4. November 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Product-Market-Fit-Umfrage: 4 Fragen, Vorlage und Auswertung
Kopiere die vier Product-Market-Fit-Fragen von Superhuman, schick sie an die richtigen Nutzer und werte die Antworten nach Segmenten aus. Mit Vorlage, Tabelle zur Stichprobengröße und durchgerechnetem Beispiel.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Eine Product-Market-Fit-Umfrage stellt Menschen, die dein Produkt aktiv nutzen, eine zentrale Frage: „Wie würdest du dich fühlen, wenn du [Produkt] nicht mehr nutzen könntest?“ Antworten 40 % oder mehr mit „sehr enttäuscht“, deutet der Richtwert von Sean Ellis darauf hin, dass du Product-Market-Fit hast. Drei Folgefragen zeigen dir, wer diese Menschen sind, was sie schätzen und was alle anderen zurückhält.
Das Wichtigste in Kürze
Der 40-%-Richtwert stammt von Sean Ellis, der knapp hundert Startups verglichen hat: Wer Schwierigkeiten hatte, lag fast immer unter 40 %, wer starke Traktion hatte, fast immer darüber (First Round Review, 2018).
Befrage nur Nutzer, die das Kernprodukt in den letzten zwei Wochen mindestens zweimal genutzt haben. Brandneue Anmeldungen verzerren das Ergebnis.
Rund 40 Antworten liefern eine grobe Richtung. Bei dieser Größe hat ein Wert von 40 % eine Fehlermarge von etwa ±15 Punkten.
Superhuman kam in etwa drei Quartalen von 22 % auf 58 %, indem es die Antworten segmentierte und seine Roadmap teilte.
Die Umfrage ist ein Frühindikator. Bestätige sie mit Retention, Zahlungsbereitschaft und organischem Wachstum.
Was sind die Fragen einer Product-Market-Fit-Umfrage?
Die Standard-Umfrage zum Product-Market-Fit hat vier Fragen. Das ist genau das Set, das Rahul Vohra bei Superhuman verwendet hat, aufbauend auf der ursprünglichen Frage von Sean Ellis (First Round Review, 2018):
Wie würdest du dich fühlen, wenn du [Produkt] nicht mehr nutzen könntest? Sehr enttäuscht / Etwas enttäuscht / Nicht enttäuscht.
Welche Art von Menschen würde deiner Meinung nach am meisten von [Produkt] profitieren?
Was ist der wichtigste Nutzen, den du aus [Produkt] ziehst?
Wie können wir [Produkt] für dich verbessern?
Warum jede Frage ihren Platz verdient
Menschen sind höflich gegenüber Produkten, die sie mögen. Wer fragt, wie sie sich fühlen würden, wenn es verschwindet, filtert die Nutzer heraus, die davon abhängen.
Frage 2 lässt Fans deinen besten Kunden beschreiben. Die Antworten der „sehr enttäuschten“ Nutzer beschreiben oft ein Segment genauer als dein eigenes Positioning. Superhuman machte aus diesen Antworten ein Profil seines anspruchsvollen Kunden.
Frage 3 zeigt, was du wirklich verkaufst. Behalte die genauen Worte der Befragten. Sie werden zu deinen Headline-Texten.
Frage 4 findet die Blockade. Sie ist vor allem für „etwas enttäuschte“ Nutzer wichtig, die den Hauptnutzen teilen, den deine Fans nennen.
Vorlage für die Product-Market-Fit-Umfrage zum Kopieren
Füge das in ein beliebiges Formular-Tool ein. Behalte die Reihenfolge bei: Die Bewertungsfrage muss zuerst kommen, bevor Folgefragen die Antwort färben können.
Betreff: 2 Minuten, um [Produkt] zu verbessern?
Hallo [Vorname],
du hast [Produkt] in letzter Zeit ein paar Mal genutzt, deshalb zählt deine Meinung.
Vier Fragen, etwa zwei Minuten. Es gibt keine falschen Antworten.
1. Wie würdest du dich fühlen, wenn du [Produkt] nicht mehr nutzen könntest?
( ) Sehr enttäuscht
( ) Etwas enttäuscht
( ) Nicht enttäuscht
( ) N/A: Ich nutze [Produkt] nicht mehr
2. Welche Art von Menschen würde deiner Meinung nach am meisten von [Produkt] profitieren?
[offener Text]
3. Was ist der wichtigste Nutzen, den du aus [Produkt] ziehst?
[offener Text]
4. Wie können wir [Produkt] für dich verbessern?
[offener Text]
Optional (nur wenn es eine Entscheidung verändert):
5. Was würdest du stattdessen nutzen, wenn [Produkt] nicht mehr verfügbar wäre?
[offener Text]
6. Was ist deine Rolle, und wie viele Menschen arbeiten ungefähr in deinem Unternehmen?
[Rolle] [Unternehmensgröße]
Danke dir. Wir lesen jede Antwort.
