Casestudy · InfoNest
Aus 20 Dateien wird eine Lernseite. Ein Produkt, das Studierenden vor der Prüfung nicht mehr Information gibt, sondern eine Entscheidung: Was zuerst?
InfoNest war mein Abschlussprojekt im Product-Management-Bootcamp der neue fische. Zehn Wochen von der ersten Beobachtung bis zum getesteten Prototyp — Discovery, Priorisierung, Roadmap, Usability-Test, Metriken. Diese Seite zeigt nicht nur das Ergebnis, sondern die Entscheidungen dahinter. Einschließlich der, die ich korrigieren musste.
| Projekt | InfoNest — KI-gestützte Prüfungsvorbereitung |
| Kontext | Capstone, PM-Bootcamp neue fische / SPICED Akademie Berlin |
| Rolle | Product Manager — Discovery bis Roadmap, alleinverantwortlich |
| Zeitraum | März – Juni 2026 |
| Methoden | Survey (n = 13) · 2 Problem-Interviews · Usability-Test · MoSCoW · Story Points · Now/Next/Later · OKR / KPI |
| Artefakte | Figma-Prototyp (16 Screens, 4 Versionen) · 45 Confluence-Seiten · Jira-Backlog · Miro-Board |
| Stand | Getesteter Prototyp, nicht als Produkt umgesetzt |
Der Anlass war kein Marktbericht. Es war mein Neffe.
Ado studiert Tiermedizin. Eine Woche vor der Prüfung saß er vor 20 PDFs — Vorlesungsfolien, Altfragen, Zusammenfassungen anderer Semester, Karteikarten — und wusste nicht, wo er anfangen soll. Nicht, weil ihm Information fehlte. Weil er zu viel davon hatte.
Er hatte alles probiert. NotebookLM zerfaserte den Stoff weiter. ChatGPT kapitulierte vor der Menge. Was am Ende funktionierte, war eine Pipeline, die ich ihm mit Claude Code gebaut habe: PDFs rein, eine strukturierte HTML-Seite raus. Es funktionierte — und war für jeden unbenutzbar, der keine Kommandozeile bedient.
Das war die Produktfrage. Nicht: Kann KI Lernstoff zusammenfassen? Sondern: Lässt sich diese Pipeline so verpacken, dass ein Student sie in zwei Klicks bedient?
Er hatte 20 PDFs, eine Woche bis zur Prüfung und war komplett überfordert.
Ausgangsbeobachtung, 31.03.2026
Ca. 50 % des Lernaufwands geht für Informationsfilterung verloren statt fürs eigentliche Lernen.
Ado, Problem-Interview 23.04.2026
Under exam pressure, students struggle to make confident learning decisions when information is fragmented and unprioritized.
Was die Daten sagten — und was sie nicht sagten
13 Fragebögen, 21 Fragen, vier Themenblöcke. Dazu zwei Problem-Interviews mit Studierenden aus Psychologie und Tiermedizin. Eine kleine Stichprobe — und ich habe sie als das behandelt, was sie ist: ein Signal, keine Repräsentativität. Weil der Studierendenanteil niedrig war, habe ich die Ergebnisse zusätzlich in zwei Szenarien gewichtet.
Das Ergebnis war eindeutiger, als ich erwartet hatte — an einer Stelle aber anders, als ich gehofft hatte.
Größtes genanntes Risiko: „Fear of missing important content“. Nicht Datenschutz, nicht Preis — die Angst, dass die KI etwas Prüfungsrelevantes wegkürzt.
Studierende müssen nicht 100 % des Materials beherrschen, sondern etwa 80 %.
Er nutzt Claude bevorzugt, weil es zugibt, etwas nicht zu wissen. Die anderen Tools „suchen immer nach Zusammenhängen und geben auch dann Antworten, wenn diese nicht korrekt sind.“ Gewünschte Struktur: Konzept → Definition → Alltagsbeispiel. Umfang eines geisteswissenschaftlichen Fachs: 30–40 Modelle, rund 50 Konzepte.
