Zum Inhalt springen
Produkt 02 — bonwiseProdukt — Beta

Wie gesund ernähre ich mich wirklich?

Eine App, die Kassenbons per KI ausliest und den Einkauf gesundheitlich einordnet. Ich habe sie für mich selbst gebaut und betreibe sie seit Juli 2026 als Beta mit echten Nutzern.

B2C-AppErnährungKI

bonwise.app

App-Screen von bonwise im Smartphone-Rahmen: Wochenübersicht mit Gesundheits-Score
Status
BetaSeit Juli 2026, Registrierung offen
Rolle
AlleinverantwortlichKonzept, Design, Code & Betrieb
Stack
React · TypeScript · Supabase · VercelKI über Server-Proxy

Auf einen Blick

Problem
Wissen, wie gesund man sich ernährt, hieß bisher: jeden Tag eintragen, was man isst. Daran scheitern die meisten, und Kalorien zählen will kaum jemand.
Ansatz
Der Kassenbon wird zur Datenquelle: die KI liest Artikel und Mengen aus, die App bewertet die Einkäufe auf Wochenbasis. Eine globale Produktdatenbank macht die Erkennung der Artikel mit jedem neuen Kassenbon schneller und treffsicherer.
Stand
Beta seit Juli 2026, mit echten Nutzern und offener Registrierung. Das Abo-Modell ist vorbereitet; Bezahl-Launch und Store-Versionen sind die nächsten Schritte.
100+Bons ausgewertetJede Auswertung aus einem echten Einkauf
10Nutzer in der BetaGestartet mit Familie und Freunden
73Tage bis zur BetaVon der ersten Codezeile zum Launch

Die App heute

App-Screen von bonwise: Verteilung von Eiweiß, Kohlenhydraten und Fett
Woraus der Einkauf besteht
App-Screen von bonwise: Liste aller zehn Ernährungsbereiche mit Bewertung
Zehn Bereiche, jeder mit Bewertung
App-Screen von bonwise: individuelle Empfehlungen für die nächsten Schritte
Individuelle Empfehlungen
01

Problem

Ernährungs-Apps gab es genug, nur verlangten alle tägliches Eintragen.

Kalorien-Apps beantworten die Frage nach der eigenen Ernährung nur gegen tägliches Eintragen, Mahlzeit für Mahlzeit, und genau daran scheitern viele. Dass es anders geht, zeigen Fitness-Tracker: Sie zählen Schritte, ohne dass jemand etwas eintippt, und trotzdem sehen ihre Träger jeden Tag nach, weil sie Zahlen und Trends über sich sehen wollen. Bonwise setzt deshalb eine Stufe früher an, beim Einkauf: ein Foto vom Kassenbon, das war es.

Artefakt · Produkt-Nordstern vom 18. Mai 2026, unverändert
Ausschnitt des Produkt-Nordstern-Dokuments vom Mai 2026: wer die Nutzer sind und das Versprechen der App

Angefangen hat es mit meiner eigenen Frage: Wie gesund ist mein Einkauf wirklich, und welche blinden Flecken habe ich? Die Antwort steckte in meinen Kassenbons. Also baute ich mir einen Claude-Skill: Nach jedem Einkauf fotografierte ich den Bon, der Skill trug die Artikel in eine Liste ein, und alle paar Wochen wertete ein selbst geschriebener Prompt sie aus. Ich fand tatsächlich Defizite. Nur blieb jeder Durchgang Handarbeit, und irgendwann lag die Frage auf dem Tisch, warum ich daraus keine App mache.

Die erste Version war kein Code, sondern ein Claude-Skill.

V0 — Claude-Skill-Ablauf
  1. Bon fotografieren
  2. Hochladen
  3. Skill anstoßen
  4. Prompt schreiben
  5. Nachfragen
Artefakt · Der Claude-Skill, mit dem alles anfing, unverändert
Kopf des Claude-Skills für die Einkaufslisten-Auswertung: Name, Beschreibung und Zweck in einem Satz
02

Entscheidungen

Entschieden habe ich oft gegen die vermeintlich schnellere Lösung.

Vier Entscheidungen haben aus dem Prototyp ein Produkt gemacht.

Entscheidung 01

Der Prototyp wurde vollständig ersetzt.

Nach wenigen Wochen hatte ich einen ersten Prototyp als Web-App, den ich selbst nutzte. Die Kernidee funktionierte: Bon fotografieren, Auswertung bekommen. Aber vieles lief ruckelig, es sah langweilig aus, und in den Berechnungslogiken steckten, wie ich erst später feststellte, etliche Fehler.

Wenn schon ich keine Lust hatte, die App zu nutzen, dann hätte das niemand.

