Go-to-Market für AI
Context
Abschnitt betitelt „Context“Dein Team hat ein AI-Feature fertig entwickelt. Der Sales-Chef will einen Big-Bang-Launch mit Pressemitteilung. Marketing hat ein Demo-Video produziert, das beeindruckend aussieht. Der CFO fragt: “Was kostet uns jeder User, der das nutzt?”
Du realisierst: Die GTM-Playbooks, die für traditionelle SaaS-Features funktioniert haben, passen hier nicht. Jede AI-Anfrage kostet echtes Geld. Die Demo zeigt den Bestfall, nicht den Durchschnittsfall. Und “Works most of the time” ist eine Produktrealitaet, die Du kommunizieren musst.
Concept
Abschnitt betitelt „Concept“Vier fundamentale Unterschiede zu traditionellem SaaS
Abschnitt betitelt „Vier fundamentale Unterschiede zu traditionellem SaaS“1. Expectation Management ist die größte GTM-Herausforderung. User erwarten Magie; AI liefert probabilistische Outputs. Die Luecke zwischen Demo und Alltag ist größer als bei traditioneller Software.
2. “Funktioniert meistens” ist eine neue Produktrealitaet. Traditionelle Software funktioniert oder hat einen Bug. AI-Produkte haben Accuracy Rates, Hallucination Rates und Failure Modes, die Features des Systems sind, keine Bugs.
3. Value ist schwerer zu demonstrieren. Der Wert eines AI-Produkts haengt oft von den Daten des Kunden ab. Generische Demos ueberzeugen weniger.
4. COGS skalieren mit Usage. Jeder API-Call kostet Geld. Das verändert die Unit Economics fundamental gegenueber traditionellem SaaS.
Launch-Strategien
Abschnitt betitelt „Launch-Strategien“Beta-First (dominantes Pattern seit 2024): AI-Features als “Beta” oder “Experimental” launchen. Realistische Erwartungen setzen, echte Nutzungsdaten sammeln, Quality Thresholds tunen. Fast jeder grosse AI-Launch (GitHub Copilot, Notion AI, Google Gemini) nutzte Beta-/Waitlist-Perioden.
Progressive Rollout: Start mit Power Usern oder internen Teams. Expansion basiert auf Quality Metrics, nicht nur auf Nachfrage. Gate expansion auf Eval Benchmarks.
Freemium (wachsendes Pattern für AI-Produkte): Kostenloser Basiszugang mit AI-Limits, Premium für Power-Nutzung. Senkt die Adoptionshuerde massiv. Beispiele: ChatGPT Free → Plus, Notion AI (begrenzte Nutzung gratis), Grammarly Free → Premium. PM-Herausforderung: Die Free-Tier-Kosten müssen tragbar sein — bei AI ist jede kostenlose Query ein echter COGS-Posten.
Vier Pricing-Modelle für AI
Abschnitt betitelt „Vier Pricing-Modelle für AI“| Modell | Mechanik | Risiko | Beispiel |
|---|---|---|---|
| Per-Seat | Fixe Monatsgebuehr pro User | Heavy User kosten mehr als sie zahlen | GitHub Copilot: $10-39/User/Monat |
| Usage-Based | Pro API-Call, Token oder Query | Unvorhersehbare Rechnungen schrecken Kunden ab | OpenAI API (pro Token) |
| Hybrid | Subscription + Usage Caps | Komplexer zu kommunizieren | Cursor Pro: $20/Mo inkl. 500 Premium Requests |
| Outcome-Based | Bezahlung nach messbarem Ergebnis | Attribution schwierig, erfordert Measurement | AI Support Tools (pro geloestes Ticket) |
Das Margin-Problem
Abschnitt betitelt „Das Margin-Problem“AI-first SaaS hat Brutto-Margen von 20-60%, verglichen mit 70-90% bei traditionellem SaaS. Das ist die definierende oekonomische Herausforderung. Jede Query hat echte Compute-Kosten.
