19. November 2026 von Mateusz Biela
Ein Business Case im Feld – in Wochen statt Monaten
Wie auf einem erprobten Fundament mit angepasstem AI Harness eine professionelle, sichere Lösung entsteht.
Teaser: Wie lässt sich ein Use Case sicher und in professioneller Qualität als tragfähiges Fundament für den weiteren Ausbau in wenigen Wochen umsetzen? Dafür wurde in dreitägigen Iterationen ein Frontend mit Connector, um Iot-Geräte leichtgewichtig onzuboarden und die Daten zu nutzten und darauf physisch zu reagieren entwickelt. Die solide Basis bietet die Smart Product Platform mit ihren Kernbausteinen und Schnittstellen. Der Beitrag zeigt, wie ein AI-Harness die gesamte Umsetzung unterstützt, welche Aufgaben beim Team bleiben und was sich aus dem Projekt für ähnliche MVPs ableiten lässt.
Von der Kundenanfrage zum belastbaren MVP
Die Anfrage an unser Team hatte es in sich: Für einen Feldtest mit Nutzern sollte innerhalb von nur zwei Wochen eine Anwendung entstehen, die Geräte mit der freien Firmware Tasmota schnell und unkompliziert einbindet. Sie sollte außerdem Messwerte übersichtlich darstellen und Aktionen auf den Feldgeräten ermöglichen – sicher und in professioneller Qualität.
Unser Ziel war es, die Kundenlösung auf Basis unserer Smart Product Platform mithilfe professioneller agentischer Softwareentwicklung in kurzer Zeit industrietauglich zu entwickeln – mit einer sicheren und unkomplizierten Anbindung von Geräten für den konkreten Einsatz.
In rund zwei Wochen ist eine überzeugende Lösung entstanden. Der dokumentierte Gesamtaufwand hat 171,5 Stunden betragen: 72 Stunden sind auf Besprechungen und Konzeption sowie 99,5 Stunden auf Implementierung und Review entfallen.
Die Komponenten
Smart Product Platform
Die Smart Product Platform (SPP) stellt zentrale Backend-Funktionen bereit. Sie verwaltet Nutzer, Assets und Dokumente, speichert Zeitreihendaten und bietet einen gesicherten MQTT-Broker sowie eine REST-API. Ihre Bausteine können auch digitale Prozesse unterstützen, die nicht auf eigene IoT-Geräte angewiesen sind.
Tasmota
Tasmota ist eine freie Firmware für Geräte auf Basis von ESP8266- und ESP32-Chips. Sie kommt beispielsweise in Sensoren, Schaltern und Messgeräten zum Einsatz. Über MQTT können die Geräte Messwerte senden und Befehle empfangen.
Tasmota-UI und Rule Engine
Für die Geräte fehlte eine Oberfläche, die Einrichtung und Auswertung verständlich zusammenführt. Die Tasmota-UI bildet dafür einen eigenen, auf den Anwendungsfall zugeschnittenen Nutzerablauf. Sie nutzt vorhandene SPP-Services, abstrahiert technische Einzelschritte und Plattform-Interna.
Die Rule Engine ergänzt die UI um regelbasierte Aktionen. Sie wertet Sensordaten aus und löst bei erfüllten Bedingungen einen konfigurierten Gerätebefehl aus.
AI-Harness
Im Entwicklungsprozess wurde ein eigens entwickeltes AI-Harness genutzt, um KI gezielt für klar umrissene Aufgaben einzusetzen – von der Konzeption bis zur Implementierung. Das Vorgehen für agentische Softwareentwicklung basiert auf dem adesso-Framework adSCAILE. Weiterführende Informationen finden Sie auf der entsprechenden adesso-Webseite.
