Vom Prototyp zum MVP in 48 Stunden – App-Entwicklung mit Generativer KI und Multi-Modell-Ansätzen

Einleitung

In diesem Artikel zeigen wir praxisnah, wie eine vollständige Finanz-App entwickelt wurde – von der Startseite über den Import von Rechnungen bis hin zur detaillierten Verwaltung von Ausgaben – wobei Microsoft Copilot als zentrale Entwicklungsoberfläche diente, verbunden mit mehreren generativen KI-Modellen.

Sie werden die genauen Prompts sehen, die für jede Bildschirmansicht verwendet wurden, die Gründe für die Auswahl jedes Modells (Claude 3.7 Sonnet, GPT-4o, Gemini 2.5 Pro und ChatGPT) verstehen sowie die realen Herausforderungen kennenlernen, denen wir begegnet sind, und wie diese gelöst wurden.

Ziel war es, in weniger als zwei Tagen ein robustes MVP zu erstellen, um unsere automatisierte Lösung zur Extraktion und Kategorisierung von Rechnungen (PDF/CSV) zu demonstrieren – mit Fokus auf Effizienz, modernem Design und intelligenter Integration.

Projektstart: Stack, Setup und Motivation

Gleich zu Beginn des Projekts wurde uns klar, dass die schnelle Umsetzung des MVPs davon abhängen würde, einen effizienten Technologie-Stack mit dem strategischen Einsatz der besten verfügbaren KI-Modelle zu kombinieren.

Gewählter Stack:

• React Native + Expo für ein plattformübergreifendes mobiles Frontend

• Node.js (Express) + PostgreSQL für das Backend

• pdf-parse/csv-parser zur automatisierten Datenextraktion

• AsyncStorage für lokale Persistenz und Offline-Funktionalität

• i18n-js für Internationalisierung

Die anfängliche Motivation war es, unsere Rechnungserkennungs-Pipeline zu vereinfachen und ihr eine intuitive Benutzeroberfläche zu geben. Die Idee war, dass jeder Benutzer ein PDF importieren kann, seine Rechnungen automatisch erkannt und kategorisiert werden und alles auf einfache Weise verwalten und einsehen kann.

Die Rolle der KI-Modelle in der Entwicklung

Während des Projekts nutzten wir Microsoft Copilot als Schnittstelle, um verschiedene Modelle aufzurufen – jeweils passend zur Herausforderung jeder einzelnen Bildschirmansicht. So trug jedes Modell bei:

KI-Modelle und ihre Rollen im Prozess

Claude 3.7 Sonnet	Die Hauptwahl für Design-Prompts und die Erstellung von Screens, da es sich Claude 3.5 gegenüber als überlegen erwies – insbesondere bei der Wahrung visueller Kohärenz, der Gestaltung klarer Layouts und der Vorschlag moderner Nutzerabläufe. Allerdings kann Claude 3.7 gelegentlich „halluzinieren“ und logische Bezüge verlieren, vor allem bei längeren Abläufen.
Claude 3.5 Sonnet	Immer wenn es darum ging, Probleme zu debuggen, Logikfehler zu beheben oder die Kompatibilität zwischen Dateien und Komponenten sicherzustellen, lieferte Claude 3.5 präzisere und kontrolliertere Antworten.
GPT-4o / ChatGPT	Besonders nützlich für multimodale Prompts, das Erzeugen oder Anpassen visueller Beispiele, synthetischer Daten, das Refaktorisieren komplexerer Abschnitte sowie das Erstellen kohärenter und gut strukturierter Prompts.
Gemini 2.5 Pro	Unverzichtbar für Refaktorisierungen, die viele Dateien oder einen größeren Kontext betreffen; außerdem hilfreich bei Schritten, die eine Zusammenführung von Informationen über mehrere Codestellen hinweg erforderten.

Diese dynamische Auswahl war entscheidend, da kein einzelnes Modell alle Entwicklungsphasen allein abdecken konnte. Im Verlauf des Artikels sehen Sie, welches Modell für welchen Screen bzw. welches Feature verwendet wurde – und warum.

Diese dynamische Auswahl war entscheidend, da kein einzelnes Modell alle Phasen allein abdecken konnte.

Voraussetzungen und Einrichtungsumgebung für die Replikation

Um diesen Prozess nachzuvollziehen und dieselben Ergebnisse zu erzielen, benötigen Sie ein GitHub Copilot Pro-Konto, das derzeit 10 US-Dollar pro Benutzer und Monat kostet (Stand: April 2025).

