Prototypen im Turbogang: Mit KI-Tools für schnelle Ergebnisse

Mit diesen Gedanken im Hinterkopf tauschte ich mich regelmäßig mit zwei Kollegen aus. In einem Meeting kam dann der nächste große Schritt: "Du hast jetzt ein bisschen mit einfachen Szenarien herumgespielt. Lass uns eine echte Feature Map verwenden. Extrahiere die Punkte für den POC und füttere damit mal bolt.new."

Gesagt, getan. Ich markierte alle zum POC gehörenden Zettel, fügte sie in den KI-Chat ein und schrieb eine kurze Einleitung, damit die KI den Kontext verstand. Es fühlte sich an, als würde ich einem menschlichen Entwickler einen Epic mit Stories und Sub-Tasks geben - nur dass mein Gegenüber diesmal eine KI war.

Anfangs beobachtete ich fasziniert, wie die KI arbeitete. Es erinnerte mich an eine Hacker-Szene aus den 90ern - alles am Monitor bewegte sich so schnell, und plötzlich war die erste Version da. Zugegeben, es lief nicht sofort perfekt. Es fehlten noch einige Imports oder sogar Libraries in der package.json von meiner Webapp mit React, TypeScript und Vite. Aber die KI erkannte diese Probleme selbst und versuchte, sie zu beheben. Manchmal musste ich eingreifen, um zu verhindern, dass sie in einer Endlosschleife von Problemlösungen und neuen Problemen gefangen blieb.

Die erste Version nach dem initialen Prompt war dennoch beeindruckend. Das Theming war bereits vorhanden, das Layout strukturiert, wie ich es beschrieben hatte. Überraschenderweise hatte die KI sogar schon Validatoren an die Inputs angebracht und viele Dropdowns mit fachlich stimmigen Werten gefüllt. Ich war baff. Bisher kannte ich nur ChatGPT oder Perplexity, die mir Codeschnipsel ausspuckten, die ich dann manuell einfügen musste. Hier hatte die KI jedoch alle Klassen und Dateien selbst in der richtigen Struktur angelegt. Und das Beste: Ich konnte es sofort in einer Preview sehen und sogar deployen.

Nach etwa einer Stunde Prompting schickte ich das Ergebnis an meine Chefs. Die Antworten waren kurz, aber aussagekräftig: "abgedreht" und "cool" las ich im Chatverlauf. Ich teilte diese Einschätzung vollkommen. Als ich weiter promptete, reagierte ich immer wieder laut und geschockt, was einige Kollegen an meinen Bildschirm lockte. Bald riefen sie mir zu: "Ok, schreib mal das!", "Lass ihn mal das machen!". Jedes Mal waren wir aufs Neue überrascht, wie gut das Tool arbeitete.

Bolt.new hat definitiv neue Wege eröffnet, effizient Prototypen zu erstellen. Man kann sogar Bilder wie Screenshots oder Scribbles hochladen, um Layouts nachprogrammieren zu lassen. Dabei muss es nicht immer um MVPs oder Prototypen gehen. In einer Kooperation mit der Hochschule Esslingen nutzten wir vor kurzem das Tool ebenfalls. Als wir uns überlegten, wie das Layout für das kommende Softwareprojekt aussehen könnte, griff ein Kollege zum Stift. Ich rief: "STOP! Lass uns unseren Pitch der KI vortragen und sie das Layout entwerfen lassen." Das Ergebnis war eine ansprechende UI, die uns half, das Projekt besser zu visualisieren.

Es ist entscheidend, dass wir in der heutigen Zeit mit den technologischen Entwicklungen Schritt halten. Das bedeutet, dass wir uns aktiv mit Tools und Technologien auseinandersetzen müssen, die unsere Arbeit unterstützen können. Wir müssen lernen, damit umzugehen und sie in unseren Arbeitsalltag zu integrieren. Es bringt nichts, sich dem Thema zu verschließen - sonst sieht man nur zu, wie die Konkurrenz davonzieht.

Die Nutzung von KI-Tools wie bolt.new bietet zweifellos beeindruckende Möglichkeiten, Prototypen schnell zu erstellen und Entwicklungsprozesse zu beschleunigen. Dennoch ist es wichtig, die Grenzen und Risiken dieser Technologie zu verstehen, um sie effektiv und sicher einzusetzen.

