Künstliche Intelligenz verändert derzeit die gesamte IT-Branche – und damit auch grundlegend, wie Software entwickelt wird. Begriffe wie Agentic Programming oder Prompt-Driven Development tauchen immer häufiger in Entwickler*innen-Communities auf und stehen für einen neuen Ansatz: Code wird nicht mehr ausschließlich Zeile für Zeile geschrieben, sondern entsteht im Zusammenspiel mit Large Language Models (LLMs) – schneller, iterativer und stärker über Anforderungen gesteuert. Für Unternehmen ist das vor allem aus drei Gründen relevant: kürzere Time-to-Market, höhere Produktivität und ein stärkerer Fokus auf fachliche Anforderungen.

Wir haben diesen Ansatz in einem unserer internen Projekt bei Spirit in Projects eingesetzt – und haben dabei zwei zentrale Learnings bei der Verwendung von KI in Entwicklungsprojekten gewonnen: KI kann die Entwicklung von Anwendungen deutlich beschleunigen, verlangt aber Mehraufwand durch präzise Steuerung sowie eine konsequente Qualitätssicherung durch Reviews und Tests.

Nachdem Stefan Hiermann in einem anderen Blogbeitrag bereits Power Apps und eine herkömmliche Entwicklung mit KI-Unterstützung anhand desselben Projekts gegenübergestellt hat (👉 hier geht’s zu Teil 1), zeigen wir in diesem Beitrag, wie KI-Integration bei uns in der Softwareentwicklung umgesetzt wurde, welche Erfahrungen wir dabei gesammelt haben – und warum KI-gestützte Programmierung für uns mehr als ein kurzfristiger Trend ist.

Projektkontext

Ziel dieses internen Projektes war die Entwicklung eines Dashboards für Mitarbeitende und Management als zentrales Portal für:

Arbeitszeiterfassung
Ressourcenmanagement
Urlaubsverwaltung

Technisch basiert die Lösung auf Django (Python) und HTMX. Die Software- und Datenarchitektur (u. a. Struktur, Rollen, Rechte, Datenmodell) haben wir dabei selbst entworfen, um eine robuste und langfristig wartbare Grundlage zu schaffen.

Unser Vorgehen: KI-gestützt entwickeln – ohne Qualitätsverlust

Die Grundlage des gesamten Entwicklungsprozesses waren klar definierte Anforderungen. Deshalb haben wir vor der Umsetzung eine Requirements Engineering Phase durchgeführt: Gemeinsam mit unseren Stakeholder*innen haben wir Ziele, Rollen, Rechte und Prozesse geschärft, User Stories inkl. Use Cases beschrieben und davon priorisierte Anforderungen mit Akzeptanzkriterien abgeleitet – die als „Single Source of Truth“ dienten. Mehr dazu in unseren IREB/CPRE Trainings.

Darauf aufbauend wurde der Code promptgetrieben mithilfe eines AI-nativen Plugins (Kilo Code) direkt in unserer Entwicklungsumgebung (Visual Studio Code) generiert. Dabei haben wir unterschiedliche Modelle eingesetzt (u. a. Gemini 3 Flash oder Claude Sonnet 4.5). Einen Vergleich dieser Modelle haben wir bereits in einem separaten Beitrag beschrieben: 👉 Hier gehts zum Beitrag

Der KI-generierte Code wurde anschließend regelmäßig reviewed, an unsere Standards angepasst und bei Bedarf manuell ergänzt, insbesondere bei komplexerer Logik oder spezifischen Bugs. Durch konsequentes Testing konnten wir Fehler frühzeitig identifizieren und beheben. In Kombination mit unserer technischen Expertise stellte das sicher, dass Qualität, Wartbarkeit und Stabilität jederzeit gewährleistet blieben.

Die zentralen Herausforderungen (und was wir daraus gelernt haben)

Der Einsatz von KI in der Softwareentwicklung bringt neben großen Chancen auch berechtigte Herausforderungen mit sich. Drei Punkte waren für uns dabei besonders relevant – und sind zugleich die wichtigsten Learnings:

1) Konkret zu formulieren, was wir wirklich wollen

KI ist besonders stark, wenn Aufgaben genau beschrieben sind. In der Praxis war es jedoch teilweise überraschend anspruchsvoll, den LLMs das gewünschte Verhalten so präzise zu vermitteln, dass wirklich die passende Lösung entsteht.

Konsequenz: Wir haben weniger „einfach direkt implementiert“, sondern deutlich stärker in geschärfte Anforderungen, konkrete Beispiele sowie Use- und Edge Cases investiert.

2) Mehr Aufmerksamkeit für Seiteneffekte

Ein zweites, sehr praxisnahes Learning: Wenn wir an Stelle A im Code etwas geändert haben, konnte an Stelle B unerwartet etwas kaputtgehen. Das ist grundsätzlich ein bekanntes Thema in der Softwareentwicklung – durch KI-generierten Code und schnelleren Iterationen wird es jedoch noch relevanter.

Konsequenz: Wir haben spürbar mehr Zeit in Code Reviews und Tests investiert, um Stabilität und Wartbarkeit zuverlässig abzusichern.

3) Architektur bleibt Verantwortung des Teams

KI kann bei der Umsetzung sehr gut unterstützen. Architektur und Datenmodell haben wir jedoch bewusst selbst verantwortet und KI vor allem dort eingesetzt, wo sie zuverlässig beschleunigt: bei Umsetzung, Refactoring und Detailarbeit.

Fazit

Innerhalb weniger Wochen konnten wir ein modernes und übersichtliches Dashboard launchen, das unsere Prozesse effizient abbildet und genau auf unsere Anforderungen zugeschnitten ist. Was mit klassischer Vorgehensweise vermutlich Monate gedauert hätte, ließ sich so in deutlich kürzerer Zeit erreichen.

KI-gestützte Softwareentwicklung ist für uns kein Ersatz für Erfahrung, sondern vielmehr ein Hilfsmittel, das die bereits gewonnene Erfahrung verstärkt. Den größten Nutzen sehen wir dann, wenn KI nicht „einfach eingesetzt“ wird, sondern mit klaren Anforderungen, konsequenter Qualitätssicherung und Architekturverantwortung im Team zusammenspielt. So lässt sich die Entwicklungszeit deutlich reduzieren – bei gleichzeitig hoher Codequalität sowie stabilen, wartbaren Ergebnissen und das Wichtigste: Zufriedene Benutzerinnen und Benutzer.