vertrauen des Product Owners in die KI-generierten Inhalte abzuraten. Stattdessen sollten die Ergebnisse stets durch eine menschliche Instanz validiert werden.<\/p>\n\n\n\n

    In Bezug auf Limitationen muss erw\u00e4hnt werden, dass es sehr viele Tools auf dem Markt gibt und nur ein kleiner Teil davon in dieser Studie abgedeckt werden kann. Au\u00dferdem bieten die ausgew\u00e4hlten Tools selbst sehr viele Funktionen, die ebenfalls nur stichprobenartig getestet wurden. Eine weitere Limitation ist die Datenmenge, die zu Testzwecken in den unterschiedlichen Tools verwendet wurde. Diese kann das Ergebnis ver\u00e4ndern und je nach Komplexit\u00e4t ein Tool besser oder schlechter nutzbar machen. Daher kann diese Studie nur einen ersten Eindruck vermitteln.<\/p>\n\n\n\n

    Risiken und die Zukunft der Rolle des PO<\/p>\n\n\n\n

    Da die durchgef\u00fchrte Fallstudie zeigt, dass die Rolle des PO mit den KI Tools definitiv im Wandel ist, bringt dies auch viele Ver\u00e4nderungen in den Arbeitsalltag des PO. Zu diesen \u00c4nderungen geh\u00f6ren besonders auch die ethischen Aspekte, die nicht vernachl\u00e4ssigt werden d\u00fcrfen. Dazu geh\u00f6rt, dass KI-generierte Inhalte auch als solche gekennzeichnet sind. Au\u00dferdem muss der Datenschutz eingehalten werden und es d\u00fcrfen keine personenbezogenen Daten der KI zugef\u00fchrt werden. Ein weiterer Punkt ist, wie auch schon in den Ergebnissen der Fallstudie erw\u00e4hnt, das Kontrollieren der KI-generierten Inhalte, um Fehler zu vermeiden [29]. Es kann zudem zu einer Verzerrung der Realit\u00e4t kommen, da die KI-Modelle auf historischen Daten basieren und somit Minderheiten unterdr\u00fcckt werden k\u00f6nnen, da diese in den Datens\u00e4tzen nicht ausreichend repr\u00e4sentiert werden [29]. Das k\u00f6nnte z. B. beim Erstellen von User Stories der Fall sein und es ist wichtig, sich dessen bewusst zu sein. KI wird somit zunehmend Teil der t\u00e4glichen Arbeit und dient als Assistenz, sollte die Rolle des Product Owners jedoch nicht ersetzen [30].<\/p>\n\n\n\n

    Fazit<\/p>\n\n\n\n

    Diese Arbeit sollte aufzeigen, in welchem Umfang KI-Tools Aufgaben des Product Owners \u00fcbernehmen k\u00f6nnen bzw. bei der Bew\u00e4ltigung typischer Herausforderungen unterst\u00fctzen k\u00f6nnen. Dabei stellten wir uns auch die Frage, in welchen Bereichen menschliche Kompetenzen unverzichtbar bleiben. Unsere Fallstudie hat gezeigt, k\u00fcnstliche Intelligenz erm\u00f6glicht es dem PO, Teile seiner Aufgaben zu automatisieren und dadurch Zeit zu gewinnen. Besonders viel Zeit konnte durch die Unterst\u00fctzung bei wiederkehrenden Aufgaben und Abl\u00e4ufen eingespart werden. Weniger effizient war der Einsatz der KI bei Priorisierungsaufgaben und besonders bei Aufgaben, die nur mit einem hohen Ma\u00df an Kontextwissen erledigt werden konnten. Au\u00dferdem konnte auch festgestellt werden, dass die Zeit der Einarbeitung und auch die Kosten der neuen Tools nicht vernachl\u00e4ssigt werden d\u00fcrfen. Abschlie\u00dfend kann man sagen, dass die KI den Alltag eines Product Owners bereichern kann, es nur zwingend notwendig ist, die KI ausschlie\u00dflich als ein Mittel zu sehen und die eigene Arbeit nicht ersetzen kann. Besonders analytische Aufgaben k\u00f6nnen somit in der Zukunft an Relevanz gewinnen und weniger das stetige Abarbeiten von Routineaufgaben. Unabh\u00e4ngig von der Abhilfe, die KI in den routinem\u00e4\u00dfigen Abl\u00e4ufen schafft, hat sich auch herausgestellt, dass die analytische Arbeit besonders wichtig ist, da die Datenmengen mit der Nutzung von KI steigen. Je nach Tool bzw. besonders bei dem Einsatz von generativer KI wie z.\u202fB. ChatGPT oder das Gemini Gem zeigte sich, dass h\u00e4ufig lange Antworten generiert werden, die schnell dazu verleiten, nur kurz die Zeilen zu \u00fcberfliegen, statt sie aufmerksam durchzuarbeiten und sich somit auch schneller Fehler einschleichen und auch der zeitliche Rahmen zunimmt. Neben den ganzen positiven Aspekten stellt sich somit trotzdem die Frage, wie zuverl\u00e4ssig die KI Daten verarbeitet und wie hoch die Qualit\u00e4t der erzeugten Ergebnisse ist. Zudem muss gepr\u00fcft werden, ob sich die Investition in die KI-Tools tats\u00e4chlich durch die eingesparte Arbeitszeit rechnet. KI kann den PO also sp\u00fcrbar entlasten, vorausgesetzt, sie liefert technisch korrekte und verl\u00e4ssliche Daten, die kein zeitintensives und manuelles Korrigieren verlangen. Somit kann abschlie\u00dfend die Frage beantwortet werden, dass die Aufgaben des Product Owners nicht vollst\u00e4ndig von der KI ersetzt werden k\u00f6nnen, sondern ausschlie\u00dflich eine Entlastung, bei richtiger Einarbeitung und Bedienung, darstellen.<\/p>\n\n\n\n

