Ein Kunde kommt mit einer Idee, einem festen Demo-Termin und einem realistischen Budget. Sechs Wochen später steht ein Produkt, das echte Nutzer bedienen können. Das ist kein Glücksfall. Das ist Methode.

Als die Anfrage reinkam, war die Ausgangslage typisch: eine validierte Idee, ein Pitch in anderthalb Monaten, kein bestehender Code. Klassisch hätten wir hier von einem Discovery-Sprint, Wireframes und einem ersten lauffähigen Stand "in ein paar Monaten" gesprochen. Wir haben stattdessen am ersten Tag angefangen zu bauen.

Der Hebel ist nicht, dass die KI den Code schreibt. Der Hebel ist, dass wir als erfahrene Entwickler die Richtung vorgeben und die Maschine die Strecke abkürzt, bei voller Kontrolle über Architektur und Qualität.

Woche 1-2: Skelett statt Slides

Statt Klickdummies haben wir direkt ein deploybares Skelett gebaut: Auth, Datenmodell, ein erster echter Flow. Der Kunde konnte am Ende der zweiten Woche auf seinem Handy durchklicken. Kein Prototyp in Figma, sondern die Sache selbst.

Ein lauffähiges, hässliches Produkt schlägt jeden schönen Klickdummy. Du lernst aus Klicks, nicht aus Rechtecken.
Marco, im Retro

Woche 3-4: Schärfen, wo es zählt

Mit echtem Nutzungs-Feedback haben wir umgesteuert. Zwei Features, die in der Theorie wichtig schienen, flogen raus. Eines, das niemand auf der Liste hatte, wurde zum Kern. Genau dafür baut man früh: um billig falsch zu liegen.

Ein Detail, das alles trägt

Die Suche war ursprünglich ein Nebenschauplatz. Im Test wurde klar: sie ist der Einstieg. Also haben wir sie zur Hauptbühne gemacht, in zwei Tagen, nicht zwei Wochen.

Unser Prinzip

Tempo ist kein Selbstzweck. Es kauft dir Iterationen, und Iterationen kaufen dir ein Produkt, das die richtigen Probleme löst.

Woche 5-6: Produktionsreife

Die letzten zwei Wochen gingen in das, was ein Prototyp von einem Produkt unterscheidet: Fehlerfälle, Edge-Cases, sauberes Deployment, Monitoring. Hier zahlt sich die Erfahrung aus: die KI kennt die Stolpersteine nicht, wir schon.

Saubere CI/CD-Pipeline statt manueller Deploys
Echte Fehlerbehandlung und Logging von Tag eins
Ein Datenmodell, das die nächsten zwölf Monate trägt
Dokumentation, die der Kunde auch ohne uns versteht

flow.ts: der Kern in 6 Zeilen

// Mensch setzt die Richtung, Agent füllt die Strecke
export async function ship(idea: Brief) {
  const plan   = await architect(idea);   // wir entscheiden
  const draft  = await agent.build(plan); // maschine baut
  return review(draft);                   // wir verantworten
}

Was wir gelernt haben

Agentic Coding ersetzt keine Erfahrung. Es verstärkt sie. Wer nicht weiss, wie ein gutes System aussieht, baut mit der KI nur schneller Schrott. Wer es weiss, baut in Wochen, wofür man früher Monate brauchte.