17. Juli 2026Aktualisiert am Fathy Shalaby9 Min. Lesezeit
Warum Startups scheitern: Ihnen geht die Evidenz aus, bevor das Geld ausgeht
Dass das Geld ausgeht, ist das Ende der meisten Startup-Geschichten, nicht ihre Ursache. Der eigentliche Grund ist meist ein Markt, den es nie gab – gelesen aus Traktion, die echt aussah und es nicht war.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Die kurze Antwort darauf, warum Startups scheitern: Sie finden nie einen echten Markt, und das Geld geht aus, während sie suchen. In der Analyse von CB Insights vom März 2026 zu 431 VC-finanzierten Schließungen ging 70 % das Kapital aus, doch CB Insights nennt das die letzte Ursache. Die Grundursache war bei 43 % ein mangelnder Product-Market-Fit. Geld kauft Zeit. Nur Evidenz sagt dir, ob diese Zeit in das richtige Produkt fließt.
Das Wichtigste in Kürze
In den CB-Insights-Daten von 2026 waren die häufigsten Grundursachen mangelnder Product-Market-Fit (43 %), schlechtes Timing (29 %) und nicht tragfähige Unit Economics (19 %) (CB Insights, 2026).
Das Muster ist alt: In der CB-Insights-Studie von 2014 mit 101 Post-Mortems von Gründerinnen und Gründern nannten 42 % keinen Marktbedarf (Fortune, 2014).
Falscher Product-Market-Fit – Neugier wird mit Nachfrage verwechselt – führt zu verfrühter Skalierung. Startup Genome fand verfrühte Skalierung bei 70 % der untersuchten gescheiterten Startups (TechCrunch, 2011).
Deine eigentliche Grenze ist die Evidenz-Runway: wie viele ehrliche Tests du machen kannst, bevor das Geld weg ist.
Warum Startups scheitern: Was die Daten wirklich sagen
Zwei Datensätze von CB Insights, zwölf Jahre auseinander, zeigen auf dieselbe Grundursache.
Studie 2014
Studie 2026
Stichprobe
101 Post-Mortems von Gründerinnen und Gründern
431 VC-finanzierte Unternehmen, die seit 2023 geschlossen wurden (Gründe bei 385 bekannt)
Lies den Vergleich genau. Stichproben und Kategorien unterscheiden sich, und Unternehmen konnten mehrere Gründe nennen, daher ergeben die Prozentwerte mehr als 100 %. Die Studie von 2026 umfasst außerdem die Bereinigung nach der Nullzinsphase, als Anschlussfinanzierungen versiegten. Das erklärt wahrscheinlich einen großen Teil des Sprungs bei „Kapital ging aus“. Unverändert blieb, dass etwa vier von zehn gescheiterten Startups etwas gebaut haben, das der Markt nicht stark genug wollte.
Ist fehlendes Geld der wahre Grund, warum Startups scheitern?
Meistens nicht. Die meisten Listen dazu, warum Startups scheitern, hören beim Symptom auf. CB Insights sagt es direkt: Dass das Kapital ausgeht, ist fast immer die letzte Todesursache, nicht das eigentliche Problem (CB Insights, 2026). Das Kapital geht aus, weil kein Umsatz kam, und der Umsatz kam nicht, weil die Nachfrage schwächer war, als das Team glaubte.
Dieser Glaube ist der gefährliche Teil. Ein Startup mit ehrlicher Evidenz für schwache Nachfrage kann noch pivotieren, solange die Runway reicht. Ein Startup, das schwache Nachfrage für starke hält, gibt weiter Geld aus, oft schneller, bis Geld und Zeit weg sind.
Was ist falscher Product-Market-Fit?
Falscher Product-Market-Fit liegt vor, wenn frühe Aktivität nach dauerhafter Nachfrage aussieht, aber keine ist. Typische Quellen:
Launch-Spitzen. Ein Product-Hunt-Tag oder ein viraler Post bringt Anmeldungen von Leuten, die nie wiederkommen.
Neuheitseffekt. a16z beschreibt „AI Tourists“, die sich bei KI-Produkten anmelden und nach ein paar Monaten abspringen – weshalb a16z vorschlägt, Retention ab Monat 3 zu messen (a16z, 2025).
Pilotprojekte, die nie konvertieren. Ein Logo bei einem kostenlosen Pilot ist kein Kunde.
Vertrieb durch die Gründer. Kunden kaufen wegen des persönlichen Einsatzes der Gründerin oder des Gründers, und das skaliert nicht.
Hohe Rabatte. Umsatz, der nur mit hohem Rabatt existiert, sagt wenig über die Zahlungsbereitschaft aus.
