7. Oktober 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Ein Decision Graph für kleine KI-Teams: Kontext, der sich aufbaut
Kleinen Teams fehlen nicht Notizen. Es fehlen die Verbindungen zwischen Belegen, Entscheidungen, Arbeit und Ergebnissen. Ein praxistaugliches Decision-Graph-Modell, eine kopierbare Vorlage und der Test, der zeigt, ob deins funktioniert.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Ein Decision Graph ist ein Protokoll, das vier Dinge verknüpft: das Signal, das verändert hat, was ein Team glaubte, die Entscheidung, die es getroffen hat, die Arbeit, die daraus entstand, und das Ergebnis, das zurückkam. Kleine KI-native Teams brauchen so etwas, weil ihr Kontext in zwei oder drei Köpfen steckt. Ohne die Verknüpfungen wird „Warum haben wir das gebaut?“ aus dem Gedächtnis beantwortet – oder gar nicht.
Das Wichtigste in Kürze
Teams verbringen laut Atlassians State of Teams 2025 über 25 % ihrer Arbeitswoche mit der Suche nach Informationen (Atlassian, 2025). Fehlender Entscheidungskontext macht einen großen Teil dieser Suche aus.
Die mittlere Beschäftigungsdauer in den USA lag im Januar 2026 bei 4,1 Jahren, bei Beschäftigten zwischen 25 und 34 bei 3,0 Jahren (BLS, 2026). In einem kleinen Team geht die Person, die das Warum kennt, früher, als du denkst.
Engineers haben die Hälfte dieses Problems 2011 gelöst: Michael Nygards Architecture Decision Record hat fünf Felder und soll „blindes Akzeptieren oder blindes Rückgängigmachen“ alter Entscheidungen verhindern (Nygard, 2011).
Ein Decision Log listet Entscheidungen auf. Ein Graph verbindet sie mit den Belegen davor und den Ergebnissen danach. Diese Verbindungen sind es, durch die das Team lernt.
Ein Test zeigt, ob deiner funktioniert: Kann ein neues Teammitglied von einem Kundensignal zur Entscheidung, zur Arbeit und zum Ergebnis kommen, ohne jemanden zu fragen?
Warum verlieren kleine Teams ihren Produktkontext?
Kleinen Product-Teams fehlt selten Information. Sie haben Information, die sich nicht zweimal nutzen lässt.
Ein Kundeninterview findet statt. Eine Gründerin trifft eine Entscheidung. Ein Engineer liefert eine Änderung aus. Eine Kennzahl bewegt sich – oder auch nicht. Drei Monate später erinnert sich das Team an Bruchstücke der Geschichte, aber nicht an die Kette, die das Signal mit der Entscheidung verband. Die teure Version dessen, was man „Produktgedächtnis“ nennt, ist ein Haufen korrekter Notizen, nach denen das Team trotzdem fragt, warum.
Drei Dinge verschärfen das in kleinen KI-nativen Teams:
Kontext tragen ein oder zwei Personen. Das fühlt sich effizient an, bis jemand neu dazukommt, sich eine Priorität ändert oder die ursprüngliche Entscheiderin sich sechs Monate später nicht mehr an die Begründung erinnert.
Menschen ziehen weiter. Bei einer mittleren Beschäftigungsdauer von 3,0 Jahren für 25- bis 34-Jährige (BLS, 2026) sollte ein Fünferteam mit regelmäßigen Abgängen rechnen. Als grobe Rechnung, nicht als Prognose: Bleibt jede Person etwa drei Jahre, verliert ein Fünferteam ungefähr alle sieben Monate jemanden.
KI beschleunigt den Output, nicht das Festhalten der Begründung. Ein Coding-Agent kann an einem Nachmittag ein Feature bauen. Er hält nicht fest, warum sich das Feature lohnte, und baut gern etwas nach, wogegen sich das Team letztes Quartal entschieden hat, wenn das niemand aufgeschrieben hat.
Was ist der Unterschied zwischen gespeichertem Wissen und nutzbarem Kontext?
