Ein Kollege hat mich letzte Woche zu einem Termin mitgenommen. Eine Gruppe Menschen, die über eine Kooperation mit dem Arbeitsmarkt zu uns gekommen sind. Menschen, die viele Bewerbungen schreiben. Die wenige oder gar keine Antworten bekommen. Die sich schwertun — manche, weil Deutsch nicht ihre erste Sprache ist, manche, weil die Bewerbung einfach nicht rund ist, manche, weil sie schlicht nicht wissen, wie das heute alles funktioniert.

Und dann fiel das Thema KI.

Die Reaktion hat mich ehrlich gesagt überrascht. Nicht, weil ich keine Ahnung hatte, dass da Skepsis herrscht. Aber wie weit weg das alles von meiner eigenen Realität ist — das hat mich dann doch getroffen.

Wir reden aneinander vorbei

In meiner Welt ist KI Alltag. Ich nutze sie täglich: Anforderungserhebung, Code-Reviews, Texte, Planung. Meine Frau Sarah hat auch angefangen damit — ein bisschen zögerlich noch, aber sie nutzt es. Bei uns ist KI längst kein Thema mehr, das man groß erklären muss.

Und dann sitzt du da, mit Menschen, die noch nie ChatGPT aufgemacht haben. Die KI kennen als Schlagzeile, als Bedrohung, als das Ding, das irgendwann kommt und alles verändert.

Das Ding ist aber: es ist schon da.

Was mich wirklich nachdenklich gemacht hat — wir ITler denken über Dinge nach wie: Welches Modell ist besser? Wie prompted man richtig? Welche Aufgaben delegiere ich an KI, welche nicht? Das sind unsere Probleme. Und das ist natürlich meilenweit entfernt von jemandem, der sich fragt: „Werde ich beim nächsten Bewerbungsgespräch überhaupt noch von einem Menschen gelesen?“

Der Akkuschrauber

Ich habe versucht, das runterzubrechen. Mein Standardvergleich für solche Momente: der Akkuschrauber.

Kein Handwerker dreht heute tausend Schrauben von Hand. Jeder greift zum Akkuschrauber. Nicht weil er muss, sondern weil es einfach sinnvoll ist. Und trotzdem hat nicht der Akkuschrauber das Haus gebaut — der Handwerker hat es gebaut. Das Werkzeug hat ihm nur geholfen.

KI ist nichts anderes. Ein Werkzeug. Kein Teufelswerkzeug, kein Jobkiller, kein Alleskönner. Ein Werkzeug, das man einsetzen kann — oder auch nicht. Aber wer es nicht einsetzt, macht es sich unnötig schwer.

Das gilt übrigens nicht nur für ITler.

Die Sache mit dem Bewerbungsscreening

Ein Punkt, der in der Runde aufkam, hat mich nicht losgelassen. Wenn KI schon heute Bewerbungen voraussortiert — und das tut sie in vielen Unternehmen bereits — dann sind Menschen, deren Bewerbung nicht passt, raus. Ohne dass ein Mensch draufgeschaut hat. Ohne zweite Chance.

Das ist hart. Ich will das nicht schönreden.

Aber die Konsequenz daraus ist nicht, KI abzulehnen. Die Konsequenz ist, das Spiel zu verstehen und mitzuspielen. Keine generische Bewerbung an hundert Unternehmen schicken. Sich mit der Stelle beschäftigen. Die eigene Bewerbung prüfen lassen — von KI, von Freunden, von wem auch immer. Und dann nochmal prüfen.

Lass dir deine Bewerbung von ChatGPT durchlesen. Dann von Gemini. Schau, was beide sagen. Und dann entscheide selbst, was davon zu dir passt — denn wenn eine KI plötzlich hochgestochenes Kanzleideutsch aus dir macht, du aber eigentlich bodenständiger Handwerker bist, dann klingt das nicht nach dir. Und das hilft niemandem.

Wie fängt man an?

Das war die praktischste Frage des Abends, und sie verdient eine praktische Antwort:

Schritt 1: Öffne chat.openai.com oder gemini.google.com. Schreib rein, was dich beschäftigt. Stell eine Frage. Schau, was passiert. Kein Tutorial, kein Kurs — einfach machen.

