Metapad entwickeln: Eine AI-First-Engineering-Geschichte

Februar 2026

Hier ist etwas, das man selten öffentlich zugegeben sieht: Wir haben keine einzige Zeile von Metapads Code von Hand geschrieben.

Jede Komponente, jeder Algorithmus, jede Datenbankmigration, jeder WebSocket-Handler – alles wurde von KI generiert, angeleitet von Menschen. Und das Ergebnis ist eine Produktionsanwendung mit Echtzeit-Zusammenarbeit, visuellem Metamodeling, Knowledge-Graph-Fähigkeiten und einem KI-Assistenten, der Enterprise-Modelle aus natürlicher Sprache erzeugt.

Das ist kein Spielprojekt oder eine Demo. Es ist ein professionelles Werkzeug, das von Enterprise Architects und Beratern eingesetzt wird. Und wir haben es in ein paar Kalenderwochen gebaut.

Hier ist, was wir gelernt haben.

Was wir tatsächlich gebaut haben

Lassen Sie uns den Umfang konkret benennen, denn "mit KI gebaut" kann alles bedeuten, von einer Landingpage bis zu einer Todo-App:

Eine Full-Stack-Rust-Anwendung – zu WebAssembly für den Browser kompiliert, mit einem Axum-Server-Backend
Echtzeit-kollaboratives Editieren – WebSocket-basierte Synchronisierung, bei der mehrere Benutzer gleichzeitig dasselbe Modell bearbeiten
Eine visuelle Arbeitsfläche – SVG-basierte Modellierungsfläche mit Drag-and-Drop, Beziehungszeichnung, Mehrfachauswahl und direkter Manipulation
Eine Metamodeling-Engine – Benutzer definieren eigene Knotentypen, Beziehungstypen und Constraints, erstellen dann Instanzen, die dem Metamodel entsprechen
Ein KI-Assistent – Claude-basierte Modellgenerierung aus natürlicher Sprache unter Beachtung der Metamodel-Constraints
Vollständige Internationalisierung – Modelle können in mehrere Sprachen übersetzt werden mit Echtzeit-Sprachwechsel
Import/Export – JSON-Modellserialisierung und SVG-Diagrammexport
Team-Funktionen – Modellfreigabe, Berechtigungen, Präsenzanzeigen

Das ist keine einfache CRUD-App. Es ist eine IDE – eine der UI-intensivsten, interaktionsreichsten Softwarekategorien überhaupt.

Der Ansatz: Menschen entwerfen, KI implementiert

Unser Prozess sieht weder aus wie traditionelle Softwareentwicklung noch wie die Karikatur des "einfach prompten und ausliefern" bei KI-gestütztem Coding.

Wir liefern die Vision

Jedes Feature beginnt mit einer menschlichen Entscheidung darüber, was gebaut werden soll und warum. Wir schreiben detaillierte Feature-Spezifikationen, Architekturdokumente und Designentscheidungen. Wir denken sorgfältig über Benutzererfahrung, Datenmodelle und Systemgrenzen nach.

Das ist die Arbeit, die am meisten zählt – und die Arbeit, die KI nicht für Sie erledigen kann. Noch so viel Codegenerierung hilft nicht, wenn Sie das Falsche bauen.

KI implementiert das Design

Mit einer klaren Spezifikation in der Hand beschreiben wir, was wir brauchen, und die KI generiert die Implementierung. Nicht in einem Durchgang – in einem kollaborativen Gespräch. Wir prüfen den Ansatz, schlagen Anpassungen vor und iterieren, bis die Implementierung unserer Absicht entspricht.

Die zentrale Erkenntnis: KI ist außerordentlich gut darin, ein klares Design in funktionierenden Code umzusetzen. Je klarer die Spezifikation, desto besser das Ergebnis. Das erzeugt einen positiven Kreislauf – die Disziplin, präzise Spezifikationen zu schreiben, verbessert sowohl die KI-Ausgabe als auch unser eigenes Verständnis.

Wir testen und verfeinern

Jedes Feature durchläuft manuelle Tests. Wir starten die Anwendung, prüfen die neue Funktionalität und geben Feedback. Wenn etwas nicht funktioniert oder sich nicht richtig anfühlt, beschreiben wir das Problem und die KI behebt es.

Wir erstellen auch automatisierte Tests – Unit-Tests für Geschäftslogik, Integrationstests für API-Endpunkte und End-to-End-Tests für kritische Benutzerabläufe. Die KI schreibt auch diese, aber wir definieren, was getestet werden muss, und überprüfen die Abdeckung.

Schnelle Iteration

Die Geschwindigkeit dieses Zyklus macht ihn transformativ. Ein Feature, das traditionell Tage der Implementierung erfordern würde, dauert Stunden. Nicht weil die KI schneller tippt – sondern weil die Feedbackschleife in Minuten gemessen wird, nicht in Tagen.

