Das ist Geofund
Geofund denkt Produkt-Rückverfolgbarkeit für den globalen Maßstab neu — damit sich die Eigenschaften neuer Innovationen wie Sustainable Aviation Fuel (SAF) nachverfolgen, überprüfen und handeln lassen.
Geofund wurde 2024 gegründet und ist in den USA wie in Europa präsent. Die Plattform löst ein grundlegendes Problem, das im Zentrum des Wettlaufs der Luftfahrt um die Dekarbonisierung steht.
Airlines stehen unter wachsendem regulatorischem Druck, Sustainable Aviation Fuel (SAF) einzusetzen. Also brauchen sie einen Weg, die Herkunft ihres Treibstoffs zu belegen, dessen Nachhaltigkeitsnachweise zu verfolgen und das komplexe Geflecht aus über 70 globalen Zertifikatsprogrammen und Regularien zu managen, mit denen Compliance belegt wird.
Stell dir Geofund als das Rückverfolgbarkeits-Register für Flugtreibstoff vor. Es gibt 25 verschiedene Arten von Zertifikatsstandards, die an Flugtreibstoff hängen können — Geofund macht daraus eine interoperable Single Source of Truth und verbindet Treibstofflieferanten, Airlines und Regulierungsbehörden über automatisierte Verarbeitung, Prüfung und Ausstellung von Zertifikaten.
Die Herausforderung: AI kam über das Experiment nicht hinaus
AI war für Logan nichts Neues. Wie die meisten Gründerinnen und Gründer experimentierte er seit dem Launch täglich mit ChatGPT und Claude. Aber das Versprechen, dass AI dir Arbeit komplett abnimmt, blieb immer ein Stück außer Reichweite.
AI half Logan zwar, die Qualität seiner eigenen Arbeit zu steigern — aber er verbrachte genauso viel Zeit damit, die Ergebnisse aufzuräumen und umzubauen, damit sie zu den Standards und Abläufen passten, die er im Unternehmen halten wollte.
Unser Ansatz: der AI-Implementation-Hackathon
Als Logan sich meldete, war klar: Das ist die perfekte Gelegenheit, unseren neuen Ansatz zu zeigen, mit dem Notion Agents wirklich gut werden.
Also haben wir eine fokussierte Hackathon-Session geblockt: an seinen echten Workflows arbeiten, unsere Methodik live zeigen und ihm Frameworks mitgeben, die er sofort anwenden kann.
Das Ziel: Logan vom gelegentlichen AI-Nutzer zu jemandem machen, der strukturiertes Prompting für echte Produktionsarbeit einsetzt.
Lernen an echter Arbeit
Statt abstrakter Theorie haben wir an Logans echten Aufgaben gearbeitet:
- Product Requirements und Issues erstellen für neue Geofund-Features
- Hilfe-Dokumentation auf Basis aktueller Onboarding-Transkripte von Kundinnen und Kunden
- Master Prompt aufsetzen für seinen Workspace
- Playbooks entwickeln für wiederholbare Prozesse
Jede Aufgabe wurde zum Lernmoment für die Prinzipien, die aus Notion statt einer Copy-Paste-Ablage einen echten Co-Piloten machen.
Was wir zusammen gebaut haben
1. Eine Methodik für strukturiertes Prompting
Das Problem: Die meisten Prompts sind hingeworfene Einzeiler. Die AI stellt dann entweder offensichtliche Rückfragen oder trifft falsche Annahmen.
Was wir stattdessen gemacht haben:
Das Framework aus sechs Prinzipien aus unserem Notion-AI-Guide:
- Claude 4.5 Sonnet nutzen (nicht Auto) für komplexes Reasoning
- Erst Checkliste und Plan anfordern, dann ausführen lassen
- Fortschritts-Seiten anlegen, damit die AI nach einer Unterbrechung weitermachen kann
- Prozesse Schritt für Schritt definieren, damit nichts mehrdeutig bleibt
- Autonome Fertigstellung verlangen, damit kein unnötiges Hin und Her entsteht
- Klare Erfolgskriterien setzen, damit die AI weiß, was „fertig“ heißt
Ein echtes Beispiel aus der Session:
Statt: „Erstell ein PRD für dieses Feature“
Wir haben es so strukturiert:
„Das ist eine komplexe Aufgabe. Erstell dir deshalb zuerst eine Checkliste und schreib dir einen Plan, wie du vorgehen willst. Leg gern eine eigene Tracking-Seite an und aktualisiere sie, während du arbeitest. Frag mich, wenn etwas unklar ist. Prüfe deine Arbeit am Ende gegen die Checkliste, bevor du meldest, dass du fertig bist.“
Der Unterschied: Aus generischen Entwürfen wurden strukturierte PRDs mit Kontext, mit denen Logans Engineers tatsächlich arbeiten konnten.
2. Voice-First-Workflow
Die Erkenntnis: Logan hat komplexe Prompts immer noch getippt. Genau daran scheitert strukturiertes Prompting bei den meisten — es fühlt sich einfach zu langsam an.
Was wir ihm gezeigt haben:
Mit einem Tool wie Wispr Flow oder Monologue von Every sprichst du einen strukturierten Prompt mit 300 Wörtern in 10 Sekunden ein.
3. Hilfe-Dokumentation aus Transkripten
Die Herausforderung: In Notion lagen ausführliche Transkripte von Onboarding-Calls mit Kundinnen und Kunden — aber es gab keinen systematischen Weg, daraus Hilfe-Artikel zu machen.
