Rapid AI Prototyping für Analytics-App im Walzwerk

Viele Stakeholder, hoher Qualitätsdruck, wenig Zeit für Fehlentscheidungen 

Wenn Qualitäts- und Produktionsverantwortliche im Walzwerk Entscheidungen treffen, müssen Daten schnell verständlich, belastbar und handlungsnah sein. Gleichzeitig sind Anforderungen an Analytics-Oberflächen oft schwer am Whiteboard zu klären: Unterschiedliche Rollen wie Produktion, Qualität, Werksleitung/Management haben unterschiedliche Fragen – und jede falsche Annahme in Konzeption und Entwicklung wird später teuer. 

KOCKS Measure + Inspect wollte für 4D EAGLE S (Präzise Profilvermessung und Oberflächeninspektion für Langprodukte wie Stabstahl, Draht und Profile – direkt im Walzwerk) eine Analytics-App als Grundlage für bessere Entscheidungen im Tagesgeschäft gestalten. Ziel war es, die Produktvision schnell mit echten Anwendern zu validieren – bevor Budget und Umsetzung festgezurrt werden. 

Analytics-Use-Cases greifbar machen – ohne monatelange Vorarbeit 

Klassische Vorgehensmodelle liefern oft erst spät etwas, das Nutzer:innen wirklich testen können.  

• Missverständnisse in Use Cases bleiben lange unentdeckt. 
• UI/UX-Entscheidungen werden ohne echte Nutzungskontexte getroffen. 
• Umsetzungsschätzungen basieren auf Annahmen statt validierten Anforderungen. 

Die zentrale Frage war daher: Wie kommen wir in kurzer Zeit zu einem klickbaren Prototypen, der realistisch genug ist, um belastbares Feedback zu liefern – und zugleich als Sprungbrett in die Produktumsetzung taugt? 

Rapid AI Prototyping mit AMI  

Gemeinsam mit KOCKS Measure + Inspect hat Accso Rapid AI Prototyping eingesetzt: ein Vorgehen, das in wenigen Wochen zu einem klickbaren Prototyp führt – 10 bis 15-mal schneller als klassische Konzeption & Entwicklung – und dabei früh echtes Nutzerfeedback ermöglicht. 

Im Kern arbeitet Accso dabei mit zwei kooperierenden KI-Assistenten: 

• AMI Think: Analyse, Strukturierung, Spezifikation und Prompt-Architektur. 
• AMI Make: Umsetzung von UI, Code, Datenmodell, Schema, ETL/SQL – basierend auf der Spezifikation. 

Wichtig: Der Mensch orchestriert – die KI liefert. Unser Team führt, moderiert, priorisiert und validiert. Die KI beschleunigt, erzeugt Varianten und macht Ergebnisse schnell testbar. 

Vorgehen in 6 Schritten 

Das Projekt folgte einem klaren Workflow von der Domänenanalyse bis zum validierten Prototypen: 

1. Briefing & Domänenanalyse 
2. Spezifikation & Prompt-Architektur 
3. Prototyp-Generierung 
4. Stakeholder Review & Iterationen 
5. Validierung mit echten Usern 
6. Validierter Prototyp 

Personas & Use Cases als Startpunkt 

Statt „Feature-Sammeln“ stand der Blick auf echte Rollen im Vordergrund: Produktionsleitung, Qualität sowie Werksleitung/Management. Aus Interviews wurden die wichtigsten Bedürfnisse und Fragen herausgearbeitet, per KI-Analyse strukturiert, abgestimmt – und anschließend direkt in einen Prototyp übersetzt. 

Für die 4D EAGLE S Analytics wurden vier zentrale Analytics-Use-Cases fokussiert: 

UC‑01 Produktions‑Dashboard (Produktionsleitung): Liefert in Echtzeit einen belastbaren Schicht-/Tagesüberblick (Tonnen, Qualitätsampel, Anomalien, Trends), um Produktion und Schichtübergabe sicher zu steuern. 

UC‑02 Chargen-/Order‑Überblick (Qualität): Ermöglicht die schnelle Bewertung und Freigabe von Orders/Chargen mit Drill‑down auf kritische Knüppel und Oberflächenfehler, um Ursachen zielgerichtet einzugrenzen. 

UC‑03 Fehler‑Korrelationsanalyse (Qualität): Zeigt Zusammenhänge zwischen Fehlerklassen (z. B. periodische Fehler, Schiefer, Schale, Zunder) und Prozess-/Produktparametern, um Muster zu erkennen und Gegenmaßnahmen abzuleiten. 

UC‑04 Archiv‑Detailansicht (Qualität & Werksleitung/Management): Macht historische Fälle (Order, Knüppel, Fehlerverlauf) transparent und vergleichbar, um Reklamationen, Trendanalysen und nachhaltige Verbesserungsentscheidungen faktenbasiert zu unterstützen. 

UC‑05 Threshold Configuration Panel (Produktion & Qualität): Schwellwerte anpassen und per Was‑wäre‑wenn-Simulation/Prognose sehen, wie sich das auf Alarmraten, kritische Knüppel und potenziell verhinderte Fehler bzw. die Produktionsstabilität auswirkt. 

Ein klickbarer Prototyp als echte Entscheidungsgrundlage  

Nach wenigen Wochen stand ein klickbarer Prototyp, der gezielt auf die priorisierten Use Cases einzahlt und sich mit echten Anwendern testen lässt. 

Zwei Punkte waren dabei entscheidend: 

• Frühe Validierung: Nutzerfeedback kann vor Budgetfreigabe eingeholt werden – „Win Fast, Win Safe, Win Smart“. 
• Produktionsnähe: Der erzeugte Frontend-Code ist produktionsnah und kann übernommen oder in eine Zielarchitektur portiert werden. Der Prototyp ist damit kein Wegwerfprodukt, sondern ein Accelerator in Richtung Umsetzung. 

Projektmetriken  

• 35 Chat-Sessions, 264 User-Turns  
• 48 Stunden effektive Human-Arbeitszeit (Human-in-the-Loop)  
• ~190 Stunden KI-Arbeitszeit-Äquivalent (konservativ, Faktor 23×)  
• 10–15× Beschleunigung gegenüber klassischem Vorgehen  
• 12.758 Zeilen Code, 100% KI-generiert (plus SQL-Dateien, Memory-Artefakte, Meeting-Transkripte) 

Vom Prototyp zum Produkt – mit Plan statt Annahmen 

Der entstandene Prototyp wurde im Anschluss von Anwender:innen im Tagesgeschäft getestet und entsprechend deren Feedback weiter optimiert.  
Im nächsten Schritt kann der Prototyp nun via MCP Protocol in Produktion genommen werden.  

Rapid AI Prototyping jetzt mit Accso starten

Accso verbindet Domänenverständnis, Product Thinking und Engineering. Mit unserem AI-Native-Ansatz nutzen wir KI beim schnellen Übersetzen von Rohinput in Spezifikation, UI und produktionsnahe Artefakte. So werden Entscheidungen früher möglich, Risiken kleiner und Roadmaps belastbarer. 

Sie wollen eine App, ein Produkt oder ein Feature schnell und risikominimiert in Richtung Umsetzung bringen? Gemeinsam bauen wir in kurzer Zeit einen klickbaren Prototyp und validieren ihn mit echten Nutzer:innen – bevor Sie Budget und Umsetzung final festlegen.