Wie ich baue.

Ich bin kein klassischer Entwickler. Ich kann keinen Code schreiben auf dem Level, auf dem diese Produkte gebaut sind.

Trotzdem baue ich Softwareprodukte. Nicht, weil AI alles alleine macht, sondern weil sich die Arbeit anders verteilt. Ich muss nicht jede Zeile Code selbst schreiben. Ich muss verstehen, was gebaut werden soll, wie das Produkt funktionieren muss, wie ein Interface sich anfühlen soll, wo Fehler entstehen können und wann ein Ergebnis nicht gut genug ist.

Mein Alltag besteht deshalb weniger aus Tippen und mehr aus Steuern, Prüfen und Nachschärfen.

Vier Dinge kombiniere ich fast täglich:

Claude Code war lange mein primärer Implementer. Ich gebe Scope, Produktlogik, UI-Verhalten, Datenstrukturen und Fehlfälle vor. Claude setzt große Teile davon direkt im Code um. Mit Opus 4.5 hat sich das teilweise extrem stark angefühlt. Später wurde es für mich deutlich unzuverlässiger. Deshalb ist Claude heute nicht mehr automatisch gesetzt, sondern ein Werkzeug unter mehreren.

Codex nutze ich als Kontrollinstanz und zweiten Blick. Es prüft Implementierungen, findet Logikfehler, erkennt unsaubere Stellen und hilft mir einzuschätzen, ob ein Output wirklich tragfähig ist. Gerade weil ich kein klassischer Entwickler bin, ist dieser Review-Layer wichtig. Ein Agent baut, ein anderer prüft. Ich entscheide, was davon übernommen wird.

Obsidian ist mein Gedächtnis. Dort liegen Specs, Produktentscheidungen, Prompts, Feature-Ideen, Architektur-Notizen und offene Fragen. Ohne diese Dokumentation würde der Kontext zwischen Sessions verloren gehen. Mit ihr können Agents deutlich besser arbeiten, weil sie nicht jedes Mal bei null anfangen.

Sprachinput hilft mir beim Durchsatz. Ich diktiere Specs, Prompts, Dokumentation und Kommentare, statt alles zu tippen. Das ist kein eigenes Kern-Tool in meiner Positionierung, sondern ein Arbeitsmodus, mit dem ich länger und genauer formuliere.

Ich nutze diese Arbeitsweise nicht nur für klassischen Produktcode. Ich baue damit auch Websites, Interfaces, Landingpages, interne Tools und Automations.

Gerade bei Automations hat sich für mich viel verändert. Früher war der natürliche Weg für Nicht-Entwickler oft eine No-code-Plattform wie n8n. Das ist weiterhin nützlich, aber nicht mehr automatisch notwendig. Viele Workflows, für die man früher visuelle Automations zusammengeklickt hätte, kann ich heute direkt als kleine interne Tools, Edge Functions, Scripts oder API-Logik bauen lassen. Das ist oft flexibler, sauberer versionierbar und näher am eigentlichen Produkt.

Die Konsequenz ist keine magische Abkürzung. Ich muss trotzdem sauber denken. Wahrscheinlich sogar sauberer als vorher, weil schlechte Anweisungen sofort in schlechten Outputs enden.

Meine Rolle ist nicht: Ich schreibe Code.

Meine Rolle ist: Ich manage Agents, Kontext und Qualität.

Ich schneide Aufgaben klein genug, liefere den nötigen Kontext, prüfe Ergebnisse, erkenne Fehlentwicklungen und entscheide, was in die echte Codebase darf. Wenn etwas nicht funktioniert, muss ich herausfinden, ob das Problem im Prompt liegt, im Modell, in der Architektur oder in meiner eigenen Beschreibung.

Dieser Tool-Stack ist nur der aktuelle Stand. Vor einiger Zeit war ChatGPT für viele Aufgaben mein stärkster Startpunkt. Dann war Claude lange vorne. Aktuell schaue ich stärker auf Codex, Kimi, Gemini und andere Systeme, weil sich die Qualität ständig verschiebt.

