Product-Led Growth für KI-Tools

Von Brian Tr · Aktualisiert am 5. Oktober 2026

Product-Led Growth (PLG) ist ein Go-to-Market-Modell, bei dem das Produkt selbst den Großteil der Arbeit übernimmt, Kunden zu gewinnen, zu konvertieren und auszubauen. Für KI-Tools wirkt das wie eine natürliche Passung: Jeder kann das Produkt in einer Minute ausprobieren und einen Output sehen. Doch PLG wurde für Software entworfen, bei der ein zusätzlicher kostenloser Nutzer fast nichts kostet, und genau bei dieser Annahme weichen KI-Tools ab.

Diese Seite erklärt das Modell, zeigt, welche seiner Teile sich auf KI-Produkte übertragen lassen und welche nicht, und behandelt die Kennzahlen, die Preisgestaltung und die Vertriebsebenen, die es zum Funktionieren bringen. Sie nennt auch die Fälle, in denen ein KI-Unternehmen gar keinen produktgeführten Ansatz fahren sollte. Für das allgemeine Modell siehe Product-Led Growth. Hier liegt der Fokus darauf, was sich ändert, wenn das Produkt auf einem Modell läuft.

Was Product-Led Growth bedeutet

Der Begriff stammt von der Venture-Firma OpenView. Partner Blake Bartlett sagte in einem Interview mit Sacra, OpenView habe ihn 2016 geprägt, und gab die Definition: eine Go-to-Market-Strategie, die das Produkt selbst als primären Treiber für Kundengewinnung, Konversion und Expansion nutzt. Der Gegensatz ist ein Ansatz, bei dem Menschen in einem Vertriebs- und Marketingteam der primäre Treiber sind.

Das Buch von Wes Bush, Product-Led Growth: How to Build a Product That Sells Itself, machte aus der Idee ein praktisches Playbook. Sein Unternehmen ProductLed beschreibt PLG als Nutzung des Produkts als wichtigstes Mittel, Kunden zu gewinnen, zu aktivieren und zu halten, meist über eine kostenlose Testphase oder eine Freemium-Stufe, sodass Nutzer ein sinnvolles Ergebnis erreichen, bevor sie zahlen. Die Reihenfolge zählt: erst Engagement, dann Geld.

Drei Ideen liegen der Definition zugrunde:

• Self-Serve-Einstieg. Ein Nutzer kann starten, ohne mit jemandem zu sprechen.
• Wert vor Zahlung. Der Nutzer erlebt zuerst ein echtes Ergebnis, und das Upgrade folgt daraus.
• Das Produkt als Funnel. Nutzungsdaten, nicht ein Vertriebsgespräch, zeigen, wer kaufbereit ist.

Was passt: warum KI-Tools wie für PLG gemacht wirken

Mehrere Eigenschaften von KI-Produkten passen zum Modell.

Einzelne Personen können ohne Genehmigung starten. Eine einzelne Person kann ein Dokument, eine Tabelle oder einen Prompt einfügen und etwas Nützliches zurückbekommen. Das ist derselbe Bottom-up-Einstieg, der Collaboration- und Design-Software in Unternehmen getragen hat: ein Nutzer, dann ein Team, dann eine Bestellung.

Der Output ist sichtbar. Viele Softwareprodukte verlangen, dass Sie sich den Nutzen vorstellen. Ein KI-Tool zeigt eine entworfene E-Mail, eine Zusammenfassung, einen bereinigten Datensatz. Das Produkt führt sich selbst vor, und das Ergebnis lässt sich leicht teilen, was organische Verbreitung erzeugt.

Die Time to Value kann sehr kurz sein. Kommt ein erster nützlicher Output in Sekunden, ist der Abstand zwischen Anmeldung und „Aha“-Moment klein. Eine kurze Time to Value ist der größte einzelne Hebel in jedem Self-Serve-Funnel.

Neugier auf die Kategorie bringt Traffic. Wenn ein neuer Typ von Tool auftaucht, wollen viele ihn ausprobieren. Das ist kostenlose Nachfrage am oberen Ende des Funnels, aber wie wir sehen werden, auch eine Falle.

