17. Juli 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Stakeholder-Management für Product Manager im Zeitalter der KI
Jeder Stakeholder hat heute einen KI-Assistenten und eine Meinung zur Roadmap. Der Vorsprung des PMs sind nicht mehr mehr Informationen, sondern konkrete, durchsuchbare Kundenbelege. So erstellst du eine Stakeholder-Map und nutzt sie.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Stakeholder-Management für Product Manager ist die Arbeit, die Menschen, die dein Produkt prägen oder von ihm abhängen, zu informieren, auf der richtigen Ebene einzubinden und bei Entscheidungen abzustimmen, ohne formale Weisungsbefugnis über sie zu haben. 2026 hat sich der schwierige Teil verändert. Stakeholder kommen mit KI-generierten Analysen, und der Vorteil eines PMs besteht nicht mehr darin, mehr Informationen zu haben. Er besteht in konkreten Kundenbelegen, die sonst niemand erzeugen kann.
Das Wichtigste in Kürze
KI hat sich bei allen im Raum verbreitet: 75 % der Wissensarbeiter nutzten in der Umfrage von Microsoft und LinkedIn aus dem Jahr 2024 unter 31.000 Personen KI bei der Arbeit (Microsoft, 2024).
Menge ist nicht Genauigkeit. 46 % der Entwickler misstrauen der Genauigkeit von KI-Ergebnissen, und 66 % nennen Antworten, die „fast richtig, aber nicht ganz“ sind, als größte Frustration (Stack Overflow, 2025).
Ordne Stakeholder nach Macht und Interesse und stimme dann ab, wie oft und wie tief du jede Gruppe einbindest.
Einen Stakeholder mit KI-Assistent kannst du nicht überrecherchieren. Du kannst aber bringen, was dieser nicht erzeugen kann: die eigenen Worte, das Verhalten und die Experimentergebnisse deiner Kunden.
Benenne einen einzigen Entscheidungsverantwortlichen. Die meisten Stakeholder-Konflikte sind in Wahrheit ein ungeklärtes Entscheidungsrecht.
Was ist Stakeholder-Management für Product Manager?
Ein Stakeholder ist jeder, der dein Produkt beeinflussen kann oder von ihm betroffen ist: Geschäftsleitung, Vertrieb, Customer Success, Engineering, Design, Marketing, Finanzen, Recht, Partner und Kunden. Stakeholder-Management bedeutet, zu entscheiden, wie du jeden von ihnen einbindest, und das dann konsequent zu tun.
Für PMs hat es zwei Merkmale, die es schwieriger machen als in den meisten Rollen:
Einfluss ohne Weisungsbefugnis. Du kannst einen VP Sales nicht über die Berichtslinie überstimmen. Dein Einfluss kommt daher, dass du oft richtig liegst und deine Argumentation zeigst.
Jeder hat einen berechtigten Anspruch auf die Roadmap. Engineering will Klarheit, der Vertrieb will, was in diesem Quartal abschließt, die Geschäftsleitung will strategische Wetten, Kunden wollen das, worum sie letzte Woche gebeten haben. Keiner von ihnen sieht das ganze Bild.
Gutes Stakeholder-Management heißt nicht, dass jeder bekommt, was er will. Es heißt, dass jeder versteht, warum das Produktteam so entschieden hat, und dem Prozess genug vertraut, um seine nächste Idee zu dir zu bringen statt an dir vorbei.
Warum hat KI das Stakeholder-Management schwieriger gemacht?
Es gab eine Zeit, in der der PM die Person im Raum war, die am meisten über das Produkt nachgedacht hatte. Du hattest Kunden interviewt, den Chancenraum kartiert und die Experimente durchgeführt. Stakeholder hatten Meinungen; du hattest Belege. Diese Asymmetrie gab dir Autorität.
Diese Asymmetrie bricht weg. Jeder Stakeholder mit einem Chat-Assistenten kann in zwanzig Minuten eine Wettbewerbsanalyse, eine Feature-Roadmap und ein priorisiertes Backlog erstellen. In der Praxis sehen Product Reviews heute so aus:
Der VP Sales bringt eine Liste mit dreizehn Features, die ein KI-Agent aus Notizen zu verlorenen Deals entworfen hat.
Der CEO leitet eine KI-Zusammenfassung weiter, was drei Wettbewerber diesen Monat veröffentlicht haben.
Ein Engineer kommt mit einem funktionierenden Prototyp von „was wir als Nächstes bauen sollten“, an einem Wochenende gebaut.
