„Everything is possible" — das ist das Gefühl, das sich bei mir durch die Arbeit mit AI entwickelt hat. Die Möglichkeiten wirken nahezu grenzenlos. Das ist einerseits überwältigend, andererseits liegt genau darin die Freiheit, meine eigene Richtung zu definieren.
Jede Woche kommen neue, noch bessere, noch schnellere Modelle auf den Markt. Im folgenden die Tools mit denen ich täglich arbeite.
Cursor
Mein primärer Code Editor – hier läuft alles zusammen. Planning, Coding, Testing, Debugging.
Claude Code
Mit Opus 4.6 mein No. 1 Coding-Tool. Claude ist meiner Erfahrung nach besonders zuverlässig. Es löst Probleme präzise und mit selbstbewusster Selbstständigkeit. Zusätzlich nutze ich das Language Model für Ideenfindung, Planung und Prototyping.
ChatGPT (Codex)
Heute vor allem mein Backup, wenn Claude sich im Kreis dreht. Codex arbeitet langsamer, denkt länger nach und bringt oft eine andere Perspektive auf ein Problem, indem es tiefer einsteigt und gezielte Rückfragen stellt. Den Plan-Modus nutze ich zusätzlich, um komplexe Tasks in klare Schritte herunterzubrechen.
Wispr Flow
Wispr Flow ersetzt für mich oft das Tippen. Ich drücke die fn-Taste und spreche einfach drauflos, statt Prompts künstlich konstruieren zu müssen. Das ist natürlicher, bringt mehr Kontext und macht den Workflow deutlich flüssiger.
Hardware
Mein gesamtes Setup läuft auf einem Baseline MacBook Air mit M3 Chip. Ein Laptop für unter 1.300 €. Die Grenze dessen, was eine einzelne Person umsetzen kann, hat sich massiv verschoben.
AHT ist mein aktuelles Projekt und meine Lernumgebung. Dabei durchlaufe ich den gesamten Build-Prozess an einem echten Produkt: Design, Code, Backend, Daten und AI-Integration.
Another Habit Tracker
AHT ist eine routinen-basierte Execution App für das iPhone. Du bündelst Habits in Routinen, hakst sie in unter 60 Sekunden ab und siehst über "Another Score", wie konsistent du wirklich bist. Eine AI analysiert deine Muster und schlägt Optimierungen vor.
Powered by AI
Intelligente Routine-Vorschläge, Gap-Analyse, Pattern Recognition und wissenschaftliche Erklärungen pro Habit. Alles personalisiert auf Basis deiner Daten – keine generischen Templates. OpenAI API, serverseitig über Supabase Edge Functions.
Ich denke niemand setzt sich einmal hin und versteht AI. Es ist ein Prozess – repetitiv, manchmal frustrierend, aber unglaublich faszinierend. Man probiert aus, scheitert, versteht, und man bekommt das Gefühl, alles sei möglich.
1. Validate
Beim nächsten Projekt würde ich anders vorgehen: Erst validieren, dann bauen. MVP, Waitlist, echtes Feedback – und erst dann in die Entwicklung gehen.
2. Know the limitations
AI kann fast alles. Aber nicht alles gut. Wer die Grenzen nicht kennt, produziert überzeugenden Unsinn. Wichtig: Verstehen wo AI aufhört und wo mein eigenes Denken anfängt.
3. Taste
AI kann Code schreiben, Texte generieren, Prozesse automatisieren. Aber ob etwas gut ist – wirklich gut – das entscheidet noch immer der Mensch. Nicht alles lässt sich outsourcen.
4. Knowing what's possible
Ein großer Teil von AI ist nicht das Bauen selbst, sondern zu wissen, was überhaupt möglich ist. Welche Tools es gibt, was sie können, wie man sie kombiniert. Dieses Wissen ist oft der größere Hebel.
5. Ship, don't polish (OPEN ÜBERARBEITEN)
Irgendwann muss es raus. Nicht perfekt, aber fertig. Ich neigte dazu, Details endlos zu optimieren. Das Learning: Lieber eine gute Version shippen, als ewig an der perfekten zu sitzen.
6. Approach AI playfully
"Approach AI in a playful way, build something that you always wanted to build." – Peter Steinberger. Die besten Ergebnisse entstehen aus Neugier, nicht aus Pflicht. Anfangen, ausprobieren, den ganzen Prozess durchleben und dabei nicht die Freude am Entdecken verlieren. Bei alledem sei nicht vergessen, wie einzigartig die Möglichkeiten sind, die wir gerade erleben.