17. Mai 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Product Opportunity Assessment: Moderne Vorlage für Teams im KI-Zeitalter
Billiger Code macht Nein-Sagen schwerer, nicht leichter. Ein Product Opportunity Assessment stellt vor dem Bauen fünf Fragen – plus zwei Checks, die jedes KI-Feature heute braucht.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Ein Product Opportunity Assessment ist ein kurzes Dokument, das entscheidet, ob eine Idee Zeit für Discovery oder Umsetzung verdient. Dazu beantwortet es einen festen Satz von Fragen zu Problem, Kunde, Lösung, Business Case und Risiken. Marty Cagans Version von 2006 hatte zehn Fragen und endete mit einer Go-/No-go-Entscheidung. Die moderne Version unten kommt mit fünf Fragen aus – plus zwei Checks, die Produkte im KI-Zeitalter inzwischen brauchen.
Das ist kein Papierkram, sondern die günstigste Stelle, um Nein zu sagen. Eine Idee, die auf zwei Seiten stirbt, kostet einen Nachmittag. Eine Idee, die erst nach dem Launch stirbt, kostet Engineering-Zeit, Support-Aufwand und den Roadmap-Platz, den sie etwas Besserem weggenommen hat.
Das Wichtigste in Kürze
Marty Cagans Opportunity Assessment von 2006 stellte zehn Fragen, beginnend mit „Exactly what problem will this solve?“ und endend mit einer Go-/No-go-Entscheidung. Es sollte verhindern, dass Unternehmen Geld für schlechte Chancen verschwenden (SVPG, 2006).
Schwacher Product-Market-Fit spielte bei 43 % der 385 VC-finanzierten Schließungen eine Rolle, die CB Insights in seiner Analyse vom März 2026 erklären konnte (CB Insights, 2026).
Pendos Studie von 2019 zu 615 Software-Abonnements ergab: 80 % der Features werden selten oder nie genutzt, und 12 % der Features erzeugen 80 % der täglichen Nutzung (Pendo, 2019).
KI hat das Bauen billiger gemacht und damit die natürliche Pause entfernt, die schwache Ideen früher herausgefiltert hat. Das Assessment baut diese Pause bewusst wieder ein.
Für KI-Features kommen zwei Voraussetzungen dazu: Modell-Machbarkeit (Kann ein Modell das zuverlässig genug?) und der Burggraben (Warum wird das nicht in einem Monat kopiert?).
Was ist ein Product Opportunity Assessment?
Es ist ein schlankes Go-/No-go-Dokument, das entsteht, bevor sich ein Team auf Discovery oder Delivery festlegt. Cagan beschrieb es im Dezember 2006 im SVPG-Blog als schnellen Weg, schlechte Ideen früh abzufangen (SVPG, 2006). Seine zehn Fragen deckten ab:
Warum wir am besten aufgestellt sind, sie zu verfolgen (Differenzierung)
Warum jetzt (Marktfenster)
Wie wir den Markt erreichen (Go-to-Market)
Wie wir Erfolg messen und Geld verdienen (Kennzahlen und Umsatz)
Was für den Erfolg entscheidend ist (Lösungsanforderungen)
Die Empfehlung (Go oder No-go)
Die Fragen gelten weiterhin. Geändert haben sich die Kosten drumherum: 2006 war Bauen langsam, schwache Ideen gingen deshalb oft an ihrem eigenen Gewicht ein. 2026 kann ein Prototyp existieren, bevor jemand Frage 1 gestellt hat.
Eine Opportunity ist nach Teresa Torres' hilfreicher Definition ein unerfülltes Kundenbedürfnis, ein Schmerzpunkt oder ein Wunsch – kein Feature (Product Talk, 2023). Bewerte also zuerst die Opportunity und erst danach die Lösung.
Warum ist ein Opportunity Assessment wichtiger, seit KI das Bauen billig macht?
Weil „Können wir das bauen?“ nicht mehr die teure Frage ist. „Sollten wir?“ ist es.
