Wie Skai ein „Team Brain“ entwickelt hat, um KI-Workflows um das Zehnfache zu beschleunigen

• Organisationswissen macht KI effektiver. Wenn man der KI Zugang zu internen Prozessen, Systemen und bewährten Vorgehensweisen gewährt, ermöglicht das eine komplexere Umsetzung.
• Team Brains macht kollektives Fachwissen nutzbar. Gemeinsame Dokumentation, vernetzte Tools und kontinuierliches Feedback helfen der KI, sich im Laufe der Zeit zu verbessern.
• Skai Labs verzeichnet Produktivitätssteigerungen um das 2- bis 10-Fache. Wiederholbare Automatisierungsabläufe sorgen für die größten Verbesserungen, gepaart mit schnellerer Fehlerbehebung und Wartung.
• Der Ansatz geht über den technischen Bereich hinaus. Skai Labs arbeitet mit No-Code-Tools, und auf diesem Weg ist es dem Unternehmen gelungen, Claude Code in seine Kernarbeit zu integrieren. Auch andere Abteilungen bei Skai beginnen nun, Team Brains einzusetzen, was Möglichkeiten für mehr Produktivität und Automatisierung eröffnet.

Vor etwa acht Monaten stellte ich mir plötzlich eine Frage, mit der ich nie gerechnet hätte: Muss mein Team überhaupt noch bestehen?

Ich leite Skai Labs, ein Team, das für die Entwicklung maßgeschneiderter Kundenlösungen zuständig ist. Jahrelang war Geschwindigkeit unser Vorteil. Wir konnten Funktionen innerhalb weniger Tage bereitstellen, für die bei der herkömmlichen Softwareentwicklung Monate nötig gewesen wären. Dann hat unsere Entwicklerabteilung KI-basierte Programmierwerkzeuge eingeführt, wodurch sich die Entwicklungsgeschwindigkeit verdoppelt hat und wir nun auf eine dreifache Produktivität hinarbeiten.

Wir hatten Hunderte von Lösungen, die in der Produktion liefen, fundiertes Kundenwissen und eine bewährte Methodik. Anstatt diese Stärken aufzugeben, haben wir untersucht, wie wir mit unseren bestehenden Tools und Prozessen ähnliche Erfolge erzielen können. Wir programmieren nicht – daher passte der Ansatz unserer Entwickler nicht zu uns.

Heute entwickeln wir maßgeschneiderte Lösungen zwei- bis zehnmal schneller. Der Durchbruch gelang uns durch den Aufbau eines gemeinsamen KI-Wissenssystems, das wir „Team Brain“ nennen.

Warum mussten wir die Arbeitsweise von Skai Labs überdenken?

Als ich 2009 zu Skai kam, waren wir ein Start-up mit etwa 50 Mitarbeitern. Als das Unternehmen auf über 500 Mitarbeiter anwuchs, wurde es immer schwieriger, die Flexibilität zu bewahren, um schnell auf individuelle Kundenbedürfnisse reagieren zu können.

Wir haben Skai Labs vor etwa sieben Jahren gegründet, um diesem Bedarf gerecht zu werden. Mithilfe von „Make“, einer visuellen Automatisierungsplattform, verbindet unser Team die APIs von Skai, externe Systeme und die Dateninfrastruktur, um maßgeschneiderte Funktionen zu entwickeln, ohne die Kernanwendung zu verändern. Und das ganz ohne Programmieren – denn das war früher für unsere Anforderungen einfach zu langsam.

Unser fünfköpfiges Team hat seitdem rund 300 Lösungen entwickelt und jährlich Millionen Dollar zum Umsatz beigetragen. Manche Projekte, die bei herkömmlicher Entwicklung zwei oder drei Monate dauern würden, können bei uns in drei Tagen fertiggestellt werden.

Als KI begann, die Technik immer schneller voranzutreiben, sahen wir eine Chance, ähnliche Funktionen in unsere Automatisierungsumgebung zu integrieren.

Warum hat es nicht gereicht, KI in unsere Tools zu integrieren?