Deshalb versuche ich, mich nicht zu sehr an ein einzelnes Tool zu hängen. Was bleibt, ist die Arbeitsweise: Kontext sauber dokumentieren, Agents gezielt einsetzen, Outputs kritisch prüfen und schnell wechseln, wenn ein Werkzeug nicht mehr gut genug ist.

AI Builder OS

Tool-Orbit.

Der Orbit zeigt, welche Tools in meiner Arbeit wirklich vorkommen: vom täglichen Agent-Setup über Produkt- und Deployment-Stack bis zu Plattformen, die ich für Voice, Automation und AI-Produkte eingesetzt habe. Je näher ein Tool am Zentrum liegt, desto stärker prägt es meine aktuelle Arbeitsweise.

AI Builder OSContext · Agents · Product Logic · Review · Launch

Core / Daily

Production / Strong Working

Supporting / Familiar

Exploration

Core / Daily

Täglich oder sehr nah am eigentlichen Build-Prozess.

Production / Strong Working

Produktiv genutzt oder klar in echten Workflows verankert.

Supporting / Familiar

Projektweise genutzt oder als ergänzende Schicht im Arbeitsprozess relevant.

Exploration

Relevant für Orientierung, Zertifikate oder nächste Tests.

Architektur.

Drei Systeme, die zeigen, wie ich Produkte, Automations und AI-Infrastruktur baue. Nicht als Konzepte, sondern als echte Projekte mit eigener Logik, eigenen Workflows und eigenen technischen Entscheidungen.

illur.ai

AI Product Studio für Fashion und E-Commerce.

illur ist mein Versuch, generative AI für echte Produktarbeit nutzbar zu machen. Nicht als einzelnes Prompt-Feld, sondern als Studio mit spezialisierten Flows: Produktbilder, Model-Shoots, Short Videos und Dream Mode.

Die technische Kernidee ist eine gemeinsame Modell-Infrastruktur unter mehreren Produkten. Nutzer wählen nicht direkt Modelle und Parameter, sondern arbeiten über geführte Workflows. Im Hintergrund werden Analyse, Prompt-Komposition, Modell-Auswahl, Generierung, Credits, Storage und Output-Logik miteinander verbunden.

fal.ai übernimmt die generativen Modelle, Supabase die Produktlogik, Daten und Credits. Der schwierige Teil ist nicht nur die Bildgenerierung. Der schwierige Teil ist, aus vielen instabilen Modellen ein verlässliches Produkt zu bauen.

fal.aiSupabaseStripeReactCloudflarebuilt with Claude Code

On-Model

Product

Canvas

Dream

debit

User Input
Photo + Config

Mode Selection

Model + Pose
+ Background

Environment
+ Style

Edit Instructions
+ Reference

Free Model
Selection

Prompt Composer
Script-based

fal.ai
Model Router

60+ Models
Flux · Nano Banana
Seedream · Kling

Supabase
Storage + DB

4K / 8K Output
Download + Gallery

Stripe
Credit System

Company Wiki

Custom-gebautes Wissens-Betriebssystem für den Mittelstand.

Company Wiki ist bewusst kein klassisches SaaS-Produkt. Jeder Kunde bekommt ein eigenes Setup: eigenes Repo, eigene Datenbank, eigenes Deployment und ein System, das auf den Betrieb angepasst wird.

Der Vorteil liegt nicht nur in Datenhoheit, sondern in Flexibilität. Wenn ein Unternehmen eigene Rollen, ungewöhnliche Freigabeprozesse, interne Dokumenttypen oder spezielle Abläufe braucht, muss es sich nicht an ein Standard-Tool anpassen. Das System wird um den Betrieb herum gebaut.

Technisch kombiniert Company Wiki Dokumentenverwaltung, Rollenlogik, RAG, Quellenangaben, Embeddings und ein internes Chat-Interface. Der Kunde liefert Inhalte und Prozesse. Ich strukturiere daraus ein System, das nicht nur antwortet, sondern zum Unternehmen passt.