    Ausblick<\/p>\n\n\n\n

    In weiteren Studien k\u00f6nnte untersucht werden, welchen Einfluss ein RAG-Systems in Kombination mit KI Tools mit sich bringen w\u00fcrde, um der Kontextarmut der KI \u00fcber das Unternehmen und die Projekte entgegenzuwirken. Ebenso k\u00f6nnte untersucht werden, inwieweit sich Aufgaben, beispielsweise in der Marktanalyse, durch den Einsatz von KI-Agenten automatisieren lassen, sodass der PO mehr Zeit f\u00fcr andere Aufgaben hat. Auch eine breiter angelegte Studie mit einem realen Szenario aus der Wirtschaft w\u00e4re denkbar. Diese Fallstudie wurde ausschlie\u00dflich mit beispielhaften Daten durchgef\u00fchrt und k\u00f6nnte somit mit einer erh\u00f6hten Datenmenge und auch um reale Daten erg\u00e4nzt werden. Somit k\u00f6nnte man klarere Schl\u00fcsse ziehen und nicht nur Annahmen treffen.<\/p>\n\n\n\n

    REFERENCES<\/h4>\n\n\n\n

    [1] Statista. (2024). KI in deutschen Unternehmen<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/de.statista.com\/statistik\/studie\/id\/173446\/dokument\/ki-in-deutschen-unternehmen\/<\/a><\/p>\n\n\n\n

    [2] IBM. (2026). AI and Project Management<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/www.ibm.com\/think\/topics\/ai-project-management<\/a><\/p>\n\n\n\n

    [3] Ken Schwaber und Jeff Sutherland. (2020). The Scrum Guide \u2013 Deutsch (Version 2020)<\/em>. Accessed on 10 February 2026. [Online]. Available: https:\/\/scrumguides.org\/docs\/scrumguide\/v2020\/2020-Scrum-Guide-German.pdf<\/a><\/p>\n\n\n\n

    [4] Atlassian. (2026). Was bedeutet Agile? \u2013 Agile Methoden und Projektmanagement<\/em>. Accessed on 10 February 2026. [Online]. Available: https:\/\/www.atlassian.com\/de\/agile<\/a><\/p>\n\n\n\n

    [5] Ulrike Schwitzko. (2025). Die Aufgaben des Product Owners<\/em>. Accessed on 10 February 2026. [Online]. Available: https:\/\/pm1.de\/aufgaben-product-owner\/<\/a><\/p>\n\n\n\n

    [6] K. S. Rubin. (2012). Essential Scrum: A Practical Guide to the Most Popular Agile Process<\/em>. Addison-Wesley. Accessed on 18 February 2026.<\/p>\n\n\n\n

    [7] Product Plan. Release Notes<\/em>. Accessed on 19 February 2026. [Online]. Available: https:\/\/www.productplan.com\/glossary\/release-notes\/<\/a><\/p>\n\n\n\n

    [8] D. Ops. User Story Template for Agile | Agile Alliance<\/em>. [Online]. Available: https:\/\/agilealliance.org\/glossary\/user-story-template\/<\/a><\/p>\n\n\n\n

