Initiative Case · AI Enablement · Designing with AIzvoove · Personaldienstleistung · 2025 – 2026
Aus meinen Arbeitsregeln wurde die AI-Infrastruktur des Teams.
Als einziger Designer für mehrere Teams habe ich mir Workflows und Skills gebaut, um selbst klarzukommen. Daraus wurde in Eigeninitiative zvoove Skills: die gemeinsame AI-Bibliothek von Product, Design und Engineering.
- Rolle im Projekt
- InitiatorEigeninitiative, ohne Auftrag
- Rahmen
- AI Steering (Value Builders)Gründungsmitglied
- Verantwortung
- Skills und Fundamentzvoove Brain, Design- und PM-Skills, Knowledge Base und Design System angebunden, Leitplanken
- Status
- und 2 weitere Zustände
Live+2
Stand September 2026
Live
Seit März 2026: 19 Skills zum Start, im August 2026 34 in drei Abteilungen
Im Einsatz
Dark Factory seit August 2026 bei den Entwicklern, die Pipeline verantwortet Engineering
Offen
Gemessen wird intern über erledigte Tickets (Tickets done)
Der Weg
01
Erst das eigene Problem lösen
Arbeitsweise aufschreiben, statt sie zu wiederholen.
Ausgangslage
Was bremste
- Design wurde zu spät eingebunden
- AI passte nicht zum System
- Kontext ging verloren
Die Entscheidung
Statt jeden Tag dasselbe zu erklären, habe ich festgehalten, wie ich arbeite. Erst nur für mich, dann zeigte sich: Andere können damit genauso arbeiten.
02
Wissen anschließen statt kopieren
die Knowledge Base über MCP, mit ihrem Team verbessert.
MCP
- Welche Felder braucht ein Stundenzettel-Export für Kunden?
knowledge-base · search3 Treffer- 1Stundenzettel · DatenmodellEntität, 14 Felder
- 2Export · CSV und PDFRichtlinie
- 3Persona · DisponentinPersona
Für den Kunden-Export reichen 9 der 14 Felder: Mitarbeitende, Einsatz, Datum, Beginn, Ende, Pausen, Stunden, Zuschläge und Freigabe. Interne Kostenstellen bleiben draußen.
1Stundenzettel · Datenmodell2Export · CSV und PDF3Persona · Disponentin
Nachricht schreiben …Nachbau: Ein Agent fragt die Knowledge Base über MCP ab, statt dass jemand Kontext in jede Sitzung kopiert.
03
Product Manager bauen selbst
PM-Skills und ein AI-ready Design System.
Product
Bis zum ersten Kundenfeedback VorherFeedback nach der Umsetzung
- 1IdeeDer grobe Gedanke des PM.
- 2TicketEin Ticket ohne Oberfläche.
- 3Warten auf DesignEin Designer für mehrere Teams: das Ticket wartet.
- 4EntwurfDesign entwirft, PM stimmt ab.
- 5UmsetzungEngineering baut. Erst danach sehen Kunden etwas.
- KundenfeedbackErst nach der Umsetzung: Änderungen kosten jetzt einen Umbau.
Mit den SkillsFeedback vor dem ersten Ticket
Umweg entfälltKein Umweg bis zum FeedbackTicket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.- 1IdeeDer grobe Gedanke des PM.
- 2Spec → PrototypPM-Skill und Prototyp-Skill: aus dem Gedanken wird eine Spec, daraus automatisch ein live-naher Prototyp in UnityUI.
- KundenfeedbackAm live-nahen Prototyp, bevor ein Ticket entsteht.
- Kein Umweg bis zum FeedbackTicket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.
mit SkillsWartenKundenfeedbackPM-SkillPrototyp-Skill04
Eine Kette statt einzelner Prompts
von der Idee bis zur Übergabe.
Kette
Die Kettefünf Stationen 01Spec
Aus einem Satz, einem Figma-Link oder Gesprächsnotizen wird eine baubare Spec: Persona, Problem, User Stories, Akzeptanzkriterien, Edge Cases.
