{"content_id":"fenqvnjqiy","slug":"why-planning-matters-in-ai-coding-era","locale":"de","schema_type":"TechArticle","category":"opinion","category_name":"Perspektiven","title":"Warum Planung auch im KI-Coding-Zeitalter wichtig ist: überprüfbare Absichten statt Scheingeschwindigkeit","summary":"KI-Coding-Tools haben Kosten und Zeitaufwand für die Umsetzung von Ideen in funktionierende Benutzeroberflächen deutlich gesenkt. Doch Geschwindigkeit ohne klare Hypothesen und Validierung führt nur dazu, dass nutzlose Ergebnisse schneller zunehmen. Planung im KI-Zeitalter bedeutet nicht, zuerst lange Dokumente fertigzustellen, sondern kleine Probleme zu definieren, durch Prototypen schnell zu lernen und die beabsichtigte Richtung beizubehalten.","sponsorship_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["KI-Coding senkt die Kosten der MVP-Entwicklung und macht schnelle Experimente und Feedback zu einer sinnvolleren Wahl als vorangehende Besprechungen.","Ein funktionierender Prototyp kann als Planungsinstrument dienen, das das Verständnis im Team schneller abstimmt und Kommunikationsfehler stärker reduziert als eine lange PPT.","Wer bei der Nutzung von KI nur auf Geschwindigkeit setzt, riskiert umso mehr, plausibel wirkende, aber nutzlose Funktionen und Benutzeroberflächen am laufenden Band zu produzieren, je unklarer das Problem definiert ist.","Die zentrale Planungskompetenz im KI-Zeitalter besteht nicht darin, auf einmal ein fertiges Ergebnis zu verlangen, sondern kleine Hypothesen aufzustellen, Ergebnisse zu validieren und die Richtung zu steuern.","Gutes KI-Prototyping verbindet Problemdefinition, minimalen Funktionsumfang, Validierungskennzahlen, Nutzerfeedback und die Entscheidung über Verwerfung oder Verbesserung zu einer kurzen Schleife."],"content_markdown":"## Fazit in einem Satz\n\nAuch in einer Zeit, in der AI Code schreibt und Benutzeroberflächen erstellt, verschwindet die Produktplanung nicht. Im Gegenteil: Ihre Rolle ist klarer geworden. Ging es früher bei der Planung eher darum, „vor der Umsetzung möglichst viel vorherzusagen“, bedeutet Planung im Zeitalter des AI-Codings, „festzulegen, was validiert werden soll, im Kleinen zu entwickeln, schnell zu lernen und die beabsichtigte Richtung bis zum Schluss zu kontrollieren“.\n\nAI senkt die Produktionskosten. Sie übernimmt jedoch nicht die Verantwortung für die Probleme der Nutzer, Geschäftshypothesen, Prioritäten, Qualitätsstandards oder ethische Entscheidungen. Deshalb ist die Fähigkeit, bis zum Ende an der Frage „Was soll aus welchem Grund entwickelt werden?“ festzuhalten, wichtiger als die Fähigkeit, schnell etwas zu erstellen.\n\n## Warum wir wieder über Planung sprechen müssen\n\nGenerative AI und AI-Coding-Tools haben die anfänglichen Hürden für die Entwicklung von Services deutlich gesenkt. Früher waren Planungsdokumente, Designentwürfe, Entwicklungssprints, QA und die Vorbereitung der Bereitstellung erforderlich, um eine Idee auf einem realen Bildschirm zu sehen. Heute ist es wesentlich einfacher, einfache Web-Apps, interne Tools, Demoseiten oder funktionale Prototypen innerhalb weniger Stunden oder Tage zu erstellen.\n\nDiese Veränderung ist nicht nur eine Steigerung der Produktivität. Sie verändert die Art der Entscheidungsfindung selbst.\n\nFrüher musste man mit Dokumenten und in Meetings davon überzeugen, dass „diese Idee wahrscheinlich erfolgreich sein wird“. Heute ist „Lass es uns im Kleinen umsetzen und tatsächlich überprüfen“ häufig die vernünftigere Wahl. Weil die Umsetzungskosten gesunken sind, gibt es Bereiche, in denen Experimente günstiger sind als Prognosen.\n\nDoch darin liegt auch eine Falle. Nur weil die Umsetzung einfacher geworden ist, ist es nicht einfacher geworden, ein gutes Produkt zu entwickeln. AI sorgt für Geschwindigkeit, garantiert aber keine Richtung. Geschwindigkeit ohne Richtung führt nicht zu Erkenntnissen, sondern lediglich zu mehr Ergebnissen.\n\n## Die zentrale Veränderung durch AI-Coding: sinkende Umsetzungskosten\n\nAI-Coding-Tools haben nicht nur verändert, „wer den Code eintippt“. Die wichtigere Veränderung besteht darin, dass die Kosten von Versuchen, Kommunikation und Fehlschlägen gesunken sind.\n\n### Frühere und heutige Abläufe\n\n| Kategorie | Typischer früherer Ablauf | Ablauf im Zeitalter des AI-Codings |\n|---|---|---|\n| Darstellung von Ideen | Planungskonzept, Wireframe, PPT | Dialogbasierte Anforderungen, sofort generierte Benutzeroberfläche, funktionsfähige Demo |\n| Einheit der ersten Validierung | Mehrwöchiges Projekt | Experiment über einige Stunden oder Tage |\n| Schwerpunkt von Meetings | Interpretation von Dokumenten und Abstimmung von Meinungen | Interaktion mit realen Benutzeroberflächen und Feedback |\n| Kosten eines Fehlschlags | Zeit mehrerer Abteilungen und Entwicklungsressourcen | Zeitaufwand einer kleinen Experimentiereinheit |\n| Zentrale Rolle der Planungsverantwortlichen | Vorhersagen im Voraus und Einholen von Genehmigungen | Problemdefinition, Hypothesendesign, Verwaltung der Validierungskriterien |\n\nDer Grund für die Bedeutung dieser Veränderung ist einfach: Prototypen lassen weniger Raum für Missverständnisse als Erklärungen. Wenn nur anhand von Dokumenten diskutiert wird, stellt sich jeder andere Benutzeroberflächen und Nutzungsabläufe vor. Vor einem tatsächlich anklickbaren Mock-up oder MVP wird die Diskussion dagegen konkret.\n\n## Warum ein einziges Mock-up wirkungsvoller ist als hundert PPT-Seiten\n\nEin funktionsfähiger Prototyp wird in dreierlei Hinsicht zu einem wirkungsvollen Planungsinstrument.\n\n### 1. Er bringt unterschiedliche Vorstellungen auf derselben Benutzeroberfläche zusammen\n\nPPT und Dokumente sind abstrakt. Formulierungen wie „einfache Eingabemaske“, „intuitive Analyseergebnisse“ oder „schnelles Onboarding“ werden von jedem anders interpretiert. Ein anklickbarer Prototyp sorgt dagegen dafür, dass die Teammitglieder über denselben Gegenstand sprechen.\n\nDadurch ändern sich auch die Fragen im Meeting.\n\n- Aus „Brauchen wir diese Funktion?“ wird „Versteht der Nutzer diese Schaltfläche?“.\n- Aus „Sieht gut aus“ wird „In der zweiten Phase werden die Nutzer vermutlich abspringen“.\n- Aus „Das können wir irgendwann entwickeln“ wird „Diese Hypothese können wir heute testen“.\n\n### 2. Er macht Feedback schnell konkret\n\nMit einem Prototyp nehmen abstrakte Geschmacksdebatten ab. Teammitglieder, Kunden und Stakeholder können den tatsächlichen Ablauf erleben und sich anschließend konkret dazu äußern.\n\nDer Satz „Wir brauchen eine Spracheingabefunktion“ reicht beispielsweise nicht aus. Wenn jedoch direkt gezeigt wird, wie man die Mikrofonschaltfläche betätigt, Sprache in Text umgewandelt wird, der Nutzer diesen Text bearbeitet und anschließend speichert, werden die folgenden Fragen sofort sichtbar.\n\n- Versteht der Nutzer die Anfrage nach der Mikrofonberechtigung intuitiv?\n- Lassen sich Fehler bei der Spracherkennung leicht korrigieren?\n- Kann der Nutzer den Inhalt vor dem Speichern überprüfen?\n- Ist diese Funktion wirklich schneller als die bisherige Eingabemethode?\n\n### 3. Er verwandelt Fehlschläge in Erkenntnisse\n\nEin von AI erstellter Prototyp kann innerhalb eines Tages abgelehnt werden. Das ist jedoch kein schlechtes Ergebnis. Vielmehr wurde zu geringen Kosten festgestellt, dass „diese Richtung nicht die richtige ist“.\n\nEine gute Planungsorganisation vermeidet nicht sämtliche Fehlschläge, sondern ermöglicht viele kostengünstige Fehlschläge und reduziert teure. AI-Coding macht diese Struktur möglich.\n\n## Doch Geschwindigkeit allein ergibt noch kein Produkt\n\nDas größte Risiko des AI-Codings ist die „vermeintliche Plausibilität“. Generative AI füllt selbst bei unklaren Anweisungen des Nutzers die Lücken und erstellt ein Ergebnis. Dadurch können Benutzeroberflächen beeindruckend wirken, ohne das tatsächliche Problem zu lösen.