17. Juni 2026Aktualisiert am Fathy Shalaby11 Min. Lesezeit
Der AI-native Stack für technische PMs: Tools nach Schicht für 2026
Ein praxisnaher AI-nativer Stack für technische PMs: sechs Schichten von Kundenbelegen bis zu Coding-Agents, die echten Tools in jeder Schicht, was sie im November 2026 kosten und wie MCP und AGENTS.md sie verbinden.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Der AI-native Stack für technische PMs ist eine Sammlung von Tools in sechs Schichten: Kundenbelege erfassen, Verhalten messen, entscheiden und spezifizieren, prototypen, mit Coding-Agents bauen und alles so verbinden, dass Agents den Kontext lesen können. AI-nativ wird er nicht durch die Zahl der KI-Funktionen, sondern dadurch, ob jede Schicht ihre Daten offenlegt, meist über MCP, damit ein Agent schichtübergreifend arbeiten kann.
Das Wichtigste in Kürze
Die Arbeit hat sich vom Weitergeben von Informationen zum Beurteilen verschoben. 85 % der Produktorganisationen nutzen KI für die Produktarbeit und 88 % setzen KI-Coding-Assistenten ein (Product Institute, 2026).
Verbindung schlägt Funktionsumfang. Linear, PostHog, Granola, Dovetail, Productboard und ChatPRD bieten inzwischen alle MCP-Zugriff, sodass Coding-Agents sie direkt abfragen können.
Ein solo arbeitender technischer Gründer kommt mit rund 20–65 $ im Monat an Tool-Gebühren für einen Kern-Stack aus; ein Team mit 5 Personen zahlt einige Hundert, meist für Pläne pro Nutzer.
Das Vertrauen bleibt gering. 46 % der Entwickler:innen misstrauen der Genauigkeit von KI (Stack Overflow, 2025), deshalb braucht der Stack einen Review-Schritt und nicht nur Generierung.
Preise ändern sich oft. Jeder Preis unten wurde im November 2026 auf der Seite des Anbieters geprüft.
Was ist ein AI-nativer Stack für technische PMs?
Ein AI-nativer Stack ist einer, in dem die Tools Kontext untereinander und mit KI-Agents teilen, statt dass die PM Informationen von einem Tool ins nächste kopiert. In einem aufgesetzten Stack hat jedes Tool seinen eigenen KI-Assistenten, der nur die eigenen Daten sieht. In einem AI-nativen Stack kann ein Agent ein Interviewzitat, eine Analytics-Abfrage und eine frühere Entscheidung in einem Brief zusammenführen.
Das Institute of Product Leadership beschreibt denselben Wandel als Übergang von einem Lebenszyklus in Phasen zu „einem kontinuierlich laufenden Entscheidungssystem“, in dem die PM von der Aufgabenverwaltung zur Urteilskraft auf Systemebene wechselt (Institute of Product Leadership, 2026). Technische PMs sind dafür gut aufgestellt, denn die Arbeit sieht heute aus wie der Entwurf einer Pipeline: was hineingeht, was geprüft wird, was herauskommt.
Warum sind verbundene Daten wichtiger als ein einzelnes Tool?
Weil der langsamste Schritt meist das Finden der richtigen Information ist und nicht das Erzeugen von Output. In Atlassians Umfrage von 2025 unter 3.500 Entwickler:innen und Führungskräften war das Finden von Informationen der größte Zeitfresser, und 50 % verloren 10 oder mehr Stunden pro Woche durch organisatorische Ineffizienz (Atlassian, 2025). Jedes Tool, das du ohne Anbindung hinzufügst, verschlimmert das.
Welche Tools gehören in welche Schicht des Stacks?
Hier ist der AI-native Stack für technische PMs Schicht für Schicht, mit echten Tools und Fakten, die im November 2026 auf den Anbieterseiten geprüft wurden. Die Beispiele sind gängige Optionen, kein Ranking.
