Der Product Engineer

 (nandinfinitum.com)
71 Punkte von GN⁺ 2025-09-01 | 8 Kommentare | Auf WhatsApp teilen
  • Die Software Engineering im traditionellen Sinn geht zu Ende, und mit AI entsteht das Paradigma des Product Engineering
  • Ein Product Engineer ist eine hybride Rolle aus Product Manager und Full-Stack-Entwickler und ein autonomer, ergebnisorientierter Builder, der den gesamten Zyklus von der Konzeption bis zum Deployment verantwortet
  • Auf Basis von AI-Native-Arbeitsweise, T-shaped Skills und KPI-orientiertem Denken werden sie nicht nach Teams, sondern nach Features organisiert und übernehmen End-to-End-Verantwortung für Onboarding, Payments, Benachrichtigungen usw.
  • In der Produktphase übernehmen sie Ideation, Marktanalyse, User Research und Product Design; in der Engineering-Phase verantworten sie Architektur, System Design sowie Frontend- und Backend-Entwicklung
  • AI wird besonders in definierbaren und deterministischen (D&D) Bereichen zu einem starken Werkzeug, und Organisationen könnten sich künftig statt des klassischen PM-Designer-Engineer-Dreiecks hin zu einer Zusammenarbeitsstruktur aus Product Engineer + AI entwickeln

Background

  • Traditionelles Software Engineering ist nicht länger ausreichend
    • Die Vorstellung der Programmiersprache C durch Dennis Ritchie im Jahr 1972 war der letzte grundlegende Paradigmenwechsel
    • Die Weiterentwicklungen danach waren im Wesentlichen nur Optimierungen und Abstraktionen, um das Schreiben und Übersetzen von Maschinencode zu erleichtern
    • Produktivität wurde lange anhand von Zeit- und Speichereffizienz des Codes, seiner Länge und seiner Interpretierbarkeit bewertet
  • Heute befinden wir uns in einem vollkommen neuen Paradigma, und eine Rückkehr zur früheren Ära des „raw coding“ ist unwahrscheinlich
  • John Carmack sagte kürzlich, dass die besten Build-Tools sich künftig vom händischen Coden hin zu AI-gestützter Anleitung verschieben werden
    • Deshalb wird es für Engineers wichtiger, „product skills“ aufzubauen und die jeweils besten Tools zu nutzen
  • Software Engineering wird sich zunehmend zu Product Engineering weiterentwickeln

Was ist ein Product Engineer (PE)?

  • Eine kombinierte Rolle aus Product Manager und Full-Stack-Software-Engineer
  • Verantwortlich für den gesamten Produktlebenszyklus und direkt mit Erfolg oder Misserfolg des Produkts verbunden
  • Wichtige Merkmale eines Product Engineers:
    • AI Native: nutzt LLMs nicht als Zusatzfunktion, sondern als zentrales Werkzeug
    • T-shaped Skills: tiefe Engineering-Kompetenz bei gleichzeitig breitem Verständnis für Produkt, Daten und Design
    • Ergebnisorientierung: verantwortet KPIs wie Retention, Conversion Rate und Activation Rate
    • Autonome Umsetzungskraft: kann Ideen → Spezifikation → Design → Deployment mit minimaler Aufsicht umsetzen
  • Veränderungen in der Teamstruktur
    • Product Engineers bilden kleine, aber hochqualifizierte Lean Teams
    • Statt der klassischen Trennung in Frontend/Backend/Infra wird nach Produkten bzw. Features (feature squads) organisiert
    • Die Ausrichtung erfolgt nicht nach Stack, sondern nach Outcomes
    • Beispiel: Eine Person verantwortet Onboarding, eine andere Payments, eine weitere Notifications
    • Jede Person trägt End-to-End-Verantwortung für das gesamte Feature von UX bis zur Datenschicht
    • Die Struktur verschiebt sich also von „Frontend-/Backend-/Infra-Teams“ zu „eigenständigen Squads pro Feature“
  • Product Engineers haben zwei Seiten:
    • Produktseite (vor der Entwicklung, pre-development)
    • Engineer-Seite (Entwicklung und spätere Phasen, in/post-development)

