Product Nitro
AI ist dein Nitro.
Wir bauen den Motor.
Nitro in einem kaputten Motor macht das Auto nicht schneller. Es zerstört es.
Product Nitro baut das Fundament, Anforderungen, Architektur, Tests, Feedback-Loops, damit AI in eurem Team wirklich zieht.
Gespräch startenDas ist das Nitro
Ein Agent baut euer nächstes Feature.
Er fragt nicht ob das Fundament stimmt.
Claude Code wartet nicht auf Feedback. Cursor kennt keine schlechten Tage. Devin eskaliert nicht, wenn Anforderungen unklar sind. Agentic Tools handeln auf Basis dessen, was sie vorfinden: eure Architektur, eure Anforderungen, eure Tests. Was sie nicht finden, erfinden sie.
Der Hebel sitzt nicht in den Tools. Er sitzt im Fundament. Fehler in frühen Phasen wachsen exponentiell, je später sie auftauchen. AI macht das schneller, nicht besser.
Euer AI-Hebel hängt davon ab:
Vage Specs → vage AI-Output. Nur schneller produziert.
Unklare Grenzen → AI verstärkt Kopplung mit 10x Tempo.
Kein Sicherheitsnetz. AI-Code den niemand reviewen kann.
CI läuft. Aber je schneller Feedback, desto stärker der Hebel.
Aktueller AI-Hebel
2.1x
Tests & Architektur bremsen
Möglicher AI-Hebel
8x
mit solidem Fundament
Fehler die in der Anforderungsphase entstehen kosten in der Produktion bis zu 100x mehr zu beheben. AI beschleunigt diesen Prozess, sie ändert das Prinzip nicht.
Das Muster kennen wir bereits
Gen AI ist das neue
Outsourcing nach Osteuropa.
2000er, Outsourcing-Boom
✦ Alle begeistert von der Geschwindigkeit und den Kosten.
✦ KMUs kauften massenhaft Code ein, den niemand verstand.
✦ Niemand konnte ihn testen. Niemand wollte ihn warten.
✦ 5 Jahre später: Legacy-Systeme, die niemand anfassen konnte.
2020er, Gen AI-Boom
✦ Alle begeistert von der Geschwindigkeit.
✦ Teams generieren massenhaft Code, den niemand reviewt.
✦ Niemand versteht ihn vollständig. Tests? Fehlanzeige.
✦ Was passiert in 5 Jahren mit eurer Codebase?
„AI-Code, den niemand reviewt, niemand testet und niemand versteht, ist keine Effizienz. Die Kosten verschwinden nicht. Sie tauchen nur später auf.“
Vier Dinge verschwinden durch AI nicht, sie werden wichtiger
Code Reviews
AI-Code, den niemand reviewt, ist ein unkontrolliertes Experiment in eurer Produktion.
Automatisierte Tests & statische Analyse
Das Sicherheitsnetz wird wichtiger, je schneller Code entsteht.
Klare Anforderungen
Garbage in, garbage out. Gilt für AI noch mehr als für menschliche Entwickler.
Architektur
AI verstärkt bestehende Strukturen, gute wie schlechte. Unklare Modulgrenzen multipliziert AI mit 10x Geschwindigkeit.
Das Prinzip
AI ist ein Multiplikator.
Er multipliziert, was bereits da ist.
Schwaches Fundament
Vage Anforderungen × AI = vage Lösungen, schneller produziert. Schlechte Architektur × AI = mehr Code, mehr Kopplung, mehr Chaos. In 5 Jahren: das neue Legacy-Problem.
Starkes Fundament
Klare Anforderungen × AI = präzise Lösungen, in einem Bruchteil der Zeit. Saubere Architektur × AI = echter 10x-Hebel. Tests × AI = Vertrauen in jeden generierten Commit.
Der Motor
Vier Dimensionen. Ein Motor.
Ich schaue auf den gesamten Workflow, nicht nur auf die Tools. Jede Dimension entscheidet darüber, wie viel von deinem Nitro auf die Strasse kommt.
Anforderungen
Motor kaputt
Vage User Stories → AI produziert vage Lösungen. Nur schneller.
Motor läuft
Präzise Anforderungen sind das Rohmaterial für AI. Je klarer der Input, desto brauchbarer der Output.
Architektur
Motor kaputt
Unklare Grenzen → AI perpetuiert das Chaos. Mit 10x Geschwindigkeit.
Motor läuft
Klare Modulstrukturen geben AI den Kontext, um sinnvoll beizutragen, statt Kopplung zu verstärken.
Tests
Motor kaputt
Schlechte Coverage → kein Sicherheitsnetz. AI-Code wird niemand richtig reviewen.
Motor läuft
Tests sind die Leitplanken für AI. Mit solider Coverage kann das Team AI-Output vertrauen und mutig refactoren.
Feedback-Loops
Motor kaputt
Langsame CI, manuelles Deployment, spätes Feedback → AI-Tempo verpufft.
Motor läuft
Je schneller Feedback zurück ins System kommt, desto stärker der Hebel. Automatisierung schließt den Kreislauf.
Wie wir arbeiten
Vier Formate. Eine Richtung.
Einstieg, verstehen, umsetzen, verankern, jedes Format steht alleine oder baut auf dem vorherigen auf. Je nachdem wo ihr steht.
Workshop
Ein Ganztag mit eurem Team. Wir schauen gemeinsam auf euren aktuellen Workflow: wo steht ihr, was bremst den AI-Hebel, welche Hebel haben den grössten Impact. Kein Foliendeck über AI im Allgemeinen. Euer System, eure Prozesse, eure nächsten Schritte.
