4. November 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Fragen für Product-Discovery-Interviews: Ein Leitfaden für KI-Produkte
Ein 25-minütiger Interviewleitfaden für Gründer, Product Engineers und PMs, die eine KI-Produktidee testen: aktuelles Verhalten, Workarounds, Vertrauen und was passiert, wenn das Ergebnis falsch ist.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Gute Fragen für Product-Discovery-Interviews bitten Menschen, eine aktuelle, echte Aufgabe zu rekonstruieren: was sie ausgelöst hat, was sie getan haben, wo es hakte, was der Workaround gekostet hat und, bei KI-Produkten, wo sie Automatisierung akzeptieren würden und wie sie das Ergebnis prüfen würden. Sie beginnen nie mit „Würdest du eine KI nutzen, die …“. Der Leitfaden unten dauert 25 Minuten und endet mit einer Zusage, nicht mit einem Kompliment.
Die wichtigsten Erkenntnisse
Frag nach dem letzten Mal, nicht nach dem üblichen Mal. Teresa Torres warnt, dass allgemeine Fragen dazu führen, dass Menschen ihre Gewohnheiten überschätzen, weil sie die Ausnahmen vergessen (Product Talk).
KI-Produkte brauchen zusätzliche Fragen zu Verifikation und Fehlern. Selbst unter Entwicklern nutzen 84 % KI-Tools oder planen es, doch mehr misstrauen der Genauigkeit von KI (46 %), als ihr zu vertrauen (33 %) (Stack Overflow, 2025).
Fünf bis sechs Interviews pro enges Segment sind ein sinnvoller Anfang; in einer klassischen Studie tauchten 34 von 36 häufigen Themen schon in den ersten 6 Interviews auf (NN/g, 2021).
Bewerte Interviews nach Verhalten und Zusagen, niemals nach der Zahl der „Ja“-Antworten.
Beende jede Runde mit einer von vier Entscheidungen: untersuchen, prototypen, eine Nicht-KI-Alternative testen oder stoppen.
Ein KI-Coding-Tool kann eine Idee an einem Nachmittag in einen funktionierenden Prototyp verwandeln. Diese Geschwindigkeit sagt nichts darüber aus, ob das Problem häufig, wichtig oder für KI geeignet ist. Die meisten Ideen scheitern im Test: Bei Microsoft verbesserte nur etwa ein Drittel der gut gestalteten Experimente die Kennzahl, auf die sie zielten (Kohavi, Crook & Longbotham, 2009). Eine Handvoll fokussierter Gespräche hilft dir zu entscheiden, welchen Prototyp du baust und welchen du lässt.
KI fügt der üblichen Frage „Ist das ein echtes Problem?“ eine zweite hinzu: „Würden Menschen der Software diesen Teil anvertrauen, und was passiert, wenn sie falsch liegt?“ Die Umfrage von User Interviews 2025 ergab, dass 80 % von 485 Forschenden KI nutzen, 91 % aber Bedenken wegen Genauigkeit und Halluzinationen haben (). Deine Nutzer werden ähnliche Zweifel haben. Im Interview findest du heraus, welche davon die Einführung blockieren.
Dieser Leitfaden funktioniert für Solo-Gründer, Product Engineers und PMs. Die gesamte Discovery-Abfolge drumherum findest du im Leitfaden zum Product-Discovery-Prozess.
Lege die Entscheidung fest, bevor du Fragen schreibst
Schreib auf, welche Entscheidung du nach den Interviews treffen möchtest:
Sollen wir das KI-gestützte Entwerfen von Support-Antworten prototypen?
Welcher Schritt im aktuellen Workflow verursacht die meiste Nacharbeit?
Braucht der Nutzer eine generierte Antwort oder einen schnelleren Weg, die richtigen Informationen zu finden und zu prüfen?
Was braucht menschliche Freigabe, bevor ein KI-System handeln darf?
Schreib dann die Annahme dahinter auf. „Support-Leads verlieren Zeit, weil sie alte Tickets durchsuchen, bevor sie ein neues Anliegen beantworten“ ist testbar. „Support-Teams brauchen KI“ ist es nicht. Wenn keine mögliche Antwort deinen nächsten Schritt ändern würde, ist der Interviewplan noch nicht reif.
