Das Kano-Modell: KI-Features richtig priorisieren

Der japanische Qualitätsforscher Noriaki Kano publizierte 1984 ein Modell zur Kundenzufriedenheit, das heute zu den nützlichsten Werkzeugen im Product Management gehört. In der Arbeit mit Schweizer Fintech-Unternehmen und KI-Produktteams nutze ich es regelmässig, um eine Frage zu beantworten, die in fast jedem Roadmap-Meeting entsteht: Welches Feature bauen wir als nächstes?

Die intuitive Antwort lautet oft: das Feature mit dem grössten Nutzen für die meisten Nutzer. Das klingt vernünftig, greift aber zu kurz. Kano zeigt, warum.

Das Grundprinzip: Zufriedenheit ist nicht linear

Das Kano-Modell unterscheidet drei Hauptkategorien von Anforderungen und Produkteigenschaften, die sich in ihrer Wirkung auf Kundenzufriedenheit fundamental unterscheiden.

Must-be-Merkmale (auch Basisfaktoren genannt) sind Eigenschaften, deren Fehlen zu starker Unzufriedenheit führt, deren Vorhandensein aber keine zusätzliche Zufriedenheit erzeugt. Der Nutzer nimmt sie als selbstverständlich wahr. Ein Beispiel aus der Finanzwelt: Ein E-Banking-System muss eine Transaktionshistorie anzeigen. Wenn diese fehlt, ist der Nutzer zutiefst unzufrieden. Wenn sie vorhanden ist, denkt er nicht darüber nach.

Performance-Merkmale (Leistungsmerkmale) verhalten sich linear: Je mehr davon vorhanden ist, desto zufriedener ist der Nutzer, und je weniger, desto unzufriedener. Die Ladezeit einer Applikation ist ein klassisches Beispiel: Schneller ist immer besser, langsamer ist immer schlechter. Diese Merkmale eignen sich für direkte Benchmark-Vergleiche mit der Konkurrenz.

Attractive-Merkmale (Begeisterungsfaktoren) sind das Gegenstück zu Must-be: Ihr Fehlen erzeugt keine Unzufriedenheit, weil Nutzer sie nicht erwarten. Aber wenn sie vorhanden sind, lösen sie echte Begeisterung aus. Diese Merkmale sind der Schlüssel zur Differenzierung, weil kein Wettbewerber sie per Definition bereits bietet.

Warum das für KI-Produkte besonders relevant ist

KI-Produkte stellen Product Manager vor eine besondere Herausforderung: Das Spektrum möglicher Features ist riesig, Nutzer sind oft unsicher, was sie erwarten können, und regulatorische Anforderungen schaffen eine Kategorie von Pflichtmerkmalen, die kein Nutzerfeedback erfordern.

In meiner Beratungspraxis habe ich 2024 mit einem Schweizer Fintech-Unternehmen, das ein KI-gestütztes Buchhaltungstool für KMU entwickelt, eine vollständige Kano-Analyse von 13 geplanten Features durchgeführt. Die Ergebnisse haben die Roadmap-Prioritäten grundlegend verändert.

13 Features, drei Kategorien: Das Schweizer Fallbeispiel

Das Unternehmen, das ich hier als FinFlow GmbH bezeichne, plante zum Zeitpunkt der Analyse eine Erweiterung des Produkts um 13 Features. Alle galten intern als "wichtig". Die Frage war, welche priorisiert werden sollten.

Für die Kano-Analyse wurden 38 bestehende und potenzielle Kunden zu jedem Feature in zwei Dimensionen befragt: Wie würden Sie sich fühlen, wenn dieses Feature vorhanden wäre? Wie würden Sie sich fühlen, wenn es fehlen würde? Die Antwortoptionen reichten von "Begeistert" über "Erwartet" und "Neutral" bis zu "Enttäuscht" und "Ich kann damit leben".

Die Auswertung ergab folgende Einordnung:

Must-be-Features (Basisfaktoren): Revisionssicheres Audit-Trail für alle automatisierten Buchungen. Exportfunktion nach Swiss GAAP-konformen Formaten. Manuelle Override-Möglichkeit für alle KI-Entscheidungen. MWST-Klassifikation mit Quellenangabe. Benutzerrechteverwaltung mit Rollen. Diese fünf Features waren in den Augen der befragten Kunden schlicht Voraussetzungen. Ihr Fehlen wäre ein Ko-Kriterium beim Kauf.

Performance-Features (Leistungsmerkmale): Verarbeitungsgeschwindigkeit bei der Belegimportierung. Trefferquote der automatischen Kategorisierung. Anzahl unterstützter Banken-Schnittstellen. Qualität der Fehlerhinweise bei problematischen Belegen. Diese vier Features beeinflussten die Zufriedenheit direkt proportional zu ihrer Leistung. Hier lohnt sich Investition, wenn man sich von der Konkurrenz abheben will.

