KI in der Webentwicklung: Welche Aufgaben eignen sich?

Bei KI-gestützter Webentwicklung entscheidet nicht die Größe eines Tickets über den Nutzen. Entscheidend ist, ob sich das erwartete Ergebnis mit vertretbarem Aufwand prüfen lässt. Unklare Aufgaben mit weitreichenden Folgen erzeugen häufig Rückfragen, Kontrolle und Nacharbeit.

Der sinnvolle Maßstab sind daher die Prüfkosten: Wie zuverlässig und mit welchem Aufwand kannst du feststellen, ob das Ergebnis fachlich und technisch korrekt ist? Eine kleine, aber kaum überprüfbare Änderung kann ungeeignet sein. Eine umfangreichere, klar abgegrenzte Transformation kann dagegen gut funktionieren.

Hier geht es um generative KI als Hilfsmittel während der Entwicklung. Falls du entscheiden möchtest, ob eine Webanwendung selbst ein Sprachmodell oder besser deterministische Logik verwenden soll, hilft der separate Vergleich KI oder feste Regeln in einer Webanwendung.

Der Aufgabenname sagt wenig über die Eignung aus

Allgemeine Aussagen wie „KI kann Tests schreiben“ oder „KI eignet sich für Datenbankabfragen“ greifen zu kurz. Entscheidend ist die konkrete Form der Aufgabe.

Der Auftrag „Schreibe Tests für den Bestellprozess“ lässt offen, welches Verhalten gelten soll, welche Sonderfälle wichtig sind und welche Testarten bereits verwendet werden. Die KI muss Lücken mit Annahmen füllen. Das Ergebnis kann überzeugend aussehen und trotzdem am Geschäftsprozess vorbeigehen. Plausibel ist schließlich keine Teststufe.

Anders sieht es bei einem abgegrenzten Auftrag aus: Für eine vorhandene Preisberechnung sind dokumentierte Eingaben, erwartete Ausgaben und Grenzfälle bekannt. Die KI soll daraus Testfälle im bereits verwendeten Format erstellen. Hier kannst du das Ergebnis gegen klare Erwartungen prüfen.

Die gleiche Tätigkeitsbezeichnung führt damit zu zwei völlig unterschiedlichen Entscheidungen. Bewerte Aufgaben deshalb nach ihrer Struktur, nicht nach ihrem Etikett.

Vier Fragen entscheiden über eine sinnvolle Übergabe

Vor dem Einsatz von KI solltest du vier Fragen beantworten. Dafür brauchst du kein Punktesystem. Ein ehrliches Ja, Nein oder Unklar reicht aus.

Ist das erwartete Ergebnis eindeutig?

Beschreibe, was nach Abschluss der Aufgabe sichtbar oder messbar anders sein soll. „Formular verbessern“ ist zu offen. „Serverseitige Validierung für drei vorhandene Pflichtfelder ergänzen und die bestehenden Fehlermeldungen beibehalten“ setzt eine klare Grenze.

Fehlt ein eindeutiger Sollzustand, beginnt die eigentliche Arbeit vor dem Prompt: Anforderungen klären, Begriffe definieren und widersprüchliche Erwartungen auflösen. KI kann Formulierungen strukturieren, aber keine unbekannte Geschäftsentscheidung korrekt erraten.

Kannst du das Ergebnis unabhängig prüfen?

Eine geeignete Prüfung hängt nicht von der Erklärung des Modells ab. Tests, bekannte Ein- und Ausgaben, ein klarer visueller Vergleich oder eine kleine Menge manuell prüfbarer Fälle sind brauchbare Kontrollmechanismen.

Besondere Vorsicht ist nötig, wenn die KI sowohl die Implementierung als auch den einzigen Test dafür erzeugt. Beide können dieselbe falsche Annahme enthalten. Generierte Tests sind hilfreich, ersetzen aber keine fachlich festgelegten Erwartungen.

Kannst du den benötigten Kontext begrenzen?

Ein Modell braucht genug Kontext, um vorhandene Konventionen und Abhängigkeiten zu berücksichtigen. Gleichzeitig solltest du keine vollständige Codebasis, Produktionsdaten oder vertrauliche Informationen eingeben, wenn ein kleiner Ausschnitt genügt.

Überlege vorab, welche Dateien, Schnittstellen und Beispieldaten tatsächlich erforderlich sind. Für den sicheren Umgang mit solchen Eingaben findest du eine gesonderte Entscheidungshilfe zu Projektdaten in KI-Prompts.

Bleiben Fehler in einem kontrollierbaren Bereich?

Eine fehlerhafte Textformatierung lässt sich meist leicht korrigieren. Ein Fehler in Berechtigungen, Zahlungsabläufen oder einer Datenmigration kann deutlich größere Folgen haben. Je höher der mögliche Schaden, desto enger müssen Freigabe, Testumgebung und menschliche Kontrolle ausfallen.

