{"id":62569,"date":"2026-07-27T12:42:17","date_gmt":"2026-07-27T12:42:17","guid":{"rendered":"https:\/\/www.mydigicode.com\/case-study\/stow-ai-proposal-generator-ai-design-automation-for-a-3d-product-design-platform\/"},"modified":"2026-07-28T13:55:25","modified_gmt":"2026-07-28T13:55:25","slug":"stow-ai-proposal-generator-ai-design-automation-for-a-3d-product-design-platform","status":"publish","type":"case-study","link":"https:\/\/www.mydigicode.com\/de\/case-study\/stow-ai-proposal-generator-ai-design-automation-for-a-3d-product-design-platform\/","title":{"rendered":"Stow AI Proposal Generator: AI Design Automation for a 3D Product Design Platform"},"content":{"rendered":"\n
\n
\n
\n
\n

Stow AI Proposal Generator: KI f\u00fcr automatisiertes Design auf einer 3D-Plattform f\u00fcr Produktdesign<\/h1>\n <\/div>\n \n
\n

Digicode entwickelte den Stow AI Proposal Generator, um einen Engpass zu beseitigen, der das Unternehmen Tag f\u00fcr Tag unbemerkt Geld kostete: Erfahrene Designer mussten dieselben Grundlayouts f\u00fcr jede Kundenanfrage immer wieder manuell neu erstellen. Die L\u00f6sung wandelt eine nat\u00fcrlichsprachige Beschreibung in drei validierte, sofort kalkulierbare Vorschl\u00e4ge um \u2013 basierend auf Retrieval-Augmented Generation (RAG), unterst\u00fctzt von Amazon Bedrock und bereits vor der \u00dcbergabe an den Designer anhand der tats\u00e4chlichen Fertigungsregeln der Plattform gepr\u00fcft. Dabei werden rund 80 % jedes Layouts automatisch vorbereitet und die Preisstufen Good, Better und Best automatisch generiert.<\/p>\n

Das Ergebnis:<\/strong> Designer mussten nicht l\u00e4nger bei null anfangen \u2013 sie konnten sich wieder auf das eigentliche Entwerfen konzentrieren.<\/p>\n <\/div>\n <\/div>\n \n

\n
\n \"orange <\/div>\n <\/div>\n <\/div>\n<\/section>\n\n\r\n
\r\n
\r\n\r\n \"stack\r\n \r\n
\r\n
\r\n

Keine Zeit im Moment?
\nF\u00fcr sp\u00e4ter speichern<\/h3>\n <\/div>\r\n\r\n PDF-Version herunterladen<\/a> <\/div>\r\n <\/div>\r\n<\/section>\n\n\n
\n
\n
\n
\n

\u00dcberblick<\/h2>\n

Jeder kann einen AI Proposal Generator entwickeln, der etwas erzeugt, das wie ein Design aussieht. Eine L\u00f6sung zu bauen, deren Ergebnisse ein Fertigungsteam tats\u00e4chlich zuverl\u00e4ssig nutzen kann, ist jedoch eine ganz andere Herausforderung. Ein Layout, das auf den ersten Blick korrekt wirkt, aber gegen Fertigungsvorgaben verst\u00f6\u00dft oder unbemerkt zwei Komponenten denselben Platz einnehmen l\u00e4sst, ist schlimmer als gar kein Layout \u2013 denn es verlagert die Arbeit in nachgelagerte Prozessschritte und h\u00e4lt die Fehler verborgen, bis sie sp\u00e4ter jemand korrigieren muss.<\/p>\n

Das Unternehmen betrieb eine 3D-Produktdesignplattform, deren Engpass im manuellen Arbeitsablauf lag. Interne Designer erstellten jedes Kundenangebot von Grund auf neu. F\u00fcr jede Anfrage begannen sie mit einer leeren Arbeitsfl\u00e4che und platzierten zun\u00e4chst standardisierte Strukturelemente \u2013 W\u00e4nde, Stangen und Regalb\u00f6den \u2013, bevor die eigentliche Designarbeit beginnen konnte. Das war zeitaufwendig. Es begrenzte die Anzahl der Vorschl\u00e4ge, die Kunden \u00fcberhaupt zu sehen bekamen. Und es band einige der qualifiziertesten Mitarbeiter des Unternehmens mit Aufgaben, die ihre eigentliche Expertise gar nicht erforderten.<\/p>\n