Die Option N/A ist eine praktische Ergänzung und nicht Teil der drei Antworten von Superhuman. Sie lässt ehemalige Nutzer sich selbst zu erkennen geben, sodass du sie aus dem Score herausnehmen kannst, statt sie als „nicht enttäuscht“ zu zählen.
Optionale Fragen für KI-Produkte
Wenn die KI die Kernarbeit erledigt, füge nach Frage 3 eine Frage hinzu: „Was hast du beim letzten Mal, als du [Produkt] genutzt hast, mit dem Ergebnis gemacht?“ Antwortmöglichkeiten: unverändert übernommen / leicht bearbeitet / größtenteils neu geschrieben / verworfen. Das trennt Menschen, die die Idee des Produkts lieben, von Menschen, die seinem Output vertrauen.
Woher kommt die 40-%-Regel für Product-Market-Fit?
Sean Ellis nutzte die Frage nach „sehr enttäuscht“ zuerst bei Xobni und setzte sie bei Dropbox und späteren Unternehmen fort, wie er im September 2024 in Lenny's Podcast erzählte (Lenny's Newsletter, 2024). Das Ziel war ein Filter für Nutzer, denen das Produkt wirklich wichtig war.
Die 40-%-Marke kam später. Nach Vohras Darstellung verglich Ellis knapp hundert Startups mit dieser Umfrage und stellte fest, dass Unternehmen mit Wachstumsproblemen fast immer unter 40 % lagen, während solche mit starker Traktion fast immer darüber lagen (First Round Review, 2018).
Drei Vorbehalte von Ellis selbst aus diesem Interview von 2024:
Er nennt die Umfrage einen Frühindikator. Sie liefert schon am ersten Tag eine Einschätzung, während Retention-Daten Monate brauchen.
Er sieht 40 % nicht als festes Gesetz. Ihr Hauptwert liegt darin, einem Team ein gemeinsames Ziel zu geben, bevor es Geld für Wachstum ausgibt.
Hohe Wechselkosten können die Werte aufblähen. Menschen sind womöglich „sehr enttäuscht“, ein Tool zu verlieren, nur weil der Umstieg schmerzhaft ist.
Zum Vergleich: Hiten Shahs Umfrage von 2015 unter 731 Slack-Nutzern ergab, dass 51 % sehr enttäuscht wären, es nicht mehr zu haben – zu einer Zeit, als Slack etwa eine halbe Million zahlende Nutzer hatte (First Round Review, 2018).
An wen solltest du eine PMF-Umfrage schicken?
Befrage Menschen, die den Kernnutzen kürzlich erlebt haben. Die Regel von Superhuman: Nutzer, die das Produkt in den letzten zwei Wochen mindestens zweimal genutzt hatten, gezogen aus einem damaligen Pool von 100 bis 200 Nutzern (First Round Review, 2018). Ellis beschreibt dieselbe Regel: eine Zufallsstichprobe von Menschen, die das Produkt in der letzten oder den letzten zwei Wochen wirklich mehr als zweimal genutzt haben (Lenny's Newsletter, 2024).
Befrage nicht:
Menschen, die sich angemeldet, aber nie den Kern-Workflow erreicht haben.
Menschen, die nur eine Demo oder die Startseite gesehen haben.
Deine Freunde, Investoren oder die fünf Kunden, mit denen du jede Woche sprichst.
Passe das Zeitfenster an den Rhythmus des Jobs an
„Zweimal in zwei Wochen“ passt zu einem täglichen oder wöchentlichen Tool. Bei einem monatlichen Job wie Gehaltsabrechnung oder Reporting nimm „die Kernaufgabe in jedem der letzten zwei Zyklen erledigt“. Schreibe die Regel auf, bevor du die Umfrage verschickst, und halte sie zwischen den Runden konstant. Sonst spiegelt ein höherer Wert vielleicht eine andere Stichprobe wider, nicht ein besseres Produkt.
Befrage jede Person nur einmal
Superhuman befragte später neue Nutzer, sobald sie die Kriterien erfüllten, und nie jemanden zweimal. Wiederholte Befragte lernen, was du hören willst, und driften dorthin.