Das bedeutet nicht, dass KI bei sensiblen Bereichen grundsätzlich nutzlos ist. Sie kann Varianten erklären, Testideen liefern oder einen vorhandenen Ausschnitt kommentieren. Die endgültige Entscheidung und Freigabe darf jedoch nicht stillschweigend an eine generierte Antwort wandern.

So leitest du aus den Antworten eine Entscheidung ab

Wenn Ziel, Prüfung, Kontext und Auswirkungen klar begrenzt sind, eignet sich die Aufgabe in der Regel für eine KI-gestützte Bearbeitung. Du kannst das Ergebnis erzeugen lassen und anschließend mit den vorgesehenen Kontrollen abnehmen.

Ist einer der Punkte unklar, solltest du die Aufgabe zuerst zerlegen. Häufig lässt sich ein riskantes Ticket in einen menschlichen Entscheidungsteil und mehrere gut prüfbare Arbeitspakete aufteilen. Die KI bearbeitet dann nur die Teile, für die bereits ein Sollzustand existiert.

Fehlt eine unabhängige Prüfmöglichkeit oder könnte ein Fehler unmittelbar sensible Daten und zentrale Geschäftsabläufe betreffen, bleibt die KI in einer beratenden Rolle. Sie darf Vorschläge machen, aber weder selbst freigeben noch direkt in einer produktiven Umgebung handeln.

Aufgaben, die sich häufig gut begrenzen lassen

Geeignet sind vor allem Tätigkeiten mit bekannten Mustern und einem überprüfbaren Ergebnis. Typische Beispiele sind:

• strukturierte Daten von einem festgelegten Format in ein anderes überführen,
• wiederkehrenden Code nach einem vorhandenen Projektmuster ergänzen,
• Testfälle aus bereits definierten Ein- und Ausgaben ableiten,
• eine überschaubare Funktion erklären oder auf offensichtliche Randfälle untersuchen,
• Dokumentation für eine bekannte Schnittstelle aus vorhandenem Code vorbereiten,
• eine Änderung zusammenfassen, damit ein Mensch sie gezielter prüfen kann.

Auch bei diesen Aufgaben bleibt Kontrolle erforderlich. Der Vorteil liegt darin, dass du weißt, wonach du suchen musst. Bei einer Formatumwandlung kannst du Beispieldaten vergleichen. Bei wiederkehrendem Code dient eine vorhandene Implementierung als Referenz. Bei Tests stehen die Erwartungen bereits fest.

Aufgaben, die zusätzliche Leitplanken brauchen

Manche Tätigkeiten lassen sich mit KI bearbeiten, sofern du sie in kleine Schritte aufteilst und jede Änderung separat prüfst. Dazu gehören Datenbankabfragen, Migrationen, Änderungen an Abhängigkeiten, reguläre Ausdrücke sowie Anpassungen an Authentifizierung und Berechtigungen.

Bei einer Datenmigration kann die KI beispielsweise einen ersten Entwurf erstellen. Vor einer Ausführung müssen jedoch Datentypen, Sonderfälle, Rückweg und Auswirkungen auf bestehende Datensätze geklärt sein. Eine syntaktisch korrekte Migration ist noch lange keine fachlich sichere Migration.

Ähnlich verhält es sich mit einer unbekannten Programmierschnittstelle. Die KI kann einen Integrationsentwurf liefern. Ob Endpunkte, Parameter und Fehlerverhalten tatsächlich stimmen, prüfst du anhand der maßgeblichen Dokumentation und mit kontrollierten Anfragen. Eine erfundene Methode wird durch saubere Einrückung nicht realer.

Aufgaben, die du nicht autonom übergeben solltest

Schlecht geeignet sind Aufträge, bei denen das Modell fehlende Anforderungen selbst interpretieren müsste. Dazu zählen widersprüchliche Wünsche aus einer Abstimmung, undokumentierte Geschäftsregeln und Entscheidungen über den Umgang mit rechtlich oder wirtschaftlich sensiblen Daten.

Auch ein Produktionsfehler mit unvollständigem Kontext ist keine gute autonome KI-Aufgabe. Das Modell kann Logs strukturieren oder Hypothesen formulieren. Welche Hypothese verfolgt wird und welche Änderung vertretbar ist, muss jemand entscheiden, der das System, seine Abhängigkeiten und die betrieblichen Folgen kennt.

Direkte Änderungen an Produktionsdaten, eigenständige Freigaben und sicherheitsrelevante Entscheidungen gehören ebenfalls nicht in einen unbeaufsichtigten Ablauf. Die Grenze verläuft dort, wo eine plausible Ausgabe mit einer autorisierten Entscheidung verwechselt werden könnte.

