Die Idee

Es gibt dutzende Motorrad-Apps. Die meisten sind entweder überladen, teuer oder messen ungenau. Was fehlte: eine App, die Schräglage, Kurven und Vmax zuverlässig erfasst – ohne externe Sensoren, nur mit dem Smartphone. Diese Lücke im Markt war der Startpunkt für Kurvenfokus.

Der KI-Workflow

Der Entwicklungsprozess folgte einem klaren Muster: Prompt → Code → Test → Iterate. Statt wochenlang Architektur zu planen, konnte ich mit KI-Unterstützung direkt in die Umsetzung gehen. Jede Iteration brachte ein funktionierendes Ergebnis, das ich sofort auf dem Motorrad testen konnte.

Das bedeutet nicht, dass KI den Code alleine schreibt. Es bedeutet, dass der Feedback-Loop von der Idee zum lauffähigen Feature dramatisch verkürzt wird – von Tagen auf Stunden.

Was funktioniert hat

  • Sensor-Integration: Die Anbindung an die Smartphone-Sensoren (Gyroskop, Beschleunigungssensor, GPS) war mit KI-Unterstützung überraschend schnell umgesetzt. Die mathematischen Grundlagen für die Schräglage-Berechnung waren sofort verfügbar.
  • UI-Iteration: Das Interface konnte in hoher Geschwindigkeit iteriert werden. Statt pixelgenauer Mockups entstanden direkt funktionale Screens, die sofort testbar waren.
  • Plattform-Übergreifend: iOS und Android gleichzeitig zu bedienen war mit KI-gestützter Entwicklung realistisch – auch als Einzelperson.

Wo die Grenzen liegen

  • Debugging: Wenn Sensordaten auf verschiedenen Geräten unterschiedlich ausfallen, hilft KI nur bedingt. Die Lösung kam durch echte Testfahrten und manuelle Kalibrierung.
  • Edge Cases: Extreme Schräglage, Tunnelfahrten ohne GPS, Hitze-bedingte Sensor-Drift – diese Probleme erfordern Domänenwissen, das kein Modell hat.
  • Kalibrierung: Die Feinabstimmung der Algorithmen brauchte hunderte Testkilometer. KI kann den Prozess beschleunigen, aber nicht ersetzen.

Fazit

KI ist ein Werkzeug – kein Ersatz für Erfahrung, Tests und Iteration. Aber als Werkzeug ist sie transformativ. Sie hat es mir ermöglicht, als Einzelperson ein Produkt zu bauen, für das normalerweise ein kleines Team nötig wäre. From prompt to product ist keine Marketing-Phrase – es beschreibt einen echten Workflow.

Die Werkzeuge

Wenn ich von „KI-gestützter Entwicklung" spreche, meine ich konkret: Claude Code als primäres Entwicklungswerkzeug. Kein GitHub Copilot, der einzelne Zeilen vorschlägt — sondern ein KI-Agent, der ganze Features im Dialog entwickelt, testet und iteriert.

Der typische Workflow sieht so aus: Ich beschreibe ein Feature (z.B. „Implementiere eine Schräglage-Heatmap auf der Karte"), Claude Code analysiert die bestehende Codebase, schlägt eine Architektur vor, schreibt den Code und führt die Tests aus. Mein Job ist es, die Richtung vorzugeben, Edge Cases zu identifizieren und die Ergebnisse auf dem Motorrad zu testen.

Das funktioniert, weil die Aufgaben klar definiert sind: Sensorik hat physikalische Regeln, UI hat visuelle Anforderungen, und Algorithmen haben messbare Outputs. KI-gestützte Entwicklung ist dort am stärksten, wo die Erfolgskriterien eindeutig sind.

In Zahlen

Ein paar Kennzahlen aus der bisherigen Entwicklung, um das Modell greifbar zu machen:

  • Entwicklungsstart: Januar 2026
  • Erste TestFlight-Version: nach 6 Wochen
  • Plattformen: iOS (SwiftUI) + Android (Jetpack Compose) parallel
  • Aktueller Stand: iOS v0.0.23 Build 37, Android v0.0.17 Build 23
  • Features: GPX-Import, automatische Kurvenerkennung, Schräglage, Heatmap, Tour-Score, Kamm'scher Kreis, Story-Card Export
  • Kurvenerkennungs-Algorithmus: Validiert gegen 1.209 Motobit-Referenzkurven (Dolomiten, 170 km)

Die Geschwindigkeit der Iteration ist der entscheidende Vorteil. Features, die in einer traditionellen Entwicklung Wochen dauern, sind in Tagen umsetzbar. Das bedeutet nicht weniger Qualität — sondern mehr Iterationen in weniger Zeit. Und jede Iteration wird auf echten Touren getestet.

Dual-Plattform-Strategie

Ein einzelner Entwickler, der gleichzeitig iOS und Android bedient — das wäre ohne KI-Unterstützung unrealistisch. SwiftUI und Jetpack Compose sind unterschiedliche Frameworks mit unterschiedlichen Paradigmen. Aber die Geschäftslogik ist identisch: Kurvenerkennung, Schräglagenberechnung, GPX-Parsing.

Der KI-gestützte Ansatz ermöglicht es, die Logik zuerst auf einer Plattform zu entwickeln und dann auf die andere zu portieren — mit Verständnis der plattformspezifischen Unterschiede. Das Ergebnis: nahezu Feature-Parität zwischen iOS und Android, mit wenigen plattformexklusiven Features (z.B. Route-Matching nur auf iOS, Auto-Merge nur auf Android).

Was andere Entwickler daraus lernen können

KI-gestützte Entwicklung ist kein Allheilmittel. Aber für bestimmte Projekttypen ist sie ein Gamechanger. Drei Erkenntnisse, die sich auf andere Projekte übertragen lassen:

Erstens: Starte mit dem härtesten Problem. Bei Kurvenfokus war das der Kurvenerkennungs-Algorithmus. Wenn die Kernlogik nicht funktioniert, ist der Rest irrelevant. KI kann schnell Prototypen liefern, die zeigen, ob ein Ansatz tragfähig ist — bevor man Wochen in UI und Infrastruktur investiert.

Zweitens: Teste in der echten Welt, nicht nur im Simulator. Sensordaten verhalten sich auf dem Motorrad anders als in der Unit-Test-Fixture. GPS-Drift, Temperatur-bedingte Sensor-Abweichungen, Unterschiede zwischen Smartphones — all das findet man nur durch reale Testfahrten. KI beschleunigt den Code, aber das Domain-Wissen kommt aus der Praxis.

Drittens: Dual-Plattform von Anfang an. Wenn du iOS und Android gleichzeitig baust, entdeckst du Architekturprobleme früh. Features, die auf einer Plattform funktionieren, aber auf der anderen nicht portierbar sind, werden sofort sichtbar. KI-gestützte Portierung zwischen SwiftUI und Jetpack Compose ist überraschend effektiv — vorausgesetzt, die Geschäftslogik ist sauber getrennt.

Das größte Learning: KI ersetzt nicht die Erfahrung des Entwicklers — sie verstärkt sie. Je mehr Domänenwissen du mitbringst, desto besser kannst du die KI-Outputs bewerten, korrigieren und in die richtige Richtung lenken.

Kurvenfokus ist der lebende Beweis: Ein einzelner Entwickler kann mit KI-Unterstützung ein Produkt bauen, das auf zwei Plattformen läuft, tausende Nutzer hat und sich technisch nicht hinter Team-Produkten verstecken muss. Die Zukunft der Softwareentwicklung ist nicht mehr Code oder KI — es ist Code mit KI.