Attractive-Features (Begeisterungsfaktoren): Fairness-Dashboard mit Erklärung, warum die KI eine bestimmte Buchung so klassifiziert hat. Anomalie-Erkennung mit prädiktiver Warnung ("Dieser Betrag weicht ungewöhnlich von Ihrem Muster ab"). Sprachgesteuertes Interface für Schnellbuchungen. Branchenvergleich: Wie verhalten sich Ihre Ausgabenmuster im Vergleich zu ähnlichen Unternehmen? Diese vier Features wurden von den Befragten nicht erwartet. Aber wer sie sah, reagierte mit echter Begeisterung.

Die Konsequenz für die Roadmap

Die Analyse veränderte die Priorisierung erheblich. Vor der Kano-Studie plante das Team, als nächstes das Sprachinterface und den Branchenvergleich zu bauen, weil diese Features intern als "innovativ" galten und im Marketing gut klingen würden. Nach der Analyse war klar: Das Audit-Trail und die manuelle Override-Funktion waren noch nicht vollständig implementiert. Kunden, die das entdeckten, sprangen ab.

Die Lektion: Attractive-Features bringen keinen Nutzen, wenn Must-be-Features fehlen. Eine Applikation, die begeistert aber nicht die regulatorischen Grundanforderungen erfüllt, verliert Kunden in dem Moment, in dem sie ernsthaft eingesetzt wird.

Die revidierte Roadmap lautete: Erstens alle Must-be-Features vollständig und zuverlässig implementieren. Zweitens Performance-Features auf Marktstandard bringen, insbesondere die Kategorisierungsgenauigkeit. Drittens gezielt ein bis zwei Attractive-Features einführen, die eine echte Differenzierung schaffen.

Der Verfall von Features über die Zeit

Ein weiterer wichtiger Aspekt des Kano-Modells, der in der Praxis oft vergessen wird: Features wandern. Was heute ein Attractive-Merkmal ist, wird morgen zum Must-be.

Anfang der 2010er-Jahre war Mobile-Banking eine Begeisterungseigenschaft. Mitte der 2010er-Jahre ein Leistungsmerkmal. Heute ist es ein Must-be: Eine Bank ohne Mobile App verliert Kunden.

Für KI-Features bedeutet das: Die Erklärbarkeit von KI-Entscheidungen (Explainable AI) ist heute noch in vielen Anwendungen ein Attractive-Merkmal. Mit zunehmender regulatorischer Anforderung, insbesondere durch den europäischen AI Act, der auch für Schweizer Unternehmen mit EU-Marktbezug relevant ist, wird Erklärbarkeit innerhalb von zwei bis drei Jahren zum Must-be.

Product Teams, die diesen Wandel antizipieren, investieren heute in Erklärbarkeit, bevor der Regulierer sie dazu zwingt. Das spart Kosten, weil nachträgliche Implementierungen teurer sind als vorausschauende Architekturentscheidungen.

Kano in der Praxis: So führen Sie die Analyse durch

Für ein eigenes Kano-Projekt mit einem Schweizer KI-Produkt empfehle ich folgenden Ablauf. Erstellen Sie eine Liste von 8 bis 15 konkreten Features oder Anforderungen. Formulieren Sie für jedes Feature zwei Fragen (funktionale und dysfunktionale Form). Befragen Sie 20 bis 40 repräsentative Nutzer oder potenzielle Kunden. Werten Sie die Ergebnisse nach der Kano-Auswertungstabelle aus. Und entscheiden Sie dann: Welche Must-be-Features fehlen noch? Welche Performance-Features sind unter Benchmark? Welches eine Attractive-Feature investieren wir als Nächstes?

Das Kano-Modell ist kein Allheilmittel. Es beantwortet nicht, wie Features implementiert werden sollen, und es misst keine Zahlungsbereitschaft. Aber es beantwortet eine Frage, die im Tagesgeschäft von KI-Produktteams zu selten gestellt wird: Verstehen wir wirklich, welche unserer Features Nutzer erwarten, welche sie begeistern, und welche für sie schlicht irrelevant sind?

In einem Markt, in dem die meisten KI-Tools noch dabei sind, grundlegende Zuverlässigkeit aufzubauen, ist die Antwort auf diese Frage oft der Unterschied zwischen einem Produkt, das Kunden behält, und einem, das sie verliert.

Quellen und weiterführende Literatur

• Noriaki Kano et al.: Attractive Quality and Must-be Quality (1984) — Originalpublikation des Kano-Modells zur Kundenzufriedenheit
• IFZ FinTech Study — ZHAW — Jährliche Studie zum Schweizer Fintech-Ökosystem
• EU AI Act — Europäische Kommission — Regulierungsrahmen mit Auswirkungen auf Schweizer Unternehmen mit EU-Marktbezug
• Swiss Fintech Report (SIX Group) — Marktdaten zum Schweizer Fintech-Sektor
• FINMA — Technologierisiken und Innovation — Regulatorische Anforderungen an KI-gestützte Finanzprodukte

---

Haftungsausschluss: Dieser Artikel dient ausschliesslich zu Informationszwecken und stellt keine Finanzberatung dar. Produktnamen und Unternehmen dienen als Beispiele und sind keine Empfehlung. Konsultieren Sie einen zugelassenen Finanzberater, bevor Sie Anlageentscheide treffen.