Der Stow AI Proposal Generator \u00e4nderte diese Ausgangslage grundlegend. Die L\u00f6sung verarbeitet eine nat\u00fcrlichsprachige Designanfrage, erstellt drei unterschiedliche Basislayouts und validiert jedes davon anhand der tats\u00e4chlichen Fertigungsregeln, noch bevor ein Designer es pr\u00fcft \u2013 und das, ohne den bestehenden Legacy-Kern, neben dem sie l\u00e4uft, zu ver\u00e4ndern. Designer \u00f6ffnen Projekte heute bereits zu rund 80 % vorbereitet und k\u00f6nnen ihre Zeit auf die Aufgaben konzentrieren, bei denen menschliches Urteilsverm\u00f6gen tats\u00e4chlich den Unterschied macht.<\/p>\n <\/div>\n

\n \"brain\n <\/div>\n <\/div>\n <\/div>\n <\/section>\n\n\n\n
\n
\n
\n
\n

\u00dcber den Kunden<\/h2>\n

Das Unternehmen betreibt eine 3D-Produktdesign- und Konfigurationsplattform, mit der individuelle Struktur-Layouts f\u00fcr Endkunden erstellt werden. Das Gesch\u00e4ftsmodell basiert auf einem Pre-Sales-Designprozess: Der Kunde beschreibt seine Anforderungen, ein interner Designer erstellt im Konfigurator einen Vorschlag, der anschlie\u00dfend als Grundlage f\u00fcr die Preiskalkulation und den Verkaufsprozess dient. Je schneller und hochwertiger dieser Vorschlag entsteht, desto erfolgreicher verl\u00e4uft das Vertriebsgespr\u00e4ch.<\/p>\n

Die Plattform selbst war ausgereift und stabil. Ihr Legacy-Kern enthielt \u00fcber Jahre gewachsene Fertigungslogik sowie umfangreiche Validierungsregeln. Diese Reife brachte jedoch auch Herausforderungen mit sich: Jede Automatisierung musste die bestehenden strukturellen Regeln vollst\u00e4ndig einhalten, und direkte Eingriffe in den Kern der Anwendung waren mit erheblichen Risiken verbunden.<\/p>\n

Der eigentliche Engpass lag jedoch nicht in der Plattform selbst, sondern im manuellen Arbeitsablauf, der sie umgab. Genau diese Erkenntnis bestimmte den gesamten Ansatz des Projekts.<\/p>\n <\/div>\n

\n \"orange\n <\/div>\n <\/div>\n <\/div>\n <\/section>\n\n\n\n
\n
\n
\n
\n

\u00dcber Digicode<\/h2>\n

Digicode ist ein auf KI-gest\u00fctzte Produktentwicklung und IT-Beratung spezialisiertes Unternehmen. Es entwickelt, implementiert und skaliert intelligente Automatisierungsl\u00f6sungen, KI-Systeme und individuelle Software f\u00fcr Enterprise-Unternehmen sowie wachstumsstarke Unternehmen. Retrieval-Augmented Generation (RAG), LLM-Orchestrierung und produktionsreife KI-Entwicklung<\/a> geh\u00f6ren zu den Kernkompetenzen von Digicode. Der Fokus liegt auf Systemen, die KI unter realen betrieblichen Rahmenbedingungen produktiv einsetzen \u2013 nicht auf Demos, die beim Einsatz mit Produktivdaten scheitern.<\/p>\n

Im Rahmen dieses Projekts \u00fcbernahm Digicode die Rolle des Engineering-Partners f\u00fcr intelligente Systeme und entwickelte die Backend-Design-Engine einschlie\u00dflich ihrer Integrationsschicht vollst\u00e4ndig \u2013 von der Konzeption bis zur Implementierung. Dabei kamen Digicodes Kompetenzen in der\u00a0 Entwicklung von KI-Agenten und Entwicklung individueller Software<\/a> gezielt zum Einsatz, mit dem klaren Ziel, den Pre-Sales-Prozess zu beschleunigen, ohne den bestehenden Legacy-Kern der Plattform zu ver\u00e4ndern.<\/p>\n <\/div>\n

\n \"A\n <\/div>\n <\/div>\n <\/div>\n <\/section>\n\n\n\r\n
\r\n\r\n
\r\n

Die Situation<\/h2>\n

Das Designteam war hervorragend in seinem Job. Genau das war Teil des Problems: Hochqualifizierte Designer verbrachten den Gro\u00dfteil ihrer Zeit mit Aufgaben, die ihre eigentlichen F\u00e4higkeiten nicht erforderten. Vier zentrale Faktoren verursachten den Engpass.<\/p>\n <\/div>\r\n\r\n

\r\n