Der 25-minütige Interviewleitfaden für Product Discovery
Erkläre, dass du den Workflow erforschst und kein Produkt verkaufst. Frag um Erlaubnis, bevor du aufzeichnest, und erfasse keine sensiblen Details, die du nicht brauchst. Die Interview-Richtlinien von GOV.UK stellen die Einwilligung an den Anfang, vor alle Fragen (GOV.UK). Dort dauern Sitzungen zwischen 30 Minuten und 2 Stunden; 25 Minuten genügen für einen Workflow und sind leichter zu rekrutieren; Torres rät, um wenig Zeit zu bitten, und ihre Beispielanfrage nennt 20 Minuten (Product Talk).
1. Kontext klären (3 Minuten)
„Kannst du mir deine Rolle und den Teil dieses Workflows schildern, den du verantwortest?“
„Wann hast du diese Aufgabe zuletzt erledigt?“
„Was war los, dass sie nötig wurde?“
Bitte um ein aktuelles Beispiel, nicht um die Beschreibung des idealen Prozesses.
2. Das letzte Mal rekonstruieren (8 Minuten)
„Was hast du zuerst gemacht?“
„Welche Tools oder Personen waren beteiligt?“
„Wo hast du festgesteckt, gewartet oder Arbeit wiederholt?“
„Was hast du gemacht, als der normale Weg nicht funktionierte?“
„Was ist daraus geworden?“
Folge dem Ablauf. Sagt jemand „Ich brauche eine bessere KI-Zusammenfassung“, frag, was er entscheiden wollte, was er vorher gelesen hat und was er danach getan hat. Die eigentliche Aufgabe kann Suche, Vergleich, Freigabe oder Kommunikation sein statt Zusammenfassen.
3. Workaround und seine Kosten verstehen (5 Minuten)
„Wie gehst du heute damit um?“
„Wie oft ist das zuletzt vorgekommen?“
„Was hast du schon ausprobiert?“
„Was kostet der Workaround an Zeit, Geld, Risiko oder verpassten Chancen?“
„Wer ist noch betroffen?“
Frag nicht nach exakten Jahreskosten, wenn die Person sie nie erfasst hat. Frag, was sich beim letzten Auftreten des Problems verändert hat.
4. Erkunden, wo KI helfen könnte (5 Minuten)
Erst wenn der aktuelle Workflow klar ist:
„Welchen Schritt würdest du, wenn überhaupt, von Software erledigen lassen wollen?“
„Wo wünschst du dir einen Vorschlag, willst die Entscheidung aber selbst treffen?“
„Welche Informationen bräuchte ein System, um dir ein brauchbares Ergebnis zu liefern?“
„Wann müsstest du das Ergebnis mit seiner Quelle abgleichen?“
„Was ist die Folge, wenn das Ergebnis falsch ist?“
„Was sollte das System niemals ohne deine Freigabe tun?“
Frag nicht „Würdest du dafür KI nutzen?“. Menschen stimmen Konzepten zu, ohne ihr Verhalten zu ändern. Frag nach der Aufgabe, dem akzeptablen Maß an Prüfung und dem Fehler, der sie aufhören ließe. Googles People + AI Guidebook, erstmals 2019 veröffentlicht, gruppiert seine Designmuster um dieselben Themen: wann man KI einsetzt, wie man sie erklärt, wie man Vertrauen kalibriert, wie man Kontrolle und Automatisierung ausbalanciert und wie man mit Fehlern umgeht.
5. Einen Prototyp anhand einer Aufgabe testen (optional, ersetzt einen Teil von Schritt 4)
Wenn du einen Prototyp hast, lass die Feature-Tour weg. Gib eine realistische Aufgabe und beobachte:
Was probieren sie zuerst?
Was erwarten sie, dass passiert?
Wo zögern sie oder korrigieren das System?
Welche Belege suchen sie, bevor sie handeln?
Was würden sie tun, wenn das Ergebnis unvollständig oder falsch wäre?
Frag „Was hast du hier erwartet?“ statt „Gefällt dir das?“. Wenn du sie durch die Oberfläche führen musst, notiere, was sie getan haben, bevor du es erklärt hast.
