Fallstudien aus echten Projekten mit echten Resultaten – von Product Management bis AI Prototyping

Herausforderung

Unklares Zielbild und starkes Misalignment zwischen zwei Großunternehmen sowie verschiedenen Stakeholder-Ebenen bezüglich der neuen Plattform-Strategie.

Lösung

• Entwicklung von Proto-Personas & Journeys via Claude Code & Miro MCP.
• Erarbeitung einer visuellen Experience Vision als verlässlicher Nordstern.
• Operationalisierung via Domain-Driven Design (DDD) & EventStorming Workshop (Vor- und Nachbereitung mittels eigenem KI-DDD-Agent).

Herausforderung

Zeitkritischer Kick-off für Pilotkunden bei gleichzeitig stark ausgelastetem Entwicklungs- und Design-Team.

Lösung

• Automatisierte Konkurrenzanalyse mittels KI-Agenten zur Schärfung des Lean Business Canvas.
• Redesign der Chat-Oberfläche (AX) unter Anwendung von Guardrail-Design-Prinzipien und nativer RAG-Integration im Design.
• Erstellung umsetzbarer UI-Briefings und Spezifikationen für die Entwickler.

Herausforderung

Eine abstrakte Automations-Vision im öffentlichen Sektor musste einem skeptischen Kundenarbeitskreis verständlich und bewertbar präsentiert werden.

Lösung

• KI-gestützte Aufbereitung der McKinsey SCR-Storytelling-Methodik (Situation, Complication, Resolution).
• Erstellung maßgeschneiderter Infografiken via Prompt-Engineering (Nano Banana) & Mentimeter-Echtzeit-Validierung im Termin.
• Parallele Prototyp-Entwicklung als greifbare Experience Vision.

Herausforderung

Dem initialen Design System fehlte eine echte Dokumentation, strukturierte Tokens sowie eine klare Versionierung.

Lösung

• Vollständige Dokumentation & Semantic Versioning
• System-Architektur via Amazon Style Dictionary
• Custom Cloud Tool (Figma API) zur Live-Synchronisation

Herausforderung

Der bisherige Prozess der Haushaltsplanung in deutschen Kommunen beruhte auf vielen Excel-Workarounds und war weder nutzerfreundlich noch intuitiv.

Lösung

• Tiefgehendes User Research
• Redesign & Prototyping mit kontinuierlicher Evaluation
• Empirische Nachmessung mittels UEQ

Herausforderung

Designer:innen exportieren Figma-Frames manuell als Bilder und laden sie überall dort neu hoch, wo sie verwendet werden — Docs, Wikis, Websites. Bei jeder Design-Änderung von Hand wiederholt, leicht vergessen, kostet über ein Team hinweg echte Zeit. Figmas eigenes iFrame-Embed löst das nicht: langsam, performance-lastig auf der einbettenden Seite, und ab 50 gleichzeitigen Betrachtern blockiert Figma sogar die Editoren am Bearbeiten der Datei.

Lösung

• Magic-Link-Mechanismus: eine Cloud Function liest bei jedem Aufruf den aktuellen Figma-Bild-Link aus Firestore und leitet per 302-Redirect weiter — die Embed-URL bleibt stabil, das Bild aktualisiert sich automatisch im Hintergrund.
• Eigenes Retry-/Backoff-Handling für Figma-API-Rate-Limits (HTTP 429) über Cloud Pub/Sub, inklusive Verwerfen zu alter Events, um Endlosschleifen zu vermeiden.
• Streaming-JSON-Parser für die Figma-Files-API, damit auch große Figma-Dateien ohne Timeout verarbeitet werden.
• Subscription-Modell serverseitig über Firestore-Security-Rules und Custom Claims erzwungen statt nur im Frontend geprüft.

Herausforderung

Amateur- und Breitensportvereine planen ihre Saison bis heute über Tabellenkalkulationen: eine treibende Person — oft unterstützt von Helfern wie Eltern — verbringt 10 bis 40 Stunden pro Saison damit, 10 bis 15 Regeln im Kopf zu behalten und Spielpläne von Hand gegen Hallenbelegung, Trainer-Doppelbelegungen und Liga-Priorität zu prüfen, denn dieses Regelwissen lässt sich auch mit Unterstützung nur schwer vermitteln. Es gibt kein zweites Augenpaar, das Fehler vor der Veröffentlichung abfängt, und selbst ein konfliktfreier Plan ist damit noch nicht am Ziel: er muss anschließend manuell auf der Vereinswebsite veröffentlicht und in Verwaltungs-Apps wie Spielerplus gepflegt werden.

Lösung

• Befindet sich aktuell in der Konzeptions- und Entwicklungsphase — Details folgen nach Fertigstellung.