16. Juli 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
PM-Engineer-Verhältnis: Typische Spannen, Benchmarks und der KI-Wandel
Die meisten Softwareunternehmen setzen auf einen Product Manager pro 4 bis 10 Engineers – von etwa 1:5 in kleinen bis 1:11 in großen Firmen. Benchmarks nach Phase, wie du dein Verhältnis berechnest und was KI-Coding-Tools ändern.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Das typische Verhältnis von Product Managern zu Engineers liegt in Softwareunternehmen bei einem Product Manager auf 4 bis 10 Engineers, wobei 1:6 die gängigste Faustregel ist. Die Unternehmensgröße verschiebt den Wert: Daten von 4.195 Unternehmen zeigen etwa 1 PM auf 5 Engineers in Unternehmen mit weniger als 100 Mitarbeitenden und 1 auf 11 in Unternehmen mit mehr als 3.000. KI-Coding-Tools drängen manche Teams inzwischen in Richtung 1:1.
Das Wichtigste in Kürze
Übliche Spanne: 1 PM auf 4–10 Engineers. Andrew Ng nennt 6:1 ein gängiges Engineer-zu-PM-Verhältnis und 4:1 bis 10:1 typisch (The Batch, 2025).
Größere Unternehmen kommen mit weniger PMs aus. Der PM-Anteil sinkt von 13 % der R&D-Belegschaft bei 1–100 Mitarbeitenden auf 7 % ab 3.000 (Pave, 2024).
KI beschleunigt das Engineering stärker als Produktentscheidungen. 50 % der Product Leader berichten von hohem KI-Einfluss auf die Engineering-Arbeit, aber nur 17 % auf strategische Planung und Roadmapping (Product Institute, 2026).
Die 1:0,5-Geschichte ist ein einzelner Vorschlag, kein Benchmark. Ng sagte, er wisse immer noch nicht, ob es eine gute Idee sei.
Miss den Engpass, nicht das Verhältnis. Engineers, die auf Entscheidungen warten, Nacharbeit und Prototypen ohne Verantwortliche sagen dir mehr als ein Bruch aus Köpfen.
Wie hoch ist das typische Verhältnis von PMs zu Engineers?
Einen offiziellen Standard gibt es nicht, aber veröffentlichte Daten und Umfragen unter Praktikern liegen dicht beieinander. Das hat jede Quelle tatsächlich gemessen:
Quelle
Jahr
Was gemessen wurde
Engineers pro PM
Pave, R&D-Org-Benchmarks
2024
Headcount-Daten, ca. 233.000 R&D-Mitarbeitende in 4.195 Unternehmen
ca. 5 (1–100 Mitarbeitende) bis ca. 11 (über 3.000 Mitarbeitende)
Nur die Zahlen von Pave und Synq stammen aus Headcount-Daten; der Rest sind Expertenschätzungen. Trotzdem sind sie sich in der Mitte einig: Die meisten Softwareteams liegen zwischen 1:5 und 1:10. Unter 1:4 ist außerhalb früher Startups und KI-lastiger Teams ungewöhnlich. Über 1:15 deutet meist entweder auf eine Engineering-getriebene Kultur hin oder auf PMs, die zu dünn verteilt sind.
Wie sieht das Verhältnis je nach Unternehmensphase aus?
Phase
Typische Engineers pro PM
Wer macht die Produktarbeit
Quelle bzw. Grundlage
Vor dem Product-Market-Fit, unter ca. 10 Personen
Kein eigener PM
Ein Gründer übernimmt das tägliche PM-Geschäft
Ken Norton
Kleines Unternehmen, 1–100 Mitarbeitende
ca. 5
Erste PMs, oft einer pro Produktbereich
Pave
Scaleup
ca. 8 im Median; 15+ in Engineering-getriebenen Unternehmen
PM pro Team oder Oberfläche
Synq
Großunternehmen, über 3.000 Mitarbeitende
ca. 11
PMs, Group PMs, Platform PMs
Pave
Reife Produkte mit wenig Veränderung
Bis zu 50
PM betreut die Wartungs-Roadmap
Saeed Khan (Meinung)
KI-native Teams 2026
Von ca. 8 in Richtung 1
Generalisten, die bauen und entscheiden
Andrew Ng, 2026
Pave hat außerdem festgestellt, dass der Engineering-Anteil an der R&D-Belegschaft von etwa 70 % in kleinen auf etwa 80 % in großen Unternehmen steigt, während Data Science durchgehend bei 4–6 % bleibt (Pave, 2024). Große Unternehmen stellen Engineers schneller ein als PMs. Ein plausibler Grund, den Pave nicht misst: Plattform- und Infrastrukturarbeit braucht weniger direktes Product Management.