Schicht
Aufgabe
Beispiel-Tools
Geprüfter Fakt
1. Belege erfassen
Gespräche aufzeichnen, Interviews und Feedback mit Quellen speichern
Granola, Dovetail
Granola Business 14 $/Nutzer/Monat mit MCP; Dovetail Bronze 4.800 $/Jahr pauschal, bis zu 5 Nutzer (bald verfügbar)
2. Verhalten messen
Produkt-Analytics, Feature Flags, Experimente
PostHog
MCP-Server funktioniert mit Claude Code, Cursor, Codex und VS Code
3. Entscheiden und spezifizieren
Belege mit Entscheidungen verknüpfen, Specs entwerfen, Arbeit nachverfolgen
Productboard, ChatPRD, Linear
Linear MCP in allen Plänen; ChatPRD Pro 15 $/Monat mit MCP; Productboard Spark in jedem Plan
4. Prototypen
Aus einem Brief eine klickbare App zum Testen machen
v0, Lovable
v0 Free: 7 Nachrichten/Tag; Lovable Free: bis zu 30 Build-Credits im Monat
5. Bauen und prüfen
Coding-Agents, die implementieren und Pull Requests öffnen
Claude Code, Cursor, GitHub Copilot
Claude Code ab Claude Pro für 20 $/Monat enthalten; Copilot Pro 10 $ mit Coding-Agent
6. Verbinden
Gemeinsamer Kontext für Agents über alle Schichten
MCP, AGENTS.md
MCP als offener Standard seit Nov. 2024; AGENTS.md in mehr als 60.000 Open-Source-Projekten
Schicht 1: Belege erfassen
Granola zeichnet Meetings auf und fasst sie zusammen. Der Basic-Plan ist kostenlos mit 30 Tagen Verlauf; Business kostet 14 $ pro Nutzer und Monat mit unbegrenztem Verlauf, Integrationen wie Notion und HubSpot und MCP-Zugriff auf Notizen im gesamten Workspace (Granola). Dovetail ist ein Research-Repository. Der neue Bronze-Plan steht mit pauschal 4.800 $ im Jahr für bis zu 5 Nutzer plus Nutzungs-Credits zu je 15 Cent in der Liste, enthält Agents und MCP und war bei der Prüfung als „coming soon“ markiert (Dovetail).
Worauf du achten solltest: Behält jede Zusammenfassung einen Link zum rohen Transkript? Belege ohne Quelle lassen sich später nicht überprüfen.
Schicht 2: Verhalten messen
PostHog vereint Produkt-Analytics, Session Replay, Feature Flags und Experimente. Der gehostete MCP-Server lässt einen Agent Abfragen ausführen, Feature Flags und Experimente verwalten und Fehler triagieren, und zwar aus Claude Code, Cursor, Codex, VS Code und anderen MCP-Clients heraus (PostHog). Für eine technische PM heißt das: Du fragst „Wie viele Trial-Nutzer haben das Setup letzte Woche abgeschlossen?“ in derselben Agent-Session, in der gerade der Onboarding-Code bearbeitet wird.
Schicht 3: Entscheiden und spezifizieren
Diese Schicht hält Agents auf das richtige Problem ausgerichtet. Ohne sie werden Tracker und Chatverlauf zur Spec. Die Optionen unterscheiden sich darin, was sie verbinden:
Linear verwaltet Issues und Projekte. Free, Basic (10 $) und Business (16 $ pro Nutzer und Monat, jährlich abgerechnet) enthalten alle MCP-Zugriff und den Linear Agent; der Cloud-Coding-Agent braucht KI-Credits (Linear).
Productboard organisiert Feedback und Roadmaps. Für die Pläne Business und Enterprise veröffentlicht es keine Preise; die KI Spark ist in jedem Plan enthalten, und Business enthält einen MCP-Server (Productboard).
ChatPRD entwirft PRDs. Pro kostet 15 $ im Monat mit MCP-Konnektoren und Übergabe an v0, Cursor und Lovable; Teams kostet 29 $ pro Platz und Monat (ChatPRD).
Schicht 4: Prototypen
v0 bietet eine kostenlose Stufe mit 7 Nachrichten pro Tag; Plus kostet 30 $ pro Nutzer und Monat mit 30 $ monatlichem Guthaben (v0). Der kostenlose Plan von Lovable enthält 5 Build-Credits pro Tag, bis zu 30 im Monat (Lovable). Nutze diese Tools, um einen Ablauf mit Nutzer:innen zu testen, nicht um Produktionscode ohne Review auszuliefern.
Schicht 5: Mit Coding-Agents bauen und prüfen
Claude Code ist Anthropics agentisches Coding-Tool. Es läuft im Terminal, in IDEs, in einer Desktop-App und im Browser; liest zu Beginn jeder Session eine CLAUDE.md- oder AGENTS.md-Datei; verbindet sich über MCP mit Tools und unterstützt Subagents, Hooks und geplante Aufgaben (Claude Code docs). Es ist ab Claude Pro (20 $ im Monat, oder 17 $ bei jährlicher Abrechnung) enthalten, nicht aber im kostenlosen Plan (Claude pricing).
