Wie ich eine App mit KI-Unterstützung entwickelt habe

TL;DR: Ich habe eine vollständige iOS-App mit KI-gestützter Entwicklung gebaut, ohne das tägliche Handwerk eines Softwareentwicklers zu haben. Die wichtigste Erkenntnis: KI ist ein Multiplikator für Erfahrung, kein Ersatz für sie. Meine 15 Jahre IT-Hintergrund waren der Grund, warum es funktioniert hat. Zeitersparnis gegenüber klassischer Entwicklung: schätzungsweise 60-70%.

Als ich die Idee für Iceland Explorer hatte, eine Reise-App für Island, stand ich vor einer Grundsatzfrage: Klassisch entwickeln mit einem Team und sechsstelligem Budget? Oder einen neuen Weg gehen?

Ich entschied mich für KI-gestützte Entwicklung. Hier ist, was ich dabei gelernt habe.

Die Ausgangslage

Meine Qualifikation: 15+ Jahre IT-Erfahrung, aber primär in Leadership und Projektmanagement. Programmierung war nicht mein Tagesgeschäft. Trotzdem wollte ich die App selbst umsetzen, von der Konzeption bis zum App Store.

Die Frage war nicht «Kann KI eine App bauen?», sondern: «Kann KI einen erfahrenen IT-Leader befähigen, eine App selbst zu bauen?»

Die Antwort: Ja. Aber anders als erwartet.

Der klassische Weg vs. der KI-Weg

Aspekt	Klassisch (Freelancer/Agentur)	KI-gestützt (Selbst)
Kosten	CHF 80.000 - 150.000	CHF 500 - 2.000 (Tools)
Zeitrahmen	6-12 Monate	4-6 Monate
Kontrolle	Abhängig vom Dienstleister	Vollständig
Lerneffekt	Gering	Sehr hoch
Risiko	Mittel-hoch	Kontrollierbar

Die verwendeten KI-Tools

Für Iceland Explorer habe ich folgende Tools eingesetzt:

Claude (Anthropic): Primärer Coding-Partner, Architekturentscheidungen, Debugging
ChatGPT (OpenAI): Recherche, Content-Texte, Übersetzungen
GitHub Copilot: Inline-Codevervollständigung direkt in Xcode
Midjourney: Visuelle Konzepte und UI-Inspiration
Cursor: KI-optimierter Code-Editor mit tiefem Kontextverständnis

Was KI gut kann

Prototyping und Iteration

Der grösste Gamechanger war die Geschwindigkeit beim Prototyping. Statt tagelang an einem Feature zu arbeiten, konnte ich in Stunden einen funktionierenden Prototyp erstellen, testen und iterieren.

UI-Komponenten: Von der Beschreibung zum funktionierenden Code in Minuten
Datenmodelle: Komplexe Strukturen (Routen, POIs, Wetterdaten) schnell entworfen
Bug-Fixing: KI als Pair-Programming-Partner, der nie müde wird

Konkretes Beispiel: Die Offline-Kartenfunktion, eines der komplexesten Features der App, hatte ich zunächst ohne Persistenz gebaut. Die Migration des bestehenden Codes auf ein Core-Data-Modell mit Offline-Fähigkeit hätte klassisch 2-3 Tage gedauert. Mit Claude als Sparringspartner: 6 Stunden.

Wissenstransfer

Als iOS-Entwicklungsneuling brauchte ich ständig Orientierung. KI fungierte als geduldiger Mentor:

Swift/SwiftUI-Syntax erklärt im Kontext meines Codes
Best Practices für App-Architektur vorgeschlagen (MVVM, Dependency Injection)
Apple-Richtlinien interpretiert und umgesetzt (Human Interface Guidelines, App Store Review Guidelines)

Content-Erstellung

Iceland Explorer lebt von Inhalten: Beschreibungen von Sehenswürdigkeiten, Routenvorschläge, praktische Tipps. KI half beim:

Recherchieren und Zusammenfassen von Informationen zu über 200 Sehenswürdigkeiten
Übersetzen in mehrere Sprachen (die App ist in Deutsch, Englisch und Isländisch verfügbar)
Strukturieren der Inhalte für optimale Nutzererfahrung

Was KI nicht kann

Produktvision

Keine KI der Welt weiss, was Island-Reisende wirklich brauchen. Das kam aus meiner eigenen Erfahrung, Nutzerinterviews und intensiver Recherche. Die Vision bleibt Menschenarbeit.

