10. Juli 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Product-Manager-Arbeitsmarkt 2026: Warum das PM-Hiring kaputt ist und was du tun kannst
Offene PM-Stellen sind auf einem Vierjahreshoch, doch die Einstellungen stagnieren und die Bewerbungen pro Einstellung haben sich fast verdreifacht. Was kaputtgegangen ist, mit Daten, und was Bewerbende und Hiring-Teams tun können.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Der Arbeitsmarkt für Product Manager sieht 2026 von außen gesund aus: Die Zahl offener PM-Stellen liegt auf dem höchsten Stand seit fast vier Jahren. Dennoch stagniert das tatsächliche PM-Hiring, die Bewerbungen pro Einstellung haben sich seit 2021 fast verdreifacht, und KI-polierte Lebensläufe lesen sich alle gleich. Das Hiring ist nicht kaputtgegangen, weil es an Kandidatinnen und Kandidaten fehlt. Es ist kaputtgegangen, weil die Signale, an denen man gute PMs früher erkannte, nicht mehr funktionieren.
Das Wichtigste in Kürze
Offene PM-Stellen liegen 75 % über dem Tiefstand vom März 2023, dem höchsten Wert seit fast vier Jahren, doch die Einstellungen in allen zentralen Produktrollen stagnieren oder sinken (Lenny's Newsletter, 2026).
Auf eine Einstellung kommen im Schnitt etwa 291 Bewerbungen, gegenüber rund 121 Anfang 2021 (Ashby, 2026).
US-Techunternehmen beschäftigen 28 % weniger PMs als auf dem Höhepunkt 2022, und PM-Stellen auf VP-Ebene sind um 38 % gesunken (Mind the Product, 2026).
„LLM“ ist inzwischen die am häufigsten genannte Fähigkeit in PM-Stellenanzeigen, vor SQL und Jira.
Arbeitsproben schlagen Behauptungen. Für Bewerbende heißt das: dokumentierte Entscheidungen; für Hiring-Teams: strukturierte Interviews plus eine kleine, echte Aufgabe.
Was passiert 2026 auf dem Arbeitsmarkt für Product Manager?
Zwei Datensätze erzählen dieselbe Geschichte aus verschiedenen Blickwinkeln. TrueUp, das Stellen bei mehr als 9.000 Tech-Unternehmen verfolgt, zeigt, dass die PM-Stellen seit Anfang 2023 schneller wachsen als jede andere zentrale Tech-Rolle: plus 56 %, gegenüber 43 % bei Engineering. Live Data Technologies, das Jobwechsel von 124 Millionen Berufstätigen verfolgt, zeigt, dass das PM-Hiring besser durchhält als Design oder Engineering, wobei der PM-Anteil am zentralen Produkt-Hiring von 16 % im Jahr 2021 auf heute 21 % gestiegen ist (Lenny's Newsletter, Nov 2026).
Die Lücke zwischen diesen beiden Linien ist die eigentliche Geschichte. Die Stellen steigen, die Einstellungen bleiben flach. Lenny Rachitsky liest das als wachsende Nachfrage nach PMs, kombiniert mit der zunehmenden Schwierigkeit, großartige PMs zu gewinnen. Das ist ein Filterproblem, kein Angebotsproblem.
Auch die Kürzungen darunter sind real. Mind the Product meldet auf Basis von Zahlen von Live Data Technologies, dass die PM-Headcount bei US-Techunternehmen im Juni 2026 um 28 % unter dem Höchststand von 2022 liegt. Die Managementebenen traf es am härtesten: VPs minus 38 %, Directors minus 35 %, Manager minus 31 %. Senior Individual Contributors waren die am besten geschützte Gruppe, mit minus 21 % (Mind the Product, June 2026).
Wo sind die PM-Jobs?
