16. Oktober 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Die vier Produktrisiken: Welche Belege für welches Risiko zählen
KI hat den Machbarkeitsnachweis billig gemacht. Wert, Usability und Wirtschaftlichkeit brauchen weiterhin eigene Belege, und eine gelungene Prototyp-Demo zählt weniger, als es sich anfühlt. Der Risk Receipt zeigt, was du wirklich abgebaut hast.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Die vier Produktrisiken sind Value (Werden Kunden es kaufen oder nutzen?), Usability (Finden sie sich damit zurecht?), Feasibility (Können wir es bauen?) und Viability (Funktioniert es für das Unternehmen?). Marty Cagans Rahmen gilt weiterhin, aber KI hat die Ökonomie verändert: Feasibility lässt sich jetzt billig testen, die anderen drei brauchen weiterhin eigene Belege. Eine Prototyp-Demo sagt viel weniger über den Wert aus, als es sich anfühlt.
Die wichtigsten Punkte
Cagans vier große Risiken sind voneinander unabhängig: Belege für eines sagen wenig über ein anderes aus (SVPG, 2017).
In der Analyse von CB Insights aus dem Jahr 2026 zu 385 gescheiterten, VC-finanzierten Startups mit bekannter Ursache nannten 43 % einen schlechten Product-Market-Fit und 19 % nicht tragfähige Unit Economics. Das sind Probleme bei Value und Viability, keine Bauprobleme (CB Insights, 2026).
Fünf Testnutzer finden etwa 85 % der Usability-Probleme, Usability-Belege sind also günstig zu bekommen (Nielsen Norman Group, 2000).
Value-Belege sind Verhalten, das etwas kostet, und entstehen meist, bevor Menschen deine Lösung sehen.
Ein Risk Receipt hält jede Annahme, ihren Beleg und ein ehrliches Urteil („zählt / schwach / ungeprüft / unbeachtet“) zusammen, damit niemand vier nette Demo-Calls mit Validierung verwechselt.
Was sind die vier Produktrisiken?
Cagan hat die vier großen Risiken 2017 in einem SVPG-Artikel beschrieben, und seitdem sind sie die Standard-Checkliste für Product Discovery (SVPG, 2017):
Risiko
Die Frage
Verantwortlich in Cagans Modell
Stärkster Beleg
Schwächster Beleg
Value
Werden Kunden es kaufen oder Nutzer sich dafür entscheiden?
Product Manager
Verhalten, das etwas kostet: Pilotprojekte, Vorbestellungen, Workarounds, für die sie schon zahlen
Können Engineers es mit der verfügbaren Zeit, den Fähigkeiten und der Technologie bauen?
Lead Engineer
Ein funktionierender Weg mit realistischen Daten und eine Liste dessen, was übersprungen wurde
Eine Happy-Path-Demo mit Testdaten
Viability
Funktioniert es für den Rest des Unternehmens?
Product Manager
Cost-to-serve, an einem Käufer getestete Preise, Freigabe von Sales, Legal, Support
„Die Preise klären wir später“
Cagan beschreibt Viability so: ob die Lösung „auch für die verschiedenen Aspekte unseres Geschäfts funktioniert“. Dazu gehören Preise, Cost-to-serve, Vertrieb, Recht, Compliance und Support.
Die vier Risiken sind unabhängig voneinander. Ein Feature kann trivial machbar und gut bedienbar sein und trotzdem keinen Wert haben. Ein Feature kann offensichtlich wertvoll und trotzdem nicht tragfähig sein, zum Beispiel wenn jede Nutzung mehr Inferenzkosten verursacht, als der Kunde zahlt.
Warum hat KI verändert, welche Produktrisiken am wichtigsten sind?
Als Bauen teuer war, war Feasibility das Tor, hinter dem sich alles anstellte. Teams nutzten die Discovery-Zeit für die anderen drei Risiken, während das Engineering schätzte. Seit ein funktionierender Prototyp einen Nachmittag dauert, gibt es die Warteschlange nicht mehr, und mit ihr die erzwungene Pause, in der die anderen Risiken früher geprüft wurden.
Benedikt Kantus hat es in einem Essay vom Oktober 2026 deutlich gesagt: „AI has made feasibility almost trivial. It has not touched the other three.“ (Leading in Product, 2026).
