Wenn KI für Engineering arbeitet, nicht für Marketing
KI im Entwicklungs-Workflow — multipliziert Velocity, ohne Kontrolle aus der Hand zu geben.
„KI ersetzt Entwickler“ ist die Marketing-These. Die Realität sieht anders aus: KI multipliziert Senior-Entwickler. Mit Junior-Entwicklern produziert sie Code, der wirkt, aber nicht hält. Der Unterschied liegt im Review — und im Werkzeug-Setup. Wer KI als Coding-Assistent ernst nimmt, baut sich das Werkzeug genauso sorgfältig wie früher die IDE.
Womit ich täglich arbeite
Claude Code mit Custom Skills, Hooks und Subagents
Mein täglicher Coding-Assistent. Kein „Auto-Complete plus“, sondern ein KI-Agent, der Aufgaben in Schritten plant, Code schreibt, ausführt, Fehler liest und korrigiert — alles im Loop. Custom Skills für TYPO3-Konventionen und projektspezifische Patterns, Hooks für Pre-Commit-Checks, Subagents für parallele Recherche. Aufgaben, die früher den halben Tag gefressen haben, sind in einem Bruchteil der Zeit durch.
TYPO3-MCP-Server — das wichtigste Werkzeug
Ein KI-Modell versteht TYPO3 nicht aus seinem Allgemeinwissen heraus. Sobald es eine Page anlegen, ein Content-Element bearbeiten oder einen TCA-Record erzeugen soll, scheitert es. Mein TYPO3-MCP-Server schließt diese Lücke: siebzehn Tools, die TYPO3-Lifecycle-Operationen direkt aus einer KI-Konversation heraus ausführen — Page-Operationen, Content-Element-Management, Site-Konfiguration, Workspace-Publish. Daraus ist eine eigene Produktlinie entstanden, die ich für eigene Projekte und Kundenprojekte nutze.
Spec-Driven Development
Statt Tickets als „Beschreibung“ zu schreiben, schreibe ich Specs: präzise Soll-Zustände, die ein KI-Agent als Implementierungs-Vorlage versteht. Aus dem Spec entsteht der Code, aus dem Code entsteht die Verifikation — alles über die gleiche Spec verlinkt. Das beschleunigt nicht nur die Umsetzung, sondern macht auch Code-Review zur Spec-Überprüfung: stimmt das, was implementiert ist, mit dem überein, was spezifiziert war?
RAG über die eigene Codebase
Eine RAG-Pipeline über den eigenen Code beantwortet Fragen wie „Wo wird X verwendet?“ oder „Welche Komponenten teilen sich dieses Pattern?“ — semantisch, nicht nur per Volltext-Suche. Das ersetzt nicht das Lesen des Codes, aber spart Stunden in fremden Codebases. Bei TYPO3-Projekten mit mehreren hundert Extensions ist das der Unterschied zwischen „ich kenne mich aus“ und „ich rate“.
Code-Review beschleunigt
Pull-Request-Reviews mit KI-Vorprüfung: die KI liest den Diff, prüft gegen Style-Guides, sucht offensichtliche Bugs, deckt Test-Lücken auf. Der menschliche Review konzentriert sich auf das, was KI nicht sieht — Architektur-Konsequenzen, Domain-Logik, Geschmacks-Entscheidungen. Senior-Verantwortung bleibt: jede Zeile geht durch mein Review, bevor sie gepusht wird.
Was das in Stunden heißt
Wer zwanzig Stunden Subcontracting kauft, bekommt mit diesem Setup die Leistung von dreißig oder mehr. Das ist kein Marketing-Versprechen, sondern messbarer Effekt. Ich logge die Velocity bei jedem Projekt, der Multiplikator schwankt zwischen 1,4 und 1,8 — abhängig von Domain-Vertrautheit und Code-Qualität der Bestands-Codebase. Auf greenfield-Projekten höher, auf brownfield-Refactorings niedriger. Senior-Verantwortung bleibt unverändert.
Live auf dieser Site
Diese Site ist mit genau diesem Stack gebaut. Mein eigener TYPO3-MCP-Server, eigene Custom Skills für Claude Code, RAG über die Bestands-Inhalte, Spec-Driven Development für jede Page. Der Dogfooding-Case zeigt, wie sich das in Velocity und Code-Qualität konkret übersetzt — von der Spec über die Implementierung bis zur Verifikation.
DSGVO und Code
Auch hier gilt die Abstufung — Code ist oft sensibler als Content:
Lokale Modelle über Ollama mit Code-LLMs (CodeLlama, Qwen Coder, DeepSeek Coder) für sicherheitsrelevante Codebases. Der Code verlässt Ihre Maschine nicht.
EU-Cloud-Anbieter als Mittelweg, wenn die Performance lokaler Modelle nicht reicht.
US-Hyperscaler (Claude, GPT-4o) nur, wenn der Code keinen Schutzbedarf hat — etwa bei Open-Source-Projekten oder Marketing-Tooling.
Die Wahl trifft das Sicherheitsprofil des Projekts, nicht der Modell-Hype. Bei sensiblen Codebases ist Ollama lokal die Default-Antwort.
Wo ich anfange
Code-Workflow-Audit. Ich schaue mir Ihren bestehenden Entwicklungs-Workflow an — IDE, CI/CD, Code-Review-Praxis, Onboarding für neue Entwickler — und identifiziere, wo KI den höchsten Hebel hat. Manchmal ist es ein TYPO3-MCP-Server, manchmal RAG über die eigene Codebase, manchmal nur ein besser strukturierter Claude-Code-Setup.
Pilot in einem Sub-Projekt. Einen klar abgegrenzten Workstream auf KI-unterstützten Workflow umstellen, Velocity messen, Code-Qualität gegenchecken. Vorher: klare Erfolgskriterien definieren, sonst ist „gefühlt schneller“ das beste Ergebnis.
Ausbau, wenn die Wirkung sichtbar ist. Erst auf das nächste Sub-Projekt, dann auf den Team-Workflow. KI-gestützte Entwicklung ist kein Big-Bang-Rollout — sie reift mit dem Team, das sie nutzt.
Klingt nach Ihrem Projekt?
Sprechen wir 30 Minuten unverbindlich.
Antwort innerhalb 24h — in der Regel deutlich schneller.