4. November 2026Aktualisiert am Fathy Shalaby14 Min. Lesezeit
Produktplanung im Startup: Kundenevidenz in einen 90-Tage-Plan verwandeln
Ein praxisnaher Produktplanungsprozess für Gründer, erste PMs und Product Engineers: Kundensignale werden zu einer fokussierten 90-Tage-Abfolge, ohne unsichere Wetten als feste Zusagen auszugeben.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Produktplanung im Startup bedeutet zu entscheiden, welches Kundenergebnis du als Nächstes anstrebst, was das Team noch lernen muss und wie du die Wetten sequenzierst, die dorthin führen. Ein guter 90-Tage-Plan geht von Kundenevidenz aus, benennt ein einziges Ergebnis mit einer Baseline, sortiert die Arbeit in Now, Next und Later und legt Review-Termine fest, damit sich der Plan ändert, wenn sich die Evidenz ändert.
Die wichtigsten Erkenntnisse
Mangelnder Product-Market-Fit spielte bei 43 % von 385 Shutdowns VC-finanzierter Startups seit 2023 eine Rolle, die CB Insights analysiert hat (CB Insights, 2026). Evidenzbasiert zu planen ist eine Überlebensfähigkeit, kein Nice-to-have.
Pendo stellte fest, dass 80 % der Features in einem durchschnittlichen Softwareprodukt selten oder nie genutzt werden (Pendo, 2019).
49 % der Produktteams sagen, ihnen fehle die Zeit für strategische Planung, und nur 31 % der Organisationen priorisieren schnelles Experimentieren (Atlassian via Mind the Product, 2025).
Pro 90 Tage ein Ergebnis, eine Baseline und eine Guardrail. Alles andere ist Next oder Later.
Ein 60-minütiges Review alle zwei Wochen hält den Plan ehrlich, ohne Planungsbürokratie.
Was ist Produktplanung im Startup?
Produktplanung im Startup verwandelt eine Richtung („Wir bedienen Finanzteams in Unternehmen mit 50–500 Mitarbeitenden“) in eine kurze Abfolge von Wetten, die das Team tatsächlich durchführen kann. Sie liegt zwischen Strategie und Backlog. Sie ist nützlich für Gründer, für die erste Produktstelle und für Product Engineers, die mit KI-Tools bauen: Wenn die Umsetzung schneller wird, verschiebt sich der Engpass darauf, zu entscheiden, welches Problem lösenswert ist und woran man erkennt, ob ein Release geholfen hat.
Halte drei Artefakte getrennt, denn genau ihre Vermischung macht aus Plänen gebrochene Versprechen:
Datierte Versprechen, auf die sich das Team geeinigt hat
Einzelne Kunden, Vertrieb
Nur durch ausdrückliche Entscheidung
Ein Liefertermin für einen Kunden gehört nur dann in die Zusagen, wenn das Team ihm zugestimmt hat. Steht er ohne diese Zustimmung auf der Roadmap, ist er eine Vermutung, die als Versprechen auftritt.
Warum sollte die Produktplanung im Startup bei Evidenz beginnen?
Weil das Bauen billig geworden ist, das Raten aber nicht. Die Analyse von CB Insights aus dem Jahr 2026 zu 431 Shutdowns VC-finanzierter Startups fand in 70 % der Fälle fehlendes Kapital, merkt aber an, dass dies fast immer die letzte Ursache ist und nicht das eigentliche Problem; mangelnder Product-Market-Fit tauchte in 43 % auf, schlechtes Timing in 29 % und nicht tragfähige Unit Economics in 19 % (CB Insights, 2026). Pendos Schätzung, dass 80 % der Features selten oder nie genutzt werden und börsennotierte Cloud-Unternehmen bis zu 29,5 Milliarden US-Dollar in sie investiert haben, zeigt, was Planung aus dem Bauch im großen Maßstab kostet (Pendo, 2019).
Die meisten Teams planen außerdem, ohne die Zeit dafür zu haben. In Atlassians State-of-Product-Umfrage 2026 unter mehr als 1.000 Produktprofis gaben 49 % an, ihnen fehle die Zeit für strategische Planung, und 40 % berichteten von begrenztem oder gar keinem Experimentieren (Mind the Product, 2025). Ein Plan, der auf eine Seite passt und Evidenz wiederverwendet, die du ohnehin sammelst, ist die realistische Alternative.
Was soll dir ein 90-Tage-Produktplan helfen zu entscheiden?