Auch die Daten zum Scheitern zeigen, woran Produkte sterben. CB Insights hat 431 VC-finanzierte Unternehmen untersucht, die seit 2023 dichtgemacht haben, und konnte bei 385 die Ursachen bestimmen. „Kapital aufgebraucht“ stand mit 70 % an der Spitze, der Bericht nennt das aber die letzte Ursache und nicht die eigentliche. Darunter liegen: schlechter Product-Market-Fit mit 43 %, schlechtes Timing mit 29 % und nicht tragfähige Unit Economics mit 19 % (CB Insights, 2026). Und bei Produkten, die überleben, fand Pendo 2019 heraus, dass 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt werden (Pendo, 2019). Value-Risiko ist das teure Risiko, nicht das Bau-Risiko.
Ist Feasibility wirklich gelöst?
Für Prototypen größtenteils. Für die Produktion weniger eindeutig. In der randomisierten Studie von METR brauchten 16 erfahrene Open-Source-Entwickler bei 246 echten Issues in ihren eigenen Repositories mit den KI-Tools von Anfang 2025 19 % länger, obwohl sie ein Plus von 24 % prognostiziert hatten und hinterher glaubten, 20 % schneller gewesen zu sein (METR, 2025). Eine Folgestudie vom Februar 2026 mit 57 Entwicklern fand nur schwache Belege für einen Geschwindigkeitsgewinn, mit Konfidenzintervallen, die null einschließen, und METR selbst warnt, dass die Daten ein unzuverlässiges Maß seien (METR, 2026). Die ehrliche Lesart: Die erste Version ist billig, Randfälle, Zuverlässigkeit und Wartung sind es nicht.
Was ist ein Risk Receipt?
Das Problem ist nicht, dass PMs die anderen Risiken vergessen haben. Ein polierter Prototyp fühlt sich nur wie ein Beleg für alle vier an. Du zeigst ihn fünf Leuten, hörst „super“, und das Team geht davon aus, dass Value, Usability und Viability abgedeckt sind. Jedes Risiko hat seine eigene Währung für Belege, und die meisten Teams zahlen in der falschen.
Ein Risk Receipt ist ein kurzer Eintrag, den du an jede wichtige Produktwette hängst. Für jedes der vier Produktrisiken beantwortet er drei Fragen:
Was ist die Annahme? Ein Satz, konkret genug, um falsch sein zu können.
Welchen Beleg haben wir, und welcher Art ist er? Mit Link zur Quelle, nicht umschrieben.
Zählt dieser Beleg überhaupt für dieses Risiko? Das ist der Teil, den Teams überspringen.
Die dritte Frage ist der Punkt. Belege haben einen Wechselkurs. Manche sind für ein Risiko harte Währung und für ein anderes fast wertlos.
Was zählt als Beleg für welches Risiko?
Value: Zahle in Verhalten, nicht in Komplimenten
Zählt: Kunden, die das Problem ungefragt beschreiben, mit einem aktuellen, konkreten Beispiel. Bestehende Workarounds (Tabellen, Skripte, manuelle Abläufe), die sie echte Zeit kosten. Zusagen, die etwas kosten: ein Kalendertermin, ein Pilot mit ihren Daten, eine Vorbestellung, eine Vorstellung bei ihrer Chefin oder ihrem Chef.
Zählt nicht: „Würde ich nutzen.“ Begeisterung während einer Demo. Die Klickrate eines Prototyps in einer moderierten Session. Upvotes auf einem Ideenboard von Leuten, die nie zahlen werden.
Das Warnsignal: Wenn der stärkste Beleg für Value jemand ist, der auf deinen Prototyp reagiert, hast du Usability-Belege gesammelt und als Value etikettiert. Menschen reagieren höflich auf alles, was kompetent aussieht. Value-Belege kommen meist aus der Zeit, bevor sie deine Lösung gesehen haben, aus der Art, wie sie über das Problem sprechen. Günstig bekommst du sie zum Beispiel mit einem Fake-Door-Test oder einer Presale-Interessenseite.
Usability: Zahle in beobachteten Aufgaben, nicht in Meinungen
Zählt: Einem echten Zielnutzer dabei zuschauen, wie er eine echte Aufgabe ohne Hilfestellung versucht, und festhalten, wo er zögert oder scheitert. Aufgabenerfolg beim ersten Versuch. Die Fragen, die er laut stellt.
