MietAssistent
Von der groben Idee zum profitablen AI-Agent im Schweizer Markt.
Ein AI-Agent, der für dich die bestmögliche Mietwohnung findet, Besichtigungstermine koordiniert und direkt in deinen Kalender einträgt?
Wir haben MietAssistent von einer groben Idee zu einem profitablen Produkt gemacht. In dieser Case Study zeige ich dir, was die Ausgangslage war und mit welchen Schritten wir die Idee zu einem profitablen Produkt mit zahlenden Kunden im Schweizer Markt gebracht haben.
Ausgangslage
Unser Kunde kam mit folgendem Briefing:
Eine Mietwohnung zu suchen ist mühsam. Man muss jeden Tag Portale prüfen und schnell auf neue Inserate reagieren, um Besichtigungstermine zu bekommen.
Dieser Prozess ist seit 20 Jahren derselbe. Nichts hat sich verbessert.
Kann man das nicht mit AI automatisieren?
Sein Auftrag: Herausfinden, ob man hier ein Produkt bauen kann und ob Leute bereit sind, dafür zu zahlen. Wenn ja, das Produkt starten und die ersten zahlenden Kunden gewinnen.
Schritt 1: Das Problem verstehen
92% aller Startups scheitern innerhalb der ersten drei Jahre. Der Hauptgrund ist, dass nicht genug Leute ihr Produkt kaufen und sie keinen Profit machen.
Bevor man also ein Produkt entwickelt, muss man herausfinden, ob Leute bereit sind, einen angemessenen Betrag für das Produkt zu zahlen.
Leute zahlen in der Regel nur Geld für ein Produkt, wenn dieses ein Problem löst. Ein Produkt ist also eine Lösung.
Dabei gibt es verschiedene Arten von Problemen. Manche sind funktional: Ich will keine Werbung mehr hören, also zahle ich für Spotify Premium. Manche sind emotional: Ich will mich weniger gestresst fühlen, also zahle ich für eine Meditations-App. Und manche sind sozial: Ich will dass andere mich auf eine bestimmte Art wahrnehmen, also kaufe ich eine Apple Watch statt einen günstigeren Fitness-Tracker.
MietAssistent löst auf den ersten Blick ein funktionales Problem: Wohnungssuche kostet Zeit. Wie wir später noch sehen werden, bedient es aber auch ein emotionales: sich nicht selbst damit beschäftigen müssen. Diese Unterscheidung wird in Schritt 5 noch wichtig.
Für uns hiess das: wir mussten zuerst ganz genau definieren, was das Problem ist.
Nach Interviews mit verschiedenen Personen auf Wohnungssuche und simulierten Suchen haben wir festgestellt: Wer eine Wohnung sucht, verbringt im Schnitt zwei Stunden pro Woche auf Portalen und prüft mehrmals täglich das E-Mail-Postfach nach neuen Inseraten.
Man investiert also Zeit und Energie in konstante Bereitschaft.
Schritt 2: Die Lösung skizzieren
Nach technischer Recherche und ein paar Prototypen haben wir festgestellt, dass wir den ganzen Prozess der Wohnungssuche bis zur Besichtigung mit einem AI-Agent automatisieren können.
Optimal wäre eine Lösung, in der der User nur einmal beschreibt, was für eine Wohnung er sucht (Gebiet, Grösse, Budget), und danach nichts mehr tun muss. Ein AI-Agent durchsucht alle Portale und Inserate, fragt mit eigens generierten Texten Besichtigungen an und trägt die Termine direkt in den Kalender des Users ein.
Schritt 3: Verkaufen, bevor man baut
Jetzt kannten wir also das Problem, das wir lösen wollen, und wussten, dass wir es technisch lösen können. Ein AI-Agent kann die Wohnungssuche bis zum Zeitpunkt der physischen Besichtigung übernehmen.
Diese Lösung zu bauen machte aber nur Sinn, wenn Wohnungssuchende auch bereit sind, dafür einen angemessenen Betrag zu zahlen. Wir haben diesen bei 33 CHF pro Monat festgelegt. Der technische Betrieb des Produkts kostet 3 CHF pro Monat. 30 CHF wären also Profit nach Abzug der Marketingkosten.
Aber wie findet man jetzt heraus, ob die Zielgruppe das zahlen wird?
Es gibt nur eine wahre Lösung: Man startet den Verkauf an fremde Menschen. Das liefert glasklar ein Ja oder Nein.
Aber wie testet man das, wenn noch kein Produkt existiert?
Man nutzt einen MVP. Das Wort stammt aus dem Silicon Valley und bedeutet so viel wie „minimal nutzbares Produkt". Also die kleinste Version, mit der du testen kannst, ob jemand dein Produkt überhaupt kaufen und nutzen will. So kannst du ohne grosse Entwicklungskosten testen, ob Leute wirklich bereit sind, echtes Geld zu zahlen.
Ein simples Beispiel: Wenn du ein neues Gericht erfindest, sagen wir Broccoli-Fondue, und dafür eine Restaurantkette eröffnen willst, wäre dein MVP ein Foodtruck. Damit testest du zuerst, ob jemand dein Broccoli-Fondue kauft, wieviel du dafür verlangen kannst und ob die Leute auch mehrmals kommen, bevor du in echte Restaurants investierst.
Für MietAssistent hätten wir jetzt also eine möglichst schlanke Version des AI-Agents bauen müssen. Aber es gibt sogar noch eine effizientere Variante. Wir hatten ja bereits mehrere Prototypen gebaut und wussten dadurch, dass die Technik fehlerlos funktioniert. Offen war einzig die Frage, ob und wieviel Wohnungssuchende dafür zahlen.