SupabasepgvectorOpenAI EmbeddingsClaudeCloudflareReactbuilt with Claude Code

enforces

enforces

Document Upload

OpenAI
Embedding

pgvector
in Supabase

User Question

Retrieval
+ Ranking

Claude
Answer Synthesis

Answer
+ Source Reference

Knowledge Modules
Docs · Org · Processes
Contacts · Brand · Onboarding

Supabase
Customer Account

React Frontend
Cloudflare

Role Layer
Admin · User · Read-Only
via RLS

SiteSprint

Automatisierte Lead-Qualifikation und Preview-Generierung für lokale Dienstleister.

SiteSprint ist eine End-to-End-Pipeline für Akquise. Das System findet potenzielle Leads, prüft ihre Website, bewertet visuelle Qualität und Verbesserungspotenzial und entscheidet danach, ob sich eine personalisierte Ansprache lohnt.

Die Pipeline kombiniert Scraping, E-Mail-Recherche, Website-Screenshots, visuelle Bewertung durch mehrere Modelle und automatisierte Outreach-Varianten. Ein Teil der Leads bekommt direkt eine Preview. Ein anderer Teil bekommt erst einen Teaser. Dadurch testet SiteSprint nicht nur Technik, sondern auch eine Vertriebsfrage: Wie viel Personalisierung lohnt sich pro Lead wirklich?

Das Projekt ist für mich interessant, weil es AI nicht als Chatbot nutzt, sondern als operativen Prozess. Viele kleine Entscheidungen laufen automatisiert zusammen: finden, prüfen, bewerten, priorisieren, generieren, anschreiben.

Claude CodePlaywrightGemini APICloudflare Pagesown VPSCustom MCP Tools

No

Yes

No

Yes

Too Good

Improvement
Potential

Variant A

Variant B

if interested

Lead Scraping
Branche + Region

Email Found?

Disqualified

Has Website?

Website
from Scratch

Playwright
Screenshots + Video

Claude
Visual Review

Gemini
Visual Review

Consensus?

Disqualified

Identity Extraction
Colors · Typography · Tone

Personalized
Alternative

Email Draft

A/B Split

Deploy Preview
+ Send

Send Teaser
Preview on Response

Wie ich baue.

AI hat meine Art zu bauen komplett verändert. Nicht, weil ein Tool alles kann, sondern weil gute Arbeit heute daraus besteht, Modelle, Agents, APIs und eigene Urteilskraft richtig zusammenzusetzen.

  1. 01

    Keine Tool-Loyalität, auch nicht bei Claude

    Claude Code hat mich monatelang brutal nach vorne gebracht. Mit Opus 4.5 hat es sich teilweise angefühlt wie ein unfairer Vorteil: Scope definieren, Architektur festlegen, Code generieren lassen, gegenprüfen, weiterbauen. Aber genau daraus kam auch die wichtigste Lektion: In AI darf man sich nicht in ein Tool verlieben.

    Mit den späteren Releases hat sich Claude Code für mich deutlich schlechter angefühlt. Träger, unpräziser, öfter daneben, weniger zuverlässig bei komplexeren Aufgaben. Anthropic kann offiziell sagen, dass neue Modelle auf Benchmarks besser sind. Meine reale Arbeitserfahrung war trotzdem: Ich musste umdenken. Also schaue ich stärker Richtung Codex, Kimi, Gemini und andere Systeme.

    Der Punkt ist nicht, ob Claude gut oder schlecht ist. Der Punkt ist: Der beste AI-Workflow von heute kann in drei Monaten mittelmäßig sein. Wer schnell baut, muss auch schnell wechseln können.

  2. 02

    Ich arbeite nicht mehr mit einem Prompt-Feld, sondern mit Arbeitsumgebungen

    AI-Arbeit ist für mich nicht mehr: Ich gebe einem Chatbot eine Aufgabe und kopiere das Ergebnis raus. Das ist zu klein gedacht.