Ich habe vor dem Start 23 Interviews mit Island-Reisenden geführt. Dabei entdeckte ich, dass das grösste Pain-Point nicht fehlende Informationen waren (davon gibt es genug online), sondern die Unfähigkeit, Inhalte offline und in schlechten Mobilfunkgebieten abzurufen. Diese Erkenntnis hat das Produkt fundamental geprägt. Keine KI hätte mir das gesagt.

Design-Entscheidungen

KI kann Code schreiben, aber ob eine Interaktion sich «richtig anfühlt», ob die Informationsarchitektur intuitiv ist, ob das visuelle Design Emotionen weckt: das erfordert menschliches Urteilsvermögen.

Qualitätssicherung

«Funktioniert» und «funktioniert zuverlässig» sind zwei verschiedene Dinge. Jede Zeile Code musste verstanden, getestet und validiert werden. KI-generierter Code ist nicht automatisch guter Code.

Ein warnendes Beispiel: Claude generierte einen Algorithmus zur Routenoptimierung, der in 95% der Fälle korrekt war. In 5% der Fälle schlug er Routen vor, die durch nicht zugängliches Gelände führten. Ohne meine eigene Kenntnis Islands und extensives Testen hätte ich das nicht bemerkt.

Der Entwicklungsprozess im Überblick

Phase 1: Konzeption (4 Wochen)
  Nutzerinterviews, Feature-Definition, Wireframes
  KI-Anteil: 20% (Recherche, Zusammenfassung)

Phase 2: Architektur (2 Wochen)
  Technologie-Stack, Datenmodell, Projektstruktur
  KI-Anteil: 60% (Architekturentscheidungen, Boilerplate)

Phase 3: Core Features (8 Wochen)
  Karte, POIs, Routen, Offline-Funktion
  KI-Anteil: 70% (Code-Generierung, Debugging)

Phase 4: Content (4 Wochen)
  Texte, Übersetzungen, Bilder, Datenbank
  KI-Anteil: 50% (Texterstellung, Übersetzung)

Phase 5: Polishing (4 Wochen)
  UX-Feinheiten, Performance, Edge Cases
  KI-Anteil: 30% (gezielte Optimierungen)

Phase 6: App Store (2 Wochen)
  Screenshots, Beschreibung, Review-Prozess
  KI-Anteil: 40% (Texte, Keyword-Optimierung)

Meine wichtigsten Learnings

KI ist ein Multiplikator, kein Ersatz. Sie macht gute Entwickler schneller, aber sie macht niemanden zum Entwickler, der die Grundlagen nicht versteht.
Domänenwissen bleibt entscheidend. Meine 15 Jahre IT-Erfahrung waren der Grund, warum ich KI effektiv einsetzen konnte. Ich wusste, welche Fragen ich stellen muss.
Der 80/20-Effekt. KI brachte mich schnell zu 80%. Die letzten 20% (Polishing, Edge Cases, Performance) brauchten überproportional viel menschliche Arbeit.
Iteration schlägt Perfektion. Mit KI konnte ich schneller iterieren und häufiger Nutzerfeedback einarbeiten. Das Endprodukt war besser, weil ich mehr Zyklen durchlaufen konnte.
Prompting ist eine Kompetenz. Je präziser und kontextreicher meine Anfragen an die KI wurden, desto besser die Ergebnisse. Das erste Monat war ineffizient, weil ich noch lernte, wie ich KI richtig einsetze.

Was bedeutet das für KMU?

Sie müssen keine App bauen, um von diesen Erkenntnissen zu profitieren. Die Prinzipien übertragen sich:

Internes Tooling: Einfache Automatisierungen und Dashboards können mit KI-Unterstützung schnell entstehen
Prototyping: Neue Geschäftsideen lassen sich schneller und günstiger validieren
Wissensarbeit: KI als Sparringspartner für Strategie, Analyse und Konzeption

Die Einstiegshürde für Digitalisierungsprojekte war noch nie so niedrig. Ein Schweizer Logistikunternehmen hat mit diesem Ansatz in 6 Wochen ein internes Dashboard gebaut, das Lieferzeiten und Fahrerauslastung visualisiert. Kosten: rund CHF 3.000 (hauptsächlich meine Beratungszeit). Klassisch hätte das Projekt CHF 25.000-40.000 gekostet.

Möchten Sie erfahren, wie KI-gestützte Entwicklung in Ihrem Unternehmen aussehen könnte? Lassen Sie uns sprechen.