TL;DR: 2025 ist KI überall. Wir haben uns daher systematisch durch unseren Entwicklungsprozess gearbeitet und gefragt: Wo steckt echtes Potenzial? Fünf Bereiche zeigen vielversprechende Ergebnisse – von der Anforderungsanalyse bis zum Testing. Die eigentliche Herausforderung: Wie verankern wir diese Erkenntnisse dauerhaft in unseren Prozessen? KI macht Arbeit nicht einfacher – sie macht sie anders: vom Erstellen zum Validieren. Und sie senkt Einstiegshürden dramatisch.

#1. Stackfield Desktop App: Erstes Vibe-Coding-Experiment

Anfang 2025 haben wir unsere Workstations auf Linux umgestellt. Als Chat-Plattform nutzen wir intern Stackfield – das bietet jedoch keine native Desktop-App für Linux. Lästig genug, um eine Lösung zu wollen, aber nicht kritisch genug, um wochenlange Entwicklungszeit zu investieren.

Mit Claude und Electron haben wir eine Stackfield Desktop-App gebaut – unser erstes Vibe-Coding-Experiment. Das war im Frühling, und seitdem nutzt das gesamte Team diesen Client täglich produktiv.

Das Projekt lief überraschend gut, vor allem wegen klarer Rahmenbedingungen: Die Anforderungen waren klar definiert, der Scope deutlich abgegrenzt, und mit Electron stand ein etabliertes Framework zur Verfügung. KI glänzt in solchen Szenarien, wo das Problem strukturiert ist und bewährte Lösungsmuster existieren.

Die Erkenntnis: KI ist außergewöhnlich gut darin, bestehende Technologien auf neue Weise zu kombinieren. Nicht darin, neuartige Lösungen zu erfinden – aber darin, etablierte Komponenten kreativ zu verbinden. Das ist oft genau das, was kleine Teams brauchen.

#2. Anforderungsanalyse: Vom Schreiben zum Validieren

In unseren Anforderungsworkshops entwickeln wir gemeinsam mit dem Kunden die Zielvision und die Sprache der zukünftigen Anwendung. Danach erhalten sie eine aufbereitete Workshop-Dokumentation inklusive eines Prototyps des zu entwickelnden MVP – Grundlage für Schätzung und detaillierte Spezifikation. Dieser Prozess erfordert oft die Zusammenarbeit aller Disziplinen und ist entsprechend ressourcenintensiv.

Die wichtigste Erkenntnis: Mit Hilfe von KI können wir in kürzerer Zeit höhere Qualität erreichen. Statt selbst detaillierte Specs in allen Einzelheiten zu definieren, lassen wir die KI Workshop-Ergebnisse analysieren, zusammenfassen und strukturieren.

Die Arbeit verschiebt sich: Statt selbst Specs zu schreiben, validieren wir KI-generierte Ergebnisse. Welche der 20 vorgeschlagenen Edge Cases sind wirklich relevant? Was ist Overkill? Was passt zum Budget des Kunden? Die Specs sind besser geworden – umfassender, durchdachter. KI stellt systematisch die Detailfragen, für die im Workshop keine Zeit bleibt.

Aber: Wir haben gelernt, dass umfassende Spezifikationen auch Edge Cases enthalten können, die Entwicklungskosten unnötig erhöhen. Jede KI-generierte Spec durchläuft daher eine kritische Überprüfung: Ist das wirklich notwendig? Rechtfertigt dieser Edge Case den Aufwand?

Unseren Ansatz mit allen Vor- und Nachteilen beschreiben wir hier: KI schreibt unsere Anforderungen – das macht es schwieriger

#3. Rechnungssystem: Wenn ein Nicht-Programmierer plötzlich Software baut

Wir erstellen unsere eigenen Rechnungen noch mit Microsoft Office. Cloud-Systeme kommen aus Datenschutzgründen nicht infrage, On-Premise-ERP-Lösungen sind für unsere Anforderungen zu komplex oder müssten zu stark angepasst werden, um in unsere Prozesse und Systemlandschaft zu passen.

Mit KI haben wir getestet, wie weit man mit Vibe-Coding kommt. Axel ist im Tagesgeschäft kein Programmierer mehr – dennoch entstand in 16 bis 20 Stunden ein funktionsfähiges Rechnungssystem, das wir nun produktiv einsetzen. Das System erstellt Rechnungen E-Rechnungs-konform, bietet eine filterbare Historie und eine schnelle Übersicht offener Rechnungen. Und wichtig: Unsere Daten bleiben bei uns.

Das mag überraschen, denn wir haben in einem anderen Artikel kritisch über Vibe-Coding geschrieben. Aber wir folgen hier unserer eigenen Entscheidungsmatrix: Das System ist nicht geschäftskritisch, einfach in der Struktur und ein internes Tool – genau die Kriterien, wo Vibe-Coding seinen Platz hat. Mittelfristig werden wir das System auf unserem Standard-Stack neu aufbauen und ordentlich in unsere Systemlandschaft integrieren.

Den Kontext zu unserer kritischen Haltung gegenüber Vibe-Coding gibt es hier: Vibe Coding ist schlecht – und wann man es trotzdem tun sollte

#4. E2E-Testing: Ein neuer Versuch mit KI

Automatisierte Unit-Tests sind bei uns seit Jahren Standard. E2E-Tests hingegen nicht. Mehrere Versuche scheiterten – Tests wurden gestartet, nicht gepflegt, verloren an Wert. Manuelle Tests waren systematisch, aber zeitaufwändig und nach jeder Systemänderung überholt.