Wir haben Claude Code über das Model Context Protocol (MCP) mit Make verbunden, sodass die KI Automatisierungsabläufe direkt erstellen und anpassen kann.

Die Integration funktionierte zwar, aber Claude fehlte der entscheidende Kontext. Es verstand zwar die Funktionen von Make, kannte aber weder unsere maßgeschneiderten Anwendungen noch die Kundenanforderungen, Datenbankstrukturen oder internen Standards. Es brauchte bei jedem Schritt zu viel Anleitung, was frustrierend und zeitaufwendig wurde – genau das Gegenteil von dem, was wir wollten.

Ein erfahrener Fachmann, der in ein Unternehmen einsteigt, steht vor einer ähnlichen Herausforderung. Er versteht vielleicht die Technologie, muss aber trotzdem erst lernen, wie die Organisation funktioniert und warum bestimmte Vorgehensweisen bestehen. 

Wir mussten der KI Zugang zu diesem institutionellen Wissen verschaffen. Das wurde zur Grundlage unseres „Team Brain“. Aber dieses Wissen lag nicht einfach irgendwo herum und wartete darauf, von Claude gelesen zu werden. Es befand sich in unseren menschlichen Gehirnen.

Wie funktioniert ein Team Brain?

Unser „Team Brain“ ist ein GitHub-Repository, das strukturierte Markdown-Dateien enthält, in denen das Wissen, die Prozesse und die technischen Standards unseres Teams dokumentiert sind.

Die Methodik besteht aus drei Komponenten:

1. Gemeinsames Wissen und gemeinsame Fähigkeiten

Wir organisieren die Dokumentation hierarchisch, damit Claude relevante Informationen abrufen kann, ohne das gesamte Repository in seinen Kontext laden zu müssen. Zu den Dateien gehören API-Spezifikationen, Datenbankschemata, Kunden-Workflows und Anleitungen zur Erledigung bestimmter Aufgaben.

Außerdem dokumentieren wir die Gründe für technische Entscheidungen und liefern der KI so den nötigen Kontext, um bestehende Lösungen entsprechend anzupassen.

2. Kontinuierliches Lernen durch Feedback

Nach Abschluss eines Projekts halten wir Erkenntnisse fest, die die zukünftige Arbeit verbessern könnten. Wir haben eine Retrospektive-Methode entwickelt, bei der die Zusammenarbeit analysiert und Verbesserungsmöglichkeiten für das „Team Brain“ ermittelt werden.

Änderungen werden über GitHub-Pull-Requests eingereicht, wobei umfangreichere Änderungen einer Begutachtung durch Kollegen unterzogen werden. Außerdem benachrichtigen wir das Team über Slack, wenn neue Informationen hinzugefügt werden.

Das heißt, eine Korrektur, die ein Mitarbeiter vornimmt, steht dann allen zur Verfügung.

3. Anbindungen an Geschäftssysteme

Claude kann mit den Tools interagieren, die in unseren Arbeitsabläufen zum Einsatz kommen, darunter Make, Snowflake, Skai, AWS und Überwachungssysteme. 

Anstatt manuell zwischen Anwendungen hin- und herzuwechseln, um Daten zu überprüfen, Protokolle durchzugehen, Konfigurationen anzupassen und Ergebnisse zu validieren, können wir einen Großteil dieser Koordination der KI überlassen.

Unsere Aufgabe besteht darin, Ziele festzulegen, Orientierung zu geben und die Ergebnisse zu überprüfen.

Wie sieht das in der Praxis aus?

Wir mussten kürzlich eine bestehende Kundenautomatisierung erweitern, um Werbedaten von Yahoo Japan zu unterstützen. Der Kunde verfügte bereits über Integrationen für Google- und Microsoft-Werbung, doch der zusätzliche Publisher erforderte Änderungen an unserer ID-Zuordnung.

Ich habe Claude auf zwei bestehende Szenarien hingewiesen, mit denen ähnliche Probleme gelöst wurden. Er hat sich deren „Make“-Blueprints angesehen, unsere internen Standards überprüft, die SQL-Abfragen analysiert und die vorgeschlagenen Änderungen anhand der tatsächlichen Daten validiert.