\n\n### Typische Anzeichen falscher Geschwindigkeit\n\n| Anzeichen | Beschreibung | Warum ist das gefährlich? |\n|---|---|---|\n| Die Zahl der Funktionen wächst schnell | Ohne Validierung des Kernproblems kommen ständig weitere Benutzeroberflächen und Menüs hinzu | Nur die Komplexität nimmt zu, während die Erkenntnisse abnehmen |\n| Die Demo ist beeindruckend, hat aber keine Nutzer | In internen Meetings sieht sie gut aus, doch es gibt keine Tests mit realen Nutzern | Es bleibt bei interner Zufriedenheit statt Marktvalidierung |\n| Der Prompt ist unklar | Zweck und Einschränkungen sind unklar, etwa bei „Erstelle mir eine tolle App“ | AI legt die Produktrichtung nach eigenem Ermessen fest |\n| Es fehlen Validierungskennzahlen | Es gibt keine Kriterien zur Beurteilung von Erfolg und Misserfolg | Auch nach der Umsetzung lassen sich keine Erkenntnisse gewinnen |\n| Die Codequalität wird nicht geprüft | Sicherheit, Ausnahmebehandlung und Wartungsstruktur werden nicht betrachtet | Der Prototyp wird direkt zu technischen Schulden |\n\nFalsche Geschwindigkeit sieht nach schneller Bewegung aus, bedeutet in Wirklichkeit aber, dass in der falschen Richtung immer mehr Ergebnisse produziert werden. Im AI-Zeitalter ist nicht eine langsame Umsetzung am gefährlichsten, sondern ein schneller Irrtum.\n\n## Definition von Planung im AI-Zeitalter\n\nPlanung im AI-Zeitalter kann nicht eng als „Erstellung von Dokumenten zur Übergabe an Entwickler“ verstanden werden. Genauer gesagt geht es um die Verwaltung der folgenden vier Punkte.\n\n1. **Definition des Problems**: Welches Problem welcher Nutzer wird gelöst?\n2. **Gestaltung der Hypothese**: Was muss zutreffen, damit diese Idee sinnvoll ist?\n3. **Umfang des Experiments**: Was wird in der kleinstmöglichen Form erstellt und überprüft?\n4. **Entscheidungskriterien**: Welche Ergebnisse führen zu Verbesserung, Zurückstellung oder Verwerfung?\n\nAI kann bei der Umsetzung einiger dieser Punkte helfen. Doch die Auswahl des Problems, die Interpretation der Bedeutung einer Hypothese, die Festlegung geschäftlicher Prioritäten und die endgültige Entscheidung bleiben weiterhin menschliche Verantwortung.\n\n## Praxisprinzip 1: Nicht sofort ein fertiges Produkt verlangen\n\nWenn AI von Anfang an ein perfektes Produkt erstellen soll, fällt das Ergebnis leicht auseinander. Das gilt insbesondere, wenn Zweck, Nutzer, Datenstruktur, Ablauf der Benutzeroberflächen, Ausnahmebehandlung und Sicherheitsanforderungen des Produkts noch nicht geklärt sind.\n\nEin guter Ansatz besteht darin, ein großes Produkt in kleine Validierungseinheiten zu zerlegen.\n\n### Beispiel für eine schlechte Anfrage\n\n„Erstelle mir ein SaaS für das Rechnungswesen kleiner und mittlerer Unternehmen. Baue alles ein: Anmeldung, Dashboard, Steuerberechnung, Berichte, Bezahlung und Administrationsseite.“\n\nDiese Anfrage ist zu weit gefasst. AI kann zwar viele Funktionen erstellen, weiß aber nicht, welches Problem am wichtigsten ist.\n\n### Beispiel für eine gute Anfrage\n\n„Erstelle einen Prototyp aus einer einzigen Benutzeroberfläche, in dem freiberufliche Nutzer ein Bild eines Belegs hochladen können und Datum, Betrag sowie Händlername extrahiert und in einer bearbeitbaren Tabelle angezeigt werden. Ziel dieses Experiments ist es, zu prüfen, ob Nutzer dies als schneller empfinden als die manuelle Eingabe.“\n\nDiese Anfrage definiert klar das zu validierende Problem, die Nutzer, die Kernfunktion und den Umfang der Benutzeroberfläche.\n\n## Praxisprinzip 2: Das zu validierende Problem klein und präzise definieren\n\nDer Kern des AI-Prototypings besteht nicht darin, „etwas klein zu entwickeln“, sondern darin, „etwas so zu entwickeln, dass im Kleinen Erkenntnisse gewonnen werden können“. Selbst eine kleine Funktion ist bedeutungslos, wenn unklar ist, was daraus gelernt werden soll.\n\n### Vorlage für eine Hypothese\n\nWenn die Hypothese zunächst in der folgenden Form formuliert wird, lässt sich AI leichter anweisen.\n\n- Zielnutzer: Wer hat dieses Problem?\n- Aktuelles Problem: Welche Unannehmlichkeiten oder Kosten entstehen derzeit?\n- Vorgeschlagene Funktion: Auf welche Weise soll das Problem gelöst werden?\n- Erwartete Veränderung: Wie sollen sich das Verhalten der Nutzer oder die Kennzahlen verändern?\n- Validierungsmethode: Woran lässt sich Erfolg oder Misserfolg erkennen?\n\nEin Beispiel:\n\n\u003e „Neue Kundenberater benötigen viel Zeit, um die Inhalte von Kundengesprächen manuell zusammenzufassen. Wenn nach einer Sprachaufzeichnung die wichtigsten Punkte automatisch zusammengefasst und in einem bearbeitbaren Formular angezeigt werden, verkürzt sich die Zeit für die Erstellung von Gesprächsnotizen. Wenn beim Test mit realen Beispielen durch 5 Kundenberater die durchschnittliche Bearbeitungszeit um mindestens 30% sinkt und sie angeben, dass der Bearbeitungsaufwand gering ist, wird mit der nächsten Phase fortgefahren.“\n\nIst die Hypothese so klar formuliert, wird auch deutlich, was AI erstellen soll.\n\n## Praxisprinzip 3: Ergebnisse von AI unbedingt validieren und kontrollieren\n\nVon AI erstellte Benutzeroberflächen und Codes sind Entwürfe. Insbesondere wenn sie über einen Prototyp hinaus zu einem realen Service weiterentwickelt werden sollen, müssen die folgenden Bereiche unbedingt geprüft werden.\n\n### Validierungscheckliste\n\n| Prüfpunkt | Frage |\n|---|---|\n| Problembezug | Steht diese Funktion in direktem Zusammenhang mit dem ursprünglich definierten Nutzerproblem? |\n| Nutzungsablauf | Kann der Nutzer die nächste Handlung intuitiv verstehen? |\n| Datenverarbeitung | Werden Eingabewerte, Fehler, leere Zustände und doppelte Daten korrekt verarbeitet? |\n| Sicherheit und personenbezogene Daten | Werden sensible Informationen unnötig gespeichert oder offengelegt? |\n| Barrierefreiheit | Wurden grundlegende Aspekte der Barrierefreiheit wie Tastaturbedienung, Kontraste und Alternativtexte berücksichtigt? |\n| Wartbarkeit | Ist der Prototyp-Code so strukturiert, dass er zu echtem Produktcode erweitert werden kann? |\n| Entscheidungskriterien | Gibt es Kriterien, anhand derer entschieden wird, ob dieses Experiment fortgesetzt oder beendet wird? |\n\nVon AI erstellte Ergebnisse ungeprüft bereitzustellen, ist gefährlich. Insbesondere in Bereichen, die Authentifizierung, Bezahlung, Medizin, Finanzen, personenbezogene Daten oder rechtliche Beurteilungen betreffen, sind eine Überprüfung durch Fachleute und eine Sicherheitsprüfung unerlässlich.\n\n## Der Planungszyklus bei der Zusammenarbeit mit AI\n\nPlanung im Zeitalter des AI-Codings ähnelt eher einer kurzen Wiederholungsschleife als einem langen linearen Verfahren.\n\n### Schritt 1: Das Problem in einem Satz formulieren\n\nVerwenden Sie eine Formulierung wie: „Nutzer A kann in Situation B wegen C nicht D tun.“\n\nBeispiel: „Neue Mitarbeiter wissen nicht, wo sie interne Dokumente finden können, wodurch sich der Beginn ihrer Arbeit verzögert.“\n\n### Schritt 2: Den kleinstmöglichen Lösungsablauf festlegen\n\nErstellen Sie nicht von Anfang an das gesamte System. Wählen Sie nur einen einzigen Nutzungsablauf aus.\n\nBeispiel: „Nach Eingabe einer Frage werden 3 potenziell relevante Dokumente angezeigt, und der Nutzer bewertet, ob sie hilfreich waren.“\n\n### Schritt 3: AI sowohl Einschränkungen als auch Erfolgskriterien vorgeben\n\nAI muss nicht nur das Ziel kennen, sondern auch wissen, was nicht erstellt werden soll.\n\nBeispiel: „Erstelle weder eine Anmeldung noch eine Administrationsseite, sondern implementiere nur ein Sucheingabefeld, Ergebniskarten und Feedback-Schaltflächen. Das Ziel besteht diesmal darin, zu prüfen, ob Nutzer das gewünschte Dokument innerhalb von 1 Minute finden können.“\n\n### Schritt 4: Das Ergebnis realen Nutzern oder Stakeholdern zeigen\n\nEine Demo, die nur das interne Team sieht, reicht nicht aus. Wenn möglich, sollte sie Nutzern gezeigt werden, die das tatsächliche Problem haben. Dabei sollten nicht nur die Äußerungen der Nutzer, sondern auch ihr tatsächliches Verhalten beobachtet werden.