19. Oktober 2026Aktualisiert am Fathy Shalaby15 Min. Lesezeit
KI-Halluzinationen in Specs: Das Claim-Trace-Audit in 15 Minuten
KI-geschriebene Specs klingen belegt, sind es aber oft nicht. Der Claim Trace ist ein 15-Minuten-Audit, das jede Aussage als Belegt, Abgeleitet, Angenommen oder Erfunden kennzeichnet, bevor Engineering oder ein Coding-Agent darauf aufbaut.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Eine KI-Halluzination in Specs liegt vor, wenn ein von KI geschriebenes PRD oder eine Spec etwas über deine Nutzer, deinen Markt oder dein Produkt behauptet, das keine Quelle stützt, und zwar im selben selbstsicheren Ton wie die wahren Teile. Die Lösung ist ein kurzes Audit, bevor jemand baut: Verfolge jede Aussage zurück und kennzeichne sie als Belegt, Abgeleitet, Angenommen oder Erfunden. Wir nennen dieses Audit den Claim Trace, und er dauert etwa 15 Minuten.
Das Wichtigste in Kürze
NIST führt „Konfabulation“ als eines von 12 Risiken auf, die generativer KI eigen sind oder durch sie verschärft werden, und warnt, dass Modelle auch erfundene Quellenangaben erzeugen können, die eine falsche Antwort rechtfertigen (NIST, 2024).
Modelle raten, weil Training und Benchmarks Raten belohnen: Von 10 gängigen Benchmarks, die ein Paper von 2025 untersuchte, geben 9 keinen Punkt für „Ich weiß es nicht“ (Kalai et al., 2025).
In Specs erfindet Halluzination selten ein Feature. Sie erfindet einen Grund: ein Nutzungsmuster, einen Churn-Treiber, ein Ranking der „meistgewünschten“ Funktionen.
Nur 3 % der Entwickler sagen, dass sie der Genauigkeit von KI-Ausgaben stark vertrauen, und 46 % misstrauen ihr aktiv (Stack Overflow, 2025). Specs verdienen dieselbe Skepsis wie Code.
Das nützlichste Ergebnis des Audits ist nicht die bereinigte Spec. Es ist das Annahmen-Ledger, das zu deinem Discovery-Plan wird.
Was ist Spec-Halluzination?
Spec-Halluzination ist eine besondere Form dessen, was NIST Konfabulation nennt: „confidently stated but erroneous or false content“, der Leser in die Irre führen kann (NIST AI 600-1). In einer Spec sitzt sie in den Abschnitten Problem, Kontext und Erfolgsmetriken, also dort, wo eigentlich Evidenz stehen sollte.
Sie sieht selten wie ein erfundenes Feature aus. Das Feature ist plausibel und die Struktur sauber. Erfunden ist die Begründung:
„Reporting war die am häufigsten gewünschte Funktion unter abgewanderten Accounts.“
„Wir erwarten einen spürbaren Anstieg bei der Aktivierung.“
Jede dieser Aussagen liest sich wie ein Befund. Keine muss einer sein. Das Modell hat Tausende PRDs gelesen und erzeugt deshalb die von Evidenz: ein Verhalten, ein Segment, eine Änderungsrichtung. Wenn deine Eingaben dünn waren, füllt es die Lücken mit dem, was für eine Spec wie deine statistisch typisch ist.
Intrinsische vs. extrinsische Halluzination in einer Spec
Forschende unterscheiden zwei Arten von Halluzinationen (Ji et al., 2022), und beide tauchen in Specs auf:
Typ
Definition
Wie es in einer Spec aussieht
Intrinsisch
Die Ausgabe widerspricht der Quelle, die du dem Modell gegeben hast
Deine Interview-Notizen sagen, dass 3 von 12 Kunden Exporte erwähnten; die Spec sagt „die meisten Kunden“
Extrinsisch
Die Ausgabe lässt sich durch die Quelle weder stützen noch widerlegen
Die Spec sagt „Admins verbringen Stunden in Tabellenkalkulationen“, und nichts, was du geliefert hast, erwähnt Zeit überhaupt
Extrinsische Halluzinationen sind schwerer zu erkennen, weil es nichts gibt, womit man sie vergleichen könnte. Der Leser muss bemerken, dass ein Satz keine Quelle hat, und genau das verbirgt flüssiges Schreiben.