Schritt 2: Nimm ein konkretes Problem, das dir gerade im Kopf rumgeht — deine Bewerbung, ein Anschreiben, eine schwierige E-Mail. Und unterhalte dich mit der KI darüber wie mit einem Freund. Nicht als Suchmaschine, sondern als Gesprächspartner.

Schritt 3: Gib der KI eine Rolle. Sag ihr: „Du bist HR-Mitarbeiter bei Firma X. Hier ist meine Bewerbung. Was würdest du daran bemängeln?“ Du wirst überrascht sein, wie anders die Antwort wird — und wie viel konkreter.

Die Angst vor KI verliert man nicht durch Nachdenken. Man verliert sie durch Benutzen.

Ein Tipp noch — für alle, die gerade bei null anfangen

Der KI-Podcast der ARD hat vor Kurzem eine Folge rausgebracht zum Thema: Wie fange ich 2026 mit KI an? Ist es zu spät? Was mache ich zuerst? Wirklich empfehlenswert — kein Tech-Insider-Geraune, sondern ehrlich für Einsteiger gemacht.

Was ich mitgenommen habe

Ich sehe mich nicht als KI-Missionar. Das ist nicht mein Ding.

Aber dieser Termin hat mir gezeigt, dass wir in der IT sehr schnell vergessen, wie weit wir von der Realität anderer Menschen entfernt sind. Wir diskutieren über Kontextfenster und Modellvergleiche, während andere noch nicht mal wissen, dass man KI kostenlos nutzen kann.

Das ist keine Kritik an irgendjemandem — das ist einfach so. Aber ab und zu aus der eigenen Bubble rausgucken und sich fragen: Was beschäftigt eigentlich die Menschen, die nicht täglich mit diesem Thema arbeiten? Das tut gut. Mir jedenfalls.

Und das Schönste daran: Was heute noch nicht funktioniert, funktioniert in einem halben Jahr. Ich hab das selbst erlebt — spielmit.eu hätte ich vor einem Jahr mit KI nicht so bauen können wie Anfang dieses Jahres. Die Entwicklung geht schneller als jeder Kurs hinterherkommt.

Also: Gebt KI eine Chance. Probiert Dinge nochmal aus, die vor einem Jahr nicht geklappt haben. Und verliert die Angst — nicht durch Reden darüber, sondern durch Machen.

Der Beitrag Angst vor KI überwinden — und der Moment, in dem mir klar wurde, wie weit wir in der Bubble sind erschien zuerst auf Das ist die Welt von Thomas.

Ich bin Softwarearchitekt. Seit vielen Jahren. Und ich habe mich vor einiger Zeit auch mal in Richtung Business Analyse bewegt — bewusst, mit einem klaren Grund. Aus dieser Kombination heraus habe ich eine ziemlich konkrete Meinung zu der Frage. Hier ist sie.

Warum ich überhaupt in Richtung Business Analyse gegangen bin

Projekte scheitern nicht, weil Entwickler schlecht sind. Das ist meine feste Überzeugung. Sie scheitern, weil zwei Welten aneinander vorbeireden: der Fachbereich und die IT. Beide sprechen unterschiedliche Sprachen, beide meinen es gut, und am Ende entsteht Software, die niemanden wirklich glücklich macht.

Ich glaube, ich kann einem Fachbereich komplexe Dinge einfach erklären. Und ich kann durch die richtigen Fragen helfen, die richtige Lösung zu finden — oder zumindest die Basis dafür. Das wollte ich mit der Business Analyse nutzen. Raus aus dem reinen Entwicklerdenken, rein in die fachliche Welt, um genau an dieser Schnittstelle besser zu werden.

Das ist eine Fähigkeit, die — so viel sei vorweggenommen — in einer KI-Welt nicht weniger wichtig wird. Im Gegenteil.

Was sich gerade wirklich verändert

AI leistet heute schon Erstaunliches. Das ist keine Frage mehr. Wer das bezweifelt, hat vermutlich noch keinen echten Entwicklungsalltag mit einem LLM verbracht.

Aber: AI nutzt die Freiheiten, die man ihr gibt. Vollständig. Und das ist genau das Problem.

In meinen eigenen Projekten habe ich erlebt, wie AI plötzlich veraltete Libraries eingesetzt hat, ohne mit der Wimper zu zucken. Ich habe gesehen, wie Security-Themen einfach ignoriert wurden — Software offen wie ein Scheunenohr. Dokumentation? Fehlanzeige, wenn man nicht explizit danach fragt. Und Architekturentscheidungen trifft die AI eben auch selbst, wenn man ihr keinen Rahmen vorgibt.