- Persona
- Problem
- User Stories
- Akzeptanzkriterien
- Edge Cases
02Design-Refinement
Zu jedem Ticket mit Oberfläche entsteht die Design-Aufgabe. Sie deckt Ablauf, Fehlerverhalten, Zustände, Rechte, Texte und Übersetzung ab und bleibt mit dem Ticket synchron.
- Ablauf
- Fehlerverhalten
- Zustände
- Rechte
- Texte
- Übersetzung
03Figma zu UnityUI
Abstände, Typografie, Farben und Layout kommen aus Figma und werden, gegen die Design Tokens geprüft, in UnityUI-Code übersetzt.
- Abstände
- Typografie
- Farben
- Layout
gegen die Design Tokens geprüft
04Quality Gate
Jede Komponente wird aus sechs Blickwinkeln geprüft: Codequalität, Design-System-Treue, Barrierefreiheit, Sicherheit, Performance, Vollständigkeit, mit Schweregraden von P0 bis P3.
- Codequalität
- Design-System-Treue
- Barrierefreiheit
- Sicherheit
- Performance
- Vollständigkeit
Schweregrade P0 bis P3
05Übergabe
Ein zehnteiliges Paket mit Kontext, Architekturentscheidungen, Testanleitung und einem schnellen Einstieg für Reviewer.
- Kontext
- Architekturentscheidungen
- Testanleitung
- Einstieg für Reviewer
zehnteiliges Paket
05
Keine Wirkung ohne ein Ja
Jede Aktion wartet auf eine Freigabe.
Freigabe
Claude Code - /pm-ticket „Stundenzettel als CSV exportieren“
- Spec: Persona, Problem, User Stories, Akzeptanzkriterien, Edge Cases
- Design-Aufgabe: Ablauf, Fehlerverhalten, Zustände, Rechte, Texte
- Ticket anlegen und im Team kommentieren?
- Ticket angelegt und im Team kommentiert.
- Abgebrochen. Nichts angelegt.
06
Abgeben, um zu skalieren
gemeinsame Struktur mit Reviews und Ownern.
Team
Vom Werkzeug zur Plattform - 01Für michWorkflows und Skills, um als einziger Designer klarzukommen.
- 02AngeschlossenKnowledge Base über MCP, Zugänge mit ihrem Team verbessert.
- 03Für Product ManagerPM-Skills und das AI-ready Design System.
- 04zvoove BrainEnablement für die ganze Firma.
- 05zvoove SkillsWeitergeführt in den AI Steering (Value Builders), mit Reviews und Ownern.
07
Das Material liefern, nicht die Pipeline
Skills und Patterns für die Dark Factory.
Agenten
Dark Factory 01Stundenzettel als CSV exportierenmit dem PM-Ticket-Skill entstanden02PipelineAgenten setzen um · Engineering03Quality Gate04Codezum Review
ZVS-1482
Stundenzettel als CSV exportieren
darkfactoryon
Pipeline
Quality GateP0–P3
- Codequalität
- Design-System-Treue
- Barrierefreiheit
- Sicherheit
- Performance
- Vollständigkeit
Code
Pull Request
Stundenzettel als CSV exportieren
Checks bestanden
wartet auf Review aus Engineering
Mein Anteil
Aus zvoove Skills. Die Pipeline verantwortet Engineering, mein Teil ist das Material, aus dem sie zieht.
- PM-Ticket-Skillvon mir, mit dem Team weitergeführt
- Design-Refinement-Skillfür die Dark Factory erweitert
- UnityUI Pattern Libraryim Ausbau
Stufe 5 von 5Agenten setzen Tickets selbstständig um
08
Von 19 auf 34 Skills
Heute in den AI Steering (Value Builders), mit Reviews und sechs Ownern.
heute
Die BibliothekRepository-Stände - 13.03.202619 Skillsvier Plugin-Pakete, alle von mir
- August 202634 SkillsProduct, Design und Engineering, sechs Owner
12 von mir22 von fünf Kolleginnen und Kollegen
Aus der Bibliothek, Auswahl
- design-refinementDesign
- unity-ui-qaDesign
- unity-ui-pattern-genDesign
- unity-ui-storybookDesign
- product-specProduct
- discovery-to-prototypeProduct
- zvoove-wording-checkerProduct
- user-insightsProduct
- dev-handoverEngineering
- jira-to-buildEngineering
Aus meinen Arbeitsregeln wurde die AI-Infrastruktur des Teams.
