Von Kundenerkenntnissen zum testbaren MVP in Tagen statt Monaten
    Zurück zu den Fallstudien
    MVP

    Von Kundenerkenntnissen zum testbaren MVP in Tagen statt Monaten

    Ein Wiener B2B-Deep-Tech-Startup aus dem Bereich Industriesoftware beauftragte Kasia Sadowska, die schnelle Entwicklung und Validierung eines separaten Simulationsdemonstrators zu unterstützen. Durch KI-gestütztes Prototyping, strukturierte Nutzerinterviews und iteratives Testen wurde innerhalb von sechs Wochen konzentrierter Teilzeitarbeit (in einem Zeitfenster von drei Monaten) ein testbarer MVP erstellt. Der Demonstrator half dem Team, Nutzerbedürfnisse und Produktannahmen zu bewerten, bevor entschieden wurde, wie ausgewählte Konzepte in die langfristige Produkt-Roadmap integriert werden könnten.

    Es handelte sich hierbei um einen separaten MVP für Forschung und Demonstration, der zur Validierung von Ideen und Annahmen entwickelt wurde. Er war nicht die Kernplattform, die Produktionsarchitektur oder die Unternehmenssoftware des Kunden.

    Das Projekt folgte dem FutureHabits-Ansatz: früh ausliefern, Annahmen mit strukturierten Interviews validieren und jede Iteration als Chance nutzen, sowohl das Produkt als auch die Arbeitsweise des Teams mit KI-Tools zu verfeinern.

    Interview, Entwicklung, Präsentation, Wiederholung

    Es gab keine vorgelagerte Discovery-Phase. Das Projekt lief ab der ersten Woche auf Basis von 'Continuous Discovery', wobei Discovery und Entwicklung parallel stattfanden: Interview, Entwicklung, Präsentation und dann wieder ein Interview. Innerhalb dieser Schleife wurden informelle Produkt-'Vibes' zu präzisen Prompts, Randbedingungen und Erfolgskriterien. Stakeholder-Ziele wie Geschwindigkeit, Kostensenkung und Wartbarkeit wurden in strukturierte Prompts und technische Akzeptanzkriterien umgewandelt.

    Der Tool-Stack wurde ergebnisorientiert und nicht nach Neuheitswert ausgewählt: KI-gestützte Recherche, KI-gestütztes Prototyping und Coding-Tools, ein schlankes Tool für die Arbeitsplanung und Produktanalysen zur Beobachtung der realen Nutzung.

    Prototyp-Interviews bildeten den Ankerpunkt jedes Zyklus. Fachexperten und Stakeholder prüften frühe Szenarien, hinterfragten Annahmen zu Geschwindigkeit, Benutzerfreundlichkeit und Kosteneinsparungen. Jede Sitzung endete mit konkreten Änderungen an Prompts, der Demonstrator-Logik oder dem UI-Ablauf.

    Ein Grundgerüst in Tagen, Tiefe in Wochen

    KI-gestützte Prototyping-Tools erstellten innerhalb von Tagen eine funktionierende Benutzeroberfläche für den Demonstrator: Die wichtigsten Ein- und Ausgaben waren verknüpft, ausreichend für erste Szenarien und Demos. Anschließend sorgten KI-gestützte Programmier- und Optimierungstools für mehr Tiefe. Sie verbesserten die Berechnungsgenauigkeit, die Behandlung von Grenzfällen und die Leistung und führten Mini-Audits zur Sicherheit und Optimierung kritischer Funktionen durch.

    Kurze Optimierungszyklen speisten Testergebnisse, Interview-Feedback und Analyse-Erkenntnisse direkt zurück in die Berechnungslogik und das UI-Layout. Diese Taktung komprimierte monatelange Entwicklungsarbeit auf wenige Wochen.

    Nutzer beobachten statt raten

    Die Arbeit wurde in klare, nachverfolgbare Pakete unterteilt: Demonstrator-Logik, Angleichung des Datenmodells, Sicherheitsprüfungen und UX-Verfeinerung.

    Produktanalysen zeichneten auf, wie sich die Nutzer tatsächlich durch den Demonstrator bewegten. Die Daten deckten verwirrende Abläufe und Sackgassen auf, zeigten, welche Eingaben und Ansichten die Nutzer am häufigsten verwendeten, und leiteten die Vereinfachung an, bis sich der Demonstrator intuitiv und nicht nur für Experten anfühlte. In Kombination mit den laufenden Interviews entstand so eine enge Schleife zwischen beobachtetem Verhalten und qualitativem Feedback.

    Wochen statt Quartale

    Das Projekt endete nicht mit einer Demo. Es wurde mit leicht verständlichen Leitlinien und einer klaren Roadmap übergeben, wie ausgewählte Konzepte in die langfristige Produkt-Roadmap integriert werden können. So kann das interne Team die Arbeit eigenständig fortführen.