Feature beschreiben. Implementierung prüfen. Testen. Feedback geben. Fix erhalten. Erneut testen. Ausliefern.

Diese Schleife läuft mehrmals am Tag. In ein paar Wochen haben wir geliefert, was traditionell Monate an Arbeit wäre.

Was wir gelernt haben

Klarheit ist der Engpass

Die Geschwindigkeit KI-gestützter Entwicklung wird nicht dadurch begrenzt, wie schnell Code generiert werden kann, sondern dadurch, wie klar Sie beschreiben können, was Sie wollen. Vage Anforderungen führen zu vagen Implementierungen. Präzise Spezifikationen führen zu präzisem Code.

Das hat eine tiefgreifende Konsequenz: Die wertvollste Engineering-Fähigkeit in einer AI-First-Welt ist die Fähigkeit, klar zu denken und präzise zu kommunizieren. Architektur, Systemdenken und Domänenwissen sind wichtiger denn je.

KI bewältigt Komplexität gut

Wir waren aufrichtig überrascht, wie gut KI mit komplexen, vernetzten Systemen umgeht. Echtzeit-Zusammenarbeit mit konfliktfreien Operationen, Metamodel-Constraint-Validierung, rekursives Baumrendering mit Drag-and-Drop – das sind schwierige Probleme, die die KI mit richtiger Anleitung korrekt implementiert hat.

Der Vorbehalt: Sie müssen die Komplexität selbst verstehen. Wir hätten die Implementierung der WebSocket-Synchronisierung nicht anleiten können, ohne verteilte Systeme zu verstehen. KI verstärkt Expertise – sie ersetzt sie nicht.

Die menschliche Rolle verlagert sich, sie schrumpft nicht

Wir verbringen unsere Zeit mit:

Vision und Strategie – entscheiden, was gebaut werden soll und warum
Architektur und Design – Systemgrenzen, Datenmodelle, Interaktionsmuster definieren
Qualitätssicherung – testen, prüfen und Feedback geben
Benutzererfahrung – beurteilen, ob sich etwas richtig anfühlt, nicht nur ob es funktioniert

Womit wir keine Zeit mehr verbringen: Code tippen, API-Dokumentationen nachschlagen, Syntaxfehler debuggen, Boilerplate-Code schreiben. Diese Aktivitäten haben den Großteil der traditionellen Entwicklungszeit verbraucht. Sie zu eliminieren macht die menschliche Rolle nicht kleiner – sie konzentriert sie auf die Arbeit, die wirklich zählt.

Dokumentation wird zur erstrangigen Praxis

In der traditionellen Entwicklung ist Dokumentation oft ein nachträglicher Gedanke. In der AI-First-Entwicklung ist sie essentielle Infrastruktur. Unsere Architekturdokumente, Feature-Spezifikationen und Designentscheidungen erfüllen eine Doppelfunktion: Sie leiten die KI an und bewahren institutionelles Wissen.

Jede bedeutende Änderung wird dokumentiert. Jede Designentscheidung wird mit ihrer Begründung festgehalten. Das ist keine zusätzliche Arbeit – es ist der Mechanismus, über den wir mit unserem KI-Mitarbeiter kommunizieren.

Refactoring ist kontinuierlich, nicht optional

Hier ist etwas, das Menschen überrascht: Wir refactoren aggressiv – ebenfalls mit KI, ebenfalls von Menschen angeleitet.

KI-generierter Code ist nicht inhärent unordentlich. Aber wie jede Codebasis, die sich schnell weiterentwickelt, sammelt er Muster an, die im Moment Sinn machten, aber der Architektur langfristig nicht dienen. Eine Komponente, die einfach begann, übernimmt immer mehr Verantwortlichkeiten. Eine Datenstruktur, die für einen Anwendungsfall funktionierte, muss für drei umstrukturiert werden.

Wir behandeln Refactoring als reguläre Praxis, nicht als zukünftige Aufräumaktion. Wenn wir Duplikation sehen, extrahieren wir gemeinsame Abstraktionen. Wenn ein Modul zu groß wird, zerlegen wir es. Wenn die Architektur sich weiterentwickeln muss – etwa der Wechsel von einer Einzeldateianwendung zu einem ordentlichen Workspace mit getrennten Verantwortlichkeiten – planen wir die Umstrukturierung, beschreiben sie präzise und lassen die KI sie ausführen.

Das Ergebnis ist eine Codebasis mit solider Architektur: klare Modulgrenzen, konsistente Muster, sauber getrennte Verantwortlichkeiten. Nicht weil KI natürlich sauberen Code produziert, sondern weil wir kontinuierlich in dessen Sauberkeit investieren – mit demselben KI-gestützten Prozess, den wir für alles andere verwenden.

