Rückblick auf unseren AI Workshop

Der Workshop am Freitag vor zwei Wochen statt und wir hatten ein paar spannende Punkte auf unserer Agenda. Zunächst schauten wir uns einige vergangene Projekte an, welche ausschließlich mit AI erstellt wurden, um ein Gefühl für die Mächtigkeit zu bekommen. Danach haben wir unsere eigenen Erfahrungen ausgetauscht und hatten eine interessante Diskussion über die Anwendungsbereiche sowie Vor- und Nachteile von AI Coding Tools. Zum Schluss haben wir dann ein eigenes Projekt aufgebaut, um zu sehen, wie viel wir mit einem modernen AI Workflow in kurzer Zeit erreichen können. Überraschenderweise war das Ergebnis sehr beeindruckend!

Unsere Erfahrungen mit KI

Wir haben uns einige KI-generierte Projekte angesehen, und daraus die wichtigsten Erkenntnisse abgeleitet, die AI Tools so mächtig machen:

• Technologie-Stack ist entscheidend. KI-generierter Code hängt stark vom dem dahinterliegenden Stack ab. Im .NET-Ökosystem zum Beispiel führen häufige Breaking Changes dazu, dass die KI Code-Snippets aus unterschiedlichen Versionen vermischt. Das Ergebnis sieht häufig korrekt aus, führt allerdings zu Laufzeitfehlern.
• Schnelllebige Ökosysteme sind schwierig. In der Webentwicklung tun sich selbst erfahrene Entwickler schwer, mit den sich ständig ändernden Frameworks Schritt zu halten. KI kann nur selten mit nightly Features helfen und ohne exakte Angabe der Version produziert sie oft veralteten oder nicht kompatiblen Code.
• Sprachauswahl. Bei Skripting-Sprachen wie JavaScript oder Python scheitert generierter Code oft beim Ausführen. Im Gegensatz dazu liefern Sprachen mit festen, stabilen Regeln, wie z.B. Go, deutlich zuverlässigere Ergebnisse. Wenn man die KI an einen Language Server hängt und Code automatisch ausführen lässt, verbessert das die Genauigkeit nochmal signifikant.
• Codequalität. Es ist verlockend, den Agenten einfach so lange arbeiten zu lassen, bis der Code funktioniert, anstatt den Code selbst zu lesen. Doch kleine Fehler per Hand zu korrigieren ist oft effizienter und vermeidet Technical Debt. Die KI neigt dazu, „dead Code“ zu erzeugen, darum sollte generierter Code immer geprüft und aufgeräumt werden.
• Scaffolding ist knifflig. Neue Projekte komplett mit KI aufzusetzen führt häufig zu Abhängigkeitsfehlern. Zuverlässiger ist es, das Projekt mit Tools wie create-next-app aufzusetzen und die KI anschließend im angelegten Projekt arbeiten zu lassen.

Unser eigenes kleines Projekt

Nach der Diskussion konnten wir es kaum abwarten, selbst loszulegen, also haben wir einen eigenen Prototypen entwickelt: ein Issue-Management-System.

• Wir haben mit dem AI-First-Editor cursor herumexperimentiert, der Features wie User-Rules oder Memory hat. Diese Funktionen waren interessant, die allgemeine Bedienung fühlte sich aber recht ähnlich an wie unser alltäglicher Editor VS Code.
• Wir haben mit einem Projekt-Anforderungsdokument (PRD) gearbeitet. In diesem Dokument wird das Projekt detailliert beschrieben, sodass die KI gezielt Code entsprechend der Anforderungen erzeugen kann. Das PRD vorab mit Anderen sowie der KI zu diskutieren, ist sehr zu empfehlen. Unklare Definitionen führen schnell zu Fehlinterpretationen durch den Coding-Agent.
• Wir haben auch Regeldokumente (z. B. .cursorrules) ausgetestet, die bestimmte Prompts in den Chat einspeisen. Beispielsweise haben wir eine Regel hinzugefügt, nach der Git-Commit-Nachrichten nur aus Emojis bestehen sollten 😄. Solche Regeln lassen sich sehr detailliert konfigurieren und bringen Konsistenz in den Entwicklungsworkflow des AI Agenten.
• Ein großer Vorteil des PRD war, dass man sowohl Business- als auch technische Sprache mischen kann. Wir konnten z. B. Datenbanktabellen und Business-Anforderungen im selben Dokument beschreiben. Die KI verstand letztendlich beide Ebenen.
• Nach der Generierung und einer kurzen Debugging-Phase hatten wir eine funktionale Frontend-Schnittstelle, verbunden mit einem laufenden Backend und einer API. Das Ergebnis war besser, als wir es erwartet hatten.

Fazit

Der Workshop zeigte: KI-Tools liefern überraschend schnell nutzbare Ergebnisse, gerade beim Prototyping. Schon nach wenigen Stunden konnten wir eine funktionierende Oberfläche präsentieren. Man stelle sich vor, dem Kunden noch am selben Tag ein erstes funktionierendes Proof-Of-Concept zu zeigen.

Wenn man Anforderungen klar definiert, generierten Code überprüft und im Anschluss aufräumt, überwiegen die Vorteile klar den Kosten. Besonders in frühen Phasen von Projekten können AI Tools die Entwicklung massiv beschleunigen und manuellen Aufwand enorm reduzieren.

Der nächste Schritt für uns ist es jetzt, KI-Agenten in unsere bestehenden Projekte (auch in große Codebasen) zu integrieren, um deren praktische Grenzen auszutesten.