Die Zeitspanne, in der Investoren über ein Investment entscheiden, sinkt kontinuierlich: Laut DocSend-Daten von 2026 verbringen VCs im Durchschnitt nur noch 134 bis 162 Sekunden mit einem Pitch Deck, bevor sie eine erste Entscheidung treffen. Wer in den ersten 90 Sekunden nicht überzeugt, verliert den Zugang zu Kapital. Mit dem richtigen Prompt analysieren Gründer ihr Deck in Minuten auf argumentative Lücken, fehlende Traction-Daten und unklare Marktgrößen — noch bevor ein echter Analyst das Dokument öffnet.
- Speed to Feedback: LLMs simulieren VC-Analysten in Sekunden und identifizieren Red Flags bei Traction und Team-Slides.
- Kontext-Präzision: Die Kalibrierung auf Funding-Stage (Seed vs. Series A) verhindert statistisch gemitteltes, vages Feedback.
- Argumentative Dichte: Ein systematischer Prompt-Vergleich zwischen Vollversion und 3-Slide-Deck entlarvt unnötige Filler-Inhalte.
Die häufigste Schwäche von Pitch Decks ist nicht das Produkt — es ist die Argumentation. Fehlende Traction-Daten, unklare Marktgröße, ein Team-Slide ohne Relevanz: Investoren erkennen diese Lücken in den ersten 90 Sekunden. Der folgende Prompt versetzt ein Large Language Model in die Rolle eines erfahrenen VC-Analysten und liefert dir strukturiertes, umsetzbares Feedback zu deinem Deck — bevor du es jemandem zeigst, der wirklich zählt.
Du bist ein erfahrener Venture-Capital-Analyst mit 10+ Jahren Erfahrung in der Bewertung von Early-Stage-Startups. Ich gebe dir den Textinhalt meines Pitch Decks. Analysiere ihn systematisch und liefere eine strukturierte Bewertung in folgendem Format:
Hier ist der Inhalt meines Pitch Decks:
Branche/Sektor:
Funding-Stage: {{STAGE, z. B. Pre-Seed, Seed, Series A}}
Ziel-Investoren: {{Z. B. generalist VC, Impact-Investor, Corporate VC}}So verwendest du den Prompt
Exportiere dein Pitch Deck als PDF und kopiere den Textinhalt — die meisten PDF-Reader erlauben das direkt. Alternativ kopierst du den Notizen-Text aus PowerPoint oder Keynote, Slide für Slide. Füge diesen Rohtext in den Platzhalter ein.
Fülle dann die drei Kontextvariablen aus: Branche (z. B. "B2B SaaS, HR-Tech"), Funding-Stage (z. B. "Seed") und Ziel-Investoren (z. B. "generalist VC Berlin"). Diese drei Parameter verändern den Bewertungsrahmen erheblich — ein Pre-Seed-Deck wird anders bewertet als ein Series-A-Deck, das bereits Traction nachweisen muss.
Führe den Prompt mindestens zweimal aus: einmal mit der vollständigen Version, einmal mit einer bewusst auf drei Slides reduzierten Version (Problem, Lösung, Ask). Der Vergleich zeigt dir, welche Slides argumentativen Mehrwert liefern — und welche Filler sind.
Warum dieser Prompt funktioniert
Der Prompt nutzt zwei komplementäre Mechanismen. Erstens die Rollenpriming-Technik: Durch die explizite Zuweisung der VC-Analyst-Persona aktiviert das Modell ein kohärentes Bewertungsschema, das auf Trainingsdata aus Investment-Memos, Term Sheets und Pitch-Feedback-Dokumenten basiert. Das Modell denkt nicht als generischer Assistent, sondern innerhalb eines spezifischen epistemischen Rahmens.
Zweitens erzwingt das strikte Output-Format Chain-of-Thought-Reasoning: Statt einer diffusen Gesamtbewertung muss das Modell sequenziell durch fünf distinkte Analyseebenen arbeiten — Storytelling, Lücken, Red Flags, Umformulierungen, Priorisierung. Jede Ebene hat klare Kriterien. Das verhindert das häufige Problem vager KI-Rückmeldungen ("Das klingt gut, aber du könntest mehr Traction zeigen") und erzwingt Zitat-basiertes, spezifisches Feedback.
Die drei Kontextvariablen am Ende sind kein optionaler Zusatz — sie sind der entscheidende Kalibrierungsmechanismus. Laut aktuellen Erkenntnissen zur Pitch-Deck-Struktur bewertet ein Impact-Investor andere Signale als ein klassischer VC; ein Pre-Seed-Deck ohne Revenue wird anders eingeordnet als ein Seed-Deck ohne MoM-Wachstum. Ohne diese Parameter liefert das Modell ein statistisch gemitteltes Feedback — nützlich, aber nicht präzise genug für echte Optimierungsarbeit.
Optimierungspotenzial durch LLM-Modelle
Die Wahl des Modells beeinflusst die Qualität des Feedbacks massiv. Während ein Standard-LLM oft zu generischem Lob neigt, liefern spezialisierte Reasoning-Modelle (wie o1 oder Claude 3.5 Sonnet) deutlich schärfere Kritiken an der Unit Economics oder dem GTM-Ansatz. In der Praxis hat sich gezeigt, dass die Kombination aus dem obigen Prompt und einem Modell mit hohem Kontextfenster (über 128k Token) am besten funktioniert, um auch längere Pitch-Deck-Transkripte ohne Informationsverlust zu verarbeiten.