Die Verschwendung ist gut belegt. Pendo schätzte, dass Public-Cloud-Unternehmen bis zu 29,5 Milliarden US-Dollar in Features investiert hatten, die selten oder nie genutzt werden (Pendo, 2019). In den CB-Insights-Daten von 2026 steht schwacher Product-Market-Fit unter den Schließungsgründen direkt hinter leerem Kapital (70 %) auf Platz zwei (CB Insights, 2026). Geld geht schneller aus, wenn es Produkte finanziert, die niemand braucht.
Billigerer Code ändert an keiner der beiden Zahlen etwas; er produziert nur mehr ungenutzte Features pro Quartal. Unsere Analyse dazu, was die KI-Coding-Daten 2026 zeigen, geht die Belege zur Geschwindigkeit durch. Die Kurzfassung: Die Entscheidung, was gebaut werden soll, ist kein bisschen billiger geworden.
Deshalb funktioniert das Assessment als „Nein“-Maschine: Wenn ein Team die Kernfragen nicht auf ein paar Seiten beantworten kann, ist es nicht bereit zu bauen – egal, wie schnell der Bau wäre. Teams, die es überspringen, driften in eine Feature Factory und messen Output statt Outcomes.
Welche Fragen sollte ein Product Opportunity Assessment beantworten?
Die moderne Vorlage verdichtet die zehn Fragen auf fünf, die jeweils mit Evidenz statt mit Bauchgefühl beantwortet werden.
Das Problem. Welchen konkreten, starken Schmerz lösen wir? Brennt es beim Nutzer lichterloh, oder ist es nur ein leichtes Ärgernis?
Der Zielmarkt. Wer genau ist der Kunde, und wie groß ist der erreichbare Markt (TAM, SAM und SOM)?
Die Lösung. Warum sind wir besser aufgestellt als die Alternativen, die Menschen heute nutzen – einschließlich Tabellenkalkulation und Nichtstun?
Der Business Case. Wie schafft das messbaren Wert: Umsatz, Retention oder operative Effizienz? Wie messen wir ihn?
Die Risiken. Welche technischen, Markt- und Umsetzungsrisiken gibt es, und wie senken wir sie, bevor wir uns festlegen?
Wie lassen sich die fünf Fragen den zehn von Cagan zuordnen?
Moderne Frage
Deckt Cagans Fragen ab
Was eine gute Antwort enthält
Problem
1 (Value Proposition)
Ein benannter Schmerz, wie oft er auftritt, der aktuelle Workaround und was er kostet
Zielmarkt
2, 3 (Zielmarkt, Marktgröße)
Ein primäres Segment; eine Bottom-up-Marktschätzung
Aktuelle Alternativen und warum unsere für dieses Segment gewinnt
Business Case
7, 8 (Go-to-Market, Kennzahlen und Umsatz)
Eine Erfolgskennzahl, eine Gegenkennzahl und ein Weg zu den Kunden
Risiken
6, 10 (Warum jetzt, Empfehlung)
Bewertete Top-Risiken, die Tests, die sie ausräumen würden, und eine Entscheidung: Go, No-go oder „erst Discovery“
Lass „Warum jetzt?“ im Risikoabschnitt sichtbar. Viele gut aussehende Opportunities scheitern am Timing – CB Insights nennt es bei 29 % der erklärten Schließungen als Faktor.
Was sollte ein Opportunity Assessment für KI-Features ergänzen?
Klassische Assessments behandeln die Lösung überwiegend als Engineering-Frage. Bei KI-Features bricht das an zwei Stellen.
1. Modell-Machbarkeit
Kann ein Standardmodell die Aufgabe zuverlässig genug erledigen, oder braucht die Idee Fine-Tuning, eigene Daten oder einen Menschen im Loop? Beantworte das mit einer kleinen Evaluation, nicht mit einer Demo: Sammle echte Eingaben, lege fest, wie eine korrekte Ausgabe aussieht, und miss, wie oft das Modell sie liefert. Eine Demo zeigt den besten Fall, eine Evaluation zeigt die Quote. Unser KI-Evaluationsframework für Produktteams erklärt, wie du diese Messlatte setzt.