Dieses Abonnement gewährt Ihnen Zugriff auf GitHub Copilot in Ihrem Editor (Visual Studio Code, JetBrains usw.) und schaltet den Agent-Modus frei. Damit können Sie direkt mit fortschrittlichen KI-Modellen (wie Claude 3.7 Sonnet, Claude 3.5, GPT-4o, Gemini 2.5 Pro) interagieren und mehrere Dateien und Ordner im gesamten Projektarbeitsbereich erstellen, bearbeiten und organisieren.

Erste Projekteinrichtung

1. Erstellen Sie ein neues Expo/React Native-Projekt:

npx create-expo-app financeapp
cd financeapp

2. Öffnen Sie den Projektordner in Visual Studio Code (oder einem kompatiblen Editor) mit aktiviertem GitHub Copilot Pro.

   
   

3. Aktivieren Sie den Agent-Modus von Copilot:

   1. Klicken Sie auf „Mit Copilot bearbeiten“ und wählen Sie den Agent-Modus aus.

   2. Wählen Sie Ihr primäres Modell aus (Claude 3.7 Sonnet, Claude 3.5 Sonnet, GPT-4o usw.). Sie können jederzeit zwischen den Modellen wechseln, je nach Fokus des Prompts.

So funktioniert es in der Praxis:

Im Agent-Modus analysiert Copilot Ihren Arbeitsbereich, kann automatisch Dateien und Ordner erstellen, Befehle vorschlagen, Skripte ausführen und gemäß Ihren Anweisungen (per Prompt) iterieren. Dadurch wird die Projekteinrichtung erheblich beschleunigt, da das Modell die anfängliche Ordnerstruktur und Boilerplate-Dateien generieren kann.

Anfänglicher Prompt für die Ordnerstruktur

Bevor Sie mit der Generierung von Screens beginnen, starten Sie mit einem aussagekräftigen Prompt zur Erstellung der App-Architektur und der Hauptdateien. Hier ist ein Beispiel für den verwendeten Anfangsprompt:

I'm building a personal finance mobile application using React Native with Expo.
Please set up the entire initial project architecture, including:

- Recommended folder structure for a medium-sized app (e.g., /src, /src/screens, /src/components, /src/services, /src/hooks, /src/assets, /src/utils, etc).
- Create appropriate index.js or index.tsx files in each folder.
- Implement a minimal example of screen navigation using react-navigation.
- Add sample reusable components (such as Button, Card, Input).
- Create config files for theme, global context, and i18n.
- Ensure cross-platform compatibility (iOS and Android).
- Comment the code, explaining the main functions and responsibilities of each part of the structure.

Don't create specific business logic yet, just the architecture and minimal examples for navigation and component integration.
Briefly explain each part you create.

⚠️ Überprüfen Sie die generierte Struktur stets, nehmen Sie bei Bedarf kleine Anpassungen vor und verwenden Sie Git-Commits, um die Anfangsversion zu sichern.

Wie man Prompts zur Erstellung einzelner Screens verwendet

Ab diesem Punkt fahren Sie einfach mit jedem der im Artikel angegebenen ausführlichen Prompts fort, um die Hauptbildschirme zu erstellen (Home, Cards, Bills, Import, Settings usw.). Wechseln Sie dabei je nach Bedarf das Modell – für Design, Logik oder Debugging – und nutzen Sie stets den Agent-Modus von Copilot.

---

Erstellung der einzelnen Screens: Prompts und Entscheidungen

Bildschirm	Startbildschirm / Finanz-Dashboardd
KI-Modell	Claude 3.7 Sonnet
Begründung	Wir verwendeten Claude 3.7 Sonnet, da es entscheidend war, beim ersten Nutzerkontakt ein modernes, intuitives und kohärentes Design zu gewährleisten. Das Modell überzeugte durch ein ansprechendes Layout und schlug eine elegante Monatsnavigation mit gut strukturierten Komponenten vor. In einigen Iterationen entfernte Claude 3.7 jedoch die Logik der Vormonate oder vergaß den Status von Ratenzahlungen – daher setzten wir Claude 3.5 zur Korrektur ein.

Verwendet KI-Prompt

You must create the home screen of a personal finance control mobile app using React Native (with Expo), focused on excellent user experience.