Ken Nortons Regel für die früheste Phase solltest du dir merken: Vor dem Product/Market-Fit sollte ein Gründer der tägliche PM sein (Norton, 2017). Wenn du überlegst, wann du jemanden einstellen solltest, lies unseren Leitfaden zum ersten Product Manager in einem Startup.
Wie berechnest du dein PM-Engineer-Verhältnis?
Teile die Zahl der Engineers durch die Zahl der Menschen, die Product Management machen, und zähle dabei nach aufgewendeter Zeit statt nach Jobtitel.
Zähle die Engineers, die das Produkt bauen. Dazu gehören Product Engineers sowie Frontend-, Backend-, Mobile- und ML-Engineers. Entscheide einmal, ob du Engineering Manager, QA und Platform Engineers mitzählst, und bleib dabei.
Zähle die Product-Management-Kapazität in Vollzeitäquivalenten (FTE). Ein Vollzeit-PM zählt 1,0. Ein Gründer, der die halbe Woche für Produktentscheidungen aufwendet, zählt 0,5. Eine Designerin oder ein Engineer, die bzw. der einen Tag pro Woche Discovery macht, zählt 0,2.
Teile die Engineers durch die PM-Kapazität.
Prüfe es pro Team, nicht nur unternehmensweit. Ein Firmendurchschnitt von 1:7 kann ein Team bei 1:3 und ein anderes bei 1:20 verbergen.
Ein durchgerechnetes Beispiel mit fiktiven Zahlen. Nehmen wir ein SaaS-Unternehmen mit 30 Mitarbeitenden: 18 Engineers, 2 PMs, ein CEO, der 40 % der Woche für Produkt aufwendet, und ein Lead Engineer, der 20 % für Discovery nutzt:
PM-Kapazität: 2 + 0,4 + 0,2 = 2,6 FTE
Verhältnis: 18 ÷ 2,6 ≈ 6,9 Engineers pro PM
Allein nach Titel wären es 18 ÷ 2 = 9, was die Lücke überzeichnet
Die Zahl nach Titel würde dieses Team zum Einstellen drängen. Die Kapazitätszahl sagt, dass es im Mittelfeld liegt, und die eigentliche Frage ist, ob die 40 % des CEOs die richtigen 40 % sind.
Warum verändert sich das PM-Engineer-Verhältnis im KI-Zeitalter?
KI-Coding-Tools beschleunigen das Bauen stärker als die Entscheidung, was gebaut werden soll, und deshalb werden Produktentscheidungen zum Engpass. Ng formulierte es im Juli 2025 so: Zu entscheiden, was gebaut wird, ist der neue Engpass, besonders zu Beginn eines Projekts (The Batch, 2025).
Die Umfragedaten passen zu diesem Argument. In der Umfrage des Product Institute von 2026 unter 309 Product Leadern berichteten 50 % von hohem KI-Einfluss in Engineering und Entwicklung und 45 % in Design und Prototyping, aber nur 17 % in strategischer Planung und Roadmapping und 9 % in der teamübergreifenden Zusammenarbeit (Product Institute, 2026). Der DORA-Report 2025 von Google fand heraus, dass 90 % von rund 5.000 Technologie-Profis inzwischen KI bei der Arbeit nutzen und dass die Nutzung mittlerweile mit höherem Delivery-Durchsatz verbunden ist (Google, 2025).
Wenn der Output pro Engineer steigt, die Kapazität für Produktentscheidungen aber nicht, kann jeder PM weniger Engineers unterstützen, bevor diese anfangen zu warten. Das ist der Mechanismus hinter einem sinkenden Verhältnis.