Cursor beschreibt sich selbst als Coding-Agent, mit parallel laufenden Agents, Cloud-Agents, einer CLI und Code-Review (Cursor). Team-Pläne beginnen bei 30 $ pro Nutzer und Monat (Cursor pricing).
GitHub Copilot hat eine kostenlose Stufe mit 2.000 Completions im Monat, aber ohne Coding-Agent. Pro (10 $), Pro+ (39 $) und Max (100 $) enthalten einen Coding-Agent, dem du Arbeit zuweisen kannst und der einen Pull Request öffnet (GitHub).
Schicht 6: Die Schichten verbinden
Zwei offene Standards leisten den Großteil der Arbeit. Das Model Context Protocol (MCP), im November 2024 von Anthropic veröffentlicht, lässt KI-Tools sich mit externen Datenquellen verbinden (Anthropic, 2024). AGENTS.md ist eine einfache Datei mit Anweisungen für Coding-Agents, die über 60.000 Open-Source-Projekte nutzen und die Tools wie Codex, Cursor, der Coding-Agent von GitHub Copilot und Gemini CLI lesen (agents.md).
Beispielhafte monatliche Tool-Kosten zu Listenpreisen, geprüft im November 2026 (USD, sofern nicht anders angegeben; vor dem Kauf nachprüfen):
Setup
Tools
Ungefähre Monatskosten
Solo-Gründer mit technischem Hintergrund, schlank
Claude Pro (monatlich), Granola Basic, Linear Free, v0 Free, Copilot Free
Etwa 20 $
Solo-Gründer, mit Spec-Entwurf und Prototyping
Wie oben plus ChatPRD Pro und v0 Plus
Etwa 65 $
Team mit 5 Personen
Claude Team Standard ×5 (25 $ monatlich), Linear Business ×5 (16 $, jährlich abgerechnet), Granola Business ×5 (14 $), v0 Plus ×2 (30 $)
Etwa 335 $
PostHog und ein Produkt für die Entscheidungsschicht kommen noch hinzu. Die meisten dieser Tools werden pro Platz abgerechnet, ein Team mit 10 Personen verdoppelt die Rechnung also ungefähr. Wo es eine Option mit Pauschalpreis gibt, vergleiche sie mit der Summe der Preise pro Platz für die Teamgröße, die du in einem Jahr erwartest.
Wie richtest du den Stack in einer Woche ein?
Tag 1: Den Product Brief schreiben. Eine Seite: wen du bedienst, das Problem, das Ergebnis dieses Quartals, Nicht-Ziele, Rahmenbedingungen. Committe eine Kurzfassung in die AGENTS.md oder CLAUDE.md.
Tag 2: Analytics anbinden. Füge deinen Analytics-MCP-Server zu deinem Coding-Agent hinzu und stelle drei echte Fragen, die du jede Woche stellst.
Tag 3: Belege mit Quellen erfassen. Richte Meeting-Notizen für Kundengespräche ein. Prüfe, dass jede Zusammenfassung zum Transkript zurückverlinkt.
Tag 4: Eine Entscheidungsschicht wählen. Lege fest, wo Entscheidungen und ihre Belege liegen, und verbinde sie mit deinem Tracker und deinem Coding-Agent.
Tag 5: Eine Wette von Anfang bis Ende durchspielen. Schreibe einen klar begrenzten Brief, lass den Agent bauen, prüfe den Pull Request gegen den Brief, liefere an eine kleine Gruppe aus und halte fest, was du messen wirst.
Wenn ein Schritt ein Tool braucht, das du nicht hast, überspringe ihn und notiere die Lücke. Ein AI-nativer Stack für technische PMs wird an seinen Verbindungen gemessen: Fünf verbundene Tools schlagen zwölf isolierte.
Was sollte eine technische PM weiterhin von Hand tun?
Das Problem wählen, die Messlatte setzen und das Ergebnis prüfen. Die Daten sprechen dafür, das bei Menschen zu lassen: In der Umfrage des Product Institute berichteten 50 % der Produktverantwortlichen von hoher KI-Wirkung im Engineering, aber nur 17 % bei strategischer Planung und Roadmapping (Product Institute, 2026). Der Stack macht Belege und Output billig; Urteilskraft macht er nicht billig.
In der Praxis heißt das drei Gewohnheiten. Lies rohe Kundenbelege, nicht nur Zusammenfassungen. Schreibe die Abnahmekriterien, bevor der Agent startet. Prüfe den Pull Request des Agents gegen das ursprüngliche Problem, nicht nur danach, ob die Tests bestehen. Die vollständige Rolle beschreibt was ein AI Product Manager tut.