Frag dann, was eine falsche Antwort kostet. Kostet sie den Nutzer eine Minute, kann eine Trefferquote von 90 % reichen. Kostet sie Geld oder Vertrauen, ist vielleicht keine Quote hoch genug. Du bist nicht sicher, ob es überhaupt KI braucht? Mach zuerst den Vier-Fragen-Test für KI.
2. Der Burggraben
Wettbewerber können dieselben Modelle aufrufen. Benenne deshalb den Vorteil, der einen schnellen Nachahmer überlebt:
Proprietäre Daten, die das Ergebnis verbessern und die andere nicht bekommen.
Netzwerkeffekte, bei denen jeder Nutzer das Produkt für den nächsten besser macht.
Tiefe Workflow-Integration, die echte Wechselkosten erzeugt.
Lautet die ehrliche Antwort „Wir sind die Ersten“, behandle den Burggraben als nicht vorhanden und preise das in die Empfehlung ein.
Wie nutzt du Working Backwards in einem Opportunity Assessment?
Amazons „Working Backwards“-Prozess ist ein guter Test für die Lösungsfrage. Werner Vogels beschrieb 2006, dass das Team vor dem Bauen vier Dokumente schreibt: eine Pressemitteilung, eine FAQ, eine Beschreibung der Kundenerfahrung und ein Benutzerhandbuch – ausgehend vom Kunden und rückwärts bis zur minimal nötigen Technologie (All Things Distributed, 2006).
Für ein Opportunity Assessment genügen die ersten beiden Dokumente. Schreib eine einseitige Pressemitteilung für das fertige Produkt und eine FAQ mit den härtesten Fragen, die ein Kunde oder Kollege stellen würde. Wenn die Pressemitteilung den Kundennutzen nicht klar benennen kann, ist die Lösungsfrage nicht beantwortet.
Wie trennst du Annahmen von Fakten?
Der gefährlichste Teil jedes Assessments ist die versteckte Annahme. Führe im Dokument eine Tabelle mit zwei Spalten: Annahmen (Hypothesen zu Verhalten, Marktgröße oder technischer Leistung) und Fakten (was Interviews, Analytics, Experimente oder Marktdaten bestätigt haben, jeweils verlinkt).
Jede wichtige Annahme bekommt ein Experiment, das sie zum Fakt macht oder widerlegt. Wenn du für eine zentrale Annahme keinen Test entwerfen kannst, trägst du mehr Risiko, als das Team sieht. Unsere kostenlose Assumption Map sortiert Annahmen nach Wichtigkeit und Evidenz, und der Leitfaden zur Wahl eines Produktexperiments hilft, für jede den passenden Test zu finden.
Cagans vier große Risiken geben der Tabelle eine nützliche Struktur (SVPG, 2017):
Risiko
Frage
Verantwortlich in Cagans Modell
Beispieltest
Value
Werden Kunden es kaufen oder sich für die Nutzung entscheiden?
Product Manager
Fake Door, Vorverkauf, Kundeninterviews
Usability
Finden Nutzer heraus, wie es funktioniert?
Product Designer
Usability-Test mit Prototyp
Feasibility
Kann das Engineering es mit der vorhandenen Zeit, den Skills und der Technologie bauen?
Praxisbeispiel: Ein KI-Feature an einem Nachmittag bewerten
Angenommen, ein 5-köpfiges B2B-SaaS-Team, das ein Customer-Success-Tool an rund 120 zahlende Accounts verkauft, erwägt „KI-Zusammenfassungen von Kundengesprächen“. Dieses Team und seine Zahlen sind illustrativ.
Problem. In 8 von 12 aktuellen Interviews sagten CSMs, dass sie nach jedem Gespräch Notizen schreiben; 5 sagten, dass Notizen oft ungeschrieben bleiben. Fakt: Der Schmerz existiert für diese Nutzer. Annahme: Er ist über alle Accounts hinweg relevant.