Die gesamte Erweiterung, einschließlich der Ausführung und Validierung in der Produktion, dauerte etwa 15 Minuten. Früher hätte dieselbe Arbeit mehrere Stunden in Anspruch nehmen können.

Währenddessen schlug Claude vor, in einer SQL-Anweisung „CREATE OR REPLACE“ zu verwenden. Ich habe das korrigiert, da unser Team in solchen Fällen „INSERT OVERWRITE“ bevorzugt. Ich habe auch erklärt, warum wir das bevorzugen, damit Claude etwas anderes vorschlagen kann, falls dieser Grund nicht relevant ist.

Danach habe ich unsere Retrospektive durchgeführt. Claude hat die Korrektur dokumentiert, die entsprechenden Wissensdateien aktualisiert und eine Slack-Benachrichtigung vorbereitet.

Wir haben den Kundenwunsch umgesetzt und dabei eine technische Erkenntnis gewonnen, die für zukünftige Projekte von Nutzen sein könnte.

Welche Produktivitätssteigerungen konnten wir feststellen?

Wir sehen messbare Verbesserungen in verschiedenen Bereichen der Arbeit von Skai Labs:

• 2- bis 10-mal schnellere Erstellung von Automatisierungen: Wiederholbare Arbeitsabläufe mit etablierter Dokumentation bringen die größten Vorteile. Bei ungewohnten Anforderungen ist in der Regel mehr Unterstützung nötig.
• Schnellere Fehlerbehebung: Claude kann Protokolle überprüfen, Datenbanken abfragen und Fehler untersuchen, wodurch sich manche Untersuchungen von Stunden auf Minuten verkürzen lassen.
• Konsistentere Dokumentation: Technische Aufzeichnungen, Implementierungsdetails und Entscheidungsverläufe werden während der Ausführung erfasst.
• Einfachere Wartung: Durch den Wissensaustausch können die Mitarbeiter bestehende Kundenlösungen besser verstehen und aktualisieren.

Diese Verbesserungen sind besonders wertvoll für ein fünfköpfiges Team, das Hunderte von Automatisierungsanlagen in der Produktion betreut.

Wie verändert KI-gestützte Arbeit die Produktivitätsgleichung?

Unsere Erfahrungen haben gezeigt, dass es einen wichtigen Unterschied zwischen KI-unterstützter und KI-gesteuerter Arbeit gibt.

Mit Hilfe von KI nutzen die Mitarbeiter Modelle, um einzelne Aufgaben zu erledigen, wie zum Beispiel das Erstellen von SQL-Abfragen oder das Zusammenfassen von Dokumentationen. Nach unserer Erfahrung führte das oft zu Effizienzsteigerungen von etwa 10 % bis 20 %, während die Mitarbeiter weiterhin den übergeordneten Arbeitsablauf koordinierten.

Bei KI-gesteuerten Arbeitsabläufen, die von Menschen überwacht werden, stellen wir den objektiven, relevanten Kontext sowie den Zugriff auf die erforderlichen Systeme bereit. Die KI koordiniert mehrere Schritte, während die Mitarbeiter die Ausführung leiten, die Ergebnisse überprüfen und bei Bedarf eingreifen.

So können sich die Leute mehr auf Anforderungen, technische Entscheidungen und Qualität konzentrieren, anstatt jede einzelne Aktion verwalten zu müssen.

Für Unternehmen, die den Produktivitätsbeitrag von KI bewerten, bietet die Neugestaltung ganzer Arbeitsabläufe ein größeres Potenzial als die Optimierung einzelner Aufgaben.

Kann „Team Brains“ auch über den Bereich Ingenieurwesen hinaus funktionieren?

Nachdem wir die Ergebnisse bei Skai Labs gesehen hatten, haben wir damit begonnen, die Methode auch in anderen Abteilungen einzuführen.