Bessemers State of AI 2025 sagt dasselbe über schnell wachsende KI-Umsätze: Frühes Hypergrowth allein bedeutet weniger als früher, und die am schnellsten wachsende Kohorte hatte im Schnitt etwa 25 % Bruttomarge bei fragiler Retention (Bessemer, 2025).
Warum falscher Fit so teuer ist: verfrühte Skalierung
Falscher Fit löst Einstellungen, Werbeausgaben und Vertriebsaufbau aus, bevor die Nachfrage sie tragen kann. Die Analyse von Startup Genome aus dem Jahr 2011 mit mehr als 3.200 wachstumsstarken Startups ergab (TechCrunch, 2011):
Verfrühte Skalierung zeigte sich bei 70 % der gescheiterten Startups.
Startups, die richtig skalierten, wuchsen 20-mal schneller als solche, die verfrüht skalierten.
Kein einziges verfrüht skalierendes Startup überschritt 100.000 Nutzer.
93 % von ihnen kamen nie über 100.000 $ Jahresumsatz.
Die Daten sind alt und selbst berichtet, aber der Mechanismus ist einfach. Geld für Wachstum zu verwenden, vervielfacht, was du hast. Hast du Fit, bekommst du Wachstum. Hast du ihn nicht, bekommst du einen schnelleren Burn.
Wie erkennst du echte Traktion und falschen Product-Market-Fit?
Achte auf Verhalten, das den Kunden etwas kostet: Zeit, Gewohnheit, Geld oder Reputation. Lenny Rachitskys Überblick über Praxis-Tests liefert die klarste Checkliste (Lenny’s Newsletter, 2020).
Signal
So sieht falscher Fit aus
So sieht echter Fit aus
Retention
Kohorten fallen gegen null ab
Kohortenkurven flachen ab (Brian Balfours Test)
Nutzerstimmung
„Nettes Tool“ in Interviews
40 %+ der aktiven Nutzer wären „sehr enttäuscht“ ohne das Produkt
Akquise
Bezahlte Kanäle und Launch-Spitzen
Mehr als 50 % der neuen Accounts direkt oder organisch (Merci Grace)
Vertrieb
Lange Piloten, festgefahrene Deals
Kunden wehren sich, wenn du das Produkt nach einem Test wegnimmst (Rachleff, Leone)
Was ist Evidenz-Runway, und wie berechnest du sie?
Die finanzielle Runway sagt dir, wie lange du überlebst. Die Evidenz-Runway sagt dir, wie oft du falschliegen kannst und dich trotzdem erholst.
Evidenz-Runway = (Monate Cash − für das Fundraising reservierte Monate) ÷ Monate pro Lernzyklus
Ein Lernzyklus ist die Zeit von „wir glauben X“ bis „jetzt wissen wir, ob X stimmt“: den Test aufsetzen, durchführen, das Ergebnis lesen und entscheiden.
Durchgerechnetes Beispiel (illustrativ)
Angenommen, ein Startup mit fünf Leuten hat 600.000 € auf dem Konto und verbrennt 50.000 € im Monat. Das sind 12 Monate finanzielle Runway. Die Gründer reservieren 4 Monate für die nächste Runde und haben damit 8 Monate (etwa 35 Wochen) zum Lernen.
Länge des Lernzyklus
Zyklen in 8 Monaten
Wetten, die das Team noch testen kann
3 Monate (Feature bauen, launchen, auf Daten warten)
2,7
2
6 Wochen
5,8
5
3 Wochen
11,6
11
2 Wochen
17,3
17
Das Geld ist in jeder Zeile gleich. Der Unterschied ist, wie viele Chancen das Team bekommt, den Markt zu finden. Ein Team mit 3-monatigen Build-and-Launch-Zyklen hat zwei Versuche; ein Team, das alle 2 Wochen Annahmen testet, hat 17. Bauen ist selten der schnellste Weg zu lernen.
Software-Teams geben viel Geld für Wetten aus, die nie ordentlich getestet werden. Pendos Analyse von 615 Abonnements aus dem Jahr 2019 ergab, dass 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt werden, und schätzte, dass börsennotierte Cloud-Unternehmen bis zu 29,5 Milliarden $ in deren Bau investiert haben (Pendo, 2019). Jedes dieser Features hat einen Lernzyklus verbraucht.
Wie verhinderst du, dass dir die Evidenz ausgeht?
Schreibe Kill-Kriterien vor jeder Wette. „Wenn weniger als 8 von 20 Testnutzern in Woche zwei zurückkommen, hören wir auf.“ Lege die Schwelle fest, bevor du die Daten siehst.