Das Tool muss ausschließlich mit bereitgestelltem Material arbeiten, ohne zusätzliche Interpretation.
Sein Problem mit bestehenden KIs: Halluzinationen und Informationen aus unzuverlässigen Quellen. Sein Ziel: „Umwandlung des eigenen Materials in ein neues Produkt ohne externe Informationen.“ In der letzten Virologie-Prüfung deckte ein einziges Poster rund 90 % der Altfragen ab — er hatte es nur nicht rechtzeitig gefunden.
Studierende scheitern nicht am Lernen, sondern am Filtern, an der Einschätzung von Prüfungsrelevanz und am Vertrauen in KI-Ergebnisse. Vertrauen ist damit kein Nice-to-have, sondern Teil des Kernnutzens.
Warum nicht einfach ChatGPT?
Die naheliegende Frage bei jedem KI-Produkt. Die Antwort liegt nicht in der Modellqualität, sondern in der Ausgabeform: Alle vorhandenen Werkzeuge liefern einen Dialog. Gebraucht wird ein Dokument.
Markt: rund 2,87 Mio. Studierende und 8,9 Mio. Schüler:innen in Deutschland (Destatis 2024). 91,6 % der befragten Studierenden nutzen bereits KI-Tools im Studium (Hochschule Darmstadt 2025).
| Wettbewerber | Grenze |
|---|---|
| ChatGPT · Claude | Verarbeiten 10+ PDFs nicht zuverlässig |
| NotebookLM | Dialogbasiert, kein fertiges Endprodukt |
| Quizlet · Anki | Reines Auswendiglernen, keine Struktur |
| Humata · Explainpaper | Q&A auf Absatzebene, kein Gesamtaufbau |
| StudySmarter · Mindgrasp | Sammlung statt Priorisierung |
Die Lücke ist nicht „KI für Lernstoff“. Die Lücke ist ein fertiges, priorisiertes, quellenbelegtes Dokument am Ende — statt eines Chatfensters, in dem man weiterarbeiten muss.
Pipeline statt Prompt
„Upload everything, get one navigable study page — no prompting, no chatting.“
Viele Formate rein
Bis zu 10 Dateien pro Vorgang. PDF, PPTX, DOCX. Folien, Altfragen, Mitschriften, Zusammenfassungen.
Eine Struktur
Themen und Unterthemen mit Inhaltsverzeichnis. Kein Chatverlauf, sondern eine navigierbare Seite.
Eine Reihenfolge
Jedes Thema mit Label High / Medium / Low — und einer Begründung, warum. Plus Quellenangabe auf Datei- und Seitenebene.
- Pipeline > Prompting
- Dokument > Chat
- Show the work > hide the magic
- Quelle > Magie — jede Aussage rückverfolgbar
Ein Maskottchen als bewusste Gegenposition zur Gamification-Norm: ruhig. Kein Streak-Druck wie bei Duolingo, sondern ein Fortschrittsanzeiger mit Gesicht. Es ist da, um zu beruhigen — und um dem Ganzen das Trockene zu nehmen. Eine reine Informationsseite fühlt sich schnell an wie ein Formular; ein freundliches Gegenüber macht denselben Inhalt zugänglicher, ohne ihn zu verharmlosen. Im Usability-Test kam genau diese Grenze als Bedingung zurück — „solange es nicht zu dominant ist“.
Das Produkt richtet sich an Menschen unter Prüfungsdruck. Eine Oberfläche, die selbst Aufmerksamkeit verlangt, arbeitet dann gegen ihren eigenen Zweck. Fünf Entscheidungen folgen daraus — keine davon ist Geschmack.
Ruhe vor Reiz
Eine Fläche, viel Weißraum, wenige Elemente gleichzeitig. Wer ohnehin überfordert ist, braucht keine zweite Quelle von Überforderung. Das ist kein ästhetisches Argument, sondern ein funktionales: jedes zusätzliche Element kostet eine Entscheidung.
Weiche Kontraste
Kein Reinschwarz auf Reinweiß, keine gesättigten Signalfarben. Wer stundenlang liest, liest bei gedämpftem Kontrast länger beschwerdefrei — harte Kanten ermüden die Augen schneller, als sie Aufmerksamkeit erzeugen.