Mandatory elements:
- Two main buttons at the top: "New Bill" (for manual entry) and "Import Bills" (to open the file import flow).
- Horizontal bar for month navigation, with visual highlight for the selected month and arrows to switch months.
- Financial summary section with two cards: one showing the total spent in the month, another for outstanding debt.
- Below, a list showing all monthly installments and bills, including type (e.g., recurring, installment, one-time), name, value, due date, status (paid/pending), and a clear visual indicator.
- If there are no bills that month, show an elegant placeholder.
- Footer with tab navigation for Home, Cards, Bills, Transactions, and Settings, with icons and highlight for the current tab.

Additional requirements:
- The design must be modern, clean, responsive, with easy reading and accessibility.
- Use sober colors and orange highlights for main actions.
- Prioritize performance and smooth animations when changing months.
- Generate the code for all necessary components and explain how to connect to the data source.

Avoid repeating existing functions and ensure the selected month synchronizes correctly with the dashboard and bill list.

Startbildschirm, generiert durch Prompt.

---

Bildschirm	Kreditkartenregistrierung und -verwaltung
KI-Modell	Claude 3.7 Sonnet + Anpassungen mit Claude 3.5
Begründung	Claude 3.7 erzeugte eine übersichtliche Benutzeroberfläche, die mit dem restlichen Design der App übereinstimmte. Claude 3.5 wurde eingesetzt, wenn kleinere Unstimmigkeiten in Formularen behoben werden mussten – etwa Fehler bei der Datumsvalidierung und der Logik zum Abrechnungsschluss.

Verwendet KI-Prompt

You must create the home screen of a personal finance control mobile app using React Native (with Expo), focused on excellent user experience.
Implement a complete credit card registration and management flow in a React Native app with Expo.

Screen requirements:
- Form to add a new card, with fields: Card Name, Issuing Bank (autocomplete or dropdown), Due Day (numeric), Days before due date to close the bill (numeric).
- Informative message next to the closing field: "Payments on weekends will be adjusted to the next business day."
- "Save" button in green highlight.
- After saving, display all registered cards in a list, showing: name, bank, due day, closing days, and options to "Edit" and "Delete" (with icons and visual feedback).
- The form must validate all fields and show friendly error messages for invalid input.
- Visual feedback for success/error when saving, editing, or deleting cards.

Design:
- Follow the app's overall pattern, soft colors, orange highlights for main buttons and green for success actions.
- Responsive and usable, including numeric keyboard for dates.

Explain how registered cards should be persisted and integrated with other app screens.

Benutzeroberflächen für die Registrierung und Verwaltung von Kreditkarten, generiert durch Prompt.

---

Bildschirm	Rechnungs- und Ratenregistrierung sowie -bearbeitung
KI-Modell	Claude 3.7 Sonnet
Begründung	Auch hier wählten wir Claude 3.7 Sonnet für eine flexible Benutzeroberfläche, die verschiedene Rechnungstypen verarbeiten kann – einschließlich komplexer Raten- und Wiederholungsabläufe. Das Modell lieferte eine intuitive Nutzererfahrung, jedoch war eine manuelle Überprüfung der Fälligkeitslogik erforderlich, da die KI gelegentlich Feiertage oder Wochenenden nicht berücksichtigte.

Verwendet KI-Prompt

Implement a full-featured bill editor in the app, covering the following flows:
- Allow the user to register a new bill, providing: Bill Name, Type (Card, Bank Slip, Cash, Recurring).
- If type is card, show selection of already registered cards.
- Allow selection of payment type: Single Payment, Installment, Recurring.
- If installment, show fields for number of installments, total value, value per installment (automatically calculate the installment value from the total and vice versa).
- Require purchase date selection (DatePicker) and automatically calculate due dates for each installment.
- Show a visual summary of generated installments, displaying date, value, status (paid/unpaid), with ability to edit before saving.
- The user must be able to edit and delete any already registered bill/installment.

Design:
- Smooth, friendly, modern interface, aligned with the app's standard.
- Error and success messages always visible and clear.
- Validation to prevent inconsistent values (e.g., installments with value 0).

Document the components and explain how to connect with the dashboard screen and persistence.

Durch Prompts generierte Benutzeroberflächen zur Verwaltung von Rechnungen und Zahlungsraten.

