In zwei Tagen vom AI-Use-Case zur production-ready Entscheidung – am echten Backlog, an echter Architektur und, wenn freigegeben, am echten Code.
30 Minuten mit einem Operator. Danach erhältst du Scope und Fixpreis.
Geführt von Simon Scheurer und Marc Gasser – persönlich, von Anfang bis Ende.
Mehr generierter Code ist kein Product Outcome. Ohne belastbare Problem-Evidenz, AI-ready Daten, Quality Gates und einen Betriebsplan beschleunigt AI womöglich den falschen Teil des Systems.
Im AI Monitor liegt die Nutzung bei 66 von 100. Das organisatorische Fundament darunter liegt bei 50. Die Menschen waren schneller als Daten, Integration und Governance.
Klar, welche Use Cases jetzt gebaut, erst getestet, später bearbeitet oder gestoppt werden. Eines davon ist production-ready spezifiziert.
Product-/Tech-Red-Flag-Map
Fünf Arbeitstage nach dem Intake liegt die Red-Flag-Map beim Team – mit den drei grössten Unsicherheiten für den Decision Sprint.
Wähl einen Archetyp und bewerte vier Dimensionen. Das Verdikt erscheint sofort – mit den Kriterien, die dazu geführt haben.
AI Use-Case Decision Snapshot
Basis: 162 auswertbare Antworten, davon 106 mit demografischen Angaben. AI Monitor 2026, herausgegeben von Teklens in Zusammenarbeit mit ETH Zürich und Universität St. Gallen. Selbsteinschätzungen, normalisiert auf 0–100. Pre-Release.
Jeder Bestandteil nennt das Hindernis, das er beseitigt, das Artefakt, das du bekommst, und wann es geliefert wird.
Gearbeitet wird am echten Backlog und an relevanten technischen Unterlagen.
Signale, Entscheidungen und technische Realität sind getrennt
Gemeinsame Baseline aus Backlog, Architektur, Daten und Code-Kontext
vor dem Lab
Ideen werden gebaut, bevor Wert und Machbarkeit geklärt sind
Moderierte Bewertung nach Impact, Feasibility, Evidence und Risk
Tag 1
Use Cases sind nicht als Portfolio steuerbar
3–5 priorisierte Use Cases mit NOW, EXPERIMENT, LATER oder NEVER
Tag 1
Ein Use Case ist strategisch attraktiv, aber nicht lieferbar beschrieben
Problem, Nutzer, Daten, Architektur, Evaluation, Failure Modes und Scope
Tag 2
Unklare Produktionsreife
Fünf Gates für Value, Data, Reliability, Security und Governance sowie Operations
Tag 2
Keine klare Reihenfolge nach dem Lab
Projekte, Owner, Kill Criteria, Metriken und Reviewpunkte
spätestens fünf Arbeitstage nach dem Lab
Entscheidungen und Product-Evidenz gehen verloren
Versionierter Workspace für Signale, Use Cases, Architektur, Delivery und Betrieb
mit der Roadmap
Vorlagen, die im Lab entstehen und die ihr danach selbst weiterverwendet. Wir weisen dafür keine fiktiven Einzelwerte aus.
6-Week AI Product Shipping Sprint
Das Decision Lab plus sechs Wochen Umsetzung an den priorisierten Vorhaben – in kleinen Batches, mit Review und Evaluation.
Wir sagen nicht pauschal «zwei ausgelieferte Vorhaben» zu. Was in sechs Wochen lieferbar ist, hängt an Scope und technischen Abhängigkeiten – beides klären wir in Decode, bevor wir es zusagen.
Die Nutzung von AI liegt vor dem organisatorischen Fundament aus Daten, Integration, Governance und Anpassungsfähigkeit.
der AI-Projekte werden bis 2026 aufgegeben, weil ihnen AI-taugliche Daten fehlen.
So viel langsamer waren erfahrene Open-Source-Entwickler mit AI-Tools – während sie sich schneller fühlten.
Methodik aus der Forschung, Fälle aus der Praxis. Was wir in den Labs anwenden, ist an beidem geprüft.
ETH Zürich und die Universität St. Gallen sind Forschungspartner des AI Monitor. Sie sind keine Referenzkunden von Teklens.
Anonymisiertes Beispiel · B2B-SaaS, rund 40 Engineers
| Gate | Kriterium | Status | Owner |
|---|---|---|---|
| Value | Metrik definiert und heute gemessen | Erfüllt | PM |
| Data | Abdeckung, Aktualität und Herkunft geklärt | Offen | Data Eng |
| Reliability | Evaluation-Set und Fehlerbudget stehen | Erfüllt | Tech Lead |
| Security | Datenhaltung, Rollen und Protokollierung geklärt | Erfüllt | CISO |
| Operations | Monitoring, Kosten und Rollback definiert | Offen | Platform |
Was wir geliefert haben. Wo noch nichts freigegeben ist, ein als solches gekennzeichnetes anonymisiertes Beispiel.
Kein Junior mit Foliensatz, kein Partner, der nach dem Kickoff verschwindet. Simon Scheurer und Marc Gasser führen jedes Lab selbst durch – dieselben zwei Personen von der ersten Frage bis zum Entscheid.
Technik, Produkt und Engineering-Teams
Go-to-Market, Revenue und Automation
Beide sind Mitgründer von Teklens und arbeiten aus Zürich. Labs auf Deutsch oder Englisch.