Signal
Wert
Quelle
Offene PM-Stellen gegenüber dem Tiefstand im März 2023
+75 %
Lenny's Newsletter, Nov 2026
Offene PM-Stellen pro offener Design-Stelle
3,8 (Anfang 2023: 1,9)
Lenny's Newsletter, Nov 2026
PM-Stellen mit Remote-Option
Etwa 21 %
Lenny's Newsletter, Nov 2026
PM-Stellen mit Standort Bay Area
Etwa jede vierte
Lenny's Newsletter, Nov 2026
Neue PM-Stellen in Europa/UK auf mittlerem Level
Etwa 72 % (16 % Senior, wenige Einsteiger)
Mind the Product, June 2026
Vollständig remote ausgeschriebene PM-Stellen im EWR (Ende 2025)
30 % (50 % hybrid, 20 % im Büro)
Mind the Product, June 2026
Wenn du am Anfang deiner Karriere stehst, sind die europäischen Zahlen am wichtigsten: Fast keine neue Stelle ist eine Einstiegsstelle. Bist du Senior, sagen die US-Daten, dass erfahrene ICs am längsten gehalten wurden – ein Argument dafür, dort Tiefe aufzubauen, wo du bist, bevor du wechselst.
Warum haben die Hiring-Signale versagt?
Fast ein Jahrzehnt lang erzählte ein PM-Lebenslauf eine lesbare Geschichte. Du hast Features ausgeliefert, eine Roadmap verantwortet, mit Engineers und Designern zusammengearbeitet. Die Titel folgten einer vorhersehbaren Leiter vom APM bis zum Group PM, und Interviewende wussten, was sie prüfen mussten. KI hat diese Lesbarkeit aus zwei Richtungen zugleich zerstört.
Die Kandidatenseite: Menge und Gleichförmigkeit
Generative KI macht es billig, einen polierten Lebenslauf zu erstellen, Verhaltensfragen einzuüben und Fallstudien-Prosa zu schreiben, die senior klingt. Die über LinkedIn eingereichten Bewerbungen stiegen 2025 um 45 % auf etwa 11.000 pro Minute (Semafor, 2025). Ashbys Daten über 109 Millionen Bewerbungen zeigen, dass die Bewerbungen pro Einstellung von etwa 121 im ersten Quartal 2021 auf einen Höchstwert von 319 im vierten Quartal 2024 kletterten und im ersten Quartal 2026 immer noch bei 291 lagen. Hiring-Teams kompensieren das, indem sie mehr Leute interviewen: Business-Rollen kommen heute im Schnitt auf 11,7 Interviews pro Einstellung, 36 % mehr als 2021 (Ashby, 2026).
Mehr Bewerbende und mehr Interviews bei gleich vielen Einstellungen: So sieht ein kaputter Filter aus. Wenn jeder Lebenslauf „cross-funktionale Abstimmung vorangetrieben“ sagt, trägt der Lebenslauf keine Information mehr.
Die Rollenseite: ein Titel, mehrere Jobs
„Product Manager“ bedeutete früher überall ungefähr dasselbe. 2026 umfasst der Titel mindestens vier Jobs, und sie verlangen unterschiedliche Belege:
Generalist-PM – verantwortet eine Roadmap, Discovery und die Abstimmung mit Stakeholdern.
KI-PM – definiert und bewertet modellgestützte Features, schreibt Evals, verantwortet Qualität und Kostenabwägungen (siehe was ein AI Product Manager tut).
Platform-PM – verantwortet interne Developer-Tools, APIs und Infrastruktur.
Builder-PM – prototypt und liefert kleine Produkte mit KI-Coding-Tools aus, mit weniger Übergaben.
Die Stellenanzeigen zeigen den Wandel. Vor zwei Jahren waren SQL, Jira, AWS und Python die meistgenannten PM-Fähigkeiten. Heute steht „LLM“ an erster Stelle, „Claude“ an dritter, und Cursor, OpenAI und MCP gehören alle zu den Top acht (Lenny's Newsletter, 2026). LinkedIn ging noch weiter und ersetzte sein Associate-Product-Manager-Programm durch ein Associate-Product-Builder-Programm, das Coding, Design und PM-Fähigkeiten gemeinsam vermittelt, unter einer neuen „Full Stack Builder“-Karriereleiter (Lenny's Newsletter, Dec 2025). Was diese Aufspaltung bedeutet, behandeln wir in Die PM-Rolle spaltet sich.
