2. Juli 2026Aktualisiert am Fathy Shalaby10 Min. Lesezeit
Learning Velocity: Warum Lerngeschwindigkeit wichtiger ist als Ausliefergeschwindigkeit
KI hat das Bauen schneller gemacht. Sie hat nicht schneller gemacht, zu wissen, was man bauen soll. Learning Velocity, das Tempo von der Frage bis zur belegbasierten Entscheidung, ist der Vorteil, der sich aufsummiert.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Learning Velocity ist das Tempo, in dem ein Produktteam eine offene Frage in eine durch Belege gestützte Entscheidung verwandelt: von „Wir glauben, Kunden wollen X“ zu „Wir haben es getestet, und das machen wir jetzt“. Sie ist wichtiger als Ausliefergeschwindigkeit, weil die meisten Produktideen scheitern – und das Team, das schlechte Ideen am schnellsten verwirft und gute am schnellsten bestätigt, baut seinen Vorsprung immer weiter aus.
Wichtigste Erkenntnisse
Die meisten Ideen funktionieren nicht. Bei Microsoft verbesserte nur etwa ein Drittel der in kontrollierten Experimenten getesteten Ideen die Metrik, die sie verbessern sollten, und etwa ein Drittel verschlechterte sie (Kohavi et al., 2009).
Das Bauen ist schneller geworden. In der kontrollierten GitHub-Studie von 2022 mit 95 Entwicklern erledigten die Copilot-Nutzer eine Aufgabe 55 % schneller (GitHub, 2022). Das Lernen wurde nicht von allein schneller.
Delivery-Metriken enden beim Deployment. Die Change Lead Time von DORA läuft vom Commit bis zur Produktion (DORA); nichts darin misst, ob die Änderung funktioniert hat.
Unternehmen mit starkem Lernen testen in großem Umfang: Booking.com führt rund 25.000 Tests pro Jahr durch (HBR, 2020).
Du kannst sie mit vier Zahlen messen: Lernzykluszeit, Entscheidungen pro Monat, Anteil der ausgelieferten Wetten mit Review und wöchentliche Kundenkontakte.
Was ist Learning Velocity?
Sie ist die Rate, mit der ein Team validierte Entscheidungen hervorbringt: Entscheidungen, etwas zu bauen, zu ändern oder zu stoppen, auf Basis von Belegen, die genau dafür gesammelt wurden. Sie ist die Produktversion von Eric Ries’ Gedanken, dass „die Einheit des Fortschritts für Lean Startups validiertes Lernen ist“ (The Lean Startup). Ries argumentiert, dass jeder Startup-Prozess die Build-Measure-Learn-Schleife beschleunigen sollte.
Zwei Dinge unterscheiden sie von der Ausliefergeschwindigkeit:
Sie zählt Entscheidungen, keine Releases. Ein Feature, das ausgeliefert und nie gemessen wird, bringt null Lernen. Ein zweitägiger Test, der eine schlechte Idee beerdigt, bringt viel.
Sie umfasst den langsamen Teil nach dem Launch. Die Schleife ist erst geschlossen, wenn jemand prüft, ob die Wette aufgegangen ist, und den Plan anpasst.
Wie unterscheidet sie sich von Delivery Velocity?
Delivery Velocity
Lerngeschwindigkeit
Misst
Wie schnell Code in Produktion kommt
Wie schnell aus Fragen belegbasierte Entscheidungen werden
Typische Metrik
DORA Change Lead Time, Deployment-Frequenz
Lernzykluszeit, validierte Entscheidungen pro Monat
Uhr startet
Code ist committet
Annahme ist aufgeschrieben
Uhr stoppt
Änderung ist deployt
Entscheidung auf Basis des Ergebnisses getroffen
Fehlerbild
Langsame, riskante Releases
Schnelle Releases von Dingen, die niemand brauchte
Beides zählt. Aber ein Team kann bei der Auslieferung Elite sein und trotzdem langsam lernen; unser Beitrag zur Illusion der Produktgeschwindigkeit geht dem ausführlicher nach.
Warum ist Lerngeschwindigkeit 2026 ein Wettbewerbsvorteil?
Drei Fakten kommen zusammen.