Ein Dokument sagt dir, was jemand aufgeschrieben hat. Nutzbarer Kontext sagt dir, was das Team glaubte, welche Belege diese Überzeugung geprägt haben, was sich danach geändert hat und was noch unsicher ist.
Ein Dokument ist meist um ein Ereignis herum organisiert: eine Interviewzusammenfassung, ein PRD, ein Roadmap-Update, eine Launch-Notiz, ein Statusbericht. Eine Entscheidung ist um eine Frage herum organisiert:
Welches Kundenproblem sollten wir zuerst lösen?
Was nehmen wir an?
Was würde diese Wette falsch machen?
Welche Arbeit folgt, wenn wir uns festlegen?
Wann wissen wir, ob es funktioniert hat?
Die erste Struktur taugt zum Wiederfinden. Die zweite taugt zum Urteilen. Ein Ordner mit gut geschriebenen Dokumenten kann das Team trotzdem im Stich lassen, weil die Beziehungen zwischen ihnen nie festgehalten wurden.
Wie sieht ein Decision Graph aus? Signal → Entscheidung → Arbeit → Ergebnis
Eine praxistaugliche Version baut auf vier verbundenen Objekten auf.
1. Signal
Ein Signal ist etwas, das verändern könnte, was du tust: eine wiederholte Kundenanfrage, ein Support-Muster, eine Beobachtung aus einem Interview, eine Veränderung in der Nutzung, ein Einwand im Vertrieb, eine technische Einschränkung. Ein Signal ist nicht automatisch eine Anforderung. Es ist ein Beleg, der Interpretation verdient.
Nützliche Felder:
Was ist passiert?
Woher kam es (mit Link zur Quelle)?
Wen oder was repräsentiert es?
Wie oft ist es aufgetaucht?
Was legt es nahe?
Was belegt es nicht?
Die letzte Frage ist wichtig. Eine einzelne laute Anfrage kann echt sein, ohne repräsentativ zu sein. Unsere Aufschlüsselung, was für jedes Produktrisiko als Beleg zählt, zeigt, welche Signale bei welcher Frage Gewicht haben.
2. Entscheidung
Eine Entscheidung hält die Festlegung fest, die das Team als Antwort auf das Signal getroffen hat. Eine dauerhafte Entscheidung hat fünf Teile:
Die Frage, die beantwortet wird.
Die getroffene Wahl.
Die erwogenen Alternativen.
Die Belege und Annahmen dahinter.
Die Bedingung, die das Team dazu bringen würde, die Entscheidung neu aufzurollen.
Das fünfte Feld macht aus einem Log ein Lernsystem. Ohne es ist das Log ein Archiv von Meinungen. Mit ihm kann das Team erkennen, ob eine Entscheidung falsch, voreilig oder für den damaligen Informationsstand richtig war.
Das entspricht dem Architecture Decision Record, den Nygard 2011 vorgeschlagen hat, mit Title, Context, Decision, Status und Consequences (Nygard, 2011). Sein Argument gilt auch für Produktentscheidungen: Wer vor einer unerklärten Entscheidung steht, kann sie nur blind akzeptieren oder blind rückgängig machen, und beides ist riskant.
3. Arbeit
Arbeit ist der konkrete Ausdruck der Entscheidung: eine Spezifikation, ein Experiment, ein Ticket, ein Prototyp, ein Workflow oder ein Kundengespräch.
Arbeit mit Entscheidungen zu verknüpfen, verhindert einen häufigen Fehler. Teams führen ein durchdachtes Strategiegespräch und produzieren dann Arbeit ohne sichtbare Beziehung dazu. Sind Entscheidung und Arbeit verbunden, kannst du prüfen, ob die Umsetzung tatsächlich die Annahme testet, die sie testen sollte.
4. Ergebnis
Ein Ergebnis ist das, was passierte, nachdem die Arbeit die Nutzer oder das Team erreicht hat. Es muss keine perfekte Kennzahl sein. Es kann eine gemessene Veränderung sein, eine Reaktion von Kunden, ein gescheitertes Experiment, ein verzögertes Resultat oder ein ausdrückliches „Wir wissen es noch nicht“.