Kein visueller Schnickschnack
Keine Schatten, keine Verläufe, keine Bewegung ohne Grund. Alles, was sich bewegt, zieht den Blick — und jeder gezogene Blick liegt nicht auf dem Lernstoff.
Eine Hierarchie, nicht drei
Pro Ansicht eine erste Handlung, sichtbar und benannt. Aufmerksamkeit geht selten am Anfang verloren, sondern zwischen zwei gleich lauten Angeboten.
Ein Gesicht statt einer Fortschrittsleiste
Das Maskottchen ist der einzige weiche Punkt in einem sonst nüchternen System — und wirkt genau deshalb. Es nimmt der Seite das Behördenhafte, ohne etwas zu versprechen.
Nichts davon ist Barrierefreiheit im Sinne einer Norm. Es ist der Versuch, eine Oberfläche zu bauen, die dem Zustand ihrer Nutzer entspricht, statt ihn zu ignorieren — ablenkungsarm, augenschonend, ohne Druck.
Prototyp
Vier Versionen zwischen dem 26.04. und dem 22.05.2026. V1 diente dazu, eine einzige Frage zu beantworten: Versteht jemand die Output-Seite ohne Erklärung? V2.01 führte Nesti ein, V2.04 baute die Learn Page aus, V2.05 ist der Stand, den diese Seite zeigt.
16 Frames, Desktop 1512 px. Der Klickpfad: Auth → First-Time-Dashboard → Upload → Verarbeitung → Learn Page.
| Version | Datum | Fokus |
|---|---|---|
| V1 | 26.04.2026 | Output-Screen: Klarheit, Priorisierung, Vertrauen |
| V2.01 | 08.05.2026 | Nesti, Fassung für den Usability-Test |
| V2.04 | 12.05.2026 | Struktur der Learn Page |
| V2.05 | — | Vollständiger Klickpfad, 16 Screens |
Was gebaut wird — und in welcher Reihenfolge
Sechs Epics, priorisiert nach drei Zielen statt nach Terminen: erst der Kernnutzen, dann Vertrauen, dann Vollständigkeit.
Die Schätzung stieg in der Session von 47 auf 76 Story Points — vor allem, weil das größte Epic bei 21 SP an der Obergrenze dessen liegt, was als eine Sprint-Position noch vertretbar ist. Die Konsequenz stand im Protokoll: aufteilen in drei bis vier eigenständige Stories.
| Epic | Ziel | SP | Phase |
|---|---|---|---|
| Learn Page — Struktur & Priorisierung | G1 Kernnutzen | 21 | Now |
| Sicherer, klarer Upload | G1 Kernnutzen | 13 | Now |
| Datensicherheit sichtbar machen | G2 Vertrauen | 8 | Next |
| Geführter erster Lernschritt | G2 Vertrauen | 8 | Next |
| Quellen-Transparenz | G3 Vollständigkeit | 13 | Next |
| Prüfungsrelevanz belegen | G3 Vollständigkeit | 13 | Later |
| Summe | 76 |
Bewusst außerhalb des MVP: Mobile, Ende-zu-Ende-Verschlüsselung, Backend-Caching, Quiz, Lerngruppen. Der MVP ist eine Linie: Upload → Analyse → strukturierte Lernseite.
Der Fehler in der Roadmap — und was er mich gelehrt hat
In den Interviews kam Datenschutz stark zur Sprache. Ado stellte von sich aus Fragen zu Urheberrecht und Datenhandhabung. Also habe ich in Roadmap 1.1 und 1.2 genau das nach vorn gezogen: Vertrauen, Sicherheit, Transparenz zuerst.
Das war falsch. Ich hatte Research-Ergebnisse ungefiltert in eine Reihenfolge übersetzt, ohne sie gegen den Kernnutzen zu prüfen. Ein Produkt, das noch keinen Wert liefert, muss kein Vertrauen absichern — es gibt schlicht nichts zu vertrauen.