Ein Designer für viele Teams geht nur mit System
Bei zvoove Germany war ich der einzige Designer, zuständig für mehrere Teams und Produkte gleichzeitig. Jedes Team brauchte Design, und ich konnte nicht überall zugleich sein.
Also habe ich angefangen, mir selbst Arbeit abzunehmen. Eigene Workflows für AI-Werkzeuge baute ich schon seit September 2024; jetzt schrieb ich Workflows und Skills, die Research, Personas, Design-System-Regeln und Constraints bereithielten, damit ich sie nicht in jeder Sitzung neu erklären musste.
Design wurde zu spät eingebunden
Fragen zu Zuständen, Fehlern, Rechten und Texten tauchten erst in der Umsetzung auf.
AI passte nicht zum System
Ergebnisse aus AI-Werkzeugen ignorierten UnityUI: hartcodierte Werte, falsche Komponenten, Abstürze.
Kontext ging verloren
Personas, Fachbegriffe wie AÜG und das Produktwording mussten in jeder Sitzung neu erklärt werden.
Design skalierte nicht
Wenige Designer, viele Teams: Jede Frage wartete auf einen Menschen.
Keine gemeinsamen Regeln
Jede Person arbeitete anders mit AI, und niemand war dafür zuständig.
Dazu kam, dass die Produktentwicklung insgesamt langsam war. Was mich als einzelnen Designer bremste, bremste auf Dauer alle.
Wissen anschließen, statt es zu kopieren
Parallel entstand bei zvoove eine Knowledge Base aus den Datenbankdaten zu unseren Produkten. Mit ihr sollte der Customer Support per AI-Chat alle Daten abrufen und Tickets und Anrufe einfacher beantworten können.
Ich habe sie über ihren MCP-Zugang an meine Workflows angebunden. Damit das auch für andere leicht wird, habe ich eng mit dem Team zusammengearbeitet, das die Knowledge Base verwaltet, und gemeinsam mit ihm die MCP-Zugänge verbessert.
Knowledge Base
Produktdaten aus der Datenbank, erreichbar über MCP.
Meine Workflows
Über den MCP-Zugang angebunden, gemeinsam mit dem Team verbessert.
Customer Support
AI-Chat für Tickets und Anrufe.
zAIn
Vom Proof of Concept zum AI-Layer im Produkt.
Aus derselben Knowledge Base entstand noch etwas anderes. Der PM Lead, der Tech Lead und ich hatten dieselbe Idee: daraus einen AI-Assistenten für das Produkt zu machen. Wir starteten eine Initiativgruppe, bauten einen Proof of Concept und trieben ihn intern voran. Daraus wurde zAIn und später der ganze AI-Layer im Produkt.
Learning
Ein Skill ist nur so gut wie das Wissen, an das er angeschlossen ist. Den Zugang zu verbessern, war mehr wert als jeder weitere Prompt.
Product Manager bauen Prototypen, die sich echt anfühlen
Als meine eigenen Workflows trugen, habe ich angefangen, Skills für Product Manager zu schreiben: vom groben Gedanken zur strukturierten Spec, vom Ticket zur Design-Aufgabe.
Gleichzeitig habe ich das Design System eingebracht. UnityUI ist ein bestehendes System, das ich nicht erschaffen habe. Getrennt von den Skills habe ich es ab Herbst 2025 AI-ready gemacht, zuerst mit Figma Make, später mit dem Frontend Lead. Seitdem funktioniert es in Figma Make, Claude Design, Claude Code, Codex und Lovable.
Strang 1
PM-Skills
Specs, Tickets und Design-Aufgaben in derselben Struktur, mit Personas und Fachbegriffen aus dem gemeinsamen Fundament.
Strang 2
AI-ready Design System
UnityUI mit Tokens und Komponenten, die AI-Werkzeuge richtig einsetzen.
Ergebnis
Live-nahe Prototypen
Product Manager validieren damit selbst, betreiben Discovery und unterlegen Tickets und Anforderungen. Wir arbeiten gemeinsam in Claude Design oder Figma Make, bis ich Feinarbeit und States übernehme.