Entscheidend ist, dass das Ergebnis zur ursprünglichen Entscheidung zurückkehrt. Sonst beginnt mit jedem Launch eine neue Geschichte, und das Team verpasst die Chance, sein Urteilsvermögen zu verbessern.
Wie hängt das mit einem Opportunity Solution Tree zusammen?
Teresa Torres' Opportunity Solution Tree, 2016 vorgestellt, bildet ein Ergebnis auf Opportunities, Lösungen und Annahmentests ab (Product Talk, 2023). Der Baum ist der Plan für Discovery. Der Graph ist die Aufzeichnung dessen, was du unterwegs gewählt hast und was danach passierte. Beides passt zusammen: Jede Lösung, auf die du dich festlegst, wird zu einem Entscheidungsknoten, und jeder Annahmentest wird zu Arbeit mit angehängtem Ergebnis.
Woran erkennst du, dass es funktioniert? Der Test mit dem neuen Teammitglied
Ob dein Produktkontext nutzbar ist, kannst du mit einer Frage testen:
Kann ein neues Teammitglied von einem beobachteten Signal zur daraus entstandenen Entscheidung, zu der Arbeit, die sie ausgelöst hat, und zu den Belegen, die zurückkamen, gelangen, ohne jemanden zu fragen?
Lautet die Antwort Nein, liegt das Problem nicht bei der Suche. Die Verbindungen wurden nie hergestellt.
Ein brauchbarer Graph lässt dich in beide Richtungen gehen:
Von einem Kundensignal zu den Entscheidungen, die es beeinflusst hat.
Von einer Entscheidung zurück zu den Belegen, die sie begründet haben.
Von einer Entscheidung zu den Spezifikationen, Experimenten und Tickets, die sie ausgelöst hat.
Von einem Ergebnis zurück zur ursprünglichen Annahme.
Von einer Strategieaussage zur aktuellen Arbeit, die sie angeblich stützt.
Deshalb schlägt ein Graph einen Ordner voller Zusammenfassungen. Den Wert macht nicht, dass jedes Element verfügbar ist. Den Wert macht die sichtbare Beziehung zwischen den Elementen. Das Datenmodell dahinter erklären wir in Wissensgraphen im Product Management.
Welche Entscheidungen verdienen einen vollständigen Eintrag?
Nicht jede Wahl braucht fünf Felder. Jeff Bezos' Aktionärsbrief von 2016 trennt umkehrbare „Two-Way-Door“-Entscheidungen, die ein leichtes Verfahren vertragen, vom Rest. Außerdem argumentierte er, dass die meisten Entscheidungen mit etwa 70 % der Informationen getroffen werden sollten, die man sich wünscht (Amazon, 2017).
Eine praktikable Regel für ein kleines Team:
Vollständiger Eintrag für Entscheidungen, die teuer rückgängig zu machen sind: Preise, Datenmodell, ein neues Kundensegment, das Abschalten eines Features, alles, was mehr als zwei Wochen Entwicklung braucht.
Eine Zeile für Two-Way-Doors: Textänderungen, kleine UX-Anpassungen, interne Tools. Halte die Wahl und das Signal fest, den Rest lass weg.
Immer die Bedingung zum Neuaufrollen festhalten, wenn du mit unvollständiger Information entscheidest. Entscheidest du bei 70 % Sicherheit, schreib auf, was die fehlenden 30 % zeigen müssten, damit du deine Meinung änderst.
Entscheidungsprotokoll-Vorlage zum Kopieren
Füge das in das Tool ein, das du benutzt. Jede Zeile in eckigen Klammern sollte ein Link sein, keine Umschreibung.
