Ein Sprachmodell legt Ihnen in zehn Minuten eine lauffähige Anwendung hin. Die Demo überzeugt, der Prototyp klickt sich flüssig, die Begeisterung ist echt. Ob daraus Software wird, entscheidet sich erst in Monat drei: Versteht dann noch jemand, was da läuft?
Programmieren kann sie. Einstehen kann sie nicht.
Wer heute fragt, ob künstliche Intelligenz eine App programmieren kann, bekommt von den meisten Ratgebern ein „im Prinzip schon, aber …“ zu hören. Diese Antwort hilft niemandem weiter. Sie ist auch falsch gewichtet, denn sie behandelt eine Fähigkeitsfrage, obwohl längst eine Verantwortungsfrage ansteht.
Sprachmodelle schreiben Code, und sie tun es beeindruckend schnell. Was sie nicht tun, ist für dessen Richtigkeit einstehen. Ein Sprachmodell erzeugt die statistisch plausibelste Fortsetzung eines Textes. Plausibel und korrekt fallen bei Prosa meistens zusammen. Bei Software nicht. Was dort richtig aussieht, ist im Zweifel eine Sicherheitsrisiko oder eine Datenschutzverletzung.
Was die Forschung über KI-geschriebenen Code sagt
Vier unabhängige Erhebungen aus dem Jahr 2025. Keine davon stammt von einem Anbieter, der Alternativen dazu verkauft.
45 %
der KI-generierten Code-Samples enthielten OWASP-Top-10-Schwachstellen
Veracode, GenAI Code Security Report 2025 · über 100 Modelle, 80 Aufgaben
unter 35 %
der erzeugten Backends waren zugleich korrekt und sicher, Bestwert
BaxBench, ICML 2025 · 392 Backend-Aufgaben, 14 Frameworks
8-fach
mehr duplizierte Codeblöcke seit dem Einzug der KI-Assistenten
GitClear 2025 · Analyse von 211 Millionen Codezeilen
66 %
der Entwickler verlieren zusätzliche Zeit mit dem Reparieren von „fast richtigem" KI-Code
Stack Overflow Developer Survey 2025 · rund 49.000 Befragte
Was in einer Demo nie vorkommt
Zwischen einer Demo und einem System, dem ein Unternehmen seine Daten anvertraut, liegen die Fragen die in einer Demo zunächst nicht auftauchen: Wer darf welchen Datensatz sehen? Was passiert bei gleichzeitigen Änderungen? Wie kommen die Stammdaten aus dem ERP herein? Wer bekommt in zwei Jahren die Sicherheitsupdates?
Zwei öffentlich dokumentierte Vorfälle zeigen, was passiert, wenn diese Fragen offenbleiben. Im Juli 2025 löschte ein KI-Agent während eines mehrtägigen Experiments die Produktionsdatenbank des Unternehmens SaaStr, obwohl ausdrücklich ein Änderungsstopp verhängt war. Der Anbieter entschuldigte sich öffentlich und führte daraufhin die automatische Trennung von Entwicklungs- und Produktionsdatenbank ein, die es vorher nicht gab. Im selben Monat fand das Sicherheitsteam von Wiz auf einer KI-App-Plattform zwei völlig unauthentifizierte Endpunkte. Mit der öffentlich sichtbaren App-Kennung konnte sich jeder einen verifizierten Zugang zu privaten, eigentlich per SSO geschützten Unternehmensanwendungen anlegen, darunter Anwendungen mit Personaldaten.
Beide Fälle sind keine Ausrutscher einzelner Nutzer. Sie zeigen ein strukturelles Muster: Wo die Erzeugung des Codes und die Verantwortung für seine Eigenschaften auseinanderfallen, füllt niemand die Lücke. Thoughtworks führt das inzwischen als eigenes Risiko im Technology Radar unter dem Begriff codebase cognitive debt, also die wachsende Kluft zwischen dem, was ein System tut, und dem was das Team davon noch versteht.
Warum ein besseres KI Modell das nicht löst
Der naheliegende Einwand lautet: Die Modelle werden besser. Werden sie, nur nicht in dieser Disziplin. Veracode fand über mehrere Modellgenerationen hinweg keine Verbesserung der Sicherheitsquote. Der Grund ist keine Trainingslücke, sondern die Natur der Sache: Ein generatives Modell ist nicht-deterministisch. Zweimal dieselbe Anforderung ergibt zweimal einen anderen Aufbau, andere Namen, andere Fehlerbehandlung.