Eine starke Kandidatin für einen dieser Jobs kann für einen anderen eine schwache Einstellung sein. Unternehmen wissen das, tun sich aber schwer, danach zu filtern, also bleiben Stellen offen, während die Interviewrunden länger werden. LinkedIns eigener Work Change Report prognostiziert, dass sich 70 % der in den meisten Jobs genutzten Fähigkeiten bis 2030 ändern werden (LinkedIn, 2025), die Definitionen werden sich also weiter verschieben.
Warum schlagen Belege im PM-Hiring jetzt Behauptungen?
Spezialisierte Arbeit erzeugt lesbare Belege: ein ausgeliefertes ML-Feature mit Eval-Ergebnissen, ein Experiment mit gemessenem Uplift, eine Preisänderung mit zugeordnetem Umsatz. Generalistische Arbeit erzeugt diffuse Belege: „mit Engineering zusammengearbeitet, um Roadmap-Items zu liefern.“ Der Markt belohnt Lesbarkeit ebenso sehr wie Können.
Die Ironie: Unternehmen wollen weiterhin Generalisten, die ein Produkt funktionsübergreifend zusammenhalten können. Sie können es nur auf dem Papier nicht sehen. Die Lösung für Bewerbende ist in beiden Fällen dieselbe: Mach aus dem, was du getan hast, etwas, das ein Fremder nachprüfen kann.
Wie bekommst du 2026 einen Job als Product Manager?
Drei Schritte decken das meiste ab, und keiner davon erfordert ein neues Zertifikat.
1. Schreib deinen Lebenslauf als Beleg, nicht als Behauptung
„Steigerung der Retention um 20 % vorangetrieben“ ist eine Behauptung. Hier dieselbe Leistung als Beleg (ein illustratives Beispiel):
Einen vierwöchigen A/B-Test zur Onboarding-Checkliste durchgeführt (zwei Varianten, 95 % Konfidenz, vorab festgelegte Metrik: Retention an Tag 14). Die Gewinnervariante ausgerollt und über das folgende Quartal einen anhaltenden Anstieg der Retention an Tag 14 um 22 % verfolgt.
Der Unterschied liegt nicht in der Länge. Er liegt in Methode, Zeitraum, Metrik und Ergebnis. Prüfe mit dieser Tabelle jeden Stichpunkt:
Stichpunkt als Behauptung
Was du ergänzen solltest
Umschreibung als Beleg (illustrativ)
„Roadmap verantwortet“
Was du gestrichen hast und warum
„4 von 11 Roadmap-Items gestrichen, nachdem 12 Kundeninterviews keinen gemeinsamen Schmerzpunkt zeigten; die übrigen 7 in zwei Quartalen ausgeliefert“
„Aktivierung verbessert“
Metrik, Ausgangswert, Veränderung, Zeitraum
„Aktivierung in Woche 1 in 6 Wochen von 31 % auf 38 % gesteigert, indem zwei Einrichtungsschritte entfielen“
„An KI-Features gearbeitet“
Was du bewertet hast und welche Schwelle galt
„Ein Eval-Set mit 200 Fällen für ein Zusammenfassungs-Feature geschrieben; den Launch blockiert, bis die Genauigkeit 90 % überschritt“
„Stakeholder gemanagt“
Die Entscheidung und der Trade-off
„Sales und Engineering zu einer sechswöchigen Verzögerung bewegt, indem ich Churn-Daten von 40 Accounts zeigte“
Der Test für jeden Stichpunkt: Hätte eine KI ihn schreiben können, ohne dich zu kennen? Wenn ja, ergänze Details, bis es nicht mehr geht. Wenn du Experimente durchgeführt hast, zeigt unser Leitfaden zu A/B-Tests für PMs, wie du Ergebnisse so berichtest, dass sie einer Prüfung standhalten.