In Version 1.3 habe ich es umgedreht: erst den Kernnutzen liefern, dann das Vertrauen absichern. Das ist die Änderung, auf die ich in diesem Projekt am meisten stolz bin — weil sie nichts hinzugefügt, sondern eine eigene Annahme kassiert hat.
| Version | Datum | Reihenfolge |
|---|---|---|
| 1.1 / 1.2 | 08.05.2026 | Vertrauen & Sicherheit → Kernnutzen → Vollständigkeit |
| 1.3 | 14.05.2026 | Kernnutzen → Vertrauen → Vollständigkeit |
| 1.4 | 22.05.2026 | Quellen-Transparenz von Later nach Next gezogen |
Earlier versions prioritized trust and safety initiatives first — before the core product value was even delivered.
Eigene Korrekturbegründung, Roadmap-Versionshistorie
Ein Test mit einem Menschen — Surveys und User Interviews
Moderierter Remote-Test am 07.05.2026, klickbarer Prototyp V2.01, ein Teilnehmer. n = 1 — das ist keine Validierung, das ist ein Rauchmelder. Er hat trotzdem zwei Dinge gefunden, die ich selbst nicht gesehen hätte.
Das Kernversprechen kam sofort an: „Materialien hochladen, strukturierte Lernseite bekommen.“ Die Navigation war selbsterklärend. Gestolpert ist er an einer Stelle, die für mich selbstverständlich war — den Prioritätsfiltern.
| Befund | Konsequenz |
|---|---|
| „Was bedeuten All, High und Medium?“ | Labels umbenannt: „High“ → „High Relevance“ |
| Ohne echten Inhalt ist der Nutzen der Learn Page unsichtbar | Realen HTML-Output aus dem Proof of Concept in den Prototyp geholt |
| „Hineinziehen oder klicken?“ | Beide Wege explizit beschriften |
| „Oft kommen Unterlagen kurz vor der Prüfung“ | „Add more materials“ prominenter — das Produkt wird ein laufendes Lernprojekt, kein Einmalgenerator |
| Nesti sympathisch, „solange es nicht zu dominant ist“ | Rolle festgeschrieben: leiser Motivator, kein Streak-Druck |
| Fragen zum Urheberrecht kamen unaufgefordert | Legal als offene Frage mit höchster Priorität dokumentiert, nicht weggewischt |
Der wichtigste Satz kam nicht aus dem Testprotokoll, sondern aus dem, was danach klar war: InfoNest ist kein Generator, sondern ein Lernprojekt, das mitwächst. Ein Ein-Personen-Test hat die Produktdefinition verschoben.
Woran es sich messen lassen müsste — OKRs & KPIs
Ein Prototyp hat keine Nutzerzahlen. Was er haben kann, ist eine Definition davon, was Erfolg wäre — und zwar so, dass sie widerlegbar ist.
Weekly Learning Clarity Moments — Momente pro Woche, in denen jemand sagt: „Jetzt verstehe ich es besser.“ Nicht Sitzungen, nicht Uploads. Klarheit.
| Objective | Key Results |
|---|---|
| Lernchaos schneller in Klarheit verwandeln | 80 % verstehen ein Thema nach Nutzung besser · Suchzeit −50 % · relevante Info in unter 2 Minuten |
| Vertrauen in Vollständigkeit erhöhen | 90 % der Inhalte getaggt und verlinkt · Wissenslücken werden sichtbar · Confidence Score mindestens 4/5 |
| Als regelmäßiges Lerncockpit etablieren | Nutzung 3× pro Woche · 70 % kommen nach 7 Tagen zurück |
| Ebene | Kennzahl | Frage dahinter |
|---|---|---|
| North Star | Geklärte Lernfragen pro Woche | Wie viel Klarheit entsteht? |
| Lagging | Confidence Score | Hat es geholfen? |
| Leading | Neue Quellen & Fragen pro Woche | Entsteht genug Input? |
| Operational | Suchzeit, Ladezeit, Importfehler | Läuft der Motor sauber? |
Was ich mitnehme — Learnings
Research-Ergebnisse sind keine Prioritäten. Was Nutzer am lautesten sagen, gehört nicht automatisch nach vorn. Der Filter heißt Kernnutzen — das musste ich einmal falsch machen, um es zu wissen.