1. Die meisten Ideen scheitern, also zählt das Tempo, mit dem du sie verwirfst. Kohavis Team bei Microsoft stellte fest, dass nur etwa ein Drittel der Ideen die Zielmetrik verbesserte, ein Drittel nichts bewirkte und etwa ein Drittel sie verschlechterte (Kohavi et al., 2009). Sie merken an, dass auch Amazons Erfolgsquote unter 50 % lag. Wenn zwei von drei Wetten sich nicht auszahlen, schlägt das Team, das es in einer Woche herausfindet, das Team, das es in einem Quartal herausfindet.
2. Die Gewinner sind groß und schwer vorherzusagen. Ein Bing-Experiment, eine Änderung daran, wie Anzeigenüberschriften dargestellt wurden, steigerte den Umsatz um 12 % – allein in den USA mehr als 100 Millionen Dollar pro Jahr (HBR, 2017). Es brauchte nur wenige Tage Engineering, lag aber mehr als sechs Monate ungebaut herum, weil es als niedrig priorisiert eingestuft war. Solche Gewinner findest du, indem du mehr Ideen testest, nicht indem du besser rätst.
3. Das Bauen ist nicht mehr der Engpass. Coding-Assistenten verkürzten in kontrollierten Studien die Aufgabenzeit deutlich; in der GitHub-Studie waren es 1 Stunde 11 Minuten mit Copilot gegenüber 2 Stunden 41 Minuten ohne. Wenn Bauen billiger wird, wird auch das Ausliefern unvalidierter Features billiger – und Pendos Befund, dass 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt werden (Pendo, 2019), lässt sich leichter wiederholen. Knapp bleibt das Wissen, welche Features existieren sollten.
Wettbewerber können ein Feature in Wochen kopieren. Sie können nicht die angesammelte Dokumentation kopieren, was du getestet hast, was deine Kunden getan haben und warum du dich so entschieden hast, wie du dich entschieden hast.
Wie misst du Learning Velocity?
Es gibt keine branchenübliche Standardformel. Diese vier Metriken empfehlen wir; zusammen sind sie schwer zu manipulieren.
Metrik
Definition
Wie du sie erhebst
Gesunde Richtung
Lernzykluszeit
Mediantage von der aufgeschriebenen Annahme bis zur Entscheidung darüber
Annahmen- oder Entscheidungslog mit zwei Datumsangaben
Runter
Validierte Entscheidungen pro Monat
Entscheidungen zu bauen, ändern oder stoppen, die Belege nennen, die für genau diese Frage gesammelt wurden
Einträge im Entscheidungslog mit angehängtem Beleg zählen
Rauf
Reviewte ausgelieferte Wetten
Anteil der Launches mit dokumentiertem Ergebnis gegen die Zielmetrik innerhalb von 6 Wochen
Launch-Liste mit Post-Launch-Reviews abgleichen
Rauf, Ziel 80 %+
Kundenkontakte pro Woche
Gespräche, Tests oder Beobachtungen mit Beteiligung des Teams, das das Produkt baut
Kalender oder Research-Log
Mindestens 1, laut Torres
Die letzte stammt von Teresa Torres, die Continuous Discovery definiert als wöchentliche Kundenkontakte des Teams, das das Produkt baut, auf der Suche nach einem gewünschten Ergebnis (Product Talk).
Durchgerechnetes Beispiel: Was dreimal schnelleres Lernen wert ist (illustrativ)
Angenommen, ein Produktteam mit 5 Personen trifft 3 validierte Entscheidungen pro Monat, bei einer medianen Lernzykluszeit von 41 Tagen. Nimm Microsofts Basisrate: etwa 1 von 3 getesteten Ideen verbessert die Zielmetrik.
Vorher: 3 Entscheidungen × 1/3 Erfolg = etwa 1 erfolgreiche Änderung pro Monat, also 12 im Jahr.
Nachher, mit auf 12 Tage verkürzter Zykluszeit durch kleinere Tests und ein wöchentliches Review: 9 Entscheidungen pro Monat × 1/3 = etwa 3 erfolgreiche Änderungen pro Monat, also 36 im Jahr.
Das Team stoppt außerdem etwa 6 erfolglose Ideen pro Monat früher, bevor sie Engineering-Wochen verbrauchen.
Auf das Verhältnis kommt es an: Das Team rät nicht besser als vorher. Es findet nur dreimal schneller heraus.