Der Prototyp · Mai 2026

Screen des ersten Prototyps vor dem Redesign: Ernährungs-Score 86 mit Stärken und Schwächen
Die Auswertung, oben
Screen des ersten Prototyps vor dem Redesign: Nährstoff-Verteilung als Ring und Top-Kategorien
Dieselbe Seite, weiter unten
Screen des ersten Prototyps vor dem Redesign: Verlaufsliste mit Einkäufen nach Monat
Der Verlauf mit echten Einkäufen

Einen Monat nach der ersten Codezeile zog ich die Reißleine. Auf ein strukturiertes Audit des Ist-Stands folgte ein Redesign, das weit über die Oberfläche hinausging: neues UI, überarbeitete User Flows, eine neu aufgesetzte Auswertungs-Engine und der Umbau zur öffentlichen Multi-User-App mit zentraler Datenbank statt Daten im Browser. Seitdem wird jeder Screen in jedem Zustand erst als Mockup entworfen und iteriert, bis ich ihn abnehme, und erst dann gebaut. 67 dieser Mockups liegen bis heute im Repository, samt der verworfenen Varianten.

Entscheidung 02

Aus spärlichen Bon-Zeilen müssen Lebensmittel erkannt werden.

Ein Kassenbon verrät wenig: oft nur eine Abkürzung, und jeder Supermarkt kürzt anders ab. Auf echten Bons standen Namen wie „Vital & Fit“ oder „+Proteínas Joghurt“, denen die App erst beibringen musste, welches Produkt mit welchen Nährwerten gemeint ist. Dafür gibt es eine Produktdatenbank, die alle Nutzer teilen: Wird ein Artikel einmal richtig zugeordnet, kennt ihn die App danach für alle. Anfangs blieb fast jeder fünfte Artikel ohne Zuordnung, inzwischen sind es weniger als zwei von hundert.

Die Treffsicherheit beim ersten Bon entscheidet, ob jemand der App vertraut.

Entscheidung 03

Testnutzer bedeuteten steigende Kosten.

Die Beta ist für die Nutzer kostenlos, und seit die KI-Auswertung auf dem Server läuft, geht jede Bonauslese auf mein Budget. Aus den KI-Kosten wurde deshalb Produktarbeit: Ich messe, was jede Auswertung kostet, und habe mit einem Eval-Set aus zehn echten Kassenbons in 24 Aufnahmen, scharf, unscharf und zerknittert, mehrere Modelle im Blindvergleich gemessen. Das Auslese-Modell habe ich danach gewechselt: Faktor 4 bis 5 günstiger und viermal schneller, eine Bonauslese kostet heute einen niedrigen einstelligen Cent-Betrag.

Sollte das Bezahlmodell funktionieren, wäre die App schon heute profitabel.

Entscheidung 04

Auf jedes Bon-Erfassen folgt ein Effekt.

Der Prototyp hatte genau einen Score, einen Mittelwert über die letzten vier Wochen. Wer einen neuen Bon erfasste, sah danach fast keine Veränderung; das Tracken fühlte sich folgenlos an. Genau hier kann die These kippen: Bewegt sich nichts, hört das Erfassen auf. Für die neue Version habe ich das zum Prinzip umgedreht: Auf jede Handlung des Nutzers muss die App sichtbar reagieren. Direkt nach dem Speichern zeigt heute ein eigener Erfolgs-Moment, was der Bon verändert hat, und jede Woche bekommt ihr eigenes Urteil mit einer Detail-Seite, die zeigt, was sich gegenüber der Vorwoche getan hat.

Wer einen Bon auswertet, will sofort Feedback bekommen.

Artefakt · Mockup des Erfolgs-Moments, vor dem Bau
Mockup vor dem Erfolgs-Moment: die Woche sammelt noch, mit Fortschrittsbalken
Vorher · die Woche sammelt
Nachher · der Erfolgs-Moment
03

Entwicklung

In Textform klang die neue Auswertungs-Ansicht gut, gebaut traf sie nicht meine Erwartungen.

Die Mockup-Regel aus dem Neuaufbau hat eine Vorgeschichte. Ende Mai hatte ich eine neue Auswertungs-Ansicht für den Prototyp schriftlich beschrieben und direkt im Code bauen lassen. Was herauskam, sah anders aus als das Bild, das ich beim Schreiben vor Augen hatte, und ich verwarf fast alles. Der Fehler steckte nicht im Ergebnis, sondern im Verfahren: Über ein Design lässt sich erst urteilen, wenn man es sieht. Seitdem stehen Varianten als klickbare Mockups nebeneinander, bevor eine gebaut wird; wie viele Anläufe ein Element bekommt, zeigt das Duo aus zwei Kennzahl-Kacheln in sechs Fassungen.

Im Mockup ist Verwerfen billig, im Code ist es teuer.

Artefakt · Ein Element, zwei Wege — Mockups aus dem Repository, unverändert
Drei Mockups des Wochen-Scores: die beiden Kennzahlen stehen frei unter dem Score-Ring, in drei Anordnungen
Freistehende Miniscores
Drei Mockups des Wochen-Scores: die beiden Kennzahlen sitzen auf eigenen Kacheln, in drei Ausprägungen von flach bis erhoben
Eingerahmte Miniscores

Datenbasis

Die Produktdatenbank habe ich selbst aufgebaut, obwohl es eine fertige gab.