    Der Wissenstransfer an das Team war ebenso wichtig wie die Übergabedokumente. Ziel war nicht nur ein reibungsloser Übergang, sondern auch, dem Team die Methodik und die Werkzeuge an die Hand zu geben, um das Produkt selbstständig weiter zu verbessern und Annahmen auch lange nach Abschluss des Projekts eigenständig zu validieren.

    "Die Zusammenarbeit mit Kasia war eine Freude. Sie war durchweg zuverlässig, gründlich, proaktiv und sehr selbstständig. Gleichzeitig dachte sie vorausschauend mit, brachte wertvolle Ideen ein, lieferte einen starken Prototyp und kommunizierte professionell und respektvoll mit den Kunden. Wir würden uns sehr freuen, wieder mit Kasia zusammenzuarbeiten und können sie ohne zu zögern weiterempfehlen."

    Gründer, Wiener B2B-Deep-Tech-Startup, Industriesoftware

    KI ist nicht nur ein Satz von Werkzeugen. Es ist eine Arbeitsweise, die zur Gewohnheit werden muss. Dieses Projekt wurde in Wochen statt in Quartalen ausgeliefert, validierte mehr Annahmen mit weniger Meetings und behandelte jedes Deployment als eine weitere Gelegenheit, Prompts, Modelle und die UX zu verfeinern - anstatt als einmaligen Meilenstein.

    Wenn Sie sehen möchten, was sechs konzentrierte Wochen für Ihr Produkt bewirken können, lassen Sie uns sprechen.

    Nützliches UI ist kuratiert, nicht standardmäßig generiert

    Bei der industriellen Simulationsplanung zählt Geschwindigkeit nur, wenn Planer das Ergebnis verstehen. KI war ein Umsetzungspartner, keine Designinstanz. Bei jeder Prüfung stand die Frage im Raum, ob die Oberfläche einem Fachexperten bei einer Entscheidung half oder nur wie ein poliertes Dashboard aussah.

    • Eine Hauptaufgabe pro Ansicht: Die nächste Planungsaktion bleibt eindeutig, statt mit generierten Widgets zu konkurrieren.
    • Fachsprache vor generischem Text: Beschriftungen beschreiben Eingaben, Szenarien und Ergebnisse in den Worten der Experten.
    • Sichtbarer Systemstatus: Nutzer erkennen, welches Szenario sie sehen, was sich geändert hat und ob ein Ergebnis bereit ist.
    • Durchdachte Hierarchie: Typografie, Abstände und Farbe betonen die Entscheidung, nicht jedes Element gleichzeitig.

    Dieselbe Prüfmethode dokumentiert der Guide gegen AI-Slop-UI in Lovable. Sie ist ein wiederholbarer Schritt zwischen der ersten generierten Version und einem Produkt, das man Nutzern zeigen kann.

    Sicherheit gehört zum MVP-Gespräch

    Dieser Demonstrator war von der Produktionsplattform des Unternehmens getrennt. Trotzdem machte die Übergabe die Datengrenzen für eine mögliche spätere Produktionsnutzung deutlich. Bevor echte Kundendaten angebunden oder Zugriffe über die Testgruppe hinaus geöffnet werden, sollte ein ähnliches MVP diese Prüfungen bestehen:

    • Private API-Schlüssel bleiben in serverseitigen Funktionen und niemals im Browsercode oder in Prompts.
    • Festlegen, wer die Zeilen jeder Organisation lesen und ändern darf, und diese Regeln mit einem nicht berechtigten Konto testen.
    • Eingaben validieren und KI-Ausgaben als nicht vertrauenswürdige Inhalte behandeln, nicht als ausführbare Anweisungen.
    • Synthetische oder freigegebene Testdaten verwenden, bis der Dateneigentümer die Produktionskonfiguration genehmigt hat.
    • Exporte und Protokolle auf vertrauliche Werte prüfen, nicht nur die Hauptbildschirme der Anwendung.

    Der Guide Protect your data erläutert diese Grenzen im Detail. Ein schneller Prototyp ist nützlich, wenn er Annahmen testbar macht. Er sollte die Verantwortung für Daten nicht unklar lassen.

    Erst die Lernschleife, dann das Produkt

    Dieselbe Methode funktioniert als praktischer MVP-Workshop oder als durchgehende Produktbegleitung: Annahmen strukturieren, den kleinsten nützlichen Ablauf bauen, das UI mit Fachexperten prüfen und die Datenzugriffsregeln vor der Produktion kontrollieren. FutureHabits.Tech kann diesen Prozess mit Ihrem Team moderieren oder gemeinsam mit Ihnen umsetzen. Entdecken Sie MVP-Entwicklung oder buchen Sie ein Gespräch.