    [9] Sanjay Saini. (2024). Top 5 Pitfalls of New Product Owners and How to Avoid Them<\/em>. Accessed on 10 February 2026. [Online]. Available: https:\/\/www.scrum.org\/resources\/blog\/top-5-pitfalls-new-product-owners-and-how-avoid-them<\/a><\/p>\n\n\n\n

    [10] A. Mohamed. (2024). Market Research Process: Understanding, Steps, and Challenges<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/www.aimtechnologies.co\/2024\/01\/30\/market-research-process-understanding-steps-and-challenges\/<\/a><\/p>\n\n\n\n

    [11] Julia Martins. (2025). Asynchrone Kommunikation: 10 Tipps im \u00dcberblick!<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/asana.com\/de\/resources\/synchronous-vs-asynchronous-communication<\/a><\/p>\n\n\n\n

    [12] P. Mohagheghi et al. (2024). \u201cThe Product Owner and Its Impact on Success and Challenges in Agile Scrum Projects.\u201d Procedia Computer Science<\/em>. Accessed on 18 February 2026.<\/p>\n\n\n\n

    [13] R. Pichler. Agile Product Management with Scrum: Creating Products that Customers Love<\/em>. [Online]. Available: https:\/\/www.oreilly.com\/library\/view\/agile-product-management\/9780321684165\/<\/a><\/p>\n\n\n\n

    [14] I. Nonaka. \u201cThe Knowledge-Creating Company.\u201d In: The Economic Impact of Knowledge<\/em>. Routledge.<\/p>\n\n\n\n

    [15] D. G. Reinertsen. The Principles of Product Development Flow.<\/em><\/p>\n\n\n\n

    [16] J. Highsmith. Agile Project Management: Creating Innovative Products<\/em>. Pearson Education.<\/p>\n\n\n\n

    [17] Agile Academy. (2026). Ein Produkt entwickeln, das die Nutzer wollen \u2013 mit dem Vision Board von der Idee bis zum Backlog<\/em>. Zugriff am 19. Februar 2026. [Online]. Available: https:\/\/www.agileacademy.com\/de\/product-owner\/ein-produkt-entwickeln-das-die-nutzer-wollen-mit-dem-vision-board-von-der-idee-bis-zum-backlog\/<\/a><\/p>\n\n\n\n

    [18] Venngage. (2026). AI Vision Board Generator<\/em>. Zugriff am 19. Februar 2026. [Online]. Available: https:\/\/venngage.com\/aitools\/vision-board-generator<\/a><\/p>\n\n\n\n

    [19] Amplitude. (2026). Amplitude \u2013 Produktanalyse-Plattform<\/em>. Accessed on 10 February 2026. [Online]. Available: https:\/\/amplitude.com\/de-de<\/a><\/p>\n\n\n\n

    [20] Gemini. Erstelle benutzerdefinierte KI-Experten \u2013 mit Gems<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/gemini.google\/at\/overview\/gems\/?hl=de<\/a><\/p>\n\n\n\n

    [21] Agile Business Consortium. DSDM Project Framework Handbook<\/em>. [Online]. Available: https:\/\/www.agilebusiness.org\/dsdm-project-framework.html<\/a><\/p>\n\n\n\n

    [22] J. White et al. \u201cA Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT.\u201d [Online]. Available: http:\/\/arxiv.org\/abs\/2302.11382<\/a><\/p>\n\n\n\n

    [23] Miro. (2025). Die KI-Plattform f\u00fcr Teamarbeit<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/miro.com\/de\/ai\/ai-overview\/<\/a><\/p>\n\n\n\n

    [24] Venngage. (2026). Pricing<\/em>. Zugriff am 19. Februar 2026. [Online]. Available: https:\/\/venngage.com\/pricing<\/a><\/p>\n\n\n\n

    [25] Google Cloud. Die passende Version f\u00fcr Ihre Organisation<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/cloud.google.com\/gemini-enterprise?hl=de<\/a><\/p>\n\n\n\n

    [26] Miro. Pricing<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/miro.com\/pricing\/<\/a><\/p>\n\n\n\n

    [27] Notion. One Tool for Your Whole Company. Free for Teams to Try.<\/em> Accessed on 18 February 2026. [Online]. Available: https:\/\/www.notion.com\/pricing<\/a><\/p>\n\n\n\n

    [28] Microsoft. Flexible Copilot-Pl\u00e4ne f\u00fcr jede Organisation<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/www.microsoft.com\/de-de\/microsoft-365\/copilot\/pricing?market=de<\/a><\/p>\n\n\n\n

