KI-Entwicklung

Product Discovery und Prototyping mit KI

KI macht aus Product Discovery eine Phase funktionierender Prototypen statt einer Phase aus Dokumenten und Mockups: Was früher Wochen an Design und Entwicklung kostete, lässt sich heute innerhalb weniger Tage mit echten Nutzern testen. Die Disziplin bleibt aber dieselbe: die riskantesten Annahmen identifizieren, sie mit dem günstigsten möglichen Prototyp testen und auf Basis von Belegen entscheiden, nicht aus Begeisterung.

neooutput Redaktion 4 Min. Lesezeit Read in English

Wofür Product Discovery da ist

Product Discovery beantwortet eine Frage, bevor Sie ernsthaft investieren: Lohnt es sich, das zu bauen, und in welcher Form?

Sie adressiert vier klassische Risiken: Wert (wollen Nutzer es?), Bedienbarkeit (können sie es nutzen?), Machbarkeit (lässt es sich mit vertretbarem Aufwand und in ausreichender Qualität bauen?) und Tragfähigkeit (funktioniert es für das Unternehmen, rechtlich und wirtschaftlich?). KI-gestütztes Prototyping macht alle vier günstiger testbar, besonders die Machbarkeit, für die früher echte Engineering-Zeit nötig war.

Wie KI jeden Discovery-Schritt beschleunigt

KI beschleunigt die Auswertung von Research, die Ideenfindung und vor allem das Prototyping.

  • Research: Interviewtranskripte zusammenfassen, Feedback und Support-Tickets clustern und wiederkehrende Probleme herausarbeiten. Die Interviews führen weiterhin Menschen.
  • Ideenfindung: Varianten von Abläufen, Namen und Botschaften erzeugen, auf die man reagieren kann.
  • Klickbare Prototypen: App-Builder wie Lovable, v0 oder Bolt.new erzeugen aus einer Beschreibung in Minuten interaktive Oberflächen.
  • Funktionierende Prototypen: Ein AI Code Engineer mit Claude Code oder Codex bindet echte Daten oder eine echte API an, um zu testen, ob eine KI-Funktion die nötige Qualität liefert.
  • Analyse: Usability-Sessions zusammenfassen und Ergebnisse von Varianten vergleichen.

Die passende Detailtiefe für die Frage wählen

Bauen Sie den am wenigsten realistischen Prototyp, der die Frage noch beantwortet, denn mehr Detailtiefe kostet Zeit und macht es schwerer, ihn wieder zu verwerfen.

Wollen Sie wissen, ob Nutzer einen Ablauf verstehen, reicht ein klickbarer Prototyp mit Beispieldaten. Wollen Sie wissen, ob ein LLM die richtigen Felder aus Ihren tatsächlichen Rechnungen extrahieren kann, brauchen Sie einen technischen Spike mit echten Dokumenten, keine polierte Oberfläche. Wollen Sie wissen, ob Menschen zahlen würden, ist eine Landingpage mit Anmeldung oder ein manuell erbrachter Service womöglich der beste Prototyp überhaupt.

Gerade bei KI-Funktionen sollten Sie den technischen Spike vor der Investition ins Design durchführen. Viele vielversprechende Ideen scheitern nicht am Nutzerinteresse, sondern an der Qualität: Das Modell kommt mit der echten Vielfalt an Dokumenten, Sprachen oder Sonderfällen nicht zuverlässig zurecht. Das früh an fünfzig echten Beispielen zu messen, spart Wochen polierter Arbeit an etwas, das nie live gehen kann.

Ein Discovery-Sprint über ein bis zwei Wochen

Ein fokussierter Discovery-Sprint liefert oft innerhalb von ein bis zwei Wochen eine klare Entscheidung.

  1. Tag 1: Ziel und Zielgruppe abstimmen und Annahmen nach Risiko sortiert auflisten.
  2. Tage 2–3: Interviews oder Auswertung vorhandenen Feedbacks, Problem schärfen.
  3. Tage 3–5: Prototypen für die zwei oder drei riskantesten Annahmen bauen, einschließlich technischer Spikes für KI-Funktionen.
  4. Tage 6–8: Mit fünf bis acht echten Nutzern pro Prototyp testen und technische Evaluierungen durchführen.
  5. Tage 9–10: Ergebnisse zusammenführen und entscheiden: bauen, Richtung ändern oder stoppen. Bei bauen einen abgegrenzten Backlog für das MVP erstellen.

Die Prototyp-Falle vermeiden

Das größte Risiko beim KI-Prototyping ist, einen überzeugenden Prototyp mit einem fertigen Produkt zu verwechseln.

Weil Prototypen echt aussehen, drängen Stakeholder womöglich darauf, sie direkt live zu stellen. So landen viele vibe-gecodete Apps ohne Sicherheit, Tests oder wartbare Struktur in der Produktion. Legen Sie vorab fest, dass Discovery-Prototypen Wegwerfware sind, oder planen Sie, falls Sie einen behalten wollen, ausdrücklich Härtungsarbeit ein, bevor echte Nutzer und echte Daten damit in Berührung kommen. Eine weitere Falle ist, nur mit Kollegen zu testen: Freundliches internes Feedback ersetzt keine Zielnutzer.

Setzen Sie für jeden Prototyp eine Timebox und halten Sie sie ein. KI macht es leicht, einem Prototyp immer noch ein Feature hinzuzufügen, bis daraus ein halbfertiges Produkt wird. Es geht in der Discovery um Erkenntnisse pro Tag, nicht um Features pro Tag.

Was Sie am Ende in der Hand haben sollten

Eine gute Discovery-Phase endet mit Belegen und einer Entscheidung, nicht nur mit einem Prototyp.

Erwarten Sie eine dokumentierte Liste bestätigter und widerlegter Annahmen, Nutzerfeedback mit Zitaten, Ergebnisse technischer Spikes einschließlich der an echten Daten gemessenen KI-Qualität, eine Empfehlung und gegebenenfalls einen priorisierten MVP-Umfang mit Architekturvorschlag. neooutput führt Discovery-Sprints mit AI Code Engineers und AI Solutions Architects durch, und die Ergebnisse können Sie mit jedem Team weiterverwenden.

Häufige Fragen

Können wir die Discovery überspringen und direkt ein MVP bauen?

Wenn Problem und Lösung bereits gut validiert sind, ja. Andernfalls ist eine kurze Discovery meist günstiger, als das falsche MVP zu bauen, selbst mit schneller KI-gestützter Entwicklung.

Welche Tools eignen sich am besten für KI-Prototyping?

Für UI-Abläufe funktionieren App-Builder wie Lovable, v0 oder Bolt.new gut. Für die Machbarkeit von KI-Funktionen und Integrationen liefert ein Engineer, der mit agentischen Tools auf echten Daten arbeitet, verlässlichere Antworten.

Wie viele Nutzer brauchen wir für Tests?

Bei Fragen der Bedienbarkeit decken fünf bis acht Teilnehmende pro Zielgruppe typischerweise die wichtigsten Probleme auf. Für Fragen der Nachfrage brauchen Sie mehr Signale, etwa Anmeldungen oder verbindliche Vorab-Zusagen.

Alle Insights