Ein praktischer Ablauf am Beispiel eines CSV-Exports

Angenommen, ein internes Verwaltungssystem soll ausgewählte Bestellungen als CSV-Datei exportieren. Der Gesamtauftrag enthält Fachlogik, Datenschutzfragen, technische Umsetzung und Abnahme. Als einzelner Prompt wäre er unnötig offen.

1. Definiere das Ergebnis. Lege fest, welche Datensätze exportiert werden dürfen, welche Spalten enthalten sind, wie Datums- und Zahlenwerte formatiert werden und wer den Export auslösen darf.
2. Trenne Entscheidungen von Umsetzung. Feldwahl und Berechtigungen werden fachlich festgelegt. Die KI soll diese Regeln nicht selbst erfinden.
3. Begrenze den technischen Ausschnitt. Übergib nur die relevanten Datenstrukturen, ein vorhandenes Muster für Downloads und die im Projekt geltenden Konventionen.
4. Fordere ein prüfbares Ergebnis an. Sinnvoll sind ein klarer Änderungsvorschlag, benannte Annahmen und Testfälle für leere Ergebnisse, Sonderzeichen und fehlende Werte.
5. Prüfe unabhängig. Vergleiche die erzeugte Datei mit festgelegten Beispieldaten, kontrolliere Berechtigungen und sieh dir jede Codeänderung an.

Durch diese Zerlegung übernimmt die KI keine Produktentscheidung. Sie bearbeitet einen definierten technischen Ausschnitt. Genau darin liegt der praktische Nutzen: weniger Routinearbeit, ohne die Verantwortung für das Ergebnis zu verwischen.

Formuliere den Auftrag wie eine kleine Übergabe

Ein brauchbarer KI-Auftrag sollte mindestens Ziel, Geltungsbereich, bestehende Konventionen, Grenzen und Abnahmekriterien enthalten. Zusätzlich kannst du verlangen, dass Annahmen ausdrücklich genannt werden. Dadurch werden Unsicherheiten sichtbar, bevor sie unbemerkt im Code landen.

Bitte zunächst um einen Änderungsvorschlag oder eine Liste der betroffenen Stellen, wenn der Umfang noch nicht sicher ist. Erst danach folgt die konkrete Umsetzung. Dieses Vorgehen ist besonders nützlich, wenn eine vermeintlich kleine Anpassung mehrere Komponenten berührt.

Vermeide Aufträge wie „Optimiere diese Funktion“ ohne definiertes Qualitätsziel. Meinst du Lesbarkeit, Laufzeit, Speicherbedarf, Fehlerbehandlung oder weniger Datenbankabfragen? Solange das offenbleibt, kann die KI nur eine eigene Priorität wählen.

Lege vorab fest, wann du abbrichst

Korrekturschleifen sind ein Signal. Wenn du immer mehr Projektkontext nachreichen musst, das Modell dieselbe Randbedingung wiederholt übersieht oder jede Antwort neue Annahmen einführt, passt die Aufgabe in ihrer aktuellen Form nicht.

Lege deshalb vor dem Start ein begrenztes Korrekturbudget fest. Ist es aufgebraucht, formulierst du die Anforderung neu, zerlegst die Aufgabe weiter oder setzt sie klassisch um. So bleibt der erwartete Aufwand kontrollierbar.

Die Freigabe bleibt ein eigener Arbeitsschritt

Ein gutes Auswahlverfahren reduziert Risiken, beseitigt sie aber nicht. Generierter Code benötigt dieselben fachlichen und technischen Kontrollen wie anderer Code. Je nach Änderung gehören Tests, manuelle Prüfung, Sicherheitsbetrachtung und eine kontrollierte Freigabe dazu.

Für diesen letzten Schritt kannst du die Checkliste für generierten Code in Webprojekten verwenden. Sie setzt dort an, wo die Aufgabenauswahl endet: beim konkreten Ergebnis, das ins Projekt übernommen werden soll.

Fazit: Prüfbarkeit entscheidet über den Nutzen

Die beste KI-Aufgabe ist nicht automatisch die größte, langweiligste oder technisch anspruchsvollste. Geeignet ist eine Aufgabe, wenn ihr Sollzustand eindeutig ist, du das Ergebnis unabhängig prüfen kannst, der notwendige Kontext begrenzt bleibt und mögliche Fehler kontrollierbar sind.

Fehlt eine dieser Voraussetzungen, musst du die Aufgabe nicht sofort verwerfen. Zerlege sie, kläre die offene Entscheidung und übergib anschließend nur den prüfbaren Teil. So wird KI zu einem Werkzeug für klar definierte Entwicklungsarbeit und nicht zu einer zusätzlichen Quelle schwer auffindbarer Annahmen.