    [29] Stephan Wolpers. (2025). Ethische KI f\u00fcr Product Owner und Produktmanager<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/berlinproductpeople.com\/de\/ethische-ki-product-owner-produktmanager\/<\/a><\/p>\n\n\n\n

    [30] Oliver Winter und Tim Klein. (2024). Die Produktwerker: KI als Wingman f\u00fcr Product Owner<\/em>. Accessed on 18 February 2026. [Online]. Available: https:\/\/www.heise.de\/blog\/Die-Produktwerker-KI-als-Wingman-fuer-Product-Owner-9823734.html<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    Simeon Schulz, Ronja Brauchle, Lisa-Marie Nohl Kurzfassung: Ziel der Arbeit ist es herauszufinden, welches Potenzial k\u00fcnstliche Intelligenz bei der Arbeit eines Product Owners in der agilen Projektmanagement Methode Scrum hat. Dazu wurde eine empirische Fallstudie durchgef\u00fchrt, die unterschiedliche Tools nach Effizienz, Qualit\u00e4t, Usability und Integration bewertet. Die Ergebnisse zeigten, dass KI Tools in die allt\u00e4glichen […]<\/p>\n","protected":false},"author":1319,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[463,1215,1214],"ppma_author":[1211],"class_list":["post-28637","post","type-post","status-publish","format-standard","hentry","category-allgemein","tag-ki","tag-product-owner","tag-scrum"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack-related-posts":[{"id":28461,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/20\/das-alltagliche-automatisieren-das-menschliche-perfektionieren-die-transformation-des-scrum-masters-und-der-team-kommunikation-im-ki-gestutzten-agilen-umfeld\/","url_meta":{"origin":28637,"position":0},"title":"Das Allt\u00e4gliche automatisieren, das Menschliche perfektionieren: Die Transformation des Scrum-Masters und der Team-Kommunikation im KI-gest\u00fctzten agilen Umfeld","author":"Alice Ginnen","date":"20. February 2026","format":false,"excerpt":"Abstract Die zunehmende Nutzung von KI in der Softwareentwicklung ver\u00e4ndert grundlegend die bew\u00e4hrten agilen Methoden. In der vorliegenden Arbeit wird untersucht, inwiefern sich die Rolle des Scrum Masters und die Teamkommunikation durch den Einsatz von Large Language Models (LLMs) und autonomen Agenten ver\u00e4ndern. Die Analyse ergibt, dass ein zunehmender Anteil\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":28492,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/20\/auswirkung-der-integration-von-ki-auf-den-software-development-lifecycle-mit-fokus-auf-frontend-entwicklung\/","url_meta":{"origin":28637,"position":1},"title":"Auswirkung der Integration von KI auf den Software Development Lifecycle mit Fokus auf Frontend-Entwicklung","author":"Tom Bestvater","date":"20. February 2026","format":false,"excerpt":"Abstract - Die Integration K\u00fcnstlicher Intelligenz (KI) in den Software Development Lifecycle (SDLC) f\u00fchrt zu einer Transformation der Frontend-Entwicklung und verschiebt den Fokus von der manuellen Implementierung hin zur KI-gest\u00fctzten Orchestrierung. Das vorliegende Paper untersucht den Einfluss generativer KI-Modelle und multimodaler Sprachmodelle (MLLMs) auf die Frontend-Engineering-Prozesse, wobei ein besonderer Schwerpunkt\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=700%2C400&ssl=1 2x"},"classes":[]},{"id":28372,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/18\/safeguards-in-der-ki-unterstutzten-softwareentwicklung\/","url_meta":{"origin":28637,"position":2},"title":"Safeguards in der KI-unterst\u00fctzten Softwareentwicklung","author":"Christoph Merck","date":"18. February 2026","format":false,"excerpt":"KI gest\u00fctzte Werkzeuge und autonome Agenten machen Softwareentwicklung schneller, schaffen aber neue Sicherheitsrisiken, weil sie eigenst\u00e4ndig Entscheidungen treffen und externe Tools nutzen k\u00f6nnen. Der Artikel zeigt, warum deshalb ein mehrschichtiges Safeguard Konzept n\u00f6tig ist, das klassische Ma\u00dfnahmen wie Code Reviews, Tests und statische sowie dynamische Analysen mit KI spezifischen Schutzmechanismen\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":28402,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/20\/ai-aided-requirements-engineering-methodische-integration-von-llms-und-agenten-frameworks-in-den-anforderungsprozess\/","url_meta":{"origin":28637,"position":3},"title":"AI-Aided Requirements Engineering: Methodische Integration von LLMs und Agenten-Frameworks in den Anforderungsprozess","author":"Cedric Gottschalk","date":"20. February 2026","format":false,"excerpt":"Abstract Unklare und unvollst\u00e4ndige Anforderungen gelten als einer der Hauptgr\u00fcnde f\u00fcr das Scheitern von Softwareprojekten. Das vorliegende Paper untersucht den \u00dcbergang von klassischem Requirements Engineering (RE) hin zu einem KI-gest\u00fctzten Anforderungsprozess (AI-Aided RE). Zun\u00e4chst wird der Status Quo der Human-AI Collaboration (HAIC) im RE analysiert, wobei die Dominanz explorativer Proof-of-Concept-Ans\u00e4tze\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/CLEAR-1.