Als PM musst Du verstehen:
- Cost per Query bei aktuellem Modell und Volumen
- Wie Kosten skalieren bei Wachstum
- Wo optimieren: Caching, kleinere Modelle für einfache Tasks, Model Routing
- Wann Preise erhöhen vs. Kosten optimieren
Framework
Abschnitt betitelt „Framework“Pricing-Entscheidungsbaum:
| Produkttyp | Empfohlenes Modell | Begruendung |
|---|---|---|
| Copilot (augmentiert Menschen) | Per-Seat oder Hybrid | Vorhersagbare Kosten, klarer Mehrwert |
| API / Platform | Usage-Based | Revenue skaliert mit Nutzung |
| Ersetzt messbare Aufgabe | Outcome-Based erwaegen | Hoechste Value-Alignierung |
| Feature in groesserem Produkt | Bundle in bestehenden Tier | Vermeidet separate Kaufentscheidung |
Immer vor Launch: Unit Economics modellieren (Cost per Query x erwartete Nutzung). Ein “erfolgreiches” Produkt, das bei jeder Query Geld verliert, ueberlebt nicht.
Scenario
Abschnitt betitelt „Scenario“Du bist PM bei einem HR-SaaS. Euer neues AI-Feature generiert Job Descriptions aus Stichpunkten. Aktuell habt ihr 2.000 zahlende Unternehmen mit durchschnittlich 5 HR-Usern.
Die Zahlen:
- Kosten pro AI-Generierung: $0.03 (GPT-4o mit Prompt + Formatting)
- Erwartete Nutzung: durchschnittlich 40 Generierungen pro User pro Monat
- Aktuelle Subscription: $49/User/Monat
- Euer SaaS hat aktuell 82% Brutto-Marge
Drei Optionen:
- Kostenloses Feature für alle User — geschaetzte Zusatzkosten: $12.000/Monat
- Premium-Tier für $10/User/Monat extra — nur AI-Nutzer zahlen
- Hybrid: 10 Generierungen gratis, dann $0.10 pro Stueck
Wie wuerdest Du entscheiden?
Die beste Entscheidung: Option 2 — Premium-Tier für $10/User/Monat extra. Aber mit einer Free-Trial-Phase von 30 Tagen für alle.
Warum:
- $0.03 x 40 Nutzungen = $1.20 Kosten pro User pro Monat. Bei $10 Aufpreis sind die AI-Kosten gut gedeckt (88% Marge auf das AI-Feature)
- Kostenlos (Option 1) reduziert die Gesamtmarge von 82% auf ~79% — klingt wenig, aber bei 10.000 Usern sind es $12.000/Monat ohne Gegenfinanzierung
- Hybrid (Option 3) ist zu komplex für ein HR-Team — sie wollen keine Tokens zaehlen
- Die Free-Trial-Phase zeigt den Wert, bevor sie zahlen müssen
Was viele falsch machen:
- “Erstmal kostenlos, Pricing machen wir später” — bei AI-Features ist später zu spaet, weil die Kosten vom ersten Tag an laufen
- Sich am Wettbewerb orientieren statt an den eigenen Unit Economics
Reflect
Abschnitt betitelt „Reflect“Die wichtigste Erkenntnis: AI-Produkte haben variable Kosten pro Nutzung — das verändert alles am GTM-Playbook. Pricing ist kein Nachgedanke, sondern ueberlebenswichtig.
- Launche AI-Features als Beta, nicht als Big Bang — Erwartungsmanagement ist alles
- Modelliere Unit Economics vor dem Launch, nicht danach
- Das aktuell dominante Pricing-Modell ist Hybrid (Subscription + Usage Caps)
Quellen: GitHub Copilot Pricing (2026), Cursor Pricing (2026), Aakash Gupta “How to Price AI Products” (2026), GetDX AI Coding Assistant Pricing Comparison (2026)