AI-native Entwicklung ohne System: drei Muster

AI-native Produktentwicklung als Methode haben wir im letzten Beitrag beschrieben. Sie funktioniert, wenn das Fundament passt. Ohne System sehen wir in Projekten immer wieder dieselben drei Muster, die aus einem produktiven Setup eine teure Übung machen.

Muster 1: Stille Inkonsistenz

Der erste Pull Request sieht gut aus. Der zweite auch. Erst beim dritten merkt jemand, dass der Button im neuen Modul nicht den Token aus dem System nutzt, sondern eine ähnliche Farbe in Hex. Die Komponenten haben eine neue Variante, die niemand abgesegnet hat. Das Spacing ist um vier Pixel daneben.

Schnelle AI-Generierung ohne System produziert lokal saubere Ergebnisse, die im Aggregat nicht zusammenpassen. Jedes Modul bekommt seine eigene Wahrheit. Der Code läuft, die UI sieht nur in der Demo so aus wie geplant.

Was dagegen wirkt: Tokens und Patterns als Kontext für die AI. Nicht als Dokument, das jemand liest. Als strukturierter Input, den das Modell beim Generieren tatsächlich nutzt.

Muster 2: Refactoring-Schulden, die niemand sieht

AI-generierter Code ist oft schnell mergebar und sieht beim Review aufgeräumt aus. Das Problem zeigt sich vier Wochen später, wenn der nächste Sprint kommt und ein neues Feature an dieselbe Stelle muss.

Dann fällt auf: Die Komponente hat keinen klaren Vertrag. Die Props sind willkürlich. Das Naming folgt keiner Konvention. Was schnell aussah, kostet jetzt mehr Zeit als ein Refactoring, das gleich am Anfang gemacht worden wäre.

Refactoring-Schulden sind die teuersten Schulden, weil sie unsichtbar wachsen. Mit System bleibt der Vertrag stabil. Eine neue Komponente passt in die Architektur, weil sie weiß wie die Architektur aussieht.

Muster 3: Fehlende Senior-Review

Das ist das Muster, das am häufigsten unterschätzt wird. AI-native Entwicklung gibt jedem Teammitglied die Möglichkeit, schnell Code zu erzeugen. Geschwindigkeit ist aber nicht dasselbe wie Qualität.

Ohne Senior-Review wird das schnellste Modell zum lautesten Stimmenrecht. Junior-Entwickler übernehmen Vorschläge, die in einem isolierten Test funktionieren, aber im Kontext des Produkts Probleme schaffen. Diskussionen, die früher in Pull-Request-Reviews stattfanden, verschwinden. Wissen baut sich nicht mehr auf, es wird outgesourct.

Senior-Review ist ein Filter, kein Bremspedal. Senior entscheidet, was bleibt. AI beschleunigt das, was bleiben soll.

Was die drei Muster gemeinsam haben

Inkonsistenz, Refactoring-Schulden und fehlende Senior-Review sind keine Probleme der Methode. Sie entstehen, wenn AI-native Entwicklung ohne Fundament arbeitet wie ein 3D-Drucker ohne CAD-Datei. Es kommt etwas raus, aber nicht das, was man braucht.

Das System ist der Hebel. Tokens und Komponenten als Kontext, Senior-Review als Qualitätssicherung. Mit diesen Elementen wird aus Geschwindigkeit auch Qualität.

Wir helfen Teams dabei, das Fundament zu legen. Mehr dazu unter Leistungen.