Warum erfinden KI-Modelle Aussagen in Specs?
Ein Paper von 2025 von Forschenden bei OpenAI und Georgia Tech argumentiert, dass Modelle halluzinieren, weil Training und Evaluation Raten gegenüber dem Eingestehen von Unsicherheit belohnen, ähnlich wie ein Schüler bei einer Multiple-Choice-Prüfung rät (Kalai et al., 2025). Von 10 weit verbreiteten Benchmarks, die die Autoren prüften, bewerten 9 Antworten strikt als richtig oder falsch und geben keinen Punkt für „Ich weiß es nicht“. Bei dieser Bewertung schlägt ein selbstsicherer Tipp immer eine ehrliche Leerstelle.
Das Paper erklärt auch, warum manche Fakten anfälliger sind als andere. Wenn 20 % einer Art von Fakten (ihr Beispiel sind Geburtstage von Personen) in den Trainingsdaten nur einmal vorkommen, sollte man erwarten, dass ein Basismodell bei mindestens 20 % dieser Fakten halluziniert. Als die Autoren ein großes offenes Modell nach einem Geburtstag fragten und sagten „antworte nur, wenn du es weißt“, nannte es drei verschiedene falsche Daten.
Übertrage das auf deine Spec. Fakten über deine Kunden, deine abgewanderten Accounts und die wöchentlichen Gewohnheiten deiner Admins kommen in keinen Trainingsdaten vor, kein einziges Mal. Ein Modell kann sie nur nennen, wenn du sie geliefert hast. Alles Konkrete über deine Nutzer, das du nicht geliefert hast, ist per Konstruktion ein Tipp im Gewand eines Befunds.
NIST ergänzt eine weitere Warnung, die für Produktdokumente wichtig ist: Generierter Text kann konfabulierte Logik oder Quellenangaben enthalten, die die Antwort rechtfertigen, wodurch Leser ihr eher vertrauen (NIST, 2024). Eine Spec, die sagt „wie uns Kunden im dritten Quartal sagten“, überzeugt mehr als eine, die einfach behauptet, ganz gleich, ob das Gespräch im dritten Quartal je stattgefunden hat.
Warum ist KI-Halluzination in Specs 2026 teurer?
Drei Dinge haben sich gleichzeitig geändert.
Die Entwurfskosten sind eingebrochen. Eine Spec kostete früher einen PM einen Tag, und dieser Tag erzwang den Kontakt mit der Evidenz. Heute kommt der Entwurf in unter einer Minute, bevor jemand die Recherche überhaupt wieder geöffnet hat.
Die Folgekosten sind nicht eingebrochen. Wenn ein Entwickler oder ein KI-Coding-Agent nach der Spec baut, wird eine erfundene Prämisse innerhalb von Stunden zu lauffähigem Code. Du merkst, dass die Prämisse erfunden war, erst nach dem Release, nicht davor.
Die Review-Gewohnheiten haben sich nicht angepasst. Teams prüfen Specs auf Klarheit, Vollständigkeit und Ton, also genau die Eigenschaften, die Sprachmodelle am besten erzeugen. Kaum jemand prüft auf Herkunft. Entwickler haben diese Lektion bei Code schon gelernt: 66 % nennen „KI-Lösungen, die fast richtig sind, aber nicht ganz“ als größte Frustration, und 45 % sagen, das Debuggen von KI-generiertem Code dauere länger (Stack Overflow, 2025). Eine fast richtige Spec ist schlimmer, weil nichts beim Kompilieren scheitert.
Auch professionelle Dokumente sind nicht gefeit. Im Oktober 2025 erklärte sich Deloitte bereit, die letzte Rate eines Berichts über 440.000 AU$ für ein australisches Regierungsressort zurückzuzahlen, nachdem ein Forscher erfundene wissenschaftliche Quellen und ein ausgedachtes Zitat aus einem Gerichtsurteil entdeckt hatte. Die korrigierte Fassung entfernte mehr als ein Dutzend falsche Verweise und Fußnoten und legte offen, dass eine auf GPT-4o basierende Toolchain eingesetzt worden war (The Register, 2025). Eine Spec wird selten so genau von außen geprüft, weshalb die Kontrolle im Team stattfinden muss.