Das bedeutet nicht, dass AI schlecht ist. Das bedeutet, dass man wissen muss, was man ihr übergibt — und was nicht.

Der Softwareentwickler als Dompteur

Mein Bild für die Zukunft des Entwicklers ist das des Dompteurs. Nicht der, der die Tiere besiegt. Sondern der, der weiß, wie sie ticken, und der die Richtung vorgibt.

Was braucht es dafür konkret?

Fachlichkeit. Der zukünftige Entwickler muss verstehen, was ein Fachbereich wirklich braucht. Nicht um es selbst zu bauen, sondern um es der AI so aufzubereiten, dass die AI es sauber umsetzen kann. Wer nur Code schreibt, aber keine Anforderungen versteht, hat ein Problem.

Architekturkompetenz. Welches Framework? Welche Architektur? Wie wird das System betrieben? Diese Entscheidungen kann die AI nicht alleine treffen — zumindest nicht sinnvoll. Hier braucht es Erfahrung.

Review und Qualitätssicherung. Prüfen, ob das was die AI gebaut hat, auch wirklich zur Fachlichkeit passt. Ob es sicher ist. Ob es wartbar ist. Das ist kein Nice-to-have, das ist Kernaufgabe.

Guidelines setzen. Rahmenbedingungen für AI-Entwicklung definieren: Security-Standards, Coding-Guidelines, Testabdeckung. Wer das nicht einfordert, bekommt einen Jenga-Turm — von außen stabil, innen wackelig.

Macht mir das Angst?

Ehrlich gesagt: Nein.

Ich sehe AI als Werkzeug. Wie den Akkuschrauber. Als der auf den Markt kam, ist kein einziger Handwerker pleite gegangen. Sie wurden schneller, effizienter, konnten mehr liefern. Nur weil man jetzt einen Hammer hat, ist ja nicht alles gleich ein Nagel.

Wir müssen wissen, welches Werkzeug wir wann einsetzen. Wir müssen lernen, wie es funktioniert. Wer heute sagt „KI macht mich arbeitslos, also ignoriere ich sie“ — der hat das falsch verstanden. Wer heute sagt „KI macht alles, ich muss nichts mehr können“ — der auch.

Die Industrie hat das schon einmal erlebt. Neue Maschinen, neue Techniken, neue Produktivität. Die Arbeitswelt hat sich verschoben, nicht aufgehört.

Was heute schon klar ist

Einen Junior-Entwickler zu beraten, was er in Zukunft tun soll? Ehrlich — ich hab da keine perfekte Antwort. Die Welt verändert sich gerade schnell genug, dass langfristige Karriereratschläge mit Vorsicht zu genießen sind.

Was ich sagen kann: Fachlichkeit, Kommunikationsfähigkeit und der Wille, neue Werkzeuge zu verstehen und zu nutzen — das wird nicht weniger gefragt sein. Wer diese Kombination mitbringt, hat auch in einer KI-getriebenen Entwicklungswelt seinen Platz.

Und wer jetzt anfängt, mit AI zu entwickeln, zu experimentieren und zu lernen wo die Grenzen liegen — der ist schlicht besser aufgestellt als jemand, der abwartet.

Wie seht ihr das? Ich bin gespannt auf eure Perspektive — schreibt’s in die Kommentare.

Der Beitrag Softwareentwickler und KI – wer hat morgen noch einen Job? erschien zuerst auf Das ist die Welt von Thomas.

War es nicht.

Was mich dabei mehr beschäftigt als das Produkt selbst: Was KI-getriebene Produktentwicklung wirklich bedeutet – und warum das größte Risiko nicht der Code ist, sondern der Moment, in dem man der AI einfach antwortet.

Das Grundproblem: Die AI will alles. Sofort. Vollständig.

Stell dir vor, du engagierst einen hochmotivierten Architekten für dein neues Haus. Noch bevor du „Hallo“ gesagt hast, fragt er: Wie viele Stockwerke? Welche Heizung? Soll die Küche offen oder geschlossen sein? Kellergarage oder nicht? Welche Fensterfront gen Süden?