Für einen Wegwerf-Prototypen ist das gleichgültig. Für eine Anwendung, die zehn Jahre läuft, wiegt es schwer, denn Wartbarkeit entsteht aus Wiedererkennbarkeit. Wenn jede Bildschirmmaske anders aufgebaut ist, kann niemand die zweite pflegen, weil er die erste kennt. Das misst GitClear mit der Verachtfachung duplizierter Codeblöcke und dem Einbruch des Refactoring-Anteils.
So drehen wir die Arbeitsteilung um
Die Stärke eines Sprachmodells liegt nicht im Schreiben von Code, sondern im Verstehen von Sprache. Dort setzen wir es ein, und nur dort. Claudette, unsere Assistentin auf Prompt Your App, führt das Anforderungsgespräch: Sie fragt nach, liest Ihre Dokumente, erkennt fachliche Strukturen und überträgt sie in eine sichtbare Konfiguration.
Aus dieser Konfiguration erzeugt anschließend nicht die KI die Anwendung, sondern der SOLUTIONS.designer. Ein regelbasiertes System das seit Jahren dieselben Bausteine nach denselben Mustern zusammensetzt. Anmeldung, Rollen und Rechte, Datenzugriff, Validierung, Mehrsprachigkeit: Das alles stammt aus dem geprüften SOLUTIONS Framework und wird nicht bei jedem Projekt neu erfunden.
Die KI versteht. Die Regeln generieren.
Bei Prompt Your App ist beides sauber getrennt. Die Trennlinie ist der Grund, warum das Ergebnis reproduzierbar ist.
Sprachmodell
Deterministisch
Was Sie davon konkret haben
Vor der Generierung sehen Sie jede Entität, jedes Feld und jede Beziehung im SOLUTIONS.designer. Jeder Schritt bis zur fertigen Anwendung liegt offen.
Dieselbe Konfiguration erzeugt denselben Code. Änderungen am Modell sind ein Diff, keine Überraschung.
Jede generierte Anwendung folgt derselben Struktur. Wer eine kennt, findet sich in der nächsten sofort zurecht, auch ein Entwickler, der neu dazukommt.
Am Ende steht ein normales Angular-/NestJS-Projekt in Ihrem Git-Repository. Sie können es mitnehmen und ohne uns weiterentwickeln.
Am besten probieren Sie es aus
Claudette ist ohne Registrierung erreichbar. Beschreiben Sie Ihre Anwendung im Chat, laden Sie eine vorhandene Leistungsbeschreibung oder Excel-Tabelle hoch und sehen Sie sich die Vorschau an. Wenn Ihnen gefällt, was Sie sehen, generieren wir die Anwendung und Sie testen sie 14 Tage auf unseren Systemen. Bis hierhin kostenlos.
Ohne Registrierung, ohne Kreditkarte.
Weiterlesen
Technisch ja. Ein Sprachmodell erzeugt in Minuten eine lauffähige Anwendung. Belastbar ist das Ergebnis damit nicht. Im Benchmark BaxBench, vorgestellt auf der ICML 2025, waren selbst bei den stärksten Modellen unter 35 Prozent der erzeugten Backends gleichzeitig korrekt und sicher. Für einen Prototyp reicht das, für ein System, das Ihre Geschäftsdaten hält, nicht.
Nicht von selbst. Der Veracode GenAI Code Security Report 2025 fand in 45 Prozent der geprüften Code-Samples Schwachstellen aus den OWASP Top 10, und über die Modellgenerationen hinweg keine Verbesserung. Eine Stanford-Studie von der ACM CCS 2023 zeigt zusätzlich, dass Entwickler mit KI-Assistenz unsichereren Code schreiben und ihn gleichzeitig für sicherer halten.
Beim Vibe Coding schreibt das Sprachmodell den Code, jedes Mal neu und jedes Mal etwas anders. Bei regelbasierter Generierung erzeugt die KI nur eine geprüfte Spezifikation. Den Code erzeugt anschließend ein deterministischer Generator. Dieselbe Spezifikation ergibt damit immer denselben Code.
Das hängt vom Anbieter ab und ist die wichtigste Frage vor der Auswahl. Bei uns entsteht ein normales Angular-/NestJS-Projekt im Git-Repository, das Sie übernehmen und ohne uns weiterentwickeln können.
Die Konzeption mit Claudette dauert Stunden statt Wochen, die Generierung Minuten. Danach folgt die fachliche Feinarbeit. Die planen wir offen aus und stellen sie transparent dar.
Sprechen Sie mit uns.