The Product

  • Die produktseitige Rolle des Product Engineers überschneidet sich mit den Aufgaben eines traditionellen Product Managers und betrifft Planung und Ausrichtung des Produkts
  • Product Ideation
    • Der Prozess, zentrale Features, die Value Proposition und die Zielgruppe eines Produkts zu definieren und zu konkretisieren
    • Er schafft die Grundlage für die spätere Entwicklung, indem Daseinszweck und Zielkunden des Produkts klar festgelegt werden
  • Mind-mapping
    • Ideen oder Aufgaben, die aus einem zentralen Konzept entstehen, werden strukturiert und visualisiert, um das große Ganze zu verstehen
    • Dient als Werkzeug, um Ideen im Team zu teilen und weiterzuentwickeln
  • Brainstorming
    • Der Prozess, Ideen individuell festzuhalten und sie anschließend mit anderen zu teilen, um sie zu verbessern, zu ergänzen und zu validieren
    • Durch Zusammenarbeit werden Vielfalt und Kreativität der Ideen verstärkt
  • Discovery
    • Der Prozess, Kundenbedürfnisse zu erforschen und Marktchancen zu untersuchen, um ein Produkt zu finden, das Business-Ziele und User Value in Einklang bringt
    • Dazu gehören User Interviews, Wettbewerbsanalysen und Markt-Research
  • Selection
    • Entscheidung darüber, welche Features oder Projekte auf Basis strategischer Richtung, Business-Ziele, Kundenanforderungen und Markttrends priorisiert werden
    • Ziel ist es, innerhalb begrenzter Ressourcen die wirkungsvollste Umsetzung zu wählen
  • Market Analysis
    • Analyse des Marktumfelds, in dem das Produkt angesiedelt ist, einschließlich Wettbewerb, Marktgröße sowie Chancen und Risiken
    • Wird für Positionierung und Wachstumsstrategie genutzt
  • User Research
    • Der Prozess, Verhalten, Bedürfnisse und Pain Points der Nutzer tiefgehend zu verstehen
    • Liefert die Grundlage, um die User Experience datenbasiert zu verbessern
  • Product Design
    • Umfasst UI/UX-Design, Service Design, Interaction Design und User Testing
    • Durch Prototyping und iterative Tests wird eine benutzerfreundliche Erfahrung sichergestellt
  • Diese Aufgaben wurden traditionell von Product Managern übernommen, aber Product Engineers führen sie mit AI-Tools deutlich agiler aus
    • AI hat zwar Grenzen bei der Entstehung wirklich neuer Ideen, ist aber stark darin, bestehende Muster zu prüfen oder repetitive Denkprozesse zu ergänzen
    • Wichtig ist, dass die Produktvision vom Menschen geführt werden muss und AI als Sounding Board zum Verfeinern und Korrigieren von Ideen eingesetzt werden sollte

The Engineer

  • Die Engineer-Seite des Product Engineers ist die Phase, in der geplante Spezifikationen tatsächlich umgesetzt und implementiert werden
  • Sie umfasst vier Hauptbereiche:
    • Software Architecture: strukturelle Entscheidungen
    • System Design: Definition und Konkretisierung des Systems
    • Frontend Development: Umsetzung von visuellem Design und User Interface
    • Backend Development: Optimierung der Business-Logik und Datenbankdesign
  • Natürlich sind auch weitere Engineering-Themen wie Testing, Monitoring und AI-Integration wichtig, aber in den meisten Projekten hat es Priorität, SLC-Produkte (Simple, Lovable, Complete) schnell zu bauen und auszurollen
  • Coding-LLMs sind besonders stark in definierbaren und deterministischen (D&D) Umgebungen, weshalb der Beitrag von AI auf der Engineering-Seite größer ist

