AI-first Softwareentwicklung heißt nicht, Code mit ChatGPT zu kopieren
Wir haben unsere letzte Web-App zedl.app entwickelt, ohne eine einzige Zeile Code selbst zu schreiben.
Wir hatten eine Idee, einen Pain, das Know-how und den Drive, das Projekt umzusetzen.
Die App läuft jetzt schon länger in Production und sie hat zahlende Kunden. Wir haben sie entwickelt, während wir beide Vollzeitjobs hatten, und zwar ohne externe Hilfe, zum Beispiel durch Offshore-Entwickler. Nope... Wir reiten die Welle des AI-Zeitgeists seit 2023 ganz vorne mit. Beschleunigt hat sich das Ganze ziemlich zeitgleich, als wir beschlossen haben, das Projekt umzusetzen. Zugute gekommen ist uns, dass wir wissen wollten, wie viel man noch selbst programmieren muss und was man von einem LLM machen lassen kann.
Was und wie wir heute arbeiten, hat weniger mit Programmieren zu tun als mit Architektur und Orchestrierung. Wir haben uns ein schlankes Setup gebaut, das genau auf unsere Arbeitsweise passt. Jetzt haben wir einen Workflow, der es uns erlaubt, durch gutes Beschreiben der Features ein LLM größtenteils komplett alleine entwickeln zu lassen, die Software zu testen und in Prod zu pushen. Wir haben die Architektur so gestaltet, dass dem Coding Agenten die Leitplanken gesetzt sind und er munter drauflosarbeiten kann.
Früher hätte man dazu Automatisierung gesagt, aber die Definition passt nicht mehr. Es läuft zwar automatisch, in den meisten Fällen ist der Outcome deterministisch, aber der Weg ist unterschiedlich.
Der eigentliche Unterschied ist kein technischer
In den Unterhaltungen mit Geschäftspartnern, Kunden und Freunden ist mir aufgefallen, dass sich im professionellen Umfeld gerade viel ändert. Entscheidungsträger denken mittlerweile über AI nicht mehr nur als "Slop" und nette Spielerei nach, sondern sind aktiv auf der Suche nach dem "richtigen" Tool, das sie Plug & Play bei sich verwenden können. Das ist meiner Meinung nach die falsche Herangehensweise.
Je besser die Modelle und Agents wie Claude Code, OpenAI Codex oder Cursor werden, desto leichter wird es für Nicht-Programmierer, halbwegs gute Lösungen zu produzieren. Ob das Ergebnis am Ende Spitzenklasse ist oder nicht, liegt zu einem großen Teil nicht ausschließlich am Modell oder dem Tool, sondern an dem Experten, der einen Prozess entwickelt hat, der Spitzenklasse-Outputs liefern kann. Das geht seit ca. sechs Monaten mit allen Anbietern ziemlich gleich gut, wenn man weiß, wie.
Die meisten Entscheider haben nicht am Schirm, dass bei ihnen im Unternehmen bereits Leute arbeiten, die sich intensiv mit der neuen Technologie auseinandersetzen, die sehr gute Ideen haben und diese bereits umsetzen. Das Problem ist, dass diese Leute nicht sichtbar sind mit dem entsprechenden Titel, sondern meistens weit unter dem Radar bleiben. Den Grund, wieso das so ist, kenne ich nicht.
Was bei der Tool- / Plattform- / Modell-Frage liegen bleibt, ist die essentielle Frage: Wie verändert sich das Denken hinter der Arbeit?
Beim Bauen von zedl.app haben wir nicht ChatGPT benutzt, um Code zu copy + pasten, sondern wir haben die Prozesse erkannt und etabliert, die notwendig sind, um einem Agenten die Fähigkeit zu geben, unsere Anforderungen umzusetzen. Vereinfacht sieht es so aus, dass wir dem Coding Agent eine kuratierte Beschreibung dessen geben, was wir möchten, und manchmal nach Minuten, manchmal nach einigen Stunden, schreibt er uns auf Telegram, sobald er fertig ist, je nachdem, wie groß das Feature ist.
