---
title: "Warum Planung auch im KI-Coding-Zeitalter wichtig ist: überprüfbare Absichten statt Scheingeschwindigkeit"
locale: de
category: opinion
category_name: "Perspektiven"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/why-planning-matters-in-ai-coding-era
published_at: 2026-07-25T23:41:37+09:00
---

# Warum Planung auch im KI-Coding-Zeitalter wichtig ist: überprüfbare Absichten statt Scheingeschwindigkeit

> 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.

## 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.

## Fazit in einem Satz

Auch 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“.

AI 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.

## Warum wir wieder über Planung sprechen müssen

Generative 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.

Diese Veränderung ist nicht nur eine Steigerung der Produktivität. Sie verändert die Art der Entscheidungsfindung selbst.

Früher 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.

Doch 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.

## Die zentrale Veränderung durch AI-Coding: sinkende Umsetzungskosten

AI-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.

### Frühere und heutige Abläufe

| Kategorie | Typischer früherer Ablauf | Ablauf im Zeitalter des AI-Codings |
|---|---|---|
| Darstellung von Ideen | Planungskonzept, Wireframe, PPT | Dialogbasierte Anforderungen, sofort generierte Benutzeroberfläche, funktionsfähige Demo |
| Einheit der ersten Validierung | Mehrwöchiges Projekt | Experiment über einige Stunden oder Tage |
| Schwerpunkt von Meetings | Interpretation von Dokumenten und Abstimmung von Meinungen | Interaktion mit realen Benutzeroberflächen und Feedback |
| Kosten eines Fehlschlags | Zeit mehrerer Abteilungen und Entwicklungsressourcen | Zeitaufwand einer kleinen Experimentiereinheit |
| Zentrale Rolle der Planungsverantwortlichen | Vorhersagen im Voraus und Einholen von Genehmigungen | Problemdefinition, Hypothesendesign, Verwaltung der Validierungskriterien |

Der 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.

## Warum ein einziges Mock-up wirkungsvoller ist als hundert PPT-Seiten

Ein funktionsfähiger Prototyp wird in dreierlei Hinsicht zu einem wirkungsvollen Planungsinstrument.

### 1. Er bringt unterschiedliche Vorstellungen auf derselben Benutzeroberfläche zusammen

PPT 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.

Dadurch ändern sich auch die Fragen im Meeting.

- Aus „Brauchen wir diese Funktion?“ wird „Versteht der Nutzer diese Schaltfläche?“.
- Aus „Sieht gut aus“ wird „In der zweiten Phase werden die Nutzer vermutlich abspringen“.
- Aus „Das können wir irgendwann entwickeln“ wird „Diese Hypothese können wir heute testen“.

### 2. Er macht Feedback schnell konkret

Mit einem Prototyp nehmen abstrakte Geschmacksdebatten ab. Teammitglieder, Kunden und Stakeholder können den tatsächlichen Ablauf erleben und sich anschließend konkret dazu äußern.

Der 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.

- Versteht der Nutzer die Anfrage nach der Mikrofonberechtigung intuitiv?
- Lassen sich Fehler bei der Spracherkennung leicht korrigieren?
- Kann der Nutzer den Inhalt vor dem Speichern überprüfen?
- Ist diese Funktion wirklich schneller als die bisherige Eingabemethode?

### 3. Er verwandelt Fehlschläge in Erkenntnisse

Ein 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“.

Eine gute Planungsorganisation vermeidet nicht sämtliche Fehlschläge, sondern ermöglicht viele kostengünstige Fehlschläge und reduziert teure. AI-Coding macht diese Struktur möglich.

## Doch Geschwindigkeit allein ergibt noch kein Produkt

Das 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.

### Typische Anzeichen falscher Geschwindigkeit

| Anzeichen | Beschreibung | Warum ist das gefährlich? |
|---|---|---|
| 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 |
| 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 |
| Der Prompt ist unklar | Zweck und Einschränkungen sind unklar, etwa bei „Erstelle mir eine tolle App“ | AI legt die Produktrichtung nach eigenem Ermessen fest |
| Es fehlen Validierungskennzahlen | Es gibt keine Kriterien zur Beurteilung von Erfolg und Misserfolg | Auch nach der Umsetzung lassen sich keine Erkenntnisse gewinnen |
| Die Codequalität wird nicht geprüft | Sicherheit, Ausnahmebehandlung und Wartungsstruktur werden nicht betrachtet | Der Prototyp wird direkt zu technischen Schulden |

Falsche 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.