Kartiere Annahmen, bevor du baust. Liste auf, was stimmen muss, damit die Wette aufgeht, und teste die riskanteste zuerst. Unser Leitfaden zum Assumption Mapping zeigt, wie, und die kostenlose Assumption-Map-Vorlage erledigt das in deinem Browser.
Führe den günstigsten Test durch, der dich widerlegen könnte. Fünf Interviews, ein Fake Door, eine Concierge-Woche oder eine Vorverkaufsseite schlagen meist einen Sprint voller Code.
Miss Verhalten in festem Rhythmus. Befrage aktive Nutzer monatlich und zeichne Kohorten monatlich auf. Trends über mehrere Runden schlagen Einzelmessungen.
Protokolliere jede Entscheidung mit der Evidenz dahinter. Wenn eine Wette scheitert, musst du wissen, welche Annahme gebrochen ist. Ein Product Decision Log kostet zehn Minuten pro Woche.
Erhöhe die Ausgaben erst, wenn die Signale übereinstimmen. Umfrage-Score, Retention und Zahlungen sollten in dieselbe Richtung zeigen, bevor du für Wachstum einstellst.
Evidenz schützt dich davor, das Falsche zu bauen. Vor allem anderen schützt sie dich nicht.
Schlechtes Timing (29 % in den Daten von 2026) kann ein Produkt versenken, das echte Kunden wollen, wenn der Markt nicht bereit ist oder das Finanzierungsklima kippt.
Unit Economics (19 %) können selbst bei starkem Fit scheitern. Liebe bei negativer Marge bleibt ein Verlust.
Kleine Stichproben täuschen. Ein Umfrage-Score von 45 % aus 15 Personen ist eine Hypothese, kein Beweis.
Evidenz lässt sich ignorieren. Der häufigste Fehler sind nicht fehlende Daten, sondern ein Team, das Daten wegerklärt, die ihm nicht gefallen.
Wo Specky ins Spiel kommt
Specky ist darauf ausgelegt, Evidenz an Entscheidungen gebunden zu halten. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph, entwirft Specs mit direkt zitierter Kundenevidenz und prüft nach dem Launch, ob die Wette aufgegangen ist. Für Gründerinnen und Gründer heißt das: Du siehst, welche Annahmen getestet sind und welche noch Vermutungen.
Häufig gestellte Fragen
Was ist der häufigste Grund, warum Startups scheitern?
Mangelnder Product-Market-Fit ist die häufigste Grundursache. In der CB-Insights-Studie von 2026 zu 431 VC-finanzierten Schließungen nannten ihn 43 %. Dass das Kapital ausging, wurde mit 70 % häufiger genannt, aber CB Insights beschreibt das als letzte Ursache und nicht als eigentliches Problem, weil das Geld meist ausgeht, nachdem die Nachfrage ausgeblieben ist.
Wie viel Prozent der Startups scheitern, weil es keinen Marktbedarf gibt?
In der CB-Insights-Studie von 2014 mit 101 Post-Mortems nannten 42 % keinen Marktbedarf. Die Studie vom März 2026 zu 431 VC-finanzierten Schließungen ergab, dass 43 % mangelnden Product-Market-Fit nannten. Die Methoden unterscheiden sich, also betrachte das als zwei Momentaufnahmen desselben Musters und nicht als präzise Trendlinie.
Was ist verfrühte Skalierung?
Verfrühte Skalierung heißt, Geld für Wachstum auszugeben (Einstellungen, Marketing, Vertriebsaufbau), bevor das Produkt Nachfrage bewiesen hat. Die Analyse von Startup Genome aus dem Jahr 2011 mit mehr als 3.200 Startups fand sie bei 70 % der untersuchten Fehlschläge, und kein verfrüht skalierendes Startup im Datensatz überschritt 100.000 Nutzer.
Woran erkennst du, ob deine Traktion echt ist?
Echte Traktion kostet Kunden etwas. Prüfe, ob die Kohorten-Retention abflacht, ob mindestens 40 % der aktiven Nutzer ohne das Produkt sehr enttäuscht wären, ob die meisten neuen Accounts organisch kommen und ob Kunden zum vollen Preis verlängern. Wenn nur Anmeldungen und Launch-Spitzen wachsen, behandle es als Interesse, nicht als Nachfrage.
Was ist Evidenz-Runway?
Evidenz-Runway ist die Anzahl ehrlicher Tests, die du durchführen kannst, bevor dein Geld ausgeht. Nimm die Monate Runway, ziehe die Monate ab, die du für das Fundraising brauchst, und teile durch die Länge eines Lernzyklus. Wenn du den Zyklus von drei Monaten auf zwei Wochen verkürzt, werden aus 2 verbleibenden Wetten bei gleichem Geld 17.
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