4. November 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Was soll ich als Nächstes bauen? Ein Entscheidungs-Framework für Product Builder
Ein praktischer Weg für Solo-Gründer und Product Engineers, das nächste Build aus Kundenbelegen, Produktnutzung und kleinen Tests zu wählen – nicht aus der lautesten Anfrage oder der neuesten KI-Idee.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Was soll ich als Nächstes bauen? Baue das Kleinste, was ein gut belegtes Hindernis für einen bestimmten Nutzer bei einer wichtigen Aufgabe beseitigt. Ist die Beleglage schwach, ist dein nächster Schritt ein Lerntest und nicht mehr Code. KI-Coding-Tools machen es billig, eine Änderung auszuliefern; ob die Änderung etwas bringt, verraten sie dir nicht. Das folgende Framework hilft Solo-Gründern und Product Engineers, in etwa 15 Minuten pro Woche zu entscheiden.
Die wichtigsten Punkte
80 % der Features in einem durchschnittlichen Softwareprodukt werden selten oder nie genutzt (Pendo, 2019). Das Falsche zu bauen ist der Normalfall, nicht die Ausnahme.
Schwacher Product-Market-Fit spielte bei 43 % der von CB Insights seit 2023 analysierten Schließungen VC-finanzierter Startups eine Rolle (CB Insights, 2026).
Starte bei einem Nutzer und einer Aufgabe, nicht bei einer Feature-Liste. Zähle verschiedene Nutzer und Situationen, nicht Erwähnungen.
Wähle den nächsten Schritt passend zu deiner größten Unbekannten: Interview, Prototyp, Nachfragetest, technischer Spike oder Build.
Scores wie RICE strukturieren eine Diskussion; ein Urteil sind sie nicht, wenn die Eingaben Schätzungen sind.
Wie entscheidest du, was du als Nächstes baust?
Fünf Schritte, in dieser Reihenfolge:
Benenne den Nutzer und die Aufgabe. Wer hat Schwierigkeiten, womit, in welcher Situation?
Sammle Signale. Aktuelles Verhalten, Workarounds und Originalquellen, keinen Haufen Ideen.
Prüfe die Belege. Wer hat das Problem, wann ist es zuletzt aufgetreten, was kostet es und was würde dich widerlegen?
Entscheide dich für Bauen oder Testen. Wähle den Schritt, der die wichtigste Unbekannte klärt.
Definiere den kleinsten nützlichen Build mit Abnahmekriterien, einer Leitplanke und einem Review-Termin.
Der Rest dieses Leitfadens geht jeden Schritt durch und liefert dir dann ein wöchentliches Review, ein durchgerechnetes Scoring-Beispiel und einen KI-Prompt, der Belege ordnet, ohne sie zu erfinden.
Bevor du Ideen vergleichst, benenne, wer Schwierigkeiten hat und was diese Person erledigen will. „Onboarding verbessern“ ist zu breit. „Einem Solo-Gründer helfen, aus einem Kundengespräch ein Briefing zu machen, das ein Entwickler umsetzen kann“ ist konkret genug, um es zu untersuchen.
Das ist der Kern des Jobs-to-be-done-Denkens. Clayton Christensen und Kollegen argumentierten in der HBR, dass Innovation Glückssache bleibt, solange Teams auf Produkte schauen, statt zu verstehen, warum Kunden ihre Entscheidungen treffen; in der von ihnen zitierten McKinsey-Umfrage bezeichneten 84 % der Führungskräfte Innovation als äußerst wichtig, während 94 % mit der Innovationsleistung ihres Unternehmens unzufrieden waren (HBR, 2016).
Schreibe einen Satz:
[Person] versucht, [Aufgabe] zu erledigen, wenn [Kontext], aber [Hindernis]. Heute behilft sie sich mit [Workaround], was sie [Zeit, Aufwand, Risiko oder verpasstes Ergebnis] kostet.