Zielmarkt. Primäres Segment: CSM-Teams mit 3 bis 15 Personen, die das Produkt bereits nutzen, etwa 70 der 120 Accounts. Ein Bottom-up-SOM sind diese 70 Accounts, nicht „jedes Unternehmen mit Kundengesprächen“.
Lösung. Die Meeting-Tools der Kunden fassen Gespräche oft schon zusammen. Der mögliche Vorteil: Zusammenfassungen, die direkt am Account-Datensatz neben den Health-Signalen landen.
Business Case. Erfolgskennzahl: Der Anteil der Gespräche mit angehängter Zusammenfassung innerhalb von 24 Stunden steigt in 8 Wochen von geschätzten 30 % auf 70 %. Gegenkennzahl: CSMs, die mehr als die Hälfte jeder Zusammenfassung überarbeiten – ein Signal für schwache Qualität.
Risiken, bewertet nach Konfidenz und Impact von 1 bis 5:
Risiko
Impact
Konfidenz, dass wir richtig liegen
Nächster Schritt
Kunden bekommen anderswo schon „gut genug“-Zusammenfassungen (Value)
5
2
6 weitere Interviews mit Fokus auf aktuelle Tools
Zusammenfassungen sind bei Produktnamen und Zahlen falsch (Feasibility)
4
2
Evaluation an 40 echten Gesprächstranskripten
Der Burggraben ist dünn: Wettbewerber nutzen dieselben Modelle
4
3
Testen, ob die Platzierung am Account-Datensatz das Verhalten ändert
Das Speichern von Gesprächsdaten wirft Datenschutzfragen auf (Viability)
3
3
Datenverarbeitung vor der Beta mit Legal prüfen
Empfehlung: weiter in die Discovery, nicht in den Bau, weil zwei Risiken mit hohem Impact und niedriger Konfidenz offen bleiben. Ein Nachmittag Assessment hat aus den nächsten zwei Wochen statt eines Builds zwei Tests gemacht.
Die Checkliste für ein modernes Product Opportunity Assessment
Nutze diese Checkliste, bevor du ein Assessment für fertig erklärst:
Problemdefinition: benennt den Kundenschmerz ausdrücklich, mit Häufigkeit und aktuellem Workaround.
Beleg für den Bedarf: zitiert qualitative Interview-Erkenntnisse oder quantitative Umfrageergebnisse, verlinkt. Zehn Interviews sind ein sinnvoller Startpunkt für ein B2B-Problem, kein Benchmark.
Marktgröße: eine Bottom-up-Schätzung von TAM, SAM und SOM, gestützt auf glaubwürdige, aktuelle Daten.
Burggraben gegenüber Wettbewerbern: klare Abgrenzung zu etablierten Anbietern und schnellen Nachahmern.
KI-Checks: Modell-Machbarkeit an echten Eingaben getestet; Kosten eines Fehlers beschrieben.
Erfolgskennzahlen: eine primäre Kennzahl und mindestens eine Gegenkennzahl (Wenn die Nutzung steigt, leiden dann Leistung oder Support-Aufwand?).
Risikomatrix: jedes Risiko nach Konfidenz und Impact bewertet, mit einem Test für jedes Risiko mit hohem Impact und niedriger Konfidenz.
Empfehlung: Go, No-go oder „erst Discovery“, mit der Evidenz, die sie ändern würde.
Wann kannst du das vollständige Assessment überspringen?
Nicht jede Idee verdient zwei Seiten; günstige, umkehrbare Änderungen testet man oft besser, als sie zu diskutieren. Ron Kohavi und Stefan Thomke beschreiben eine Bing-Idee von 2012, die Darstellung von Anzeigenüberschriften zu ändern. Sie brauchte ein paar Tage Engineering, wurde unter Hunderten von Ideen als niedrige Priorität eingestuft und lag mehr als sechs Monate ungetestet herum. Als ein Engineer schließlich einen einfachen A/B-Test laufen ließ, stieg der Umsatz um etwa 12 % – in den USA mehr als 100 Millionen Dollar pro Jahr wert (HBR, 2017). Die Diskussion hielt diese Idee im Regal; ein billiger Test klärte sie.