\n\n### Schritt 5: Über Verbesserung, Zurückstellung oder Verwerfung entscheiden\n\nNach dem Experiment muss unbedingt eine Entscheidung getroffen werden.\n\n- Verbesserung: Die Kernhypothese stimmt, aber Benutzerfreundlichkeit oder Genauigkeit reichen nicht aus.\n- Zurückstellung: Das Problem besteht, doch Prioritäten oder Ressourcen passen nicht.\n- Verwerfung: Die Nutzer halten das Problem nicht für wichtig oder der Lösungsansatz ist ungeeignet.\n\nDie Verwerfung ist kein Fehlschlag, sondern eine Entscheidung, die Kosten reduziert.\n\n## Prompt-Struktur für AI-Prototypen\n\nDie folgende Struktur kann als Grundformat genutzt werden, um Anforderungen an AI-Coding-Tools zu übermitteln.\n\n```text\nRolle: Du bist Frontend-Entwickler für frühe Produktprototypen und zugleich UX-Partner.\n\nZiel: [Zu validierendes Nutzerproblem und Hypothese]\nZielnutzer: [Wer das Produkt nutzen wird]\nDiesmal umzusetzender Umfang: [Einzelne Benutzeroberfläche oder einzelner Ablauf]\nWas diesmal nicht umgesetzt wird: [Ausgeschlossener Umfang wie Anmeldung, Bezahlung, Administration oder erweiterte Einstellungen]\nPflichtfunktionen: [Höchstens 3]\nErfolgskriterien: [Kriterien für die Beurteilung nach dem Test]\nDaten: [Beispieldaten oder Eingabeformat]\nEinschränkungen: [Sicherheit, personenbezogene Daten, Barrierefreiheit, Technologie-Stack]\nAusgabeformat: [Code, Dateistruktur, Ausführungsmethode, Testmethode]\n```\n\nDer Kern dieses Prompts besteht darin, ausdrücklich anzugeben, „was nicht erstellt werden soll“. Da AI dazu neigt, Lücken zu füllen, muss der ausgeschlossene Umfang klar definiert werden, damit das Ergebnis nicht übermäßig groß wird.\n\n## Wird die Rolle der Planungsverantwortlichen kleiner oder verändert sie sich?\n\nAI-Coding verkleinert die Rolle der Planungsverantwortlichen nicht, sondern ordnet sie neu. Der Anteil der Dokumentenerstellung kann sinken, während der Anteil der Entscheidungsfindung zunimmt.\n\n### Aufgaben, die abnehmen\n\n- Erstellung repetitiver Dokumente zur Beschreibung von Benutzeroberflächen\n- Erstellung einfacher Wireframes\n- Anfragen und Wartezeiten für die Entwicklung erster Democodes\n- Erstellung statischer Unterlagen für Meetings\n\n### Aufgaben, die wichtiger werden\n\n- Nutzerprobleme eng und präzise definieren\n- Probleme in testbare Hypothesen umwandeln\n- Qualität und Richtung der von AI erstellten Ergebnisse prüfen\n- Die Interpretationen im Team aufeinander abstimmen\n- Marktreife Produkte von Demoergebnissen unterscheiden\n- Über personenbezogene Daten, Sicherheit und Verantwortungsbereiche entscheiden\n\nPlanungsverantwortliche entwickeln sich also von „Dokumentenverfassern“ zu „Experimentdesignern und Verwaltern der Intention“.\n\n## Kriterien zur Bewertung eines von AI erstellten MVP\n\nEin mit AI erstelltes MVP ist nicht allein deshalb sinnvoll, weil es schnell entwickelt wurde. Es muss anhand der folgenden Kriterien bewertet werden.\n\n| Bewertungskriterium | Gutes MVP | Schlechtes MVP |\n|---|---|---|\n| Hypothese | Eine zentrale Hypothese ist klar definiert | Es zeigt mehrere Funktionen, ohne dass klar ist, was validiert werden soll |\n| Umfang | Nur der minimale Ablauf wird umgesetzt | Es soll von Anfang an wie ein vollständiges Produkt wirken |\n| Nutzerfeedback | Das Verhalten realer Nutzer wird beobachtet | Es werden nur interne Meinungen gesammelt |\n| Erkenntnisse | Die nächste Entscheidung wird klar | „Lass uns noch mehr entwickeln“ wird lediglich wiederholt |\n| Technischer Zustand | Demo- und Produktivumfang werden unterschieden | Der Prototyp-Code wird unverändert als Service produktiv eingesetzt |\n\nEin gutes MVP darf klein und unscheinbar sein. Entscheidend ist nicht eine beeindruckende Demo, sondern dass es die für eine Entscheidung erforderlichen Erkenntnisse liefert.\n\n## Betriebsprinzipien für Organisationen\n\nWenn AI-Prototyping lediglich spontanen Experimenten Einzelner überlassen wird, verteilen sich die Ergebnisse unkoordiniert. Auf Organisationsebene sind zumindest grundlegende Betriebsprinzipien erforderlich.\n\n1. **Ein Formular zur Erfassung von Experimenten erstellen**: Problem, Hypothese, Umfang, Erfolgskriterien, Verantwortliche und Enddatum werden dokumentiert.\n2. **Prototyp- und Produktcode unterscheiden**: Democode muss schnell verworfen werden können.\n3. **Zeit für Nutzerfeedback im Voraus reservieren**: Wenn erst nach der Entwicklung nach Nutzern gesucht wird, verzögert sich die Validierung.\n4. **Sicherheitsgrenzen festlegen**: Grundsätzlich sollten in frühen Experimenten keine echten personenbezogenen Daten, Kundendaten oder Zahlungsinformationen verwendet werden.\n5. **Kriterien für die Verwerfung festlegen**: Es muss vorab definiert werden, bei welchen Ergebnissen das Experiment beendet wird, damit es nicht unnötig in die Länge gezogen wird.\n6. **Erkenntnisse dokumentieren**: Wenn auch bei gescheiterten Prototypen festgehalten wird, warum sie gescheitert sind, werden sie zu wertvollen Grundlagen für das nächste Experiment.\n\n## Fazit: Planung im AI-Zeitalter bedeutet nicht, langsamer, sondern präziser zu werden\n\nIn einer Zeit, in der AI vieles erstellt, ist die Frage „Warum sprechen wir noch über Planung?“ naheliegend. Die Antwort ist jedoch eindeutig: Je einfacher die Umsetzung wird, desto wichtiger wird die Entscheidung darüber, was umgesetzt werden soll.\n\nAI-Coding beseitigt die Planung nicht. Es verlagert lediglich ihren Schwerpunkt. Die Planung bewegt sich weg von der Genehmigung langer Dokumente hin zur schnellen Validierung kleiner Hypothesen. Sie entwickelt sich von der Beschreibung eines vorgestellten Produkts hin zur Überprüfung der Reaktionen von Team und Nutzern anhand realer Benutzeroberflächen.\n\nGeschwindigkeit ist eine wirkungsvolle Waffe. Doch Geschwindigkeit ohne Richtung ist Verschwendung. Der Kern der Planung, der im AI-Zeitalter bewahrt werden muss, ist die Richtung der Intention. Menschen müssen bis zum Ende darüber entscheiden, welches Problem gelöst und was validiert werden soll sowie anhand welcher Kriterien ein Vorhaben beendet oder fortgesetzt wird. Dann kann AI über ein bloßes Automatisierungswerkzeug hinaus zu einem Partner werden, mit dem sich schneller lernen und ein Produkt präziser entwickeln lässt.","content_html":"\u003ch2\u003e\n\u003ca href=\"#fazit-in-einem-satz\" class=\"anchor\" id=\"fazit-in-einem-satz\"\u003e\u003c/a\u003eFazit in einem Satz\u003c/h2\u003e\n\u003cp\u003eAuch in einer Zeit, in der AI Code schreibt und Benutzeroberflächen erstellt, verschwindet die Produktplanung nicht. Im Gegenteil: Ihre Rolle ist klarer geworden. Ging es früher bei der Planung eher darum, „vor der Umsetzung möglichst viel vorherzusagen“, bedeutet Planung im Zeitalter des AI-Codings, „festzulegen, was validiert werden soll, im Kleinen zu entwickeln, schnell zu lernen und die beabsichtigte Richtung bis zum Schluss zu kontrollieren“.\u003c/p\u003e\n\u003cp\u003eAI senkt die Produktionskosten. Sie übernimmt jedoch nicht die Verantwortung für die Probleme der Nutzer, Geschäftshypothesen, Prioritäten, Qualitätsstandards oder ethische Entscheidungen. Deshalb ist die Fähigkeit, bis zum Ende an der Frage „Was soll aus welchem Grund entwickelt werden?“ festzuhalten, wichtiger als die Fähigkeit, schnell etwas zu erstellen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#warum-wir-wieder-%C3%BCber-planung-sprechen-m%C3%BCssen\" class=\"anchor\" id=\"warum-wir-wieder-über-planung-sprechen-müssen\"\u003e\u003c/a\u003eWarum wir wieder über Planung sprechen müssen\u003c/h2\u003e\n\u003cp\u003eGenerative AI und AI-Coding-Tools haben die anfänglichen Hürden für die Entwicklung von Services deutlich gesenkt. Früher waren Planungsdokumente, Designentwürfe, Entwicklungssprints, QA und die Vorbereitung der Bereitstellung erforderlich, um eine Idee auf einem realen Bildschirm zu sehen. Heute ist es wesentlich einfacher, einfache Web-Apps, interne Tools, Demoseiten oder funktionale Prototypen innerhalb weniger Stunden oder Tage zu erstellen.