Also haben wir nur eine Landingpage mit Checkout gebaut. Wer das Produkt kaufte, bekam sofort einen Refund und die Nachricht: „Sorry, das Produkt kommt bald. You were not charged." Plus einen Link, um sich für die Warteliste anzumelden. So konnten wir mit minimalem Aufwand testen, ob fremde Leute ihre Kreditkarte zücken und für den AI-Agent zahlen, bevor wir das ganze Ding entwickeln.
Wir haben die Landingpage gebaut und über Meta Ads Werbung auf Facebook und Instagram geschaltet. Innerhalb einer Woche hatten wir die ersten 50 Verkäufe. Werbekosten: 1’500 CHF.
Das ist sehr effizient. Für 1’500 CHF hatten wir herausgefunden, dass echte fremde Personen bereit sind, 33 CHF pro Monat für den AI-Agent zu zahlen.
Zudem konnten wir diese 50 Personen anschliessend anrufen und befragen. So bekamen wir weitere Insights wie Geschlecht, Alter, Lebenssituation und Kaufmotivation.
Ausserdem konnten wir jetzt rechnen: 1’500 CHF brachten 50 User. Jeder User zahlte 33 CHF im ersten Monat, also 1’650 CHF Umsatz im ersten Monat. Ab dem zweiten Monat wäre jede weitere Zahlung reiner Profit, weil keine Akquisitionskosten mehr anfielen.
Das ist ein gutes Ergebnis. Es bedeutet, dass Leute diesen AI-Agent nutzen und angemessen dafür zahlen werden. Also konnten wir das Produkt entwickeln. Vergleichbar mit einer langen Schlange am Broccoli-Fondue-Foodtruck.
Also: ab in die Produktentwicklung.
Schritt 4: Das Produkt bauen
Wir haben mit dem ganzen Team zehn Tage am Stück gearbeitet und den gesamten AI-Agent gebaut. Über 3.000 Testfälle wurden durchgeführt, um auch den kleinsten Fehler zu beheben. Ausserdem haben wir eine Landingpage und eine Webapp gebaut, in der die User ihre Suche verwalten können.
Aufgrund der guten Meta-Ads-Resultate war klar, dass über 90% des Traffics von Instagram-Werbung kommen würde. Das Wichtigste an Branding und Landingpage war also, dass sie diesen Traffic konvertiert.
Für so einen Fall sind zwei Dinge entscheidend:
- Der Value muss innerhalb von drei Sekunden klar ersichtlich sein.
- Es muss Social Proof geben.
Denn Personen, die auf eine Instagram-Werbung klicken, interessiert nur: Was nützt mir das genau, und warum soll ich dem vertrauen?
Wir haben also im Hero-Element, das man beim Laden der Website sieht, klar beschrieben, was der Wert ist, und direkt Fotos von echten Gesichtern sowie Selfie-Video-Testimonials eingefügt, um Vertrauen zu schaffen. Ausserdem haben wir die Landingpage Mobile-first gebaut, weil 95% des Traffics auf Instagram vom Smartphone kommen.
Da die User aus allen Altersklassen und Hintergründen kommen, haben wir das User-Dashboard so simpel wie möglich gehalten. Man sieht einfach die Suchkriterien und wo der AI-Agent Besichtigungen angefragt hat. Für unseren Kunden gab es zusätzlich diverse Admin-Dashboards, um das ganze Produkt zu kontrollieren und zu steuern.
Schritt 5: Verkaufen und lernen
Nach Fertigstellung des Produkts haben wir wieder Werbung auf Instagram geschaltet. Im ersten Monat haben wir von jedem neuen User persönlich telefonisches Feedback eingeholt und wenn nötig Verbesserungen vorgenommen. Personen, die den Kauf abgebrochen hatten, haben wir ebenfalls telefonisch angerufen und nach dem Grund gefragt.
Parallel haben wir über 30 verschiedene Video- und Image-Ads getestet, um die effektivste Werbung zu finden, bis wir einen ROAS von 2.0 erreicht haben.
Wir haben fünf verschiedene Funnels gegeneinander getestet, also das Formular, das man vor dem Bezahlen ausfüllt, um herauszufinden, ob ein kürzerer oder längerer Funnel mehr Conversion bringt.
Ausserdem haben wir das gesamte Userverhalten getrackt und analysiert. Daraus haben wir interessante Learnings gewonnen.
Beispielsweise hatten wir angenommen, dass fast nur Personen in grossen Städten wie Zürich unser Produkt nutzen werden, weil die Wohnungssuche dort schwieriger ist. In Realität kamen aber 40% der Käufe aus ländlichen Gebieten, wo die Wohnungslage weniger angespannt war. Diese User hätten es auch selbst machen können, waren aber einfach zu faul.
Faulheit war also der Kaufgrund. Wie wenn man den Pizzakurier bestellt, während man zuhause auf dem Sofa sitzt.
Schritt 6: Übergabe
Wir konnten unserem Kunden einen AI-Agent übergeben, der eine neue Nische im Schweizer Markt bedient, die ersten 10’000 CHF Profit gemacht hat und in einer idealen Lage ist, um VC-Funding aufzunehmen und zu wachsen. Dieses Produkt lässt sich auch in anderen europäischen Ländern einsetzen.
Mit dieser Case Study will ich aufzeigen, wie man systematisch und kontrolliert ein neues Produkt und dessen Nachfrage testen kann, ohne direkt ein grosses Budget ins Nichts zu verschleudern.
So macht es richtig viel Freude, ein neues Produkt zu bauen und auf den Markt zu bringen.