Das Ergebnis ist ein neuer Typ von Stakeholder: informiert, aber ohne Bodenhaftung. Er hat Daten, Analysen und eine Position, die von echt wirkenden Belegen gestützt wird. Aber seine Belege sind generisch: Branchentrends, Wettbewerber-Features, Analystenberichte. Sie beziehen sich nicht auf deine Kunden, deinen Chancenraum oder deine validierten Annahmen.
Wenn ein Stakeholder sagt „Wir brauchen KI im Onboarding-Flow“, hat er wahrscheinlich recht damit, dass Wettbewerber das tun. Dass es deinen Kunden in deinem Produkt in deiner Phase hilft, stimmt nicht unbedingt. Diese Unterscheidung ist der ganze Job.
Die Falle ist, mit mehr Daten derselben Art zurückzuschlagen. Wenn er zehn Marktdatenpunkte mitbringt und du zwanzig, bleibt die Debatte bei „was der Markt tut“, und es gewinnt, wer die beeindruckender klingenden Quellen hat. Das ist nicht immer der PM.
Wie erstellst du eine Map deiner Stakeholder?
Bevor du Stakeholder managen kannst, liste sie auf und entscheide, wie viel Aufmerksamkeit jeder braucht. Das Standardwerkzeug ist das Macht-Interesse-Raster.
Das Raster wird üblicherweise Aubrey L. Mendelow zugeschrieben. Sein Paper von 1981 baute ein Modell um die Macht eines Stakeholders im Verhältnis zur Organisation und die Geschwindigkeit auf, mit der sich das Umfeld verändert (Mendelow, ICIS 1981). Die bekannte Vierfeldertafel aus Macht und Interesse ist eine spätere Anpassung dieser Idee.
Quadrant
Wer typischerweise hier steht (Produktbeispiel)
Wie du sie managst
Rhythmus
Hohe Macht, hohes Interesse: eng führen
CEO, Head of Product, deine Engineering-Leitung
Vor Entscheidungen einbinden; Belege früh teilen; den Entscheidungsverantwortlichen festlegen
Wöchentlich bis alle 2 Wochen
Hohe Macht, geringes Interesse: zufriedenhalten
CFO, Recht, Vorstandsmitglieder
Kurze Updates zu Ergebnissen, Risiken und Anliegen; keine Überraschungen
Monatlich oder pro Meilenstein
Geringe Macht, hohes Interesse: informiert halten
Support-Team, Design-Partner, Power-User
Zeigen, was sich geändert hat und warum; um Input bitten
Alle 2 Wochen oder pro Release
Geringe Macht, geringes Interesse: beobachten
Teams am Rand deines Bereichs
Release Notes; nachfragen, wenn deine Arbeit ihre berührt
Vierteljährlich
Eine Stakeholder-Map-Vorlage zum Kopieren
Stakeholder
Rolle
Macht (H/N)
Interesse (H/N)
Aktuelle Haltung
Was ihnen wichtig ist
Belege, die sie überzeugen
Nächster Kontaktpunkt
Unterstützer / neutral / skeptisch
Zahlen, Kundenzitate, Demos, Schritte der Wettbewerber
Zwei Spalten leisten die meiste Arbeit. „Was ihnen wichtig ist“ hält dich davon ab, jemandem, der an Neuabschlüssen gemessen wird, Retention zu verkaufen. „Belege, die sie überzeugen“ sagt dir, ob du ein Diagramm, einen Kundenclip oder eine Kostenschätzung mitbringen solltest. Überprüfe die Map zu Beginn jedes Quartals; Menschen wechseln Rollen und Prioritäten öfter, als PMs ihre Notizen aktualisieren.
Welche Belege gewinnen eine Roadmap-Diskussion noch?
Du kannst einen Stakeholder nicht überrecherchieren, dessen KI-Assistent rund um die Uhr Analysen fährt. Aber es gibt eine Informationsquelle, die kein KI-Agent für ihn erzeugen kann: deine Kunden.
Konkrete Kundenbelege (wörtliche Zitate, beobachtetes Verhalten, Experimentergebnisse, frühere Entscheidungen und was danach geschah) stecken in keinem Trainingsdatensatz. Sie liegen in deinen Research-Sessions, Support-Tickets, Produkt-Analytics und Entscheidungsprotokollen. Das ist das Einzige, was wirklich dir gehört.