Entscheidung: [ein Satz, konkret genug, um falsch sein zu können]
Frage, die sie beantwortet: [die Produktfrage]
Verantwortlich (Freigabe): [ein Name]
Beteiligte: [Namen]
Entscheidungsdatum:
Signale: [Links zu Interviews, Tickets, Events]
Was die Signale nicht belegen: [eine Zeile]
Erwogene Alternativen: [2–3 Optionen und warum nicht]
Annahmen: [die Überzeugungen, die gelten müssen]
Sicherheit: [z. B. 60 %]
Entstandene Arbeit: [Links zu Spezifikation, Tickets, Experiment]
Erwartetes Ergebnis: [Kennzahl oder Verhalten, und bis wann]
Neu aufrollen, wenn: [Bedingung, die die Entscheidung wieder öffnet]
Beobachtetes Ergebnis: [wird später ergänzt, mit Link]
Die Zeile „Verantwortlich“ folgt dem DACI-Play von Atlassian, der auf genau einem Approver unter den Rollen Driver, Approver, Contributors und Informed besteht; es ist für 3 bis 6 Personen gedacht und dauert etwa 60 Minuten (Atlassian). Ein einzelner benannter Approver macht klar, wen du fragst, wenn die Bedingung zum Neuaufrollen eintritt.
Wie läuft der Workflow in der Praxis?
Beginne mit einer echten Produktfrage, nicht mit einem Migrationsprojekt.
Durchgespieltes Beispiel (illustrativ). Ein vierköpfiges KI-Startup fragt: „Sollen wir investieren, um die Zeit vom Kundensignal bis zu einer nutzbaren Produktentscheidung zu verkürzen?“
Belege sammeln. Stell die 6 Interviewnotizen, 14 Support-Nachrichten und den Nutzungstrend zusammen, die zur Frage gehören. Halte jede Quelle verlinkt. Eine zusammengefasste Aussage ist vertrauenswürdiger, wenn das Team öffnen kann, woher sie stammt.
Die Entscheidung mit einem Sicherheitsgrad festhalten. „Einen wöchentlichen Beleg-Digest für den Gründer bauen, zu 65 % sicher, dass er die Entscheidungszeit senkt.“ Sicherheit ist eine Prognose, die du später vergleichst, kein Schauspiel von Gewissheit.
Mit einem kleinen Stück Arbeit verbinden. Ein Prototyp in zwei Wochen, an 5 Design-Partner geschickt. Die Arbeit sollte die Entscheidung testbarer machen, nicht nur das Team beschäftigen.
Den Rückweg vor dem Release festlegen. „Wenn die mediane Zeit vom Signal zur Entscheidung nicht innerhalb von 6 Wochen von 12 Tagen auf unter 7 sinkt, neu aufrollen.“ Trag das Prüfdatum in den Kalender ein.
Den Kreis schließen. Sechs Wochen später hältst du fest, was passiert ist, und verknüpfst es mit der Entscheidung – auch wenn die Antwort „unklar“ lautet. Vergleiche über ein Quartal die angegebene Sicherheit damit, wie oft Wetten aufgingen. Mit diesem Vergleich verbessert sich das Urteilsvermögen des Teams.
Das nützliche Ergebnis ist keine hübschere Zusammenfassung. Es ist ein kürzerer Weg von den Belegen zu verantwortungsvollem Handeln.
Was ändert sich für ein kleines Team?
Neue Teammitglieder verstehen nicht nur, was gebaut wird, sondern auch, warum es existiert.
Gründer:innen hören auf, dieselbe Kontextfrage aus dem Gedächtnis zu beantworten.
PMs verbringen weniger Zeit damit, den Stand zu rekonstruieren, und mehr damit zu testen, ob sich das Produkt auf das gewünschte Ergebnis zubewegt.
Engineers und Coding-Agenten sehen die Entscheidung hinter einer Anfrage statt einer isolierten Aufgabe. Das zählt umso mehr, je mehr Tickets direkt an einen Agenten gehen; siehe unseren Leitfaden zu Produktkontext für KI-Coding-Agenten.
Falsche Entscheidungen werden zu Lektionen, nicht zu Schuldzuweisungen. Ein guter Eintrag schützt nicht die Entscheidung. Er schützt den Denkprozess, indem er die Annahmen sichtbar macht.
Häufige Fehler
Entscheidungen ohne Signale festhalten. Ein Log aus Schlussfolgerungen ohne Beleg-Links ist ein Meinungsarchiv.
Die Bedingung zum Neuaufrollen auslassen. Ohne sie weiß niemand, wann eine Entscheidung abgelaufen ist.