Der Business Case
Durch die Lösung sollte untersucht werden, ob eine Oberfläche für Tasmota-basierte Geräte wie Power-Steckdosen mit Energiemessung so einfach sein kann, dass diese auch von einem nicht technisch hoch versierten Nutzer akzeptiert und für einfache Automatisierungen genutzt werden kann. In späteren Ausbaustufen können dann spezialisierte Anwendungen wie Balkonkraftwerk-Steuerungen leicht erweitert und für Bezahlmodelle verprobt werden.
Was die Lösung leisten sollte
Im Workshop wurden die Bedürfnisse der wichtigsten Nutzergruppen betrachtet und als Anforderungen festgehalten
- Personen, die Geräte einrichten, sollten Tasmota-Geräte wie zum Beispiel Funksteckdosen mit integrierter Leistungsmessung mit wenigen Schritten registrieren, Messwerte einsehen und einfache Regeln konfigurieren können.
- Nutzerinnen und Nutzer der UI sollten die angebundenen Geräte im Alltag ausprobieren und ihren konkreten Nutzen erleben können.
- Entwicklerinnen und Entwickler sollten die Plattform nachvollziehen und gezielt erweitern können.
- Entscheiderinnen und Entscheider sollten bewerten können, welche Business Cases sich mit der SPP abbilden lassen – sowohl im IoT-Umfeld als auch darüber hinaus.
- Sicherheit und Qualität ist die Prämisse, welche durch den erprobten Kern der Smart Product Platform von Anfang an gewährleistet sein soll. Damit wird auch die einfache Erweiterbarkeit hin zu einer umfangreichen Platformlösung mit Bezahlmodell sichergestellt.
Vorgehen: kurze, überprüfbare Entwicklungszyklen
Zu Beginn hat das Team in einem Workshop die wichtigsten Nutzergruppen sowie ihre Aufgaben und Bedürfnisse identifiziert. Auf dieser Grundlage hat es mögliche Funktionen abgeleitet und priorisiert. Die Priorisierung hat geklärt, welche Funktionen für den ersten Stand unverzichtbar waren und welche später folgen können. Dadurch hat sich der Umfang auf die Funktionen konzentriert, die eine Demonstration und Erprobung des Business Case ermöglicht haben.
Anstelle klassischer zweiwöchiger Sprints sind dreitägige Iterationen zum Einsatz gekommen. Jede Runde hat mit einem deploybaren Ergebnis geendet. Die Entwicklung hat zunächst Designvarianten und das technische Grundgerüst einschließlich CI/CD-Pipeline umfasst. Anschließend sind Gestaltung und Implementierung parallel verlaufen. So hat die Umsetzung fertiger Ansichten bereits begonnen, während weitere Oberflächenelemente entstanden sind. Das bewusst einfache erste Look-and-Feel hat den Fokus auf Nutzung und technische Machbarkeit gelenkt.
Das AI-Harness hat bei klar abgegrenzten Aufgaben unterstützt – etwa bei Angular-Komponenten, Services und Boilerplate-Code. Builds, Tests und KI-Code-Reviews haben den Prüfprozess ergänzt. Die Teammitglieder haben Anforderungen, Qualität und Funktion bewertet; notwendige Präzisierungen und Korrekturen sind in die nächste Iteration eingeflossen. Die fachliche und technische Verantwortung ist beim Team geblieben.
Abbildung 1 Visualisierung des Vorgehens und der Entwicklungsiterationen.
Das Ergebnis: Tasmota-UI und Rule Engine
Im Projekt sind zwei Artefakte entstanden. Eine Tasmota-UI als Angular-Single-Page-Anwendung und eine Rule Engine als zusätzlichen Backend-Microservice der SPP. Die UI nutzt vorhandene Backend-Services, bietet aber einen eigenen, auf Tasmota zugeschnittenen Nutzerablauf.
