Wie dieses Tool entstanden ist

Kurze Frage vorweg: Wie lange, glaubst du, hat es gedauert, dieses Tool zu bauen – 35 Berufe, 24 Studiengänge, fast 500 einzelne Aufgaben, Drag&Drop, Vergleichsseiten, alles? Ein halbes Jahr? Ein Team von Entwickler:innen?

Ein paar Tage. Allein. Mit einem Werkzeug namens Claude Code.

Was ist Claude Code eigentlich?

Claude Code ist ein KI-Modell von Anthropic, das nicht nur Text ausgibt wie ein Chatbot, sondern direkt in einem Projekt arbeitet: Es liest Code, schreibt ihn, testet ihn selbst, findet eigene Fehler und behebt sie – und das in einer Endlosschleife, bis etwas Funktionierendes dabei rauskommt. Man nennt das agentisches Coden: Ich gebe eine Aufgabe, und das Modell arbeitet sie eigenständig ab, statt nur einen Codeschnipsel vorzuschlagen, den ich selbst einbauen müsste.

Konkret heißt das: Ich habe getippt „mach die Studiengänge-Seite optisch unterscheidbar von den Berufen“ oder „die Prozentzahlen wirken zu ungenau, überleg dir was Besseres“. Und Claude Code hat selbstständig Dateien durchsucht, CSS-Variablen umgebaut, Code geschrieben, den Build laufen lassen, Fehler gefunden und korrigiert – bis die Seite tatsächlich lief.

Der eigentlich wichtige Teil: Ich musste trotzdem ständig eingreifen

Und hier wird es spannend – auch für das, worum es in diesem Tool geht. Claude Code konnte den Code schreiben. Aber ob die Inhalte stimmten, musste ich beurteilen. Ein Beispiel: Als die Studiengänge fertig kalibriert waren, stand Physiotherapeut bei rund 40 % KI-Anteil. Mein Kommentar dazu, ziemlich genau so getippt: „dein Ernst???? Wie soll man so viel KI in den Beruf bringen. Der Beruf bleibt natürlich ganz klar beim Menschen!“

Das Modell hatte einfach alle Aufgaben gleich gewichtet – Dokumentation und Abrechnung genauso stark wie die eigentliche Behandlung am Patienten. Rechnerisch nicht falsch, inhaltlich aber Unsinn: Zwei Verwaltungsaufgaben von acht ziehen den Schnitt nach oben, obwohl sie im echten Arbeitsalltag einer Physiotherapeutin einen Bruchteil der Zeit ausmachen. Erst mein Widerspruch hat dazu geführt, dass die Werte neu und realistischer kalibriert wurden – und danach habe ich jeden einzelnen der über 350 Werte noch einmal durchgeschaut.

Genau das ist die Lektion, die auch bei den Erkenntnissen aus diesem Tool immer wieder auftaucht: KI kann heute enorm viel ausführen. Ob das Ergebnis stimmt, taugt oder Sinn ergibt, entscheidet trotzdem ein Mensch, der genau hinschaut und nachfragt.

Ein paar Zahlen zum Prozess

Von der ersten Zeile Code bis zu dieser Version: knapp 40 Commits über wenige Tage, fast alle direkt live geschaltet, sobald sie funktionierten. Kein Entwicklungsteam, kein Lastenheft – nur ein Chat mit einem KI-Modell, das direkt im Code arbeitet, und ich als jemand, der ständig nachgehakt hat: „nein, überleg nochmal“, „das ergibt keinen Sinn, warum ist das so eingeordnet?“, „schau dir das nochmal genau an“.

Was das für euch bedeutet

Der Punkt hier ist nicht „schaut her, wie schnell KI ein Tool bauen kann“ – auch wenn das beeindruckend ist. Der Punkt ist: Wer heute mit KI arbeitet, muss trotzdem wissen, worüber sie oder er urteilt. Ich musste über Berufe und Studiengänge nachdenken, um die KI-generierten Werte zu hinterfragen. Ohne dieses eigene Urteilsvermögen wäre am Ende nur eine hübsch aussehende, aber inhaltlich falsche Seite rausgekommen.

Das gilt für euch genauso, egal ob ihr später mit KI programmiert, schreibt oder recherchiert: Sie liefert einen ersten Entwurf, oft einen richtig guten. Ob er stimmt, bleibt eure Aufgabe.