VorherFeedback nach der Umsetzung
- 1IdeeDer grobe Gedanke des PM.
- 2TicketEin Ticket ohne Oberfläche.
- 3Warten auf DesignEin Designer für mehrere Teams: das Ticket wartet.
- 4EntwurfDesign entwirft, PM stimmt ab.
- 5UmsetzungEngineering baut. Erst danach sehen Kunden etwas.
- KundenfeedbackErst nach der Umsetzung: Änderungen kosten jetzt einen Umbau.
Mit den SkillsFeedback vor dem ersten Ticket
- 1IdeeDer grobe Gedanke des PM.
- 2Spec → PrototypPM-Skill und Prototyp-Skill: aus dem Gedanken wird eine Spec, daraus automatisch ein live-naher Prototyp in UnityUI.
- KundenfeedbackAm live-nahen Prototyp, bevor ein Ticket entsteht.
- Kein Umweg bis zum FeedbackTicket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.
Vorher kam das erste Kundenfeedback erst nach der Umsetzung: Die Idee wurde zum Ticket ohne Oberfläche, wartete auf Design, ging in Entwurf und Abstimmung und dann in die Umsetzung. Mit den Skills bekommen Product Manager das Feedback am live-nahen Prototyp, vor dem ersten Ticket.
AI Playbook 2.0 Lite
Für meine PM-Kollegen habe ich das AI Playbook 2.0 Lite geschrieben: wie man mit Claude, Claude Design und Claude Code baut, wie man Skills aus dem zvoove-Skills-Plugin einbindet und wofür man was nimmt, mit wöchentlichen Learnings und geteilter Verantwortung.
Von der Idee bis zur Übergabe, Schritt für Schritt
Einzelne Prompts helfen einer Person. Eine Organisation braucht eine Kette, in der jeder Schritt das Ergebnis des vorherigen aufnimmt, prüft und weitergibt. Am 13.03.2026 lag sie als 19 Skills in vier Plugin-Paketen im Repository, alle von mir geschrieben.
01Spec
Aus einem Satz, einem Figma-Link oder Gesprächsnotizen wird eine baubare Spec: Persona, Problem, User Stories, Akzeptanzkriterien, Edge Cases.
- Persona
- Problem
- User Stories
- Akzeptanzkriterien
- Edge Cases
02Design-Refinement
Zu jedem Ticket mit Oberfläche entsteht die Design-Aufgabe. Sie deckt Ablauf, Fehlerverhalten, Zustände, Rechte, Texte und Übersetzung ab und bleibt mit dem Ticket synchron.
- Ablauf
- Fehlerverhalten
- Zustände
- Rechte
- Texte
- Übersetzung
03Figma zu UnityUI
Abstände, Typografie, Farben und Layout kommen aus Figma und werden, gegen die Design Tokens geprüft, in UnityUI-Code übersetzt.
- Abstände
- Typografie
- Farben
- Layout
gegen die Design Tokens geprüft
04Quality Gate
Jede Komponente wird aus sechs Blickwinkeln geprüft: Codequalität, Design-System-Treue, Barrierefreiheit, Sicherheit, Performance, Vollständigkeit, mit Schweregraden von P0 bis P3.
- Codequalität
- Design-System-Treue
- Barrierefreiheit
- Sicherheit
- Performance
- Vollständigkeit
Schweregrade P0 bis P3
05Übergabe
Ein zehnteiliges Paket mit Kontext, Architekturentscheidungen, Testanleitung und einem schnellen Einstieg für Reviewer.
- Kontext
- Architekturentscheidungen
- Testanleitung
- Einstieg für Reviewer
zehnteiliges Paket
Keine Wirkung ohne ein Ja
AI, die Tickets anlegt oder Kommentare schreibt, braucht klare Grenzen. Für alle Skills gilt deshalb dieselbe Regel: Ein Skill startet von selbst, wenn die Anfrage passt. Jede Aktion mit echter Wirkung wartet aber auf eine ausdrückliche Freigabe.
- /pm-ticket „Stundenzettel als CSV exportieren“
- Spec: Persona, Problem, User Stories, Akzeptanzkriterien, Edge Cases
- Design-Aufgabe: Ablauf, Fehlerverhalten, Zustände, Rechte, Texte
- Ticket anlegen und im Team kommentieren?