Das ist wichtiger, als vielen bewusst ist. Der Geschwindigkeitsvorteil der AI-First-Entwicklung potenziert sich nur, wenn die Codebasis gesund bleibt. Eine unordentliche Codebasis bremst KI genauso wie Menschen. Saubere Architektur ist es, die uns erlaubt, Woche für Woche schnell zu bleiben.

Warum das für Metapad wichtig ist

Wir teilen diese Geschichte nicht nur, weil sie interessant ist (obwohl wir das finden). Sie ist direkt verbunden mit dem, was wir bauen.

Metapad ist ein KI-gestütztes Werkzeug für Unternehmensmodellierung. Unser KI-Assistent generiert Modelle aus natürlicher Sprache. Unsere Vision ist, dass KI menschliches Verständnis erweitern soll, nicht menschliches Urteilsvermögen ersetzen.

Wir haben Metapad auf dieselbe Art gebaut, wie wir erwarten, dass unsere Nutzer es verwenden.

Wenn ein Enterprise Architect Metapads KI nutzt, um ein Organisationsmodell zu generieren, ist der Prozess derselbe wie unserer: Der Mensch liefert die Vision und das Domänenwissen, die KI übernimmt die Implementierung, und der Mensch prüft und verfeinert das Ergebnis.

Wir glauben, dass KI-Werkzeuge so funktionieren sollten – als Verstärker menschlicher Expertise, nicht als Ersatz für menschliches Denken. Und wir glauben das, weil wir es jeden Tag in unserem eigenen Engineering-Prozess erleben.

Die Fragen der Skeptiker

Wir erwarten einige Einwände:

"Kann KI wirklich produktionsreife Codequalität liefern?"

Unsere Anwendung ist in Produktion, bedient echte Nutzer, mit Echtzeit-Zusammenarbeit und unterbrechungsfreien Deployments. Der Code kompiliert, die Tests bestehen und die Nutzer sind zufrieden. Qualität kommt vom Prozess – klare Spezifikationen, gründliches Testen und schnelle Iteration – nicht davon, wer (oder was) die Zeichen tippt.

"Was ist mit Wartung und Debugging?"

Wir warten und debuggen mit demselben Ansatz. Fehler beschreiben, KI untersuchen und beheben lassen, den Fix testen. Die Codebasis ist gut strukturiert (weil wir klare Architekturmuster spezifiziert haben) und gut dokumentiert (weil Dokumentation zentral für den Prozess ist).

"Funktioniert das nicht nur bei einfachen Apps?"

Wir haben bewusst eine komplexe, UI-intensive Anwendung gewählt, um den Ansatz zu beweisen. Echtzeit-Zusammenarbeit, visuelles Canvas-Rendering, Metamodeling mit Constraint-Validierung, KI-gestützte Generierung – wenn es hier funktioniert, funktioniert es überall.

"Was passiert, wenn die KI Fehler macht?"

Sie macht ständig Fehler. Menschliche Entwickler auch. Die Frage ist nicht, ob Fehler passieren – sondern wie schnell man sie erkennt und behebt. Mit schnellen Iterationszyklen und gründlichem Testen werden Fehler in Minuten erkannt, nicht in Tagen.

Blick nach vorne

Wir glauben, dass AI-First Engineering kein Trend ist – es ist ein dauerhafter Wandel in der Art, wie Software gebaut wird. Die Teams, die lernen, so zu arbeiten, werden einen strukturellen Geschwindigkeitsvorteil haben, der sich über die Zeit potenziert.

Aber es erfordert einen Wandel in der Denkweise. Der Wert liegt nicht darin, Code schneller zu generieren – er liegt darin, mehr Zeit für Vision, Architektur und Qualität aufzuwenden. Die besten AI-First-Teams werden nicht die mit den ausgefeiltesten Prompts sein. Es werden die mit dem klarsten Denken sein.

Wir stehen noch am Anfang dieser Reise. Jede Woche lernen wir etwas Neues darüber, wie man effektiv mit KI arbeitet. Aber die Ergebnisse sprechen für sich: eine komplexe, produktionsreife Anwendung, in Wochen statt Monaten gebaut, von einem kleinen Team, das sich auf das Wesentliche konzentriert.

Die Zukunft des Software Engineering liegt nicht im Schreiben von Code. Sie liegt im Verstehen dessen, was gebaut werden muss – und es mit allen verfügbaren Mitteln zu bauen.

Metapad ist unsere KI-gestützte IDE für Enterprise Digital Twins – vollständig mit KI gebaut. Kostenlos ausprobieren und sehen, was AI-First Engineering hervorbringt.

Über transentis

transentis labs GmbH entwickelt Werkzeuge zum Verstehen und Transformieren komplexer Systeme. Metapad ist unsere professionelle IDE für Enterprise Digital Twins. Erfahren Sie mehr über unsere Mission.