    Die interessanten Systeme arbeiten direkt am Rechner, im Repo, in Files, in Terminals, in Pull Requests. Claude Code, Codex, Antigravity und ähnliche Tools sind nicht einfach bessere Autocomplete-Systeme. Sie übernehmen echte Teile des Build-Prozesses: Dateien lesen, Code ändern, Fehler suchen, Tests ausführen, Refactors vorbereiten.

    Aber der Mensch verschwindet dadurch nicht. Meine Rolle verschiebt sich eher: weg von manueller Kleinarbeit, hin zum Management von Agents. Ich definiere Scope, gebe Kontext, kontrolliere Architektur, prüfe Outputs und entscheide, was zurück in die echte Codebase darf.

    Wer AI nur als Prompt-Feld versteht, nutzt einen Bruchteil dessen, was inzwischen möglich ist.

  3. 03

    Ich baue Produkte als Hypothesen, nicht als Monumente

    Ich versuche nicht mehr, monatelang das perfekte Produkt zu bauen. Ich baue Versionen, die eine klare These testen.

    Bei SiteSprint geht es nicht nur darum, Websites zu analysieren, sondern zu verstehen, welche Art von Personalisierung im Vertrieb wirklich wirtschaftlich funktioniert. Bei illur geht es nicht nur um schöne AI-Bilder, sondern darum, ob D2C-Brands bereit sind, kreative Produktion über Templates und Workflows statt über Agenturen zu lösen.

    Jedes Produkt beantwortet eine Frage. Wenn die Antwort schlecht ist, muss nicht das Ego geschützt werden, sondern die nächste Version besser werden.

  4. 04

    Custom schlägt SaaS, wenn der Kunde echte Kontrolle braucht

    Company Wiki ist bewusst kein klassisches SaaS-Produkt. Kein zentraler Account, keine Standard-Instanz, kein one-size-fits-all-Setup.

    Jeder Kunde bekommt sein eigenes Repo, seine eigene Datenbank, sein eigenes Deployment und ein System, das auf den echten Betrieb angepasst werden kann. Wenn ein Unternehmen interne Sonderprozesse hat, ungewöhnliche Freigabelogiken, eigene Rollen, spezielle Datenstrukturen oder Funktionen, die in normaler SaaS-Software niemals priorisiert würden, kann man sie trotzdem bauen.

    Das ist langsamer als ein Standard-SaaS. Es ist weniger skalierbar im klassischen VC-Sinn. Aber genau darin liegt der Wert: Der Kunde bekommt kein Template mit Logo-Wechsel, sondern eine eigene interne Software-Schicht.

    Company Wiki ist nicht SaaS mit Custom-Fassade. Es ist Custom Software mit AI als Beschleuniger.

  5. 05

    Zwei Schnittstellen statt fünfzig APIs

    Bei illur will ich nicht jede Modell-API einzeln managen. Nicht Flux direkt, Seedream direkt, Kling direkt, Veo direkt, Nano Banana direkt und dann noch zehn verschiedene LLM-Provider daneben.

    Für generative Bild- und Video-Modelle nutze ich fal.ai als Abstraktionsschicht. Für LLMs nutze ich OpenRouter als zentrale Schnittstelle. Das ist nicht immer die billigste Variante pro Request, aber es reduziert massiv Komplexität: weniger Integrationen, weniger kaputte Endpoints, weniger Provider-Chaos, schnellerer Zugriff auf neue Modelle.

    In einem Markt, in dem sich Modelle ständig ändern, ist die beste Architektur nicht die mit den niedrigsten Inference-Cents. Es ist die, die Bewegung erlaubt.

[DE-TODO] Learnings.

[DE-TODO] Learning 1

[DE-TODO] Retro body 1.

[DE-TODO] Learning 2

[DE-TODO] Retro body 2.

[DE-TODO] Learning 3

[DE-TODO] Retro body 3.

[DE-TODO] Learning 4

[DE-TODO] Retro body 4.

[DE-TODO] Lass uns reden.

[DE-TODO] Closing body copy.