Was scheitert: wo KI-Tools vom klassischen PLG abweichen

Jeder kostenlose Nutzer verursacht Kosten

Die klassische PLG-Ökonomie nahm an, dass ein kostenloser Nutzer fast nichts in der Bereitstellung kostet, sodass eine große kostenlose Stufe ein günstiger Marketingkanal ist. KI-Produkte tragen bei jeder Interaktion eine variable Rechenrechnung. Die Analyse der Finanzkennzahlen von KI-Unternehmen von a16z fand Bruttomargen oft im Bereich von 50 bis 60 Prozent, gegenüber einem Richtwert von 60 bis 80 Prozent oder mehr für vergleichbares SaaS, und führte die Lücke auf intensive Cloud-Infrastrukturnutzung und laufenden menschlichen Support zurück. Diese Analyse stammt aus dem Jahr 2020, und das Kostenbild hat sich seither verändert, doch der strukturelle Punkt bleibt: Nutzung zu bedienen ist nicht kostenlos.

Bessemers State of AI 2025 zeigt, wie weit die Streuung geworden ist. Die am schnellsten wachsende Gruppe, die „Supernovas“, hatte im Schnitt etwa 25 Prozent Bruttomarge, oft negativ, während die „Shooting Stars“ im Schnitt bei etwa 60 Prozent lagen. Die Stichprobe ist klein (20 Unternehmen), verstehen Sie sie also als Illustration, nicht als Marktdurchschnitt. Die Lehre für PLG: Eine großzügige kostenlose Stufe ist eine Margenentscheidung, nicht nur eine Marketingentscheidung. Ausführlicher wird das in Geschäftsmodelle von KI-Startups behandelt.

Freemium zieht tendenziell die falschen Nutzer an

Weil das Ausprobieren eines KI-Tools aufregend ist, sammeln kostenlose Stufen viele Menschen, die nie zahlen werden: Studierende, Hobbyisten, Menschen, die an einem Nachmittag ein Dutzend Tools vergleichen. Jeder von ihnen verbraucht Rechenleistung. Eine kostenlose Stufe, die in klassischer Software ein Schnäppchen wäre, wird zu einer wiederkehrenden Kostenzeile. Die üblichen Lösungen sind eine zeitlich begrenzte Testphase, ein kleines festes Credit-Kontingent oder das Sperren der teuren Funktionen bei offenen günstigen.

Neuheitseffekte blähen frühe Zahlen auf

Ein Schub an Anmeldungen und ersten Sitzungen beweist nicht, dass ein Produkt gebraucht wird. Viele KI-Tools erleben einen Neugier-Peak, gefolgt von einem steilen Einbruch. Wenn das Produkt nicht an eine wiederkehrende Aufgabe andockt, etwa einen wöchentlichen Bericht oder einen täglichen Posteingang, fällt die Retention, sobald der Reiz des Neuen verfliegt. Deshalb sind Kennzahlen im Stil der Kundengewinnung für KI-Produkte irreführend, und Aktivierung und wiederholte Nutzung zählen mehr.

Unternehmen stellen Hürden vor den Self-Serve-Zugang

PLG nimmt an, dass der Nutzer sich mit einer geschäftlichen E-Mail-Adresse anmelden und loslegen kann. Bei KI-Tools, die Unternehmensdaten berühren, wird das oft blockiert. Sicherheitsteams fragen, wohin die Daten gehen, ob sie zum Training von Modellen verwendet werden, wer die Outputs sehen kann und wie die Aufbewahrungsrichtlinie des Anbieters aussieht. Ein Mitarbeiter, der Kundendaten in ein neues Tool einfügt, verstößt womöglich unwissentlich gegen Richtlinien. Der Bottom-up-Einstieg, der bei einer Notiz-App funktioniert, kann bei einem KI-Tool also in der Sicherheitsprüfung hängen bleiben. Gründer brauchen einen Weg, der den einzelnen Nutzer und den Sicherheitsprüfer zufriedenstellt, etwa klare Bedingungen zum Umgang mit Daten, Admin-Kontrollen und eine leicht kaufbare Business-Stufe.

