Wozu noch Experimente?

Eine App, für die man früher Wochen oder gar Monate gebraucht hätte, benötigt heute nur ein paar Prompts und etwas Feinschliff – und nein, im Gegensatz zu vielen KI-Marketing-Behauptungen ist das keine Übertreibung. Lovable, Cursor und andere KI-Tools ändern, wie digitale Produkte entstehen, und besonders davon betroffen sind nicht etwa etablierte Unternehmen – sondern die, die ganz frisch starten. Schließlich galten schnelle, schlanke Experimente lange als Superkraft erfolgreicher Start-ups. Aber was muss man noch ausprobieren, wenn man es einfach bauen kann? Welche Experimente bleiben unverzichtbar?

Wozu wir Experimente machen

2011 erschien ein Buch, das die Arbeitsweise von Startups für immer veränderte: “The Lean Startup” von Eric Ries. Worin bestand der revolutionäre Ansatz? Malt man den berühmten Lean-Startup-Circle auf, springt einem zunächst nichts besonders Revolutionäres ins Auge:

Bauen, Messen, Lernen – das sind die drei Phasen fast jeden Projekts, vom Küchenumbau bis zum Hollywood-Blockbuster. Die Lean-Startup-Methodologie ändert nichts an dieser Reihenfolge, sondern an der Geschwindigkeit, oder genauer: der Zeit bis zum ersten Lernen. Je kürzer sie ist, desto mehr Geld und Puste haben Unternehmen, um noch einen Versuch zu unternehmen. Aus dem einzelnen Großprojekt wird ein Kreislauf.

Um diese Geschwindigkeit zu erreichen, gibt es einige Taktiken, allen voran das Minimum Viable Product (MVP). Anders als der Name suggeriert, ist das MVP ein Experiment, nicht das spätere Produkt. Man baut genau das, was nötig ist, um eine konkrete Hypothese zu testen – etwa die zum Klischee gewordene Landingpage. Das Ziel: maximales Lernen bei minimalem Aufwand ¹.

Was, wenn man aber in der Zeit, die früher ein MVP gebraucht hätte, gleich das fertige Produkt bauen kann?

Wie man Annahmen in Fakten verwandelt

Experimente ohne eine Hypothese sind Zeitverschwendung. Am Anfang einer innovativen Idee gibt es eine ganze Menge solcher Hypothesen, auch wenn sie sich manchmal als Fakten tarnen. Wir glauben, dass wir ein Problem für zukünftige Kunden lösen. Wir glauben, dass X ein wichtiger Partner ist ². Um diese Hypothesen in Fakten zu verwandeln, gehe ich folgendermaßen vor:

1. Alle, wirklich alle Hypothesen sichtbar machen (Was muss wahr sein, damit unsere Idee funktioniert?)
2. Definieren, wie jede Hypothese zum Fakt wird (Beispiel: Wenn wir in X Wochen Y-mal erleben … )
3. Eine Hypothese nach der anderen angehen – beginnend mit der wichtigsten.

Beim Sammeln und Priorisieren hat mir in den letzten Jahren immer folgende Matrix von Jeff Gothelf und Josh Seiden aus ihrem Buch Lean UX geholfen. Es hilft dir, die wirklich kritischen Hypothesen (die, die grundlegend und unvalidiert sind) zu identifizieren.

Hypothese 1: Wir lösen ein Problem

Die grundlegendste Annahme hinter einer innovativen Idee ist fast immer, dass sie ein real existierendes Problem löst – ein Problem, so groß, dass Kunden wahrhaft frustriert und bereit sind, eine neue Lösung auszuprobieren.

Man kann durch das Bauen einer fertigen Lösung nicht beweisen, dass es das Problem gibt. Denn was, wenn die Kunden die Lösung nicht annehmen? Dann kann man (zu Recht) behaupten, dass nur die Lösung noch nicht perfekt war. Und baut die nächste Lösung. Und die nächste. Viele Start-up-Founder, mich eingeschlossen, haben auf diese Weise in endlosen Iterationen, teils jahrelang, weitere Versionen des immer gleichen Luftschlosses gebaut ³.

Nach meiner Erfahrung gibt es keinen besseren Weg zur Validierung eines Problems als über dutzende Gespräche, bei denen die mögliche Lösung keine Rolle spielt..

Hypothese 2: Wir haben die richtige Lösung

Wenn man ein ungelöstes Problem entdeckt hat, beginnt die eigentliche Arbeit – die an der Lösung. Damit Verbraucher sie annehmen, muss diese nicht nur etwas besser sein als bisherige Produkte und Workarounds – sondern deutlich besser ⁴.