Den meisten, denen wir das zeigen, kommt das wie ein Trick vor. Für uns ist das mittlerweile schon so normal wie das Programmieren früher ohne AI. Das Wichtigste, das sich bei uns geändert hat, sind folgende Punkte:
- Prozesse sind AI-First und nicht Code-First.
- Wir haben nicht mehr das Bedürfnis, dass der Code unserem Stil, oder exakt unserem Verständnis von Eleganz entsprechen muss.
- Wenn die Tests gut designt sind, reicht das aus. Die App ist dann stabil und funktioniert.
Für uns ist das neue Automatisieren nicht mehr das Bauen von starren Regeln, sondern ein System zu haben, bei dem der Agent "automatisch" Aufgaben in vorgegebenen Bahnen erledigt.
Was wir sehen
Aus unserer Arbeit und aus dem, was wir an anderen Stellen beobachten, entsteht ein kristallklares Bild für uns.
Es gibt im Großen und Ganzen zwei relevante Strömungen: Die eine, wo kleine Expertenteams von 2-5 Leuten mit dem richtigen Mind- und Skillset Berge versetzen, und auf der anderen Seite die Experten, die überlegen und im Kleinen testen, wie sie die Tools im Alltag bei ihren Prozessen nutzen können.
Der fundamentale Unterschied liegt meiner Meinung nach darin, dass man sich vom Gedanken verabschiedet, große Teile des Wissens seien noch relevant, und sich stattdessen darauf einlässt, auf eine neue, andere Art vorwärtszukommen.
Die einen sitzen im F1-Auto und fahren auf der Rennstrecke, während die anderen auf derselben Rennstrecke mit einem Safety-Car unterwegs sind.
Das führt zu einem eigenartigen Zustand bzw. einer Situation, die ich "Ungleichzeitigkeit" nenne. Zwei Systeme entstehen parallel und sie entfernen sich voneinander. Der Vorgang ist weder gleichmäßig, noch ist er langsam. Er ist schnell und sprunghaft.
Was das für IT- und Digitalisierungsexperten bedeutet
Es besteht ein Narrativ, das einen kontrollierten Übergang mit schrittweiser Transformation mit Meilensteinen und so weiter bestärkt.
Was wir gesehen und gelernt haben, ist, dass die Modelle zwar immer besser werden, aber an Code Bases, die nicht AI-First gebaut sind, verbrennt man Token ohne Ende.
Wir haben einen Schnitt gemacht und begonnen, neue Projekte radikal AI-First zu denken und umzusetzen. Die alten Projekte werden bei Bedarf (z.B. für die Weiterentwicklung) schrittweise angepasst.
Die Punkte, wo wir bei den Projekten ansetzen, sind die, wo wir unser implizites Wissen explizit machen, durch intensive Dokumentation und darauf aufsetzende Leitplanken für die Agenten.
Darum schaffen wir es, eine Firma nebenbei weiterzuentwickeln. Wir sind in der glücklichen Lage, dass wir unsere Strukturen und Prozesse formen und radikal umdenken können.
Wir bauen Wissen und Erfahrung sehr viel schneller auf als viele andere in unserem Umfeld. Wir sind auf einem guten und vor allem für uns richtigen Weg.
Der häufigste Fehler: AI-Deko
Was ich am häufigsten sehe, ist das: Wo heute das KI-Pickerl draufklebt, ist meist ein einfacher Use-Case, auf den ein Chatbot draufgesetzt wurde, oder wo einfach eine KI-Zusammenfassung erstellt wird. Darauf schreibt man dann noch "AI-powered", aber ändert gleichzeitig nichts an den Prozessen und dem "wie". Man dekoriert eben Bestand neu.
Genau hier entsteht die Verzerrung, durch die eben viele zu dem Schluss kommen, dass diese AI doch nur Humbug sei und Hype. Obwohl es in Wirklichkeit einfach eine neue Oberfläche mit der alten Logik, aber neuem Lack ist. Das Ergebnis ist dann meistens ein PoC, nette Folien und das gemeinsame Narrativ "ein Satz mit X..."