Dünne Produkte haben keinen PLG-Burggraben

Ein Self-Serve-Ansatz ist für Wettbewerber leicht zu kopieren, wenn das Produkt nur eine dünne Schicht über einem gemieteten Modell ist. Alle können eine kostenlose Testphase derselben Fähigkeit anbieten. PLG belohnt Produkte mit eigener Datenschleife, Workflow-Tiefe oder Integrationen, ein Thema, das in AI Wrapper vs. AI-native vertieft wird.

Passung auf einen Blick

Aktivierungskennzahlen für KI-Tools

In einem PLG-Geschäft ist die nützlichste frühe Kennzahl die Aktivierung: der Anteil neuer Nutzer, die den Moment erreichen, in dem das Produkt seinen Wert beweist. Für KI-Tools sind „Konto erstellt“ und „Prompt ausgeführt“ schwache Definitionen. Eine bessere Definition koppelt die Aktivierung an ein Ergebnis, für das der Nutzer zahlen würde. Bei einem Tool zum Entwerfen kann das ein akzeptierter und verwendeter Output sein. Bei einem Datentool ein exportiertes oder geteiltes Ergebnis.

Gute Aktivierungskennzahlen für KI-Produkte teilen meist vier Eigenschaften:

1. Sie messen akzeptierten Output, nicht erzeugten Output. Ein Nutzer, der ständig neu generiert, ist nicht aktiviert. Ein Nutzer, der das Ergebnis kopiert, exportiert oder sendet, ist es.
2. Sie setzen ein Zeitfenster. Zum Beispiel das Erreichen des Ergebnisses in der ersten Sitzung oder in der ersten Woche, damit Sie sehen, ob das Onboarding funktioniert.
3. Sie trennen wiederholte Nutzung von der ersten Nutzung. Eine zweite und dritte sinnvolle Sitzung in den folgenden Wochen ist der Beleg dafür, dass das Produkt nicht nur Neuheit ist.
4. Sie beziehen Kosten ein. Verfolgen Sie die Rechenkosten pro aktiviertem Nutzer neben der Aktivierungsrate. Eine Kohorte, die gut aktiviert, aber in der Bereitstellung mehr kostet, als sie zahlt, ist ein Problem, das die Aktivierungszahl allein verbirgt.

Das allgemeine Framework steht im Framework zur Nutzeraktivierung, die Dashboard-Seite im PLG-Kennzahlen-Dashboard. Beide gelten direkt. Die KI-spezifische Anpassung besteht darin, die Output-Akzeptanz als Schlüsselereignis und die Kosten pro Nutzer als begleitende Kennzahl zu behandeln.

Monetarisierung: nutzungsbasierte und creditbasierte Preisgestaltung

Reine Seat-Preisgestaltung ist für KI-Tools unhandlich. Ein Nutzer kann eine triviale oder eine enorme Menge Arbeit erzeugen, und die Kosten folgen der Arbeit. Zwei Strukturen sind gängig.

Nutzungsbasierte Preisgestaltung berechnet das, was verbraucht wird: Aufgaben, Dokumente, verarbeitete Seiten. Sie bringt Umsatz und Kosten in Einklang und skaliert mit dem Wert, den ein Kunde erhält. Der Nachteil: Kunden können ihre Rechnung nicht vorhersagen, was das Kaufen erschwert.

Creditbasierte Preisgestaltung verkauft ein Bündel Credits, die verschiedene Aktionen zu unterschiedlichen Raten verbrauchen. Sie gibt dem Kunden eine planbare Monatszahl und dem Anbieter die Möglichkeit, teure Aktionen höher zu bepreisen als günstige. Das Risiko ist Verwirrung: Wenn Nutzer nicht erkennen können, was ein Credit kauft, zögern sie.

Viele KI-Tools kombinieren ein Basisabonnement (für Zugang und ein Credit-Kontingent) mit nutzungsbasierter Überschreitung. Das hält den Einstiegspreis einfach, was PLG braucht, und schützt zugleich die Marge vor Vielnutzern. Die Abwägungen im Detail stehen in Geschäftsmodelle von KI-Startups.