2. Such dir eine Spur und mach sie sichtbar
Die Mitte des Spektrums zwischen Generalist und Spezialist ist der schlechteste Standort, wenn die Signale verrauscht sind. „Okay in KI“ plus „okay bei Stakeholdern“ wirkt undifferenziert. Zwei Wege funktionieren:
Geh in die Tiefe. Werde in einer Spezialisierung klar exzellent – KI/ML-Produkt, Platform, B2B-SaaS-Growth oder Konsumentenverhalten – und dokumentiere das unermüdlich.
Geh bewusst in die Breite. Steh zur Generalisten-Identität. Zeig funktionsübergreifende Entscheidungen, Trade-offs und wie du das Produkt zusammengehalten hast, als es schwierig war, nicht nur ausgelieferte Features.
Vermeide die beiden Fälschungen: einen Spezialisten, der generalistische Fähigkeiten auflistet, um rund zu wirken, oder einen Generalisten, der KI-Schlagwörter ergänzt, ohne dass ausgelieferte Arbeit dahintersteht. Interviewende erkennen beides schnell.
3. Baue öffentliche Belege für dein Urteilsvermögen auf
Engineers haben GitHub. Designer haben Portfolios. PMs haben meist nichts, was ein Fremder lesen kann. Die Kandidatinnen und Kandidaten, die am schnellsten abschließen, haben tendenziell eines oder mehrere der folgenden:
Einen öffentlichen Bericht über eine echte Produktentscheidung: die Optionen, die Belege und was passiert ist.
Einen Artikel oder Vortrag über eine Methode, die sie genutzt und angepasst haben.
Eine anonymisierte Fallstudie mit echten Zahlen.
Ein Template, Tool oder einen Prototyp, den andere nutzen.
Eine einfache Struktur für einen Entscheidungsbericht, die du kopieren kannst:
Decision: [ein Satz – was du gewählt hast]
Context: [das Problem, wer es hatte, woher du es wusstest – 3-5 Zeilen]
Options considered: [2-4 Optionen, je eine Zeile]
Evidence: [Interviews, Daten, Experimente – mit Anzahlen und Daten]
What we chose and why: [der Trade-off, den du eingegangen bist]
What happened: [die Metrik, vorher/nachher, Zeitraum]
What I'd do differently: [eine ehrliche Zeile]
Ein laufendes Product Decision Log macht das leicht: Aus dem Bericht wird eine Bearbeitung statt einer Archäologie.
Wie sollten Unternehmen heute Product Manager einstellen?
Wenn eine PM-Stelle seit Monaten offen ist, lautet die erste Frage nicht: „Bekommen wir genug Bewerbungen?“ Bei rund 300 Bewerbungen pro Einstellung tut ihr das. Die Frage lautet: „Wissen wir, wofür wir einstellen?“
Sei konkret, was den Job angeht
Viele PM-Beschreibungen haben sich seit 2022 nicht verändert. Sie verlangen Fähigkeiten, die Erfolg nicht mehr vorhersagen (Slide Decks, Backlog Grooming), und filtern nach Titelkonventionen, die kaum noch etwas bedeuten. Ersetze „verantwortet die Produkt-Roadmap“ durch etwas Prüfbares: „verantwortet den Onboarding-Funnel, definiert die Instrumentierung, führt wöchentlich Experimente durch und berichtet monatlich an das Exec-Team.“ Konkrete Beschreibungen ziehen konkrete Kandidatinnen und Kandidaten an und schrecken alle anderen ab.