Halte Nutzer, Situation und Workaround zusammen. Eine Anfrage wie „Export hinzufügen“ kann bedeuten: einen Bericht teilen, einen Audit-Trail führen oder Daten in einen anderen Workflow übertragen. Das sind verschiedene Probleme mit verschiedenen Lösungen. Unsere Vorlage für Problemstellungen hilft dir, aus einer Anfrage ein testbares Problem zu machen.
Welche Signale zählen als Beleg dafür, was du als Nächstes baust?
Sammle eine kleine Menge aktueller Signale von den Menschen, denen du dienen willst:
Eine Person, die versucht, den zentralen Workflow abzuschließen, und scheitert.
Wiederkehrende Workarounds in Support-Nachrichten oder Kundengesprächen.
Ein Nutzer, der zur selben Aufgabe zurückkehrt und an derselben Stelle hängen bleibt.
Eine Feature-Anfrage mit einem klaren, aktuellen Beispiel dahinter.
Eine Produktkennzahl, die auf Reibung hindeutet, gefolgt von Gesprächen, die sie erklären.
Ein strategisches oder technisches Risiko, das das aktuelle Produktversprechen unzuverlässig machen könnte.
Ein Signal wird nützlich, wenn es Kontext hat: wer es erlebt hat, was die Person gerade tat, wann es passierte und was sie danach tat. Behalte einen Link zum ursprünglichen Gespräch, Ticket oder Event. Lass nicht zu, dass eine Zusammenfassung den Beleg ersetzt.
Nicht alle Signale sind gleich viel wert:
Stärkeres Signal
Schwächeres Signal
„Letzten Dienstag habe ich in eine Tabelle exportiert und die Daten von Hand korrigiert“
„Das würde ich wahrscheinlich nutzen“
Ein Workaround, den jemand jede Woche pflegt
Ein Kompliment zur Demo
Geld oder Zeit, die schon in eine Lösung geflossen sind
Eine Feature-Anfrage ohne Beispiel
Derselbe Abbruch in Daten und in Interviews
Ein einzelner lauter Kunde
Ein Nutzer, der wiederkommt und wieder hängen bleibt
KI-Feedback, die Idee sei vielversprechend
Rob Fitzpatricks The Mom Test dreht sich um genau diese Unterscheidung: wie du verzerrtes Feedback in Kundengesprächen vermeidest und erkennst, ob jemand wirklich kaufen wird (The Mom Test). Für Interview-Notizen trennt unsere Vorlage zur Synthese von Kundeninterviews, was jemand getan oder gesagt hat, von der Interpretation, zu der du dich verleiten lassen könntest.
Wie stark sind die Belege für jede Option?
Frage bei jedem Problemkandidaten:
Wer hat es? Kannst du die Rolle oder das Segment aus Belegen benennen statt aus einer breiten Persona?
Wann ist es zuletzt aufgetreten? Kann jemand eine echte, aktuelle Situation beschreiben?
Wie oft oder wie teuer ist es? Unterbricht es eine wichtige Aufgabe, erzeugt es wiederholte Handarbeit, verzögert es eine Entscheidung oder bringt es Risiko?
Was tun die Leute heute? Ein Workaround, den Menschen wiederholen, pflegen oder bezahlen, zeigt mehr Dringlichkeit als Lob.
Was würde das widerlegen? Suche nach Leuten, die es nicht erleben, nach einer anderen Ursache oder nach einer einfacheren bestehenden Lösung.
Zähle verschiedene Situationen und Nutzer, nicht Erwähnungen. Zehn Notizen, die von einem einzigen Kunden stammen, sind nicht zehn Kunden. Ein einzelner Fall mit großer Wirkung kann trotzdem Aufmerksamkeit verdienen; nenne ihn ein konzentriertes Risiko und nicht breite Nachfrage.
Solltest du bauen oder erst einen Test fahren?
Eine gute Produktentscheidung endet nicht immer mit einem Ticket. Stimme den nächsten Schritt auf die größte Unsicherheit ab:
Was du noch nicht weißt
Kleiner nächster Schritt
Ist das ein echtes, schmerzhaftes Problem für den Zielnutzer?
Interviewe Menschen, die es kürzlich hatten; frage nach dem letzten Vorfall und dem aktuellen Workaround.
