17. Mai 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
PRD mit KI schreiben: Prompt-Framework und Review-Schleife
KI macht aus dem PM vom Autor einen Editor. Hier sind das Prompt-Framework, der PRD-Prompt zum Kopieren und die Review-Schleife, die einen KI-Entwurf ehrlich halten.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Um ein PRD mit KI zu schreiben, formulierst du Problem, Belege und Erfolgsmetrik selbst, gibst dem Modell diesen Kontext mit einer klaren Aufgabe und harten Vorgaben und lässt es Struktur, User Stories, Edge Cases und Akzeptanzkriterien entwerfen. Deine Rolle wechselt vom Autor zum Editor: Du prüfst jede Aussage, streichst, was keine Quelle hat, und entscheidest die Trade-offs. Der Entwurf ist Version 0.5, nicht Version 1.
Das Wichtigste in Kürze
PRDs zu schreiben gehört zu den häufigsten KI-Anwendungen in der Produktarbeit. In Productboards Umfrage von 2025 unter 379 Produktprofis nutzten 94 % KI täglich oder oft, und das Schreiben von PRDs zählte zu den größten Zeitsparern (Productboard, 2025).
Modelle erfinden weiterhin Dinge. Selbst wenn sie nur ein vorgelegtes Dokument zusammenfassen sollen, halluzinieren führende Modelle laut Vectaras Leaderboard in 1,8 % bis 24,2 % der Fälle (Vectara, 2026). Ein PRD-Prompt mit dünnem Kontext lädt zu deutlich mehr ein.
Forschende führen Halluzinationen auf Training und Evaluation zurück, die „Raten belohnen statt das Eingeständnis von Unsicherheit“ (Kalai et al., 2025). Lass das Modell deshalb Lücken markieren, statt sie zu füllen.
Das Context-Task-Constraint-Framework unten bringt zusammen mit deinen Belegen mehr für die Qualität als jede Modellwahl.
Das Review ist jetzt die eigentliche Arbeit: Jede Aussage in den Abschnitten zu Problem und Erfolg braucht eine Quelle, die du öffnen kannst.
Was ändert sich, wenn du ein PRD mit KI schreibst?
Der Zweck des PRD bleibt derselbe. Marty Cagan beschrieb ihn so: Es soll Zweck, Features, Funktionen und Verhalten des Produkts so klar darlegen, dass das Team es bauen und testen kann (SVPG, 2005). Was sich ändert, ist, wohin deine Zeit fließt.
Produktprofis verbrachten in der Umfrage des Pragmatic Institute von 2019 unter 2.474 Personen rund 18 Stunden im Monat damit, Anforderungen zu formulieren und zu priorisieren (Pragmatic Institute, 2019). Ein großer Teil davon war Entwerfen und Formatieren. Mit KI dauert das Entwerfen Minuten; die verbleibenden Stunden sollten in die drei Dinge fließen, die dir kein Modell abnehmen kann:
Validierung. Ist das Problem real, und sind die Belege stark genug, um darauf zu handeln?
Strategische Ausrichtung. Dient dieses Feature dem Ziel, das sich das Unternehmen tatsächlich gesetzt hat?
Trade-off-Analyse. Was baust du bewusst nicht, und welches Risiko nimmst du in Kauf?
Atlassians Umfrage State of Product 2026 unter mehr als 1.000 Produktprofis ergab, dass KI Teams täglich 10 bis 60 Minuten spart, vor allem bei Dokumentation und Recherche, während die Befragten sagten, bei komplexer Arbeit wie Planung helfe sie nicht (Mind the Product, 2025). Das ist die richtige Aufteilung. Überlass dem Modell den Papierkram und behalte das Urteil.
Kann KI allein ein gutes PRD schreiben?
Nein. KI ist eine Synthese-Maschine, keine Discovery-Maschine. Sie kann deine Notizen, Transkripte und Rahmenbedingungen in eine saubere, konsistente Struktur bringen. Sie weiß aber nicht, welches Kundenproblem am wichtigsten ist, wie deine Baseline aussieht oder welchen Trade-off dein Team letzte Woche akzeptiert hat.