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/CLEAR-1.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/CLEAR-1.png?resize=525%2C300&ssl=1 1.5x"},"classes":[]},{"id":28347,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/10\/prufung-des-vibe-coding-ansatzes-als-ki-gestutzte-softwareentwicklung-in-der-implementierungsphase-des-software-development-life-cycles\/","url_meta":{"origin":28637,"position":4},"title":"Pr\u00fcfung des Vibe Coding Ansatzes als KI gest\u00fctzte Softwareentwicklung in der Implementierungsphase des Software Development Life Cycles","author":"Frederik Runge","date":"10. February 2026","format":false,"excerpt":"Abstract Vibe Coding hat sich innerhalb kurzer Zeit als neuartiger, KI-gest\u00fctzter Ansatz in der Softwareentwicklung etabliert und wird im Kontext der Implementierungsphase des Software Development Life Cycles kontrovers diskutiert. W\u00e4hrend dem Ansatz hohe Produktivit\u00e4tsgewinne und ein einfacherer Zugang zur Softwareentwicklung zugeschrieben werden, verweisen kritische Stimmen auf Risiken in Bezug auf\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Vibe-Kurve.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Vibe-Kurve.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Vibe-Kurve.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Vibe-Kurve.png?resize=700%2C400&ssl=1 2x"},"classes":[]},{"id":25076,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2023\/07\/27\/sicherheit-geht-vor-die-soziale-verantwortung-der-unternehmen-in-bezug-auf-die-it-security\/","url_meta":{"origin":28637,"position":5},"title":"Sicherheit geht vor: Die soziale Verantwortung der Unternehmen in Bezug auf die IT-Security","author":"Michael Maximilian Bader","date":"27. July 2023","format":false,"excerpt":"In einer zunehmend vernetzten und digitalisierten Welt sehen sich Unternehmen einer Vielzahl von Cyberbedrohungen gegen\u00fcber. Laut einer Studie der Bitkom wird praktisch jedes deutsche Unternehmen irgendwann mit einem Cyberangriff konfrontiert sein, wodurch im letzten Jahr ein Schaden von 203 Milliarden Euro durch Diebstahl, Spionage und Sabotage entstanden ist [1]. Die\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2023\/07\/it-sicherheit-AdobeStock_493619792-1980x700-1.jpeg?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2023\/07\/it-sicherheit-AdobeStock_493619792-1980x700-1.jpeg?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2023\/07\/it-sicherheit-AdobeStock_493619792-1980x700-1.jpeg?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2023\/07\/it-sicherheit-AdobeStock_493619792-1980x700-1.jpeg?resize=700%2C400&ssl=1 2x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2023\/07\/it-sicherheit-AdobeStock_493619792-1980x700-1.jpeg?resize=1050%2C600&ssl=1 3x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2023\/07\/it-sicherheit-AdobeStock_493619792-1980x700-1.jpeg?resize=1400%2C800&ssl=1 4x"},"classes":[]}],"jetpack_sharing_enabled":true,"authors":[{"term_id":1211,"user_id":1319,"is_guest":0,"slug":"lisa-marie_nohl","display_name":"Lisa-Marie Nohl","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/354b3de64176bbe3b65e34ea6a8260f8cfcbf66a91a534601f7e103021b5bfeb?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28637","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/users\/1319"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/comments?post=28637"}],"version-history":[{"count":1,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28637\/revisions"}],"predecessor-version":[{"id":28653,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28637\/revisions\/28653"}],"wp:attachment":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/media?parent=28637"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/categories?post=28637"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/tags?post=28637"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/ppma_author?post=28637"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}