Ein 90-Tage-Plan ist ein Planungsfenster, kein Versprechen, dass jede Wette an einem festen Datum ausgeliefert wird. Er sollte vier Dinge klar machen:
Welches Kunden- oder Geschäftsergebnis ist jetzt am wichtigsten?
Was wissen wir über das Problem, und was ist noch eine Annahme?
Was ist die nächste kleinste Wette, die Unsicherheit verringern oder das Ergebnis voranbringen kann?
Welche Evidenz würde uns dazu bringen weiterzumachen, die Richtung zu ändern oder aufzuhören?
Wie baust du Schritt für Schritt einen 90-Tage-Produktplan für dein Startup?
1. Ein Ergebnis wählen und eine Baseline festlegen
Beginne mit einem Ergebnis, nicht mit einem Feature-Namen. „Einen KI-Assistenten hinzufügen“ beschreibt eine Lösung. „Neuen Nutzern helfen, die erste nützliche Aufgabe ohne Rückfrage beim Support abzuschließen“ beschreibt ein Resultat, das das Team untersuchen kann.
Wähle eine primäre Kennzahl und mindestens eine Guardrail:
Ergebnis: Mehr neue Nutzer schließen die erste nützliche Aufgabe ab.
Baseline: Die aktuelle Abschlussquote für eine klar definierte Kohorte.
Guardrail: Supportanfragen, Fehler oder Bearbeitungszeit werden nicht schlechter.
Nimm eine Kennzahl, die das Team heute schon beobachten kann. Wenn das Event nicht instrumentiert ist oder die Kohorte zu klein zum Auswerten, halte das als Messlücke fest und schließe sie in den ersten zwei Wochen, bevor du irgendetwas in Ergebnisse hineinliest.
2. Ein Evidenzregister anlegen, bevor du Ideen rankst
Sammle eine kleine, zusammenhängende Menge von Kundensignalen: aktuelle Interviews, Supporttickets, Produktverhalten, Vertriebsgespräche und beobachtete Workarounds. Erfasse jedes davon:
Datum
Quelle
Segment / Situation
Was sie versuchten
Problem oder Workaround
Link
Noch unklar
3. Nov.
Interview
Ops-Lead, Unternehmen mit 80 Personen
Ersten Wochenbericht verschicken
Hat in eine Tabelle exportiert, um Daten zu korrigieren
[Gesprächsnotizen]
Wie viele andere Ops-Leads machen das?
5. Nov.
Supportticket
Admin, Testaccount
Team einladen
Einladungs-E-Mail landete im Spam
[Ticket]
Einzelfall oder verbreitet?
Halte die Originalquelle einen Klick entfernt. Ein Ticket belegt, dass eine Person auf ein Problem gestoßen ist; wie verbreitet es ist, belegt es nicht. Ein Funnel-Drop-off zeigt, wo sich das Verhalten ändert; ein Interview hilft zu erklären, warum.
Nutze KI, um verwandte Evidenz zu gruppieren, Fragen vorzuschlagen oder eine Quellenmenge zusammenzufassen, aber lass Zitate und Links angehängt und suche nach Gegenbeispielen, bevor du ein Thema als Entscheidung behandelst. Unser zweiwöchiger KI-Product-Discovery-Loop zeigt, wie du diese Signale sammelst und prüfst.
3. Feature-Wünsche in Problembeschreibungen übersetzen
Mehrere Kunden wünschen sich womöglich unterschiedliche Features, weil sie dieselbe Aufgabe erledigen wollen. Beschreibe die Situation und die Kosten des Problems, bevor du Lösungen vergleichst. Eine brauchbare Problembeschreibung beantwortet:
Wer ist betroffen?
Was versuchen die Betroffenen zu tun?
Was macht den aktuellen Weg langsam, riskant oder frustrierend?
Welche Evidenz stützt diese Beschreibung?
Welche Evidenz würde sie schwächen?
Behandle Anfragezahlen nicht als Stimmen. Zehn Kommentare aus einem Kundensegment können weniger zählen als drei wiederholte Fälle aus dem Segment, für das du gebaut bist. Segment, Schwere, Aktualität und Evidenzqualität spielen alle eine Rolle.
4. Die nächste Wette priorisieren, nicht einen Haufen Features
Vergleiche für jedes Problem den Wert, jetzt zu handeln oder zu lernen, mit Zeit, Risiko und Opportunitätskosten. Eine leichtgewichtige Diskussion kann fünf Dimensionen nutzen:
Nutzerwirkung: Wie teuer ist das Problem, wenn es auftritt?