Der Fehler ist nicht ein offensichtlich schlechtes Dokument, sondern ein flüssiges. In der Stack-Overflow-Umfrage 2025 waren 66 % der Entwickler:innen frustriert über KI-Ergebnisse, die „fast richtig, aber nicht ganz“ sind, und mehr Entwickler:innen misstrauten der Genauigkeit von KI (46 %), als ihr zu vertrauen (33 %) (Stack Overflow, 2025). Bei PRDs ist es dasselbe Problem, mit einem Haken: Ein Code-Bug lässt einen Test scheitern, aber eine erfundene Kundenerkenntnis besteht das Review, solange niemand die Quelle prüft.
Behandle den KI-Entwurf als Version 0.5. Er liefert dir Struktur und Abdeckung. Die Belege, die Entscheidungen und die Stimme des Teams steuerst du bei.
Wie schreibst du ein PRD mit KI Schritt für Schritt?
Sammle zuerst die Belege. Trage die 3 bis 10 Quellen zusammen, die für diese Entscheidung relevant sind: Interview-Ausschnitte, Support-Tickets, eine Nutzungsabfrage, das passende OKR. Füge sie ein oder häng sie an; bitte das Modell nicht, sich Nutzer „vorzustellen“.
Schreib Problem und Erfolgsmetrik selbst. Je zwei bis drei Sätze. Dieser Teil entscheidet, ob das PRD stimmt, deshalb sollte er in deinen Worten stehen.
Prompte mit Context, Task und Constraints. Nutze das Framework unten. Nenne das Format, die Scope-Grenze und die Regel, dass jede Aussage eine mitgelieferte Quelle zitieren muss.
Generiere Abschnitt für Abschnitt. Bitte um die modularen Teile einzeln: Ziel, Personas, Erfolgsmetriken, User Stories, Akzeptanzkriterien, nichtfunktionale Anforderungen, Risiken. Kleinere Aufträge liefern straffere Ergebnisse und lassen sich leichter prüfen.
Frag nach Lücken, nicht nur nach Antworten. Prompt: „Liste die Fragen auf, die ein Engineering Lead stellen würde und die dieses PRD nicht beantworten kann.“ Mach aus den Antworten offene Fragen mit Verantwortlichen.
Verfolge jede Aussage zurück. Markiere jeden Tatsachensatz als belegt, abgeleitet, angenommen oder erfunden und lösche die erfundenen. Der 15-Minuten-Claim-Trace führt dich durch das Vorgehen.
Review mit Engineering und Design, dann versionieren. Lege eine kanonische Kopie ab und verlinke sie aus den Tickets. Die vollständige manuelle Methode hinter diesen Schritten findest du in so schreibst du ein PRD.
Was ist das Context-Task-Constraint-Prompt-Framework?
Context-Task-Constraint (CTC) ist eine dreiteilige Prompt-Struktur, die das Modell innerhalb der Realität deines Produkts arbeiten lässt, statt ein generisches PRD zu produzieren.
Context: Wer die Nutzer sind, was das Produkt tut, das Problem und die Belege. Anthropics Prompting-Leitfaden empfiehlt, das Modell als „brillanten, aber neuen Mitarbeiter“ zu betrachten, der deine Normen nicht kennt, und die Motivation hinter Anweisungen zu ergänzen, damit es verallgemeinern kann (Anthropic).
Task: Das konkrete Ergebnis, das du willst, ein Abschnitt oder ein ganzes Dokument, in einem benannten Format.
Constraints: Scope-Grenzen, Syntax (zum Beispiel Given/When/Then), Länge und Grounding-Regeln wie „Wenn eine Aussage nicht durch die Quellen gestützt ist, schreib stattdessen OFFENE FRAGE“.
Drei Gewohnheiten machen CTC-Prompts besser:
Trenne die Teile. Anthropic empfiehlt, Anweisungen, Kontext und Eingabe in eigene XML-Tags wie <context> und <sources> zu packen, um Fehlinterpretationen zu verringern.