Wie hilfst du einem Produktteam, schneller zu lernen? Eine Methode in 7 Schritten
Schreib die Frage vor der Lösung auf. Halte für jede Wette die Annahme fest, die Entscheidung, die sie beeinflusst, und die Metrik, die sie klären würde. Eine ungetestete Annahme ohne Entscheidung dahinter ist nur eine Meinung.
Wähle den günstigsten Test, der dich umstimmen könnte. Interviews, Fake Doors, Concierge-Tests und Prototypen beantworten oft in Tagen, was ein vollständiger Build erst in Monaten beantwortet. Unser Leitfaden zur Wahl eines Produktexperiments ordnet 55 Methoden der Frage zu, die du beantworten musst.
Lege die Entscheidungsregel vorab fest. „Wenn in 2 Wochen weniger als 15 % der Trial-Nutzer auf den Import-Button klicken, lassen wir es.“ Die Vorab-Festlegung verhindert, dass Ergebnisse so umgedeutet werden, dass sie zum Plan passen.
Sprich jede Woche mit Kunden. Torres’ Wochenrhythmus sorgt für einen stetigen Strom an Belegen, sodass Tests von echten Problemen ausgehen. Unser Beitrag zu Continuous Discovery zeigt, wie du das einplanst, ohne dass es die Roadmap übernimmt.
Sei schnell bei umkehrbaren Entscheidungen. Jeff Bezos argumentiert, die meisten Entscheidungen sollten mit etwa 70 % der Informationen getroffen werden, die man sich wünscht, und nennt umkehrbare Entscheidungen Two-Way-Doors, die einen leichten Prozess verdienen (Amazon, 2017). Sein Ziel: „hochwertige, schnelle Entscheidungen“. Heb dir langsame, schwere Prüfungen für Entscheidungen auf, die du nicht rückgängig machen kannst.
Schließe die Schleife nach dem Launch. Leg das Review beim Ausliefern fest: Prüfe die Zielmetrik nach 2 und 6 Wochen, halte das Ergebnis fest und entscheide, ob du behältst, iterierst oder entfernst.
Mach Lernen gemeinsam. Schreib jede Entscheidung, ihren Beleg und ihr Ergebnis in ein Produkt-Entscheidungslog. Lernen im Kopf einer einzelnen Person summiert sich nicht auf, wenn sie geht oder vergisst.
Was bremst das Lernen eines Produktteams?
Die meisten Teams sind aus strukturellen Gründen langsam, nicht wegen mangelnder Anstrengung:
Große Batches. Ein quartalslanges Projekt liefert eine Antwort pro Quartal. Teilst du es in 3–4 testbare Scheiben, bekommst du 3–4 Antworten.
Roadmaps, die Features zu Terminen versprechen. Ein Feature mit Termin wird zur Zusage, also werden Belege dagegen ignoriert. Eine ergebnisorientierte Roadmap hält das Ergebnis fest und lässt die Wetten wechseln.
Keine vereinbarte Erfolgsmetrik. Wenn niemand vereinbart hat, was „hat funktioniert“ heißt, ist jedes Ergebnis diskutierbar. Eine klare North Star mit Input-Metriken klärt das vorab.
Belege über viele Tools verstreut. Interviews an einem Ort, Tickets an einem anderen und Analytics an einem dritten – dann beginnt jede Entscheidung mit einem Archäologieprojekt.
Keine Strategie, gegen die man testet. Ohne ausgesprochene Wette sind Tests zufällig. Ein einseitiges Strategy Canvas benennt die riskantesten Annahmen, die du zuerst testen solltest.
Häufige Fehler und Grenzen
Experimente statt Entscheidungen zählen. Ein Team, das 40 Tests im Monat fährt und nichts ändert, hat Aktivität, kein Lernen. Verfolge die Entscheidungen, die auf Ergebnissen beruhen.
Tempo ohne Sorgfalt. Kohavis Paper warnt vor sequenziellen, unkontrollierten Experimenten, etwa dem Vergleich dieser Woche mit der letzten statt einer Kontrollgruppe zur selben Zeit, weil sie sehr oft in die Irre führen. Schnell und falsch ist schlimmer als langsam und richtig.
