---
title: "zvoove Skills — Maximilian Dahl"
description: "Initiative Case von Maximilian Dahl: Wie aus eigenen Workflows als einziger Designer zvoove Skills wurde, die gemeinsame AI-Bibliothek für Product, Design und Engineering."
url: https://max.does.systems/work/zvoove-skills/
lang: de
---

Nochmal starten

Initiative Case · AI Enablement · Designing with AI · zvoove · 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.

Story starten · S · Case lesen · R

Rolle im Projekt · Initiator · Eigeninitiative, ohne Auftrag

Rahmen · AI Steering (Value Builders) · Gründungsmitglied

Verantwortung · Skills und Fundament · zvoove Brain, Design- und PM-Skills, Knowledge Base und Design System angebunden, Leitplanken

Status · 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) · und 2 weitere Zustände

S

## Der Weg

1. 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.

2. 02
   Wissen anschließen statt kopieren
   die Knowledge Base über MCP, mit ihrem Team verbessert.
   MCP
   Wissen über MCP · Agent · neue Sitzung · Nachbau · synthetische Daten
   1. Welche Felder braucht ein Stundenzettel-Export für Kunden?
   2. `knowledge-base · search`3 Treffer
      - 1**Stundenzettel · Datenmodell**Entität, 14 Felder
      - 2**Export · CSV und PDF**Richtlinie
      - 3**Persona · Disponentin**Persona
      Für den Kunden-Export reichen **9 der 14 Felder**: Mitarbeitende, Einsatz, Datum, Beginn, Ende, Pausen, Stunden, Zuschläge und Freigabe. Interne Kostenstellen bleiben draußen.
      1 · Stundenzettel · Datenmodell · 2 · Export · CSV und PDF · 3 · Persona · Disponentin
   Nachricht schreiben …
   Über MCP verbunden
   - **Knowledge Base**Datenmodell, Personas, Fachbegriffe
   - **UnityUI**Tokens und Komponenten
   - **Jira**Tickets und Kommentare
   Nachbau: Ein Agent fragt die Knowledge Base über MCP ab, statt dass jemand Kontext in jede Sitzung kopiert.

3. 03
   Product Manager bauen selbst
   PM-Skills und ein AI-ready Design System.
   Product
   Bis zum ersten Kundenfeedback · vereinfacht, nicht gemessen
   Vorher · Feedback nach der Umsetzung
   _Idee · Idee · Der grobe Gedanke des PM.__Ticket · Ticket · Ein Ticket ohne Oberfläche.__Warten auf Design · Warten auf Design · Ein Designer für mehrere Teams: das Ticket wartet.__Entwurf · Entwurf · Design entwirft, PM stimmt ab.__Umsetzung · Umsetzung · Engineering baut. Erst danach sehen Kunden etwas.__Kundenfeedback · Kundenfeedback · Erst nach der Umsetzung: Änderungen kosten jetzt einen Umbau._
   1. Idee · Der grobe Gedanke des PM.
   2. Ticket · Ein Ticket ohne Oberfläche.
   3. Warten auf Design · Ein Designer für mehrere Teams: das Ticket wartet.
   4. Entwurf · Design entwirft, PM stimmt ab.
   5. Umsetzung · Engineering baut. Erst danach sehen Kunden etwas.
   6. Kundenfeedback · Erst nach der Umsetzung: Änderungen kosten jetzt einen Umbau.
   Mit den Skills · Feedback vor dem ersten Ticket
   _Idee · Idee · Der grobe Gedanke des PM.__Spec → Prototyp · Spec → Prototyp · PM-Skill und Prototyp-Skill: aus dem Gedanken wird eine Spec, daraus automatisch ein live-naher Prototyp in UnityUI.__Kundenfeedback · Kundenfeedback · Am live-nahen Prototyp, bevor ein Ticket entsteht._Umweg entfällt · Kein Umweg bis zum Feedback · Ticket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.
   1. Idee · Der grobe Gedanke des PM.
   2. Spec → Prototyp · PM-Skill und Prototyp-Skill: aus dem Gedanken wird eine Spec, daraus automatisch ein live-naher Prototyp in UnityUI.
   3. Kundenfeedback · Am live-nahen Prototyp, bevor ein Ticket entsteht.
   4. Kein Umweg bis zum Feedback · Ticket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.
   mit Skills · Warten · Kundenfeedback · PM-Skill · Prototyp-Skill

4. 04
   Eine Kette statt einzelner Prompts
   von der Idee bis zur Übergabe.
   Kette
   Die Kette · fünf Stationen
   01 · Spec
   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
   02 · Design-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
   03 · Figma 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
   04 · Quality 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
   05 · Übergabe
   Ein zehnteiliges Paket mit Kontext, Architekturentscheidungen, Testanleitung und einem schnellen Einstieg für Reviewer.
   - Kontext
   - Architekturentscheidungen
   - Testanleitung
   - Einstieg für Reviewer
   zehnteiliges Paket

5. 05
   Keine Wirkung ohne ein Ja
   Jede Aktion wartet auf eine Freigabe.
   Freigabe
   Claude Code · Beispiel · sinngemäß
   1. /pm-ticket „Stundenzettel als CSV exportieren“
   2. Spec: Persona, Problem, User Stories, Akzeptanzkriterien, Edge Cases
   3. Design-Aufgabe: Ablauf, Fehlerverhalten, Zustände, Rechte, Texte
   4. Ticket anlegen und im Team kommentieren?

6. 06
   Abgeben, um zu skalieren
   gemeinsame Struktur mit Reviews und Ownern.
   Team
   Vom Werkzeug zur Plattform
   1. 01 · Für mich · Workflows und Skills, um als einziger Designer klarzukommen.
   2. 02 · Angeschlossen · Knowledge Base über MCP, Zugänge mit ihrem Team verbessert.
   3. 03 · Für Product Manager · PM-Skills und das AI-ready Design System.
   4. 04 · zvoove Brain · Enablement für die ganze Firma.
   5. 05 · zvoove Skills · Weitergeführt in den AI Steering (Value Builders), mit Reviews und Ownern.

7. 07
   Das Material liefern, nicht die Pipeline
   Skills und Patterns für die Dark Factory.
   Agenten
   Dark Factory
   **01**Stundenzettel als CSV exportieren · mit dem PM-Ticket-Skill entstanden
   1. ZVS-1482
      Stundenzettel als CSV exportieren
      darkfactory · on
   2. Pipeline
   3. Quality Gate · P0–P3
      - Codequalität
      - Design-System-Treue
      - Barrierefreiheit
      - Sicherheit
      - Performance
      - Vollständigkeit
   4. 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-Skill · von mir, mit dem Team weitergeführt
   - Design-Refinement-Skill · für die Dark Factory erweitert
   - UnityUI Pattern Library · im Ausbau
   Stufe 5 von 5 · Agenten setzen Tickets selbstständig um · Im Einsatz seit August 2026

8. 08
   Von 19 auf 34 Skills
   Heute in den AI Steering (Value Builders), mit Reviews und sechs Ownern.
   heute
   Die Bibliothek · Repository-Stände
   1. 13.03.2026_19 Skills · vier Plugin-Pakete, alle von mir_19 Skills · vier Plugin-Pakete, alle von mir
   2. August 2026_**12**von mir · Design- und PM-Skills, Wissen und Leitplanken__**22**von fünf Kolleginnen und Kollegen · aus Product, Design und Engineering_34 Skills · Product, Design und Engineering, sechs Owner
   12 von mir · 22 von fünf Kolleginnen und Kollegen
   Aus der Bibliothek, Auswahl
   - design-refinement · Design
   - unity-ui-qa · Design
   - unity-ui-pattern-gen · Design
   - unity-ui-storybook · Design
   - product-spec · Product
   - discovery-to-prototype · Product
   - zvoove-wording-checker · Product
   - user-insights · Product
   - dev-handover · Engineering
   - jira-to-build · Engineering

Aus meinen Arbeitsregeln wurde _die AI-Infrastruktur des Teams_.

02 · Aus der Not

## 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.

Was mich gebremst hat, und später alle anderen

1. Design wurde zu spät eingebunden
   Fragen zu Zuständen, Fehlern, Rechten und Texten tauchten erst in der Umsetzung auf.

2. AI passte nicht zum System
   Ergebnisse aus AI-Werkzeugen ignorierten UnityUI: hartcodierte Werte, falsche Komponenten, Abstürze.

3. Kontext ging verloren
   Personas, Fachbegriffe wie AÜG und das Produktwording mussten in jeder Sitzung neu erklärt werden.

4. Design skalierte nicht
   Wenige Designer, viele Teams: Jede Frage wartete auf einen Menschen.

5. 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.

Einordnung

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.

03 · Wissen anschließen

## 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 · eine Quelle, drei Wege

Knowledge Base

Produktdaten aus der Datenbank, erreichbar über MCP.

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](https://max.does.systems/work/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.

04 · Für Product Manager

## 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.

Zwei Stränge, ein Ergebnis

1. Strang 1
   PM-Skills
   Specs, Tickets und Design-Aufgaben in derselben Struktur, mit Personas und Fachbegriffen aus dem gemeinsamen Fundament.

2. Strang 2
   AI-ready Design System
   UnityUI mit Tokens und Komponenten, die AI-Werkzeuge richtig einsetzen.

3. 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.