Eine Regel gilt für alle: Das kostenlose Kontingent sollte genug Nutzung abdecken, um das Aktivierungsereignis zu erreichen, und nicht viel mehr.

Product-Led Sales als Ebene darüber

Reines Self-Serve trägt ein KI-Tool selten bis in größere Unternehmen. Das gängige Muster ist Product-Led Sales: Einzelpersonen oder kleine Teams übernehmen das Produkt, und ein Vertriebsteam spricht dann Accounts an, die Kaufsignale zeigen. Das Signal ist ein Product-Qualified Lead (PQL), ein Account, dessen Nutzung nahelegt, dass er für einen größeren Tarif bereit ist.

Nützliche PQL-Signale für KI-Tools sind unter anderem:

• Mehrere Nutzer derselben Firmen-Domain, die in kurzer Zeit aktiviert wurden
• Eine Nutzung, die sich der Grenze der kostenlosen oder der Starter-Stufe nähert
• Die Nutzung von Funktionen, die Admin-Kontrollen brauchen, etwa gemeinsame Workspaces oder Audit-Logs
• Wiederholte Arbeit an Unternehmensdaten, die auf eine wiederkehrende Aufgabe hindeutet
• Eine Sicherheits- oder Einkaufsfrage, die über das Produkt oder den Support gestellt wird

Hier wird die Unternehmenshürde bewältigt. Ein Vertriebsmitarbeiter kann den Sicherheitsfragebogen beantworten, eine Auftragsverarbeitungsvereinbarung anbieten und eine verwaltete Bereitstellung verkaufen, was ein Self-Serve-Ablauf nicht kann. Das vollständige Modell beschreibt Product-Led Sales. Bei einem KI-Unternehmen hat der Verkauf oft zwei Käufer: den Champion, der das Tool liebt, und die Sicherheits- oder IT-Verantwortlichen, die es genehmigen müssen.

Wann ein KI-Produkt nicht PLG sein sollte

PLG ist nicht für jedes KI-Unternehmen der richtige Ansatz. Erwägen Sie einen anderen, wenn:

• Der Workflow vor jedem Wert eine tiefe Integration braucht. Funktioniert das Produkt erst nach der Anbindung mehrerer interner Systeme, zeigt eine kostenlose Testphase nichts.
• Die Daten hochsensibel oder reguliert sind. Wo Käufer vor der ersten Berührung mit dem Produkt eine Sicherheits- und Rechtsprüfung abschließen müssen, ist Self-Serve-Anmeldung ein Nichtstarter, und ein vertriebsgeführter Ansatz passt besser.
• Der Deal groß ist und die Einkaufsgruppe umfangreich. Ein hochwertiger Vertrag mit vielen Beteiligten wird selten über ein Kreditkarten-Upgrade abgeschlossen.
• Die Kosten pro Testphase hoch sind. Kostet ein einzelner Evaluierungslauf echtes Geld, kann eine offene kostenlose Stufe Geld schneller verbrennen, als sie Pipeline schafft. Geführte Demos oder bezahlte Pilotprojekte passen besser.
• Das Produkt fertige Ergebnisse verkauft, kein Tool. Kauft der Kunde ein Resultat und keinen Zugang, will er zuerst ein Gespräch über Umfang und Verantwortlichkeit.
• Die Vertikale eng ist. In einem kleinen, klar umrissenen Markt kann Outbound-Vertrieb an die bekannten Käufer günstiger sein, als darauf zu warten, dass sie ein kostenloses Tool finden.

Nichts davon schließt PLG für immer aus. Viele Unternehmen starten vertriebsgeführt, um zu lernen, was funktioniert, und ergänzen später einen Self-Serve-Einstieg für kleinere Kunden, sobald das Produkt stabil ist.