Evidenzstärke: Stützen mehrere aktuelle Quellen es?
Strategische Passung: Bringt die Lösung das Ergebnis dieses Quartals voran?
Kosten und Risiko: Was würde eine gescheiterte Änderung kosten, einschließlich KI-Nutzung oder menschlicher Prüfung?
Lernwert: Was könnte ein kleiner Test lehren, bevor man größer baut?
Bewerte die Evidenzstärke auf einer einfachen Skala, damit alle über dasselbe streiten:
Stufe
Was du hast
Was es rechtfertigt
0
Meinung oder eine einzelne Anfrage
Noch nichts; finde die nächste Frage
1
2–3 konsistente Interviews oder Tickets aus dem Zielsegment
Einen günstigen Test oder Prototyp
2
Interviews plus Verhaltensdaten (Funnel, Nutzung), die in dieselbe Richtung zeigen
Einen kleinen Build hinter einem Flag
3
Ein Testergebnis mit vorab vereinbarter Kennzahl
Einen vollständigen Build und Launch
Mach aus den Dimensionen keine exakten Scores, solange das Team nicht erklären kann, was die Zahlen bedeuten. Eine Formel, die schwache Evidenz verdeckt, erzeugt falsche Sicherheit.
5. Den Plan in Now, Next und Later sequenzieren
Janna Bastow, die die Now-Next-Later-Roadmap erfunden hat, beschreibt Now als Arbeit, die klar definiert und spezifiziert ist, Next als weniger weit heruntergebrochen und noch nicht vor dem Team, und Later als breite, vage Probleme (ProdPad). Für ein Startup lässt sich das sauber auf Zuversicht abbilden:
Now: Das aktive Ergebnis und die kleinste nützliche Auslieferung oder das kleinste Experiment (Evidenzstufe 2–3).
Next: Das Problem, das das Team nach der aktuellen Wette untersuchen will (Stufe 1–2).
Later: Optionen, die mehr Evidenz brauchen, von einer anderen Entscheidung abhängen oder keine Zusagen sind (Stufe 0–1).
Halte Now klein. Wenn alles in Now steht, hilft der Plan niemandem beim Auswählen. Hat das Team viele Abhängigkeiten, benenne die eine, die das Ergebnis blockieren könnte, und teste sie früh.
Für die Zeitfenster kannst du dich bei Shape Up von Basecamp bedienen: sechswöchige Zyklen ununterbrochener Arbeit an einer geformten Wette, zweiwöchige Cool-downs für Korrekturen und Planung und ein Appetite (wie viel Zeit die Wette wert ist) statt einer Schätzung (Basecamp, Shape Up). Ein 90-Tage-Fenster fasst ungefähr einen Lern-Sprint, eine sechswöchige Wette und eine kürzere Folgewette.
Wenn die Abfolge klar ist, ist unsere kostenlose Produkt-Roadmap-Vorlage ein schneller Weg, sie zu teilen. Die Vorlage ist das Artefakt; dieser Prozess ist die Überlegung dahinter.
6. KI-Qualität und Fehlerfälle einplanen
KI-Features brauchen mehr Prüfungen als „Ist es ausgeliefert?“. Lege fest, wie ein gutes Ergebnis bei repräsentativen Aufgaben aussieht, wie Fehler entdeckt werden und was das Produkt tut, wenn das Modell unsicher oder nicht verfügbar ist. Plane je nach Anwendungsfall ein:
Ein kleines Evaluations-Set aus echten Aufgaben.
Einen Prüfweg für Ergebnisse mit hoher Tragweite oder geringer Konfidenz.
Einen Fallback, wenn das Modell die Aufgabe nicht abschließen kann.
Monitoring von Qualität, Latenz und Kosten nach dem Release.
Einen klaren Punkt, an dem eine Person das Ergebnis korrigieren oder übersteuern kann.
Googles People + AI Guidebook bündelt Muster für genau diese Fragen, von der Entscheidung, ob man überhaupt KI einsetzt, über die Kalibrierung des Nutzervertrauens bis zur Unterstützung der Nutzer, wenn etwas schiefgeht (Google PAIR). Unser KI-Evaluations-Framework für Produktteams macht daraus ein Release-Gate.
Wie sieht eine Vorlage für einen 90-Tage-Produktplan aus?
90-TAGE-PRODUKTPLAN — [Team] — [Startdatum] bis [Enddatum]
ERGEBNIS
Primäre Kennzahl: ____________ Baseline: ____ Ziel: ____
Guardrail(s): ____________ Muss unter/über bleiben: ____
Kohortendefinition: ____________
EVIDENZ (Top 5, verlinkt)
1. ____ (Quelle, Datum, Segment) — Evidenzstufe 0-3
...
