KI‑Assistent als skeptischer Sparringspartner – ein Leitfaden

Ein KI‑Assistent ist am wertvollsten, wenn er als skeptischer Sparringspartner agiert, der schwache Argumente herausfordert, Lücken aufdeckt und konkrete, auf Kontext basierende Kritik liefert, statt generische Texte zu schreiben.

Philosophie

LLMs sollen als kollegialer Kritiker dienen, nicht als Ghostwriter. Sie sollen Problemstellungen prüfen, Erfolgskriterien identifizieren und bei vaguen Argumenten „Warum?“ verlangen.

Aufbau

Das System besteht aus drei Schichten:
1. System‑Prompts – spezialisierte Anweisungen für PM‑Sparring, Dokumenten‑Review, Ideenkritik und technische Verständniserklärungen.
2. Persönlicher Kontext – Dateien, die die eigene Rolle, Philosophie, Arbeitsweise und aktuelle Projekte beschreiben.
3. Referenzmaterial – Vorgaben zu Formatierung, Syntax, internen Style‑Guides, die die Ausgabe nutzbar machen.

Werkzeuge

Windsurf als Tagesdriver mit @‑Möglichkeiten, Dateien inline einzubinden.
MCP‑Server (Model Context Protocol) zur Verknüpfung mit internen Wikis, Dokumentationsseiten, Code‑Repos und APIs, sodass Antworten auf reale Daten referenzieren.

Anwendungsszenarien

• Dokumenten‑Review: PRDs, OKRs, Strategie­dokumente kritisch prüfen und konkrete Verbesserungsvorschläge machen.
• Brainstorming: Frühzeitige Ideenprüfung durch simulierte Debatten (Optimist vs. Skeptiker).
• Technisches Verständnis: Erklärt komplexe Systeme ohne „Herablassung“, nutzt Referenzen und zitiert konkrete Quelle‑Links.

Prozess

Kombiniere jeweils ein System‑Prompt, relevante Kontext‑Dateien und das aktuelle Dokument. Speichere Ergebnisse in einem work/‑Ordner, um Erkenntnisse langfristig verfügbar zu halten.

Lessons Learned

• Investieren Sie Zeit in Kontexte‑Dateien – sie liefern den Fokus.
• Push‑Back als Feature nutzen; kritisches Feedback kann Hinweis auf Fehler sein.
• Regelmäßige Prompt‑Iterationen erhöhen Effektivität.
• Fokussierte Kontext‑Einbindung verhindert Signal‑Verwirrung.

Gerade weil die KI nur so gut ist wie die Vorgaben, entsteht ein effektives Tool, wenn Kontext und Grenzen klar definiert sind und diese dynamisch für jede Aufgabe zusammengestellt werden.

Weiterführende Fragen

1. Wie kann ich meine eigenen Kontext‑Dateien effizient strukturieren?

2. Welche Vorteile bietet MCP gegenüber reinem Vortrainierdaten‑Ansatz?

3. Wie integriere ich Feedback aus einem PRD‑Review in mein tägliches Arbeitsablauf?

Quelle: https://elezea.com/2025/12/ai-for-product-management/