Ein vernünftiges Ausgangsdesign

Eine tragfähige Form für ein frühes KI-Tool sieht so aus:

1. Definieren Sie das Aktivierungsereignis als akzeptierten Output, der an eine echte Aufgabe gekoppelt ist.
2. Begrenzen Sie die kostenlose Erfahrung auf die Menge, die nötig ist, um dieses Ereignis zu erreichen, mit einer kurzen Testphase oder einem festen Credit-Kontingent.
3. Bepreisen Sie mit Basis plus Nutzung oder Credits, damit Kosten und Umsatz sich gemeinsam bewegen.
4. Erfassen Sie die Kosten pro Nutzer neben Aktivierung und Retention von Anfang an.
5. Ergänzen Sie früh eine Business-Stufe mit Bedingungen zum Umgang mit Daten und Admin-Kontrollen, damit Teams von einem persönlichen Konto zu einem genehmigten wechseln können.
6. Achten Sie auf PQLs und leiten Sie vielversprechende Accounts an eine Person weiter.

Wenn Ihr Team auch klärt, wo das im größeren Zusammenhang steht, schafft was ein KI-natives Startup ist den Kontext für diese Entscheidungen.

Wichtige Fakten

• PLG-Ursprung: OpenView sagt, es habe „Product-Led Growth“ 2016 geprägt und definiere es als Go-to-Market-Strategie, die das Produkt als primären Treiber für Akquise, Konversion und Expansion nutzt (Sacra-Interview mit Blake Bartlett von OpenView).
• Kernmechanismus: Nutzer erreichen über eine kostenlose Testphase oder eine Freemium-Stufe ein sinnvolles Ergebnis, bevor sie zahlen, laut ProductLed, dem Unternehmen hinter Wes Bushs Buch.
• Die KI-Kostenstruktur unterscheidet sich: a16z fand Bruttomargen von KI-Unternehmen oft bei 50 bis 60 Prozent gegenüber 60 bis 80 Prozent oder mehr bei vergleichbarem SaaS und nannte intensive Cloud-Infrastrukturnutzung und menschlichen Support als Gründe (a16z, 2020).
• Die Margen variieren je nach Wachstumspfad stark: In Bessemers Stichprobe von 2025 lagen die am schnellsten wachsenden „Supernovas“ bei etwa 25 Prozent Bruttomarge (oft negativ) und die „Shooting Stars“ bei etwa 60 Prozent (Bessemer, State of AI 2025).
• Kostenlose Stufen sind eine Margenentscheidung: Jeder nicht zahlende KI-Nutzer verursacht Rechenkosten, daher sollte das kostenlose Kontingent nahe am Aktivierungsereignis enden.
• Bestes Aktivierungssignal: akzeptierter oder verwendeter Output, nicht ausgeführte Prompts oder erstellte Konten.
• Typisches Gesamtmodell: Self-Serve-Einstieg plus Product-Led Sales, wobei PQLs für Sicherheitsprüfung und größere Tarife an eine Person weitergeleitet werden.

Wie es weitergeht

Product-Led Growth funktioniert bei KI-Tools, wenn drei Dinge zutreffen: Der Wert zeigt sich schnell, einen kostenlosen Nutzer zu bedienen ist bezahlbar, und das Produkt ist tief genug, dass eine Testphase nicht mühelos kopiert wird. Scheitert eines davon, passen Sie das Modell an, statt das Playbook der klassischen Software zu kopieren. Beginnen Sie mit dem Aktivierungsereignis, bepreisen Sie so, dass der Preis den Kosten folgt, und ergänzen Sie eine Vertriebsebene für die Accounts, die eine brauchen. Teams, die bereits ein CRM und eine Pipeline nutzen, um Produktsignale neben Deals zu verfolgen, zum Beispiel in der Sales Ops App von Rework, können PQLs ohne ein separates System an Vertriebsmitarbeitende weiterleiten. Zur Ebene, auf der Sie aufbauen, siehe Anwendungsschicht vs. Modellschicht.

Weiterführende Lektüre

• Kunden für KI-Produkte gewinnen
• Kostenlose Testphasen für KI-Produkte
• Product-Led Growth
• Product-Led Sales
• Framework zur Nutzeraktivierung
• PLG-Kennzahlen-Dashboard
• Geschäftsmodelle von KI-Startups
• AI Wrapper vs. AI-native
• Was ist ein KI-natives Startup