NOW (Woche 1-6)
Wette: ____________ Appetite: __ Wochen Owner: ____
Erfolgssignal: ____ Abbruchbedingung: ____
NEXT (Woche 7-12)
Zu untersuchendes Problem: ____ Nötige Evidenz für den Aufstieg nach Now: ____
LATER (nicht zugesagt)
____ (was wahr sein müsste)
MESSLÜCKEN, die in Woche 1-2 zu schließen sind: ____
REVIEW-TERMINE: jeden zweiten [Wochentag]; vollständiges Review in Woche 6 und 12
Wie sieht ein evidenzbasierter 90-Tage-Plan in der Praxis aus?
Ein anschauliches Beispiel, keine echten Kundendaten. Angenommen, ein sechsköpfiges KI-Software-Team sieht, dass neue Nutzer das Setup beginnen, aber kein nützliches erstes Ergebnis erreichen. Etwa 200 Personen melden sich pro Monat an, und 28 % erzielen innerhalb von 7 Tagen ein erstes nützliches Ergebnis. Das Team nimmt nicht an, dass ein neues Dashboard oder ein Chatbot das Problem löst.
Now (Woche 1–2, Lernen): Bestätigen, dass das Aktivierungs-Event korrekt getrackt wird, fünf Session-Aufzeichnungen ansehen und mit sechs Nutzern sprechen, die früh abgesprungen sind. Vier der sechs blieben beim Daten-Import hängen.
Now (Woche 3–8, sechswöchige Wette): Einen geführten Import mit Beispieldaten testen. Ziel: die 7-Tage-Aktivierung von 28 % auf 40 % steigern. Guardrail: Supporttickets zum Import bleiben unter 10 pro Woche. Abbruchbedingung: unter 32 % nach vier Wochen Traffic.
Next (Woche 9–12): Wenn die Wette aufgeht, den zweiten Drop-off-Punkt untersuchen. Wenn nicht, erneut interviewen und stattdessen einen Concierge-Setup-Call testen.
Later: Breitere Automatisierungsideen bleiben sichtbar, aber unverbindlich, bis das Team wiederholte Nutzung sieht und die Fehlerfälle versteht.
Bei 200 Anmeldungen im Monat sieht das Team während der sechswöchigen Wette rund 300 neue Nutzer, genug, um einen Sprung von 28 % auf 40 % zu bemerken, aber nicht, um einen kleinen Unterschied zu belegen. Wenn du einen formalen Test fahren willst, zeigt unser Leitfaden zu A/B-Tests für PMs, wie du vorher die Stichprobengröße prüfst.
Wie führst du ein Produktplanungs-Review durch?
Ein 60-minütiges Review funktioniert, wenn die Evidenz vorab geteilt wird:
Ergebnis und Baseline erneut bestätigen (5 Minuten).
Neue Evidenz prüfen, auch Signale, die der aktuellen Sicht widersprechen (15 Minuten).
Die größte Unsicherheit oder das größte Kundenproblem benennen (10 Minuten).
Die nächsten Wetten und die Kosten des Wartens vergleichen (15 Minuten).
Festlegen, was Now, was Next und was Later bleibt (10 Minuten).
Owner, nächsten Review-Termin und das, was die Entscheidung ändern würde, festhalten (5 Minuten).
Prüfe laufende Arbeit jede Woche kurz. Geh Evidenz und Sequenz alle zwei Wochen noch einmal durch und führe zur Halbzeit und am Ende der 90 Tage ein vollständiges Review durch. Prüfe nach einem bedeutenden Release, ob sich das Zielverhalten geändert hat und ob die Guardrails gehalten haben; unsere Checkliste für Feature-Launches zeigt, was du in der ersten Woche messen solltest.
Was sind typische Fehler bei der Produktplanung im Startup?
Features statt Ergebnisse planen. Eine Feature-Liste kann „erledigt“ sein, während sich für Kunden nichts ändert.
Die Roadmap als Liefervertrag behandeln. Unsichere Wetten als Termine zu präsentieren, zerstört Vertrauen, sobald Evidenz die Reihenfolge ändert.
Anfragen als Stimmen zählen. Volumen aus dem falschen Segment kann den Plan von deinen besten Kunden wegziehen.
Die Baseline überspringen. Ohne Ausgangszahl sieht jedes Ergebnis nach Fortschritt aus.