Nicht alle Belege wiegen gleich. Gewichte, was du mitbringst:
Belegart
Beispiel
Wer sie erzeugen kann
Gewicht in einer Roadmap-Debatte
Generische Marktdaten
„Wettbewerber haben KI-Onboarding eingeführt“
Jeder mit einem Chat-Assistenten
Niedrig: anderswo wahr, hier ungetestet
Interne Meinung
„Kunden fragen ständig danach“
Jeder
Niedrig, bis gezählt
Proxy-Signal
41 Support-Tickets erwähnen Export in 90 Tagen
Das Team, aus euren Tools
Mittel: zeigt das Was, nicht das Warum
Beobachtetes Verhalten
5 von 8 Interviewten haben sich mit einer Tabelle beholfen
Nur Leute, die mit Kunden gesprochen haben
Hoch: zeigt das Warum
Experimentergebnis
Fake-Door-Test: 6 % der Trial-Nutzer klickten auf „Export to ERP“
Nur euer Team
Am höchsten: zeigt, was passiert, wenn du handelst
Das verändert die Frage im Raum. Wenn ein Stakeholder mit einer KI-generierten Roadmap kommt, lautet die Frage nicht „Wessen Daten sind besser?“ Sondern „Hat ein echter Kunde von uns danach gefragt, und was hat er getan?“ Wenn du antworten kannst: „Drei Kunden haben in den letzten zwei Wochen genau diese Reibung beschrieben; hier sind ihre Worte, hier ist die Session-Aufzeichnung, hier ist der Test, den wir gefahren haben“, hast du das Gespräch verändert.
Belege sind das Argument, das die Flut KI-generierter Analysen übersteht, weil sie konkret sind, wo alles andere allgemein bleibt.
Wie reagierst du, wenn ein Stakeholder eine KI-generierte Roadmap mitbringt?
Behandle sie als Liste von Hypothesen, nicht als Bedrohung. Eine Reaktion in fünf Schritten, die die Beziehung intakt hält:
Bedanke dich und frag nach dem Quell-Prompt. „Nützlich. Was hast du gefragt, und welche Daten hat sie gesehen?“ So erkennst du, ob sie auf deinen Kundendaten oder im offenen Web gelaufen ist.
Sortiere die Punkte nach Bedürfnis, nicht nach Feature. Die meisten KI-Roadmaps listen Lösungen auf. Schreibe jede als das Kundenproblem um, das sie voraussetzt.
Prüfe jedes Problem an deinen Belegen. Ist es in Interviews, Tickets oder Nutzungsdaten aufgetaucht? Markiere jedes als „gesehen“, „nicht gesehen“ oder „widerlegt“.
Bring vor dem nächsten Meeting eine kurze Belegnotiz mit. Zwei oder drei wörtliche Kundenzitate pro Punkt schlagen eine Folie voller Diagramme.
Vereinbare den günstigsten Test für alles, was noch offen ist. „Wenn drei der nächsten fünf Kundengespräche das beschreiben, rückt es nach oben.“
Durchgerechnetes Beispiel (illustrativ)
Angenommen, ein VP Sales bringt eine KI-entworfene Liste mit 13 Features für das nächste Quartal eines 6-köpfigen Teams. Der PM schreibt sie in 9 zugrunde liegende Probleme um (vier Features lösen dasselbe). Ein Blick in den Product Graph und die Gespräche der letzten 90 Tage zeigt: 2 Probleme tauchen in mindestens 5 Kundengesprächen auf, 4 ein- oder zweimal, und 3 nie. Ein „nie aufgetaucht“-Punkt widerspricht dem, was 4 abgewanderte Kunden sagten: dass sie weniger Einstellungen wollen, nicht mehr.
Der PM schickt zwei Tage vor dem Review eine einseitige Notiz. Im Meeting rücken die 2 gut belegten Probleme in die Spalte „Next“ der Outcome-basierten Roadmap, die 4 Einzelnennungen bekommen je einen Test, und die 3 ungesehenen landen mit Begründung auf einer „Nicht jetzt“-Liste. Der VP bekommt keine 13 Features; er bekommt 2 echte Zusagen und einen klaren Weg, den Rest hochzustufen. Skripte, mit denen ein solches „Nein“ freundlich bleibt, findest du unter wie PMs Nein sagen, ohne Vertrauen zu zerstören.
Welche Gewohnheiten erhalten deinen Belegvorsprung?
In der Praxis geht es beim Job des PMs 2026 weniger darum, Informationen zu verdichten (das übernimmt die KI zu einem großen Teil), sondern mehr darum, eine fortlaufende, konkrete, durchsuchbare Aufzeichnung dessen zu führen, was Kunden gesagt und getan haben.
