Und darum geht es
Anhand konkreter Beispiele demonstriert Thomas, wie sich MCP (Model Context Protocol) nutzen lässt, um eine durchgängige Toolkette aufzubauen: von Figma über LeanScope bis hin zu Claude, Cursor IDE und Browser-Agenten.
Das erwartet dich
- Was KI-Agenten von „bloßen“ LLMs unterscheidet und warum Tools & Kontext wichtiger sind als das Modell allein.
- Wie man Figma über einen (eigenen) MCP-Server in einen „Design-Compiler“ verwandelt, der Labels und UI-Texte automatisiert prüft.
- Wie LeanScope AI-Personas mit echten User-Research-Daten verbindet und diese Personas zu aktiven Agenten macht.
- Wie du Personas, Nutzungsszenarien und Research-Repository per MCP in Tools wie Claude und Cursor IDE bringst.
- Wie spezifizierte Personas helfen, zielgruppenspezifischen Code und UI (z. B. für Accessibility) zu generieren.
- Wie persona-basierte Agenten im Browser reale Anwendungen (z. B. Google Maps) bedienen und dabei UX-Feedback liefern.
- Warum UX-Rollen sich in Richtung Context Engineering, Qualitätssicherung und Supervisor-Rollen für KI entwickeln – und welche Chancen darin liegen.
Wichtige Take-Aways für UX-Professionals
- UX wird zu Context Engineering: Entscheidend ist nicht das Modell, sondern wie gut UX-Profis Kontexte, Daten und Tools für KI-Agenten orchestrieren.
- MCP verbindet die Toollandschaft: Figma, LeanScope, Claude, Cursor IDE & Co. lassen sich zu einem durchgängigen, agentenfähigen Workflow koppeln.
- Design & Research werden automatisiert prüfbar: Figma kann als „Design-Compiler“ arbeiten; Personas basieren auf echten Research-Daten und passen ihr Verhalten dynamisch an.
- Personas sind nicht mehr statisch, sondern aktive Agenten: Sie generieren Interviewleitfäden, geben App-Feedback, helfen bei Requirements und beeinflussen Code & UI.
- Persona-basierte UX-Tests im Browser sind möglich: Agenten können reale Apps wie Google Maps bedienen und aus Persona-Sicht UX-Feedback liefern.
- Rollenbild ändert sich, UX bleibt zentral: UX-Professionals werden mehr zu Developer:innen, Supervisor:innen und Qualitätssichernden für KI – nicht überflüssig.
Lass uns wissen, was wir besser machen können – wir würden uns über dein Feedback freuen!