Meiner Meinung nach entsteht diese AI-Deko aus fehlendem Commitment, das wiederum aus fehlendem Vertrauen, gepaart mit Risikoaversität, entsteht.
Der Unterschied ist derzeit noch subtil. Ich schätze, in 2 Jahren wird man sehr gut erkennen können, auf welcher Seite des Bruchs jemand steht.
Wer davon profitiert
Diese Arbeitsweise ist nicht für jedes Team und nicht für jede Organisation sofort passend. Aber es gibt Gruppen, für die der Hebel jetzt schon sehr konkret ist:
- Kleine Expertenteams, die Produkte bauen wollen, aber keine große Entwicklungsorganisation aufziehen möchten.
- IT- und Digitalisierungsexperten, die bereits sehen, dass AI mehr ist als ein weiteres Tool im Werkzeugkasten.
- Unternehmen mit bestehenden Code Bases, die verstehen wollen, warum AI-Agenten dort oft viel Reibung erzeugen.
- Gründer und Produktteams, die schnell herausfinden müssen, ob eine Idee tragfähig ist.
- Entscheider, die gerade zwischen Tool-Kauf, Plattform-Frage und echter Prozessänderung unterscheiden müssen.
Häufige Fragen
Was bedeutet AI-first Softwareentwicklung konkret? AI-first Softwareentwicklung bedeutet, dass Prozesse, Architektur, Dokumentation und Tests so gebaut werden, dass ein Coding Agent sinnvoll arbeiten kann. Es geht nicht darum, einzelne Prompts in ChatGPT zu werfen. Es geht darum, den Agenten in ein System zu setzen, das klare Leitplanken, Kontext und überprüfbare Ergebnisse liefert.
Habt ihr zedl.app wirklich ohne klassisches Programmieren gebaut? Ja, in dem Sinn, dass wir nicht klassisch Feature für Feature selbst ausprogrammiert haben. Wir haben Anforderungen beschrieben, Architektur und Prozesse gestaltet, Tests und Reviews genutzt und den Coding Agenten die Umsetzung machen lassen. Verantwortung für das Ergebnis bleibt trotzdem bei uns.
Welche Rolle spielen Tests dabei? Tests sind einer der wichtigsten Teile des Setups. Wenn ein Agent Code schreibt, muss das Ergebnis überprüfbar sein. Gut designte Tests geben Sicherheit, dass die App funktioniert, auch wenn der Code nicht dem persönlichen Stil eines Entwicklers entspricht.
Ist das nur mit Claude Code, OpenAI Codex oder Cursor möglich? Nein. Die Tool-Wahl ist wichtig, aber nicht der Kern. Je besser die Modelle werden, desto ähnlicher gut werden die Ergebnisse bei verschiedenen Anbietern, wenn der Prozess dahinter stimmt.
Warum funktionieren viele AI-Projekte in Unternehmen nicht? Viele Projekte bleiben bei AI-Deko stehen. Ein bestehender Prozess bekommt einen Chatbot, eine Zusammenfassung oder ein AI-powered Label, aber die Arbeitslogik bleibt gleich. Dann entsteht oft ein PoC, der auf Folien gut aussieht, aber im echten Betrieb wenig ändert.
Was ist mit bestehenden Code Bases? Bestehende Code Bases sind oft nicht für AI-Agenten gebaut. Es fehlt an explizitem Wissen, klarer Dokumentation, guten Tests und verständlichen Leitplanken. Dann verbrennt man viele Tokens, ohne dass der Agent wirklich autonom produktiv arbeiten kann.
Wer profitiert am meisten von diesem Ansatz? Am meisten profitieren kleine Expertenteams, Produktteams und Organisationen mit Leuten, die fachlich stark sind und bereit sind, ihre Prozesse umzudenken. Der Hebel entsteht nicht durch ein einzelnes Tool, sondern durch die Kombination aus Fachwissen, Architektur, Tests und AI-first Prozessdesign.