Zeig ein Beispiel. Derselbe Leitfaden empfiehlt 3 bis 5 gut gewählte Beispiele. Ein gutes früheres PRD deines Teams vermittelt Ton und Tiefe schneller als jede Beschreibung.
Mach den Kollegentest. Wenn ein Teammitglied ohne Vorwissen von deinem Prompt verwirrt wäre, ist es das Modell auch.
So sieht der Unterschied in der Praxis aus:
Schwacher Prompt
CTC-Prompt
„Schreib ein PRD für automatisierte Urlaubsgenehmigungen.“
Context: B2B-HR-Plattform; Admins bei Kunden mit 50 bis 500 Mitarbeitenden genehmigen Urlaub manuell; 3 verlinkte Interview-Ausschnitte und 1 Ticket-Abfrage. Task: Entwirf User Stories und Akzeptanzkriterien. Constraints: nur MVP-Scope, Given/When/Then, für jede Aussage eine Quelle nennen, offene Fragen auflisten.
Liefert ein plausibles, generisches PRD mit erfundenen Personas und Metriken
Liefert einen abgegrenzten Entwurf, den du Zeile für Zeile prüfen kannst
KI-PRD-Prompt zum Kopieren
Nutze ihn mit jedem leistungsfähigen Modell, ob ChatGPT, Claude oder Gemini. Fülle die Klammern aus, füge deine Quellen ein und führe ihn abschnittsweise aus, wenn das Ergebnis lang wird.
<role>
Handle als Senior Product Manager, der für ein Engineering-Team schreibt.
</role>
<context>
Produkt: [was es tut, für wen]
Problem (von mir geschrieben): [2-3 Sätze]
Erfolgsmetrik (von mir geschrieben): [Metrik, Baseline -> Ziel, Prüfdatum]
Strategisches Ziel / OKR: [Ziel]
Bekannte Rahmenbedingungen: [Technik, Recht, Zeitbudget]
</context>
<sources>
[Füge Interview-Ausschnitte, Ticket-Zusammenfassungen, Daten ein. Beschrifte jede mit S1, S2, S3...]
</sources>
<task>
Entwirf ein PRD für [Feature-Name] mit diesen Abschnitten:
1. Executive Summary (5 Zeilen)
2. Zielpersona(s), nur auf Basis der Quellen
3. Erfolgsmetriken: nutze meine; schlage höchstens 2 Guardrails vor
4. User Stories, gerankt, mit der Priorität Must / High-want / Nice
5. Akzeptanzkriterien in Given/When/Then-Form
6. Nichtfunktionale Anforderungen: Latenz, Sicherheit, Datenschutz, Barrierefreiheit
7. Risiken und Abhängigkeiten
8. Out of Scope
9. Offene Fragen
</task>
<constraints>
- Nur MVP-Scope; alles darüber hinaus gehört unter Out of Scope.
- Jede Tatsachenbehauptung über Nutzer oder Markt muss eine Quellen-ID (S1...) nennen.
- Wenn eine Aussage durch die Quellen nicht gestützt ist, schreib stattdessen OFFENE FRAGE.
- Erfinde keine Zahlen, Zitate oder Kundennamen.
- Schlichte, knappe Sprache. Kein Marketingtext.
</constraints>
Folge-Prompts, die den Entwurf schärfen
„Handle als Engineering Lead. Liste die 10 Fragen auf, die du vor der Schätzung stellen würdest.“
„Liste Leer-, Lade-, Fehler- und Berechtigungszustände auf, die die Akzeptanzkriterien nicht abdecken.“
„Welche Anforderungen bewegen die Erfolgsmetrik nicht? Schlage vor, was gestrichen werden kann.“
„Formuliere jedes Akzeptanzkriterium so um, dass ein Tester es prüfen kann, ohne mich zu fragen.“
„Liste jeden Satz im Problemabschnitt auf, der nicht direkt durch S1-S5 gestützt ist.“
Praxisbeispiel: ein KI-entworfenes PRD für Urlaubsgenehmigungen
Dieses Beispiel ist illustrativ, kein reales Unternehmen. Angenommen, eine B2B-HR-Plattform hört, dass Admins Urlaub manuell genehmigen.