KI-Zusammenfassungen als Quellen behandeln. Ein generiertes Thema ist ein Verweis auf Belege, kein Beleg. Behalte die Rohlinks.
Einträge nachträglich schreiben. Rekonstruierte Begründung ist schmeichelhafte Begründung. Schreib den Eintrag, wenn du entscheidest.
Jede Two-Way-Door festhalten. Wenn sich die Vorlage nach Bürokratie anfühlt, hören die Leute auf, sie zu nutzen. Spar dir den vollständigen Eintrag für teure Entscheidungen.
Das Ergebnis nie eintragen. Ein Graph mit leeren Ergebnisfeldern ist ein Decision Log mit Zusatzaufwand.
Wo Specky ins Spiel kommt
In Specky ist das der Kreislauf, um den das Produkt gebaut ist: Signale aus Calls, Feedback, Slack, Jira und Analytics landen mit ihren Quellen im Product Graph; das Decision Log hält die Wahl fest und zitiert die Belege dahinter; Spezifikationen und Tickets tragen Inline-Zitate; und nach dem Launch kannst du prüfen, ob die Wette aufgegangen ist. Die Entscheidung triffst weiterhin dein Team. Die Verknüpfungen entstehen bei der Arbeit, statt später rekonstruiert zu werden.
Häufig gestellte Fragen
Was ist ein Decision Graph im Product Management?
Er ist ein verbundenes Protokoll von Produktentscheidungen. Jede Entscheidung verweist zurück auf die Signale, die sie geprägt haben (Interviews, Tickets, Nutzungsdaten), und nach vorn auf die Arbeit, die sie ausgelöst hat, und das danach gemessene Ergebnis. Anders als ein flaches Decision Log lässt er jeden ein ausgeliefertes Feature zu seinen Belegen zurückverfolgen oder eine Kundenbeschwerde zu jeder Entscheidung, die sie beeinflusst hat.
Wie unterscheidet sich ein Decision Graph von einem Decision Log?
Ein Decision Log ist eine Liste von Einträgen: was entschieden wurde, von wem, wann. Ein Graph ergänzt Verknüpfungen auf beiden Seiten jedes Eintrags, zu den Belegen davor und zur Arbeit und dem Ergebnis danach. Das Log sagt dir, was passiert ist. Der Graph sagt dir, ob die Begründung standgehalten hat – und das macht spätere Entscheidungen besser.
Was ist Produktgedächtnis?
Produktgedächtnis ist ein informeller Name für das angesammelte Wissen eines Teams darüber, warum sein Produkt so ist, wie es ist: die Kundenbelege, Entscheidungen, Abwägungen und Ergebnisse hinter jedem Feature. Notizen und Dokumente speichern Teile davon. Nutzbar wird es erst, wenn diese Teile verknüpft sind, sodass jemand Neues der Begründung folgen kann, ohne die Menschen zu fragen, die dabei waren.
Wie viel Zeit kostet das Verknüpfen von Entscheidungen?
Weniger, als man fürchtet. Ein vollständiger Eintrag ist eine kurze Seite Text, wenn die Belege schon verlinkt sind, und die meisten Two-Way-Door-Entscheidungen brauchen eine einzige Zeile. Der größere Aufwand ist die Gewohnheit, Arbeit und Ergebnisse mit Entscheidungen zu verknüpfen. Teams, die sie auslassen, zahlen später – mit den über 25 % der Arbeitswoche, die laut Atlassian für die Suche nach Informationen draufgehen.
Brauchen kleine Teams das wirklich?
Kleine Teams brauchen es am meisten, weil der Kontext bei sehr wenigen Menschen liegt. Bei einer mittleren Beschäftigungsdauer von rund 3 Jahren bei jüngeren Beschäftigten ist die Person, die weiß, warum eine Entscheidung getroffen wurde, oft nach wenigen Produktzyklen weg. Eine Seite verknüpfter Entscheidungen ist günstiger, als alte Entscheidungen jedes Mal neu zu verhandeln, wenn jemand Neues dazukommt.
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