---

Bildschirm	Rechnungsimport (PDF/CSV)
KI-Modell	GPT-4o/ChatGPT + Claude 3.7 Sonnet
Begründung	Für diesen Ablauf kombinierten wir GPT-4o (ChatGPT) und Claude 3.7 Sonnet. GPT-4o war besonders hilfreich bei der Verbesserung der Benutzerführung im Auswahlprozess, der Erstellung kohärenterer Prompts und dem Generieren realistischer Beispieldateien, während Claude 3.7 das Hauptlayout erstellte. Wir stießen auf Herausforderungen bei passwortgeschützten PDFs, und ein Teil der Parsing-Logik musste manuell angepasst werden, da die KI keine nativen Entschlüsselungsbibliotheken verarbeiten konnte.

Verwendet KI-Prompt

Implement a robust bill import flow via PDF or CSV files.

Desired flow:
- Allow the user to select a file (PDF/CSV) from the device, showing the selected filename.
- Optional field for PDF password.
- Automatically detect the issuing bank from the file using heuristics/AI suggestions, and display to the user (e.g., "Detected bank: American Express" highlighted).
- Allow the user to select which card to associate the imported file with.
- Parse the file and list all detected bills, showing: transaction name, amount, date, payment type (installment/recurring/single), number of installments, status.
- Allow the user to select which items to import (checkboxes), and an option to select/deselect all.
- "Import selected bills" button, showing visual feedback for progress and success/error.
- In case of parsing error, show a clear message, including possible reasons (wrong password, invalid format, etc.).

Design:
- Clean, informative, responsive layout.
- Colors compatible with the app's visual identity.

Explain the methods for PDF/CSV parsing and how to integrate the result into the app's local database.

Durch Prompts generierte Benutzeroberflächen für die Rechnungsimport-Funktionalität.

---

Bildschirm	Auflistung und Details von Rechnungen/Ratenzahlungen
KI-Modell	Claude 3.7 Sonnet
Begründung	Hier überzeugte Claude 3.7 durch die Wahrung der visuellen Konsistenz und durch gute Lösungsvorschläge für den Ratenzahlungsstatus. In einigen Fällen wurden Fehler in der Logik zur Statusaktualisierung mit Gemini behoben, das sich als zuverlässiger für schnelles Refactoring erwies und dafür sorgte, dass die Tab-Navigation das Nutzungserlebnis nicht beeinträchtigte.

Verwendet KI-Prompt

Implement a robust bill listing screen for the app.

Requirements:
- Display all bills grouped into two tabs: "Upcoming" and "Paid".
- In each tab, show cards for each bill, displaying: name, total amount, type, number of installments, visual status (different color for pending and paid).
- If installment, list installments with due date and value, allowing each installment to be individually marked as paid/unpaid (toggle switch).
- Allow the user to edit or delete any bill directly from the list.
- Dynamically update totals and dashboard status when marking installments as paid.
- If there are no bills, show a friendly message and suggestion to create/import a new bill.

Design:
- Responsive layout, usability for quick navigation between tabs and bills.
- Visual consistency with the other screens.

Include documentation for integration with other features and explain best practices to avoid status sync bugs.

Durch Prompts generierte Benutzeroberflächen für die Auflistung von Rechnungen und Ratenzahlungen.

---

Bildschirm	Einstellungen und Internationalisierung
KI-Modell	Claude 3.7 Sonnet
Begründung	Claude 3.7 war ideal für die Erstellung der mehrsprachigen Benutzeroberfläche, da es Zugänglichkeit und Klarheit bewahrte. Die Logik für den Echtzeit-Sprachwechsel wurde mit Hilfe von GPT-4o validiert, um sicherzustellen, dass alle Beschriftungen sofort aktualisiert werden.

Verwendet KI-Prompt

Develop a centralized settings screen for the finance app.

Requirements:
- Preferences section with switches for: enabling/disabling push notifications and toggling between light and dark mode.
- Language selection menu with instant update of the entire app (options: English, Portuguese, Spanish, Italian, German, Chinese). Show flag and language.
- Account section: options to edit profile, change password, and access help/support.
- Highlighted logout button.
- Show app version in the footer.
- Interface must be accessible, responsive, and provide clear visual feedback for all actions.

Document how language switching should work to update all dynamic labels in the app in real time, without reloading the application.

Durch Prompts generierte Benutzeroberflächen für Einstellungen und Internationalisierung.

