Kontakt
EN DE

Growth Engineering

Bau die Maschine, die Deine Kunden findet

Die erste funktionierende Version eines Softwareprodukts ist heute fast kostenlos. Distribution ist es nicht — und die Maschinerie, die entscheidet, wer gefunden und wer gewählt wird, läuft zunehmend automatisiert. Ich helfe Startups und Scale-ups, die Growth Machine dahinter zu bauen: von Deiner GMDNA bis zu den ersten laufenden Loops.

Warum das, warum jetzt

Distribution ist der neue Engpass

Drei Zahlen rahmen die Verschiebung. Bauen wurde billig, die Ausführung ist zu den Maschinen gewandert, und der Weg zu Deinem Kunden hat die Form geändert — alles gleichzeitig.

Meta · Q2 2026

75 Mrd. $

Jahresumsatz-Run-Rate von Advantage+, dem KI-System, das Ads weitgehend eigenständig schreibt, testet und umverteilt. Die Ausführung ist bereits umgezogen.

Lovable · 2026

1 Mio. / Woche

Neue Projekte pro Woche auf einer einzigen Vibe-Coding-Plattform. Der Markt wird mit ordentlichen ersten Versionen geflutet — Deine eingeschlossen.

Ahrefs · 2026

−58 %

Weniger Klicks für top-platzierte Seiten, sobald Googles KI-Antworten erscheinen. Käufer bekommen ihre Shortlist zunehmend aus einer Antwort, nicht aus einer Ergebnisliste.

Fast kostenlos geworden ist die erste funktionierende Version. UX, Testing und Geschmack brauchen weiterhin Menschen — und je menschenzentrierter das Produkt, desto mehr davon. Aber genau das macht das Problem größer, nicht kleiner: Gefunden und gewählt zu werden ist heute der knappste Teil beim Aufbau eines Unternehmens. Die Frage ist nicht mehr, ob Du Dein Produkt bauen kannst — sondern ob Du die Maschine bauen kannst, die Deine Kunden zuverlässig findet und hält.

Die Rolle

Vom Growth Hacker zum Growth Engineer

Marketing wurde um 2010 analytisch, als Sean Ellis den Begriff „Growth Hacking“ prägte: Tracking, Attribution, A/B-Tests. Der nächste Schritt passiert gerade — KI-Agenten übernehmen die Ausführung selbst. Wer in diesem Setup gedeiht, ist der Growth Engineer: ein Builder, der am Lift einer Metrik gemessen wird und einen Stack aus Agenten orchestriert, statt Kampagnen von Hand zu fahren. Die Rolle institutionalisiert sich — a16z hat dieses Jahr ein Growth Engineer Fellowship gestartet, OpenAI betreibt ein eigenes GTM-Growth-Engineering-Team.

  • Gemessen an einer Metrik, nicht am Kampagnen-Output
  • Orchestriert Agenten, statt sie zu briefen
  • Verantwortet die Integrationsschicht: APIs, MCP-Server, Konnektoren
  • Entscheidet über Kill und Scale — schriftlich, vor dem Test
  • Schreibt jedes Learning zurück in die Quelle
  • Behandelt Tracking als Voraussetzung, nicht als Reporting

Praxis, nicht Theorie

Wie ich meine eigene Growth Machine betreibe

Bei einem meiner Ventures habe ich die Growth-Engineer-Rolle selbst. Alles auf dieser Seite fahre ich dort, bevor ich es jemandem empfehle.

Der Account läuft auf Skripten, die ich geschrieben habe

Bei einem meiner Ventures läuft das gesamte Ad-Konto über Skripte, die ich selbst vibe-gecodet habe — vom Aufbau der Kampagnen bis zu den täglichen Checks. Es läuft besser als von Hand, mit einem Bruchteil der manuellen Arbeit.

Schritt 4 habe ich auf die ehrliche Tour gelernt

Beim selben Venture war der wahre Engpass weder Creative noch Budget. Es war eine Tracking-Lücke, die Käufe für die Plattform unsichtbar hielt. Alles, was die Maschine vor diesem Fix optimiert hat, war Rauschen — deshalb kommt Tracking heute vor den Loops, nicht danach.

Morgens dreißig Minuten Entscheidungen

Kampagnen waren Handarbeit über die ganze Woche: Briefings, Entwürfe, Uploads, Reports. Heute erledigt die Maschine das über Nacht, und ich lese, was die Loops getan haben, treffe die Kill- und Scale-Entscheidungen und schreibe die Learnings zurück. Gleiche Kanäle, gleiche Budgets, ein anderer Job.