  • Planning

    • Planung ist der zentrale Schritt, um AI effektiv zu nutzen
    • Wenn die Projektabsicht in gut strukturierter Form als Anforderungen an AI übergeben wird, verbessert das langfristig die Codequalität deutlich
    • Durch das Definieren von Rules kann ein AI-Coder dauerhaft auf systemweite Leitlinien zugreifen
      • Zum Beispiel: Regeln zum Aktualisieren von Dokumentation, zum Festhalten von Architekturänderungen, für Code Style und Testkriterien
    • Beispielhafte Regelstruktur:
      • Synchronisierung von /docs, README und CHANGELOG
      • Erstellung eines ADR (Architecture Decision Record) bei wichtigen Änderungen an Dependencies oder Architektur
      • Generierung von API-Clients mit OpenAPI Generator unter Verwendung des TypeScript-axios-Templates
      • Datenzugriff über das Repository Pattern, standardisierte Error-Behandlung
      • Klare Definition von Unit-, Integrations- und E2E-Testkriterien
    • In den meisten IDEs lässt sich dies automatisch mit /Generate Cursor Rules erzeugen

  • Software Architecture

    • Architektur formt das Skelett der Codebase, und weil Änderungen teuer sind, muss früh sorgfältig entschieden werden
    • Zu berücksichtigen sind:
      • Monolithisch vs. Microservices, Serverless vs. Containerisierung
      • Dependency-Management, Definition von Integrationsgrenzen
      • Modularisierung und Separation of Concerns
      • Kommunikationsprotokolle wie REST, GraphQL, gRPC oder Event Bus
      • Skalierungsstrategien, etwa horizontale Skalierung
    • Rolle von AI:
      • Vergleich von Vor- und Nachteilen alternativer Architektur-Patterns
      • Erzeugung von Diagrammen mit Mermaid.js
      • Erstellung von ADR-Entwürfen
      • Die endgültige Entscheidung erfordert jedoch menschliches Urteilsvermögen und Domain-Expertise

  • System Design

    • System Design konkretisiert die Architektur und definiert sie als reale Services, Datenflüsse, State Machines und Interfaces
    • Wichtige Aufgaben:
      • Definition von APIs und Service-Grenzen
      • Datenmodellierung und Entwurf des Datenflusses zwischen Schichten
      • Strategien für Error Handling und Recovery
      • Modellierung von Statusübergängen und asynchronen Workflows
      • Erstellung von Design-Dokumenten und Prüfung von Edge Cases
    • Mögliche Nutzung von AI:
      • Erstellung erster Design-Entwürfe
      • Simulation von Concurrency-Problemen und Edge Cases
      • Ausarbeitung von API-Interfaces, Schemas und State Machines
      • Vergleich von Design-Patterns und Feedback dazu
      • Unterstützung bei der Design-Validierung wie ein „Junior Engineer“

  • Frontend Engineering

    • Das Frontend ist für visuelles Design und die Implementierung von Client-Funktionalität zuständig
    • Im JS-Ökosystem, insbesondere bei weit verbreiteten Frameworks wie React, ist die Leistung von AI besonders gut
    • Tipps zur Verbesserung der AI-Leistung:
      • Brand Guidelines wie Fonts, Farben, Abstände und Responsive-Regeln als Screenshots oder Dokumente an AI übergeben
      • Mit Tailwind-Config, CSS-Variablen usw. konsistenten UI-Code erzeugen
    • Auch Code-Konvertierung über Figma-to-code-Tools wie Tempo kann ausprobiert werden
    • Wenn man wiederkehrende Komponenten-Definitionen und Responsive-Regeln an AI weitergibt, wird es leichter, UI mit konsistenter Markenwirkung zu erstellen

  • Backend Engineering

    • Das Backend ist für Implementierung der Business-Logik, Datenbankdesign sowie Aufbau und Optimierung von APIs zuständig
    • AI ist besonders wirksam bei definierbaren und deterministischen Aufgaben (D&D)
    • Effektive Methoden:
      • Import von Dokumentation: API-Spezifikationen und technische Dokumente direkt in die IDE laden, damit AI darauf referenzieren kann und Halluzinationen reduziert werden
      • Nutzung von Workspaces: In Projekten mit getrenntem Frontend und Backend Ordner zusammenführen, um mehr Kontext zu geben und AI das Gesamtverständnis der Projektstruktur zu erleichtern

General Tips for the Product Engineer

  • Always work at the frontier

    • Es ist wichtig, immer die neuesten Modelle zu nutzen
    • Neuere Modelle können dank größerer Context Windows auch größere Projekte besser verstehen
    • Hinzu kommen Verbesserungen bei Reasoning, weniger Halluzinationen und höherer Stabilität