Was der PM schreibt: „Admins bei Kunden mit 50 bis 500 Mitarbeitenden genehmigen jeden Urlaubsantrag von Hand, oft Tage zu spät. In 4 von 7 aktuellen Interviews sagten Admins, sie genehmigen freitags gesammelt. Erfolg: Die mediane Genehmigungsdauer sinkt innerhalb von 60 Tagen nach dem Launch von 3 Tagen auf unter 1 Tag, ohne dass strittige Genehmigungen zunehmen.“
Was der PM als Quellen einfügt: die 4 Interview-Ausschnitte (S1-S4), eine Abfrage mit 1.200 Urlaubsanträgen im letzten Monat (S5) und den aktuellen Genehmigungsbildschirm.
Was die KI gut entwirft: eine gerankte Liste mit 6 User Stories, 14 Akzeptanzkriterien in Given/When/Then-Form, Edge Cases wie überlappende Anträge und Genehmigende, die selbst im Urlaub sind, sowie nichtfunktionale Anforderungen für Audit-Logging.
Was das Review findet:
Eine Persona, beschrieben als „vielbeschäftigte HR-Manager, die 20 Tools jonglieren“, ohne Quelle. Gelöscht.
Eine vorgeschlagene Guardrail, „NPS über 40 halten“, ohne irgendeine Baseline. Durch eine offene Frage ersetzt.
Eine Auto-Genehmigungsregel für Anträge unter 2 Tagen, auf die sich niemand geeinigt hatte. Bis zu einer Entscheidung nach Out of Scope verschoben.
Der Entwurf dauerte Minuten; das Review rund eine Stunde und entfernte drei Aussagen, die sonst den Bau geprägt hätten. Dieses Verhältnis ist der Punkt.
Welches KI-Tool solltest du für ein PRD nutzen?
Nimm das Modell, das dein Unternehmen erlaubt und das du gut kennst. Productboard stellte fest, dass 88 % der Produktprofis bereits zwei oder mehr KI-Modelle nutzen, aber nur 65 % sagten, ihr Unternehmen habe eine dokumentierte KI-Richtlinie (Productboard, 2025). Prüfe die Richtlinie, bevor du Kundendaten in irgendein Tool einfügst.
Option
Gut für
Worauf du achten solltest
Allgemeines Chat-Modell (ChatGPT, Claude, Gemini)
Flexibles Entwerfen mit dem CTC-Prompt
Du musst die Belege jedes Mal einfügen; kein Gedächtnis für frühere Entscheidungen
Kostenloser PRD-Generator
Ein schneller erster Entwurf aus einer Feature-Idee
Das Ergebnis ist nur so gut wie das Problem, das du eintippst
KI in Docs oder Wiki (Notion, Confluence)
Entwerfen dort, wo das PRD später liegt
Kann meist keine Interviews oder Tickets aus anderen Tools sehen
Belegverbundenes Produkttool
Entwürfe, die die zugrunde liegenden Calls, Tickets und Feedbacks zitieren
Deine Quellen müssen zuerst angebunden sein
Um die ersten Schritte ohne Setup auszuprobieren, nutze den kostenlosen PRD-Generator für einen strukturierten Entwurf oder Feedback to Spec, um ein einzelnes Kundenfeedback in ein Problem Statement zu verwandeln. Wenn das Feature, das du spezifizierst, selbst ein KI-Feature ist, lies den Leitfaden zum KI-PRD für die Abschnitte zu Modellverhalten, Guardrails und Evaluation.
Häufige Fehler beim Schreiben eines PRD mit KI
Nur mit einem Feature-Namen prompten. Das Modell füllt die Lücke mit dem statistisch Typischen, und das ist selten das, was deine Nutzer brauchen.