Eine Anmerkung zum Umfang, weil sie bei der Wahl eines Partners zählt: Growth Engineering ist der jüngste Teil meiner Praxis, gebaut auf meinen eigenen Ventures und laufender Kundenarbeit — nicht auf den zwanzig Jahren, die hinter meiner Advisory- und Geschäftsmodellarbeit stehen. Was ich mitbringe: eine Promotion in Multi-Agenten-Systemen, die Gewohnheit, die Sache selbst zu bauen, und eine Maschine, die ich jeden Morgen fahre.

Wie wir zusammenarbeiten

Drei Wege hinein

Jedes Format steht für sich. Die meisten Teams starten beim ersten und hören auf, wenn die Maschine ohne mich läuft.

GMDNA Sprint

Wir bauen Deinen Single Point of Truth: was hineingehört, wie er strukturiert ist, wie er synchron bleibt, damit dutzende Agenten damit arbeiten, ohne von der Marke abzudriften. Du gehst mit dem Repository und den Regeln für seine Pflege raus.

  • Marke, Personas, Tonalität
  • Value Propositions & Wettbewerb
  • Struktur, Verantwortung, Sync-Regeln
  • Das Review-Gate vor jedem Release

First Loop Live

Ein Kanal, durchgängig verdrahtet, bis ein Loop läuft und eine Metrik bewegt. Tracking kommt vor dem Loop. Den Kanal wählen wir gemeinsam — den, der Dir die Glaubwürdigkeit für den nächsten bringt.

  • Integrationsschicht: APIs, MCP, Konnektoren
  • Conversion- & KI-Referral-Tracking
  • Content aus Deiner GMDNA erzeugt
  • Ein Scorecard, dem Dein Team wirklich traut

Growth Engineering Advisory

Laufend, wenn weitere Loops dazukommen: die Review-Kadenz, die Kill- und Scale-Entscheidungen, die Disziplin, die verhindert, dass sich eine Maschine ins Rauschen optimiert. Für Teams, die die Rolle intern aufbauen, werden hier die Parameter übergeben.

  • Kadenz & Lernphasen-Disziplin
  • Testdesign und Entscheidungsregeln
  • Skalierung von einem Loop auf mehrere
  • Coaching für Deinen ersten Growth Engineer
Über Deine Growth Machine sprechen

Mein Framework

Jede Growth Machine hat eine DNA

Alle können dieselben Modelle mieten. Zwei Wettbewerber, die dasselbe System prompten, bekommen ungefähr dieselbe Anzeige. Der Unterschied liegt darin, womit Du es fütterst — deshalb beginnt die Methode mit einem Repository, nicht mit einem Tool.

BMDNA entschlüsselt das Geschäftsmodell. GMDNA baut die Growth Machine, die es füttert. Das eine ist das Genom davon, wie Du Geld verdienst; das andere das Genom davon, wie Du die Menschen erreichst, die zahlen.

Die Methode

Fünf Schritte, in der Reihenfolge, die funktioniert

  1. 1

    Bau Deinen Single Point of Truth

    Das Repository, aus dem alles andere abgeleitet wird: Marke und Personas, Tonalität, Value Propositions, Wettbewerb, Markttrends — alles, was die Maschinen nicht erfinden können. Einmal kodiert, klingt jeder automatisierte Touchpoint weiterhin nach Dir. Was hineingehört, ist leicht zu erraten; wie es strukturiert und synchron gehalten wird, ist das eigentliche Handwerk.

  2. 2

    Verdrahte Deine Pipelines

    Bestehende Kampagnen als Loops neu bauen: Agenten entwerfen Varianten, starten klein, messen den Lift gegen Deine eine Metrik, killen die Verlierer, skalieren die Gewinner. Dann die Kanäle öffnen, die Du noch nicht bedienst — Sichtbarkeit in KI-Antworten ist eine Bauaufgabe mit ausgelieferten Artefakten, kein Media-Einkauf. Starte mit einem Kanal, nicht mit fünf.

  3. 3

    Erzeuge den Content aus der Quelle

    Erst jetzt kommt Content: Posts, Ads, Landingpages, Video — von Agenten aus dem Single Point of Truth entworfen, von einem Menschen kuratiert, bevor etwas rausgeht. Wer Schritt eins überspringt, produziert schneller generischen Output — und das ist schlechter als langsamer generischer Output. Adoption ist kein Vorteil. Deine Quelle ist es.