\u003c/p\u003e\n\u003cp\u003eDiese Veränderung ist nicht nur eine Steigerung der Produktivität. Sie verändert die Art der Entscheidungsfindung selbst.\u003c/p\u003e\n\u003cp\u003eFrüher musste man mit Dokumenten und in Meetings davon überzeugen, dass „diese Idee wahrscheinlich erfolgreich sein wird“. Heute ist „Lass es uns im Kleinen umsetzen und tatsächlich überprüfen“ häufig die vernünftigere Wahl. Weil die Umsetzungskosten gesunken sind, gibt es Bereiche, in denen Experimente günstiger sind als Prognosen.\u003c/p\u003e\n\u003cp\u003eDoch darin liegt auch eine Falle. Nur weil die Umsetzung einfacher geworden ist, ist es nicht einfacher geworden, ein gutes Produkt zu entwickeln. AI sorgt für Geschwindigkeit, garantiert aber keine Richtung. Geschwindigkeit ohne Richtung führt nicht zu Erkenntnissen, sondern lediglich zu mehr Ergebnissen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#die-zentrale-ver%C3%A4nderung-durch-ai-coding-sinkende-umsetzungskosten\" class=\"anchor\" id=\"die-zentrale-veränderung-durch-ai-coding-sinkende-umsetzungskosten\"\u003e\u003c/a\u003eDie zentrale Veränderung durch AI-Coding: sinkende Umsetzungskosten\u003c/h2\u003e\n\u003cp\u003eAI-Coding-Tools haben nicht nur verändert, „wer den Code eintippt“. Die wichtigere Veränderung besteht darin, dass die Kosten von Versuchen, Kommunikation und Fehlschlägen gesunken sind.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#fr%C3%BChere-und-heutige-abl%C3%A4ufe\" class=\"anchor\" id=\"frühere-und-heutige-abläufe\"\u003e\u003c/a\u003eFrühere und heutige Abläufe\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKategorie\u003c/th\u003e\n\u003cth\u003eTypischer früherer Ablauf\u003c/th\u003e\n\u003cth\u003eAblauf im Zeitalter des AI-Codings\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eDarstellung von Ideen\u003c/td\u003e\n\u003ctd data-label=\"Typischer früherer Ablauf\"\u003ePlanungskonzept, Wireframe, PPT\u003c/td\u003e\n\u003ctd data-label=\"Ablauf im Zeitalter des AI-Codings\"\u003eDialogbasierte Anforderungen, sofort generierte Benutzeroberfläche, funktionsfähige Demo\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eEinheit der ersten Validierung\u003c/td\u003e\n\u003ctd data-label=\"Typischer früherer Ablauf\"\u003eMehrwöchiges Projekt\u003c/td\u003e\n\u003ctd data-label=\"Ablauf im Zeitalter des AI-Codings\"\u003eExperiment über einige Stunden oder Tage\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eSchwerpunkt von Meetings\u003c/td\u003e\n\u003ctd data-label=\"Typischer früherer Ablauf\"\u003eInterpretation von Dokumenten und Abstimmung von Meinungen\u003c/td\u003e\n\u003ctd data-label=\"Ablauf im Zeitalter des AI-Codings\"\u003eInteraktion mit realen Benutzeroberflächen und Feedback\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eKosten eines Fehlschlags\u003c/td\u003e\n\u003ctd data-label=\"Typischer früherer Ablauf\"\u003eZeit mehrerer Abteilungen und Entwicklungsressourcen\u003c/td\u003e\n\u003ctd data-label=\"Ablauf im Zeitalter des AI-Codings\"\u003eZeitaufwand einer kleinen Experimentiereinheit\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eZentrale Rolle der Planungsverantwortlichen\u003c/td\u003e\n\u003ctd data-label=\"Typischer früherer Ablauf\"\u003eVorhersagen im Voraus und Einholen von Genehmigungen\u003c/td\u003e\n\u003ctd data-label=\"Ablauf im Zeitalter des AI-Codings\"\u003eProblemdefinition, Hypothesendesign, Verwaltung der Validierungskriterien\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eDer Grund für die Bedeutung dieser Veränderung ist einfach: Prototypen lassen weniger Raum für Missverständnisse als Erklärungen. Wenn nur anhand von Dokumenten diskutiert wird, stellt sich jeder andere Benutzeroberflächen und Nutzungsabläufe vor. Vor einem tatsächlich anklickbaren Mock-up oder MVP wird die Diskussion dagegen konkret.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#warum-ein-einziges-mock-up-wirkungsvoller-ist-als-hundert-ppt-seiten\" class=\"anchor\" id=\"warum-ein-einziges-mock-up-wirkungsvoller-ist-als-hundert-ppt-seiten\"\u003e\u003c/a\u003eWarum ein einziges Mock-up wirkungsvoller ist als hundert PPT-Seiten\u003c/h2\u003e\n\u003cp\u003eEin funktionsfähiger Prototyp wird in dreierlei Hinsicht zu einem wirkungsvollen Planungsinstrument.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-er-bringt-unterschiedliche-vorstellungen-auf-derselben-benutzeroberfl%C3%A4che-zusammen\" class=\"anchor\" id=\"1-er-bringt-unterschiedliche-vorstellungen-auf-derselben-benutzeroberfläche-zusammen\"\u003e\u003c/a\u003e1. Er bringt unterschiedliche Vorstellungen auf derselben Benutzeroberfläche zusammen\u003c/h3\u003e\n\u003cp\u003ePPT und Dokumente sind abstrakt. Formulierungen wie „einfache Eingabemaske“, „intuitive Analyseergebnisse“ oder „schnelles Onboarding“ werden von jedem anders interpretiert. Ein anklickbarer Prototyp sorgt dagegen dafür, dass die Teammitglieder über denselben Gegenstand sprechen.\u003c/p\u003e\n\u003cp\u003eDadurch ändern sich auch die Fragen im Meeting.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eAus „Brauchen wir diese Funktion?“ wird „Versteht der Nutzer diese Schaltfläche?“.\u003c/li\u003e\n\u003cli\u003eAus „Sieht gut aus“ wird „In der zweiten Phase werden die Nutzer vermutlich abspringen“.\u003c/li\u003e\n\u003cli\u003eAus „Das können wir irgendwann entwickeln“ wird „Diese Hypothese können wir heute testen“.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-er-macht-feedback-schnell-konkret\" class=\"anchor\" id=\"2-er-macht-feedback-schnell-konkret\"\u003e\u003c/a\u003e2. Er macht Feedback schnell konkret\u003c/h3\u003e\n\u003cp\u003eMit einem Prototyp nehmen abstrakte Geschmacksdebatten ab. Teammitglieder, Kunden und Stakeholder können den tatsächlichen Ablauf erleben und sich anschließend konkret dazu äußern.\u003c/p\u003e\n\u003cp\u003eDer Satz „Wir brauchen eine Spracheingabefunktion“ reicht beispielsweise nicht aus. Wenn jedoch direkt gezeigt wird, wie man die Mikrofonschaltfläche betätigt, Sprache in Text umgewandelt wird, der Nutzer diesen Text bearbeitet und anschließend speichert, werden die folgenden Fragen sofort sichtbar.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eVersteht der Nutzer die Anfrage nach der Mikrofonberechtigung intuitiv?\u003c/li\u003e\n\u003cli\u003eLassen sich Fehler bei der Spracherkennung leicht korrigieren?\u003c/li\u003e\n\u003cli\u003eKann der Nutzer den Inhalt vor dem Speichern überprüfen?\u003c/li\u003e\n\u003cli\u003eIst diese Funktion wirklich schneller als die bisherige Eingabemethode?\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-er-verwandelt-fehlschl%C3%A4ge-in-erkenntnisse\" class=\"anchor\" id=\"3-er-verwandelt-fehlschläge-in-erkenntnisse\"\u003e\u003c/a\u003e3. Er verwandelt Fehlschläge in Erkenntnisse\u003c/h3\u003e\n\u003cp\u003eEin von AI erstellter Prototyp kann innerhalb eines Tages abgelehnt werden. Das ist jedoch kein schlechtes Ergebnis. Vielmehr wurde zu geringen Kosten festgestellt, dass „diese Richtung nicht die richtige ist“.\u003c/p\u003e\n\u003cp\u003eEine gute Planungsorganisation vermeidet nicht sämtliche Fehlschläge, sondern ermöglicht viele kostengünstige Fehlschläge und reduziert teure. AI-Coding macht diese Struktur möglich.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#doch-geschwindigkeit-allein-ergibt-noch-kein-produkt\" class=\"anchor\" id=\"doch-geschwindigkeit-allein-ergibt-noch-kein-produkt\"\u003e\u003c/a\u003eDoch Geschwindigkeit allein ergibt noch kein Produkt\u003c/h2\u003e\n\u003cp\u003eDas größte Risiko des AI-Codings ist die „vermeintliche Plausibilität“. Generative AI füllt selbst bei unklaren Anweisungen des Nutzers die Lücken und erstellt ein Ergebnis. Dadurch können Benutzeroberflächen beeindruckend wirken, ohne das tatsächliche Problem zu lösen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#typische-anzeichen-falscher-geschwindigkeit\" class=\"anchor\" id=\"typische-anzeichen-falscher-geschwindigkeit\"\u003e\u003c/a\u003eTypische Anzeichen falscher Geschwindigkeit\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAnzeichen\u003c/th\u003e\n\u003cth\u003eBeschreibung\u003c/th\u003e\n\u003cth\u003eWarum ist das gefährlich?