Die Lösung lautet nicht „KI nicht zum Entwerfen nutzen“. Sie lautet, den Review-Schritt nachzuholen, den der Entwurf übersprungen hat: jede Aussage auf eine Quelle zurückführen.
Wie prüfst du eine KI-geschriebene Spec? Der Claim Trace
Lies die Spec einmal Satz für Satz. Jeder Satz, der etwas über Nutzer, den Markt, das Produkt oder die Zukunft behauptet, bekommt genau eines von vier Labels.
Label
Definition
Der Test
Was du damit machst
Belegt
Verweist auf etwas, das du öffnen kannst: ein Interview, ein Ticket, ein Abfrageergebnis, eine unterzeichnete Entscheidung
Kann ein Teammitglied, das nicht dabei war, den Link anklicken und dasselbe sehen?
Den Link direkt anhängen
Abgeleitet
Eine vernünftige Schlussfolgerung aus belegtem Material, aber die Schlussfolgerung selbst ist neu
Kannst du die Quellen nennen, aus denen sie abgeleitet wurde?
Die Quellen anhängen und die Ableitung sichtbar machen („Auf Grundlage der 3 verlinkten Gespräche vermuten wir …“)
Angenommen
Etwas, das das Team glaubt, aber nicht geprüft hat
Würde jemand im Team ohne Prüfung Geld darauf wetten?
In das Annahmen-Ledger verschieben, mit verantwortlicher Person und Test
Erfunden
Keine Quelle, keine Ableitungskette, niemand kann sagen, woher es kommt
Hat das ein Mensch oder eine Quelle hierhin gesetzt, oder das Modell?
Löschen oder in eine Frage verwandeln
Belegt
„Drei der letzten fünf Onboarding-Gespräche erwähnen den Export in Tabellenkalkulationen“ ist belegt, wenn du diese drei Gespräche verlinken kannst. Der Test ist mechanisch: Ein Teammitglied, das nicht im Raum war, kann den Link öffnen und dasselbe sehen.
Abgeleitet
„Admins exportieren wahrscheinlich, weil sie nach oben berichten“ ist aus diesen Gesprächen abgeleitet. Das ist in Ordnung, solange es gekennzeichnet ist und die zugrunde liegenden Quellen angehängt sind. In der Ableitung steckt das Produkturteil; das Problem ist nur die nicht gekennzeichnete Ableitung.
Angenommen
Annahmen sind nichts Schlimmes. Specs leben von ihnen. Der Fehler entsteht, wenn eine Annahme im selben Ton wie ein Befund geschrieben ist, sodass der Leser sie aufnimmt, statt sie zu hinterfragen.
Erfunden
Dieses Label ist das wichtigste. Erfundene Aussagen sind der Beitrag des Modells zum Dokument, und sie sind es, die du löschen oder in Fragen verwandeln solltest.
Streite nicht über Grenzfälle zwischen den Labels. Wenn du zwischen Abgeleitet und Angenommen schwankst, wähle Angenommen. Das Label ist ein Anstoß, genauer hinzusehen, kein Urteil.
Wie führst du den Claim Trace in 15 Minuten durch?
Minuten 0-3: extrahieren. Kopiere jede Tatsachenbehauptung in eine Notizliste. Überspringe reine Anforderungen („der Export muss ein CSV sein“); das sind Entscheidungen, keine Behauptungen. Achte auf Sätze, die mit „Nutzer“, „Kunden“, „Admins“, „derzeit“, „die meisten“, „weil“ oder einer Zahl beginnen.
Minuten 3-8: zurückverfolgen. Versuche für jede Behauptung, die Quelle in unter 60 Sekunden zu finden. Gelingt das nicht, ist sie nicht Belegt. Such nicht im Nachhinein nach einer Rechtfertigung: Wer so lange sucht, bis irgendetwas lose passt, wäscht erfundene Behauptungen zu belegten.
Minuten 8-12: pro Label handeln. Belegt bekommt einen Link. Abgeleitet bekommt Links plus sichtbare Begründung. Angenommen wandert ins Ledger, mit verantwortlicher Person und günstigstem Test. Erfunden wird gelöscht oder als Frage umformuliert.
Minuten 12-15: die Spec erneut lesen. Wenn der Problem-Abschnitt in sich zusammenfiel, als die erfundenen Behauptungen herausgenommen wurden, hast du das Wertvollste erfahren, was das Audit dir sagen kann: Das Feature hat noch kein Problem.
