Ameru Smart Bin: In Rekordgeschwindigkeit von der Idee zum physischen Produkt
Echte Fallstudien sind selten. Umso wertvoller sind Beispiele, bei denen wir nachvollziehen können, wie aus einer Idee ein physisches Produkt und ein tragfähiges Geschäftsmodell wird. Ameru AI ist genau so ein Fall und produziert smarte Müllsysteme als B2B-Lösung. Gegründet 2021 hatte das Unternehmen bereits Mitte 2022 zahlende Early Adopters. Der Übergang zu Vollzeitentwicklung und Serienprodukt war bis Ende 2024 abgeschlossen. Das ist gelebte Product Velocity.
Das Produkt
Ameru entwickelt intelligente Abfallbehälter, die Sortierung dort erledigen, wo sie heute am häufigsten scheitert: direkt beim Einwurf. Kamerabasierte Wahrnehmung, On-Device-KI, eine bewusst einfache Mechanik und ein cloud-angebundenes Software-System greifen ineinander. Die KI klassifiziert Abfallobjekte lokal, die Mechanik lenkt sie in den richtigen Strom, und die Software sorgt dafür, dass das System über Updates und Analysen kontinuierlich besser wird.
Das Geschäftsmodell ist konsequent darauf abgestimmt. Ameru kombiniert Hardware mit einem Abo-Modell. Jeder installierte Behälter erzeugt Betriebsdaten, die in die Weiterentwicklung der Modelle und des Produkts zurückfließen. Lernen ist kein Projektabschluss, sondern Teil des laufenden Betriebs.
Business Case
Gewerbliche und institutionelle Abfallentsorgung leidet unter einer strukturellen Lücke zwischen Anspruch und Realität. Nutzer wollen korrekt entsorgen, Betreiber brauchen saubere Wertstoffströme, Regulatoren fordern messbare Compliance. In der Praxis führen manuelle Sortierung und Beschilderung jedoch zu hoher Fehlwürfen, Kontamination und Wertverlust.
Ameru schließt diese Lücke am Ort der Entsorgung. Statt auf perfektes Nutzerverhalten zu hoffen, verlagert das System die Sortiergenauigkeit in ein KI-gestütztes Produkt. Die Klassifikation erfolgt vor Ort, die Genauigkeit verbessert sich durch reale Nutzungsdaten kontinuierlich. Das Ergebnis sind weniger verlorene Wertstoffe, geringere Kontamination regulierter Ströme und ein klarer wirtschaftlicher Anreiz für Betreiber durch sinkende Entsorgungskosten und kurze Amortisationszeiten. Nutzerkomfort, Betreiberökonomie und regulatorische Ziele werden in einem skalierbaren Produktmodell zusammengeführt.
Zur Zielgruppe von Ameru zählen Flughäfen, Kantinen, Büros und ähnliche Einrichtungen. Bemerkenswert finde ich, wie klar und deutlich Ameru den Business Case für diese Zielgruppen herausarbeitet und präsentiert.
Vorgehen
Der Weg dorthin war bewusst unkonventionell und risikoarm. Auf der Ameru-Webseite ist eine Zeitlinie zu finden, die die Entwicklung mit Bildern und Videos anschaulich dokumentiert.
- Start als Nebenprojekt, eher Hobby als Business
- Frühes Experimentieren mit den Kerntechnologien Machine Learning und Mechanik
- Ein bezahlter Prototyp im eigenen Coworking-Space als erster Realitätscheck
- Schnelles Feedback aus echter Nutzung mit der Möglichkeit, schnell nachzubessern
- Konsequent eingesetzte Rapid-Manufacturing-Methoden wie 3D-Druck, sowie Zusammenarbeit mit Fertigungsdienstleistern für Metallteile und Gehäuse
Entscheidend war nicht Perfektion, sondern Lerngeschwindigkeit kombiniert mit Risikominimierung.
Product Velocity im Einsatz
Bei Ameru lassen sich alle vier Product-Velocity-Prinzipien beobachten. Sie manifestieren sich nicht als Prozessdiagramm, sondern als gelebte Praxis entlang der Velocity Loop aus Business, System Stewardship, Engineering und Delivery.
Eine ausgearbeitete Fallstudie dazu habe ich bereits veröffentlicht: Die Entwicklung des Universal Interfaces folgt einer standardisierten Vorlage für Case Studies. Dabei können Leser auf einen Blick erkennen, worum es geht:
- Der Titel beschreibt, welches Unternehmen aktiv ist (Ameru) und um welches Produkt, bzw. welche Komponente des Produkts es geht (Universal Interface)
- Der Untertitel beschreibt den Mehrwert (Einfacher Tausch ohne Werkzeug, zukunftssicheres Interface)
- Relevante Prinzipien, die hier zur Anwendung kommen (Architect for Flow und Accelerate)
- Relevante Tätigkeitsfelder der Velocity Loop, die hier relevant sind (Structure, Design, Commit, Operate)
- Das Produktbild hilft, die Situation auf einen Blick zu erfassen
Hier ist das Bild zu sehen, der Link führt zur englischsprachigen, vollständigen Case Study, daneben ein Erklärvideo.
Auf der Webseite sind bereits weitere Case Studies von SpaceX und ZF Friedrichshafen eingestellt. Da Ameru der Hauptanwendungsfall für das Buch werden wird, habe ich hier schon die folgenden Case Studies geplant, die in Kürze Online gestellt werden:
- Differenzierte Stakeholder und messbarer Wert: Wie explizite KPIs für Nutzer, Betreiber und Regulatoren helfen, Zielkonflikte aufzulösen und Prioritäten für die Smart Bin klar zu setzen.
- Frühes Entkoppeln von Mechanik und ML: Wie frühzeitige Experiment mit Machine Learning und Mechanik für die Smart Bin technische Risiken entschärft, die spätere Architektur stabilisiert und Änderungskosten senkt.
- MLOps im Feld: Wie reale Nutzung nicht zum Risiko, sondern zur Quelle kontinuierlicher Verbesserung wird, indem Nutzerfeedback zur Performance systematisch gesammelt und via MLOps in die Entwicklung zurückgeführt wird.
- Pull-basierte Integrationstests bei Hardwareänderungen: Wie Warteschlangen beim Integrationstest vermieden werden, indem Integrationstests ereignisbasiert ausgelöst und im Einklang mit der bestehenden Kadenz durchgeführt werden.
Fazit
Ameru zeigt, was möglich ist, wenn Lernen systematisch nach vorne gezogen wird und wirtschaftliche Realität früh Teil der Entwicklung ist. Ein zahlender Kunde ersetzt jede PowerPoint-Validierung. Eine klare Architektur ersetzt hektische Integration. Und kontinuierliche Rückkopplung aus dem Feld macht aus einem physischen Produkt ein lernendes System.
Wer über Geschwindigkeit in der Entwicklung cyber-physischer Produkte spricht, sollte sich weniger auf Methoden und mehr auf solche Geschichten konzentrieren. Ameru ist eine davon.