Vertrauen ist bei KI-Produkten eine Funktion, kein Gefühl. „Fear of missing content“ ist kein Marketingproblem. Es ist die Anforderung, jede Aussage auf Datei und Seite zurückführbar zu machen.
Ein Test mit einer Person schlägt keinen Test. n = 1 hat die Produktdefinition verschoben. Der Fehler wäre gewesen, auf n = 10 zu warten.
Der eigentliche Hebel lag im Format der Ausgabe. Nicht besseres Modell, nicht mehr Funktionen — sondern die Entscheidung, ein Dokument statt eines Dialogs zu liefern. Differenzierung entsteht dort, wo die Arbeit des Nutzers aufhört.
Und: der Weg von der eigenen Pipeline zum Produkt. Ich hatte die Lösung technisch schon gebaut, bevor ich verstand, dass sie unbenutzbar war. Der Abstand zwischen „funktioniert“ und „jemand benutzt es“ ist die gesamte Disziplin.
Figma-Prototyp V2.05 (16 Screens) · 45 Confluence-Seiten · Jira-Backlog (Projekt MAR) · Miro-Board mit 11 Clustern · Survey-Instrument mit 21 Fragen · 2 Interview-Protokolle · Usability-Testbericht · Roadmap-Versionshistorie 1.1–1.4 · Stakeholder-Analyse & RACI · Team Guide
Was als Nächstes käme — Backlog
Der Prototyp endet dort, wo das Kernversprechen eingelöst ist: aus vielen Dateien wird eine geordnete Lernseite. Alles Weitere ist erst danach sinnvoll — ein Produkt, das seine erste Aufgabe nicht erfüllt, wird durch Zusatzfunktionen nicht besser, sondern unübersichtlicher.
Der Backlog ist deshalb kein Wunschzettel, sondern eine Rangfolge mit Begründung. Der erste Punkt ist der einzige, der die Art des Produkts verändern würde — alle anderen machen es besser, nicht anders.
Bisher ist InfoNest ein Werkzeug für eine Person. Der größte Hebel danach ist der Schritt zu zweit oder zu dritt: eine Lernseite teilen, dieselben Materialien gemeinsam durchgehen, Notizen aneinanderhängen. Kaum jemand lernt allein auf eine Prüfung — die Unterlagen kursieren ohnehin durch Semestergruppen, nur unsortiert und über fünf Kanäle. Das Produkt würde damit von einem Ordner zu einem Ort.
Geteilte Sammlungen
Eine Lernseite je Fach, an der mehrere arbeiten: wer eine Datei ergänzt, ergänzt sie für alle. Der Aufwand, den einer trägt, kommt der Gruppe zugute — genau die Ökonomie, die heute über Messenger und geteilte Ordner improvisiert wird.
Der Prüfungstermin als Bezugsgröße
Er ist die einzige harte Zahl im ganzen Vorgang und steckt bisher nur im Kopf des Nutzers. Im Produkt hinterlegt, würde aus der Priorisierung eine Rechnung statt einer Schätzung: was in vier Tagen noch zu schaffen ist, ist etwas anderes als das, was in vier Wochen zu schaffen wäre.
Abdeckung prüfen statt Quiz spielen
Fragen aus der eigenen Lernseite erzeugen — nicht als Spielerei mit Punkten, sondern um die Lücke sichtbar zu machen, vor der die Befragten am meisten Angst hatten: etwas Wichtiges übersehen zu haben.
Das Kleinzeug
Export als PDF, Markieren im Text, an der letzten Stelle weiterlesen. Nichts davon verändert das Produkt — aber es sind die Dinge, deren Fehlen man täglich merkt.
Nichts davon ist gebaut. Der Sinn einer Roadmap ist nicht, alles zu versprechen, sondern zu zeigen, in welcher Reihenfolge man es täte — und woran man diese Reihenfolge festmacht.