6. Mit einem konkreten nächsten Schritt abschließen (4 Minuten)
„Was müsste wahr sein, damit du das in deinem Workflow ausprobierst?“
„Was würde dich davon abhalten, es zu nutzen?“
„Wer müsste es noch freigeben oder übernehmen?“
„Können wir nachfassen, nachdem du die nächste Version an einer echten Aufgabe ausprobiert hast?“
Ein vereinbarter Folgetermin, Zugang zu einem repräsentativen Workflow oder die Bereitschaft, mit echten Daten zu testen, ist ein stärkerer Beleg als ein höfliches Kompliment. Es bleibt trotzdem ein einzelnes Signal; vergleiche es zwischen Personen und mit den Wechselkosten. Rob Fitzpatricks The Mom Test behandelt genau dieses Problem: verzerrtes Feedback zu vermeiden und herauszufinden, ob jemand wirklich kauft.
Welche Fragen sind speziell für KI-Produkte?
Standard-Discovery-Interviews decken die Aufgabe, den Auslöser, den Workaround und die Kosten ab. KI-Produkte bringen vier Risiken mit, die eigene Fragen brauchen:
Risiko
Frage
Wie eine Warnantwort klingt
Verfügbarkeit der Eingaben
„Wo liegen die Informationen für diese Aufgabe heute? Wer hat Zugriff?“
„Das meiste steckt in den Köpfen der Leute“
Prüfaufwand
„Wie würdest du prüfen, dass das Ergebnis stimmt? Wie lange würde das dauern?“
„Ich müsste alles nochmal machen, um es zu prüfen“
Fehlerfolgen
„Was ist passiert, als diese Aufgabe das letzte Mal falsch erledigt wurde?“
„Wir haben einen Kunden verloren“ (hoher Einsatz, braucht Freigabeschritte)
Kontrollgrenze
„Welchen Teil würdest du Software nie allein erledigen lassen?“
Alles nach dem ersten Entwurf
Vertrauensgeschichte
„Welche andere Automatisierung hast du dafür probiert? Warum hast du aufgehört?“
„Es war fast richtig, deshalb habe ich ihr nicht mehr vertraut“
Die letzte Antwort ist häufig. In der Stack-Overflow-Umfrage 2025 nannten 66 % der Entwickler „KI-Lösungen, die fast richtig, aber nicht ganz richtig sind“ als größte Frustration (Stack Overflow, 2025). Wenn deine Nutzer fürs Prüfen des Ergebnisses so lange brauchen wie für die Aufgabe selbst, lohnt sich die KI-Version womöglich nicht. Für Workflows mit höherem Risiko ist das freiwillige AI Risk Management Framework des NIST, veröffentlicht am 26. Januar 2023 und am 26. Juli 2024 um ein Generative-AI-Profil erweitert, eine nützliche Checkliste dafür, wonach du beim Risiko fragen solltest.
Welche Interviewfragen erzeugen verzerrte Antworten?
Vermeiden
Stattdessen fragen
„Würdest du ein KI-Tool nutzen, das das macht?“
„Wie bist du damit umgegangen, als es das letzte Mal passiert ist?“
„Würde dir das Zeit sparen?“
„Was hast du vor und nach diesem Schritt gemacht?“
„Gefällt dir dieses Feature?“
„Was würdest du als Nächstes versuchen?“
„Würdest du X $ zahlen?“
„Wie bezahlst du den aktuellen Workaround oder wie ist er besetzt?“
„Löst das dein Problem?“
„Welcher Teil deiner aktuellen Aufgabe würde sich ändern, und was bliebe?“
„Findest du es nicht frustrierend, wenn …?“
„Erzähl mir vom letzten Mal, als das passiert ist.“
„Wie oft machst du normalerweise …?“
„Wann hast du zuletzt …? Und davor?“
Ziel ist nicht, den Teilnehmenden auf dem falschen Fuß zu erwischen. Ziel ist, die Antwort nicht vorwegzunehmen, bevor du seine Situation verstehst. Die Richtlinien von GOV.UK sagen dasselbe: offene, neutrale Fragen stellen, sich auf echte Geschichten statt darauf konzentrieren, wie Dinge „sein sollten“, und so viel wie möglich schweigen (GOV.UK). Eine breitere Fragensammlung findest du im Leitfaden zu Kundeninterview-Fragen.