Wie viele Antworten braucht eine PMF-Umfrage?
Rund 40 Antworten reichen, um grob die richtige Richtung zu erkennen – so die Empfehlung, die Vohra von Ellis weitergibt. Was das für die Genauigkeit bedeutet: Die Tabelle zeigt die 95-%-Fehlermarge für einen Wert nahe 40 %, berechnet mit der üblichen Normalapproximation:
Antworten
Fehlermarge bei einem Wert von 40 %
Ehrliche Lesart von „40 %“
20
±21 Punkte
Irgendwo zwischen 19 % und 61 %
40
±15 Punkte
Irgendwo zwischen 25 % und 55 %
100
±10 Punkte
Irgendwo zwischen 30 % und 50 %
200
±7 Punkte
Irgendwo zwischen 33 % und 47 %
400
±5 Punkte
Irgendwo zwischen 35 % und 45 %
Zwei Folgerungen:
Segmente sind kleiner als die Gesamtzahl. Ein Wert von 55 % aus einem Segment mit 25 Personen ist ein Hinweis, dem du nachgehen solltest, keine Tatsache.
Schwankungen von 5 bis 10 Punkten von Woche zu Woche sind bei Stichproben im Frühphasen-Bereich meist Rauschen. Achte auf einen Trend über drei oder mehr Runden.
Der Stichprobenfehler ist das kleinere Problem. Wichtiger ist, wer sich zum Antworten entschieden hat. Nenne die Antwortquote neben dem Score.
Wie wertest du die Ergebnisse aus?
Der Score selbst ist einfach:
PMF-Score = Antworten „sehr enttäuscht“ ÷ alle Antworten, die nicht N/A sind
Gruppiere die Antworten nach der Antwort auf Frage 1. Sehr, etwas und nicht enttäuscht.
Erstelle ein Profil der Gruppe „sehr enttäuscht“. Nutze ihre Antworten auf Frage 2 plus Rollen- und Unternehmensdaten. Superhuman stellte fest, dass seine Fans Gründer, Manager, Führungskräfte und Business-Development-Leute waren.
Berechne den Score nur für dieses Segment neu. Aus den 22 % von Superhuman wurden 33 %, bevor eine Zeile Code geändert wurde.
Lies die Antworten der Fans auf Frage 3. Welchen einen Nutzen nennen sie? Bei Superhuman war es Geschwindigkeit.
Teile die Gruppe „etwas enttäuscht“. Behalte nur diejenigen, die denselben Hauptnutzen nennen. Ihre Antworten auf Frage 4 sind deine Roadmap, um sie zu gewinnen. Lege den Rest beiseite, zusammen mit den Antworten „nicht enttäuscht“.
Teile die Roadmap in zwei Hälften. Eine Hälfte verdoppelt, was Fans lieben. Die andere beseitigt, was die Beinahe-Fans blockiert.
Befrage neue berechtigte Nutzer regelmäßig erneut. Superhuman verfolgte den Score wöchentlich, monatlich und quartalsweise und erreichte innerhalb von drei Quartalen 58 %.
Durchgerechnetes Beispiel: ein Tool, das Call-Notizen ins CRM überträgt (Beispiel)
Angenommen, ein Team aus sechs Personen verkauft ein KI-Tool, das Vertriebsgespräche in CRM-Updates verwandelt. Es lädt 310 Nutzer ein, die die Regel „zweimal in zwei Wochen“ erfüllen. 92 antworten (Antwortquote 30 %); 6 wählen N/A, übrig bleiben 86 gewertete Antworten.
Antwort
Anzahl
Anteil
Sehr enttäuscht
26
30 %
Etwas enttäuscht
41
48 %
Nicht enttäuscht
19
22 %
30 % liegt unter der Marke. Die Segmentierung nach Rolle erzählt eine andere Geschichte:
Segment
Sehr enttäuscht
Befragte
Score
Account Executives, Unternehmen mit 20–200 Personen
18
34
53 %
Sales Manager
5
27
19 %
Gründer, die selbst verkaufen
3
25
12 %
Dreizehn der 18 Fans nennen denselben Nutzen: nie wieder Call-Notizen von Hand ins CRM tippen. Neun der 12 „etwas enttäuschten“ Account Executives nennen ihn ebenfalls, und sechs dieser neun führen eine Blockade an: benutzerdefinierte CRM-Felder, die nicht zugeordnet werden.