Was hat Andrew Ng tatsächlich über 1 PM auf 0,5 Engineers gesagt?
Auf der AI Startup School von Y Combinator im Juni 2025 beschrieb Ng ein Team, das einen PM für je einen halben Engineer vorschlug, statt der üblichen 1:4 (YouTube, 2025). Er nannte die Idee extrem und fügte hinzu: „I still don't know if this is a good idea“ (Transkriptauszug, HackerNoon). Es war der Vorschlag eines einzelnen Teams für ein einzelnes Projekt.
Im April 2026 war seine Einordnung abgewogener: Manche Teams drücken das Verhältnis von Engineers zu PMs von etwa 8:1 auf bis zu 1:1, und kleine, räumlich zusammenarbeitende Teams aus 2 bis 10 Personen, die sich angrenzende Fähigkeiten aneignen, können deutlich mehr erreichen (The Batch, 2026). Der haltbarere Punkt ist, dass die Grenze zwischen Engineer und PM verschwimmt – nicht, dass Unternehmen zwei PMs pro Engineer einstellen sollten.
Wo liegen die Grenzen des Arguments „KI macht Engineers schneller“?
Die Beschleunigung ist bei vielen Aufgaben real, aber ungleichmäßig und leicht zu überschätzen:
In Atlassians Umfrage von 2025 unter 3.500 Entwicklerinnen, Entwicklern und Managern sparten 68 % mit KI mehr als 10 Stunden pro Woche, doch 50 % verloren 10 oder mehr Stunden pro Woche durch organisatorische Reibung, und Entwickler verbrachten nur 16 % ihrer Zeit mit Coden (Atlassian, 2025).
In der randomisierten Studie von METR brauchten 16 erfahrene Open-Source-Entwickler mit KI-Tools bei 246 Aufgaben 19 % länger, glaubten aber, sie seien 20 % schneller gewesen (METR, 2025). METR beschreibt sie inzwischen als Momentaufnahme der Tools von Anfang 2025.
Wenn Coden nur 16 % der Zeit eines Engineers ausmacht, setzt selbst eine Verdopplung der Coding-Geschwindigkeit weniger Kapazität frei, als die Schlagzeilen nahelegen. Teams, deren Engpass Review, Testing oder unklare Anforderungen sind, lösen das weder durch mehr PMs noch durch weniger Engineers.
Wie solltest du das Verhältnis deines Teams durch KI in der Praxis verändern?
Behandle das Verhältnis als Ergebnis davon, wie die Arbeit fließt, nicht als Eingabe für Einstellungen. Frag dich, wo Arbeit wartet:
Signal
Was es nahelegt
Was du zuerst versuchen kannst
Engineers oder Agents warten untätig auf Entscheidungen oder Specs
Zu wenig Kapazität für Produktentscheidungen
Eine kürzere Entscheidungsschleife und klar umrissene Briefs; danach mehr PM-Kapazität
Prototypen stapeln sich ohne Verantwortliche oder Weg in die Produktion
Das Bauen überholt das Entscheiden
Wöchentlicher Keep-, Kill- oder Ship-Review; für jeden Prototyp eine verantwortliche Person benennen
Viel Nacharbeit: Features werden wieder geöffnet, weil das Ziel unklar war
Schwache Briefs, nicht unbedingt zu wenige PMs
Ein gemeinsamer Brief, der vor Arbeitsbeginn mit dem Engineering besprochen wird
PMs schreiben Specs, die niemand liest; viele Status-Meetings
Zu viele PMs oder PMs, die Koordination machen
Weniger Übergaben; Engineers direkten Kundenzugang geben
Release-Qualität und Support-Last verschlechtern sich, während der Output steigt
Review und Testing sind der Engpass
Vor mehr PM-Headcount in QA, Evals und Release-Checks investieren
Welches Verhältnis sollte ein KI-natives Team mit 3–10 Personen anstreben?
Strebe genug Kapazität für Produktentscheidungen an, damit niemand länger als ein oder zwei Tage auf eine Entscheidung wartet, statt ein festes Verhältnis. Ein Beispiel zur Veranschaulichung: Ein Team mit 7 Personen hat 5 Engineers, 1 Designerin und einen Gründer-CEO, der die halbe Woche für Produkt aufwendet. Das sind 5 ÷ 0,5 = 10 Engineers pro PM-Äquivalent, am schlanken Ende der Spanne.
