Von der Tool-Idee zum Praxis-Test: Wie wir in einer Stunde ein Migrations-Unterstützungs-Tool entwickelt haben#

Kann man mit KI-Unterstützung in einer Stunde ein funktionsfähiges Tool entwickeln? Wir haben es getestet – und das Ergebnis wird jetzt für eine Website-Migration evaluiert.

Was war die Herausforderung?#

Wir standen vor einem Website-Umzug von einem System zu einem anderen.

Die Frage war: Lässt sich dieser Prozess durch ein Tool unterstützen, das bestehende Inhalte analysiert, Verbesserungen vorschlägt und in verschiedenen Formaten exportiert? Aber bevor wir Wochen in die Entwicklung investieren, wollten wir zuerst wissen: Funktioniert die Idee überhaupt in der Praxis?

Was kann das Tool?#

Das Tool verarbeitet komplette Website-Bereiche als strukturierte Daten und verbessert die Inhalte durch KI-Analyse. Der Ablauf:

• Daten einlesen: Strukturierte Export-Dateien werden ins Tool geladen (z. B. Website-Bereiche mit Dokumenten, Bildern, Downloads)
• Inhalte analysieren: Ein KI-Sprachmodell (Programm, das Text verstehen und verbessern kann) untersucht die Struktur und schlägt Optimierungen vor (z. B. bessere Überschriften, klarere Texte, überflüssige Inhalte entfernen)
• Konzept anwenden: Die vorgeschlagenen Verbesserungen werden auf alle Inhalte angewendet
• Ergebnisse exportieren: Ausgabe in verschiedenen Formaten (Markdown für weitere Bearbeitung, ZIP-Archiv für Downloads, Word-Dokument für Präsentationen)

Das Tool verarbeitet dabei große Datenmengen. Ein typischer Website-Bereich hat 85 Seiten und wird als 12 MB große Datei eingelesen.

Wie sind wir vorgegangen?#

• Schritt 1 (20 Minuten): Wir haben eine detaillierte Beschreibung geschrieben – was soll das Tool können, wie soll es technisch funktionieren, welche Anforderungen gibt es
• Schritt 2 (1 Stunde): Diese Beschreibung haben wir komplett an ein KI-Sprachmodell übergeben, das daraus Code entwickelt hat
• Iteration (3 Durchläufe): Erste Version → Export-Formate ergänzen → Details der Oberfläche verfeinern
• Gesamtaufwand: 20 Minuten Planung + 1 Stunde Entwicklung
• Ergebnis: 3 Code-Module, vollständige Dokumentation, 4 Export-Formate

Wir haben dabei auf bekannte Technologien gesetzt: Python für die Logik, ein Web-Interface-Framework für die Oberfläche, Container-Technologie für die Installation. Diese Wahl hat die schnelle Umsetzung ermöglicht.

Warum lief die Entwicklung so schnell?#

Weil wir die Spezifikation sehr ausführlich gemacht haben.

Eine klare Beschreibung am Anfang – sowohl funktional als auch technisch – hat später Fehler und Rückfragen verhindert. Wir haben uns dabei bewusst auf das Wesentliche konzentriert. Kein Feature-Wildwuchs, sondern nur das, was wirklich nötig ist. Das hat zu fokussiertem Code geführt, der leichter wartbar ist.

Wichtige Erkenntnisse#

1. Spezifikation schlägt Iteration

Die 20 Minuten für die detaillierte Beschreibung haben uns mehrere Korrektur-Runden erspart. Wenn man vorher genau überlegt, was das Tool können soll, muss man später weniger nachbessern.

Die Spezifikation war dabei keine abstrakte Anforderungsliste, sondern konkret: Welche Funktionen genau? Welche Technologien? Welche Ausgabeformate? Diese Klarheit hat die KI-gestützte Entwicklung erst effizient gemacht.

2. Große Datenmengen brauchen Planung

Ein Website-Bereich mit 85 Seiten wird zu einer 12 MB großen Datei mit verschiedenen Inhaltstypen. Für solche Datenmengen braucht das KI-Sprachmodell einen großen Kontext – in unserem Fall 256.000 Token (ungefähr 200.000 Wörter).

Das muss man von Anfang an berücksichtigen. Sonst funktioniert das Tool zwar bei kleinen Tests, scheitert aber an realen Datenmengen.

3. Von Experiment zu Praxis-Tool

Das Tool sollte eigentlich nur testen, ob die Idee funktioniert. Jetzt wird es von mehreren Teams evaluiert und hilft bei der Migrations-Vorbereitung.

Das zeigt: Wenn man Ideen schnell in funktionierende Programme verwandeln kann, lassen sich Entscheidungen auf Basis echter Tests treffen – nicht auf Basis von Annahmen.

Was können andere davon lernen?#

• Zeit in die Spezifikation investieren: Die 20 Minuten Planung waren wichtiger als zusätzliche Entwicklungszeit
• Einfach anfangen: Bekannte Technologien ermöglichen schnellere Umsetzung als neue, trendige Frameworks
• Klein bleiben: Nur die nötigen Funktionen entwickeln, keine “nice-to-have” Features
• An realen Daten testen: Kleine Beispiele funktionieren immer – große Datenmengen zeigen die echten Herausforderungen
• Prototypen ernst nehmen: Was als Test startet, kann zu einem Werkzeug werden, das andere tatsächlich nutzen

Fazit#

✔ Mit klarer Spezifikation und KI-Unterstützung kann man in 1 Stunde funktionierende Tools entwickeln

✔ Schnelle Prototypen ermöglichen fundierte Entscheidungen auf Basis echter Tests statt Annahmen

✔ Der Fokus auf das Wesentliche führt zu wartbarem Code und nutzbaren Ergebnissen

Dies ist Teil einer Reihe über KI-gestützte Entwicklungsprojekte. Der Fokus liegt darauf, was man aus solchen Experimenten lernen kann – nicht nur auf den Ergebnissen.