Zählt nicht: „Sieht aufgeräumt aus.“ Ein Stakeholder-Walkthrough. Dein eigenes Team, das es jeden Tag benutzt (es weiß ja schon, wo alles ist).
Das Warnsignal: Wenn niemand außerhalb des Teams eine Aufgabe allein versucht hat, ist Usability ungeprüft, egal wie gut der Prototyp aussieht.
Das ist das eine Risiko, bei dem KI-Prototyping wirklich hilft. Ein klickbarer Prototyp mit echten Daten bringt dir Wochen früher echte Aufgabenbeobachtung als ein statisches Mockup. Das ist ein echter Gewinn, aber eben ein Gewinn für ein Risiko. Unser Usability-Test-Template zeigt, wie du die Sessions durchführst.
Feasibility: Zahle in einem funktionierenden Weg, auch durch die hässlichen Teile
Zählt: Ein Prototyp, der mit realistischen Datenmengen, echten Berechtigungen und echter Latenz läuft. Die ehrliche Liste eines Engineers, was der Prototyp übersprungen hat: Auth, Migrationen, Fehlerzustände, die Integration mit Rate Limit.
Zählt nicht: Eine Demo auf dem Happy Path mit Testdaten.
Das Warnsignal: Frag: „Was musste dieser Prototyp nicht abdecken?“ Ist die Antwort lang, ist Feasibility teilweise abgebaut, nicht vollständig.
Viability: Zahle in Zahlen, die jemand außerhalb von Product unterschreiben würde
Zählt: Eine Cost-to-serve-Schätzung (bei KI-Features die Kosten pro Nutzung bei erwartetem Volumen). Eine Preishypothese, die du einem Käufer laut gesagt hast. Eine Abstimmung mit der Person, die Support, Sales, Security oder Legal verantwortet. Im B2B: ob der Beschaffungsprozess eines Käufers das zulässt.
Zählt nicht: „Die Preise klären wir später.“ Die Annahme, Nutzungskosten seien vernachlässigbar, weil der Prototyp für eine Person billig zu betreiben war.
Das Warnsignal: Wenn niemand außerhalb des Produktteams die Wette gesehen hat, ist Viability unbeachtet.
Ein durchgespieltes Beispiel: vier begeisterte Kunden, ein leerer Receipt
Angenommen, du bist ein Gründerteam aus zwei Personen und baust ein B2B-Tool. Ein Kundengespräch bringt dich auf eine Idee: einen KI-Assistenten, der wöchentliche Status-Updates aus Projektaktivitäten entwirft. Du baust am Wochenende einen Prototyp. Er funktioniert. Du zeigst ihn vier Kunden in Calls. Alle vier sagen, dass sie ihn lieben.
So sieht der ehrliche Risk Receipt aus:
Risiko
Annahme
Beleg
Zählt es?
Value
Teamleiter nutzen wöchentliche Entwürfe, statt Updates selbst zu schreiben
4 positive Demo-Reaktionen
Schwach: Reaktionen auf eine Lösung, kein Verhalten. Niemand hat das Schreiben von Updates als Schmerz beschrieben, bevor du es gezeigt hast.
Usability
Teamleiter können einen Entwurf in unter 5 Minuten prüfen und versenden
Nichts beobachtet
Ungeprüft: Niemand hat es allein ausprobiert.
Feasibility
Entwürfe bleiben mit echten Projektdaten korrekt
Wochenend-Prototyp im eigenen Workspace
Teilweise: Kein Test mit einem unaufgeräumten Kunden-Workspace.
Viability
Die Kosten pro Entwurf bleiben deutlich unter dem, was der Tarif einbringt
Nicht geschätzt
Unbeachtet
Vier begeisterte Calls, und der Receipt sagt: Du hast fast nichts abgebaut. Das ist kein Grund, die Idee zu begraben. Es ist ein Grund, vor dem Bau der Produktionsversion drei günstige Checks zu machen:
Value: Geh zu zwei dieser Kunden zurück und frag, wie sie Updates heute schreiben, wie lange das dauert und was beim letzten Mal passiert ist, als eines zu spät kam. Hör auf einen Workaround.
Usability: Gib einem Kunden den Prototyp mit seinen eigenen Daten und sieh zu, wie er ihn einen Zyklus lang ohne Anleitung nutzt.