Genau so verhält sich eine AI in der Anforderungserhebung.

Claude – mein Entwicklungspartner in diesem Projekt – stellte von Anfang an präzise, durchdachte Fragen. Die zielten auf eine vollständige, ganzheitliche Lösung ab. Architektonisch macht das Sinn. Produktentwicklungstechnisch ist es eine Falle.

Denn: Wer von Anfang an alles entscheidet, entwickelt am Ende perfekt an den echten Bedürfnissen vorbei.

Das klassische Wasserfallproblem – nur mit KI-Turbo.

Wasserfall 2.0: Schneller in die falsche Richtung

Das Wasserfallmodell ist nicht deshalb gescheitert, weil Menschen zu dumm waren, es umzusetzen. Es ist gescheitert, weil sich Anforderungen verändern, sobald man anfängt, sie zu konkretisieren. Weil der erste echte Nutzer immer Dinge sieht, die kein Workshop-Teilnehmer vorhergesehen hat. Weil Lernen durch Tun nicht durch Planen ersetzt werden kann.

KI-getriebene Entwicklung löst dieses Problem nicht automatisch. Im Gegenteil: Sie beschleunigt es. Man kann in wenigen Stunden ein vollständiges Konzept durchdenken, dokumentieren und in Code überführen – und dabei systematisch an den echten Nutzerbedürfnissen vorbeientwickeln.

Bei spielmit.eu hatte ich genau diesen Moment. Früh wurden UI-Entscheidungen getroffen: Welche Buttons gibt es? Welche Aktionen sind auf welchem Screen verfügbar? Das Ergebnis war ein Interface voller Funktionen – technisch korrekt umgesetzt, aber praktisch eine Zumutung. Tausend Buttons, überladene Screens, keine klare Führung. Erst nach echten Tests und vielen Iterationen kam man auf eine schlanke Lösung.

Wäre man iterativer vorgegangen, hätte das nach dem ersten echten Klick auffallen müssen. Nicht nach zwanzig Entwicklungsrunden.

Die Lösung: Aktiv bremsen, iterativ lernen

Das Gegenmittel klingt einfach. Es ist es nicht.

Als die AI begann, Fragen zu stellen, die ich noch gar nicht beantworten konnte – oder sollte –, musste ich aktiv eingreifen. Meine Standardantwort wurde:

„Damit beschäftigen wir uns später. Lass uns iterativ vorgehen und gemeinsam lernen.“

Das klingt banal. In der Praxis erfordert es diszipliniertes Zurückhalten. Die AI bietet immer eine Antwort an, die sich vollständig und plausibel anfühlt. Die Versuchung, einfach mitzumachen, ist groß.

Was konkret geholfen hat:

Interview statt Fragebogen. Statt alle Fragen auf einmal zu beantworten, habe ich Claude gebeten, sie einzeln zu stellen. Eine Frage. Meine Antwort. Nächste Frage. Das reduziert die Gefahr, sich in frühen Annahmen zu verlieren, dramatisch.

Fachlichkeit vor Technik. Bevor auch nur eine Zeile Code geschrieben wurde, haben wir stundenlang nur die fachliche Logik durchdrungen. Was ist das eigentliche Problem? Wer hat es? Was ist der kleinstmögliche Schritt, der echten Wert liefert?

Kleine, dokumentierte MD-Files statt einem Monolith. Alles landet im Projektverzeichnis – aber verteilt auf kleine, fachlich fokussierte Markdown-Dateien. Eine pro Thema, nicht eine für alles. Das hält das Kontextfenster handhabbar und vermeidet, dass die AI wichtige Anforderungen aus dem Blick verliert.

Prioritäten setzen, nicht alles gleichzeitig. Bei spielmit.eu war von Anfang an klar: Datenschutz und Security sind nicht verhandelbar, alles andere ist nachrangig. Dieses Primat musste ich aktiv verteidigen – nicht einmal, sondern immer wieder.

Nicht-Determinismus: Das unterschätzte Risiko

Eine AI ist kein deterministisches System. Das klingt technisch. Die praktischen Konsequenzen sind handfest.

Derselbe Fehler kann in zwei aufeinanderfolgenden Sessions unterschiedlich interpretiert werden. Einmal findet die AI ihn. Beim nächsten Anlauf übersieht sie ihn – weil sie zwischendurch andere Anforderungen priorisiert hat, weil der Kontext gewachsen ist, weil… nun ja, weil sie eben nicht deterministisch ist.