---

Praktische Herausforderungen überwinden

Beim Einsatz generativer KI in Kombination mit Microsoft Copilot sind wir auf folgende Herausforderungen gestoßen:

Kontextverlust und „stilles Löschen“ von Logik	Bei langen Prompts – insbesondere mit Claude 3.7 – kam es vor, dass bestimmte Funktionen nach mehreren Bearbeitungsrunden verschwanden. Daher wurde jede Änderung sofort überprüft und versioniert, um Überraschungen zu vermeiden.
Fehler in sensibler Logik	Fälligkeitsdaten, Ratenberechnungen und der Umgang mit passwortgeschützten Dateien erforderten manuelles Eingreifen oder den Einsatz unterschiedlicher Modelle.
Visuelle Konsistenz	Ein einheitliches UI-Design über alle Screens hinweg war nur möglich, indem wir zwischen verschiedenen Modellen wechselten, jede vorgeschlagene Sektion testeten und überprüften.

Die wichtigste Erkenntnis war die Notwendigkeit äußerst präziser Prompts, kontinuierlicher Überprüfung und der gezielten Kombination der Stärken der einzelnen Modelle.

Die wichtigste Erkenntnis war die Notwendigkeit äußerst präziser Prompts, kontinuierlicher Überprüfung und der gezielten Kombination der Stärken der einzelnen Modelle.

No-Code, Low-Code & der „unsichtbare Code“

Eine wichtige Erkenntnis, die sich während der Entwicklung der FinanceApp ergab, ist, dass das Konzept von No-Code/Low-Code zwar als neu erscheint, aber in gewisser Weise schon immer existiert hat. Der Unterschied heute besteht darin, dass KI Dateien und Codeblöcke generieren kann, die Entwickler oft gar nicht mehr direkt sehen. Das ermöglicht eine enorme Produktivität – bringt aber auch Risiken mit sich.

Ohne fundierte Kenntnisse der zugrunde liegenden Technologien können kleine Fehler schnell zu komplexen Fallstricken werden. Häufig geht die durch automatische Codegenerierung gewonnene Zeit wieder verloren, weil man versucht, die vom Modell erstellte Logik nachzuvollziehen – insbesondere dann, wenn diese Logik nicht einmal vom Modell selbst nachvollziehbar erklärt werden kann.

Ohne fundierte Kenntnisse der Grundlagen des Technologie-Stacks können kleine Fehler zu komplexen Fallstricken werden.

Diese Herausforderung ähnelt der unkritischen Nutzung von verwalteten Cloud-Diensten (wie AWS Cognito, AWS API Gateway oder AWS SQS): Anfangs beschleunigen sie die Entwicklung, können jedoch zu einem technischen Lock-in führen, der spätere Migrationen in eine andere Cloud oder in On-Premises-Umgebungen erschwert – wie in unserem Blogbeitrag zur Cloud-zu-On-Premise-Migration ausführlich beschrieben.

Ebenso kann die Nutzung generativer KI ohne Transparenz und echtes Verständnis für das, was erzeugt wird, zu einem „kognitiven Lock-in“ führen: Das Team wird abhängig von Code, den es nicht vollständig versteht – dem berüchtigten „unsichtbaren Code“.

Die Nutzung generativer KI ohne Transparenz und echtes Verständnis für das Ergebnis kann zu einem „kognitiven Lock-in“ führen – dem berüchtigten „unsichtbaren Code“.

Deshalb betonen wir: Künstliche Intelligenz sollte ein Copilot sein – kein Autopilot. Bewahren Sie die Nachvollziehbarkeit, führen Sie kontinuierliche Überprüfungen durch und stärken Sie Ihr Team, um Autonomie, Klarheit und Sicherheit über den gesamten Software-Lebenszyklus hinweg zu gewährleisten.

Fazit

Die Erfahrung mit der Entwicklung von FinanceApp hat gezeigt, dass die Integration von Microsoft Copilot mit verschiedenen generativen KI-Modellen äußerst leistungsfähig ist – jedoch klare Anleitung, kontinuierliche Überprüfung und eine strategische Modellwahl in jeder Phase erfordert.

Claude 3.7 Sonnet war der wichtigste Partner bei der visuellen Gestaltung und Strukturierung der Screens, zeigte jedoch Schwächen bei langen Abläufen und beim Erhalt komplexer Logik.

Claude 3.5 war entscheidend für das Debugging und die Korrektur kritischer Details.

GPT-4o/ChatGPT brachte Mehrwert in multimodalen Anwendungsfällen, bei der Formulierung von Prompts und der Validierung der Nutzerführung, während Gemini 2.5 Pro das Refactoring größerer Codeblöcke deutlich erleichterte.

