Lass uns zusammen starten
Von der Idee zur Umsetzung – gemeinsam, effizient, individuell.
Kurzfassung
KI kann heute in echten Webprojekten weit mehr als einzelne Code-Schnipsel erzeugen. Inzwischen lassen sich damit komplette Projekte analysieren, Dateien und Abhängigkeiten durchsuchen, Fehlerquellen eingrenzen, Dokumentationen erstellen, Tests vorbereiten und Änderungen über mehrere Arbeitsschritte hinweg umsetzen. In der Praxis zeigt sich aber: Je komplexer ein Projekt wird, desto wichtiger werden klarer Kontext, saubere Aufgabenabgrenzung und konsequente Prüfung. Entscheidend ist der gesamte Prozess, in dem die KI arbeitet.
KI kann inzwischen erstaunlich viel
Ich nutze solche Werkzeuge mittlerweile regelmäßig in echten Kunden- und Entwicklungsprojekten – unter anderem bei CMS-Updates, Migrationen, Fehlersuche, Sicherheitsprüfungen und der Entwicklung eigener WordPress-Lösungen. Dabei hat sich ein Muster sehr deutlich gezeigt: Das Schreiben des Codes ist oft gar nicht mehr der schwierigste Teil.
Kernaussage
Je größer und älter ein Projekt wird, desto weniger entscheidet die reine Code-Erzeugung über die Qualität des Ergebnisses. Entscheidend ist, ob die KI den richtigen Kontext, klare Grenzen und überprüfbare Aufgaben bekommt.
„Mach mal das Projekt fertig“ funktioniert nicht
Ein gutes Beispiel sind gewachsene CMS-Projekte. Die scheinbar einfache Aufgabe „Aktualisiere die Website auf die neue TYPO3-Version“ besteht in der Praxis nicht aus einem Versionswechsel. Dahinter können alte Extensions, individuelle Templates, historische Konfigurationen, verwaiste Datensätze, Übersetzungen, PHP-Abhängigkeiten, Sicherheitsfragen und Besonderheiten des Hostings stecken.
Eine KI kann viele dieser Punkte sehr schnell untersuchen. Sie kann veraltete APIs finden, Codepfade vergleichen oder problematische Stellen auflisten. Sie weiß aber nicht automatisch, welche historische Besonderheit noch gebraucht wird, welche Änderung fachlich erwünscht ist und was auf keinen Fall angefasst werden darf.
Je komplexer das Projekt, desto schlechter funktioniert die Idee, der KI einfach eine große Aufgabe zu geben und auf ein fertiges Ergebnis zu warten.
Genau hier unterscheidet sich KI-gestützte Entwicklung im echten Projektalltag vom schnellen Demo-Prompt. Die Aufgabe muss zerlegt, der aktuelle Zustand verstanden und jeder größere Schritt kontrolliert werden.
Erst verstehen, dann ändern
Für größere Entwicklungsaufgaben arbeite ich deshalb inzwischen konsequent in vier Schritten: DEFINE → DESIGN → BUILD → VERIFY. Das klingt zunächst formal, ist aber vor allem eine praktische Absicherung gegen unnötige oder schwer nachvollziehbare Änderungen.
DEFINE: Was ist eigentlich das Problem? Welche Systeme und Abhängigkeiten sind betroffen? Was ist bereits bekannt, was muss noch untersucht werden?
DESIGN: Wie soll die Änderung aussehen? Welche bestehende Architektur soll erhalten bleiben? Welche Bereiche dürfen ausdrücklich nicht verändert werden?
BUILD: Die eigentliche Umsetzung erfolgt in möglichst kleinen, nachvollziehbaren Arbeitspaketen.
VERIFY: Danach wird geprüft: Funktioniert die Änderung wirklich? Gibt es Regressionen, neue Fehler oder unerwartete Seiteneffekte?
Wichtig
Funktionierender Code ist nicht automatisch eine funktionierende Website. Erst die Prüfung im tatsächlichen System zeigt, ob eine Änderung wirklich sauber abgeschlossen ist.
Kontext ist wichtiger als der perfekte Prompt
Bei längeren Projekten ist deshalb nicht der eine möglichst ausgefeilte Prompt entscheidend. Viel wichtiger ist ein sauber gepflegter Projektkontext. Die KI muss wissen, was bereits passiert ist, welche Entscheidungen getroffen wurden und welche Punkte noch offen sind.
01
Aktuellen Stand festhalten
Was wurde bereits erledigt? Welche Fehler sind behoben? Welche Punkte sind noch offen?
02
Entscheidungen dokumentieren
Warum wurde ein bestimmter Weg gewählt? Welche Alternative wurde bewusst verworfen?
03
Grenzen klar benennen
Welche Dateien, Funktionen oder bestehenden Konventionen sollen unverändert bleiben?
04
Verifikation mitführen
Was wurde getestet? Welche Regressionen wurden ausgeschlossen? Wo besteht noch Unsicherheit?
So wird aus einer Reihe einzelner KI-Unterhaltungen ein nachvollziehbarer Entwicklungsprozess. Gerade bei Projekten, die über mehrere Tage oder Wochen laufen, ist das deutlich wichtiger als ein besonders ausgefeilter Einzelprompt.
KI darf nicht ungefragt „verbessern“
Ein weiterer wichtiger Punkt betrifft bestehende Projekte. KI-Systeme erkennen häufig Möglichkeiten, Code zu modernisieren, umzustrukturieren oder vermeintlich überflüssige Teile zu entfernen. Technisch kann das durchaus sinnvoll aussehen – im laufenden Kundenprojekt kann es trotzdem die falsche Entscheidung sein.
NICHT DAS ZIEL
Bei jeder Aufgabe gleich noch Code modernisieren, Dateien umbenennen, Architektur umbauen und „Altlasten“ entfernen.
BESSER
Die konkrete Ursache beheben, bestehende Architektur respektieren und nur die Änderungen durchführen, die für die Aufgabe wirklich notwendig sind.
Für bestehende Kundenprojekte gilt für mich deshalb: so wenig verändern wie möglich, so viel wie nötig. Größere Refactorings oder Architekturänderungen gehören in eine eigene, bewusst geplante Aufgabe – nicht als Nebenprodukt einer Fehlerbehebung.
Prüfen bleibt Entwicklerarbeit
KI kann heute erstaunlich gut prüfen helfen. Sie kann Tests erzeugen, Logs analysieren, nach Sicherheitsproblemen suchen, Unterschiede zwischen Versionen herausarbeiten oder potenzielle Seiteneffekte auflisten.
Die eigentliche Bewertung bleibt aber eine fachliche Aufgabe. Jemand muss entscheiden, ob die gefundene Lösung zum Projekt passt, ob vorhandene Funktionen erhalten bleiben, ob Sicherheits- und Datenschutzanforderungen eingehalten werden und ob das Ergebnis langfristig wartbar ist.
Was sich verschiebt
Ein Teil der Entwicklungsarbeit verschiebt sich vom reinen Schreiben hin zum Steuern, Analysieren, Prüfen und Entscheiden. Technische Erfahrung wird dadurch nicht weniger wichtig – sie wird an anderer Stelle gebraucht.
Gleichzeitig kann KI genau hier enorm helfen: Große Codebasen lassen sich schneller untersuchen, Varianten systematischer vergleichen, Dokumentation parallel zur Entwicklung pflegen und Sicherheits- oder Regressionstests gezielter vorbereiten.
Das spart Zeit. Es bedeutet aber nicht, dass man ungenauer arbeiten kann. Im Gegenteil: Je leistungsfähiger die Werkzeuge werden, desto wichtiger werden klare Anforderungen und nachvollziehbare Entscheidungen.
Der gute Prompt ist nur der Anfang
KI ist für mich inzwischen ein sehr leistungsfähiges Werkzeug in der Webentwicklung. Sie kann analysieren, programmieren, testen und dokumentieren – und bei vielen Aufgaben deutlich mehr leisten als ein klassischer Code-Assistent.
Gute Ergebnisse entstehen aber nicht dadurch, dass möglichst viel Arbeit an die KI abgegeben wird. Sie entstehen durch klar definierte Aufgaben, einen gepflegten Projektkontext, kontrollierte Änderungen und konsequente Verifikation.
Der einzelne Prompt verliert damit ein Stück weit seine Sonderstellung. Entscheidend ist der Prozess drumherum.
Fazit
KI macht gute Entwicklungsprozesse nicht überflüssig. Sie macht sichtbar, wie wichtig sie sind.