- Intro: Das Multiplikator-Prinzip
- Live-Analyse eures Workflows
- Die vier Dimensionen an eurem konkreten Fall
- Agentic Tools richtig einsetzen, praktisch
- Priorisierte Massnahmen für sofort
1 Tag · 2.500 €
Assessment
Ich analysiere euren gesamten Entwicklungs-Workflow, von Anforderungen bis Deployment. Wo bremst der Motor? Welche Dimension kostet euch den meisten AI-Hebel? Schriftliche Findings mit klarer Priorität.
- Anforderungsprozess & Ticket-Qualität
- Architektur & Modulgrenzen
- Test-Strategie & Coverage-Realität
- CI/CD & Feedback-Geschwindigkeit
- Team-Prozesse & Übergaben
- Schriftlicher Bericht + Debrief
1–2 Wochen · Festpreis
Transformation
Laufende Begleitung der Umsetzung als Retainer. Ich bin monatlich verfügbar: für konkrete Hands-on-Arbeit, Architektur-Entscheidungen, Prozess-Anpassungen, Pairing mit dem Team. Kein Projekt-Ende. Kontinuierlicher Fortschritt.
- Monatlich verfügbar für euer Team
- Hands-on in Code, Prozessen und Struktur
- Architektur- und Prozess-Entscheidungen
- Pairing & Reviews
- Monatliches Check-in & Priorisierung
3.000 € / Monat · Monatlich kündbar
Enablement
Kein generisches AI-Training. Ich zeige eurem Team konkret wie man mit Agentic Tools arbeitet, an eurem echten Code, euren echten Anforderungen. Wie schreibt man Tickets für AI? Wie reviewt man generierten Code? Wie testet man AI-Output sicher ab?
- Auf euer Team und euren Stack zugeschnitten
- Direkt am realen Code eures Projekts
- Agentic Tools: Claude Code, Cursor & Co. in der Praxis
- Review- und Test-Workflows für AI-Code
1.200 € / Tag
Warum ich
Ich nutze Gen AI selbst.
In echten Projekten.
Ich habe Product Nitro in meinen eigenen Projekten eingeführt, solo und in grösseren Teams. Nicht als Experiment. Als tägliche Praxis. Ich weiss was funktioniert, was nicht funktioniert und warum. Ich bin sowohl Produktentwickler als auch Softwareentwickler, ich sehe beide Seiten.
Ich nutze Claude Code, Cursor und andere Agentic Tools täglich, für meine eigenen Projekte und um Praxiserfahrung zu sammeln.
Ich erkenne Prozessschwächen schnell. Nicht wegen einer Checkliste, sondern wegen Mustererkennung aus vielen Projekten.
Product Engineer + Software Engineer. Ich sehe was gebaut werden soll und wie.
Ich baue keine generischen Empfehlungen. Ich schaue auf euer System, euer Team, eure Prozesse.
Ich setze um was ich empfehle, oder begleite euer Team dabei. Kein Berater der nur redet.
Festpreise. Vereinbart bevor wir starten. Keine Überraschungen.
Mein Ansatz
Kein Berater der von aussen redet.
Einer der selbst baut.
Eigene Produkte bauen
Ich baue eigene Produkte mit genau den Methoden, die ich empfehle. Product Nitro ist nicht meine Theorie über AI-First Development, es ist meine täglich gelebte Praxis. Was funktioniert, weiss ich weil ich es selbst gebaut habe.
Wissen aus echten Projekten
Das Wissen, das ich weitergebe, kommt aus Code der live ist, nicht aus Büchern, nicht aus Zertifikaten. Aus echten Teams, echten Problemen, echten Lösungen. Inklusive den Fehlern, die man nur macht wenn man selbst mittendrin ist.
Praxis statt Demos
Zwei Projekte. Eine Methode.
Einmal als eigenes Produkt, einmal als Kundenprojekt. Product Nitro ist keine Theorie.
EAS 360 — Lift Management Software
Vollständige SaaS-Lösung für die digitale Aufzugsverwaltung — AI-First entwickelt, in Produktion.
Motor
Modularer Aufbau von Tag 1. Klare Anforderungen vor jedem Feature. Tests als Grundlage, nicht Nacharbeit. CI/CD vom ersten Commit an.
Nitro-Hebel
Featureentwicklung mit Claude Code — schnell, präzise, wartbar. AI konnte gezielt beitragen weil die Struktur stimmte.
Ergebnis
Live-Produkt. Nicht Demo, nicht Konzept. Vollständig in Produktion mit echten Nutzern.
Byte Bakers
Bestehende App — Fundament unklar, Weiterentwicklung riskant. AI hätte das Chaos nur schneller produziert.
Ausgangslage
App entwickelt von einem Team ohne ausreichende Erfahrung für die gegebene Komplexität. Keine klare Architektur, keine Testbarkeit — niemand wusste genau, was sie hatten.
Motor-Check
Architecture Assessment der vier Dimensionen. Schriftlicher Blueprint mit klaren Modulgrenzen, Testbarkeit und priorisierten Massnahmen.
Ergebnis
Team baut wieder mit Zuversicht. AI-Tools können jetzt wirken — auf einem Fundament das trägt, statt Chaos zu verstärken.
„Wir hatten endlich ein klares Bild davon, was wir haben — und was als erstes geändert werden musste. Das Audit gab dem Team ein Fundament, auf dem es wirklich aufbauen konnte."
— Gründer, Byte Bakers
Product Nitro
Ist euer Motor bereit
für Nitro?
Schildert mir, wie ihr AI-Tools einsetzt, und was ihr euch davon erhofft. 30 Minuten, kein Pitch.
Ich sage ehrlich, ob und wo Product Nitro euch weiterbringt. Und wenn nicht, sage ich das auch.
Kostenloses Gespräch buchenAntwortet in der Regel innerhalb eines Werktages.