AI-Coding- und Vibe-Coding-Tools ermöglichen es, aus Ideen schnell funktionierende Anwendungen zu entwickeln. Erste Outputs wirken oft bereits überzeugend und produktnah. Für die Produktqualität ist jedoch auch entscheidend, wie Produktziel, Nutzungskontext, Anforderungen und Qualitätskriterien formuliert, hinterlegt und überprüft werden. Dadurch verschiebt sich die Produktverantwortung immer stärker in den laufenden Dialog mit dem Tool.
Mit AI-Coding-Plattformen wie Lovable, Cursor, bolt.new und vielen weiteren Tools lassen sich heute in kurzer Zeit digitale Produkte entwickeln. Statt selbst zu programmieren, werden Prompts, also direkte Textanweisungen, oder visuelle Referenzen wie Bilder verwendet. Selbst Integrationen mit externen Diensten oder APIs können in vielen Fällen bereits über Prompts vorbereitet und integriert werden.
Wenn Software zunehmend durch Prompts in AI-Tools entsteht, verschwinden klassische Produktanforderungen natürlich nicht. Sie verlagern sich jedoch immer stärker direkt in den Prompting-Prozess. Dieselbe Produktidee kann je nach Eingabe sehr unterschiedlich umgesetzt werden. Manche Outputs wirken stimmiger, näher am Nutzungskontext und besser strukturiert als andere. Entscheidend wird deshalb die Frage, wie AI-Coding-Tools genutzt werden können, damit nicht nur Funktionen umgesetzt werden, sondern auch Produktqualität gezielt mitgedacht wird.
An einem Beispiel mit Lovable möchte ich aufzeigen, welche Angaben beim Prompting hilfreich sind und wo zu starre Vorgaben für Komponenten, Layouts oder Details den Lösungsraum der KI einschränken können.
Ein guter Output ist nicht automatisch ein gutes Produkt
Für die Umsetzung habe ich eine Produktidee mit verschiedenen Prompts ausprobiert. Dabei ging es nicht um die technische Umsetzung, sondern um die Qualität der Benutzeroberfläche und Nutzung. Denn eine Oberfläche kann modern und überzeugend wirken, obwohl zentrale Informationen nicht richtig priorisiert sind oder die Anwendung nicht konsequent aus Sicht der Nutzenden gedacht ist.
Lovable gibt dazu in seinem Prompting-Handbuch hilfreiche Tipps und betont, wie wichtig ein gut formulierter Einstiegsprompt ist. Kontext, Funktionen, Zielgruppe, visuelle Richtung und Projektwissen sollten dabei klar beschrieben werden. Ergänzend helfen Screenshots als visuelle Vorlage, während Anforderungen, Features und Produktvisionen direkt in der Knowledge Base hinterlegt werden können.
Bei der Umsetzung hilft es, das Produkt nicht nur weiterzubauen, sondern es zwischendurch bewusst prüfen zu lassen. Fragen wie „Was ist aus Sicht von Usability, Accessibility oder Nutzerführung noch unklar?“ oder „Wo entstehen mögliche Hürden?“ machen Schwachstellen sichtbar und liefern eine bessere Grundlage für die nächsten Prompts. Solche Hinweise liefert das Tool oft erst, wenn gezielt danach gefragt wird. Die nächsten Prompts werden dadurch konkreter, und die Qualität des Produkts kann bewusster verbessert werden.
Abschliessende Erkenntnisse
Es sollte nicht nur klar sein, was das Tool umsetzen soll, sondern auch, mit welchem Kontext es arbeitet und wie der Output im Prozess geprüft und weiterentwickelt wird. Daraus lassen sich einige praktische Hinweise für den Umgang mit AI-Coding-Tools ableiten.
- AI-Coding-Tools sind ausführend, nicht kuratierend: Sie setzen Vorgaben präzise um, prüfen jedoch nicht automatisch, ob diese aus Produktsicht sinnvoll sind. Auch Anforderungen in der Knowledge Base ersetzen keine Qualitätsprüfung. Eine unleserliche Farbe, ein unklarer Prozess oder fehlende Accessibility-Guidelines werden nicht zwingend korrigiert, sondern müssen im Verlauf bewusst überprüft werden.
- Ziele statt fertige Lösungen prompten: Zu starre Vorgaben schränken den Lösungsraum der KI ein. Lovable nutzt standardmässig robuste Komponenten. Werden zu viele Details mitgegeben, riskiert man, dass diese sauberen Standards verlassen werden und statt stabiler Ergebnisse unsauberer Custom-Code generiert wird. Man muss sich bewusst sein, dass das Tool Prompts treu ausführt, aber nicht automatisch auf Produktqualität achtet. Die besten Ergebnisse entstehen, wenn das Was und Warum klar benannt sind und das Wie etwas offenbleibt.
- Aktive Review-Prompts einbringen: Qualität braucht den Dialog. Zu lange Anfangsprompts führen oft dazu, dass einzelne Kriterien nicht richtig gewichtet werden. Hilfreicher sind gezielte Folgefragen zu Kontrast, Navigation oder Benutzerführung, die das Tool von sich aus nicht anspricht. Dadurch wird der Output nicht nur weitergebaut, sondern bewusst auf Verständlichkeit, Orientierung und Produktqualität geprüft.
Dieser Blogbeitrag wurde mit Unterstützung von KI erstellt
