Edtech-udvikling hos Startup House: Hvad vi har bygget, og hvad det har ændret

Nøglefakta i korte træk

• Flagskibs-EdTech-projekt: Graspify, en mikrolæringsplatform til virksomhedstræning, taget fra idé over MVP til version 2.0, med version 2.1 planlagt, udrullet i norske virksomheder
• Bevis på skalerbarhed: I august 2022 brugte en Graspify-kunde platformen til at træne hundredvis af medarbejdere under et virksomhedsevent
• Discovery-first-tilgang: LITTLEWINE, en B2B-platform for vinuddannelse, afgrænset gennem 10 brugerinterviews på 2 uger med vinmagere, indkøbere, sommelierer og forbrugere
• AI-læringsværktøjer: KnowHub og InProduct AI kan gå live på ned til 2 uger, når indholdet er klar
• Leverancemodel: faseopdelt udvikling med separate budgetter pr. fase og reel brugertest før hver næste fase

Hvorfor EdTech-produkter fejler – og hvad vi gør anderledes

EdTech-platforme fejler oftere på grund af UX end teknik. Lærende falder fra, når grænseflader ikke matcher, hvordan mennesker faktisk lærer. Indholdet skalerer ikke. Onboarding tager for lang tid. ROI forbliver usynlig for dem, der betaler for platformen.

Vores svar er procesdisciplin: definér først den ønskede effekt, byg i faser med individuelle budgetter pr. fase, og test med rigtige lærende før hvert næste skridt. Sådan spillede det ud i projekterne nedenfor.

Graspify: fra modig idé til live virksomhedstræning

Kunden: Graspify, en norsk startup, der vil ændre medarbejdertræning med en mikrolæringsplatform, som kombinerer læring med en forskningsbaseret læringsproces. Samarbejde fra januar 2021.

Udfordringen: Gør en modig vision til et funktionelt produkt, og find den rette form for "Grasps" – de korte minikurser på 5-6 slides i hjertet af platformen. Hvor lang skal én være? Hvor kompleks? Hvor enkel? Balancen var den centrale designopgave og kunne ikke afgøres med meninger.

Sådan arbejdede vi: Vi delte projektet op i mindre trin, hver med eget budget og egen runde brugertest, både 1-til-1 og i trygge grupper. I januar 2021 gennemførte vi Product Discovery og fastlagde visionen for Graspify 1.0. Derefter kom MVP'en (version 1.0 og 1.1), efterfulgt af den udvidede version 2.0, med version 2.1 planlagt på baggrund af live brugsdata.

Det ændrede sig:

• Graspify blev udrullet i flere norske virksomheder.
• I august 2022 brugte en Graspify-kunde MVP 2.0 til at træne hundredvis af medarbejdere under et virksomhedsevent.
• Eventet genererede betydelige data til analyse, som direkte fodrer ind i planen for version 2.1.

Platformen lader virksomheder oprette skræddersyet indhold, invitere medarbejdere, styre adgang, følge fremskridt og anbefale kurser. Den faseopdelte model betød, at Graspify aldrig bandt et fuldt udviklingsbudget til en uvalideret antagelse.

Læs casen om Graspify

LITTLEWINE: at definere en vidensplatform sammen med dem, der skal bruge den

Kunden: LITTLEWINE, en britisk B2B SaaS, der demokratiserer vinuddannelse og vidensudveksling mellem professionelle og vinmagere. Samarbejde fra november 2021.

Udfordringen: Gør vinkundskab tilgængelig direkte fra vinmagere, uden mellemled der udvander autenticiteten, og validér B2B-retningen, før der investeres i udvikling.

Sådan arbejdede vi: En serie workshops med konkurrentanalyse, kundebehov og potentielle indtægtsstrømme, derefter wireframe-prototyping forankret i brugerindsigt og markedsresearch. Nøglegrebet: 10 brugerinterviews på tværs af 2 grupper (vinmagere, indkøbere, sommelierer, forbrugere) gennemført på 2 uger.

Det ændrede sig: LITTLEWINE modtog en komplet definition af B2B-produktets scope og MVP-estimater i flere varianter, klar til pitch over for tidlige investorer. Funktioner omfattede dedikerede vinmagerkonti med indholdsupload, personlige samlinger, en database over regioner og druesorter samt avanceret søgning.

Sådan ser EdTech-discovery ud, når målgruppen er niche: man taler hurtigt med de faktiske fagfolk, før nogen skriver produktionskode.