Die Entscheidung: auf Account Executives ausrichten, die Hälfte des nächsten Zyklus in Sync-Geschwindigkeit und die andere Hälfte in die Zuordnung benutzerdefinierter Felder stecken und nach sechs Wochen neu berechtigte Nutzer erneut befragen. Bei 34 Befragten trägt die 53 % eine Fehlermarge von etwa ±17 Punkten, also bestätigt oder verwirft die nächste Runde die Segment-Entscheidung.
Was, wenn dein Score unter 40 % liegt?
Ein niedriger Score ist eine Information, kein Urteil. Drei Muster, drei verschiedene Schritte:
Ein Segment liegt über 40 %, die Gesamtzahl nicht. Richte Positioning und Onboarding auf dieses Segment aus, wie es Superhuman getan hat.
Kein Segment erreicht 40 %, aber die Fans sind sich über einen Nutzen einig. Baue die First-Run-Experience um diesen Nutzen herum neu. Ellis beschreibt, wie Lookout bei 7 % startete, feststellte, dass die meisten dieser 7 % Virenschutz schätzten, die Virenschutz-Einrichtung zum ersten Onboarding-Schritt machte und in etwa zwei Wochen 40 % und sechs Monate später 60 % erreichte (Lenny's Newsletter, 2024).
Die Scores sind niedrig und die Nutzen verstreut. Wahrscheinlich hast du eine Lücke bei der Problem-Discovery, keine Produktlücke. Geh zurück zu den Interviews, bevor du mehr baust. Unser Leitfaden zu Fragen für Kundeninterviews ist ein guter Einstieg, und Assumption Mapping hilft dir zu wählen, welche Annahme du zuerst testest.
Sean-Ellis-Test vs. NPS vs. Retention: Was solltest du nutzen?
Sie beantworten unterschiedliche Fragen. Nutze die Ellis-Umfrage früh, den NPS, sobald du einen stabilen Kundenstamm hast, und Retention durchgehend.
Sean-Ellis-Umfrage
Net Promoter Score
Kohorten-Retention
Frage
Wie würdest du dich fühlen, wenn du es nicht mehr nutzen könntest?
Wie wahrscheinlich ist es, dass du uns einem Freund oder Kollegen weiterempfiehlst? (0–10)
Kommen Nutzer zurück?
Misst
Abhängigkeit vom Produkt
Bereitschaft zur Weiterempfehlung
Tatsächliches Wiederholungsverhalten
Richtwert
40 %+ „sehr enttäuscht“
Promoter (9–10) minus Detraktoren (0–6)
Kurve flacht mit der Zeit ab
Beste Phase
Vor dem Skalieren, vor Wachstumsausgaben
Nach dem Fit, zur Verfolgung der Loyalität
Immer
Ursprung
Sean Ellis, bekannt gemacht durch Superhuman
Frederick Reichheld, HBR, Dezember 2003
Kohortenanalyse
Die NPS-Definitionen stammen von Bain & Company, die gemeinsam Inhaberin der Marke ist (Bain, Net Promoter System). Reichheld stellte den Score im Dezember 2003 in der Harvard Business Review vor (HBR, 2003).
Retention ist die nachlaufende Bestätigung. Der Test von Brian Balfour, zitiert von Lenny Rachitsky, lautet: Flacht die Retention-Kurve einer Kohorte ab, statt gegen null zu sinken? (Lenny's Newsletter, 2020). Den gesamten Messkreislauf findest du in unserem Leitfaden zu KI-Product-Market-Fit.
Wie passen KI-Produkte die Umfrage an?
Das Playbook von Bessemer für KI-Gründer nutzt dieselbe Schwelle von über 40 %, empfiehlt aber, die Ergebnisse je Anwendungsfall zu bewerten statt über die gesamte Nutzerbasis (Bessemer, 2025). Wenn du noch in der Prototypen-Phase bist, lies zuerst vom Vibe-Coding-Prototyp zum finanzierbaren Produkt; du brauchst echte wiederkehrende Nutzer, bevor eine Umfrage etwas bedeutet. Drei Anpassungen helfen:
Warte die Touristen ab. a16z weist darauf hin, dass KI-Produkte Nutzer anziehen, die sich anmelden und innerhalb weniger Monate abspringen, und dass Retention-Kurven oft rund um Monat 3 abflachen (a16z, 2025). Befrage Menschen, die nach ihrem ersten Monat noch aktiv sind, oder weise frühe und spätere Kohorten getrennt aus.