Zwei Optionen, ein Scope. Der Execution Track steht zuerst, weil er den vollen Umfang zeigt – der empfohlene Einstieg ist das Decision Lab.
Diagnose, gemeinsamer Entscheid und konkreter Umsetzungsplan. Für Teams, die Klarheit brauchen, bevor sie Kapital oder Kapazität binden.
Der Scope steht fest, der Preis wird im Scoping-Call fixiert und schriftlich bestätigt. Keine Positionen, die später dazukommen.
Wenn die vereinbarten Inputs vollständig vorliegen, liefern wir das definierte Decision Pack bis zum vereinbarten Termin. Fehlt ein vereinbarter Bestandteil, arbeiten wir ohne Zusatzhonorar weiter, bis das Pack vollständig ist.
Klar, welche Use Cases jetzt gebaut, erst getestet, später bearbeitet oder gestoppt werden. Eines davon ist production-ready spezifiziert.
Use Case mit einem Operator prüfenDas Decision Lab plus reale Umsetzung, Reviews und Verankerung im Arbeitsmodus.
Der Scope steht fest, der Preis wird im Scoping-Call fixiert und schriftlich bestätigt. Keine Positionen, die später dazukommen.
Wenn die vereinbarten Inputs vollständig vorliegen, liefern wir das definierte Decision Pack bis zum vereinbarten Termin. Fehlt ein vereinbarter Bestandteil, arbeiten wir ohne Zusatzhonorar weiter, bis das Pack vollständig ist.
Klar, welche Use Cases jetzt gebaut, erst getestet, später bearbeitet oder gestoppt werden. Eines davon ist production-ready spezifiziert.
Use Case mit einem Operator prüfenWenn die vereinbarten Inputs vollständig vorliegen, liefern wir das definierte Decision Pack bis zum vereinbarten Termin. Fehlt ein vereinbarter Bestandteil, arbeiten wir ohne Zusatzhonorar weiter, bis das Pack vollständig ist.
Garantiert werden definierte Outputs und Termine, die wir kontrollieren. Keine Umsatz-, Transformations- oder Autonomiegarantie – die hängt an eurer Umsetzung, und dafür können wir nicht geradestehen.
Nach Decode und Shape entscheidet ihr, nicht wir.
Der Execution Track beginnt nicht automatisch. Ein begründetes Wait oder Stop ist ein valides Ergebnis – und oft das wertvollste.
Die Evidenz reicht für die Umsetzung. Wir starten den Execution Track.
Ein begrenzter Test klärt die offene Unsicherheit, bevor Kapazität gebunden wird.
Zuerst Fundament oder Input verbessern. Mit Kriterium und Reviewdatum, nicht als Vertagung.
Kein sinnvoller Business Case. Das begründet festzuhalten, spart mehr als jedes Pilotprojekt.
Ein Loop, keine Transformation mit Enddatum.
Realität, Kontext und Engpass verstehen
Wo stehen wir wirklich?
Entscheide, Prioritäten und Grenzen setzen
Was ändern wir – und was nicht?
Entscheide in reale Arbeit übersetzen
Wie entsteht messbare Wirkung?
Lernen, Governance und Routine verankern
Wie wird das System besser?
Das Decision Lab deckt Decode und Shape ab und übergibt an Amplify und Evolve. Der Execution Track fährt den ganzen Loop.
Jedes Lab hinterlässt einen versionierten Context Workspace: Evidenz, Entscheide, Arbeit, Regeln und Gelerntes an einem Ort. Menschenlesbar, für freigegebene Agents maschinenlesbar, exportierbar.
/product-ai/
00_customer_context/
01_opportunities/
02_use_cases/
03_architecture_data/
04_delivery/
05_operate/
06_roadmap/Der Zyklus, an dem wir im Lab arbeiten, ist derselbe, entlang dem Teklens arbeitet: Discover, Define, Build, Operate. Wo Teklens die Arbeit abnimmt, zeigen wir es am eigenen Repo. Wo ihr es ohne Werkzeug besser selbst löst, sagen wir das auch.
Nein. Es klärt, was überhaupt gebaut werden soll. Mehr generierter Code ist kein Product Outcome – wer schlechten Input automatisiert, liefert den Schlamassel nur schneller aus.
Genau das ist der Befund: Im AI Monitor steht die Nutzung bei 66 von 100, das Fundament darunter bei 50. Das Lab arbeitet am Fundament, nicht an der Nutzung.
Nein. Codezugriff ist optional und nur, wenn ihr ihn freigebt. Hosting in der Schweiz und der EU, kein Training auf euren Daten, Modellwahl pro Projekt.
Dann ist das ein Ergebnis. Ein begründetes Later oder Never spart mehr als ein Pilotprojekt, das nach neun Monaten still eingestellt wird.
Nein. Vorausgesetzt wird Produkt- und Engineering-Erfahrung, nicht AI-Erfahrung.
Nein, und wir sagen das bewusst nicht zu. Was in sechs Wochen lieferbar ist, hängt an Scope und technischen Abhängigkeiten. Beides klären wir in Decode – erst dann steht, was zugesagt wird.
30 Minuten mit dem Founder-Team. Du erhältst eine klare Empfehlung, den passenden Scope – oder ein begründetes Nein.