> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/de/2025/w19-notebooklm-deepwiki-and-ai-products.md).

# W19-NotebookLM, DeepWiki und KI-Produkte

Zuletzt nutzte ich Werkzeuge wie NotebookLM und DeepWiki, um Informationen zu ordnen. NotebookLM ist als Arbeitsumgebung gestaltet und erinnert an eine IDE. Übertragen auf den Arbeitsalltag könnte eine Umgebung, die interne Quellen wie dx, ones, code und km frei verbindet, unsere Effizienz meiner Ansicht nach vervielfachen. Nach der Lektüre der OODA-Methode sehe ich KI vor allem als Beschleuniger dieses Kreislaufs, besonders bei Observe und Orient, also Beobachtung und Einordnung. Sie hilft, wichtige Informationen schneller herauszuarbeiten und zu verstehen, Denkrahmen aufzubauen und dadurch häufiger Strategien und Entscheidungen anzupassen. Bei einer COE-Retrospektive müsste sich die verantwortliche Person dann etwa nur noch auf Ursachen und Lehren konzentrieren. Zeitlinien und andere Informationen wären automatisch ausgefüllt. Jeder könnte jederzeit tief in einen Vorfall einsteigen. Das wäre echtes Fallstudium.

Ich empfehle die Folge von Lenny’s Podcast mit dem CPO von OpenAI. Sie bietet hervorragende Einsichten aus Produktsicht. Wer Zeit sparen möchte, kann NotebookLM nutzen. Drei Punkte blieben mir besonders im Gedächtnis.

1. Der technische Stack, auf dem Produkte beruhen, verändert sich. Regelbasierte Systeme mit festem Input und festem Output werden durch Modelle mit probabilistischen Ausgaben ergänzt oder ersetzt. Die Modelle entwickeln sich extrem schnell. Alle zwei Monate können Computer etwas, das vorher nicht ging. Das heutige Modell ist das schlechteste, das man künftig noch benutzt haben wird. Produktdenken und Takt müssen sich laufend anpassen.
2. Evals werden zu einer Kernfähigkeit von Produktmanagern. Wie in Yao Shunyus „zweiter Hälfte der LLM-Ära“ geht es nicht nur darum, Modelle zu testen, sondern das gesamte technische System an konkreten Problemen zu messen. Produkte müssen passende Modellanwendungen um reale Probleme herum entwickeln, statt darauf zu warten, dass Modelle alles können.
3. KI erzeugt nicht mit einem Klick die endgültige Idee. Sie beschleunigt die Umsetzung im Arbeitsprozess. Sie liefert rasch mehrere Varianten, die Produzenten wiederholt testen, kombinieren und verfeinern können. Die eigentliche Produktivitätssteigerung entsteht aus diesem gemeinsamen Kreislauf von Mensch und KI.