\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Anzeichen\"\u003eDie Zahl der Funktionen wächst schnell\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eOhne Validierung des Kernproblems kommen ständig weitere Benutzeroberflächen und Menüs hinzu\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das gefährlich?\"\u003eNur die Komplexität nimmt zu, während die Erkenntnisse abnehmen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Anzeichen\"\u003eDie Demo ist beeindruckend, hat aber keine Nutzer\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eIn internen Meetings sieht sie gut aus, doch es gibt keine Tests mit realen Nutzern\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das gefährlich?\"\u003eEs bleibt bei interner Zufriedenheit statt Marktvalidierung\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Anzeichen\"\u003eDer Prompt ist unklar\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eZweck und Einschränkungen sind unklar, etwa bei „Erstelle mir eine tolle App“\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das gefährlich?\"\u003eAI legt die Produktrichtung nach eigenem Ermessen fest\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Anzeichen\"\u003eEs fehlen Validierungskennzahlen\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eEs gibt keine Kriterien zur Beurteilung von Erfolg und Misserfolg\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das gefährlich?\"\u003eAuch nach der Umsetzung lassen sich keine Erkenntnisse gewinnen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Anzeichen\"\u003eDie Codequalität wird nicht geprüft\u003c/td\u003e\n\u003ctd data-label=\"Beschreibung\"\u003eSicherheit, Ausnahmebehandlung und Wartungsstruktur werden nicht betrachtet\u003c/td\u003e\n\u003ctd data-label=\"Warum ist das gefährlich?\"\u003eDer Prototyp wird direkt zu technischen Schulden\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eFalsche Geschwindigkeit sieht nach schneller Bewegung aus, bedeutet in Wirklichkeit aber, dass in der falschen Richtung immer mehr Ergebnisse produziert werden. Im AI-Zeitalter ist nicht eine langsame Umsetzung am gefährlichsten, sondern ein schneller Irrtum.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#definition-von-planung-im-ai-zeitalter\" class=\"anchor\" id=\"definition-von-planung-im-ai-zeitalter\"\u003e\u003c/a\u003eDefinition von Planung im AI-Zeitalter\u003c/h2\u003e\n\u003cp\u003ePlanung im AI-Zeitalter kann nicht eng als „Erstellung von Dokumenten zur Übergabe an Entwickler“ verstanden werden. Genauer gesagt geht es um die Verwaltung der folgenden vier Punkte.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003eDefinition des Problems\u003c/strong\u003e: Welches Problem welcher Nutzer wird gelöst?\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eGestaltung der Hypothese\u003c/strong\u003e: Was muss zutreffen, damit diese Idee sinnvoll ist?\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eUmfang des Experiments\u003c/strong\u003e: Was wird in der kleinstmöglichen Form erstellt und überprüft?\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEntscheidungskriterien\u003c/strong\u003e: Welche Ergebnisse führen zu Verbesserung, Zurückstellung oder Verwerfung?\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eAI kann bei der Umsetzung einiger dieser Punkte helfen. Doch die Auswahl des Problems, die Interpretation der Bedeutung einer Hypothese, die Festlegung geschäftlicher Prioritäten und die endgültige Entscheidung bleiben weiterhin menschliche Verantwortung.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#praxisprinzip-1-nicht-sofort-ein-fertiges-produkt-verlangen\" class=\"anchor\" id=\"praxisprinzip-1-nicht-sofort-ein-fertiges-produkt-verlangen\"\u003e\u003c/a\u003ePraxisprinzip 1: Nicht sofort ein fertiges Produkt verlangen\u003c/h2\u003e\n\u003cp\u003eWenn AI von Anfang an ein perfektes Produkt erstellen soll, fällt das Ergebnis leicht auseinander. Das gilt insbesondere, wenn Zweck, Nutzer, Datenstruktur, Ablauf der Benutzeroberflächen, Ausnahmebehandlung und Sicherheitsanforderungen des Produkts noch nicht geklärt sind.\u003c/p\u003e\n\u003cp\u003eEin guter Ansatz besteht darin, ein großes Produkt in kleine Validierungseinheiten zu zerlegen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#beispiel-f%C3%BCr-eine-schlechte-anfrage\" class=\"anchor\" id=\"beispiel-für-eine-schlechte-anfrage\"\u003e\u003c/a\u003eBeispiel für eine schlechte Anfrage\u003c/h3\u003e\n\u003cp\u003e„Erstelle mir ein SaaS für das Rechnungswesen kleiner und mittlerer Unternehmen. Baue alles ein: Anmeldung, Dashboard, Steuerberechnung, Berichte, Bezahlung und Administrationsseite.“\u003c/p\u003e\n\u003cp\u003eDiese Anfrage ist zu weit gefasst. AI kann zwar viele Funktionen erstellen, weiß aber nicht, welches Problem am wichtigsten ist.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#beispiel-f%C3%BCr-eine-gute-anfrage\" class=\"anchor\" id=\"beispiel-für-eine-gute-anfrage\"\u003e\u003c/a\u003eBeispiel für eine gute Anfrage\u003c/h3\u003e\n\u003cp\u003e„Erstelle einen Prototyp aus einer einzigen Benutzeroberfläche, in dem freiberufliche Nutzer ein Bild eines Belegs hochladen können und Datum, Betrag sowie Händlername extrahiert und in einer bearbeitbaren Tabelle angezeigt werden. Ziel dieses Experiments ist es, zu prüfen, ob Nutzer dies als schneller empfinden als die manuelle Eingabe.“\u003c/p\u003e\n\u003cp\u003eDiese Anfrage definiert klar das zu validierende Problem, die Nutzer, die Kernfunktion und den Umfang der Benutzeroberfläche.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#praxisprinzip-2-das-zu-validierende-problem-klein-und-pr%C3%A4zise-definieren\" class=\"anchor\" id=\"praxisprinzip-2-das-zu-validierende-problem-klein-und-präzise-definieren\"\u003e\u003c/a\u003ePraxisprinzip 2: Das zu validierende Problem klein und präzise definieren\u003c/h2\u003e\n\u003cp\u003eDer Kern des AI-Prototypings besteht nicht darin, „etwas klein zu entwickeln“, sondern darin, „etwas so zu entwickeln, dass im Kleinen Erkenntnisse gewonnen werden können“. Selbst eine kleine Funktion ist bedeutungslos, wenn unklar ist, was daraus gelernt werden soll.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#vorlage-f%C3%BCr-eine-hypothese\" class=\"anchor\" id=\"vorlage-für-eine-hypothese\"\u003e\u003c/a\u003eVorlage für eine Hypothese\u003c/h3\u003e\n\u003cp\u003eWenn die Hypothese zunächst in der folgenden Form formuliert wird, lässt sich AI leichter anweisen.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eZielnutzer: Wer hat dieses Problem?\u003c/li\u003e\n\u003cli\u003eAktuelles Problem: Welche Unannehmlichkeiten oder Kosten entstehen derzeit?\u003c/li\u003e\n\u003cli\u003eVorgeschlagene Funktion: Auf welche Weise soll das Problem gelöst werden?\u003c/li\u003e\n\u003cli\u003eErwartete Veränderung: Wie sollen sich das Verhalten der Nutzer oder die Kennzahlen verändern?\u003c/li\u003e\n\u003cli\u003eValidierungsmethode: Woran lässt sich Erfolg oder Misserfolg erkennen?\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eEin Beispiel:\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003e„Neue Kundenberater benötigen viel Zeit, um die Inhalte von Kundengesprächen manuell zusammenzufassen. Wenn nach einer Sprachaufzeichnung die wichtigsten Punkte automatisch zusammengefasst und in einem bearbeitbaren Formular angezeigt werden, verkürzt sich die Zeit für die Erstellung von Gesprächsnotizen. Wenn beim Test mit realen Beispielen durch 5 Kundenberater die durchschnittliche Bearbeitungszeit um mindestens 30% sinkt und sie angeben, dass der Bearbeitungsaufwand gering ist, wird mit der nächsten Phase fortgefahren.