Verstehen Nutzer den vorgeschlagenen Workflow?
Zeige einen groben Prototyp und beobachte eine echte Aufgabe ohne Hilfestellung.
Wird jemand einen sinnvollen Schritt auf dieses Angebot zu machen?
Fahre einen ehrlichen Nachfragetest mit klarem Versprechen und messbarer Aktion.
Kann das Team es sicher und zuverlässig liefern?
Baue einen schmalen technischen Spike mit klaren Randbedingungen und Fehlerfällen.
Ist das Problem gut verstanden und die Lösung risikoarm?
Liefere die kleinste vollständige Änderung aus und beobachte dann Nutzung und Leitplanken.
Am Anfang ist der günstigste Test oft, die Aufgabe von Hand zu erledigen. Paul Grahams Essay Do Things That Don't Scale argumentiert, dass es bei erfolgreichen Startups fast durchweg dazugehört, Nutzer manuell zu gewinnen und zum Start etwas „unskalierbar Mühsames“ zu tun (Paul Graham, 2013). Wenn du schon einen Prototyp hast, zeigt unser 7-Tage-Plan zur Produktvalidierung, wie du echte Nutzung gezielt testest. Ein paar Gespräche oder Klicks können den nächsten Test leiten; einen Markt beweisen sie nicht. Zur früheren Frage, ob die ganze Idee trägt, lies unseren Leitfaden zur Validierung einer SaaS-Idee.
Wie priorisierst du, was du als Nächstes baust, ohne Scheingenauigkeit?
Wenn mehrere Kandidaten übrig sind, vergleiche sie zuerst in einfacher Sprache:
Wichtigkeit für den Nutzer: Wie zentral ist diese Aufgabe für den Zielkunden?
Stärke der Belege: Beobachtetes Verhalten und Originalquellen oder überwiegend Annahmen?
Reichweite: Wie viele der richtigen Nutzer geraten in diese Situation?
Timing und Risiko: Was wird schlimmer, wenn du wartest?
Aufwand und Umkehrbarkeit: Was ist der kleinste nützliche Test, und wie teuer ist ein Kurswechsel?
Wenn du eine Zahl willst: RICE ist das am weitesten verbreitete Modell. Intercoms Sean McBride definierte es als Reach (Personen pro Zeitraum) mal Impact (3 massiv, 2 hoch, 1 mittel, 0,5 niedrig, 0,25 minimal) mal Confidence (100 % hoch, 80 % mittel, 50 % niedrig), geteilt durch Effort in Personenmonaten (Intercom, 2018). Die Rechnung kannst du in unserem kostenlosen RICE-Rechner durchführen.
Durchgerechnetes Beispiel: drei Kandidaten für einen Solo-Gründer
Ein anschauliches Beispiel, keine echten Daten. Ein Solo-Gründer hat etwa 400 aktive Nutzer pro Quartal und drei Kandidaten:
Kandidat
Reach (pro Quartal)
Impact
Confidence
Effort (Personenmonate)
RICE-Score
A. Geführter CSV-Import
120 neue Konten, die beim Import landen
2
80 %
1
192
B. Slack-Integration
60
1
50 %
2
15
C. KI-Zusammenfassung von Berichten
300
0,5
50 %
1,5
50
Die Scores deuten auf A. Aber die Belege dahinter machen die Entscheidung:
As 80 % Confidence stützen sich darauf, dass 5 von 7 zuletzt befragten Personen einen Import-Workaround beschreiben und ein Funnel zeigt, dass 45 % der neuen Konten beim Import hängen bleiben. Das ist stark.
B wirkte beliebt: 9 Anfragen. Aber 6 kamen von einem Konto, es sind also 4 verschiedene Nutzer. Das ist eine konzentrierte Anfrage, keine breite Nachfrage.
Cs Reach ist geraten: Niemand hat nach Zusammenfassungen gefragt, und 50 % Confidence sind großzügig.