- Ticket angelegt und im Team kommentiert.
- Abgebrochen. Nichts angelegt.
Freigabe vor Wirkung
Tickets, Kommentare und Nachrichten entstehen erst nach einem Ja.
Ein gemeinsames Fundament
Personas, Glossar, Produktwording und AI-Guardrails liegen einmal zentral. Alle Skills greifen darauf zu, statt sie zu kopieren.
Reviews je Abteilung
Änderungen laufen über Pull Requests. Design, Product und Engineering prüfen jeweils ihren Bereich.
Automatische Prüfung
Jeder Skill wird vor dem Merge automatisch validiert.
Dazu kommt das AI Playbook, das ich geschrieben habe: allgemeine Regeln für die Arbeit mit AI, mit Prompt-Hilfen, Richtung, Mission und Vision, und mit der Forderung, AI-gebaute Arbeit zu kennzeichnen. Es wird konzernweit genutzt. Im August 2026 kam der Skill-Katalog dazu, der die Skills für alle auffindbar macht.
Aus meinem Werkzeug wurde Infrastruktur
Aus meinen Workflows wurde zvoove Brain: die Idee, das Wissen der Firma an Rollen, Workflows und Prozesse anzubinden, damit alle alles parat haben und niemand suchen muss. Ein Enablement für die ganze Firma, angestoßen ohne Auftrag.
- 01Für michWorkflows und Skills, um als einziger Designer klarzukommen.
- 02AngeschlossenKnowledge Base über MCP, Zugänge mit ihrem Team verbessert.
- 03Für Product ManagerPM-Skills und das AI-ready Design System.
- 04zvoove BrainEnablement für die ganze Firma.
- 05zvoove SkillsWeitergeführt in den AI Steering (Value Builders), mit Reviews und Ownern.
Der VP of Engineering gründete die AI Steering (Value Builders), um die AI-Themen und das Enablement bei zvoove Germany zu steuern. Ich bin Gründungsmitglied. Dort wurde aus zvoove Brain zvoove Skills. Ich verantworte die Skills, darunter alle Design-Skills.
- 13.03.202619 Skillsvier Plugin-Pakete, alle von mir
- August 202634 SkillsProduct, Design und Engineering, sechs Owner
12 von mir22 von fünf Kolleginnen und Kollegen
Das wichtigste Ergebnis steht nicht in der Zahl der Skills, sondern in den Owner-Einträgen: Kolleginnen und Kollegen aus anderen Teams schreiben und pflegen inzwischen eigene Skills. Verteilt wird die Bibliothek als Plugin-Marketplace für Claude Code und Cursor.
Eine Automation ist nur so gut wie das System, das sie liest
Dark Factory heißt die Stufe, auf der Agenten Tickets selbstständig umsetzen, die fünfte Stufe in Dan Shapiros öffentlichem Reifemodell für AI-gestütztes Programmieren. Bei zvoove startete sie im August 2026 als Pilot und ist heute bei den Entwicklern im Einsatz. Die Pipeline verantwortet Engineering.
Mein Teil ist das Material, aus dem sie zieht. Ein Ticket, das mit meinem PM-Ticket-Skill entstanden ist, lässt sich mit „darkfactory on“ an die Dark Factory übergeben. Damit die Ergebnisse besser werden, habe ich begonnen, den Design-Refinement-Skill für sie zu erweitern und die UnityUI Pattern Library auszubauen.
01Stundenzettel als CSV exportierenmit dem PM-Ticket-Skill entstanden02PipelineAgenten setzen um · Engineering03Quality Gate04Codezum Review
ZVS-1482
Stundenzettel als CSV exportieren
darkfactoryon
Pipeline
Quality GateP0–P3
- Codequalität
- Design-System-Treue
- Barrierefreiheit
- Sicherheit
- Performance
- Vollständigkeit
Code
Pull Request
Stundenzettel als CSV exportieren
Checks bestanden
wartet auf Review aus Engineering
Mein Anteil
Aus zvoove Skills. Die Pipeline verantwortet Engineering, mein Teil ist das Material, aus dem sie zieht.