“\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eIst die Hypothese so klar formuliert, wird auch deutlich, was AI erstellen soll.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#praxisprinzip-3-ergebnisse-von-ai-unbedingt-validieren-und-kontrollieren\" class=\"anchor\" id=\"praxisprinzip-3-ergebnisse-von-ai-unbedingt-validieren-und-kontrollieren\"\u003e\u003c/a\u003ePraxisprinzip 3: Ergebnisse von AI unbedingt validieren und kontrollieren\u003c/h2\u003e\n\u003cp\u003eVon AI erstellte Benutzeroberflächen und Codes sind Entwürfe. Insbesondere wenn sie über einen Prototyp hinaus zu einem realen Service weiterentwickelt werden sollen, müssen die folgenden Bereiche unbedingt geprüft werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#validierungscheckliste\" class=\"anchor\" id=\"validierungscheckliste\"\u003e\u003c/a\u003eValidierungscheckliste\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003ePrüfpunkt\u003c/th\u003e\n\u003cth\u003eFrage\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eProblembezug\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eSteht diese Funktion in direktem Zusammenhang mit dem ursprünglich definierten Nutzerproblem?\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eNutzungsablauf\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eKann der Nutzer die nächste Handlung intuitiv verstehen?\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eDatenverarbeitung\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWerden Eingabewerte, Fehler, leere Zustände und doppelte Daten korrekt verarbeitet?\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eSicherheit und personenbezogene Daten\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWerden sensible Informationen unnötig gespeichert oder offengelegt?\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eBarrierefreiheit\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWurden grundlegende Aspekte der Barrierefreiheit wie Tastaturbedienung, Kontraste und Alternativtexte berücksichtigt?\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eWartbarkeit\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eIst der Prototyp-Code so strukturiert, dass er zu echtem Produktcode erweitert werden kann?\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Prüfpunkt\"\u003eEntscheidungskriterien\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eGibt es Kriterien, anhand derer entschieden wird, ob dieses Experiment fortgesetzt oder beendet wird?\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eVon AI erstellte Ergebnisse ungeprüft bereitzustellen, ist gefährlich. Insbesondere in Bereichen, die Authentifizierung, Bezahlung, Medizin, Finanzen, personenbezogene Daten oder rechtliche Beurteilungen betreffen, sind eine Überprüfung durch Fachleute und eine Sicherheitsprüfung unerlässlich.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#der-planungszyklus-bei-der-zusammenarbeit-mit-ai\" class=\"anchor\" id=\"der-planungszyklus-bei-der-zusammenarbeit-mit-ai\"\u003e\u003c/a\u003eDer Planungszyklus bei der Zusammenarbeit mit AI\u003c/h2\u003e\n\u003cp\u003ePlanung im Zeitalter des AI-Codings ähnelt eher einer kurzen Wiederholungsschleife als einem langen linearen Verfahren.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-1-das-problem-in-einem-satz-formulieren\" class=\"anchor\" id=\"schritt-1-das-problem-in-einem-satz-formulieren\"\u003e\u003c/a\u003eSchritt 1: Das Problem in einem Satz formulieren\u003c/h3\u003e\n\u003cp\u003eVerwenden Sie eine Formulierung wie: „Nutzer A kann in Situation B wegen C nicht D tun.“\u003c/p\u003e\n\u003cp\u003eBeispiel: „Neue Mitarbeiter wissen nicht, wo sie interne Dokumente finden können, wodurch sich der Beginn ihrer Arbeit verzögert.“\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-2-den-kleinstm%C3%B6glichen-l%C3%B6sungsablauf-festlegen\" class=\"anchor\" id=\"schritt-2-den-kleinstmöglichen-lösungsablauf-festlegen\"\u003e\u003c/a\u003eSchritt 2: Den kleinstmöglichen Lösungsablauf festlegen\u003c/h3\u003e\n\u003cp\u003eErstellen Sie nicht von Anfang an das gesamte System. Wählen Sie nur einen einzigen Nutzungsablauf aus.\u003c/p\u003e\n\u003cp\u003eBeispiel: „Nach Eingabe einer Frage werden 3 potenziell relevante Dokumente angezeigt, und der Nutzer bewertet, ob sie hilfreich waren.“\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-3-ai-sowohl-einschr%C3%A4nkungen-als-auch-erfolgskriterien-vorgeben\" class=\"anchor\" id=\"schritt-3-ai-sowohl-einschränkungen-als-auch-erfolgskriterien-vorgeben\"\u003e\u003c/a\u003eSchritt 3: AI sowohl Einschränkungen als auch Erfolgskriterien vorgeben\u003c/h3\u003e\n\u003cp\u003eAI muss nicht nur das Ziel kennen, sondern auch wissen, was nicht erstellt werden soll.\u003c/p\u003e\n\u003cp\u003eBeispiel: „Erstelle weder eine Anmeldung noch eine Administrationsseite, sondern implementiere nur ein Sucheingabefeld, Ergebniskarten und Feedback-Schaltflächen. Das Ziel besteht diesmal darin, zu prüfen, ob Nutzer das gewünschte Dokument innerhalb von 1 Minute finden können.“\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-4-das-ergebnis-realen-nutzern-oder-stakeholdern-zeigen\" class=\"anchor\" id=\"schritt-4-das-ergebnis-realen-nutzern-oder-stakeholdern-zeigen\"\u003e\u003c/a\u003eSchritt 4: Das Ergebnis realen Nutzern oder Stakeholdern zeigen\u003c/h3\u003e\n\u003cp\u003eEine Demo, die nur das interne Team sieht, reicht nicht aus. Wenn möglich, sollte sie Nutzern gezeigt werden, die das tatsächliche Problem haben. Dabei sollten nicht nur die Äußerungen der Nutzer, sondern auch ihr tatsächliches Verhalten beobachtet werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#schritt-5-%C3%BCber-verbesserung-zur%C3%BCckstellung-oder-verwerfung-entscheiden\" class=\"anchor\" id=\"schritt-5-über-verbesserung-zurückstellung-oder-verwerfung-entscheiden\"\u003e\u003c/a\u003eSchritt 5: Über Verbesserung, Zurückstellung oder Verwerfung entscheiden\u003c/h3\u003e\n\u003cp\u003eNach dem Experiment muss unbedingt eine Entscheidung getroffen werden.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eVerbesserung: Die Kernhypothese stimmt, aber Benutzerfreundlichkeit oder Genauigkeit reichen nicht aus.\u003c/li\u003e\n\u003cli\u003eZurückstellung: Das Problem besteht, doch Prioritäten oder Ressourcen passen nicht.\u003c/li\u003e\n\u003cli\u003eVerwerfung: Die Nutzer halten das Problem nicht für wichtig oder der Lösungsansatz ist ungeeignet.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDie Verwerfung ist kein Fehlschlag, sondern eine Entscheidung, die Kosten reduziert.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#prompt-struktur-f%C3%BCr-ai-prototypen\" class=\"anchor\" id=\"prompt-struktur-für-ai-prototypen\"\u003e\u003c/a\u003ePrompt-Struktur für AI-Prototypen\u003c/h2\u003e\n\u003cp\u003eDie folgende Struktur kann als Grundformat genutzt werden, um Anforderungen an AI-Coding-Tools zu übermitteln.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eRolle: Du bist Frontend-Entwickler für frühe Produktprototypen und zugleich UX-Partner.\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003eZiel: [Zu validierendes Nutzerproblem und Hypothese]\n\u003c/span\u003e\u003cspan\u003eZielnutzer: [Wer das Produkt nutzen wird]\n\u003c/span\u003e\u003cspan\u003eDiesmal umzusetzender Umfang: [Einzelne Benutzeroberfläche oder einzelner Ablauf]\n\u003c/span\u003e\u003cspan\u003eWas diesmal nicht umgesetzt wird: [Ausgeschlossener Umfang wie Anmeldung, Bezahlung, Administration oder erweiterte Einstellungen]\n\u003c/span\u003e\u003cspan\u003ePflichtfunktionen: [Höchstens 3]\n\u003c/span\u003e\u003cspan\u003eErfolgskriterien: [Kriterien für die Beurteilung nach dem Test]\n\u003c/span\u003e\u003cspan\u003eDaten: [Beispieldaten oder Eingabeformat]\n\u003c/span\u003e\u003cspan\u003eEinschränkungen: [Sicherheit, personenbezogene Daten, Barrierefreiheit, Technologie-Stack]\n\u003c/span\u003e\u003cspan\u003eAusgabeformat: [Code, Dateistruktur, Ausführungsmethode, Testmethode]\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eDer Kern dieses Prompts besteht darin, ausdrücklich anzugeben, „was nicht erstellt werden soll“. Da AI dazu neigt, Lücken zu füllen, muss der ausgeschlossene Umfang klar definiert werden, damit das Ergebnis nicht übermäßig groß wird.