Wie man schnell das Richtige erreicht
KI beschleunigt Abläufe, kann aber zu technischen Altlasten führen. Deshalb gehen erfolgreiche Teams mit Bedacht vor und achten auf Effizienz und Exzellenz.
Wie man schnell das Richtige erreicht teilen
Illustrationen von Chris Harnan
In der Geschichte der Software war der Code das Tor zum Aufbau von Produkten, und die Entwickler*innen hielten die Schlüssel zu diesem Tor in den Händen. Mit KI ist entfällt dieses Tor. Jetzt können Menschen, die nie eine IDE geöffnet haben, funktionierende Software bereitstellen. Der Knackpunkt dabei: Wenn man alles bauen kann, wird es schwieriger, das Richtige zu bauen. Produktentwicklungsteams spüren den Druck, weiterhin produktiv zu sein und ihre Abläufe zu beschleunigen. Doch hohe Geschwindigkeit kann zu vorschnellen Urteilen führen, bei denen glänzende Ergebnisse mit guten verwechselt werden. Die folgenden drei Dinge solltest du beachten, wenn du schneller als je zuvor lieferst.
KI erhöht die Produktivität, nicht die Klarheit
Es ist einfach, per Prompt ein Ergebnis zu erhalten, das ansprechend und produktionsbereit aussieht. Wir sind es gewohnt, einem ansprechenden Erscheinungsbild zu vertrauen, denn in einer Welt ohne KI war es das Ergebnis harter Entscheidungen und durchdachter Kompromisse von Fachleuten zum Verhalten des Systems und unter Berücksichtigung relevanter Einschränkungen. Heutzutage können wir per Prompt schnell einen Prototypen generieren. Allerdings werden die Lücken von LLMs gefüllt und das Ergebnis kann großartig aussehen, ohne die nötige Substanz zu haben.
Der Begriff kognitive Kapitulation wurde von Steven D. Shaw und Gideon Nave in ihrem Forschungsbericht „Thinking—Fast, Slow, and Artificial: How KI is Reshaping Human Reasoning and the Rise of Cognitive Surrender“ geprägt. Er bezieht sich auf das, was passiert, wenn jemand KI-Ergebnisse ohne Überprüfung akzeptiert und dabei seine eigene Intuition und Überlegung außer Kraft setzt.
Überlegung bedeutet Reibung, und es ist verlockend, diese Reibung durch den Einsatz von KI vollständig zu beseitigen. Dieser als „kognitive Kapitulation“ bezeichnete Effekt tritt ein, wenn wir eine Idee nicht selbst validieren oder keine eigene Vorstellung vom gewünschten Ergebnis haben, sondern diese Aufgabe der KI überlassen. Ich ertappe mich selbst immer wieder dabei, dass ich das Urteil von LLMs als mein eigenes annehme. Um schnell voranzukommen, akzeptieren wir das erstbeste Ergebnis. Doch am Anfang sollte eine Absicht stehen. Ich bezeichne das als Überlegungsimperativ: Wir müssen das Problem durchdenken und uns darüber klar werden, was eine Entwicklung wert ist, anstatt die erste sinnvoll erscheinende Option zu versenden.
Am Anfang muss der Kontext stehen
In ihrem Whitepaper „The New SDLC With Vibe Coding“ führen die Google-Führungskräfte Addy Osmani, Shubham Saboo und Dr. Sokratis Kartakis das Konzept des agentischen Engineerings ein: Dabei verschiebt sich die Rolle der Entwickler*innen von der Code-Erstellung zur Definition der Absicht und zur Nutzung von KI, um diese Absicht in Software zu übersetzen.
Ein aktuelles Whitepaper von Google über Agentic Coding beschreibt, wie Prompt-basiertes Vibe-Coding zu technischen Altlasten führt. In dem Whitepaper wird darauf hingewiesen, dass sich der Fokus von Entwickler*innen vom Coden zum Aufbau eines Absicht verlagern sollte. Dazu können sie zum Beispiel Folgendes nutzen:
- Deterministische Ebenen wie Tests, Typüberprüfungen und Validierungen, die jedes Mal gleich ablaufen und das erfassen, was das Modell falsch macht.