Segmentiere nach Anwendungsfall. Ein KI-Schreibtool, das für Vertriebs-E-Mails und für juristische Zusammenfassungen genutzt wird, sind zwei Produkte mit zwei Scores.
Frage nach dem Output. Füge die Frage „Was hast du mit dem Ergebnis gemacht?“ aus der Vorlage hinzu. Fans, die die meisten Outputs umschreiben, sagen dir, dass der Wert im Workflow liegt, nicht im Modell.
Was sind die häufigsten Fehler bei PMF-Umfragen?
Alle Anmeldungen befragen. Du misst Onboarding, nicht Fit.
Die Berechtigungsregel zwischen den Runden ändern. Der Trend wird bedeutungslos.
Den Score ohne Stichprobengröße nennen. „45 %“ aus 11 Personen und aus 400 Personen sind verschiedene Aussagen.
Suggestive Formulierung. „Wie sehr liebst du unser neues KI-Feature?“ ist nicht die Ellis-Frage.
Jede Anfrage aus Frage 4 umsetzen. Nur die Beinahe-Fans, die deinen Kernnutzen teilen, sollten die Roadmap prägen.
Wechselkosten ignorieren. Ein hoher Score für ein Tool, das schwer zu verlassen ist, kann Lock-in widerspiegeln, nicht Begeisterung.
40 % als Ziellinie behandeln. Es ist ein Signal, Retention und Unit Economics zu prüfen, nicht aufzuhören zu lernen.
Wo Specky ins Spiel kommt
Eine Product-Market-Fit-Umfrage nützt nur, wenn die Antworten an den Entscheidungen hängen bleiben, die sie antreiben. Specky liest Umfrageantworten, Interviewnotizen, Support-Tickets und Nutzungsdaten in einen Product Graph ein, sodass du siehst, welches Segment „sehr enttäuscht“ gesagt hat und was es sich gewünscht hat. Alex, der KI-Research-Agent von Specky, kann dann über einen teilbaren Link Folgeinterviews mit deinen Fans führen.
Häufig gestellte Fragen
Was ist der Sean-Ellis-Test?
Der Sean-Ellis-Test ist eine Umfrage mit einer einzigen Frage: „Wie würdest du dich fühlen, wenn du [Produkt] nicht mehr nutzen könntest?“ Antworten mindestens 40 % der aktiven Nutzer mit „sehr enttäuscht“, hast du wahrscheinlich Product-Market-Fit. Ellis legte den Richtwert fest, nachdem er knapp hundert Startups mit der Umfrage verglichen hatte. Superhuman ergänzte später drei Folgefragen, um aus dem Score eine Roadmap zu machen.
Wie viele Fragen sollte eine Product-Market-Fit-Umfrage haben?
Vier. Die Ellis-Frage, dann wer am meisten profitiert, der Hauptnutzen und wie man sich verbessern kann. Füge nur dann ein oder zwei weitere hinzu, wenn jede Antwort eine Entscheidung verändern würde, etwa die Rolle der Befragten für die Segmentierung. Jede zusätzliche Frage senkt die Abschlussquote und drängt dich dazu, nur noch deine geduldigsten Nutzer zu befragen.
Wann sollte ein Startup eine PMF-Umfrage durchführen?
Verschicke sie, sobald du genug Nutzer hast, die den Kern-Workflow in zwei Wochen mindestens zweimal genutzt haben, um etwa 40 Antworten zu sammeln. Davor nutze Kundeninterviews. Danach befrage neu berechtigte Nutzer in einem regelmäßigen Rhythmus erneut, etwa monatlich, und befrage dieselbe Person nie zweimal.
Garantieren 40 % „sehr enttäuscht“ den Product-Market-Fit?
Nein. Es ist eine Korrelation, die Ellis über Startups hinweg beobachtet hat, und er nennt sie einen Frühindikator, keinen Beweis. Kleine Stichproben schwanken stark, und hohe Wechselkosten können den Score aufblähen. Bestätige ein Ergebnis von 40 %+ mit Kohorten-Retention, die abflacht, und mit Kunden, die zahlen und verlängern.
Was ist eine gute Antwortquote bei Umfragen?
Einen veröffentlichten Standard gibt es nicht. Entscheidend ist, dass die Befragten deinen berechtigten Nutzern ähneln. Nenne die Antwortquote neben dem Score, vergleiche die Nutzung der Antwortenden mit der der Nichtantwortenden und sei vorsichtig, wenn nur deine intensivsten Nutzer geantwortet haben, denn das bläht den Anteil „sehr enttäuscht“ auf.
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