Geführtes Onboarding statt manueller Einzelschritte
Der Onboarding-Assistent führt Schritt für Schritt durch die Einbindung eines Geräts. Dabei abstrahiert er die technischen Einzelschritte und Interna der Smart Product Platform und übersetzt sie in einen maßgeschneiderten Ablauf für diesen Anwendungsfall. So bleibt die zugrunde liegende Plattform im Hintergrund – die Nutzerinnen und Nutzer arbeiten mit einer klaren, auf ihre Aufgabe zugeschnittenen Oberfläche.
- 1. Ein vorhandenes Geräte-Asset auswählen oder ein Neues anlegen.
- 2. Die benötigten MQTT-Entitäten und Zugangsdaten in der Plattform erzeugen. Die Oberfläche fasst zusammen, welche Angaben in der Tasmota-Konfiguration einzutragen sind.
- 3. Auf den Verbindungsaufbau des Geräts warten.
- 4. Geräteverbindung prüfen und den Status sichtbar machen.
- 5. Bei erfolgreicher Verbindung die ersten Sensordaten anzeigen. Andernfalls eine strukturierte Fehleranalyse mit konkreten Troubleshooting-Hinweisen anbieten.
Gerätestatus, Messwerte und Befehle an einem Ort
Das Dashboard gibt einen Überblick über Gerätestatus, aktuelle Ereignisse, aktive Regeln und eine Geräteliste für den Schnellzugriff. Die Geräteübersicht zeigt unter anderem Bezeichnung und Status, den Zeitpunkt der letzten Verbindung, Gerätetyp, Chipmodul, WLAN-SSID und lokale IP-Adresse.
Auf der Detailseite lassen sich vier KPI-Kacheln mit Live-Daten individuell konfigurieren. Für Zeitreihendaten können Messpunkte, Diagrammtyp und Zeitbereich ausgewählt werden. Über eine Befehlsfunktion lassen sich außerdem Schnellbefehle oder eigene Befehle an ein Gerät senden. Ein Verlauf zeigt die gesendeten Befehle mit Zeitstempeln.
Nutzer können auf der Detailseite auch Wenn-Dann-Regeln einsehen und verwalten. Die Rule Engine wertet eingehende Sensordaten aus und löst bei erfüllten Bedingungen den festgelegten Gerätebefehl aus.
Rule Engine: einfache Automatisierung mit klaren Leitplanken
Die Rule Engine setzt Wenn-Dann-Regeln um. Über- oder unterschreitet ein Sensor einen festgelegten Schwellenwert, sendet die Plattform einen konfigurierten MQTT-Befehl an das Gerät. Nutzer können vordefinierte oder eigene Befehle auswählen.
Bei einer energiemessenden Steckdose kann eine Regel zum Beispiel auf einen definierten Leistungswert reagieren.
Auch das MVP hat zentrale Betriebsaspekte berücksichtigt. Ein Cooldown sorgt nach jeder Auslösung für eine festgelegte Wartezeit, in der keine weiteren Nachrichten ausgelöst werden, um das Gerät bei kurz aufeinanderfolgenden Ereignissen zu entlasten. Nutzer-Rollen legen fest, wer Regeln verwalten darf. Die Mandantentrennung verhindert den Zugriff auf Daten und Geräte anderer Mandate. Jede Regelausführung wird mit Zeitpunkt und Status protokolliert, im Fehlerfall kommt eine Beschreibung hinzu.
Für den MVP hält ein In-Memory-Cache die Regeln zur Laufzeit vor. Für eine spätere horizontale Skalierung ist vorgesehen, diesen Baustein zu ersetzen
Was KI beschleunigt – und wo Expertise entscheidend bleibt
Die Erfahrungen aus solchem Projekt lassen sich auch auf weitere agentische Softwareentwicklungsprojekte übertragen:
-
Es lohnt sich, auf erprobte Kern-Komponenten mit einer ausgefeilten Architektur aufzusetzen
Diese können genutzt werden um auf dem gegebenen Fundament eine sichere sowie professionelle Lösung mit Fokus auf die Use Cases atemberaubend schnell agentisch aufzubauen. Die Symbiose hat sich als ideal erwiesen, da man nicht Gefahr läuft, auf einer unausgereiften Basis-Architektur zu bauen welche später umfangreich stabilisiert werden muss. Man baut eine flexible Peripherie, die leicht neu- und umgebaut werden kann, ohne die Kernfunktionalitäten zu gefährden.