Nutze Struktur und Arbeitsproben, keine unstrukturierten Gespräche
Die Forschung stützt eine Mischung. Eine Neuauswertung von Auswahlmethoden durch Sackett und Kollegen aus dem Jahr 2022 stuft strukturierte Interviews als die besten Prädiktoren für Arbeitsleistung ein (Validität .42), gefolgt von Tests des Fachwissens (.40) und Arbeitsproben (.33), während Tests der kognitiven Fähigkeiten bei .31 liegen (SIOP, on Sackett et al. 2022). Die Lehre lautet nicht „ersetzt Interviews durch Take-homes“, sondern „stellt allen dieselben jobrelevanten Fragen, bewertet sie anhand eines Rasters und ergänzt eine kleine, echte Aufgabe“.
Ein Ablauf, der zu einem Team mit 3 bis 10 Leuten passt:
Portfolio-Review (30 Minuten). Die Kandidatin oder der Kandidat geht eine frühere Entscheidung anhand der obigen Struktur durch. Bewerte die Qualität der Belege, nicht den Feinschliff.
Strukturiertes Interview (45 Minuten). Fünf feste, auf die Rolle zugeschnittene Fragen, für alle in derselben Reihenfolge, bewertet von 1 bis 4 anhand schriftlicher Ankerbeispiele.
Arbeitsprobe (2 Stunden, bezahlt, wenn länger). Gib einen echten, aber anonymisierten Datensatz oder einen Stapel Kundenfeedback vor und bitte um eine einseitige Empfehlung.
Debrief (30 Minuten). Die Bewertenden reichen ihre Scores ein, bevor sie sprechen, damit nicht die lauteste Stimme das Ergebnis bestimmt.
Welche typischen Fehler gibt es in einem kaputten PM-Hiring-Markt?
Massenbewerbungen mit einem KI-angepassten Lebenslauf. Bei 291 Bewerbungen pro Einstellung ist eine generische Bewerbung nur Rauschen. Zehn gezielte Bewerbungen mit Belegen schlagen 200 auf Schlüsselwörter getrimmte.
Die Zahl der offenen Stellen als gute Nachricht werten. Stellen plus 75 % bei stagnierendem Hiring heißt: mehr Konkurrenz pro echter Einstellung, nicht weniger.
KI-Vokabular lernen, ohne etwas auszuliefern. „LLM“ führt die PM-Stellenanzeigen an, doch Interviewende fragen nach Evals, Kosten-Trade-offs und Fehlermodi, die du tatsächlich bewältigt hast.
Hiring-Teams, die mehr Interviewrunden einbauen. Die Interviews pro Einstellung sind bei Business-Rollen seit 2021 um 36 % gestiegen. Mehr Runden desselben unstrukturierten Gesprächs bringen Kosten, aber kein Signal.
Annehmen, dass das von Dauer ist. Rollendefinitionen werden sich konsolidieren, und Signale werden wieder auftauchen. Wer jetzt Beleg-Gewohnheiten aufbaut, hat sie noch, wenn es so weit ist.
Was solltest du diesen Monat tun?
Prüfe deinen Lebenslauf auf Behauptungen gegenüber Belegen. Frage bei jedem Stichpunkt: Hätte eine KI das schreiben können? Wenn ja, ergänze Zahlen, Daten, Methode und Ergebnis.
Schreib eine frühere Entscheidung öffentlich auf. Ein Substack-Beitrag, ein Blog, eine Notion-Seite mit Link. Die Disziplin, eine echte Entscheidung öffentlich zu erklären, ist der schnellste Weg, diesen Muskel aufzubauen.
Wenn du einstellst, gestalte den Anfang deines Funnels neu. Ersetze das Erstgespräch durch ein 30-minütiges Portfolio-Review oder eine kleine, zeitlich begrenzte Aufgabe und bewerte sie mit einem Raster.
Sobald du die Rolle hast, ist dieselbe Beleg-Gewohnheit der Weg, Vertrauen zu verdienen; unser Plan für die ersten 90 Tage als PM knüpft dort an.
Wo passt Specky ins Bild?