Wie viele Product-Discovery-Interviews solltest du führen?
Es gibt keine Zahl, die Nachfrage beweist, aber es gibt brauchbare Spannen. Die Nielsen Norman Group empfiehlt, mit 5 bis 6 Teilnehmenden zu beginnen und nur weiterzumachen, solange du noch Neues lernst (NN/g, 2021). Eine Übersicht von 2022 über 23 Studien fand bei recht homogenen Gruppen Sättigung innerhalb von 9 bis 17 Interviews (Hennink & Kaiser, 2022). Torres empfiehlt, nach drei bis vier Interviews nach Mustern zu suchen und danach mindestens wöchentlich zu interviewen.
In der Praxis: Such dir ein enges Segment aus, führe 5 bis 6 Interviews, synthetisiere und entscheide, ob die nächsten 5 bei demselben Segment tiefer gehen oder ein zweites testen sollen. Wenn du zwei Segmente abwägst, interviewe sie getrennt statt gemischt. Interviews zeigen Workflows und Gründe; sie sagen dir nicht, wie verbreitet ein Problem im Markt ist. Ein wöchentlicher Rhythmus wie bei Continuous Discovery schlägt einen einzelnen Schub.
Wie hältst du Evidenz fest, ohne jedes Interview zum Feature-Wunsch zu machen?
Halte direkt nach jedem Gespräch fest:
Rolle der Person und relevanten Kontext.
Die aktuelle Aufgabe, die sie beschrieben oder ausgeführt hat.
Direkte Beobachtungen, mit Zeitstempel der Quelle.
Ihren aktuellen Workaround und dessen Folgen.
Was sie meinten, was KI tun könnte, getrennt von dem, was du beobachtet hast.
Deine Interpretation und ihre Grenzen.
Die Frage oder Entscheidung, die offen bleibt.
Die Vorlage für Kundeninterviews hat diese Felder vorbereitet. Vergleiche über Gespräche hinweg Personen mit ähnlichen Rollen und Workflows, bevor du ihr Feedback zusammenführst. Ein Thema sollte stützende Beispiele und sichtbare Ausnahmen haben. Ein begeisterter Teilnehmer ist ein Grund, mehr zu lernen, kein Beleg für Nachfrage. Die Vorlage zur Interview-Synthese macht aus Notizen Erkenntnisse, und KI-gestützte Synthese von Kundenforschung zeigt, wie du ein Modell auf die Transkripte ansetzt, ohne die Nachvollziehbarkeit zu verlieren.
Ein durchgespieltes Beispiel
Produkt und Zahlen sind erfunden.
Eine Solo-Gründerin testet ein KI-Tool, das Antworten für kleine E-Commerce-Support-Teams entwirft. Sie interviewt in 2 Wochen 6 Support-Leads, alle in Shops mit 2 bis 5 Agents.
5 von 6 beschreiben das letzte schwierige Ticket gleich: Der langsame Teil war, die Bestellhistorie und das frühere Gespräch zu finden, nicht, die Antwort zu schreiben.
4 von 6 sagen, sie würden eine vorgeschlagene Antwort akzeptieren, aber niemals zulassen, dass sie ohne Freigabe Rückerstattungen verschickt.
2 hatten schon einmal ein KI-Antwort-Tool ausprobiert; beide hörten auf, weil sie die meisten Entwürfe umschreiben mussten.
3 stimmen einem Folgetest an echten Tickets zu.
Ihre Entscheidung: zuerst eine Nicht-KI-Alternative testen, ein Seitenpanel, das Bestellhistorie und frühere Nachrichten ins Ticket holt, weil die Evidenz auf Suche zeigt, nicht aufs Schreiben. Die KI-Entwurfsidee bleibt in der Discovery, mit einem Vermerk, welche Evidenz sie wiederbeleben würde.
Entscheide, was die Interviews eingebracht haben
Wähle am Ende einer Runde einen von vier nächsten Schritten:
Untersuchen: Das Problem könnte wichtig sein, aber Nutzergruppe oder Workflow sind noch unklar.
Prototypen: Das Problem ist konkret, und ein Prototyp kann eine bestimmte Usability- oder Machbarkeitsfrage beantworten.
