Bericht: 50 % weniger UX-Writing-Ressourcen mit Claude Code (unter Nutzung von Figma MCP)

Ich teile hier einen Bericht darüber, wie ich die gewaltige Aufgabe, sämtliche Texte eines Services zu prüfen — eine Arbeit, die üblicherweise als UX Writing bezeichnet wird — mit AI automatisiert und gelöst habe.
Dabei geht es nicht nur um den bloßen „Einsatz von AI“, sondern der Text zeigt sehr gut, wie Entscheidungsmaßstäbe einer Organisation systematisiert und eng in die praktische Arbeit eingebettet wurden.

Kernzusammenfassung
Statt vager Schreib-Guidelines ein „quantifiziertes Spektrum“
Anstelle subjektiver Anweisungen wie „freundlich formulieren“ wurde der Tonfall von Onboarding bis Warnhinweis in fünf Stufen definiert. Dadurch konnte die AI je nach Situation den passenden Ton präzise ausgeben. 70 % der Qualität stammen aus dem Management des „Glossary“.

Claude Code (CLI) und ein Markdown-Dateisystem
Statt alle Regeln in den Prompt zu packen, werden Prinzipien/Fälle/Sessions in einer eigenständigen Markdown-Ordnerstruktur (.md) verwaltet. Dank der CLI-Umgebung liest die AI den Index nur dann ein, wenn sie ihn wirklich braucht, wodurch Token-Verschwendung reduziert und die Genauigkeit erhöht wurde.

Automatisierung des Design-Workflows durch die Verbindung mit Figma MCP
Wenn Designer einen Link zum Entwurf senden, greift die AI direkt auf Figma zu. Von [Original duplizieren → TOBE erstellen → Text ersetzen → geänderte Bereiche pink markieren] wird alles automatisch ausgeführt, was die Effizienz der Zusammenarbeit maximiert.

Eine sich selbst verstärkende Struktur der „Wissens-Eskalation“
Wiederkehrende Muster aus Session-Zusammenfassungen, die in Gesprächen mit Teammitgliedern entstanden sind, werden zu offiziellen Prinzipien (Docs) hochgestuft. Das System wurde so entworfen, dass der Bot über ein bloßes Tool hinaus gemeinsam mit den Writing-Assets der Organisation wächst.

Wo Ressourcen eingespart wurden
Zeitaufwand für das Durchforsten des Guidebooks entfällt
Automatisierung der Suche nach ähnlichen Fällen
Automatisierung manueller Korrekturen und Markierungen in Figma
Automatische Erstellung der Begründung für Korrekturen (Reason)

Letztlich liegt die finale Entscheidung zwar beim Menschen, doch indem repetitive Routinen an die AI übertragen werden, kann man sich auf „Kontext und User Experience“ konzentrieren — etwas, das sich offenbar auch in der Praxis sofort anwenden lässt.