Im Rahmen unserer unternehmensweiten „Agentic Week“-Initiative haben sich die Mitarbeiter Zeit genommen, um Möglichkeiten zur Produktivitätssteigerung durch KI zu erkunden. Mehrere Teams haben damit begonnen, ihre eigenen „Team Brains“ aufzubauen und relevante Tools miteinander zu verknüpfen.

Mögliche Anwendungsbereiche sind:

• Kundenerfolg: Kundenhistorie, Kundenanforderungen und Supportprozesse.
• Onboarding: Implementierungsabläufe, Konfigurationsstandards und wiederkehrende Einrichtungsaufgaben.
• Expertenleistungen: Technische Leitfäden, spezielle Arbeitsabläufe und Erkenntnisse aus früheren Projekten.
• Betrieb: Interne Abläufe, Genehmigungsanforderungen und interne Tickets.

Wir prüfen außerdem die Möglichkeit, einzelne „Team Brains“ zu einem umfassenderen Wissenssystem auf Unternehmensebene zu vernetzen. Das könnte es den Abteilungen letztendlich ermöglichen, von den unternehmensweit gesammelten Informationen zu profitieren, auch wenn diese Funktion vorerst noch eine Zukunftsperspektive ist.

Wann wird KI-gesteuerte Arbeit autonom?

Im Zuge der Weiterentwicklung unseres Team Brain haben wir Arbeitsabläufe identifiziert, die Claude mit minimalem Eingriff zuverlässig ausführen kann.

Ein Beispiel ist ein Partner, der über Slack Anträge zur Einrichtung von Kundenkonten einreicht. Nachdem wir den Prozess wiederholt mit Claude getestet hatten, haben wir in Make einen autonomen Agenten entwickelt, der auf diese Anträge reagiert und die damit verbundenen Aufgaben erledigt.

Unser Ansatz umfasst drei Schritte:

1. Dokumentiere den Arbeitsablauf. Gib der KI Zugriff auf das Wissen und die Werkzeuge, die für die Ausführung benötigt werden.
2. Überprüfe das Ganze durch wiederholte Anwendung. Schau dir die Ergebnisse an, korrigiere Fehler und ziehe Lehren daraus.
3. Automatisiere bewährte Prozesse. Delegiere geeignete Aufgaben, sobald sie zuverlässig und unter angemessener Aufsicht ausgeführt werden können.

Das bietet einen praktischen Weg von der KI-Unterstützung hin zu einer autonomeren Ausführung.

Was bedeutet das für die Zukunft der KI-Produktivität?

Unsere Arbeit hat zudem gezeigt, wie wichtig es ist, KI mit bestehenden Geschäftssystemen zu verknüpfen. Dieses Prinzip spiegelt sich in Skai Agent Connect wider, das externen KI-Agenten über MCP Zugriff auf die Funktionen von Skai ermöglicht.

Für mich liegt die wichtigere Erkenntnis darin, was bei Skai Labs passiert ist. Wir haben mit einem Team angefangen, das befürchtete, seinen Geschwindigkeitsvorteil zu verlieren, als sich die Softwareentwicklung immer weiter beschleunigte. Indem wir unser Fachwissen der KI zugänglich gemacht haben, konnten wir die Produktivität steigern und gleichzeitig die Werkzeuge und Arbeitsweisen beibehalten, die wir über Jahre hinweg entwickelt hatten.

Wir lernen noch dazu, aber unsere Erfahrungen deuten darauf hin, dass die Produktivitätssteigerungen, die die Softwareentwicklung verändern, noch viel weiter reichen können. Unternehmen, die KI Zugang zu ihrem kollektiven Wissen gewähren, sie in echte Arbeitsabläufe einbinden und dabei die menschliche Aufsicht beibehalten, haben die Chance, die Art und Weise, wie Arbeit erledigt wird, grundlegend zu verändern.

Möchtest du mehr erfahren? Skai hilft dir gerne dabei, besser zu verstehen, wie eine agentische Transformation in deinem eigenen Unternehmen konkret aussieht. Melde dich noch heute bei uns.

---

Häufig gestellte Fragen