## Definition von Planung im AI-Zeitalter

Planung 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.

1. **Definition des Problems**: Welches Problem welcher Nutzer wird gelöst?
2. **Gestaltung der Hypothese**: Was muss zutreffen, damit diese Idee sinnvoll ist?
3. **Umfang des Experiments**: Was wird in der kleinstmöglichen Form erstellt und überprüft?
4. **Entscheidungskriterien**: Welche Ergebnisse führen zu Verbesserung, Zurückstellung oder Verwerfung?

AI 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.

## Praxisprinzip 1: Nicht sofort ein fertiges Produkt verlangen

Wenn 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.

Ein guter Ansatz besteht darin, ein großes Produkt in kleine Validierungseinheiten zu zerlegen.

### Beispiel für eine schlechte Anfrage

„Erstelle mir ein SaaS für das Rechnungswesen kleiner und mittlerer Unternehmen. Baue alles ein: Anmeldung, Dashboard, Steuerberechnung, Berichte, Bezahlung und Administrationsseite.“

Diese Anfrage ist zu weit gefasst. AI kann zwar viele Funktionen erstellen, weiß aber nicht, welches Problem am wichtigsten ist.

### Beispiel für eine gute Anfrage

„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.“

Diese Anfrage definiert klar das zu validierende Problem, die Nutzer, die Kernfunktion und den Umfang der Benutzeroberfläche.

## Praxisprinzip 2: Das zu validierende Problem klein und präzise definieren

Der 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.

### Vorlage für eine Hypothese

Wenn die Hypothese zunächst in der folgenden Form formuliert wird, lässt sich AI leichter anweisen.

- Zielnutzer: Wer hat dieses Problem?
- Aktuelles Problem: Welche Unannehmlichkeiten oder Kosten entstehen derzeit?
- Vorgeschlagene Funktion: Auf welche Weise soll das Problem gelöst werden?
- Erwartete Veränderung: Wie sollen sich das Verhalten der Nutzer oder die Kennzahlen verändern?
- Validierungsmethode: Woran lässt sich Erfolg oder Misserfolg erkennen?

Ein Beispiel:

> „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.“

Ist die Hypothese so klar formuliert, wird auch deutlich, was AI erstellen soll.

## Praxisprinzip 3: Ergebnisse von AI unbedingt validieren und kontrollieren

Von 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.

### Validierungscheckliste

| Prüfpunkt | Frage |
|---|---|
| Problembezug | Steht diese Funktion in direktem Zusammenhang mit dem ursprünglich definierten Nutzerproblem? |
| Nutzungsablauf | Kann der Nutzer die nächste Handlung intuitiv verstehen? |
| Datenverarbeitung | Werden Eingabewerte, Fehler, leere Zustände und doppelte Daten korrekt verarbeitet? |
| Sicherheit und personenbezogene Daten | Werden sensible Informationen unnötig gespeichert oder offengelegt? |
| Barrierefreiheit | Wurden grundlegende Aspekte der Barrierefreiheit wie Tastaturbedienung, Kontraste und Alternativtexte berücksichtigt? |
| Wartbarkeit | Ist der Prototyp-Code so strukturiert, dass er zu echtem Produktcode erweitert werden kann? |
| Entscheidungskriterien | Gibt es Kriterien, anhand derer entschieden wird, ob dieses Experiment fortgesetzt oder beendet wird? |

Von 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.

## Der Planungszyklus bei der Zusammenarbeit mit AI

Planung im Zeitalter des AI-Codings ähnelt eher einer kurzen Wiederholungsschleife als einem langen linearen Verfahren.