Læs casen om LITTLEWINE

AI i EdTech: læringsværktøjer, der kun svarer ud fra dit indhold

For læringsplatforme er et forkert svar ikke bare en bug. Det underminerer læringsudbyttet og kan skabe ansvarsmæssig risiko. Derfor bygger alle tre af vores AI-produkter til EdTech på en model med verificerede svar: AI'en svarer kun ud fra godkendt indhold, kan ikke generere svar fra offentlige træningsdata og kildehenviser hvert svar til et kildedokument.

• KnowHub gør din knowledge base til en læringsassistent, der svarer 24/7, på alle sprog og på alle enheder.
• InProduct AI læser din codebase, skriver sin egen dokumentation og guider brugere gennem din platform og dine kurser.
• SmartSearch forstår, hvad en lærende leder efter – ikke kun de ord, vedkommende skrev – og verificerer hvert resultat med dokumentation.
• For eksisterende platforme bygger vi også et konverserende AI-lag oven på legacy LMS-systemer, så brugerne får adgang til data i naturligt sprog uden en omskrivning af systemet.

KnowHub og InProduct AI kan implementeres på ned til 2 uger, når dit indhold eller din codebase er klar. Skræddersyede platforme følger en faseopdelt model, typisk 4–12 uger til en første brugbar version afhængigt af scope.

Hvad vi bringer ud over AI

Full-stack EdTech-leverance dækker resten af det, et læringsprodukt har brug for:

• UX og læringsoplevelsesdesign: onboardingflows, kursusstrukturer, vaneopbyggende fremdriftssporing og evaluerings-UX, brugertestet i alle faser.
• Analytics og læringsintelligens: dashboards, der viser, hvilket indhold virker, hvor lærende falder fra, og hvad der forudsiger gennemførsel, før en lærende falder fra.
• Cloud-infrastruktur: bygget på GCP, AWS eller Azure til at håndtere trafikspidser, samtidige sessioner og globale brugere, med CI/CD og 24/7-supportniveauer.
• Platformintegrationer: SSO, HRIS, CRM, betalingsudbydere og indholdsbiblioteker, så platformen passer ind i enhver enterprise-stack.

Data governance gælder på tværs af det hele: data om lærende bruges aldrig til at træne delte eller offentlige AI-modeller, under de samme ISO 27001-kompatible praksisser, som vi anvender for enterprise-kunder som Siemens Healthineers.

Hvad dette ændrede, i én paragraf

For Graspify gjorde faseopdelt leverance en modig vision til et produkt, der kører live virksomhedstræning og genererer sine egne forbedringsdata. For LITTLEWINE blev to uger med strukturerede interviews til en investor-klar scope. Den røde tråd: I EdTech slår evidens om lærende altid antagelser om lærende – i alle faser af byggeriet.

Om Startup House

Startup House er en softwareudviklingsvirksomhed med 50 medarbejdere med base i Warszawa, Polen, etableret i 2016, med 100+ produkter leveret til kunder på 5 kontinenter. Vi arbejder både med tidlige EdTech-startups og etablerede læringsplatforme – fra discovery over MVP til langsigtet iteration.

Bygger du et EdTech-produkt? Book et 30-min. opkald.

FAQ

Hvilke EdTech-produkter har Startup House bygget?

Startup House byggede Graspify, en mikrolæringsplatform til virksomheder, udrullet i norske virksomheder og brugt til at træne hundredvis af medarbejdere under et virksomhedsevent, og scope'ede LITTLEWINE, en B2B-platform for vinuddannelse, gennem struktureret discovery med 10 brugerinterviews på 2 uger. Vi udruller også AI-læringsværktøjer (KnowHub, InProduct AI, SmartSearch) til eksisterende platforme.

Arbejder Startup House med tidlige EdTech-startups?

Ja. Graspify startede som et koncept uden produkt, og vi leverede discovery, design, MVP og version 2.0. Vi arbejder også med etablerede platforme, der tilføjer AI-kapabiliteter eller skalerer infrastruktur.

Hvor lang tid tager det at bygge en EdTech-platform?

AI-læringsværktøjer som KnowHub og InProduct AI kan gå live på ned til 2 uger, når indholdet er klar. Skræddersyede builds følger en faseopdelt model, typisk 4–12 uger til en første brugbar version afhængigt af scope, med brugertest indbygget i hver fase.

Hvordan sikrer Startup House, at AI giver korrekte svar i en læringskontekst?

Alle vores AI-produkter til EdTech bygger på en model med verificerede svar: AI'en svarer kun ud fra godkendt indhold, kan ikke svare ud fra offentlige træningsdata og kildehenviser hvert svar til et specifikt kildedokument.

Bruges data om lærende til at træne AI-modeller?

Aldrig. Data om lærende forbliver i kundens miljø og bruges ikke til at træne delte eller offentlige AI-modeller, under ISO 27001-kompatibel data governance.