Produktentwicklung mit agentischer KI

Individualsoftware ist teuer, wartungsintensiv und veraltet schnell, dafür bietet sie hohe Qualität und ist passgenau auf die Anforderungen des Kunden abgestimmt. Was bisher galt, könnte sich mit den Entwicklungen mit agentischer KI nun ändern. Denn viele Use Cases, in denen Individualsoftware bisher zu teuer war, können mit den aktuellen KI-Coding-Agenten neu bewertet werden. Damit wird Individualsoftware für neue Kunden, Branchen und Use Cases interessant.

Die große Frage ist momentan: Welche Tools sind gut, wie muss ich diese nutzen, und welche Skills brauche ich eigentlich heutzutage als Mensch um ein Softwareprodukt auf die Beine zu stellen? Und vor allem: Wie viel schneller bin ich, und wie bekomme ich den versprochenen Performancezugewinn auch auf die Straße?

Ein klar abgegrenztes Produkt mit überschaubarem Scope von der Idee bis zum Produktiv-Deployment umsetzen, das war die Aufgabe, die ich mir selbst gestellt hatte. Dabei mag ich keine Verschwendung: Mir ist ein Sinn bei der Arbeit wichtig. Auch wenn ich dabei etwas lerne, arbeite ich nur ungern für den Mülleimer. Daher dachte ich: Wenn ich schon Zeit und KI-Tokens investiere, soll am Ende auch etwas Sinnvolles und Nutzbares herauskommen.

Durch meine Arbeit als Genossenschaftsvorstand bin ich immer wieder mit dem Thema Entscheidungen konfrontiert: Wie trifft man in großen Gruppen Entscheidungen? Wie kommt man zu informierten Entscheidungen und dokumentiert diese auch nachvollziehbar? 

Aus diesen Fragestellungen war schnell eine Produktvision erstellt: Der Decide-O-Mat, ein „Doodle“ für Entscheidungen in Gruppen, anonym, Ende-zu-Ende-verschlüsselt und hochskalierbar. Einladung per Link, Pro und Kontra Listen und ein eingebautes Votingsystem runden den MVP ab. Wer mehr dazu wissen möchte: Hier geht's zum Decide-O-Mat Pitchdeck

Die Implementierung wurde dann in Antigravity mit Gemini umgesetzt. Interessante Erkenntnis: Die Feature-Entwicklung ist eigentlich der für die KI einfachere Teil. Aufwändig und herausfordernder sind oftmals die Einrichtung von CI/CD Pipeline, Stages, Build Actions, automatisierten Tests, Deployments und die Absicherung der Secrets. Diese bedeuten oft eine Einrichtung durch den Menschen über die Firebase oder Google Cloud Console - auch hier gibt es natürlich mittlerweile KI-Assistenten und theoretisch wäre auch eine Umsetzung über die Browser-Automatisierung möglich, aber das Risiko durch einen falschen Klick des KI-Assistenten eine astronomische Cloud Rechnung zu bekommen ließ mich dann doch in der Regel den manuellen Weg gehen. Antigravity erstellt hier vorbildlich Walkthroughs, und auch die Dokumentation des ganzen Setups in der Readme ist mittels eines Prompts schnell erledigt. Gerade das Ende-zu-Ende-Testen und die Abnahme der Features als Produkt Owner/QA nimmt einen größeren Teil der Zeit ein. Dass man sich Unit Tests und auch UI Tests mit generieren lässt ist klar. Trotzdem macht es Sinn, die Features vor dem Merge selbst zu testen - das Produkt soll ja schließlich auch von Menschen benutzbar sein.

Abstimmung und Verbesserung des Entwicklungsprozesses. Während man mit einem menschlichen Team aufwändig das eigene Arbeiten in Retrospektiven Revue passieren lässt und um einen Konsens für Verbesserungen ringt, ist die Anpassung der AGENTS.md oder GEMINI.md in der laufenden Entwicklung relativ einfach. Ob dieser Prozess dann auch immer eingehalten wird, ist allerdings - wie auch beim menschlichen Team - nicht immer deterministisch.

Während die ersten Releases noch mit Coder Colors arbeiteten, arbeitete unsere UX-Kollegin Daniela Netzel bereits an einem Design Overhaul. Die in Figma gestalteten Designs ließen sich sehr unkompliziert mittels Figma MCP implementieren - nach anfänglichen Schwierigkeiten, den MCP in Antigravity einzubinden und einen damit verbundenen Wechsel zu Claude Code dauerte die eigentliche Anpassung nicht viel länger als einen Nachmittag.

Spannender Seiteneffekt: Durch Tools wie gemini-cli und das Github Actions Ökosystem lassen sich relativ einfach kleinere KI getriebene Workflows einrichten, wie z. B. ein Code Review Agent, ein Issue-Triager oder Agenten zum fixen von Wartungsthemen.

Die Erkenntnis: Die Umsetzung eines Softwareprojekts mit klarem fachlichen Scope und klarer Produktvision ist für erfahrene Entwickler*innen deutlich einfacher geworden. Wer sich im ganzen Entwicklungskontext gut auskennt, kommt mit Hilfe von KI schnell zu nutzbarer Software. Aus meiner Sicht eine gute Nachricht für Senior Developer: Wer weiß, worauf es ankommt, kann nun deutlich schneller Mehrwert generieren. Wenn man sich die Features der Coding Assistenten wie Gemini oder Claude genauer ansieht, kann man hier noch mehr herausholen und vor allem mit anderen Entwickler*innen teilen - allein mit Prompting ist aber auch schon viel machbar.

Eine große Herausforderung ist aus meiner Sicht aber die Integration von KI-Tooling in den Kontext von menschlichen Teams: Wie funktioniert eine Zusammen­arbeit, an welchen Stellen kann und muss der Mensch sicherstellen, dass auch etwas sinnvolles herauskommt, und wie bekomme ich eine gute Zusammen­arbeit mit den Tools hin? Hier fehlen aufgrund der Frische des Themas noch die Erfahrungswerte - wie genau die Best Practices für die Integration von KI Tools in der Softwareentwicklung aussehen, muss (und wird) sich noch zeigen.