Software mit KI entwickeln: Warum Prototypen leicht, Produkte schwer sind
Ein klickbarer Prototyp für eine neue Geschäftsanwendung entsteht heute in erstaunlich kurzer Zeit. KI in der Softwareentwicklung erzeugt Oberflächen, API-Endpunkte und Testdaten, bevor das erste Architektur-Meeting beendet ist. Die schwierige Frage beginnt danach: Wer sorgt dafür, dass daraus ein belastbares Produkt wird?
Claude Code und Codex senken die Einstiegshürde für Softwareentwicklung deutlich. Sie beschleunigen vor allem Aufgaben mit klarer Struktur und sichtbarem Ergebnis. Für komplexe Business-Software bleiben Domänenverständnis, Architektur, Qualitätssicherung und Verantwortung beim Engineering-Team.
Ein kleines Demo-System kann deshalb in wenigen Stunden überzeugend wirken und trotzdem weit von einem produktionsfähigen System entfernt sein. Das ist kein Widerspruch. Es sind zwei verschiedene Qualitätsstufen.
Stell Dir ein internes Freigabeportal vor. Claude Code erzeugt Formulare, Rollen, eine Datenbank und eine erste Oberfläche. Im Browser sieht alles plausibel aus. Erst bei der zweiten Fachabteilung tauchen die eigentlichen Fragen auf: Darf eine Freigabe zurückgenommen werden? Was passiert bei einer Stellvertretung? Welche Version eines Dokuments gilt? Muss jede Änderung revisionssicher nachvollziehbar sein?
Der Prototyp hat seinen Zweck erfüllt. Er hat eine Idee sichtbar gemacht. Jetzt beginnt Softwareentwicklung.
Von der KI-Idee zum echten Produkt
KI macht es einfacher, Ideen schnell in Prototypen zu verwandeln. Doch aus einem Prototyp wird erst durch die richtige Architektur, saubere Umsetzung und gezielte Weiterentwicklung ein zuverlässiges Produkt. Wir unterstützen dich dabei, KI sinnvoll in deine Softwareentwicklung zu integrieren und aus ersten Ansätzen echte Lösungen zu machen.
Was leisten Claude Code und Codex beim Prototyping?
Claude Code und Codex zeigen, was KI in der Softwareentwicklung heute praktisch bedeutet: Coding Agents lesen Projektdateien, bearbeiten Code, führen Befehle aus und unterstützen bei Tests, Reviews und Refactorings. Claude Code bietet dafür unter anderem konfigurierbare Berechtigungen und Arbeitsmodi (anthropic.com). Codex arbeitet je nach Umgebung in isolierten Sandboxes und kann Code ändern sowie Tests, Linter und Typechecker ausführen (openai.com).
Beim Prototyping mit Claude Code liegt die Stärke in kurzen Rückkopplungsschleifen. Du formulierst eine Funktion, siehst das Ergebnis, korrigierst die Richtung und lässt die nächste Änderung erzeugen. Das funktioniert besonders gut bei:
- CRUD-Oberflächen und einfachen Workflows
- API-Skeletten und Datenmodellen
- Demo-Daten und Testfällen
- UI-Varianten
- kleinen Integrationen mit klarer Schnittstelle
Claude Code und Codex sind dabei leistungsfähige Werkzeuge für Exploration. Sie helfen, Annahmen zu prüfen, bevor ein Team viel Zeit in eine falsche Lösung investiert. Auch Codex für Softwareentwicklung wird deshalb interessant, wenn mehrere klar abgegrenzte Aufgaben parallel vorbereitet, getestet oder als Pull Request vorgeschlagen werden.
Die Grenze liegt beim Kontext. Ein Agent kennt die Dateien, die Tools und die Regeln, die Du ihm zugänglich machst. Geschäftsentscheidungen, informelle Absprachen und historische Gründe für eine Architekturentscheidung fehlen ihm häufig. Ein überzeugender Prototyp kaschiert diese Lücke, weil Demo-Daten freundlich sind und Nutzer selten absichtlich auf ungünstige Abläufe klicken.
Warum scheitert KI an komplexer Business-Software?
KI scheitert an komplexer Business-Software, wenn Anforderungen widersprüchlich, Geschäftsregeln implizit und Fehlerfolgen teuer sind. Der Code ist dann nur ein Teil des Problems. Entscheidend sind Zustände, Berechtigungen, Ausnahmen, Schnittstellen, Datenqualität und die Frage, was im Zweifel gelten soll.
Ein Sprachmodell erzeugt eine plausible Fortsetzung auf Basis von Kontext. Es entscheidet damit noch nicht zuverlässig, welche von drei fachlich plausiblen Regeln für Dein Unternehmen verbindlich ist. Genau dort entstehen typische Fehler im KI-generierten Code in Business-Software: Der Standardfall funktioniert, Sonderfälle werden vereinheitlicht oder stillschweigend ausgelassen.
Auch die Produktivität ist keine feste Eigenschaft des Tools. Eine randomisierte METR-Untersuchung mit 16 erfahrenen Open-Source-Entwicklern und 246 Aufgaben aus dem Jahr 2025 kam für die damals getesteten KI-Werkzeuge zu einem überraschenden Ergebnis: Die Aufgaben dauerten mit KI-Unterstützung im Mittel länger. Die Studie bezog sich auf frühe 2025er Werkzeuge und ist deshalb keine Prognose für Claude Code oder Codex im Oktober 2026. Sie zeigt trotzdem einen wichtigen Punkt: Der gefühlte Geschwindigkeitsgewinn ersetzt keine Messung an realen Aufgaben (metr.org).
Warnsignal: Wenn ein Agent nach einem einzigen groben Prompt ein komplettes ERP, CRM oder Abrechnungssystem „fertig“ meldet, fehlt sehr wahrscheinlich eine belastbare Spezifikation. Je größer das Versprechen und je kleiner der sichtbare Prüfaufwand, desto skeptischer solltest Du werden. Software ist an dieser Stelle kein Zaubertrick. Sie ist ein Vertrag mit vielen Randbedingungen.
Wann wir von KI-gestützter Entwicklung abraten würden
Wir würden KI als primären Implementierungsweg ablehnen, wenn die fachlichen Regeln ungeklärt sind, sensible Daten ohne geeignete Schutzmaßnahmen in externe Systeme gelangen oder eine Änderung ohne nachvollziehbare Prüfung produktive Prozesse beeinflusst.
Bei regulierten Branchen, Medizinprodukten, sicherheitskritischen Systemen und Zahlungsprozessen gilt die Empfehlung besonders eingeschränkt. Dort zählen Nachweise, Freigaben, reproduzierbare Builds und nachvollziehbare Verantwortlichkeiten stärker als die Geschwindigkeit eines ersten Ergebnisses.
Welche Verantwortung bleibt bei Softwareentwicklern?
Softwareentwickler und künstliche Intelligenz teilen sich Arbeitsschritte, aber keine Verantwortung. Entwickler und technische Entscheider legen fest, welches Problem gelöst wird, welche Risiken akzeptabel sind und wann eine Änderung ausgeliefert werden darf.
Das betrifft mehrere Ebenen. Eine Person muss Anforderungen in prüfbare Akzeptanzkriterien übersetzen. Jemand muss die Architektur bewerten, Datenflüsse verstehen und Sicherheitsannahmen hinterfragen. Jemand muss entscheiden, ob eine Abhängigkeit, ein generiertes Datenmodell oder eine vorgeschlagene Migration zum Produkt passt.
Verantwortung in der Softwareentwicklung bedeutet deshalb auch, den Entstehungsprozess nachvollziehbar zu halten. Wer KI-generierten Code übernimmt, muss die Änderung verstehen, testen und im Betrieb vertreten können. Ein Pull Request mit dem Vermerk „Claude hat das so vorgeschlagen“ ist keine technische Begründung. Er ist bestenfalls ein Hinweis auf den Ausgangspunkt.
Die Rolle von Entwicklern im KI-Zeitalter verschiebt sich damit in Richtung Architektur, Kontextsteuerung, Review und Systemverständnis. Programmierkenntnisse bleiben dafür die Grundlage. Wer Code nicht lesen und Fehlerbilder nicht einordnen kann, verliert gegenüber einem Coding Agent die wichtigste Kontrollmöglichkeit.
Für CTOs und Tech Leads folgt daraus eine klare Regel: KI-Nutzung gehört in den Engineering-Prozess. Dazu zählen definierte Zugriffsrechte, getrennte Umgebungen, dokumentierte Freigaben und Qualitätsmetriken. Die Hersteller selbst beschreiben für Coding Agents Sandboxing, Netzwerkregeln, Genehmigungen und Protokollierung als zentrale Sicherheitsmechanismen (openai.com).
Wie wird KI-generierter Code produktionsreif?
KI-generierter Code wird produktionsreif, wenn er denselben technischen und fachlichen Prüfungen standhält wie jeder andere Code. Die Herkunft des Codes ändert die Anforderungen an Sicherheit, Wartbarkeit und Betrieb nicht.
Ein belastbarer Prozess beginnt mit einem klar abgegrenzten Problem. Der Agent erhält relevante Architekturregeln, Konventionen, Schnittstellen und Akzeptanzkriterien. Danach entsteht ein Plan, bevor Dateien verändert werden. Das klingt langsam. Im Vergleich zu späterem Aufräumen ist es ausgesprochen schnell.
Die Wartbarkeit von KI-generiertem Code entscheidet sich dabei weniger an einzelnen Zeilen als an der Struktur des Systems. Verständliche Namen, kleine Module und konsistente Muster helfen. Noch wichtiger ist, dass zentrale Geschäftsregeln an erkennbaren Stellen liegen und nicht über mehrere automatisch erzeugte Schichten verteilt sind.
NIST beschreibt für generative KI im sicheren Softwareentwicklungsprozess ausdrücklich, dass KI-generierte Änderungsvorschläge als Eingaben für Planung und Entwicklung behandelt werden sollen. Änderungen am Systemzustand brauchen etablierte Prüfung und Freigabe (nist.gov).
Ein weiteres Warnsignal erkennst Du im Review: Niemand im Team kann erklären, warum eine Änderung funktioniert, aber alle verlassen sich auf den grünen Build. Dann wurde Qualität mit Ausführbarkeit verwechselt. Ein Build prüft, ob Software kompiliert und definierte Tests besteht. Er prüft nicht automatisch, ob die Geschäftslogik richtig ist.
Unsere Empfehlung lautet deshalb: Nutze Claude Code und Codex früh, gezielt und mit klaren Grenzen. Lass sie Varianten erkunden, Tests vorbereiten, Legacy-Code erklären und Routineänderungen beschleunigen. Halte Architekturentscheidungen, fachliche Regeln und Freigaben beim Team. So wird KI in der digitalen Produktentwicklung zu einem Verstärker für gute Engineering-Prozesse. Schlechte Prozesse beschleunigt sie ebenfalls. Das ist der weniger glamouröse Teil der Automatisierung.
KI in der Softwareentwicklung bezeichnet den Einsatz von Modellen und Coding Agents für Aufgaben entlang des Entwicklungsprozesses. Dazu gehören Anforderungsanalyse, Codegenerierung, Testvorbereitung, Fehlersuche, Dokumentation, Review und Modernisierung bestehender Systeme.
Claude Code und Codex sind Coding Agents, die Projektkontext verarbeiten und Änderungen an Codebasen vorbereiten oder ausführen können. Die konkreten Funktionen, Modelle, Berechtigungen und Integrationen ändern sich schnell; für eine Auswahl zählen deshalb vor allem Sicherheitsmodell, vorhandene Toolchain, Datenanforderungen und Arbeitsweise des Teams.
Prototyping mit Claude Code eignet sich für klar begrenzte Ideen, interne Werkzeuge, UI-Varianten, API-Skizzen und technische Experimente. Der Prototyp sollte eine Annahme prüfen und bewusst als vorläufiges Artefakt behandelt werden.
KI-generierter Code in Business-Software scheitert an impliziten Geschäftsregeln, widersprüchlichen Anforderungen, Integrationen und nichtfunktionalen Anforderungen. Ein plausibler Standardfall reicht dort nicht aus, weil Sonderfälle und Fehlerfolgen den eigentlichen Produktwert bestimmen.
KI-generierter Code wird durch klare Anforderungen, kleine Änderungen, automatisierte Tests, menschliche Reviews, Sicherheitsprüfungen und vorbereiteten Betrieb produktionsreif. Die Person, die den Code merged, muss die Änderung fachlich und technisch vertreten können.
Software mit KI entwickeln reduziert den Aufwand für bestimmte Implementierungsschritte, beseitigt aber keine Kosten für Fachkonzept, Architektur, Integration, Qualitätssicherung, Betrieb und Wartung. Der Aufwand hängt deshalb stärker von Geschäftslogik, Systemlandschaft, Datenrisiken und gefordertem Nachweisniveau ab als von der Menge des erzeugten Codes. Welcher Use Case sich zuerst lohnt und wie ein Pilot zugeschnitten wird, klärt die KI-Beratung.
KI als Programmierassistent sollte zurückgestellt werden, wenn Datenzugriffe nicht kontrolliert, Anforderungen ungeklärt oder Freigaben nicht geregelt sind. Für besonders kritische oder regulierte Systeme braucht es zuerst einen belastbaren Entwicklungs- und Prüfprozess; das Tool kommt danach.