  4. 4

    Mach Tracking nicht verhandelbar

    Bevor ein einziger Loop live geht, muss die Maschine sehen können: Conversions zurück an die Ad-Plattformen, jeder Kanal separat, KI-Assistenz-Referrals mit eigenem Tracking. Für EU-Gründer gehören DSGVO und AI Act in die Definition of Done. Ohne das ist jede spätere Entscheidung Raten im Datenkostüm.

  5. 5

    Starte die Loops, bleib im Loop

    Definiere schriftlich, wie ein Gewinner aussieht — bevor der Test startet. Review nach Plan, Kill- und Scale-Entscheidungen treffen, und das Gelernte zurück in die Quelle schreiben. Dieses Zurückschreiben ist der Zinseszins: Jedes Review macht das Repository klüger, und jeder Agent arbeitet mit dem klügeren Repository.

Zwei Dinge trennen hier die Profis, und keines davon ist ein Tool. Zurückhaltung: Bidding-Algorithmen brauchen stabile Lernphasen, deshalb performt ein System, das täglich alles ändert, schlechter als eines mit disziplinierter Kadenz. Und Geduld: Manche Tests brauchen längere Laufzeiten, bevor sie etwas bedeuten, und sie früh zu killen heißt, auf Rauschen zu entscheiden. Wenn fünfzig Varianten nichts kosten, wandert der Engpass von der Produktion zum Urteilsvermögen.

Fragen

Bevor Du fragst

GMDNA ist meine Methode für den Bau einer KI-betriebenen Growth Machine. Sie läuft in fünf Schritten: Single Point of Truth bauen, Pipelines verdrahten, Content aus dieser Quelle erzeugen, Tracking nicht verhandelbar machen, dann die Loops starten und als Mensch im Loop bleiben. Der Name ist bewusst gewählt — das Repository aus Schritt eins ist wirklich die DNA von allem, was die Maschine danach produziert.

BMDNA entschlüsselt das Geschäftsmodell. GMDNA baut die Growth Machine, die es füttert. BMDNA macht ein Geschäftsmodell über 9+1 Metrik-Kategorien und Zielgrößen wie CAC, CLV und MRR messbar. GMDNA ist das Go-to-Market-Gegenstück: die Maschine, die diese Zahlen tatsächlich bewegt. Beide ergänzen sich gut, keines setzt das andere voraus.

Ein Growth Engineer wird am Lift einer Metrik gemessen — Sign-ups, Aktivierung oder Umsatz — und orchestriert einen Stack aus Agenten, statt Kampagnen von Hand zu fahren. Die Rolle institutionalisiert sich gerade: a16z hat dieses Jahr ein Growth Engineer Fellowship gestartet, OpenAI betreibt ein eigenes GTM-Growth-Engineering-Team.

Nein. Die Agenten liefern Volumen und Konsistenz; Du lieferst den Geschmack. Jeder Inhalt passiert ein menschliches Review-Gate, bevor er rausgeht, und ein Mensch trifft die Kill- und Scale-Entscheidungen. Was sich ändert, ist die Arbeit selbst: weniger Produktion, mehr Orchestrierung und Urteil. Wenn fünfzig Varianten nichts kosten, wandert der Engpass von der Produktion zur Entscheidung, welche davon richtig ist.

Mit dem, der tatsächlich Dein Engpass ist — und der ist in jedem Team ein anderer. Manche haben gar kein Quell-Repository. Manche haben ein gutes und kein Tracking, sodass jede Optimierung Raten bleibt. Manche haben beides und keine Disziplin darin, wie getestet wird. Herauszufinden, welcher Schritt Dich wirklich aufhält, ist meist das erste Gespräch — und es lohnt sich, bevor irgendetwas gebaut wird.

Kürzer, als Du für die Klempnerei erwarten würdest, und länger, als Dir beim Urteilsvermögen lieb ist. Mit heutigen Coding-Agenten dauert die Integrationsarbeit Tage statt Quartale. Realistisch ist ein kurzer Sprint für den Single Point of Truth und dann einige Wochen, um einen Kanal durchgängig mit Tracking zu verdrahten. Länger dauert die Disziplin: stabile Lernphasen und Tests mit genug Laufzeit, um etwas zu bedeuten.

Beides, online oder vor Ort. Die meisten Growth Machines laufen am Ende auf Englisch, unabhängig davon, wo das Team sitzt — aber die Arbeitssprache wählst Du.

Lass es uns bauen

Welcher Schritt ist Dein Engpass?

Wenn Du Hands-on-Unterstützung beim Bau Deiner Growth Machine willst — von Deiner GMDNA bis zu den ersten laufenden Loops — genau das mache ich mit Startups und Scale-ups. Sag mir, wo Du feststeckst, und wir starten dort.

Kontakt aufnehmen