KI-Funktionen kaufen statt Verbindungen. Fünf Tools mit getrennten Assistenten lassen dich trotzdem zwischen ihnen hin- und herkopieren.
Agents am ersten Tag Schreibzugriff geben. Starte mit reinem Lesezugriff auf Analytics und Tracker. Schreibzugriff kommt nach einigen Wochen mit geprüftem Output dazu.
Die Entscheidungsschicht überspringen. Ohne sie bauen Agents nach der letzten Nachricht in Slack.
Den schleichenden Anstieg pro Platz ignorieren. Bei 10 Personen können Tools pro Platz ein Vielfaches des Solo-Setups kosten.
Den Datenstandort vergessen. Wenn du EU-Kunden bedienst, prüfe vor dem Anbinden, wo jedes Tool Gesprächsaufzeichnungen und Feedback speichert.
Generierte Specs ungelesen vertrauen. Wenn 46 % der Entwickler:innen der Genauigkeit von KI misstrauen, ist eine ungeprüfte Spec ein Risiko und keine Abkürzung.
Wo Specky ins Bild passt
Specky sitzt in der Schicht „entscheiden und spezifizieren“. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, entwirft PRDs und Tickets mit den Kundenbelegen direkt im Text zitiert und prüft nach dem Launch, ob die Wette aufgegangen ist. Über den MCP-Server von Specky können MCP-kompatible Coding-Agents diesen Kontext lesen (so verbinden sich Agents). Workspace-Daten liegen in Frankfurt, während die KI-Inferenz auf Google Gemini in den USA läuft (Details zur Sicherheit). Die Preise sind pauschal pro Plan statt pro Platz, ab 99 € im Monat (Pläne). Wenn du bereits Productboard nutzt, findest du den direkten Vergleich mit Productboard.
Häufig gestellte Fragen
Welche Tools braucht eine technische PM 2026?
Eine technische PM braucht ein Tool in jeder von sechs Schichten: Belegerfassung (etwa Granola oder Dovetail), Analytics (etwa PostHog), eine Schicht für Entscheidungen und Specs, ein Prototyping-Tool (etwa v0 oder Lovable), einen Coding-Agent (etwa Claude Code, Cursor oder GitHub Copilot) und Verbindungen dazwischen über MCP und AGENTS.md. Wenige verbundene Tools schlagen viele isolierte.
Ist Claude Code oder Cursor besser für Product Manager?
Beide funktionieren; die Wahl hängt davon ab, wo du gern arbeitest. Claude Code läuft im Terminal, in IDEs, in einer Desktop-App und im Browser und ist ab Claude Pro für 20 $ im Monat enthalten. Cursor ist ein Coding-Agent rund um den Editor, mit parallelen Agents und Cloud-Agents. Beide lesen AGENTS.md und verbinden sich mit MCP-Servern, dein Produktkontext geht also nicht verloren.
Was ist MCP und warum sollte es eine PM interessieren?
MCP, das Model Context Protocol, ist ein offener Standard, der im November 2024 veröffentlicht wurde und KI-Tools mit externen Datenquellen verbindet. Für eine PM heißt das: Ein Coding-Agent kann Analytics, Issues oder Kundenbelege direkt abfragen, statt sich auf eingefügten Text zu verlassen. Linear, PostHog, Granola, Productboard und weitere bieten inzwischen MCP-Zugriff.
Wie viel sollte ein kleines Team für KI-Tools ausgeben?
Zu den Listenpreisen vom November 2026 kommt ein solo arbeitender technischer Gründer mit etwa 20 $ im Monat für einen Basis-Stack aus und mit etwa 65 $ für einen umfangreicheren. Ein Team mit fünf Personen gibt typischerweise einige Hundert Dollar im Monat aus, vor allem für Tools pro Platz. Prüfe, ob die Preisgestaltung pro Platz oder pauschal ist, bevor das Team wächst.
Brauchen technische PMs noch Jira oder Linear?
Ja, in den meisten Teams. Ein Tracker enthält den Umsetzungsplan, mit dem Engineers und Agents arbeiten. Linear bietet in jedem Plan MCP-Zugriff, sodass Agents Issues lesen und aktualisieren können. Neu ist, dass der Tracker nicht mehr der Ort ist, an dem Entscheidungen und Belege liegen; die gehören in eine Schicht, die zu den Kunden zurückverlinkt.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing