Das Lab

Vorher

Monatsberichte, die länger zum Lesen brauchen als zum Erstellen.

So geht's

Ein lokales Llama-Modell auf BrandHub (öffnet in neuem Tab)↗s eigenem Server. Es bekommt nicht die ganze Datenbank. Es bekommt Tools, um PostgreSQL abzufragen, und weiß, welche Tabelle was enthält, also antwortet es in klaren Worten.

Meine Rolle

Ich baue es: die Tools, die es nutzen darf, welche Tabellen es lesen darf, und die Prüfungen seiner Antworten.

1. Frage
2. →Llama wählt eine Abfrage
3. →PostgreSQL
4. →Daten zurück
5. →klare Antwort

Vorher

Rund 20 Stunden, bis ein Sprint steht, und jede Woche dieselbe Fleißarbeit.

So geht's

Claude-Skills und eine Kette von Agenten, die ich für die zähen Teile meines eigenen Jobs gebaut habe: Wettbewerbsrecherche, Auswirkungen auf Git und Datenmodell, Kundendokumente aufräumen, Jira-Stories entwerfen. Atlassian Rovo prüft jede Story auf Lücken. Wenn deine Woche auch so einen Teil hat oder einen Portal-Flow, der einfacher sein könnte: Genau solche Probleme mag ich.

Sprint-Vorbereitung: von rund 20 Stunden auf rund 6.

Meine Rolle

Ich habe sie gebaut, und ich nutze sie in jedem Sprint.

1. Kundendokument
2. →Recherche-Agent
3. →Impact-Agent
4. →Story-Entwürfe
5. →Rovo-Check
6. →Jira

Vorher

Heute hängt jemand aus dem Vertrieb 10 bis 15 Minuten am Telefon, schreibt Notizen, durchsucht den Katalog und baut die Bestellung von Hand.

So geht's

Gebaut für BrandHub (öffnet in neuem Tab)↗: Die KI erfasst den Bestellanruf und entwirft die Bestellpositionen. Die Anrufe laufen auf Englisch oder Niederländisch. Es nimmt dem Vertrieb Admin ab. Es ersetzt ihn nicht.

Meine Rolle

Ich habe den Ablauf entworfen und die Spec für BrandHub (öffnet in neuem Tab)↗ geschrieben.

1. Anruf
2. →Live-Transkript
3. →Modell erkennt Produkte und Mengen
4. →Abgleich mit dem Katalog
5. →Bestellentwurf
6. →Vertrieb prüft
7. →Angebot

Vorher

Ein neuer Kunde kennt keinen Katalog mit Tausenden Produkten.

So geht's

Der Assistent fragt, welches Geschäft er führt, wo, wofür und wie viel, und schlägt dann Produkte vor.

Meine Rolle

Mein Konzept. Bisher auf Papier.

1. welches Geschäft?
2. →wo?
3. →wofür?
4. →wie viele?
5. →Katalogsuche
6. →vorgeschlagener Warenkorb

Vorher

Druckmaschinen produzieren oft ein paar Stück mehr. Du bestellst 1.000, bekommst 1.050, und der Lieferant berechnet 1.050.

So geht's

Einmal ist okay. Das Lager scannt jeden Karton, also kann das System ein Muster erkennen: +7%, +8%, +6% vom selben Lieferanten beim selben Artikel. Dann gibt es dem Produktmanagement Bescheid. Das kann die Standardmenge ändern, die Toleranz anpassen oder anders mit dem Lieferanten reden.

Meine Rolle

Mein Konzept. Bisher auf Papier.

1. Karton gescannt
2. →der Bestellposition zugeordnet
3. →Differenz erfasst
4. →Muster erkannt
5. →Hinweis

Vorher

Rund 30 Meldungen am Tag, und die meisten waren Fragen, keine Bugs.

So geht's

Der Incident-Assistent aus Akte 03. Ein LLM prüft jede Meldung gegen die Datenmodelle des Systems und den Code in Git und sortiert sie: eine Frage, die es beantworten kann, ein echter Bug oder eine Idee fürs Backlog.

Meine Rolle

Ich habe es spezifiziert, den Prompt und die Ausgaberegeln geschrieben und den Launch geleitet.

1. Meldung
2. →Datenmodelle + Git
3. →Frage / Bug / Idee
4. →Antwort oder Jira

Vorher

Teams jonglieren Rechnungstools wie Teamleader und Moneybird neben ihrem eigentlichen System.

So geht's

Eine Plattform für manuelle und vom System erzeugte Rechnungen, von Anfang bis Ende.

Meine Rolle

Ich setze die OKRs und priorisiere das Backlog, als Teil meines Portfolios aus vier Produkten.

1. Bestellung oder manuell
2. →Entwurf
3. →Prüfung
4. →gebucht

Anforderungen, Designs, Datenmodelle, Boards, Docs und Chat an einem Ort, damit Teams nicht mehr zwischen Jira, Figma, Confluence und Teams jonglieren. Ändert sich etwas, findet die KI, was noch davon betroffen ist, und hilft beim Anpassen.

Meine Rolle

Meine Idee. Ich entwerfe und baue es.

Benannt nach dem Vater des Pragmatismus. Dem folgen wir.

peirce.app →