Eine einfache Entscheidungsregel für das Ende von Schritt 4: Wenn mehr als ein Drittel der Behauptungen im Problem-Abschnitt als Erfunden zurückkam, schick die Spec zurück in die Discovery statt ins Engineering.
Wie sieht ein Claim Trace an einem echten Entwurf aus?
Nimm einen ausgedachten, aber typischen KI-Entwurf für ein Admin-Export-Feature. Der Problem-Abschnitt lautet:
Admins exportieren Daten jede Woche manuell und verbringen Stunden in Tabellenkalkulationen. Reporting ist der häufigste Wunsch unter abgewanderten Accounts. Ein nativer Export wird den Churn senken.
Führe den Claim Trace durch:
Behauptung
Label
Aktion
Admins exportieren Daten jede Woche manuell
Angenommen (ein Gespräch erwähnte es, nichts zur Häufigkeit)
Ins Ledger verschieben; mit einer Nutzungsabfrage testen
Verbringen Stunden in Tabellenkalkulationen
Erfunden
Löschen
Reporting ist der häufigste Wunsch unter abgewanderten Accounts
Erfunden (nirgends existiert ein Ranking)
Löschen; durch eine Frage ersetzen
Ein nativer Export wird den Churn senken
Angenommen
Als Hypothese mit Metrik und Datum behalten
Vier Behauptungen: zwei gelöscht, zwei herabgestuft, keine belegt. Der überarbeitete Problem-Abschnitt ist kürzer und ehrlich:
Ein Onboarding-Gespräch (verlinkt) erwähnte den Export von Account-Daten in eine Tabellenkalkulation. Wir wissen noch nicht, wie oft Admins exportieren oder warum. Offene Frage: Was haben abgewanderte Accounts beim Weggehen gesagt? Hypothese: Ein nativer Export senkt den Churn bei Accounts mit mehr als 5 Admins. Das prüfen wir, bevor wir uns auf einen Build festlegen.
Dieses Dokument kann trotzdem zu einem Build führen. Aber das Team weiß jetzt, worauf es wettet, und wer es liest, kann der Annahme widersprechen, statt sie aufzunehmen.
Was gehört ins Annahmen-Ledger?
Das Ledger ist die Liste aller angenommenen Behauptungen, und es ist dein Discovery-Plan. Halte pro Zeile vier Felder fest:
ANNAHMEN-LEDGER: [Name der Spec]
| # | Annahme (wie in der Spec geschrieben) | Verantwortlich | Günstigster Test | Entscheiden bis |
|---|---|---|---|---|
| 1 | Admins exportieren Account-Daten wöchentlich | [Name] | Klicks auf den Export-Button der letzten 30 Tage abfragen | [Datum] |
| 2 | Ein nativer Export wird den Churn senken | [Name] | 5 abgewanderte Accounts vor dem Bauen fragen, warum sie gegangen sind | [Datum] |
| 3 | | | | |
Eine Spec mit einem kurzen Ledger mit klaren Verantwortlichen kann schnell und sicher vorankommen. Eine Spec ohne Ledger hat entweder keine Annahmen, was fast nie stimmt, oder sie hat sie versteckt. Eine ausführlichere Methode, Annahmen nach Wichtigkeit und Evidenz zu ordnen, findest du in unserem Leitfaden zum Assumption Mapping, oder sortiere sie mit der kostenlosen Assumption Map.
Wie reduzierst du KI-Halluzinationen in Specs, bevor sie geschrieben werden?
Ein manueller Trace funktioniert, verlässt sich aber auf Disziplin genau in dem Moment, in dem man sie am leichtesten auslässt. Besser ist es, schon beim Entstehen des Entwurfs nach Herkunft zu fragen. Anthropics Dokumentation nennt die zentralen Techniken (Anthropic):
„Ich weiß es nicht“ erlauben. Erlaube dem Modell ausdrücklich zu sagen, dass ihm Informationen fehlen.
Erst zitieren. Bei langen Eingaben (Anthropic nennt über 20.000 Tokens als Schwelle) soll das Modell zuerst wörtliche Zitate extrahieren, bevor es etwas schreibt.
Belegen, dann zurücknehmen. Lass das Modell nach dem Entwurf für jede Behauptung ein stützendes Zitat suchen und jede Behauptung entfernen, die es nicht stützen kann.