Ein bedeutender Teil der Codebasis und Architektur wurde mit Unterstützung durch KI erstellt. Von der Ordnerstruktur über die Erstellung von Komponenten, Screens, Hilfsmodulen bis hin zu Internationalisierungsdateien – nahezu jede Boilerplate und Integration folgte den Empfehlungen und Ergebnissen der gewählten KI-Modelle. Das Ergebnis war ein Projekt mit klarer, skalierbarer und äußerst wartungsfreundlicher Struktur:

/financeapp/
├── .env
├── app.json
├── package.json
├── tsconfig.json
├── README.md
├── /types/
│   ├── CreditCard.ts
│   ├── navigation.ts
│   ├── Bill.ts
│   ├── BillType.ts
├── /navigation/
│   └── index.tsx
├── /utils/
│   ├── paymentCalculator.ts
│   ├── dateUtils.ts
│   └── pdfExtractUtils.ts
├── /storage/
│   ├── billStorage.ts
│   ├── billTypeStorage.ts
│   └── creditCardStorage.ts
├── /screens/
│   ├── BillDetailsScreen.tsx
│   ├── TransactionsScreen.tsx
│   ├── FileImportScreen.tsx
│   ├── CreditCardListScreen.tsx
│   ├── PaidBillsScreen.tsx
│   ├── CreditCardScreen.tsx
│   ├── BillTypeListScreen.tsx
│   ├── BillTypeScreen.tsx
│   ├── NewBillScreen.tsx
│   ├── SettingsScreen.tsx
│   ├── ReportsScreen.tsx
│   ├── DashboardScreen.tsx
│   └── BillsScreen.tsx
├── /components/
│   ├── /ui/
│   │   ├── Card.tsx
│   │   ├── TabBarIcon.tsx
│   │   ├── Header.tsx
│   │   ├── Button.tsx
│   │   └── FinanceButton.tsx
│   ├── MonthlyBillsView.tsx
│   ├── MonthNavigation.tsx
│   ├── PaymentSummary.tsx
│   ├── MonthContentViewer.tsx
│   └── SyncedMonthViewManager.tsx
├── /theme/
│   └── theme.ts
├── /i18n/
│   ├── i18n.ts
│   └── /locales/
│       ├── de.ts
│       ├── it.ts
│       ├── es.ts
│       ├── en.ts
│       ├── zh.ts
│       └── pt.ts

Gab es Produktivitätsgewinne?

Die Produktivitätsgewinne waren erheblich. Durch den Einsatz von Copilot in Kombination mit modernen generativen Modellen konnte das Team innerhalb von weniger als 48 Stunden von einer leeren Leinwand zu einem voll funktionsfähigen MVP gelangen – etwas, das mit einem traditionellen, vollständig manuellen Ansatz in der Regel eine Woche oder länger gedauert hätte.

Die KI war besonders wertvoll bei der Beschleunigung der Erstellung von Boilerplate-Code, beim UI-Prototyping sowie bei der Automatisierung repetitiver oder struktureller Aufgaben – wie etwa der Einrichtung der Internationalisierung oder der Erstellung von Datenmodellen.

Wo hat KI am meisten beigetragen?

Von Anfang an spielte KI eine zentrale Rolle bei der Beschleunigung der Entwicklung. Sie half uns, die anfängliche Projektarchitektur und Ordnerstruktur zu entwerfen, Skeletons für Screens und Komponenten mit passenden TypeScript-Typisierungen zu generieren und sogar Navigationsabläufe, Zustandsverwaltung und Kontextverkabelung vorzuschlagen. Repetitive Aufgaben wie das Erstellen von Hilfsmodulen und Speichermodulen wurden automatisiert, während Funktionen wie die i18n-Übersetzung erheblich beschleunigt wurden. Im gesamten Prozess unterstützten kontextbezogene Prompts zudem schnelle Iterationen und das Debugging – was die Entwicklung deutlich schneller und effizienter machte.

Haben wir Zeit gespart?

Durch den Einsatz von KI sowohl für die Codegenerierung als auch für das Projekt-Scaffolding konnte der Entwicklungszyklus um etwa 80 % verkürzt werden – sodass das MVP in weniger als zwei Arbeitstagen ausgeliefert werden konnte.

Durch den Einsatz von KI für die Codegenerierung und das Projekt-Scaffolding wurde der Entwicklungszyklus um etwa 80 % verkürzt.

Intelligentes Prompt-Engineering in Kombination mit sorgfältiger menschlicher Kuratierung beschleunigte nicht nur die Entwicklung, sondern führte zu einem robusten und modernen MVP, das bereit für eine echte Validierung ist.