### Schritt 1: Das Problem in einem Satz formulieren

Verwenden Sie eine Formulierung wie: „Nutzer A kann in Situation B wegen C nicht D tun.“

Beispiel: „Neue Mitarbeiter wissen nicht, wo sie interne Dokumente finden können, wodurch sich der Beginn ihrer Arbeit verzögert.“

### Schritt 2: Den kleinstmöglichen Lösungsablauf festlegen

Erstellen Sie nicht von Anfang an das gesamte System. Wählen Sie nur einen einzigen Nutzungsablauf aus.

Beispiel: „Nach Eingabe einer Frage werden 3 potenziell relevante Dokumente angezeigt, und der Nutzer bewertet, ob sie hilfreich waren.“

### Schritt 3: AI sowohl Einschränkungen als auch Erfolgskriterien vorgeben

AI muss nicht nur das Ziel kennen, sondern auch wissen, was nicht erstellt werden soll.

Beispiel: „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.“

### Schritt 4: Das Ergebnis realen Nutzern oder Stakeholdern zeigen

Eine 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.

### Schritt 5: Über Verbesserung, Zurückstellung oder Verwerfung entscheiden

Nach dem Experiment muss unbedingt eine Entscheidung getroffen werden.

- Verbesserung: Die Kernhypothese stimmt, aber Benutzerfreundlichkeit oder Genauigkeit reichen nicht aus.
- Zurückstellung: Das Problem besteht, doch Prioritäten oder Ressourcen passen nicht.
- Verwerfung: Die Nutzer halten das Problem nicht für wichtig oder der Lösungsansatz ist ungeeignet.

Die Verwerfung ist kein Fehlschlag, sondern eine Entscheidung, die Kosten reduziert.

## Prompt-Struktur für AI-Prototypen

Die folgende Struktur kann als Grundformat genutzt werden, um Anforderungen an AI-Coding-Tools zu übermitteln.

```text
Rolle: Du bist Frontend-Entwickler für frühe Produktprototypen und zugleich UX-Partner.

Ziel: [Zu validierendes Nutzerproblem und Hypothese]
Zielnutzer: [Wer das Produkt nutzen wird]
Diesmal umzusetzender Umfang: [Einzelne Benutzeroberfläche oder einzelner Ablauf]
Was diesmal nicht umgesetzt wird: [Ausgeschlossener Umfang wie Anmeldung, Bezahlung, Administration oder erweiterte Einstellungen]
Pflichtfunktionen: [Höchstens 3]
Erfolgskriterien: [Kriterien für die Beurteilung nach dem Test]
Daten: [Beispieldaten oder Eingabeformat]
Einschränkungen: [Sicherheit, personenbezogene Daten, Barrierefreiheit, Technologie-Stack]
Ausgabeformat: [Code, Dateistruktur, Ausführungsmethode, Testmethode]
```

Der 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.

## Wird die Rolle der Planungsverantwortlichen kleiner oder verändert sie sich?

AI-Coding verkleinert die Rolle der Planungsverantwortlichen nicht, sondern ordnet sie neu. Der Anteil der Dokumentenerstellung kann sinken, während der Anteil der Entscheidungsfindung zunimmt.

### Aufgaben, die abnehmen

- Erstellung repetitiver Dokumente zur Beschreibung von Benutzeroberflächen
- Erstellung einfacher Wireframes
- Anfragen und Wartezeiten für die Entwicklung erster Democodes
- Erstellung statischer Unterlagen für Meetings

### Aufgaben, die wichtiger werden

- Nutzerprobleme eng und präzise definieren
- Probleme in testbare Hypothesen umwandeln
- Qualität und Richtung der von AI erstellten Ergebnisse prüfen
- Die Interpretationen im Team aufeinander abstimmen
- Marktreife Produkte von Demoergebnissen unterscheiden
- Über personenbezogene Daten, Sicherheit und Verantwortungsbereiche entscheiden

Planungsverantwortliche entwickeln sich also von „Dokumentenverfassern“ zu „Experimentdesignern und Verwaltern der Intention“.