Eine praktikable Faustregel:
Vollständiges Assessment für neue Produkte, neue Segmente, Preisänderungen, KI-Features mit Kundendaten und alles, was mehr als ein paar Wochen Bauzeit kostet.
Kurzform mit fünf Fragen (je ein Absatz) für mittelgroße Features.
Überspringen bei kleinen, umkehrbaren Anpassungen, die sich innerhalb eines Tages A/B-testen oder zurückrollen lassen.
Häufige Fehler
Eine längst gefällte Entscheidung rechtfertigen. Kam die Empfehlung vor der Evidenz, ist es ein Verkaufsdokument.
Top-down-Marktgrößen. „1 % eines 10-Milliarden-Marktes“ sagt nichts darüber, wer zuerst kauft.
Eine Demo als Machbarkeitsbeleg behandeln. Eine Demo zeigt die beste Ausgabe, nicht die Fehlerquote.
Es nie wieder anschauen. Vergleiche das Launch-Ergebnis mit dem Business Case.
Wo Specky ins Spiel kommt
Specky hält die Evidenz eines Assessments an einem Ort. Gespräche, Feedback, Support-Tickets und Analytics landen im Product Graph, sodass der Problemabschnitt echte Quellen zitiert statt Erinnerungen. Der Opportunity Tree ordnet Outcomes, Opportunities und Lösungen, RICE-Scoring reiht konkurrierende Optionen, und Alex, Speckys KI-Research-Agent, führt über einen teilbaren Link Folgeinterviews durch, wenn eine Annahme getestet werden muss. Die Go-/No-go-Entscheidung bleibt bei dir.
Häufig gestellte Fragen
Was ist ein Product Opportunity Assessment?
Es ist ein ein- bis zweiseitiges Dokument, das entscheidet, ob eine Idee Zeit für Discovery oder Umsetzung wert ist. Es behandelt Problem, Zielkunde, Lösung, Business Case und Risiken und endet mit einer Entscheidung: Go, No-go oder „erst Discovery“. Marty Cagan hat das Format 2006 im SVPG-Blog bekannt gemacht.
Was sind Marty Cagans Fragen für das Opportunity Assessment?
Cagans Liste von 2006 hat zehn: das Problem, wer es hat, Marktgröße, Alternativen, unsere Differenzierung, warum jetzt, Go-to-Market, wie wir Erfolg messen und Geld verdienen, kritische Erfolgsfaktoren und eine Go-/No-go-Empfehlung. Die Vorlage mit fünf Fragen fasst diese zehn zusammen.
Wie unterscheidet sich ein Opportunity Assessment von einem PRD oder Business Case?
Ein Opportunity Assessment kommt zuerst und fragt, ob man ein Problem überhaupt angehen soll. Ein PRD folgt auf eine Go-Entscheidung und legt fest, was gebaut wird. Ein Business Case konzentriert sich meist auf die finanzielle Rendite. Das Assessment deckt alle vier Produktrisiken ab, nicht nur das Geld, und ist bewusst kürzer.
Wie lange sollte ein Product Opportunity Assessment dauern?
Für die meisten Features einen Nachmittag bis zwei Tage, mit einem Ergebnis von ein bis zwei Seiten. Dauert es Wochen, betreibt das Team Discovery innerhalb des Assessments; trenne die beiden. Das Assessment benennt, welche Annahmen getestet werden müssen – es testet nicht alle selbst.
Was ist der Unterschied zwischen einem Opportunity Assessment und einem Opportunity Solution Tree?
Ein Opportunity Solution Tree, 2016 von Teresa Torres eingeführt, ordnet einem Outcome viele Kundenchancen, Lösungen und Annahmentests zu; er ist eine Karte für kontinuierliche Discovery. Ein Opportunity Assessment bewertet an einem Entscheidungspunkt eine einzelne Opportunity gründlich. Nutze den Tree, um Kandidaten zu finden, und das Assessment, um dich für einen zu entscheiden.
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