Probleme bei der Anpassung von Frameworks

Ein konkretes Beispiel aus unserer Praxis zeigt die Herausforderungen bei der Verwendung von KI für spezifische Anforderungen: Wir wollten ein Feature entwickeln, das die Darstellung und Interaktion mit 3D-Modellen ermöglicht. Zunächst nutzten wir Three.js als Bibliothek, doch später sollte die KI den Code auf Babylon.js umstellen. Das Ergebnis war ernüchternd – die KI konnte die Aufgabe kaum bewältigen. Selbst bei einem Neustart des Projekts mit Babylon.js als Ausgangspunkt war das Resultat ähnlich enttäuschend. Dies deutet darauf hin, dass die Trainingsdaten der KI für Three.js besser geeignet sind, während Babylon.js möglicherweise weniger oder fehlerhafte Beispiele enthält. Diese Erfahrung zeigt, dass KI-Modelle stark von der Qualität und Vielfalt ihrer Trainingsdaten abhängig sind und bei weniger verbreiteten Technologien schnell an ihre Grenzen stoßen können.

Codequalität und notwendige Reviews

Ein weiterer kritischer Punkt ist die Qualität des generierten Codes. Während die KI oft funktionalen Code liefert, können Aspekte wie Architektur, Designprinzipien, Clean Code und Sicherheitsstandards vernachlässigt werden.

Ohne eine gründliche Überprüfung durch erfahrene Entwickler besteht das Risiko, dass unstrukturierter und schwer wartbarer "Spaghetti-Code" entsteht – wie ein Bild darstellt: Während ein menschlicher Entwickler oft klare und einfache Strukturen erzeugt (linkes Gleis), kann KI-generierter Code chaotisch und komplex werden (rechtes Gleis).

Sicherheitsrisiken

KI-generierter Code kann Sicherheitslücken enthalten, etwa durch unsichere Praktiken oder fehlende Validierungen. Beispiele wie Cross-Site-Scripting (XSS) oder SQL-Injection können entstehen, wenn die KI auf fehlerhafte Trainingsdaten zurückgreift oder den Kontext der Anwendung nicht vollständig versteht. Daher ist es essenziell, den generierten Code sorgfältig zu prüfen und sicherzustellen, dass er den Anforderungen entspricht und keine Schwachstellen enthält.

Für diejenigen, die bolt selbst hosten möchten, gibt es die Möglichkeit, es an ein Modell ihrer Wahl anzuschließen - sei es über das Web mit API-Key oder komplett lokal mit z.B. Ollama und dem Model deepseek-coder. Natürlich erfordert dies leistungsfähige Hardware, und einige nützliche Features der Online-Version fehlen. Wer interessiert ist, kann sich das Projekt unter bolt.diy auf GitHub ansehen - es ist öffentlich und kostenlos.

Es gibt noch ein weiteres erwähnenswertes Tool: Windsurf von Codeium. Obwohl es nicht ganz so leistungsstark wie bolt.new ist, hat es seine eigenen Stärken. Es handelt sich um ein modifiziertes VS Code mit integrierter KI, das automatisch Klassen und Dateien generiert - ähnlich wie bolt.new, nur eben auf der lokalen Festplatte statt im Web. Es ist etwas fehleranfälliger und kam daher für uns nicht in Frage, aber für einfache Zwecke ist es durchaus brauchbar.

Vor einigen Wochen hat auch GitHub Copilot eine neue Version ihrer KI veröffentlicht, die sich auf einem ähnlichen Niveau wie Windsurf bewegt. Ähnliches passiert auch bei JetBrains, dem Unternehmen hinter IntelliJ und PyCharm. Es scheint, als käme jeden Monat ein neues Tool heraus, das besser ist als die vorherigen. Die Entwicklung in diesem Bereich ist derzeit sehr intensiv, und der Konkurrenzkampf ist stark. Wir können uns also auf viele neue Überraschungen in diesem Jahr freuen.

In einer Welt, in der sich KI-Tools so rasant entwickeln, ist es für uns Entwickler unerlässlich, am Ball zu bleiben. Diese Tools eröffnen uns neue Möglichkeiten, effizienter und kreativer zu arbeiten. Dennoch sollte man sich bewusst sein, dass KI kein Allheilmittel ist und nicht alle Herausforderungen lösen kann. Sie kann zwar beeindruckende Ergebnisse liefern und Prozesse beschleunigen, aber ihr Einsatz erfordert Kontrolle und Bedacht. Ohne menschliche Expertise besteht das Risiko von unstrukturiertem Code oder Sicherheitslücken – wie das Bild zeigt: Während manuelle Entwicklung klare Strukturen erzeugen kann, führt unkontrollierter KI-Einsatz leicht zu chaotischen Ergebnissen.

Die Zukunft der Softwareentwicklung liegt nicht nur in unseren Händen, sondern auch in der geschickten Nutzung dieser innovativen KI-Assistenten. Mit einem kritischen Blick und verantwortungsvollem Einsatz können wir diese Tools als starke Unterstützung begreifen und unsere Projekte auf ein neues Level heben.