Ein Team aus einer Person —
KI als Entwicklungsteam
Die Idee war der einfache Teil. Dieser zweite Teil zeigt, wie ich ArchivBlick als Einzelperson tatsächlich gebaut habe: mit KI als Entwicklungsteam, einem schnellen Prompt-Code-Test-Loop und einer verteilten Pipeline, in der jede Maschine das tut, was sie am besten kann.
Dies ist Teil 2 der Serie »Vom Problem zum Produkt«. Teil 1 erzählt, wie aus einem unauffindbaren Foto die Idee zu ArchivBlick wurde.
Die Lücke zwischen Vision und Umsetzung
Als Solo-Gründer kennt man ein Gefühl sehr gut: Du weißt genau, was du willst. Du siehst das fertige Produkt vor dir. Aber zwischen dieser Vision und der Realität liegt eine riesige Lücke — und die Lücke heißt Hände. Eine native iPad-App, eine KI-Bilderkennung, eine Datenbank für hunderttausende Einträge, eine Cloud-Anbindung: Das ist klassischerweise Arbeit für ein kleines Team über viele Monate.
Was KI-gestützte Entwicklung verändert hat, ist nicht, dass sie diese Lücke verkleinert. Sie löst sie fast auf. Ich konnte abends eine Idee haben — „lass uns die Bilder automatisch verschlagworten" — und am nächsten Tag war es umgesetzt und getestet. Nicht in einem Sprint. Nicht nach Funding. Jetzt.
Mein Workflow: Prompt → Code → Test
Der Prozess folgte einem einfachen, aber strengen Muster: Prompt → Code → Test → Iterieren. Statt wochenlang Architektur auf dem Papier zu planen, beschrieb ich ein Feature, ließ es bauen, testete das Ergebnis sofort am echten Material — und korrigierte. Jede Runde lieferte etwas Lauffähiges.
Wichtig ist, was das nicht heißt: Die KI schreibt nicht allein die App, und sie ersetzt nicht das Nachdenken. Meine Aufgabe blieb, die Richtung vorzugeben, die schwierigen Entscheidungen zu treffen und die Ergebnisse kritisch zu prüfen. Aber der Feedback-Loop von der Idee zum funktionierenden Feature schrumpfte von Tagen auf Stunden. Und genau diese Geschwindigkeit ist der eigentliche Hebel.
Ein Beispiel, das mich selbst überrascht hat: Eine erste KI-Verschlagwortung über rund 131.000 Bilder lief in etwa 43 Minuten durch. Eine grobe inhaltliche Kategorisierung des kompletten Archivs — in unter einer Stunde. Vor wenigen Jahren wäre das ein Forschungsprojekt gewesen.
Jede Maschine macht, was sie am besten kann
Ein Archiv dieser Größe sprengt einen einzelnen Rechner. Die Lösung war eine verteilte Pipeline, in der die Arbeit nach Stärke verteilt wird — ein Prinzip, das sich durch das ganze Projekt zieht:
- Ein Mac mini übernahm die KI-Aufgaben, die GPU-Leistung brauchen: schnelle Kategorisierung der Bilder und ausführliche, sprachliche Bildbeschreibungen.
- Die NAS-Systeme machten die datenintensive Arbeit direkt auf den Platten: Vorschaubilder erzeugen, GPS-Spuren aus Videos ziehen, Einzelbilder aus Filmen extrahieren — alles ohne Netzwerk-Umweg.
- Mein Laptop war die Schaltzentrale: Code schreiben, Ergebnisse zusammenführen, die App bauen.
Während die eine Maschine elf Tage an detaillierten Bildbeschreibungen rechnete, konnte die andere parallel GPS-Daten verarbeiten. Diese Parallelität war nur möglich, weil ich nicht mehr der Flaschenhals war: Die KI hielt mir den Rücken frei, sodass ich mich um die Orchestrierung kümmern konnte statt um jede einzelne Codezeile.
