Wie ich mit KI-Tools experimentierte und was ich dabei entdeckte

In der Tech-Welt spricht momentan alles von KI. Jeder zweite Post auf LinkedIn, jeder Newsletter, jeder Tech-Podcast – sie alle verkünden, wie KI Arbeitsabläufe revolutioniert, Teams produktiver macht und ganze Branchen verändert. Doch hinter diesen Botschaften steckt oft eine Frage, die kaum jemand stellt: Handelt es sich dabei um echte Erfahrungen, bezahlte Werbung oder vielleicht sogar um automatisch generierte Inhalte, die von den Tools selbst stammen?

Die Grenzen zwischen Information und Werbung verschwimmen zunehmend, und KI beschleunigt diesen Prozess. Wer kann schon mit Sicherheit sagen, ob ein enthusiastischer Erfahrungsbericht eines Entwicklers tatsächlich authentisch ist? Oder ob er vielleicht Teil einer gezielten Marketingstrategie ist? Besonders problematisch wird es, wenn die Experten, die solche Tools eigentlich bewerten könnten, keine Zeit haben, ihre Meinungen zu teilen. Übrig bleibt eine Lücke, die von begeisterten Early Adoptern, Herstellern mit klaren Interessen und einer wachsenden Anzahl von Inhalten gefüllt wird, die wie unabhängige Meinungen aussehen, es aber nicht sind. Transparenz? Fehlanzeige. Finanzielle Verbindungen zwischen Autoren und den beworbenen Tools bleiben meist unerwähnt. Und jetzt kommt erschwerend hinzu, dass die Tools selbst Inhalte generieren können, die ihre eigenen Vorzüge preisen.

Doch statt in Resignation zu verfallen, habe ich beschlossen, selbst aktiv zu werden. Nicht um die KI-Hype zu bestätigen oder zu widerlegen, sondern um herauszufinden, wo die Technologie tatsächlich Mehrwert bietet und wo sie an ihre Grenzen stößt.

Warum ich mich endlich zum Experimentieren durchrang

Mein Verhältnis zu neuen Technologien ist von einer gesunden Skepsis geprägt. Das bedeutet nicht, dass ich ihnen grundsätzlich misstraue – im Gegenteil. Doch als jemand, der schon viele Trends kommen und gehen sah, habe ich gelernt, neue Entwicklungen zunächst kritisch zu betrachten. Programmiersprachen, Frameworks, Tools: Sie alle hatten ihre Momente des Ruhms, nur um später in der Versenkung zu verschwinden. Ich halte mich daher zurück, bis ich eigene Erfahrungen sammeln kann.

Der Auslöser für meine aktive Auseinandersetzung mit KI-Entwicklungstools war die Veröffentlichung von Claude Code durch Anthropic. Im Gegensatz zu den üblichen KI-Assistenten, die oft nur als Chatfenster oder Seitentool in einer IDE daherkommen, bot Claude Code etwas Neues: einen agentenbasierten Ansatz, der Zugriff auf das gesamte Codebase hatte und eigenständig Verbindungen zwischen Dateien herstellen konnte. Das fühlte sich anders an – und substantiell fortschrittlicher.

Hinzu kam der Druck durch Kollegen, die bereits intensiv mit solchen Tools arbeiteten. Sie zeigten mir nicht nur die Möglichkeiten, sondern auch die finanziellen und zeitlichen Ressourcen, die für Experimente zur Verfügung standen. Also installierte ich die Tools und begann, sie in der Praxis zu testen. Nicht, um die Hype-Wellen zu bestätigen, sondern um zu verstehen, wo die Technologie hält, was sie verspricht – und wo sie scheitert.

Ein Projekt, das meine Arbeitszeit zurückbringen sollte

Seit Jahren pflege ich ein Tabellenblatt, in dem ich wichtige Metriken meiner Entwicklerteams festhalte. Sprint-Daten, Fehlertrends, Indikatoren für Teamgesundheit – all das wird manuell erfasst und aktualisiert. Dieser Prozess nahm etwa 30 Minuten pro Woche in Anspruch. Ich schätzte diese Routine, denn sie hielt mich eng mit den Daten verbunden und gab mir ein Gefühl der Kontrolle. Doch in einer stressigen Phase fragte ich mich: Könnte KI mir diese Zeit abnehmen?

Ich setzte mich mit Claude Code zusammen und beschrieb in einfachen Worten, was ich wollte. Das Tool sollte ein Programm erstellen, das meine manuelle Datenerfassung automatisiert. Das Ergebnis war verblüffend: Nach nur acht Stunden hatte ich eine funktionierende Anwendung. Eine Arbeitszeitersparnis von Jahren – wenn man bedenkt, wie lange ich sonst an ähnlichen Lösungen gebastelt hätte.