Bis zum ersten Kundenfeedback · vereinfacht, nicht gemessen

Vorher · Feedback nach der Umsetzung

_Idee · Idee · Der grobe Gedanke des PM.__Ticket · Ticket · Ein Ticket ohne Oberfläche.__Warten auf Design · Warten auf Design · Ein Designer für mehrere Teams: das Ticket wartet.__Entwurf · Entwurf · Design entwirft, PM stimmt ab.__Umsetzung · Umsetzung · Engineering baut. Erst danach sehen Kunden etwas.__Kundenfeedback · Kundenfeedback · Erst nach der Umsetzung: Änderungen kosten jetzt einen Umbau._

1. Idee · Der grobe Gedanke des PM.

2. Ticket · Ein Ticket ohne Oberfläche.

3. Warten auf Design · Ein Designer für mehrere Teams: das Ticket wartet.

4. Entwurf · Design entwirft, PM stimmt ab.

5. Umsetzung · Engineering baut. Erst danach sehen Kunden etwas.

6. Kundenfeedback · Erst nach der Umsetzung: Änderungen kosten jetzt einen Umbau.

Mit den Skills · Feedback vor dem ersten Ticket

_Idee · Idee · Der grobe Gedanke des PM.__Spec → Prototyp · Spec → Prototyp · PM-Skill und Prototyp-Skill: aus dem Gedanken wird eine Spec, daraus automatisch ein live-naher Prototyp in UnityUI.__Kundenfeedback · Kundenfeedback · Am live-nahen Prototyp, bevor ein Ticket entsteht._Umweg entfällt · Kein Umweg bis zum Feedback · Ticket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.

1. Idee · Der grobe Gedanke des PM.

2. Spec → Prototyp · PM-Skill und Prototyp-Skill: aus dem Gedanken wird eine Spec, daraus automatisch ein live-naher Prototyp in UnityUI.

3. Kundenfeedback · Am live-nahen Prototyp, bevor ein Ticket entsteht.

4. Kein Umweg bis zum Feedback · Ticket, Warten auf Design, Entwurf und Umsetzung liegen jetzt nach dem ersten Kundenfeedback, nicht mehr davor.

mit Skills · Warten · Kundenfeedback · PM-Skill · Prototyp-Skill

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.

Einordnung

Die Entscheidung

Ich habe nicht mehr Design produziert, sondern das Material verteilt, mit dem andere selbst richtig anfangen können.

05 · Die Kette

## 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.

Die Kette · fünf Stationen

01 · Spec

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

02 · Design-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

03 · Figma 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

04 · Quality 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

05 · Übergabe

Ein zehnteiliges Paket mit Kontext, Architekturentscheidungen, Testanleitung und einem schnellen Einstieg für Reviewer.

- Kontext

- Architekturentscheidungen

- Testanleitung

- Einstieg für Reviewer

zehnteiliges Paket

Learning

Der stärkste Skill fängt eine ganze Fehlerklasse ab. Der QA-Skill für UnityUI ist aus echten Produktionsbugs entstanden. Statt jeden Bug einzeln zu beheben, prüft er in elf Phasen, ob er wieder auftreten kann, und lernt aus jedem neuen Fund.

06 · Leitplanken

## 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.

Claude Code · Beispiel · sinngemäß

1. /pm-ticket „Stundenzettel als CSV exportieren“

2. Spec: Persona, Problem, User Stories, Akzeptanzkriterien, Edge Cases

3. Design-Aufgabe: Ablauf, Fehlerverhalten, Zustände, Rechte, Texte

4. Ticket anlegen und im Team kommentieren?

Prinzipien · Wie die Bibliothek Qualität hält

1. Freigabe vor Wirkung
   Tickets, Kommentare und Nachrichten entstehen erst nach einem Ja.

2. Ein gemeinsames Fundament
   Personas, Glossar, Produktwording und AI-Guardrails liegen einmal zentral. Alle Skills greifen darauf zu, statt sie zu kopieren.

3. Reviews je Abteilung
   Änderungen laufen über Pull Requests. Design, Product und Engineering prüfen jeweils ihren Bereich.

4. 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.

07 · Zur Plattform

## 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.

Vom Werkzeug zur Plattform

1. 01 · Für mich · Workflows und Skills, um als einziger Designer klarzukommen.

2. 02 · Angeschlossen · Knowledge Base über MCP, Zugänge mit ihrem Team verbessert.

3. 03 · Für Product Manager · PM-Skills und das AI-ready Design System.

4. 04 · zvoove Brain · Enablement für die ganze Firma.

5. 05 · zvoove Skills · Weitergeführt 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.

