Vaisala ist ein weltweit führendes Unternehmen für Wetter-, Umwelt- und Industriemessungen. Das Unternehmen mit Sitz in Finnland entwickelt innovative Messinstrumente und Software, die weltweit in anspruchsvollen Umgebungen eingesetzt werden.
Kurz gesagt
Unternehmen
Vaisala ist mit mehr als 80 Jahren Innovationserfahrung weltweit führend im Bereich Wetter-, Umwelt- und Industriemessungen.
Über 2.400 Mitarbeiter weltweit.
28 % der Mitarbeiter arbeiten in Forschung und Entwicklung.
Herausforderung
Vaisala wollte das tägliche Standardverhalten seiner Entwickler von passivem Lernen hin zur praktischen Umsetzung mit AI verändern, um Zeit für Aufgaben zu schaffen, die menschliche Kreativität erfordern.
Das Team wollte Silos zwischen Teams überwinden, indem es individuelle Claude-Code-Skills, Hooks und Konfigurationen im gesamten Unternehmen teilt.
Vaisala wollte zudem Claude Code und Anthropic-Modelle (über die direkte API und AWS Bedrock) standardisieren.
Lösung
Wir haben gemeinsam mit Vaisala praxisnahe AI-Experimentiervorhaben durchgeführt, die auf echten Herausforderungen in der Entwicklung basierten.
Die Teams identifizierten Reibungsverluste in ihrer täglichen Arbeit, entwickelten überprüfbare AI-Hypothesen, erstellten funktionierende Claude-gestützte Agenten und präsentierten ihre Lösungen Führungskräften.
Die Teams entwickelten eine Roadmap für die zukünftige Skalierung und Weiterentwicklung im gesamten Unternehmen.
Ergebnisse
Claude Code ist jetzt Vaisalas bevorzugter AI-Coding-Assistent.
Über 40 praxisnahe AI-Hypothesen entwickelt und validiert.
Praxiserfahrung beim Aufbau autonomer Agenten.
Ein Framework für den teamübergreifenden Austausch von Claude-Code-Konfigurationen und -Skills ist nun etabliert.
Ein wiederholbares AI-Sprint-Modell für eine breitere Einführung entwickelt.
Eine Roadmap, um den Ansatz auf weitere Abteilungen und Produktlinien auszuweiten.
Die Herausforderung: AI in den Engineering-Alltag integrieren
Nach einer von Eficode geleiteten Git-Migration wollte Vaisala unternehmensweit AI-Kompetenzen aufbauen – zunächst mit einem gezielten Pilotprojekt.
Ziel war es, die gewohnten Arbeitsweisen der Entwickler grundlegend zu verändern: weg vom passiven Lernen hin zum Einsatz von AI in ihren täglichen Aufgaben. So konnte Vaisala die Fähigkeit aufbauen, AI skalierbar in tägliche Workflows und Kernprodukte zu integrieren.
Vaisala wollte die häufigen Herausforderungen beim teamübergreifenden Teilen von AI-Wissen frühzeitig angehen. So sollten individuell entwickelte Claude-Code-Skills, Hooks und Konfigurationen eines Teams auch anderen Teams einfach zugutekommen.
Um diese Transformation voranzutreiben, wählte Vaisala Claude Code als wichtigsten AI-Coding-Assistenten. Das Team nutzte Anthropic-Modelle für seine AI-Agenten, die direkt über die Anthropic API sowie über AWS Bedrock angebunden waren.
Die Einführung von AI schafft deutlich mehr Mehrwert, wenn Teams die Technologie direkt mit ihrer täglichen Arbeit verbinden können. Die AI-Bootcamp-Sprints boten Entwicklern einen strukturierten Rahmen, um mit realen Herausforderungen statt mit theoretischen Beispielen zu experimentieren.
Die Lösung: AI-Sprints rund um reale Engineering-Herausforderungen
Gemeinsam entwickelten wir einen praxisorientierten Ansatz für AI-Experimente, der sich auf Herausforderungen aus dem Arbeitsalltag der Entwickler von Vaisala konzentrierte.
Vor dem ersten Sprint führten wir Interviews mit wichtigen Stakeholdern, um die Ziele von Vaisala zu verstehen und sicherzustellen, dass sich die Sessions auf relevante geschäftliche und technische Prioritäten konzentrierten.
Statt mit künstlichen Übungen zu arbeiten, brachten die Entwickler reale Herausforderungen aus ihrem Arbeitsalltag in die Sessions ein. Mit Unterstützung unserer Berater folgten die Teams einem praxisnahen Prozess, um:
Wiederkehrende oder zeitaufwendige Aufgaben in ihrem Arbeitsalltag zu identifizieren.
Diese Herausforderungen in klare, testbare Hypothesen für AI-gestützte Lösungen zu überführen.
Funktionsfähige Agenten mit Claude Code und AWS Bedrock zu entwickeln und zu testen.
Wiederverwendbare Claude-Code-Konfigurationen, Hooks und Skills teamübergreifend zu teilen, um die häufige Herausforderung isolierten Lernens zu lösen.
Ihre Lösungen internen Stakeholdern und Führungskräften vorzustellen.
So konnten die Teilnehmer mit AI in einem Umfeld experimentieren, das direkt mit ihrer eigenen Arbeit verbunden war.
Ich bin beeindruckt von dem Return on Investment, den ihr uns schon mit der ersten Iteration des AI-Sprints gebracht habt. Die Ergebnisse faszinieren uns, und wir können es kaum erwarten, mehr zu sehen!
Das Ergebnis: Praxiserfahrung mit AI und ein Modell für die Skalierung
Das praxisnahe Format vermittelte den Entwicklern Erfahrung darin, AI zur Bewältigung von Herausforderungen aus ihrer eigenen Arbeit einzusetzen.
Im Rahmen der Zusammenarbeit entwickelten und validierten die Teilnehmer Hypothesen, um Reibungsverluste im Engineering zu reduzieren, und bauten funktionsfähige autonome Agenten. Die Präsentation dieser Lösungen vor der Führungsebene trug zudem dazu bei, das Potenzial von AI im gesamten Unternehmen greifbarer zu machen. Nach acht vierwöchigen Sprints hatten wir mehr als 40 Hypothesen getestet, die von fast 300 Entwicklern erstellt worden waren.
Neben schnellen unmittelbaren Erfolgen entwickelte das Team auch eine klare Roadmap für die künftige Skalierung und Weiterentwicklung im gesamten Unternehmen. Damit entstand ein wiederholbares Modell für weitere Funktionen und Produktlinien.
- KI
- AWS
- DevOps
- Transformation
Related client stories