Now überfüllen. Drei parallele Wetten bei einem 5-köpfigen Team bedeuten meist, dass keine ein sauberes Ergebnis liefert.
Allein planen. Wenn Entwickler den Plan erst im Sprint Planning sehen, verlierst du ihre Sicht auf Aufwand und Risiko. Hol sie in die Problemauswahl.
Wann funktioniert ein 90-Tage-Plan nicht?
Bevor du Nutzer hast, ist ein 90-Tage-Plan vor allem ein Discovery-Plan: Das Ergebnis lautet „herausfinden, ob dieses Problem real ist“, und der 30-Tage-Plan für den ersten Product Manager passt besser zu einem Team, das gerade erst seinen Loop aufsetzt. Und in einer Krise (ein wichtiger Kunde in Gefahr, ein Ausfall, eine Finanzierungsfrist) sollte der Plan ausdrücklich pausieren, statt so zu tun, als hätte sich nichts geändert. Schreib auf, was pausiert wurde und wann du darauf zurückkommst.
Wo passt Specky hinein?
Der langsamste Teil evidenzbasierter Planung ist, das Evidenzregister von Hand aufzubauen. Specky liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, sodass Signale samt Quelle und Datum ankommen. RICE-Scoring mit KI-Vorschlägen und ein Opportunity Tree helfen beim Vergleichen der Wetten, und Specs tragen Inline-Zitate zurück zur Evidenz. Nach dem Launch prüft Specky, ob die Wette das Ergebnis bewegt hat. Mehr dazu in Speckys Funktionen für die Produktplanung.
Häufig gestellte Fragen
Wie sollte ein Startup sein Produkt planen?
Beginne mit einem Kundenergebnis und einer Baseline, sammle Evidenz zum Problem, vergleiche ein paar mögliche Wetten und sequenziere die nächste Lern- und Lieferarbeit als Now, Next und Later. Halte Annahmen sichtbar und setze Review-Termine, damit sich der Plan ändert, wenn sich die Evidenz ändert, und nicht, wenn jemand Höhergestelltes seine Meinung ändert.
Wie weit im Voraus sollte ein Startup planen?
Ein rollierendes 90-Tage-Fenster passt für die meisten Teams in der Frühphase: lang genug für eine sechswöchige Wette plus Lernen und Nachfolgearbeit, kurz genug, um den Kurs zu ändern. Halte den Detailgrad dort am höchsten, wo das Team die Arbeit versteht, und nutze einen Later-Horizont für Möglichkeiten, die noch von Discovery abhängen. Geh die Sequenz alle zwei Wochen noch einmal durch.
Was ist eine Now-Next-Later-Roadmap?
Ein Roadmap-Format von Janna Bastow von ProdPad, das Arbeit nach Gewissheit statt nach Terminen gruppiert. Now enthält klar definierte Arbeit in Bearbeitung, Next enthält Arbeit, die als Nächstes erwartet, aber noch nicht vollständig spezifiziert ist, und Later enthält breite Probleme, die noch erkundet werden. Es passt zu Startups, weil es Richtung kommuniziert, ohne Termine für unsichere Wetten zu versprechen.
Ist Produktplanung bei einem KI-Startup anders?
Die Kernfragen sind dieselben, aber KI-Features brauchen zusätzlich Prüfungen zu Qualität, Fehlerfällen, menschlicher Kontrolle, Latenz und Kosten. Nimm von Anfang an ein Evaluations-Set, einen Fallback und Monitoring nach dem Release in den Plan auf, statt sie als abschließende technische Prüfung zu behandeln. Plane damit, dass das Modell falsch liegt, langsam ist oder nicht verfügbar.
Wie priorisierst du, wenn alles wichtig erscheint?
Wähle die Wette, die das eine Ergebnis dieses Quartals am direktesten voranbringt und von mindestens zwei konsistenten Evidenzstücken gestützt wird. Alles andere geht nach Next oder Later. Bei Gleichstand nimm die Wette mit dem günstigeren Test, denn früher zu lernen schlägt eine sicherere Vermutung.
Wann sollte ich eine Produkt-Roadmap-Vorlage verwenden?
Nachdem sich das Team auf Ergebnis, Evidenz und nächste Wetten geeinigt hat. Eine Vorlage macht Entscheidungen leichter teilbar, kann aber nicht entscheiden, welches Problem zählt, und macht aus einer schwachen Annahme keine Evidenz. Füll zuerst die Begründung aus und nutze das Format dann, um sie zu kommunizieren.
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