  • Use thinking mode

    • Wenn Thinking mode aktiviert ist, steigt die Qualität der Modellantworten deutlich
    • Wenn die Option vorhanden ist, sollte sie immer eingeschaltet werden
    • Falls nicht unterstützt, kann ein ähnlicher Effekt erzielt werden, indem im Prompt das Wort „ultrathink“ enthalten ist

  • Be hyper-specific

    • Anfragen an AI sollten konkret und präzise formuliert werden
    • Ziele, Constraints, Design-Entscheidungen, relevante Code-Snippets, Dateipfade und Komponentennamen sollten immer enthalten sein
    • Beispiele für gute Prompts:
      • Analytics-Tracking zum Formular in /src/pages/SignUp.tsx hinzufügen
      • Beim Klick des Users auf Submit über die Funktion trackEvent() das Event sign_up_started senden
      • Das Event muss debounced werden
      • Die E-Mail-Domain des Users (z. B. gmail.com) als Property mitgeben

  • Provide visual context

    • Bei Frontend-Arbeiten ist visueller Kontext besonders wichtig
    • Coding-LLMs können Bilder verstehen; wenn Design-Screenshots oder Captures von Fehlermeldungen durch Bugs beigefügt werden, kann AI Probleme schneller lösen

  • Work in small iterations

    • Statt AI große Aufgaben auf einmal zu geben, sollte man in kleinen Einheiten iterativ arbeiten
    • Effektiv ist es, zuerst Basisfunktionalität zu implementieren und sie dann schrittweise zu verbessern
    • Es ist sinnvoll, Prompts in mehrere klar definierte Anweisungen aufzuteilen

  • Stay curious

    • Im Internet gibt es unzählige Tipps und Beispiele zu Prompt Engineering
    • Wer an Communities oder relevanten Netzwerken teilnimmt, lernt aktuelle Techniken kennen und kann gute Nutzungsweisen schneller übernehmen

Closing thoughts

  • Trotz der AI-Revolution gibt es Fähigkeiten, die in naher Zukunft nicht ersetzt werden oder sogar noch wertvoller werden
  • Sicherheit im Umgang mit CLI-Tools (z. B. git)
    • Git ist das effizienteste Werkzeug für Versionsverwaltung und Nachverfolgung von Änderungen im Code
    • Da AI-generierter Code oft nicht zuverlässig ist, ist die Fähigkeit essenziell, auf frühere Zustände zurückzugehen oder neu zu starten
    • Daher wird Kompetenz im Umgang mit CLI-Tools wie Git immer wichtiger
  • Grundlegende Engineering-Kompetenz
    • Die Fähigkeit, Technical Debt zu managen und Modularisierung sowie Kapselung im Code aufrechtzuerhalten
    • AI kann die Konsistenz des Code-Stils, etwa bei Benennungsregeln, dem DRY-Prinzip oder Modularität, nicht immer sicherstellen
    • Deshalb wird die Fähigkeit von Engineers, grundlegende Prinzipien selbst einzuhalten, noch wertvoller
    • Langfristig ist aber Veränderung möglich, wenn AI immer mehr Code schreibt
  • Starke Kommunikationsfähigkeit
    • Die Fähigkeit, klare und strukturierte Dokumente, Prompts und Spezifikationen zu verfassen, hat einen starken Hebeleffekt
    • AI erschließt Absichten nicht wie ein Mensch, sondern führt nur aus, was angewiesen wurde, daher ist Klarheit essenziell
    • Gute Spezifikationen, sauber definierte Prompts und systematische Dokumentation steigern Produktivität und Qualität der Ergebnisse
  • Machtverschiebung in Organisationen
    • Technische Arbeit wird zunehmend von AI übernommen, weil sie gut zur D&D-Natur (Definable & Deterministic) passt
    • Je günstiger und allgemeiner umsetzbar Execution wird, desto wertvoller wird die Fähigkeit, AI zu steuern und Ergebnisse für Führungskräfte und Shareholder zu verpacken
    • In großen Unternehmen ist der eigentliche Ausführungsprozess oft unsichtbar, während nur das Ergebnis kommuniziert wird; strategische Vermittlung und Ergebnisdarstellung bestimmen daher den Einfluss
    • Es ist gut möglich, dass Manager, die Arbeit ausrichten und kommunizieren, mehr Macht erhalten als diejenigen, die Technik direkt umsetzen
  • Ausblick auf veränderte Organisationsstrukturen
    • Je neuer ein Unternehmen bzw. Startup ist, desto schneller wird sich die Rolle des Product Engineers durchsetzen
    • Wenn AI im Wachstum zunehmend autonom wird, könnte sich die traditionelle Struktur des PM–Designer–Engineer-Dreiecks abschwächen
    • Stattdessen könnte eine neue Teamtopologie entstehen: kleine Pods unter Führung produktstarker Product Engineers zusammen mit AI-Copilots, die den gesamten Stack unterstützen