Das klingt selbstverständlich, aber die meisten Teams tun es nicht. Belege liegen in Interviewnotizen, die niemand liest, in Aufzeichnungen, die ablaufen, in Slack-Threads, die sich nicht durchsuchen lassen, und in der Erinnerung eines PMs an ein Gespräch vor drei Monaten. Wenn ein Stakeholder widerspricht, suchst du dreißig Minuten nach dem Zitat, und das Meeting ist vorbei, bevor du es findest. Es ist auch seltener, als es sein sollte: Nur 20 % der Produktteams in Teresa Torres' Benchmark beschreiben sich als Outcome-orientiert (Product Talk, 2024), und ohne Aufzeichnung dessen, was Kunden tun, lässt sich nicht an Outcomes steuern.
Vier Gewohnheiten erhalten den Vorsprung:
Sprich jede Woche mit Kunden. Torres' Maßstab ist, dass gute Discovery-Teams mindestens wöchentlich mit Kunden in Kontakt sind (Product Talk, 2021). Belege vom letzten Jahr gewinnen das Argument dieses Quartals nicht. Unser Leitfaden zu Continuous Discovery zeigt, wie du das unterbringst.
Dokumentiere Entscheidungen mit den Belegen, die sie getragen haben, nicht nur das Ergebnis. Welche Sessions das Problem sichtbar gemacht haben, welches Experiment es getestet hat, bei welcher Annahme du ein Risiko eingegangen bist. Diese Aufzeichnung macht eine Entscheidung sechs Monate später vertretbar. Siehe das Entscheidungsprotokoll des PMs.
Mach Kundenbelege dort durchsuchbar, wo Widerspruch auftaucht. Interviews, Tickets, Experimentergebnisse und Entscheidungsbegründungen sollten an einem Ort liegen, verknüpft und nach Thema durchsuchbar, nicht auf fünf Tools verteilt.
Schick Belege vor dem Meeting. Wenn ein Stakeholder vor dem Review drei wörtliche Kundenzitate liest, kommt er abgestimmt statt festgefahren. Ein kurzes Stakeholder-Update mit dem Fazit zuerst ist das richtige Vehikel.
Halte die KI auf der richtigen Seite dieser Linie. Nutze sie zum Transkribieren, Clustern und Entwerfen, und lass jede Aussage von einem Menschen gegen die Quelle prüfen. Diese Trennung behandeln wir in KI-Research-Synthese getrennt von Interpretation halten.
Wann haben Stakeholder recht?
Oft. Nicht jeder KI-generierte Vorschlag ist falsch. Manchmal bringt die Analyse eines Stakeholders ein echtes Kundenproblem ans Licht, das du nicht priorisiert hast, oder das Wettbewerber-Feature, für das er sich begeistert, entspricht etwas, wonach deine Kunden schon länger fragen.
Auch hier hilft dir deine Belegbasis. Wenn ein Stakeholder einen Vorschlag bringt, prüfe: Ist das in der Recherche aufgetaucht? Gibt es ein Signal in Tickets oder Nutzung? Wenn ja, kannst du schnell und sicher vorangehen, und du solltest das auch sagen. Wenn nein, kannst du mit Konkretem statt mit Meinung widersprechen.
Das Ziel ist nicht, gegen Stakeholder zu gewinnen. Es ist, Produktentscheidungen auf Grundlage der besten verfügbaren Informationen darüber zu treffen, was Kunden brauchen. Diese Glaubwürdigkeit wächst mit der Zeit. Nachdem deine Kundenbelege zum dritten Mal vorhergesagt haben, was ein Experiment bestätigt hat, hören Stakeholder auf, die KI-generierte Roadmap mitzubringen. Sie fragen stattdessen, was die Belege sagen.
Wie sorgst du dafür, dass Stakeholder-Entscheidungen halten?
Viele Stakeholder-Streitigkeiten drehen sich gar nicht um die Entscheidung. Sie drehen sich darum, wer sie treffen darf. Kläre das zuerst.
Atlassians DACI-Play gibt jeder Entscheidung einen Driver, der den Prozess leitet, einen einzigen Approver, der entscheidet, Contributors, die eine Stimme, aber kein Votum haben, und Personen, die informiert gehalten werden (Atlassian). Bei Roadmap-Entscheidungen ist meist der PM der Driver, und Approver ist, wer für das Ergebnis des Produktbereichs verantwortlich ist.