## Kriterien zur Bewertung eines von AI erstellten MVP

Ein mit AI erstelltes MVP ist nicht allein deshalb sinnvoll, weil es schnell entwickelt wurde. Es muss anhand der folgenden Kriterien bewertet werden.

| Bewertungskriterium | Gutes MVP | Schlechtes MVP |
|---|---|---|
| Hypothese | Eine zentrale Hypothese ist klar definiert | Es zeigt mehrere Funktionen, ohne dass klar ist, was validiert werden soll |
| Umfang | Nur der minimale Ablauf wird umgesetzt | Es soll von Anfang an wie ein vollständiges Produkt wirken |
| Nutzerfeedback | Das Verhalten realer Nutzer wird beobachtet | Es werden nur interne Meinungen gesammelt |
| Erkenntnisse | Die nächste Entscheidung wird klar | „Lass uns noch mehr entwickeln“ wird lediglich wiederholt |
| Technischer Zustand | Demo- und Produktivumfang werden unterschieden | Der Prototyp-Code wird unverändert als Service produktiv eingesetzt |

Ein gutes MVP darf klein und unscheinbar sein. Entscheidend ist nicht eine beeindruckende Demo, sondern dass es die für eine Entscheidung erforderlichen Erkenntnisse liefert.

## Betriebsprinzipien für Organisationen

Wenn AI-Prototyping lediglich spontanen Experimenten Einzelner überlassen wird, verteilen sich die Ergebnisse unkoordiniert. Auf Organisationsebene sind zumindest grundlegende Betriebsprinzipien erforderlich.

1. **Ein Formular zur Erfassung von Experimenten erstellen**: Problem, Hypothese, Umfang, Erfolgskriterien, Verantwortliche und Enddatum werden dokumentiert.
2. **Prototyp- und Produktcode unterscheiden**: Democode muss schnell verworfen werden können.
3. **Zeit für Nutzerfeedback im Voraus reservieren**: Wenn erst nach der Entwicklung nach Nutzern gesucht wird, verzögert sich die Validierung.
4. **Sicherheitsgrenzen festlegen**: Grundsätzlich sollten in frühen Experimenten keine echten personenbezogenen Daten, Kundendaten oder Zahlungsinformationen verwendet werden.
5. **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.
6. **Erkenntnisse dokumentieren**: Wenn auch bei gescheiterten Prototypen festgehalten wird, warum sie gescheitert sind, werden sie zu wertvollen Grundlagen für das nächste Experiment.

## Fazit: Planung im AI-Zeitalter bedeutet nicht, langsamer, sondern präziser zu werden

In 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.

AI-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.

Geschwindigkeit 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.

## FAQ

### Werden Produktplaner überflüssig, wenn die KI den Code erstellt?
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.

### Wie unterscheidet sich die Planung im Zeitalter der KI-Programmierung von der herkömmlichen Planung?
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.

### Wie ausgereift muss ein mit KI erstelltes MVP sein?
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.

### Was ist Scheingeschwindigkeit?
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.

### Wie sollte man eine KI anweisen, damit sie einen guten Prototyp erstellt?
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.

### Kann ein AI-Prototyp direkt als echter Dienst bereitgestellt werden?
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.

### Was sind die Erfolgskriterien für ein gutes AI-MVP-Experiment?
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.

### Was sollte bei der Einführung von KI-gestütztem Coding in einer Organisation als Erstes festgelegt werden?
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

- [Die Prinzipien des Lean Startup](https://theleanstartup.com/principles)
- [Leitfaden für Menschen + KI](https://pair.withgoogle.com/guidebook/)
- [GitHub Copilot-Dokumentation](https://docs.github.com/en/copilot)
- [Claude Code: Best Practices für agentisches Programmieren](https://www.anthropic.com/engineering/claude-code-best-practices)
- [Generative KI erkunden](https://martinfowler.com/articles/exploring-gen-ai.html)

## Images

![컨베이어 위에서 화면을 만드는 AI 로봇, 나침반, 로드맵, 체크 표시](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzA1NSwicHVyIjoiYmxvYl9pZCJ9fQ==--b60f6fc0807ab09049a0addbf6a573d28afda6d8/ai-a6cb5742.webp)
![나침반을 든 사람과 AI 로봇이 검증, 프로토타입, 사용자 피드백 순환을 보여주는 일러스트](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzA2MSwicHVyIjoiYmxvYl9pZCJ9fQ==--a0fa007960eb6f925e2189c8e48a5230bd2a1922/ai-0a5d3d9a.webp)