Was wir zusammen gebaut haben:
Einen Workflow, der aus einem 60-Minuten-Transkript 8 strukturierte Hilfe-Dokumente macht:
- Das Transkript mit klaren Strukturvorgaben an Claude geben
- Die AI Lücken benennen lassen („Zu X finde ich Inhalte, zu Y nicht“)
- Erste Entwürfe erzeugen, mit Platzhaltern für Screenshots
- Fehlende Abschnitte per Loom-Video nachliefern und iterieren
- Den Workflow als Playbook für das Team ablegen
Beim ersten Mal kostet so eine größere Aufgabe mehr Zeit. Mit dem ACDC-Framework machst du daraus danach einen wiederholbaren Prozess.
Assess → Mit echter Arbeit anfangen, nicht mit abstrakter Planung
Collaborate → Im selben Chat Kontext aufbauen und falsche Annahmen korrigieren
Draft → Die AI die erste Version schreiben lassen
Certify → Prüfen, kritisieren und die Learnings in einem Playbook festhalten
Das Muster:
„Eigentlich sollten alle meine PRDs dieser Struktur folgen. Schau dir dieses Beispiel an und aktualisiere das Playbook, damit du diese Anforderungen beim nächsten Mal direkt berücksichtigst.“
So wird aus jeder Aufgabe eine Trainingsgelegenheit. Die Playbooks werden schlauer. Die Ergebnisse werden konsistenter. Und irgendwann kann Logan diese Workflows mit gutem Gefühl an sein Team abgeben.
4. Master Prompt + Playbooks als System
Komplexe Workflows in Prompts zu zerlegen hilft, ist aber nur ein Teil der Aufgabe. Daneben gibt es viele Alltagsaufgaben, die ein Notion Agent übernehmen könnte — nur dauert es meist zu lange, dafür jedes Mal einen sauberen Prompt zu schreiben.
Hier kommt die Kombination aus einem Master Prompt und eigenen Playbooks für einzelne Aufgaben ins Spiel. So sieht das in der Praxis aus:
Master Prompt → Globale Instructions für Logans AI-Agent, darin enthalten:
- Die Workspace-Struktur und die Datenbanken von Geofund
- Standardverhalten („niemals ein Ticket ohne Verknüpfung zum Kunden-Datensatz anlegen“)
- Vorgaben zu Tonalität und Formatierung
- Übliche Guardrails („wenn kein Kundenbezug angegeben ist, vor dem Weitermachen nachfragen“)
Playbooks → Wiederverwendbare Workflows für einzelne Aufgaben:
- PRDs erstellen, inklusive Aufschlüsselung in Engineering-Aufgaben
- Hilfe-Artikel aus Transkripten erzeugen
- Feature-Spezifikationen formatieren
Wenn Logan die AI jetzt bittet, „ein PRD zu erstellen“, weiß sie schon:
- Welche Struktur erwartet wird
- Welche Datenbanken zu verknüpfen sind
- Wonach sie fragen muss, wenn Informationen fehlen
- Wie technisch detailliert Logans Engineers es brauchen
Warum dieser Ansatz funktioniert
Die meisten Unternehmen gehen die AI-Einführung falsch herum an.
Man wartet auf den „perfekten Moment“, um in Trainings zu investieren. Man will umfassende Systeme fertig bauen, bevor man sie benutzt. Und man trennt „Lernen“ sauber von „Machen“.
Wir verkürzen die Lernkurve, indem wir an echter Arbeit unterrichten:
- Mit dringenden Aufgaben anfangen → Was ohnehin erledigt werden muss, wird zum Trainingsmaterial
- Durch Machen lernen → Strukturiertes Prompting live an deinen eigenen Problemen sehen
- Unterwegs festhalten → Aus jeder Korrektur wird ein wiederverwendbares Playbook
- Sofort skalieren → Dieselbe Methodik auf die nächste Aufgabe anwenden
So kommst du vom AI-Experiment zu produktionsreifen Workflows — in Stunden statt Monaten.
Unsere Methodik für die AI-Einführung
Der Geofund-Hackathon ist die komprimierte Version dessen, was wir in unseren vollständigen achtwöchigen Notion-Transformationen machen.
In größeren Projekten kommt dazu:
- Eine AI-taugliche Datenarchitektur von Grund auf entwerfen
- Master Prompts bauen, die auf deinen Workspace und deine Workflows zugeschnitten sind
- Playbooks für die zeitintensivsten Prozesse deines Teams erstellen
- Dein Team in den Prinzipien für strukturiertes Prompting schulen
- Automatisierte Workflows und Agent-Trigger implementieren
Aber die Kernerkenntnis bleibt dieselbe:
Bei der AI-Einführung geht es nicht um Technologie. Es geht darum, deinem Team beizubringen, sein Denken so zu strukturieren, dass AI wirklich autonom arbeiten kann.
Genau das trennt Teams, die sich mit AI abmühen, von denen, die damit hunderte Stunden sparen.
Die Zukunft der Arbeit ist längst da
Logans Situation ist kein Einzelfall.
Alle technischen Gründerinnen und Gründer, Chiefs of Staff und Operations-Verantwortlichen, mit denen wir arbeiten, stehen vor derselben Herausforderung:
AI müsste helfen — das ist allen klar.
Den lockeren Ansatz haben alle schon probiert.
Aber zwischen Experiment und Produktion hängen alle fest.
Gewinnen werden nicht die Unternehmen, die darauf warten, dass AI „besser wird“.
Gewinnen werden die, die jetzt lernen, richtig zu prompten — mit den Tools, die es längst gibt.
In sechs Monaten arbeitet dein Wettbewerb komplett anders.
Und zwar so:
- Schneller entscheiden, weil AI den richtigen Kontext sofort liefert
- Systematisch dokumentieren, weil Spracheingabe es mühelos macht
- Skalieren, ohne dass das Team proportional mitwächst, weil AI die operative Last trägt
Die Frage ist nicht, ob das passiert.
Sondern ob du dann bereit bist.