- Kontext mit vielen Signalen wie Spezifikationen und dokumentierte Komponenten, damit der Agent deine Absicht als Basis nutzt.
- Klare Schnittstellen, damit der Agent – ohne Raten zu müssen– weiß, wie die Teile miteinander verbunden werden.
Beim Übergang vom Entwurf zum Code fehlt den Agenten der Kontext deiner Produktionskomponenten. Mit Code Connect im MCP von Figma erhalten sie den echten Produktionscode (einschließlich Eigenschaften und Varianten), sodass sie deine Komponenten nicht aus Pixeln rekonstruieren müssen.
Dieser Ansatz des „agentischen Engineerings“ bedeutet für Entwickler*innen mehr Arbeit im Voraus, sie profitieren jedoch von Software, die sich viel einfacher warten lässt. Das Gleiche gilt für das Design. Wenn du Zeit und Sorgfalt in den Aufbau eines starken Designsystems investierst, dokumentierst du Entscheidungen, sodass die Agenten mit einem präzisen Vokabular und klaren Leitlinien arbeiten können. Diese Präzision führt zu konsistenten Ergebnissen, schlankerem Code und weniger technischen Altlasten.
Gut kann dennoch nur durchschnittlich sein
Überlegung und Kontext helfen dir bei schnelleren Schritten in die richtige Richtung. Du musst aber dennoch sicherstellen, dass das Ergebnis herausragend ist. Hier arbeitet KI gegen dich. Modelle werden mit großen Datenmengen trainiert. Sie kennen jeden Trend, jeden Stil und jedes Muster und tendieren zu einem Durchschnitt aus dem, was bereits existiert. Aus Machine Learning-Sicht handeln sie auf Basis dessen, was „im Umlauf“ ist.
Im Laufe der Zeit befinden sich immer mehr Arbeitsergebnisse im Umlauf. Wenn dir KI ein Logo zeigen soll, erhältst du ein einfaches geometrisches Zeichen mit einem Farbverlauf. Wenn du nach einem Pitch Deck fragst, verwendet es die serifenlose Schriftart, die jeder andere auch verwendet. Auf die Frage nach einer React-Komponente wird dir eine Karte mit abgerundeten Ecken vorgeschlagen, die jeder schon einmal gesehen hat. Nichts davon ist falsch, und das meiste ist kompetent – aber das ist das Problem. Wenn du das oft genug akzeptierst, schränkt sich dein Urteilsvermögen ein. Du fragst nicht mehr nach einem guten Ergebnis, sondern nach dem am wenigsten falschen.
Da sich die KI verbessert, können Menschen heute gezielter prompten als noch vor einem Jahr – dennoch bleiben die Ergebnisse noch hinter allem zurück, was generiert wird. Daher ist es so schwer, sich selbst zu korrigieren: „Gut“ kann inzwischen jeder erreichen – und wenn du keine genaue Vorstellung davon hast, was du erreichen möchtest, übernimmt das Modell die Entscheidung für dich.
Du benötigst eine eigene Vorstellung vom Ergebnis
Weitere Informationen darüber, wie Agenten besseren Kontext erhalten, findest du im Config 2026-Deep Dive zu agentischen Workflows.
Jetzt geht es darum, Geschwindigkeit mit Urteilsvermögen zu kombinieren. Priorisiere Klarheit bereits von Anfang an, damit du in die richtige Richtung gehst, und vertraue nicht sofort einem ansprechenden Erscheinungsbild. Konzentriere dich auf Kontextebenen wie Designsysteme, damit Agenten effizient arbeiten. Und denke daran, dass Überlegungen einen wesentlichen Teil deiner Arbeit ausmachen sollten. Wenn du in diese drei Dinge investierst, kannst du leichter das richtige Ergebnis erzielen.
Erfahre mehr darüber, wie Code Connect und der MCP-Server von Figma dir helfen, schneller und mit einer qualitativ hochwertigeren Ausgabe vom Design zum Code zu gelangen.