Viability: Multipliziere deine Modellkosten pro Entwurf mit dem realistischen Wochenvolumen über deinen Kundenstamm und vergleiche das Ergebnis mit dem Tarifpreis.
Die Viability-Rechnung (Beispielzahlen). Angenommen, ein Entwurf kostet in deinem eigenen Workspace 0,06 € an Modellaufrufen, aber ein echter Kunden-Workspace hat fünfmal mehr Aktivität, also 0,30 € pro Entwurf. Ein Kunde mit 40 Teamleitern erzeugt 160 Entwürfe im Monat, das sind 48 € Modellkosten bei einem Tarifpreis von 60 € im Monat. 80 % des Umsatzes gehen allein für dieses eine Feature drauf. Besser, du weißt das an Tag drei als in Monat drei.
Jeder Check dauert Tage, nicht Wochen. Das ist die eigentliche Dividende billiger Feasibility: Du kannst es dir leisten, echte Belege für die anderen drei Risiken zu kaufen, bevor du dich festlegst.
Wie viele Kunden oder Nutzer brauchst du für welches Risiko?
Usability: Kleine Zahlen reichen. Nielsens Analyse ergab, dass 5 Nutzer etwa 85 % der Usability-Probleme aufdecken, und empfahl drei Runden mit je 5 Nutzern und Korrekturen dazwischen statt einer Runde mit 15 (Nielsen Norman Group, 2000).
Value: Die Anzahl zählt weniger als der Preis des Signals. Zwei Kunden, die dir jeweils einen Pilot mit eigenen Daten geben, wiegen mehr als zwanzig, die „klingt super“ sagen. Such mindestens 3 unabhängige Zusagen, bevor du Value für ein Segment als abgebaut ansiehst.
Feasibility: Ein realistischer Durchlauf, geprüft von dem Engineer, der es später verantwortet, plus eine schriftliche Liste dessen, was übersprungen wurde.
Viability: Ein Kostenmodell mit benannten Annahmen und ein Gespräch mit jeder Funktion, die zustimmen muss (Sales, Support, Legal oder Security).
Das sind Ausgangspunkte für ein kleines Team, keine Benchmarks.
Warum sind Receipts besser als eine Discovery-Checkliste?
Du könntest aus den vier Risiken eine Checkliste machen. Teams tun das. Checklisten scheitern vorhersehbar: Jemand hakt „Value validiert“ ab, weil eine Demo gut lief, und der Haken verdeckt, was der Beleg war.
Ein Receipt hält den Beleg an der Annahme fest. Drei Monate später, wenn das Feature hinter den Erwartungen bleibt und jemand fragt „Warum haben wir das gebaut?“, ist die Antwort keine Erinnerung und keine Folie. Es ist ein Eintrag: Das haben wir geglaubt, das haben wir gesehen, diese Risiken haben wir bewusst offen gelassen. Die Struktur, die solche Einträge über die Zeit verknüpft, findest du in unserem Decision Graph für kleine KI-Teams. Wenn dein Team ganz ohne Receipts ausliefert, prüf es anhand der 10 Warnsignale einer Feature Factory.
Das Letzte ist wichtig. Mit einem offenen Risiko auszuliefern ist oft die richtige Entscheidung, weil kleine Teams nicht alles abbauen können. Der Fehler ist, mit einem offenen Risiko auszuliefern, das du für geschlossen hieltst.
Häufige Fehler
Demo-Reaktionen als Value zählen. Der häufigste Einzelfehler. Reaktionen sind bestenfalls Usability-Belege.
Usability mit Insidern testen. Kollegen und freundliche Kunden kennen die Logik des Produkts schon.
Einen Prototyp als Beweis für Feasibility in der Produktion behandeln. Frag jedes Mal nach der Liste des Übersprungenen.
Viability auf „später“ verschieben. Besonders bei KI-Features können die Kosten pro Nutzung ein beliebtes Feature zum Verlustbringer machen.
Versuchen, jedes Risiko abzubauen. Such dir das eine oder die zwei Risiken, die die Wette killen würden, und kaufe dafür zuerst Belege. Unser Leitfaden zu Assumption Mapping hilft beim Priorisieren.