- PM-Ticket-Skillvon mir, mit dem Team weitergeführt
- Design-Refinement-Skillfür die Dark Factory erweitert
- UnityUI Pattern Libraryim Ausbau
Stufe 5 von 5Agenten setzen Tickets selbstständig um
Learning
Automation verschiebt Arbeit, statt sie abzuschaffen. Je weniger Menschen zwischen Ticket und Code stehen, desto genauer müssen Regeln, Patterns und Skills sein.
Was daraus geworden ist
Wissen anbinden
Knowledge Base über MCP angebunden, gemeinsames Fundament
Kontext nicht mehr in jeder Sitzung erklären
Product Manager befähigen
PM-Skills und AI-ready UnityUI in fünf Werkzeugen
Prototypen ohne Umweg über Design
Skalieren
34 Skills, sechs Owner (August 2026)
von einer Person zur Organisation
Verankern
AI Steering (Value Builders), Reviews je Abteilung
Verantwortung über mich hinaus
Automatisieren
Dark Factory im Einsatz bei den Entwicklern
Tickets ohne Handarbeit umsetzen
Was noch offen istoffen
intern über Tickets done
Wirkung messen
Fazit
Ich habe nicht AI eingeführt. Ich habe aufgeschrieben, wie wir arbeiten, und es so angeschlossen, dass AI danach arbeiten kann.
Was ich gelernt habe und heute anders machen würde
Einordnung
Was noch offen ist
Gemessen wird intern über erledigte Tickets (Tickets done). Belegt sind Umfang, Struktur und wer Skills beiträgt.
Ab der Übergabe ist es Teamleistung
Seit die Bibliothek im AI Steering liegt, wächst sie durch viele: 22 der 34 Skills stammen von anderen.
Die Pipeline ist nicht meine
Die Dark Factory verantwortet Engineering. Mein Anteil ist das Material, aus dem sie zieht.
UnityUI habe ich nicht erschaffen
Ich habe das bestehende System AI-ready gemacht, zuerst allein, dann mit dem Frontend Lead.
zAIn war eine gemeinsame Initiative
Die Idee zum Assistenten hatten PM Lead, Tech Lead und ich zusammen. Die Skills habe ich allein angestoßen.
Stand September 2026
Alle Angaben beziehen sich auf diesen Stand.
Learnings
Wo ich klemme, klemmt bald die Organisation
Wer allein viele Teams trägt, sieht früh, wo das System klemmt. Was mich bremste, hätte bald alle gebremst. Ich habe es gelöst, bevor es dazu kam.
Wissen schlägt Prompts
Die größten Sprünge kamen durch bessere Zugänge zu Wissen, nicht durch bessere Formulierungen.
Leitplanken schaffen Vertrauen
Weil nichts ohne ein Ja passiert, lassen sich Aufgaben an AI übergeben, ohne die Kontrolle abzugeben.
Abgeben ist Skalieren
Die Bibliothek ist gewachsen, seit sie nicht mehr nur mir gehört.
Was ich heute anders machen würde
Von Anfang an messen
Ich würde vor dem Start eine Ausgangsbasis erheben: wie lange es vom Ticket bis zur Übergabe dauert und wie oft Design-Fragen zu spät kommen. Ohne sie bleibt der Effekt eine gute Geschichte statt eines Belegs.
Früher einen Rahmen suchen
Ich habe lange allein gebaut. Mit dem AI Steering kamen Reviews und Owner. Diesen Rahmen hätte ich früher suchen können, statt ihn nachträglich einzuziehen.
Pflege mitplanen
Das AI Playbook wird konzernweit genutzt, aber nicht mehr gepflegt. Heute würde ich für jedes Artefakt von Anfang an festlegen, wer es pflegt, so wie es die Skills heute mit ihren Ownern haben.
Mit wenigen Skills und echten Teams beginnen
Weniger Skills, früher mit einzelnen Teams erprobt, hätten schneller gezeigt, welche tragen.
Ich habe es gebaut, um zu verstehen, wie so etwas funktioniert. In die Firma gebracht habe ich es, weil ein System erst etwas wert ist, wenn andere damit arbeiten.
fin (for now)