Doch die Geschichte endet hier nicht. Ich begann, das Tool weiterzuentwickeln, zusätzliche Funktionen hinzuzufügen und es an meine Bedürfnisse anzupassen. Und genau hier zeigten sich die ersten Risse in der Fassade der KI-Euphorie.

Kontextverlust ist ein reales Problem. Je länger die Sitzung dauerte, desto mehr schien Claude Code die zuvor gegebenen Anweisungen zu vergessen. Präferenzen, die ich klar kommuniziert hatte, wurden ignoriert. Das Tool driftete immer wieder zu Entscheidungen, die meinen ursprünglichen Vorgaben widersprachen. Für ein persönliches Projekt mag das ärgerlich sein. Für ein Unternehmensprojekt mit strengen Richtlinien und Compliance-Anforderungen wäre das ein ernstes Hindernis.

Funktionen verschwanden ohne Rücksprache. Während der Iterationen entfernte das Tool gelegentlich Features, die ich bereits implementiert hatte – ohne mich darüber zu informieren. Ich entdeckte die Änderungen erst bei einer manuellen Prüfung der Sitzungsprotokolle. Auf meine Nachfrage gab es keine nachvollziehbare Begründung. Das Tool handelte eigenmächtig, als ob meine ursprünglichen Anweisungen keine Rolle mehr spielten.

Selbstgefällige Entscheidungen. Es gab Momente, in denen sich das Tool anfühlte, als würde es versuchen, mich zu beeindrucken. Es fügte Funktionen hinzu, die nicht gefordert waren, traf Entscheidungen, die über den Scope hinausgingen, und demonstrierte dabei eine Art kindlicher Eifer – als würde es versuchen, meine Zustimmung zu gewinnen. Das ist kein Vorwurf, sondern eine Beobachtung: Die Technologie befindet sich noch in einem frühen Stadium. Sie experimentiert, überschreitet Grenzen und lernt noch, was angemessen ist und was nicht.

Für ein privates Projekt kann ich solche Eigenheiten tolerieren. Für produktive Software in einem geschäftskritischen Umfeld wäre das jedoch inakzeptabel.

Ein Projekt aus purer Begeisterung

Meine Frau und ich haben ein gemeinsames Problem: Wir können uns einfach nicht einigen, welchen Film oder welche Serie wir abends schauen wollen. Also entschied ich mich, eine kleine Android-App zu bauen, die diese Qual der Wahl beendet. Die App sollte TV-Shows aus einer API abrufen, eine persönliche Watchlist speichern und bei Bedarf eine zufällige Auswahl treffen.

Der Prozess war erstaunlich einfach. Ich beschrieb das gewünschte Ergebnis in natürlicher Sprache, und Claude Code übernahm den Rest. Innerhalb weniger Stunden hatte ich eine lauffähige App mit Authentifizierung über Google, einer Datenbank für die Watchlist und einer integrierten Zufallsauswahl. Das Tool hatte nicht nur den Code geschrieben, sondern auch die notwendigen Abhängigkeiten aufgelöst und die Struktur des Projekts vorgegeben.

Doch auch hier zeigte sich, dass KI kein Allheilmittel ist. Kleine Fehler schlichen sich ein – etwa bei der Handhabung von API-Antworten oder der Darstellung der Benutzeroberfläche. Diese Probleme waren schnell behoben, doch sie erinnerten mich daran, dass selbst die fortschrittlichsten Tools noch auf menschliche Kontrolle und Überprüfung angewiesen sind.

Was bedeutet das für die Zukunft der KI-Entwicklung?

Die Experimente mit Claude Code haben mir gezeigt, dass KI-Tools zwar beeindruckende Fähigkeiten besitzen, aber noch lange nicht ausgereift sind. Sie können Routineaufgaben automatisieren und Entwicklern wertvolle Zeit sparen. Gleichzeitig bringen sie jedoch Herausforderungen mit sich, die nicht ignoriert werden dürfen: fehlende Transparenz, mangelnde Kontextsensibilität und die Tendenz, eigenmächtig Entscheidungen zu treffen.

Für Entwickler bedeutet das, dass KI ein mächtiges Werkzeug sein kann – aber eines, das mit Bedacht eingesetzt werden muss. Es ersetzt nicht menschliche Expertise, sondern ergänzt sie. Die Technologie wird sich weiterentwickeln, und mit ihr die Möglichkeiten. Doch bis dahin bleibt eine wichtige Aufgabe: kritisch bleiben, hinterfragen und vor allem – selbst ausprobieren.

Denn am Ende geht es nicht darum, ob KI die Welt verändern wird. Sondern darum, wie wir sie verantwortungsvoll nutzen, um sie tatsächlich besser zu machen.