Annehmen, du brauchst A/B-Tests. Kontrollierte Experimente brauchen Traffic. Ein Produkt mit 200 wöchentlichen Nutzern kann kleine Effekte nicht erkennen. Unterhalb dieser Größe kommt schnelles Lernen aus Interviews, Usability-Tests, Fake Doors und Concierge-Angeboten, nicht aus Statistik.
Lerntheater. Research, die nie eine Entscheidung ändert, ist Theater. Wenn die letzten 10 Studien nichts an der Roadmap geändert haben, frag dich, ob die Roadmap schon feststand.
Unumkehrbare Entscheidungen ignorieren. Preisänderungen, Datenmigrationen und öffentliche Zusagen sind One-Way-Doors. Sie verdienen den langsamen Weg, selbst in einem schnell lernenden Team.
Wo Specky ins Spiel kommt
Die langsamsten Teile der Schleife sind meist das Sammeln von Belegen und das Schließen der Schleife nach dem Launch, und genau dabei hilft Specky. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, sodass eine neue Frage von dem ausgeht, was du schon weißt. Alex, der KI-Research-Agent, führt Kundeninterviews über einen teilbaren Link, sodass Research nicht auf Kalender warten muss. Nach einem Launch prüft er, ob die Wette ihr Ziel bewegt hat, und das Decision Log hält das Ergebnis fest. Für größere Organisationen ist dieselbe Schleife über viele Squads Teil des Produkt-Betriebsmodells für skalierende Teams.
Häufig gestellte Fragen
Was ist Learning Velocity im Produktmanagement?
Learning Velocity ist das Tempo, in dem ein Produktteam Annahmen in Entscheidungen verwandelt, die durch Belege gestützt sind. Gemessen wird vom Moment, in dem eine Frage aufgeschrieben wird, bis zu dem Moment, in dem auf Basis des Ergebnisses eine Entscheidung zum Bauen, Ändern oder Stoppen fällt. Sie unterscheidet sich von der Delivery Velocity, die misst, wie schnell Code in Produktion kommt – unabhängig davon, ob er funktioniert.
Wie misst du Learning Velocity?
Verfolge vier Zahlen: die mediane Lernzykluszeit (Tage von der Annahme bis zur Entscheidung), validierte Entscheidungen pro Monat, den Anteil der ausgelieferten Wetten, die innerhalb von etwa 6 Wochen gegen ihre Zielmetrik geprüft wurden, und Kundenkontakte pro Woche. Nutze sie zusammen, denn jede allein lässt sich manipulieren, zum Beispiel indem man viele triviale Experimente fährt.
Ist Lerngeschwindigkeit dasselbe wie Experiment-Velocity?
Nein. Experiment-Velocity zählt durchgeführte Tests; Lerngeschwindigkeit zählt Entscheidungen, die durch Belege geändert oder bestätigt wurden. Ein Team kann viele Experimente fahren und wenig lernen, wenn die Tests trivial sind oder die Ergebnisse die Roadmap nie beeinflussen. Experiment-Velocity ist ein nützlicher Input, aber der Output, der zählt, sind bessere Entscheidungen, die früher fallen.
Kann ein kleines Startup ohne A/B-Tests schneller lernen?
Ja. Das meiste Lernen in der Frühphase kommt aus qualitativen Methoden und solchen für wenig Traffic: Kundeninterviews, Usability-Tests, Fake-Door-Tests, Concierge-Angebote und Preisgespräche. Damit lässt sich eine Frage in 2–10 Tagen beantworten. A/B-Tests werden erst nützlich, wenn du genug Traffic hast, um die Effektgrößen zu erkennen, die dir wichtig sind – was bei den meisten Produkten mit unter ein paar Tausend wöchentlichen Nutzern nicht der Fall ist.
Warum zählt Lerngeschwindigkeit mehr, nun da KI Code schreibt?
Weil KI die Kosten des Bauens senkt, nicht aber die Kosten, das Falsche zu bauen. Die GitHub-Studie von 2022 ergab, dass Entwickler mit Copilot eine Aufgabe 55 % schneller erledigten. Wenn Features billig zu bauen sind, wird zur knappen Fähigkeit, zu wissen, welche man bauen soll, und das Team, das Ideen am schnellsten validiert, verschwendet am wenigsten von seiner neuen Kapazität.
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