References

Verwandte Beiträge

8 Kommentare

 
devstudyman7 2025-09-10

Effizientes Template-Generating benötigt keine Tokens.
Die Nachteile von Vibe Coding sind eindeutig vorhanden. Tokens sind nur wegen eines Preiskampfs billig, aber ich habe auch das Gefühl, dass die Grenzen des Promptings beim Vibe Coding klar sind. Im Artikel wird vom Ende gesprochen, aber persönlich sehe ich das nicht so. Nicht jeder kann ein Prompting-Experte werden. Ich denke auch, dass Vibe Coding selbst ersetzt werden wird.
 
karthus321 2025-09-09

Bei großen Unternehmen muss neue Entwicklung auf Legacy-Code aufsetzen, der über viele Jahre hinweg geschrieben wurde. Ich weiß nicht, wie PMs/POs, die schon mit Kommunikation und Incentive-Alignment ausgelastet sind, allein mit Vibe-Coding auch noch die Entwicklung abdecken sollen. Bei kleinen Unternehmen könnte das möglich sein.
 
mixed 2025-09-02

Wenn man ein wenig darüber nachdenkt: Wenn es so funktioniert wie hier, fragt man sich schon, ob dafür überhaupt noch Menschen nötig sind.
Ich habe das Gefühl, dass vielleicht auch Product Engineer AI möglich wäre.
 
feel5ny 2025-09-02

Geht es schneller, wenn ein PO Entwicklung lernt, oder wenn ein Entwickler die Rolle des PO lernt?
 
kwon5604 2025-09-02

Es ist schwer, das zu verallgemeinern, aber insgesamt schienen viele POs, PMs und Designer die Perspektive zu haben, dass die Weiterentwicklung von AI mehr Chancen für POs und PMs eröffnet hat.

Umgekehrt hatten viele Entwickler offenbar die Erwartung, dass sie durch die Weiterentwicklung von AI Produkte auch ohne PO, PM oder Designer allein besser entwickeln können.

Wie es sich in Zukunft entwickeln wird, müssen wir wohl noch abwarten haha
 
jmonaco 2025-09-01

Sehr guter Inhalt, und ich kann mich damit stark identifizieren.
Seit zwei Jahren verfolge ich diesen Ansatz beim Aufbau meiner Karriere, und da der umsetzbare Rahmen je nach Größe der Organisation begrenzt ist, habe ich dabei auch persönliche Trial-and-Error-Erfahrungen gemacht. Die bisherigen Ergebnisse sind sehr gut.
 
tested 2025-09-01

Es wirkt so, als wäre das eine Rolle, in der PM/PO mit Vibe Coding sogar die gesamte Entwicklung übernimmt.
 
howudoin 2025-09-01

Ein sehr wichtiger Punkt. In der Praxis ist das jedoch äußerst schwierig. Gefühlt gibt es in jeder Organisation immer einen gewissen Anteil an Menschen, die mit Begeisterung auf einen hohen Grad an Vollendung hinarbeiten wollen. PE umfasst faktisch auch Personalführung. Das heißt, es hängt nicht nur stark von den individuellen Fähigkeiten ab, sondern auch sehr stark von der Fähigkeit der Organisation, ihre Unternehmenskultur zu gestalten.