Die Bibliothek · Repository-Stände

1. 13.03.2026_19 Skills · vier Plugin-Pakete, alle von mir_19 Skills · vier Plugin-Pakete, alle von mir

2. August 2026_**12**von mir · Design- und PM-Skills, Wissen und Leitplanken__**22**von fünf Kolleginnen und Kollegen · aus Product, Design und Engineering_34 Skills · Product, Design und Engineering, sechs Owner

12 von mir · 22 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.

Einordnung

Die Entscheidung

Ich habe die Bibliothek aus meinem eigenen Repository in eine gemeinsame Struktur mit Reviews und Ownern gegeben. Der Preis: Ich entscheide nicht mehr alles allein. Der Gewinn: Sie wächst auch ohne mich.

08 · Dark Factory

## 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.

Dark Factory

**01**Stundenzettel als CSV exportieren · mit dem PM-Ticket-Skill entstanden

1. ZVS-1482
   Stundenzettel als CSV exportieren
   darkfactory · on

2. Pipeline

3. Quality Gate · P0–P3
   - Codequalität
   - Design-System-Treue
   - Barrierefreiheit
   - Sicherheit
   - Performance
   - Vollständigkeit

4. 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-Skill · von mir, mit dem Team weitergeführt

- Design-Refinement-Skill · für die Dark Factory erweitert

- UnityUI Pattern Library · im Ausbau

Stufe 5 von 5 · Agenten setzen Tickets selbstständig um · Im Einsatz seit August 2026

Learning

Automation verschiebt Arbeit, statt sie abzuschaffen. Je weniger Menschen zwischen Ticket und Code stehen, desto genauer müssen Regeln, Patterns und Skills sein.

09 · Ergebnis

## Was daraus geworden ist

1. Wissen anbinden
   Knowledge Base über MCP angebunden, gemeinsames Fundament
   Kontext nicht mehr in jeder Sitzung erklären

2. Product Manager befähigen
   PM-Skills und AI-ready UnityUI in fünf Werkzeugen
   Prototypen ohne Umweg über Design

3. Skalieren
   34 Skills, sechs Owner (August 2026)
   von einer Person zur Organisation

4. Verankern
   AI Steering (Value Builders), Reviews je Abteilung
   Verantwortung über mich hinaus

5. Automatisieren
   Dark Factory im Einsatz bei den Entwicklern
   Tickets ohne Handarbeit umsetzen

6. Was noch offen ist · offen
   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.

10 · Rückblick

## Was ich gelernt habe und heute anders machen würde

### Einordnung

1. Was noch offen ist
   Gemessen wird intern über erledigte Tickets (Tickets done). Belegt sind Umfang, Struktur und wer Skills beiträgt.

2. Ab der Übergabe ist es Teamleistung
   Seit die Bibliothek im AI Steering liegt, wächst sie durch viele: 22 der 34 Skills stammen von anderen.

3. Die Pipeline ist nicht meine
   Die Dark Factory verantwortet Engineering. Mein Anteil ist das Material, aus dem sie zieht.

4. UnityUI habe ich nicht erschaffen
   Ich habe das bestehende System AI-ready gemacht, zuerst allein, dann mit dem Frontend Lead.

5. zAIn war eine gemeinsame Initiative
   Die Idee zum Assistenten hatten PM Lead, Tech Lead und ich zusammen. Die Skills habe ich allein angestoßen.

6. Stand September 2026
   Alle Angaben beziehen sich auf diesen Stand.

### Learnings

1. 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.

2. Wissen schlägt Prompts
   Die größten Sprünge kamen durch bessere Zugänge zu Wissen, nicht durch bessere Formulierungen.

3. Leitplanken schaffen Vertrauen
   Weil nichts ohne ein Ja passiert, lassen sich Aufgaben an AI übergeben, ohne die Kontrolle abzugeben.

4. Abgeben ist Skalieren
   Die Bibliothek ist gewachsen, seit sie nicht mehr nur mir gehört.

### Was ich heute anders machen würde

1. 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.

2. 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.

3. 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.

4. 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.
> 
> Maximilian Dahl

fin (for now)

**Fallnotizen · Wie dieser Case zu lesen ist.**

Belege · Repository-Stände vom März und August 2026, Confluence-Dokumentation und eigene Angaben.

Bilder · Software-Oberflächen nachgebaut, mit synthetischen Namen und Daten. Diagramme nachgebaut, Inhalte der Skills sinngemäß wiedergegeben.

Team · AI Steering (Value Builders), Engineering (Dark Factory), Frontend Lead (UnityUI), das Team der Knowledge Base, PM Lead und Tech Lead (zAIn-Initiative).

Rechte · zvoove und UnityUI sind Marken der zvoove Group. Gezeigt wird meine Arbeit dort, keine offizielle Kommunikation von zvoove.

Stand · Stand September 2026