-
Kurze Zyklen haben sichtbare Ergebnisse geschaffen, zugleich hat sich der Review-Aufwand im Vergleich erhöht.
Durch kurze Sprints und schnelles Ausrollen wurden Fortschritte früh sichtbar. Gleichzeitig war das menschliche Review aufwendig, weil viel generierter Code geprüft werden musste.
-
Code-Review- und Korrekturschleifen haben meist gut funktioniert.
Kleine bis mittlere Korrekturen ließen sich häufig mit nachfolgenden Anweisungen an die KI umsetzen. In vielen Fällen haben sich die Schleifen aus Implementierung, Review und Korrektur bewährt.
-
Komplexe Multi-Service-Integrationen haben den KI-Agenten mehr Schwierigkeiten bereitet.
Hier war manuelles Eingreifen nötig – besonders, wenn Komponenten nicht sinnvoll für Tests simulierbar waren.
-
Die menschliche Arbeit ist kontinuierlich gefragt geblieben.
Während Agenten eine Aufgabe bearbeitet haben, konnten Teammitglieder die vorherige prüfen und anschließend die nächste starten. Länger laufende Aufgaben kamen eher selten vor. Während der Implementierung war die menschliche Beteiligung dadurch fast durchgehend gefragt.
-
Kurze Entwicklungszyklen erfordern kurze Abstimmungen.
Roadmap und Tickets sollten möglichst früh vorliegen. Anforderungen sollten regelmäßig menschlich initiiert und anschließend agentisch ausgearbeitet werden. Zugleich lohnt es sich, das Verhältnis von Besprechungs- zu Umsetzungszeit im Blick zu behalten.
-
UX und UI sollten frühzeitig eingeplant werden.
Im Projektverlauf ist das UI-Design zum Engpass geworden. Hilfreich ist, Gestaltung und technische Umsetzung parallel voranzubringen. Während Anforderungen und Oberflächen konkretisiert werden, kann die Entwicklung bereits erste Funktionen umsetzen. Eine UI-Library kann dabei mit wiederverwendbaren, einheitlichen Komponenten unterstützen – sie ist jedoch keine Voraussetzung.
-
Testabläufe sollten zur schnelleren Umsetzung passen.
Zuvor mussten für lokale Funktionstests oft mehrere Services ausgecheckt, konfiguriert und gestartet werden. Nach einem erfolgreichen Code-Review haben abschließende Funktionstests auf der Dev-Umgebung den Ablauf beschleunigt – ohne erkennbaren Qualitätsverlust. Entdeckte Fehler konnten zeitnah oder in einem folgenden Sprint mit KI-Unterstützung nachgebessert werden.
Gemeinsam zu neuen Projekten
Eine saubere, sichere Architekturgrundlage wie die SPP ist für solche Vorhaben besonders wertvoll. Zusammen mit durchdachten UI-Regeln und wiederverwendbaren Komponenten erleichtert sie eine zielgerichtete und wiederholbare Entwicklung.
Der MVP hat Geräteeinrichtung, Messwertübersicht und regelbasierte Aktionen in einem durchgängigen Ablauf verbunden. Für ähnliche Vorhaben haben sich ein klar definierter Nutzen, ein fokussierter Umfang, kurze überprüfbare Zyklen und klar abgegrenzte KI-Aufgaben als hilfreiche Leitlinien gezeigt.
Möchten Sie einen eigenen Use-Case prüfen? Sprechen Sie uns an – gemeinsam können wir den passenden Umfang und die nächsten Schritte klären.