Die Entscheidung: eine schmale Version von A bauen, mit Review in zwei Wochen, den vier Nutzern hinter B eine E-Mail schreiben, um die Aufgabe zu verstehen, und C zurückstellen, bis jemand das Problem beschreibt, das es löst. Ein Score von 192 ist nicht objektiver als 150, wenn die Eingaben geschätzt sind; behalte Quelle und Confidence neben jeder Zahl. Für ein Backlog, in dem Anfragen dominieren, geht unser Leitfaden zum Priorisieren von Feature-Anfragen in kleinen Teams tiefer.
Was ist der kleinste nützliche Build?
Hast du dich fürs Bauen entschieden, schreibe das Nutzerergebnis auf, bevor du die Umsetzungsdetails festhältst:
Zielnutzer und Moment: Wer tut was?
Problembeleg: Welche Beobachtung stützt die Änderung?
Erwartetes Verhalten: Was soll einfacher oder überhaupt möglich werden?
Nicht im Umfang: Welche verlockende Nachbararbeit bleibt draußen?
Abnahmekriterien: Was kann eine Person im fertigen Erlebnis überprüfen?
Leitplanke: Was darf nicht schlechter werden?
Review-Termin: Wann prüfst du, ob es geholfen hat?
So bleibt ein KI-Coding-Agent oder ein Teammitglied beim tatsächlichen Problem. Ein Briefing kann technische Randbedingungen enthalten, aber lass den Umsetzungsplan nicht unbemerkt das Nutzerbedürfnis neu definieren. Ist die Entscheidung reif, macht die PRD-Vorlage für KI-Coding-Agenten die Arbeit prüfbar.
Wie führst du ein wöchentliches Review zu „Was soll ich als Nächstes bauen?“ durch?
Fünfzehn Minuten, einmal pro Woche:
Lege die neuesten Belege an einem Ort ab, mit Originallinks und Datum.
Gruppiere Signale, die dasselbe Nutzerproblem beschreiben; führe keine verschiedenen Nutzertypen zusammen, nur weil sie ähnliche Worte benutzt haben.
Schreibe die stärkste Problemstellung und eine plausible alternative Erklärung auf.
Markiere, was beobachtet, was abgeleitet und was unbekannt ist.
Wähle den Schritt, der die wichtigste Unbekannte klärt: untersuchen, testen, bauen, zurückstellen oder stoppen.
Halte fest, wer die Entscheidung verantwortet und wann du das Ergebnis prüfst.
Teresa Torres' Opportunity Solution Tree ist ein hilfreiches Bild für dieselbe Logik: ein gewünschtes Ergebnis an der Wurzel, darunter Kundenbedürfnisse und Pain Points als Opportunities, dann Lösungen und die Annahmetests, mit denen du sie vergleichst (Product Talk, 2023). Das Wochenergebnis kann ein kleines Release sein, ein Kundengespräch oder die Entscheidung, nicht zu bauen. Alle drei sind Fortschritt, wenn sie die Unsicherheit über ein wichtiges Problem verringern. Braucht das nächste Quartal eine Form, reiht unsere 90-Tage-Methode zur Produktplanung für Startups diese wöchentlichen Entscheidungen zu einem Plan aneinander.
Wie kann KI bei der Entscheidung helfen, was du baust, ohne dass du dein Urteil abgibst?
Nutze KI, um Belege zu ordnen, nicht um Nachfrage zu erfinden. Gib ihr Quellenmaterial, das du verwenden darfst, und frage dann:
Gruppiere diese Produktsignale nach Nutzerproblem. Nenne für jede Gruppe die Quellen-IDs und die genauen Beobachtungen, die sie stützen. Trenne beobachtete Fakten, Interpretationen und Annahmen. Nimm Gegenbelege und fehlenden Kontext auf. Erfinde keine Kundenzitate, Stichprobengrößen, Nutzungsdaten, Marktgrößen oder Dringlichkeit. Schlage zwei günstige nächste Tests vor, erkläre, was jeder beweisen würde und was nicht, und überlasse die Build-Entscheidung dem Product Owner.