Das ist der große Nachteil eines MVPs, das mit dem späteren Produkt wenig zu tun hat. Bei einem sogenannten „Concierge MVP“ ersetzt zum Beispiel menschliche Arbeit die geplante Technologie. Statt eine Dating-App zu programmieren, vermittelst du persönlich passende Partner, statt einen Lieferdienst-Algorithmus zu entwickeln, nimmst du Bestellungen per WhatsApp entgegen und fährst selbst aus. Das Problem: Die Kunden erleben Vorteile, darunter dein persönlicher Service, die das spätere Produkt nie wird bieten können.

Überhaupt übersehen Befürworter des MVP-Ansatzes, dass die wenigen Kunden etwas „Minimales“ haben wollen, es sich vielleicht nicht einmal anschauen wollen ⁵. Selbst wenn mich der Geschäftsführer höchstpersönlich betreut, fühle ich mich nicht nur geschmeichelt, sondern begreife auch, dass ich gerade ein Versuchskaninchen bin ⁶. Das macht es einerseits schwer, MVP-Kunden zu finden und verzerrt außerdem das Feedback.

Hypothese 3: Distribution und Marketing

In der Vergangenheit habe ich mich bei neuen Produkten vor allen Dingen darum gekümmert, dass sie ein echtes Problem lösen. „Das mit dem Marketing“ landete selten in der Gefahrenzone der Hypothesenmatrix – schließlich kann man Werbemaßnahmen beliebig oft verbessern, ausgedachte Kundenprobleme allerdings nicht.

Doch diese Strategie wackelt. Noch nie war es so schwer, innovative Produkte bei einer Zielgruppe bekannt zu machen:

• Content-Marketing, die indirekte Werbung über wertvolle Inhalte, steht vor dem Kollaps. Einerseits, weil die Menge der Inhalte (durch KI) explodiert, andererseits, weil sich die Art der Internetnutzung (wieder durch KI) grundlegend verändert. Das gilt für etablierte Player wie HubSpot, deren organischer Traffic um 80 % (!) eingebrochen ist, aber erst recht für Start-ups, die im Netz Fuß fassen wollen.
• Die Anzahl konkurrierender Softwareunternehmen steigt rasant, denn durch die Möglichkeiten von KI-Codegeneratoren sind viele Software-as-a-Service-Ideen in wenigen Stunden umgesetzt.
• In Summe wird der Kampf um bezahlte Werbeplätze intensiver, mit in die Höhe schnellenden Kosten pro Kunde.

„If You Build It, They Will Come“ war schon immer einer [der uralten Trugschlüsse](https://samuelmullen.com/articles/startup-fallacies-if-you-build-it-they-will-come](https://samuelmullen.com/articles/startup-fallacies-if-you-build-it-they-will-come) von Startups. Doch Marketing und Distribution sind jetzt nicht mehr nur ein wertvoller Baustein der Strategie – gerade für junge Tech-Firmen sind sie der wichtigste überhaupt. Hat sich dein Unternehmen schon darauf eingestellt?

Was sich wirklich ändert: wie man zur Lösung kommt

Zwei der drängendsten Fragen von Gründern und Innovatoren – braucht das jemand und bekommen wir es verkauft? – werden nicht dadurch beantwortet, dass Produkte schneller fertig sind. Der echte Durchbruch von KI-generierter Software liegt meiner Erfahrung nach woanders: im Weg zur Lösung selbst.

Bis vor ein paar Wochen habe ich mich, um meine Ideen greifbar zu machen, in Figma / Miro / Powerpoint abgemüht oder musste einen Designer um Unterstützung bitten. Heute gieße ich das, was in meinem Kopf ist, einfach in einen funktionierenden Prototyp! Das hat folgende, große Vorteile:

1. Nichts schlägt eine Demo, wenn man das echte Produktgefühl spüren möchte. Ist der Informationsfluss logisch? Fühlt sich ein Prozess wirklich leichtgewichtig an? Bis jetzt waren Klickdummys dafür das Mittel der Wahl, aber diese sind sehr aufwändig zu erstellen und noch schwieriger aktuell zu halten.
2. Teams stimmen sich schneller ab, wenn sie einen Prototyp in Aktion sehen. Es gibt weniger Lücken, die man mit Fantasie oder einem Abstimmungs-Meeting ausfüllen müsste.
3. Vibe-based Prototyping verändert, wie ich überhaupt zur Lösung gelange. Mit einem Kollegen habe ich neulich eine komplette Produktpositionierung, von der Landing-Page bis zum Onboarding, in Lovable erstellt. Unser Konzept hat sich dabei mehrmals verändert, ähnlich wie sich ein Künstler auf das Material einlässt.

Vielleicht ist der größte Vorteil von KI-generierter Software also nicht, dass wir schneller zur Lösung kommen – sondern, dass wir zu anderen Lösungen kommen.