Wenn diese Engineers Coding Agents nutzen und eine typische Änderung jetzt in zwei statt fünf Tagen fertig haben, wird die halbe FTE Produktzeit des Gründers zur Warteschlange. Die Optionen, nach Kosten geordnet:
Hol dir Produktzeit aus dem Alltagskram zurück. Viel PM-Zeit geht dafür drauf, Kontext zusammenzutragen, statt zu entscheiden. Unser Beitrag über das Zurückgewinnen des Handwerks im Product Management zeigt, was du abgeben kannst.
Mach einen Engineer zum Teilzeit-Product-Engineer, der die Discovery für einen Bereich mit etwa 0,2–0,3 FTE verantwortet.
Stelle einen ersten PM ein, sobald der Gründer nicht mehr gleichzeitig wöchentliche Kundengespräche führen und den Product Brief aktuell halten kann. Damit kommt das Team auf etwa 5 ÷ 1,5 ≈ 3,3 Engineers pro PM-Äquivalent – nah an der Richtung für das KI-Zeitalter, die Ng beschreibt.
Für ein kleines KI-natives Team lautet die praktische Antwort meist nicht ein neues Verhältnis, sondern Generalisten: Engineers, die Discovery machen, und PMs, die prototypen können. Trotzdem sollte jede Person in jeder Phase sagen, welchen Hut sie gerade aufhat. Das Betriebsmodell behandeln wir in KI-nativem Product Management für kleine Teams, die PM-Rolle selbst in Was macht ein AI Product Manager?.
Warum bauen Engineers Dinge, die nicht zu dem passen, was der PM verlangt hat?
Engineers bauen etwas anderes, als der PM erwartet hat, wenn der Brief auf eine von zwei entgegengesetzten Arten scheitert. Entweder sagt er zu wenig über die Nutzenden, das Problem oder das erwartete Verhalten. Oder er schreibt die Umsetzung vor, bevor das Engineering den Ansatz bewertet hat. Eine Änderung des Verhältnisses behebt keines von beiden.
Sorge dafür, dass diese Punkte vor Arbeitsbeginn leicht zu finden sind:
Nutzende und Situation: Wer ist betroffen, und was versucht die Person zu erreichen?
Evidenz: Welches Kundengespräch, welches Support-Muster oder welches Nutzungssignal hat hierher geführt, und was ist noch eine Annahme?
Gewünschtes Ergebnis: Was soll sich verbessern, mit einer Baseline, falls es eine gibt?
Verhaltensbeispiele: Der Hauptfall und zwei oder drei wichtige Randfälle.
Rahmenbedingungen und Nicht-Ziele: Was muss weiterhin gelten, und was liegt bewusst außerhalb des Umfangs?
Offene Entscheidungen: Was braucht Input von Engineering, Design oder Legal, bevor man sich festlegt?
Verifikation: Wie das Team Verhalten und Wirkung nach dem Release prüft.
Geh den Brief mit dem Engineer durch, bevor irgendjemand – Mensch oder Coding Agent – mit dem Bauen anfängt. Die PRD-Vorlage für KI-Coding-Agents bietet eine Version zum Kopieren. Wenn Engineers einen größeren Teil der Discovery selbst übernehmen wollen, lies Customer Discovery für Product Engineers.
Typische Fehler beim Umgang mit PM-Engineer-Verhältnissen
Einen Benchmark als Einstellungsziel verwenden. Ein Verhältnis beschreibt ein Team; es sagt nicht, ob das Team seine Kundinnen und Kunden versteht.
Titel statt Zeit zählen. Gründer, Designerinnen und Engineers leisten oft echte Produktarbeit. Zähl sie mit.
Das Verhältnis eines Konzerns kopieren. Ein Enterprise-Verhältnis von 1:11 spiegelt Plattform-Teams wider, die wenig Product Management brauchen. Ein Startup mit 15 Personen hat andere Arbeit.