Was KI gut kann — und wo Erfahrung zählt
So transformativ der Ansatz ist, ein Allheilmittel ist er nicht. KI ist dort am stärksten, wo die Erfolgskriterien eindeutig sind: eine Datenbank-Abfrage, eine Bildschirm-Ansicht, eine klar definierte Funktion. Da liefert sie in Minuten, wofür man früher Stunden brauchte.
Dort, wo Domänenwissen und echte Erfahrung gefragt sind, bleibt der Mensch unersetzlich. Welche Suche fühlt sich für einen Menschen natürlich an? Wann ist ein automatisch vergebenes Schlagwort eher irreführend als hilfreich? Solche Fragen entscheidet kein Modell — die beantwortet nur, wer das Problem selbst hat. Und ich habe es selbst: Ich bin der erste Nutzer von ArchivBlick.
Von der Idee bis aufs iPad
Das vielleicht eindrücklichste Ergebnis: Von der ersten Idee bis zur lauffähigen App auf einem iPad Pro vergingen rund sieben Tage. In dieser Zeit entstand der durchsuchbare Index über alle Dateien, liefen die KI-Pipelines, wurde die Cloud-Anbindung eingerichtet und die native App gebaut und aufs Gerät gebracht. Hunderttausende Vorschaubilder scrollen darauf flüssig, die Suche funktioniert, und das alles offline.
Das ist der Punkt, an dem es bei mir „klick" gemacht hat. Nicht bei einem schicken Demo, sondern bei der Erkenntnis: Ich kann meine Vision in der Geschwindigkeit bauen, in der ich sie denke.
Transparenzhinweis: ArchivBlick und dieser Blog sind vollständig selbstfinanziert. Wenn ich Werkzeuge wie Claude Code als KI-Entwicklungsumgebung nenne, geschieht das aus eigener Erfahrung — ich werde dafür nicht vergütet und stehe in keiner bezahlten Partnerschaft.
Wie es weitergeht
Schnell etwas bauen zu können, wirft sofort eine neue Frage auf: Was baut man eigentlich — und was kauft man besser fertig? Im dritten Teil geht es um diese Build-vs-Buy-Entscheidung und darum, warum ArchivBlick bewusst lokal läuft, ohne Abo und ohne Cloud-Zwang. Eine Entscheidung, die mehr Produkt-Statement ist als Technik-Detail.
→ Weiter mit Teil 3: Bauen, was es nicht zu kaufen gibt
- KI-gestützte Entwicklung löst die Lücke zwischen Vision und Umsetzung. Eine Idee am Abend war am nächsten Tag umgesetzt und getestet — der Feedback-Loop schrumpft von Tagen auf Stunden.
- Verteilte Pipeline nach Stärke: ein Mac mini für die KI-Aufgaben (GPU), die NAS-Systeme für datenintensive Arbeit, der Laptop als Schaltzentrale.
- Von der Idee bis zur App auf dem iPad vergingen rund 7 Tage — eine erste KI-Verschlagwortung über 131.000 Bilder lief in etwa 43 Minuten durch.
Häufige Fragen
Kann eine Einzelperson eine solche App allein bauen?
Ja. Mit KI als Entwicklungsteam lässt sich der Aufwand, der klassisch ein kleines Team über Monate bindet, auf eine Person verdichten. Entscheidend ist die Geschwindigkeit der Iteration, nicht ein großes Team.
Schreibt die KI den Code komplett allein?
Nein. Die KI beschleunigt den Weg von der Idee zum lauffähigen Feature enorm, aber Richtung, schwierige Entscheidungen und das kritische Prüfen der Ergebnisse bleiben beim Menschen. KI verstärkt Erfahrung, sie ersetzt sie nicht.
Wie lange dauerte die Entwicklung von ArchivBlick?
Von der ersten Idee bis zur lauffähigen App auf einem iPad Pro vergingen rund sieben Tage — inklusive Index über alle Dateien, KI-Pipelines, Cloud-Anbindung und nativer App.