Für die Produktdatenbank hätte es eine Abkürzung gegeben: Open Food Facts, eine freie Datenbank mit Lebensmitteln aus aller Welt, die jeder übernehmen darf. Für viele wäre das der schnellere Weg gewesen, für bonwise wäre das zweimal teuer geworden. Die Lizenz verlangt, dass eine daraus abgeleitete Datenbank ebenfalls veröffentlicht wird, also genau die Daten offenlegt, deren Pflege den Vorsprung der App ausmacht. Und die Einträge stammen von Freiwilligen: Viele sind unvollständig, manche falsch, und jeder Fehler wäre direkt in jeden Score gewandert. Also habe ich die Datenbank selbst aufgebaut und kuratiert, langsamer und aufwendiger als jeder Import. Dafür gehören die Daten mir und jeder Eintrag wurde auf seine Richtigkeit geprüft.

Die öffentliche Datenbank zu nutzen, hätte Wochen gespart, aber den größten Vorsprung gekostet.

Produktdatenbank — Produktarten, Stände aus dem Logbuch
  1. 12. Juni · 235
  2. 13. Juli · 382
  3. 4. August · 486
04

Live

Montags gehe ich am Dashboard drei Fragen durch.

Am 23. Juli 2026 ging bonwise als Beta live, im Kreis von Familie und Freunden. Geführt wird der Betrieb seitdem mit einer Nordstern-KPI, wörtlich: „Konten mit mindestens vier ausgewerteten Wochen und schreibender Aktivität in den letzten 30 Tagen.“ Stand heute erfüllen sie 4 von 10 Nutzern. Einmal die Woche, montags, schaue ich dafür auf ein Grafana-Dashboard, immer mit denselben drei Fragen:

Artefakt · Grafana „Wochen-Blick“ mit Lese-Anleitung, Aufnahme vom 27. August 2026
Grafana-Dashboard „Wochen-Blick“ mit Lese-Anleitung: Nordstern 4, bestätigte Konten 10, Bons gesamt 105

Vier von zehn Konten erfüllen die Nordstern-KPI. Was die zehn Tester im Einzelnen getan haben, sagt mehr als die Zahl, und es ist die erste Antwort auf die These vom Anfang:

Überraschen kann die App beim ersten Score, überzeugen muss sie ab der dritten Woche.

Rückmeldungen kommen, wie sie im Alltag entstehen, als WhatsApp-Nachricht, Sprachmemo oder Screenshot, und werden als einzelne Befunde erfasst und priorisiert. Die August-Runde brachte 67 Befunde in 17 Clustern; die größten drehten sich nicht um Abstürze, sondern um Stellen, an denen die App richtig rechnet, aber nicht sagt, warum. Ein Tester im Sprachmemo: „Hm, komisch, weiß ich jetzt auch nicht, was mir das sagen soll.“

Artefakt · Feedback-Priorisierung der Juli-Runde, Entscheide eingetragen — unverändert
Editor-Ausschnitt der Feedback-Priorisierung vom Juli 2026: Cluster-Tabelle mit Häufigkeit, Schwere, Aufwand und eingetragenen Entscheiden
App-Screen: Bon fotografieren in der Erfassungsansicht
Der Anfang: Bon fotografieren
App-Screen: Wochen-Urteil mit Score und Bereichen
Jede Woche bekommt ihr Urteil
App-Screen: Detailansicht eines Ernährungsbereichs
Ein Bereich im Detail
05

Erkenntnisse & Stand

Zwei banale Fehler beim Launch.

Vor dem Launch hatte ich den Registrierungsprozess doppelt und dreifach selbst durchgespielt. Trotzdem scheiterten die ersten Testnutzer genau daran, an zwei banalen Fehlern zugleich: Der Google-Login-Button war sichtbar, aber nie freigeschaltet. Und die Passwort-Regel war serverseitig auf zwölf Zeichen verschärft, während die Oberfläche noch „mindestens 8 Zeichen“ versprach. Beide Fehler haben dasselbe Muster: Frontend und Backend liefen auseinander, und ich war zu nah dran, um es zu sehen. Noch am Launchtag flog der Button komplett aus dem Code, und die Oberfläche zeigt seitdem die echte Passwort-Regel samt Checkliste. Rückblickend muss ich darüber lachen.

Die eigene Generalprobe prüft nur den Weg, den man selbst geht.

Der Status quo ist noch jung: eine Beta mit zehn Nutzern und ein Abo-Modell, das noch nicht freigeschaltet ist. Die nächsten Schritte sind geplant: Nutzerfeedback einarbeiten, eine kurze Einschätzung zu jedem Bon, damit sich nach jedem Foto etwas tut, ein zweiter Schwung von zehn Testern, dann die Zahlungsanbindung und die Store-Versionen. Eines muss die App jedoch noch beweisen:

Weckt die App auch nach der dritten Woche noch genug Neugier, um den nächsten Bon zu fotografieren?