Halte die Rollen für jede umstrittene Entscheidung schriftlich fest, teile die Belege vorab mit den Contributors, dokumentiere die Entscheidung samt Begründung und informiere danach die Informed-Gruppe. Wenn der nächste KI-generierte Vorschlag eintrifft, kannst du auf die Entscheidung, die Belege und das Datum der nächsten Überprüfung verweisen.
Häufige Fehler im Stakeholder-Management
Marktdaten gegen Marktdaten argumentieren. Du verlierst gegen den, der die glattere Quelle hat. Wechsle den Rahmen zu deinen Kunden.
Alle Stakeholder gleich behandeln. Ein CFO mit geringem Interesse braucht deinen wöchentlichen Thread nicht; deine Engineering-Leitung schon. Nutze das Raster.
Ja sagen, um Reibung zu vermeiden. „Ich nehme es ins Backlog auf“ verschiebt den Konflikt und untergräbt das Vertrauen, wenn nichts passiert.
Stakeholder mit hoher Macht überraschen. Schlechte Nachrichten, die früh überbracht werden, sind eine Vertrauenseinzahlung. Schlechte Nachrichten, die in einem Review entdeckt werden, sind eine Abhebung. Zu Quartalsreviews siehe wie du eine Produkt-Roadmap baust, der die Geschäftsleitung vertraut.
Unsicherheit verbergen. „Wir glauben, dass das funktioniert, und in vier Wochen wissen wir, woran wir es erkennen“ schafft mehr Vertrauen als falsche Zuversicht.
Wo Specky ins Spiel kommt
Specky hält Kundeninterviews, Tickets, Experimentergebnisse und Entscheidungen in einem Product Graph verbunden, mit einer Stakeholder-Map, die Personen nach Einfluss und Interesse sortiert. Wenn ein Stakeholder mit einer KI-entworfenen Roadmap hereinkommt, kannst du nachschlagen, was deine eigenen Kunden zu jedem Punkt gesagt haben, und diesen Beleg an die Entscheidung hängen.
Häufig gestellte Fragen
Was ist das Macht-Interesse-Raster?
Es ist eine Vierfeldermatrix, die Stakeholder danach sortiert, wie viel Macht sie über deine Arbeit haben und wie sehr sie sich dafür interessieren. Die vier Gruppen sind eng führen, zufriedenhalten, informiert halten und beobachten. Üblicherweise wird sie Aubrey Mendelow zugeschrieben, dessen Modell von 1981 Macht und Umfeldveränderung verwendete; die Interessenachse ist eine spätere Anpassung.
Wie managen Product Manager Stakeholder ohne Weisungsbefugnis?
Indem sie oft richtig liegen und ihre Argumentation zeigen. PMs erarbeiten sich Einfluss durch konkrete Kundenbelege, klare Entscheidungsrechte und keine Überraschungen. Teile Belege vor Meetings, benenne, wer entscheidet, dokumentiere die Begründung und verfolge die Ergebnisse nach. Mit der Zeit vertrauen Stakeholder dem Prozess genug, um Ideen zu dir zu bringen, statt an dir vorbei zu eskalieren.
Wie sollte ein PM auf eine KI-generierte Roadmap eines Stakeholders reagieren?
Behandle sie als Liste von Hypothesen. Frag, auf welchen Daten sie beruht, schreibe jedes Feature als das Kundenproblem um, das es voraussetzt, und prüfe jedes Problem an deinen Interviews, Tickets und Nutzungsdaten. Schick vor dem nächsten Meeting eine kurze Belegnotiz und vereinbare dann einen günstigen Test für alles, was noch unsicher ist.
Wie oft solltest du Stakeholder updaten?
Richte den Rhythmus am Raster aus. Stakeholder, die du eng führst, brauchen wöchentlichen oder zweiwöchentlichen Kontakt; die, die du zufriedenhältst, brauchen monatliche Updates und sofortige Nachricht bei wesentlichen Risiken. Gruppen, die du informiert hältst, können Release Notes oder einem Beitrag alle zwei Wochen folgen. Schick ein zusätzliches Update, sobald sich etwas ändert, das ein Stakeholder zuerst von dir hören möchte.
Wird KI das Stakeholder-Management für PMs ersetzen?
Nein. KI kann Updates entwerfen, Feedback zusammenfassen und Belegnotizen vorbereiten, was Stunden spart. Sie kann kein Vertrauen aufbauen, nicht beurteilen, welcher Stakeholder einen Anruf statt eines Dokuments braucht, und keinen Zielkonflikt verantworten. Diese Teile werden wichtiger, je lauter der KI-Output aller anderen die Räume macht.
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