Wissen einschränken. Sag ihm, dass es nur die Dokumente nutzen soll, die du geliefert hast, nicht sein Allgemeinwissen.
Das Kalai-Paper legt eine weitere Idee nahe: ein Konfidenzziel im Prompt nennen. Zum Beispiel nur antworten, wenn die Sicherheit über 75 % liegt, weil eine falsche Antwort 2 Punkte kostet und „Ich weiß es nicht“ nichts (Kalai et al., 2025). Auf Specs übertragen heißt das, das Modell dafür zu belohnen, „keine Quelle“ zu schreiben, statt die Lücke flüssig zu füllen.
Hier ist ein Prompt-Block, den du unter jede Spec-Anfrage setzen kannst:
Nutze AUSSCHLIESSLICH die angehängten Recherche-Notizen, Tickets und Daten.
Füge bei jedem Satz über Nutzer, Kunden, den Markt oder erwartete Ergebnisse hinzu:
- [S: Quelle], wenn ein konkretes angehängtes Element ihn stützt,
- [I: Quellen], wenn es deine Schlussfolgerung aus angehängten Elementen ist,
- [A], wenn es eine Annahme ohne Quelle ist.
Nenne keine Zahlen, Rankings oder Häufigkeiten, die nicht in den Anhängen stehen.
Wenn es für einen Abschnitt kein stützendes Material gibt, schreibe „Noch keine Evidenz“
und liste die Fragen auf, die wir beantworten müssten.
Prüfe nach dem Entwurf jede [S]-Behauptung am Anhang und entferne jede
Behauptung, die du nicht mit einem direkten Zitat belegen kannst.
Anthropic stellt klar, dass diese Techniken Halluzinationen verringern, aber nicht beseitigen. Der Prompt macht den Claim Trace schneller; er ersetzt ihn nicht. Wenn du das ganze PRD mit KI entwirfst, behandelt unser Leitfaden zum KI-PRD den Rest des Workflows.
Häufige Fehler beim Prüfen KI-geschriebener Specs
Auf Politur statt auf Herkunft prüfen. Klarheit und Ton sind das, was Modelle am besten können. Frag „Woher kommt das?“, bevor du „Ist das gut geschrieben?“ fragst.
Im Nachhinein nach einer Quelle suchen. Wenn eine Behauptung fünf Minuten Suche braucht, um sie zu rechtfertigen, war sie beim Schreiben Angenommen oder Erfunden.
Anforderungen als Behauptungen behandeln. „Der Export muss CSV unterstützen“ ist eine Entscheidung. Verschwende die 15 Minuten nicht damit, Entscheidungen zurückzuverfolgen.
Nur den Problem-Abschnitt prüfen. Auch Erfolgsmetriken halluzinieren. „15 % mehr Aktivierung“ ohne Baseline ist Erfunden, so präzise es auch aussieht.
Das Ledger verrotten lassen. Eine Annahme ohne Verantwortliche und ohne Datum ist ein Wunsch. Wenn das Ledger vor Baubeginn nicht durchgesehen wird, war das Audit Theater.
Wo hört der Claim Trace auf?
Die Methode sagt dir, ob eine Behauptung eine Quelle hat. Sie sagt dir nicht, ob die Quelle gut ist. Eine vollständig belegte Spec kann trotzdem das Falsche beschreiben, weil Quellen verzerrt, dünn oder nicht repräsentativ sein können. Kombiniere den Trace mit einer Prüfung der Evidenzqualität: Wie viele unabhängige Quellen, wie aktuell und wie nah an einer echten Kauf- oder Nutzungsentscheidung. Unser Beitrag Was als Evidenz für jedes Produktrisiko zählt liefert dafür eine schnelle Skala.
Er deckt außerdem nur einen Teil des Risikos ab. Marty Cagans vier große Risiken sind Wert, Usability, Machbarkeit und wirtschaftliche Tragfähigkeit, und Wert und Tragfähigkeit legt er in die Hand des Product Managers (SVPG, 2017). KI hat einen funktionierenden Prototyp billig gemacht, was manche Machbarkeitsfragen verkleinert. Wert und Tragfähigkeit sind dadurch nicht leichter zu wissen geworden, und genau in diesen Abschnitten häufen sich erfundene Behauptungen.