Eine Nicht-KI-Alternative testen: Eine einfachere Regel, eine verbesserte Suche oder eine Prozessänderung löst die Aufgabe womöglich mit weniger Risiko.
Stoppen oder eingrenzen: Die Evidenz rechtfertigt für diese Zielgruppe oder dieses Problem noch keinen weiteren Aufwand.
Bewerte Interviews nicht, indem du „Ja“-Antworten zählst. Sieh dir an, was Menschen getan haben, was sie schon probiert haben, worauf sie verzichtet haben, um das Problem anzugehen, und was sie als Nächstes zu tun zugesagt haben. Den größeren Loop um diese Interviews findest du in KI-Product-Discovery für Startups und Customer Discovery für Product Engineers.
Wo Specky ins Spiel kommt
Speckys Research-Agent Alex kann Kundeninterviews wie dieses über einen teilbaren Link durchführen, sodass ein Gründer oder kleines Team einen wöchentlichen Rhythmus halten kann, ohne den Kalender zu füllen. Die Antworten fließen zusammen mit Supporttickets und anderem Feedback in Speckys Product Graph, wo sie von einer späteren Spec bis zum Interview zurückverfolgt werden können, das sie begründet hat. Schreib die Fragen selbst, mit dem Leitfaden oben; Specky hilft dir, sie durchzuführen und die Evidenz angehängt zu halten.
Häufig gestellte Fragen
Was sind die besten Fragen für Product-Discovery-Interviews?
Die besten Fragen rekonstruieren ein konkretes, aktuelles Ereignis: „Erzähl mir vom letzten Mal, als du das gemacht hast“, „Was hast du zuerst gemacht?“, „Wo bist du hängen geblieben?“, „Was hast du stattdessen gemacht?“ und „Was ist daraus geworden?“ Sie fördern echtes Verhalten, Workarounds und Kosten zutage. Fragen zur Zukunft, zu Vorlieben oder hypothetischen Features liefern höfliche Antworten, die selten vorhersagen, was Menschen tatsächlich tun.
Sollte ich meinen KI-Prototyp im Interview zeigen?
Meist nicht am Anfang. Lerne zuerst den bestehenden Workflow kennen, ohne eine Lösung zu zeigen. Wenn der Prototyp relevant ist, führe ihn danach ein und bitte den Teilnehmenden, eine realistische Aufgabe zu lösen, während du zusiehst. So trennst du ein echtes Workflow-Problem von einer Reaktion auf deine Demo und verhinderst, dass der Prototyp prägt, wie die Person ihre eigene Arbeit beschreibt.
Was unterscheidet ein Interview zu einem KI-Produkt?
Neben Aufgabe und gewünschtem Ergebnis des Nutzers erkundest du, welche Informationen ein System bräuchte, wie der Nutzer dessen Ergebnis prüfen würde, was passiert, wenn es falsch ist, und welche Aktionen menschliche Freigabe brauchen. Frag nach früherer Automatisierung, die abgebrochen wurde, und warum. Die Tiefe dieser Fragen sollte den Folgen eines Fehlers in diesem Workflow entsprechen.
Kann KI Customer-Discovery-Interviews für mich führen?
KI kann beim Vorbereiten eines Leitfadens helfen, strukturierte Interviews über einen teilbaren Link durchführen, Notizen ordnen und Fragen zum Vertiefen markieren. Dein eigenes Urteil darüber, was die Antworten bedeuten, ersetzt sie nicht, und manche Gespräche profitieren weiterhin von einem Menschen, der einem unerwarteten Faden folgen kann. Lies Transkripte selbst, bevor eine Erkenntnis eine Entscheidung ändert.
Wie lang sollte ein Product-Discovery-Interview sein?
Zwanzig bis 30 Minuten genügen für einen Workflow. Die Richtlinien von GOV.UK erlauben je nach Thema 30 Minuten bis 2 Stunden, aber kürzere Sitzungen sind leichter zu rekrutieren. Torres' Beispielanfrage nennt 20 Minuten. Wenn du mehrere Workflows abdecken oder einen Prototyp ausführlich testen musst, buche lieber 45 bis 60 Minuten, statt zu hetzen.
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