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#wird-die-rolle-der-planungsverantwortlichen-kleiner-oder-ver%C3%A4ndert-sie-sich\" class=\"anchor\" id=\"wird-die-rolle-der-planungsverantwortlichen-kleiner-oder-verändert-sie-sich\"\u003e\u003c/a\u003eWird die Rolle der Planungsverantwortlichen kleiner oder verändert sie sich?\u003c/h2\u003e\n\u003cp\u003eAI-Coding verkleinert die Rolle der Planungsverantwortlichen nicht, sondern ordnet sie neu. Der Anteil der Dokumentenerstellung kann sinken, während der Anteil der Entscheidungsfindung zunimmt.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#aufgaben-die-abnehmen\" class=\"anchor\" id=\"aufgaben-die-abnehmen\"\u003e\u003c/a\u003eAufgaben, die abnehmen\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eErstellung repetitiver Dokumente zur Beschreibung von Benutzeroberflächen\u003c/li\u003e\n\u003cli\u003eErstellung einfacher Wireframes\u003c/li\u003e\n\u003cli\u003eAnfragen und Wartezeiten für die Entwicklung erster Democodes\u003c/li\u003e\n\u003cli\u003eErstellung statischer Unterlagen für Meetings\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#aufgaben-die-wichtiger-werden\" class=\"anchor\" id=\"aufgaben-die-wichtiger-werden\"\u003e\u003c/a\u003eAufgaben, die wichtiger werden\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eNutzerprobleme eng und präzise definieren\u003c/li\u003e\n\u003cli\u003eProbleme in testbare Hypothesen umwandeln\u003c/li\u003e\n\u003cli\u003eQualität und Richtung der von AI erstellten Ergebnisse prüfen\u003c/li\u003e\n\u003cli\u003eDie Interpretationen im Team aufeinander abstimmen\u003c/li\u003e\n\u003cli\u003eMarktreife Produkte von Demoergebnissen unterscheiden\u003c/li\u003e\n\u003cli\u003eÜber personenbezogene Daten, Sicherheit und Verantwortungsbereiche entscheiden\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePlanungsverantwortliche entwickeln sich also von „Dokumentenverfassern“ zu „Experimentdesignern und Verwaltern der Intention“.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#kriterien-zur-bewertung-eines-von-ai-erstellten-mvp\" class=\"anchor\" id=\"kriterien-zur-bewertung-eines-von-ai-erstellten-mvp\"\u003e\u003c/a\u003eKriterien zur Bewertung eines von AI erstellten MVP\u003c/h2\u003e\n\u003cp\u003eEin mit AI erstelltes MVP ist nicht allein deshalb sinnvoll, weil es schnell entwickelt wurde. Es muss anhand der folgenden Kriterien bewertet werden.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eBewertungskriterium\u003c/th\u003e\n\u003cth\u003eGutes MVP\u003c/th\u003e\n\u003cth\u003eSchlechtes MVP\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bewertungskriterium\"\u003eHypothese\u003c/td\u003e\n\u003ctd data-label=\"Gutes MVP\"\u003eEine zentrale Hypothese ist klar definiert\u003c/td\u003e\n\u003ctd data-label=\"Schlechtes MVP\"\u003eEs zeigt mehrere Funktionen, ohne dass klar ist, was validiert werden soll\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bewertungskriterium\"\u003eUmfang\u003c/td\u003e\n\u003ctd data-label=\"Gutes MVP\"\u003eNur der minimale Ablauf wird umgesetzt\u003c/td\u003e\n\u003ctd data-label=\"Schlechtes MVP\"\u003eEs soll von Anfang an wie ein vollständiges Produkt wirken\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bewertungskriterium\"\u003eNutzerfeedback\u003c/td\u003e\n\u003ctd data-label=\"Gutes MVP\"\u003eDas Verhalten realer Nutzer wird beobachtet\u003c/td\u003e\n\u003ctd data-label=\"Schlechtes MVP\"\u003eEs werden nur interne Meinungen gesammelt\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bewertungskriterium\"\u003eErkenntnisse\u003c/td\u003e\n\u003ctd data-label=\"Gutes MVP\"\u003eDie nächste Entscheidung wird klar\u003c/td\u003e\n\u003ctd data-label=\"Schlechtes MVP\"\u003e„Lass uns noch mehr entwickeln“ wird lediglich wiederholt\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bewertungskriterium\"\u003eTechnischer Zustand\u003c/td\u003e\n\u003ctd data-label=\"Gutes MVP\"\u003eDemo- und Produktivumfang werden unterschieden\u003c/td\u003e\n\u003ctd data-label=\"Schlechtes MVP\"\u003eDer Prototyp-Code wird unverändert als Service produktiv eingesetzt\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eEin gutes MVP darf klein und unscheinbar sein. Entscheidend ist nicht eine beeindruckende Demo, sondern dass es die für eine Entscheidung erforderlichen Erkenntnisse liefert.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#betriebsprinzipien-f%C3%BCr-organisationen\" class=\"anchor\" id=\"betriebsprinzipien-für-organisationen\"\u003e\u003c/a\u003eBetriebsprinzipien für Organisationen\u003c/h2\u003e\n\u003cp\u003eWenn AI-Prototyping lediglich spontanen Experimenten Einzelner überlassen wird, verteilen sich die Ergebnisse unkoordiniert. Auf Organisationsebene sind zumindest grundlegende Betriebsprinzipien erforderlich.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003eEin Formular zur Erfassung von Experimenten erstellen\u003c/strong\u003e: Problem, Hypothese, Umfang, Erfolgskriterien, Verantwortliche und Enddatum werden dokumentiert.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrototyp- und Produktcode unterscheiden\u003c/strong\u003e: Democode muss schnell verworfen werden können.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eZeit für Nutzerfeedback im Voraus reservieren\u003c/strong\u003e: Wenn erst nach der Entwicklung nach Nutzern gesucht wird, verzögert sich die Validierung.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eSicherheitsgrenzen festlegen\u003c/strong\u003e: Grundsätzlich sollten in frühen Experimenten keine echten personenbezogenen Daten, Kundendaten oder Zahlungsinformationen verwendet werden.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eKriterien für die Verwerfung festlegen\u003c/strong\u003e: Es muss vorab definiert werden, bei welchen Ergebnissen das Experiment beendet wird, damit es nicht unnötig in die Länge gezogen wird.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eErkenntnisse dokumentieren\u003c/strong\u003e: Wenn auch bei gescheiterten Prototypen festgehalten wird, warum sie gescheitert sind, werden sie zu wertvollen Grundlagen für das nächste Experiment.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#fazit-planung-im-ai-zeitalter-bedeutet-nicht-langsamer-sondern-pr%C3%A4ziser-zu-werden\" class=\"anchor\" id=\"fazit-planung-im-ai-zeitalter-bedeutet-nicht-langsamer-sondern-präziser-zu-werden\"\u003e\u003c/a\u003eFazit: Planung im AI-Zeitalter bedeutet nicht, langsamer, sondern präziser zu werden\u003c/h2\u003e\n\u003cp\u003eIn einer Zeit, in der AI vieles erstellt, ist die Frage „Warum sprechen wir noch über Planung?“ naheliegend. Die Antwort ist jedoch eindeutig: Je einfacher die Umsetzung wird, desto wichtiger wird die Entscheidung darüber, was umgesetzt werden soll.\u003c/p\u003e\n\u003cp\u003eAI-Coding beseitigt die Planung nicht. Es verlagert lediglich ihren Schwerpunkt. Die Planung bewegt sich weg von der Genehmigung langer Dokumente hin zur schnellen Validierung kleiner Hypothesen. Sie entwickelt sich von der Beschreibung eines vorgestellten Produkts hin zur Überprüfung der Reaktionen von Team und Nutzern anhand realer Benutzeroberflächen.\u003c/p\u003e\n\u003cp\u003eGeschwindigkeit ist eine wirkungsvolle Waffe. Doch Geschwindigkeit ohne Richtung ist Verschwendung. Der Kern der Planung, der im AI-Zeitalter bewahrt werden muss, ist die Richtung der Intention. Menschen müssen bis zum Ende darüber entscheiden, welches Problem gelöst und was validiert werden soll sowie anhand welcher Kriterien ein Vorhaben beendet oder fortgesetzt wird. Dann kann AI über ein bloßes Automatisierungswerkzeug hinaus zu einem Partner werden, mit dem sich schneller lernen und ein Produkt präziser entwickeln lässt.