Design vergessen. Ken Norton bevorzugt auf nutzerseitigen Oberflächen eine Designerin bzw. einen Designer pro PM. Mehr PMs ohne Design-Kapazität verschieben den Engpass nur.
Annehmen, KI macht jeden Engineer gleich viel schneller. Gemessene Zugewinne schwanken stark je nach Aufgabe und Codebase.
Die 1:0,5-Geschichte als Trend lesen. Es war ein einzelner Vorschlag, bei dem sich schon die Quelle selbst unsicher war.
Wo Specky ins Spiel kommt
Wenn Produktentscheidungen der Engpass sind, ist die Lösung meist schnellerer Zugang zu Evidenz, nicht mehr Meetings. Specky ist ein KI-natives Produktsystem, das Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph einliest und Specs entwirft, in denen die Kundenevidenz inline zitiert ist, damit Engineers und Coding Agents sehen können, warum etwas gebaut wird. Teams mit 3–10 Personen, die ihren ersten PM einstellen, finden mehr unter Specky für Startups.
Häufig gestellte Fragen
Was ist ein normales Verhältnis von Product Managern zu Engineers?
Normal ist ein Product Manager auf 4 bis 10 Engineers, wobei 1:6 eine gängige Faustregel ist. Die Daten von Pave aus 2024 liegen bei etwa 1:5 in Unternehmen mit weniger als 100 Mitarbeitenden und bei 1:11 in Unternehmen mit mehr als 3.000. Die richtige Zahl für dein Team hängt von der Komplexität des Produkts, dem Kundenzugang und davon ab, wie viel Produktarbeit Engineers und Gründer bereits übernehmen.
Wie viele Engineers pro Product Manager sollte ein Startup haben?
Ein Startup vor dem Product-Market-Fit hat meist keinen eigenen PM; ein Gründer übernimmt die Rolle. Sobald es mehrere Engineers in mehr als einem Produktbereich gibt, liegen kleine Unternehmen und Scaleups laut Pave- und Synq-Daten bei etwa 1:5 bis 1:8. Zähl die Produktzeit des Gründers, bevor du einstellst, denn sie deckt oft mehr ab, als der Titel vermuten lässt.
Was bedeutet ein PM auf 0,5 Engineers?
Es bedeutet einen Product Manager auf eine halbe Engineering-Stelle, also zwei PMs pro Engineer. Andrew Ng beschrieb ein Team, das das vorschlug, in einem Vortrag im Juni 2025 und sagte, er wisse nicht, ob es eine gute Idee sei. Es ist ein einzelner Vorschlag, der die Verschiebung hin zum Entscheiden als Engpass veranschaulicht – kein Branchen-Benchmark.
Verändert KI das PM-Engineer-Verhältnis?
KI drückt das Verhältnis in manchen Teams nach unten, weil das Coden stärker beschleunigt wird als Produktentscheidungen. Ng schrieb im April 2026, manche Teams seien von etwa 8:1 in Richtung 1:1 gegangen. Die Belege für die Beschleunigung im Engineering sind allerdings gemischt, weshalb die meisten Teams erst Entscheidungs- und Review-Engpässe beheben sollten, bevor sie am Headcount drehen.
Wie viele Product Manager braucht man für 100 Engineers?
Bei der typischen Spanne von 1:6 bis 1:10 würden 100 Engineers meist etwa 10 bis 17 PMs brauchen. Weniger ist vertretbar, wenn viele Engineers an Plattform oder Infrastruktur arbeiten oder ihre Discovery selbst machen. Mehr kann nötig sein bei vielen kundennahen Oberflächen oder regulierten Produkten. Plane nach Produktbereich, nicht allein nach Headcount.
Was ist das ideale Verhältnis von Designern zu Product Managern?
Ken Norton bevorzugt auf nutzerseitigen Oberflächen eine Designerin bzw. einen Designer pro PM, wobei PM, Design und Tech Lead das Kernteam bilden. Viele Unternehmen haben weniger Designer als PMs, besonders bei Plattform- und internen Produkten. Wenn sich Design-Arbeit hinter Entscheidungen staut, beschleunigen zusätzliche PMs allein die Auslieferung nicht.
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