Prüfe jede generierte Aussage an der Quelle. Kann die Antwort nicht auf einen Beleg verweisen, behandle sie als Hypothese, die du testen musst. Sei besonders misstrauisch, wenn eine KI dir sagt, eine Idee sei vielversprechend: Sie hat keinen Zugriff auf das Verhalten deiner Nutzer.
Welche Fehler führen dazu, dass Builder das Falsche bauen?
Bauen, was der lauteste Kunde verlangt hat. Sechs Anfragen eines Kontos sind keine sechs Kunden.
Komplimente für Nachfrage halten. „Sieht super aus“ kostet nichts. Ein Workaround, den jemand pflegt, kostet ihn jede Woche etwas.
Breite ausliefern, um vollständig zu wirken. Pendos 80-%-Zahl ist, wie angesammelte Breite aussieht.
Den Review-Termin auslassen. Ohne ihn prüft niemand, ob die Änderung geholfen hat, und die nächste Entscheidung beginnt wieder bei Meinungen.
KI-Ideation die Roadmap bestimmen lassen. Generierte Ideen sind billig und selbstsicher; Belege sind weder das eine noch das andere.
Wo passt Specky hin?
Der meiste Aufwand in diesem Framework besteht darin, Belege an Entscheidungen angehängt zu halten. Specky liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, gruppiert Signale nach Problem mit Links zu den Originalquellen und bietet RICE-Scoring mit KI-Vorschlägen, die du überschreiben kannst. Specs und Tickets tragen Inline-Zitate, und nach dem Launch prüft Specky, ob die Änderung das bewirkt hat, was sie sollte.
Häufig gestellte Fragen
Woher weiß ich, was ich als Nächstes bauen soll?
Wähle den Schritt, der ein wichtiges Nutzerproblem am besten adressiert, das du mit Belegen untermauern kannst: aktuelle, konkrete Situationen verschiedener Nutzer, idealerweise durch Verhaltensdaten bestätigt. Sind Problem oder Lösung noch unsicher, fahre den kleinsten nützlichen Test, bevor du den Umfang erweiterst. Hat nichts starke Belege, sind dein nächster Schritt Kundengespräche, nicht Code.
Was sollte ein Solo-Gründer als Nächstes bauen?
Starte an dem Moment, in dem ein Zielnutzer den Kernwert deines Produkts erreicht. Beobachte eine echte Person bei dieser Aufgabe, finde das größte Hindernis und teste eine gezielte Verbesserung. Vermeide es, ein breites Feature-Set zu bauen, damit das Produkt vollständig wirkt; die meisten Features werden selten genutzt, und ein Solo-Gründer kann es sich nicht leisten, sie zu pflegen.
Sollte ich bauen, was Kunden verlangen?
Behandle Anfragen als Signale, nicht als Spezifikationen. Frage, was die Person tun wollte, was passiert ist und mit welchem Workaround sie sich heute behilft. Mehrere verschiedene Anfragen können auf ein gemeinsames Problem hindeuten, und dasselbe gewünschte Feature kann für verschiedene Nutzer verschiedene Probleme lösen. Zähle verschiedene Nutzer, nicht Erwähnungen.
Ist RICE ein guter Weg zu entscheiden, was ich als Nächstes baue?
RICE eignet sich, um einen Vergleich zu strukturieren: Reach, Impact, Confidence und Effort machen Abwägungen explizit. Irreführend wird es, wenn die Eingaben als Daten verkleidete Schätzungen sind. Halte Belege und Confidence neben jedem Score, prüfe die Reichweite gegen verschiedene Nutzer und lass eine benannte verantwortliche Person die endgültige Entscheidung treffen.
Kann KI meine Produkt-Roadmap bestimmen?
KI kann gelieferte Rückmeldungen zusammenfassen, wiederkehrende Formulierungen finden, Hypothesen entwerfen und Optionen anhand von dir vorgegebener Kriterien vergleichen. Sie kann fehlende Belege nicht in Kundennachfrage verwandeln und nicht die Folgen einer Abwägung tragen. Lass die Quellenlinks angehängt und triff die Entscheidung mit den Menschen, die für das Produkt verantwortlich sind.
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