Die KI das Problem Statement schreiben lassen. Es klingt richtig und kann falsch sein. Schreib es selbst.
Erfundene Metriken akzeptieren. Wenn der Entwurf ein Ziel vorschlägt, frag, woher die Baseline stammt. Keine Baseline, kein Ziel.
Ein riesiger Prompt. Lange Ausgaben mit vielen Abschnitten driften ab. Generiere und prüfe abschnittsweise.
Das Engineering-Review auslassen. Ein KI-Entwurf kann vollständig aussehen und trotzdem die Abhängigkeit übersehen, die dein Tech Lead kennt.
Vertrauliche Daten in nicht freigegebene Tools einfügen. Prüfe zuerst deine KI-Richtlinie und die Datenbedingungen des Tools.
Wo Specky ins Spiel kommt
Specky entwirft PRDs aus den Kundengesprächen, Feedbacks, Slack-Threads und Tickets, die bereits in seinem Product Graph liegen, sodass der Kontext aus Schritt 1 für dich zusammengestellt wird, statt eingefügt zu werden. Der PRD Editor zeigt neben jeder Aussage ein Inline-Zitat an, wodurch das Review in Schritt 6 auf Durchklicken hinausläuft, und Entwürfe landen in der PM Inbox, wo ein Mensch sie freigibt.
Häufig gestellte Fragen
Was ist der beste Prompt, um ein PRD mit KI zu schreiben?
Der beste Prompt gibt dem Modell Kontext (Produkt, Nutzer, Problem, Belege), eine konkrete Aufgabe (welche Abschnitte, welches Format) und Vorgaben (MVP-Scope, jede Aussage belegen, Lücken als offene Fragen markieren). Schreib Problem und Erfolgsmetrik selbst und füge sie ein. Der Prompt zum Kopieren oben folgt dieser Struktur und funktioniert mit allen großen Modellen.
Ist es sicher, ChatGPT oder Claude für PRDs zu nutzen?
Das hängt von der KI-Richtlinie deines Unternehmens und den Datenbedingungen des Tools ab, nicht vom Modell. Productboards Umfrage von 2025 ergab, dass nur 65 % der Unternehmen eine dokumentierte KI-Richtlinie haben. Entferne personenbezogene Daten aus Transkripten, nutze Business- oder Enterprise-Tarife, wo es verlangt ist, und füge niemals Kundendaten in ein Tool ein, das dein Unternehmen nicht freigegeben hat.
Wie verhinderst du, dass KI sich in einem PRD etwas ausdenkt?
Liefere deine Quellen, beschrifte sie und verlange für jede Tatsachenbehauptung eine Quellen-ID. Weise das Modell an, OFFENE FRAGE zu schreiben, wenn die Quellen eine Aussage nicht stützen. Verfolge dann jede Aussage selbst zurück, bevor Engineering den Entwurf sieht. Modelle werden so trainiert, dass selbstsicheres Raten belohnt wird, deshalb zählt die Anweisung, sich zu enthalten.
Sollte die KI die User Stories schreiben oder der PM?
Lass sie von der KI aus einem abgestimmten Problem und einer abgestimmten Persona entwerfen und überarbeite sie dann. KI ist gut in der Abdeckung: Sie listet Stories, Zustände und Edge Cases auf, die du übersehen könntest. Der PM entscheidet über das Ranking, führt Duplikate zusammen und streicht Stories, die die Erfolgsmetrik nicht bewegen. Prüfe die Akzeptanzkriterien am genauesten, denn danach bauen die Engineers.
Brauche ich noch ein PRD-Template, wenn ich KI nutze?
Ja. Ein Template macht KI-Ergebnisse über Features und Reviewer hinweg konsistent. Setz die Abschnitte deines Teams in den Task-Block des Prompts oder starte mit dem kostenlosen PRD-Template. Eine konsistente Struktur hilft auch Engineers und KI-Coding-Agents, Scope und Akzeptanzkriterien zu finden.
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