Der schwierigste Teil beim Aufbau öffentlicher Belege ist, sie nachträglich zu rekonstruieren: welche Interviews eine Entscheidung geprägt haben, was du damals geglaubt hast, was nach dem Launch passiert ist. Specky hält diese Spur fest, während du arbeitest. Kundengespräche, Feedback und Tickets landen in einem Product Graph, Specs tragen Inline-Zitate zurück zu den Belegen, und das Decision Log hält fest, was du gewählt hast und warum. Wenn du für ein Interview oder ein Performance-Review eine Fallstudie brauchst, sind die Belege schon verknüpft.
Häufig gestellte Fragen
Wird der Arbeitsmarkt für Product Manager 2026 besser?
Die Stellen schon, die Einstellungen noch nicht. TrueUp-Daten zeigen offene PM-Stellen auf dem höchsten Stand seit fast vier Jahren, 75 % über dem Tiefstand vom März 2023. Live Data Technologies zeigt aber, dass die tatsächlichen Einstellungen für zentrale Produktrollen stagnieren oder sinken. Mehr Stellen bei stagnierendem Hiring heißt, dass Arbeitgeber Mühe haben, starke PMs zu erkennen, die Latte für Nachweise steigt also, selbst wenn die Nachfrage wächst.
Warum ist es gerade so schwer, einen Product-Manager-Job zu bekommen?
Weil der Filter überlastet ist. Ashbys Daten zeigen Anfang 2026 etwa 291 Bewerbungen pro Einstellung, gegenüber rund 121 im Jahr 2021, und KI lässt viele Lebensläufe gleich klingen. Hiring-Teams reagieren mit längeren Runden und strengeren Screenings. Kandidatinnen und Kandidaten, die konkrete, überprüfbare Belege für Entscheidungen und Ergebnisse zeigen, stechen heraus; wer generische Behauptungen liefert, geht in der Masse unter.
Werden KI-Product-Manager schneller eingestellt?
KI-Kenntnisse sind inzwischen die am häufigsten verlangten in PM-Stellenanzeigen: „LLM“ steht in den TrueUp-Daten 2026 an erster Stelle und „Claude“ an dritter. Auch spezialisierte KI-PM-Arbeit erzeugt lesbare Belege wie Eval-Ergebnisse und ausgelieferte Modell-Features. Verlässliche öffentliche Gehaltsvergleiche zwischen KI-PMs und anderen PMs sind rar, sei also skeptisch gegenüber genauen Prämienzahlen, die online kursieren.
Was ist LinkedIns Associate-Product-Builder-Programm?
Es ist das Programm, das LinkedIn gestartet hat, um sein langjähriges Associate-Product-Manager-Programm zu ersetzen. Statt Berufseinsteiger nur im Produktmanagement auszubilden, vermittelt es Coding, Design und PM-Fähigkeiten gemeinsam, zusammen mit einem neuen Titel und einer neuen Karriereleiter „Full Stack Builder“. LinkedIns CPO Tomer Cohen beschrieb die Änderung im Dezember 2025 in Lenny's Podcast.
Sind Take-home-Aufgaben besser als Interviews, um PMs einzustellen?
Nicht allein. Eine Neuauswertung von Sackett und Kollegen aus dem Jahr 2022 fand strukturierte Interviews als stärksten Einzelprädiktor für Arbeitsleistung (Validität .42), mit Arbeitsproben bei .33. Die besten Abläufe kombinieren beides: dieselben bewerteten Fragen für alle Kandidatinnen und Kandidaten plus eine kurze, jobrelevante Aufgabe. Halte Take-homes bei etwa zwei Stunden oder bezahle längere.
Sollte ich 2026 als PM Spezialist oder Generalist sein?
Wähle bewusst eines. Spezialisten in KI, Platform oder Growth erzeugen klare Belege, die sich leicht bewerten lassen. Auch Generalisten können gewinnen, aber nur, wenn sie funktionsübergreifende Entscheidungen und Trade-offs dokumentieren, statt Verantwortlichkeiten aufzulisten. Die schwächste Position ist die undifferenzierte Mitte: ein bisschen KI, ein bisschen Stakeholder-Management und kein Beleg für beides.
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