Mit KI unternehmen wir einen neuen Versuch. Wir lassen uns Playwright erklären, erhalten eine Schritt-für-Schritt-Anleitung und erstellen gemeinsam mit Claude durch Quellcode-Analyse einen Testplan. Erste Tests werden aufgenommen, weitere Testvariationen daraus generiert.

Der entscheidende Vorteil: Mit KI entstehen für bestehende Tests deutlich schneller wesentlich mehr Testvariationen. In einer Beispielanwendung hatten wir innerhalb von drei Arbeitstagen Tests für 25+ Use Cases mit über 120 Tests definiert und implementiert – inklusive Einarbeitung in Playwright und Aufbau der Testinfrastruktur, für drei verschiedene Browser. Diese Geschwindigkeit und Abdeckung wäre manuell nicht möglich gewesen.

Das Ergebnis: Deutlich mehr Tests, bessere Abdeckung, und vor allem Szenarien, die wir zuvor als „niedrige Priorität" eingestuft hätten. Wir fangen jetzt Bugs in produktionsreifen Builds ab, die sonst unsere Nutzer erreicht hätten. Einen ausführlichen Artikel gibt es hier: KI schreibt den Code. Aber wer testet ihn?

#5. Content-Erstellung: KI löst kreative Blockaden

Schreiben liegt mir nicht. Eine Blogserie wie diese zu betreiben schien lange undenkbar – bis ich KI als Ghostwriter entdeckt habe. Ich teste regelmäßig verschiedene Large Language Models: Claude trifft meinen Stil am besten, aber ich lasse Artikel auch von ChatGPT und Gemini durchsehen. Jedes Modell deckt andere Schwächen auf, bringt andere Perspektiven ein.

Ich brauche noch viele Stunden pro Artikel – mehrere Überarbeitungsrunden, detailliertes Feedback, kritische Bewertung jeder Formulierung. Aber ich habe jetzt einen Gegenüber, der hilft: Ideen entwickeln, Strukturen halten, gute Formulierungen finden wenn die Worte fehlen, bei Rechtschreibung und Grammatik, beim Übersetzen, beim Zusammenfassen und beim Erstellen von Artikelbildern.

Was sich verändert hat: Nicht wie lange ich an Artikeln arbeite, sondern dass ich überhaupt schreibe. Die Hürde war zu hoch. KI hat eine kreative Blockade gelöst – und gleichzeitig eine Möglichkeit geschaffen, unser Schaffen zu dokumentieren.

Was wir 2025 gelernt haben

KI verschiebt Arbeit, macht sie nicht einfacher. Die Arbeit wird anders: vom Erstellen zum Bewerten, vom Ausführen zum Entscheiden. Weniger Zeit beim Schreiben, mehr Zeit beim kritischen Einschätzen. Weniger Zeit beim Coden, mehr Zeit beim Validieren von generiertem Code. Das erfordert schärferes Denken, nicht weniger.

KI entfernt Barrieren. Nicht weil sie schneller ist, sondern weil Dinge möglich werden, die vorher zu ressourcenintensiv, zu komplex oder außerhalb der eigenen Expertise lagen. E2E-Testing nach Jahren gescheiterter Versuche. Content-Erstellung trotz Schreibblockade. Software-Entwicklung als Nicht-Programmierer. Einstiegshürden fallen dramatisch.

Kreativität vs. Vorhersehbarkeit – ein ständiger Balanceakt. KI bringt Vollständigkeit und neue Perspektiven. Das ist wertvoll. Aber in der Softwareentwicklung brauchen wir oft vorhersehbare Ergebnisse. Wir arbeiten mit engen Spezifikationen: Fachsprache, Standards für Architektur und Code. Durch konkrete Prompts lässt sich KI-Kreativität zähmen – aber die Spannung bleibt.

KI als Gegenüber – aber mit eingebautem Bias. KI ermöglicht Austausch und Feedback, das vorher nur in Teams möglich war. Aber LLMs sind darauf ausgelegt zu bestätigen statt kritisch zu hinterfragen. Das muss man im Hinterkopf behalten.

Vertrauen ist gut, Kontrolle ist Pflicht. KI generiert schnell und umfassend, aber jedes Ergebnis muss kritisch überprüft werden. Wir nennen das „Critical AI Adoption" – nutzen, weil Wettbewerbsvorteile es erfordern, aber gesunde Skepsis beibehalten.

Experimentieren als Teamsport. Bei PLATIS experimentiert jeder mit KI, wir tauschen uns wöchentlich aus. Manches wird schneller, manches wird überhaupt erst möglich. Aber jedes Experiment stellt dieselbe Frage: Wo hilft KI wirklich? Wo müssen wir die Kontrolle behalten?

Ausblick 2026: Anpassungsfähig bleiben

2025 haben wir erste Anwendungsbereiche identifiziert und KI in einzelnen Bereichen erfolgreich eingesetzt. Aber produktiv im Sinne von „etabliert und verlässlich"? Da sind wir noch nicht. Das ist die Herausforderung für 2026: Das Gelernte in unsere täglichen Abläufe integrieren.

Unser Ziel ist klar: ein nahtloser Softwareentwicklungsprozess – von der Idee bis zum Deployment.