\u003c/p\u003e\n","tags":["KI Coding","Planning","MVP","Prototype","Product Strategy"],"faqs":[{"question":"Werden Produktplaner überflüssig, wenn die KI den Code erstellt?","answer":"Nein. Je schneller die KI bei der Erstellung von Code und Benutzeroberflächen hilft, desto klarer müssen Produktplaner Probleme definieren, Hypothesen entwerfen, Validierungskriterien festlegen und Prioritäten beurteilen. KI kann die Umsetzung beschleunigen, aber Menschen müssen entscheiden, welches Nutzerproblem gelöst werden soll und was als Erfolg gilt."},{"question":"Wie unterscheidet sich die Planung im Zeitalter der KI-Programmierung von der herkömmlichen Planung?","answer":"Während die herkömmliche Planung eher darauf abzielte, vor der Umsetzung mithilfe von Dokumenten und Besprechungen so viel wie möglich vorherzusagen, geht es bei der Planung im Zeitalter der KI-Programmierung eher darum, etwas Kleines zu entwickeln, die tatsächlichen Reaktionen zu beobachten und schnell daraus zu lernen. Entscheidend ist nicht, zuerst ein langes Dokument fertigzustellen, sondern kleine, überprüfbare Hypothesen festzulegen."},{"question":"Wie ausgereift muss ein mit KI erstelltes MVP sein?","answer":"Ein mit KI erstelltes MVP muss nicht wie ein vollständig ausgereiftes Produkt wirken. Es genügt, wenn es gerade gut genug funktioniert, um eine zentrale Handlung der Nutzer zu validieren. Entscheidend ist nicht die Anzahl der Funktionen, sondern ob nach dem Experiment eine Entscheidung zwischen Verbesserung, Zurückstellung oder Verwerfung getroffen werden kann."},{"question":"Was ist Scheingeschwindigkeit?","answer":"Scheingeschwindigkeit bezeichnet einen Zustand, in dem es so aussieht, als würde man schnell etwas entwickeln, tatsächlich aber die Probleme der Nutzer nicht validiert und lediglich die Menge der Ergebnisse erhöht werden. Wenn man mithilfe von AI fortlaufend Funktionen hinzufügt, ohne klare Hypothesen, Nutzerfeedback und Erfolgskriterien zu haben, gerät man leicht in Scheingeschwindigkeit."},{"question":"Wie sollte man eine KI anweisen, damit sie einen guten Prototyp erstellt?","answer":"Es ist sinnvoll, Zielnutzer, das zu lösende Problem, den diesmal umzusetzenden Umfang, den nicht umzusetzenden Umfang, unverzichtbare Funktionen, Erfolgskriterien, Beispieldaten und Einschränkungen gemeinsam anzugeben. Insbesondere wenn ausdrücklich festgehalten wird, dass Bereiche wie Anmeldung, Bezahlung und Administratorfunktionen, die für dieses Experiment nicht erforderlich sind, ausgeschlossen werden, lässt sich verhindern, dass das Ergebnis übermäßig umfangreich wird."},{"question":"Kann ein AI-Prototyp direkt als echter Dienst bereitgestellt werden?","answer":"Dabei ist Vorsicht geboten. Da ein von AI erstellter Prototyp häufig nur ein Entwurf zur schnellen Validierung ist, müssen Sicherheit, Datenschutz, Fehlerbehandlung, Barrierefreiheit, Leistung und Wartungsstruktur gesondert geprüft werden. Insbesondere Dienste in den Bereichen Finanzen, Medizin, Recht und Zahlungsverkehr sowie Dienste, die personenbezogene Daten betreffen, müssen von Fachleuten geprüft werden."},{"question":"Was sind die Erfolgskriterien für ein gutes AI-MVP-Experiment?","answer":"Gute Erfolgskriterien sollten mit dem Nutzerverhalten oder mit Entscheidungen verknüpft sein. Beispielsweise sind beobachtbare Kriterien erforderlich, etwa ob Nutzer die gewünschten Informationen innerhalb von 1 Minute finden, ob sich die Eingabezeit gegenüber der bisherigen Methode verkürzt oder ob sie an entscheidenden Stellen nicht abspringen."},{"question":"Was sollte bei der Einführung von KI-gestütztem Coding in einer Organisation als Erstes festgelegt werden?","answer":"Am besten legen Sie zunächst eine Grundvorlage für Experimente fest. Wenn Sie das Problem, die Hypothese, den Umfang, die Erfolgskriterien, die zu verwendenden Daten, die untersagten Daten, das Enddatum und die Vorgehensweise für die nächste Entscheidung dokumentieren, bleibt ein KI-Prototyp nicht nur eine improvisierte Demo, sondern kann als Lernressource der Organisation erhalten bleiben."}],"sources":[{"url":"https://theleanstartup.com/principles","title":"Die Prinzipien des Lean Startup","type":"source"},{"url":"https://pair.withgoogle.com/guidebook/","title":"Leitfaden für Menschen + KI","type":"source"},{"url":"https://docs.github.com/en/copilot","title":"GitHub Copilot-Dokumentation","type":"source"},{"url":"https://www.anthropic.com/engineering/claude-code-best-practices","title":"Claude Code: Best Practices für agentisches Programmieren","type":"source"},{"url":"https://martinfowler.com/articles/exploring-gen-ai.html","title":"Generative KI erkunden","type":"expert_quote"}],"images":[{"id":285,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzA1NSwicHVyIjoiYmxvYl9pZCJ9fQ==--b60f6fc0807ab09049a0addbf6a573d28afda6d8/ai-a6cb5742.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"컨베이어 위에서 화면을 만드는 AI 로봇, 나침반, 로드맵, 체크 표시","caption":"빠른 제작보다 방향과 검증된 목표가 중요함을 보여준다.","description":null},"en":{"alt":"AI robot making app screens on a conveyor, with a compass, roadmap, and check marker","caption":"The illustration links AI production speed with planning, direction, and validation.","description":null},"ja":{"alt":"コンベヤーで画面を作るAIロボット、コンパス、ロードマップ、チェックマーク","caption":"AIによる制作の速さに、計画と検証の方向性を重ねて描いている。","description":null},"es":{"alt":"Robot de IA creando pantallas en una cinta, con brújula, ruta y marca de verificación","caption":"La ilustración conecta la velocidad de la IA con planificación, dirección y validación.","description":null},"id":{"alt":"Robot AI membuat layar aplikasi di konveyor, dengan kompas, peta jalan, dan tanda centang","caption":"Ilustrasi ini menautkan kecepatan produksi AI dengan perencanaan, arah, dan validasi.","description":null},"pt":{"alt":"Robô de IA criando telas em uma esteira, com bússola, roteiro e marca de verificação","caption":"A ilustração relaciona a velocidade da IA a planejamento, direção e validação.","description":null},"zh-hant":{"alt":"AI機器人在輸送帶上製作應用畫面，旁有羅盤、路線圖與勾選標記","caption":"插圖將AI產出的速度與規劃、方向和驗證連結起來。","description":null}}},{"id":286,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzA2MSwicHVyIjoiYmxvYl9pZCJ9fQ==--a0fa007960eb6f925e2189c8e48a5230bd2a1922/ai-0a5d3d9a.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"나침반을 든 사람과 AI 로봇이 검증, 프로토타입, 사용자 피드백 순환을 보여주는 일러스트","caption":"AI 개발 과정에서 의도, 검증, 피드백이 순환하는 모습을 나타낸다.","description":null},"en":{"alt":"Person with a compass and AI robot amid validation, prototype, and user feedback stages","caption":"The illustration shows planning guiding AI work through validation, prototyping, and feedback.","description":null},"ja":{"alt":"コンパスを持つ人物とAIロボット、検証・プロトタイプ・ユーザーフィードバックの循環","caption":"AI開発で意図、検証、フィードバックが循環する様子を示している。","description":null},"es":{"alt":"Persona con brújula y robot de IA entre validación, prototipo y comentarios de usuarios","caption":"La ilustración muestra cómo la planificación guía la IA con validación, prototipos y feedback.","description":null},"id":{"alt":"Orang memegang kompas dan robot AI di antara validasi, prototipe, dan umpan balik pengguna","caption":"Ilustrasi ini menunjukkan perencanaan yang memandu AI melalui validasi, prototipe, dan umpan balik.","description":null},"pt":{"alt":"Pessoa com bússola e robô de IA entre validação, protótipo e feedback de usuários","caption":"A ilustração mostra o planejamento guiando a IA por validação, protótipos e feedback.","description":null},"zh-hant":{"alt":"拿著指南針的人與 AI 機器人，周圍有驗證、原型與使用者回饋流程","caption":"插圖呈現 AI 開發中意圖、驗證與回饋循環推進的過程。","description":null}}}],"published_at":"2026-07-25T23:41:37+09:00","updated_at":"2026-08-16T05:47:27+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/why-planning-matters-in-ai-coding-era"}