Prompt-getriebene Entwicklung, umgangssprachlich auch Vibe Coding genannt, beschreibt eine Arbeitsweise, bei der Entwicklerinnen und Entwickler überwiegend in natürlicher Sprache beschreiben, was entstehen soll, und ein KI-Agent den Code dazu schreibt und ausführt. Ein aktuelles Beispiel macht greifbar, wie weit dieser Ansatz inzwischen trägt.

Der KI-Forscher und OpenAI-Mitgründer Andrej Karpathy hat mit Anthropics Claude Code an einem Wochenende eine Video-Plattform namens HackerTube erstellt. Ausgangspunkt waren 43 Millionen Kommentare der Community-Plattform Hacker News, aus denen am Ende 6.454 kuratierte Videos übrig blieben. Laut der Beschreibung übernahm der KI-Agent nahezu die gesamte Arbeit – vom Filtern der Datenmenge bis zur Einrichtung des Servers. Eine zweite Plattform entstand anschließend innerhalb von drei Minuten.

Warum dieses Beispiel aufschlussreich ist

Interessant ist weniger die Plattform selbst als die Zusammensetzung der Aufgaben. Es handelt sich nicht um ein reines Frontend-Experiment, sondern um eine Kette typischer Projektschritte: Daten beschaffen, bereinigen, nach Relevanz filtern, eine Oberfläche bauen, das Ganze auf einem Server betriebsfähig machen. Genau diese Kette kostet in klassischen Projekten üblicherweise die meiste Zeit, weil zwischen den Schritten viele kleine, wenig glamouröse Arbeiten liegen.

Hinzu kommt die Größenordnung der Daten. 43 Millionen Kommentare lassen sich nicht manuell sichten. Ein Agent, der Filterlogik entwirft, testet, verwirft und neu schreibt, kann solche Schleifen deutlich schneller durchlaufen als ein Mensch, der jede Variante selbst implementiert. Die zweite Plattform in drei Minuten deutet darauf hin, dass ein einmal etablierter Aufbau mit geringem Aufwand variiert werden kann.

Was sich daraus für Unternehmen ableiten lässt

Für mittelständische Unternehmen ist der naheliegende Anwendungsfall nicht die öffentliche Plattform, sondern das interne Werkzeug. Viele Organisationen haben Datenbestände, die niemand auswertet, weil ein passendes Tool fehlt und ein Projektantrag dafür unverhältnismäßig wirkt: Exporte aus dem CRM, Tickethistorien, Logfiles, Produktdaten aus verschiedenen Quellen.

Genau hier verschiebt sich die Rechnung. Wenn ein funktionsfähiger Prototyp in Stunden statt Wochen entsteht, sinkt die Schwelle, eine Idee überhaupt auszuprobieren. Statt lange über Anforderungen zu diskutieren, lässt sich eine erste Version bauen, ansehen und bewerten. Fehlentscheidungen werden billiger, weil weniger Aufwand in ihnen steckt.

  • Prototypen und Machbarkeitsstudien: Eine Idee wird sichtbar, bevor ein Budget beantragt werden muss.
  • Interne Auswertungen: Datenbestände lassen sich aufbereiten, ohne dass dafür ein eigenes Produkt entsteht.
  • Einmalige Aufgaben: Migrationen, Datenbereinigungen und Importe, die nur selten anfallen und deren Code danach nicht gepflegt werden muss.

Wo die Grenzen liegen

Ein Wochenendprojekt einer einzelnen Person ist kein Beleg dafür, dass sich jedes Softwareprojekt so abwickeln lässt. Mehrere Unterschiede sind zu beachten.

Erstens ist die handelnde Person hier ausgesprochen erfahren. Wer präzise beschreiben kann, welche Architektur und welche Filterlogik gewünscht sind, führt einen KI-Agenten anders als jemand, der den Lösungsraum nicht überblickt. Die Qualität der Anweisungen bleibt ein Flaschenhals, und sie hängt an Fachwissen.

Zweitens fehlen in solchen Projekten typischerweise die Anforderungen, die im Unternehmenskontext den größten Aufwand verursachen: Rechte- und Rollenkonzepte, Datenschutz, Anbindung an bestehende Systeme, Barrierefreiheit, Revisionssicherheit, Wartbarkeit über Jahre. Ein Prototyp muss funktionieren; ein Produktivsystem muss auch dann funktionieren, wenn Randfälle, Lastspitzen und Angriffe auftreten.

Drittens entsteht bei schnell generiertem Code ein Verantwortungsproblem. Wenn niemand im Haus den Code gelesen hat, weiß auch niemand, wie er sich bei einer Änderung verhält. Das ist für ein Experiment unerheblich und für ein System, an dem Geschäftsprozesse hängen, ein echtes Risiko.

Ein praktikabler Umgang

Sinnvoll erscheint eine klare Trennung. Für explorative Arbeit – Prototypen, interne Hilfsmittel, einmalige Datenaufgaben – ist prompt-getriebene Entwicklung ein hervorragendes Werkzeug, weil Geschwindigkeit hier den größten Nutzen stiftet und ein Fehler überschaubare Folgen hat.

Für alles, was in Produktion geht, bleiben die bekannten Mechanismen notwendig: Code-Review durch Menschen, automatisierte Tests, dokumentierte Architekturentscheidungen, ein geregelter Deployment-Prozess. Der KI-Agent beschleunigt dann die Umsetzung innerhalb dieses Rahmens, ersetzt ihn aber nicht.

Ebenso wichtig ist die Frage, was mit einem erfolgreichen Prototyp passiert. Die Erfahrung aus klassischen Projekten gilt unverändert: Provisorien, die sich bewähren, bleiben. Wer von Anfang an festlegt, ob ein Werkzeug ein Wegwerfprodukt ist oder die Vorstufe eines gepflegten Systems, vermeidet spätere Altlasten.

Einordnung

Für Web- und Softwareprojekte verschiebt sich vor allem die Kostenstruktur der frühen Phase: Ideen lassen sich testen, bevor sie spezifiziert sind, und die Frage nach dem Nutzen rückt vor die Frage nach dem Aufwand. Der schwierige Teil bleibt jedoch dort, wo er immer war – in Integration, Betrieb und langfristiger Wartung. Entscheidend ist deshalb nicht, ob mit KI-Agenten entwickelt wird, sondern wie sauber zwischen schnellem Experiment und belastbarem Produktivsystem unterschieden wird.

Quellen