Schließlich ersetzt das Audit nicht das Urteil darüber, was gebaut werden soll. Es macht das Urteil sichtbar. Wenn eine Spec bestanden hat, übergib sie in einem Format, das Entwickler nutzen: Unser Leitfaden zur technischen Spec, die Entwickler wirklich lesen behandelt diesen Schritt, und die Abnahme-Checkliste für KI-generierten Code behandelt die Prüfung dessen, was zurückkommt.
Wo Specky ins Spiel kommt
Der Claim Trace ist am einfachsten, wenn die Herkunft schon beim Schreiben festgehalten wird. Das ist die Designhaltung hinter Specky. Interviews, Tickets, Feedback und Entscheidungen leben als verbundene Knoten in einem Product Graph, und wenn die KI eine Spec oder Erkenntnis entwirft, zitiert sie die konkrete Evidenz, die sie genutzt hat, direkt im Text. Entwürfe landen zur menschlichen Prüfung im PM Inbox, statt direkt in den Datenbestand zu gehen, sodass ein Reviewer sehen kann, welche Sätze Quellenangaben tragen und welche keine. Mit dem Prompt oben kannst du dasselbe in jedem Tool annähern; entscheidend ist, dass „keine Quelle“ sichtbar sein sollte, nicht versteckt.
Häufig gestellte Fragen
Was ist KI-Halluzination in Specs?
Das ist der Fall, wenn ein von KI geschriebenes PRD oder eine Spec etwas über Nutzer, den Markt oder erwartete Ergebnisse behauptet, das keine Quelle stützt, im selben selbstsicheren Ton wie die belegten Teile. Meist tritt sie als erfundener Grund (ein Nutzungsmuster, ein Ranking, ein Churn-Treiber) auf statt als erfundenes Feature, weshalb Reviewer sie übersehen.
Wie lange dauert ein Claim Trace?
Etwa 15 Minuten für eine typische Spec von ein bis drei Seiten: 3 Minuten zum Extrahieren der Behauptungen, 5 zum Zurückverfolgen, 4 zum Handeln pro Label und 3 zum erneuten Lesen. Gib dir 60 Sekunden pro Behauptung, um eine Quelle zu finden. Längere Specs skalieren ungefähr mit der Zahl der Tatsachenbehauptungen, nicht mit der Seitenzahl.
Kann ich die KI bitten, ihre Spec selbst auf Halluzinationen zu prüfen?
Teilweise. Das Modell für jede Behauptung ein stützendes Zitat suchen zu lassen und alles zurückzunehmen, was es nicht stützen kann, ist eine von Anthropic empfohlene Technik und fängt viele extrinsische Halluzinationen ab. Allein reicht sie nicht, weil das Modell eine Quelle falsch lesen oder etwas zitieren kann, das die Behauptung gar nicht stützt. Die Links prüft weiterhin ein Mensch.
Was ist der Unterschied zwischen einer Annahme und einer Halluzination?
Eine Annahme ist eine Überzeugung, die das Team hat und von der es weiß, dass es sie nicht geprüft hat. Eine Halluzination ist eine Behauptung ohne Ursprung, an die im Team niemand glaubte, bis das Modell sie schrieb. Gekennzeichnete Annahmen sind nützlich, weil sie zu Tests werden. Halluzinationen solltest du löschen oder in Fragen verwandeln.
Sollten wir aufhören, PRDs mit KI zu schreiben?
Nein. KI-Entwürfe sparen echte Zeit bei Struktur, Randfällen und Formulierung. Das Risiko liegt in den Evidenz-Abschnitten. Liefere Recherche, Tickets und Daten als Eingabe, bitte das Modell, Quellen und Annahmen zu markieren, und führe einen Claim Trace durch, bevor die Spec ans Engineering oder an einen Coding-Agenten geht.
Was soll ich tun, wenn der Großteil des Problem-Abschnitts erfunden ist?
Stoppe den Build und geh zurück in die Discovery. Wenn mehr als ein Drittel der Problem-Behauptungen erfunden ist, hat das Feature noch kein belegtes Problem. Verwandle jede erfundene Behauptung in eine Frage, wähle die zwei aus, die die Entscheidung am stärksten verändern würden, und teste diese zuerst mit Interviews, einer Nutzungsabfrage oder einer Durchsicht der Support-Tickets.
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