So führen wir Risk Receipts in Specky
Kundensignale (Interviewnotizen, Support-Threads, Call-Transkripte, Analytics-Events) landen als typisierte Nodes im Product Graph, jeweils mit ihrer Quelle. Ein entworfener Insight oder eine Entscheidung zitiert die konkreten Nodes, auf denen sie beruht, damit aus „vier Kunden fanden es toll“ nicht unbemerkt „Kunden brauchen das“ wird. Für den Value-Check kann Alex, Speckys KI-Recherche-Agent, kurze Interviews über den aktuellen Prozess der Kunden führen, bevor sie deine Lösung sehen, und die Transkripte kommen als Belege zurück. Für frühe Nachfrage misst eine Validierungsseite, ob Menschen eine Handlung ausführen, die etwas kostet. Die Entscheidung, welche Risiken offen bleiben, liegt bei dir.
Fang diese Woche mit einem Receipt an
Du brauchst kein Tool, um zu starten. Nimm die Wette, die dein Team gerade am meisten begeistert, die mit dem besten Prototyp. Schreib vier Zeilen:
Wenn die aufregendste Wette den leersten Receipt hat, weißt du, wohin deine nächste Discovery-Woche gehen sollte. Du kannst die Annahmen auch visuell skizzieren, mit dem kostenlosen Assumption-Map-Tool.
Feasibility war früher die teure Frage. Jetzt ist sie die billige. Die Teams, die in diesem Zyklus gewinnen, sind nicht die, die am schnellsten bauen. Es sind die, die zeigen können, was sie wussten, als sie sich entschieden haben.
Häufig gestellte Fragen
Was sind Marty Cagans vier große Risiken?
Es sind Value-Risiko (Werden Kunden es kaufen oder sich für die Nutzung entscheiden?), Usability-Risiko (Finden Nutzer heraus, wie es funktioniert?), Feasibility-Risiko (Können Engineers es mit der verfügbaren Zeit, den Fähigkeiten und der Technologie bauen?) und Business-Viability-Risiko (Funktioniert es für den Rest des Unternehmens?). Cagan hat sie 2017 auf SVPG veröffentlicht und weist Value und Viability dem Product Manager zu.
Welches der vier Produktrisiken wird am häufigsten unterschätzt?
Das Value-Risiko. Ein funktionierender Prototyp und höfliche Reaktionen erzeugen ein starkes Gefühl von Validierung, das durch kein Verhalten gedeckt ist. In der CB-Insights-Studie von 2026 nannten 43 % der gescheiterten Startups mit bekannter Ursache einen schlechten Product-Market-Fit. Bei KI-Features folgt Viability dicht dahinter, weil die Kosten pro Nutzung den Preis überholen können.
Testet ein Prototyp das Value-Risiko?
Allein selten. Einen Prototyp zu zeigen testet vor allem Usability und etwas Feasibility. Value-Belege kommen aus Verhalten, das etwas kostet: Menschen, die das Problem ungefragt beschreiben, bestehende Workarounds, Pilotprojekte, Vorbestellungen oder Vorstellungen bei Entscheidern. Du kannst einen Prototyp in einem Value-Test einsetzen, etwa indem du um einen bezahlten Pilot bittest, aber die Reaktion allein zählt nicht.
Wie testet man das Business-Viability-Risiko?
Schreib die Zahlen auf, die jemand außerhalb von Product freigeben müsste: Cost-to-serve pro Kunde, erwarteter Preis, Support-Aufwand und alle rechtlichen, sicherheitsbezogenen oder beschaffungsbezogenen Auflagen. Zeig sie dann genau diesen Leuten. Bei KI-Features multiplizierst du die Kosten pro Nutzung mit dem realistischen Volumen und vergleichst sie mit dem Tarifpreis, bevor du dich zum Bauen entscheidest.
Hat KI das Feasibility-Risiko verschwinden lassen?
Nein, sie hat die erste Version billig gemacht. Prototypen dauern jetzt Stunden, aber Produktionsarbeit in gewachsenen Codebasen ist eine andere Sache: METRs Studie von 2025 fand, dass erfahrene Entwickler mit KI-Tools in ihren eigenen Repositories 19 % länger brauchten, und die Folgestudie von 2026 fand nur schwache Belege für einen Geschwindigkeitsgewinn. Frag weiter, was ein Prototyp nicht abdecken musste.
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