Man dreht sich im Kreis, ohne es zu merken.

Das erfordert eine Qualität, die kein Prompt ersetzen kann: eigene Wachheit. Als PO oder Architekt muss man verstehen, was gerade wirklich passiert. Wer das vollständig abgibt, verliert die Kontrolle – leise, ohne Drama, und oft erst dann sichtbar, wenn es teuer wird.

Was die AI einfach nicht mitdenkt

Irgendwann habe ich in den Code geschaut. Veraltete Vue-Libraries, fast überall outdated minor versions. Der anschließende Update-Marathon kostete unnötig Zeit – und funktioniert hat er nur, weil wir eine hohe Testabdeckung hatten.

Das Ärgerliche: vollständig vermeidbar. Ein einfacher Check zu Projektbeginn hätte das verhindert. Die AI denkt nicht von alleine an Library-Hygiene, Security-Checks oder Dependency-Management.

Das sind keine Kleinigkeiten. Es sind genau die Dinge, die erfahrene Entwickler im Schlaf prüfen – und die beim KI-getriebenen Entwickeln aktiv eingefordert werden müssen. Am Anfang. Nicht nach zwanzig Iterationen.

Dasselbe gilt fürs Refactoring. Bei größeren Umstrukturierungen wurden Anforderungen vergessen, „zentralisierter“ Code tauchte trotzdem noch an alter Stelle auf. Clean Code und Testabdeckung sind keine akademischen Tugenden. Sie sind das Einzige, was einen vor dem Jenga-Turm rettet – dem Produkt, das von außen funktioniert, das man aber nicht mehr anfassen möchte.

Was AI in der Anforderungserhebung wirklich gut kann

Was KI in der Anforderungserhebung wirklich gut kann? Blinde Flecken aufdecken. Sie stellt Fragen die man selbst nicht stellt – einfach weil man zu nah am Problem dran ist. Genauso gut kann sie Perspektivwechsel erzwingen. „Wie würde ein datenschutzbewusstes Elternteil darauf reagieren?“ – solche Fragen lassen sich schnell und konsequent durchspielen. Was sie dabei aber nicht kann: entscheiden. Die Konsequenzen durchdenken ja, die Entscheidung treffen nein. Das bleibt beim Menschen – weil nur der weiß was er noch nicht weiß.

Der Trick ist, die AI aktiv zum Mitdenken anzuregen. Sie tut das nicht von alleine. Man muss fragen: „Welche Annahme, die wir gerade treffen, könnte sich als falsch herausstellen?“ Oder: „Was spricht dagegen?“

Fazit: AI First ist (noch) keine Option

KI-getriebene Entwicklung funktioniert. Mit Spielregeln, mit Disziplin, mit dem Willen, klein anzufangen und lieber öfter zu lernen als schnell zu skalieren.

AI First – also vollständige Entwicklung ohne menschliche Architektur-Entscheidungen, ohne Review, ohne iteratives Korrektiv – ist heute noch nicht möglich. Wer es trotzdem versucht, bekommt entweder ein Produkt, das die fachlichen Anforderungen nicht erfüllt. Oder, schlimmer, eines, bei dem man das glauben könnte – darunter aber ein Fundament aus technischen Schulden, das nur durch Zufall noch steht.

Die gute Nachricht: Die Kombination aus menschlicher Erfahrung und AI-Geschwindigkeit ist mächtig. Alleine hätte ich spielmit.eu nie gebaut – der Aufwand wäre zu groß gewesen für ein kostenloses Freizeitprojekt. Mit AI als Entwicklungspartner war es möglich.

AI First – also vollständig ohne menschliches Korrektiv – funktioniert heute noch nicht. Wer es trotzdem versucht, merkt das früher oder später. Ich bin froh, dass ich es in der Freizeit gelernt habe.

Der Beitrag KI-getriebene Anforderungserhebung: Warum du die AI bremsen musst, bevor du startest erschien zuerst auf Das ist die Welt von Thomas.

Vom „Vibecoding“ zur stabilen Architektur

Für spielmit.eu habe ich mich auf Neuland gewagt: Es waren meine ersten echten Gehversuche mit einer Progressive Web App (PWA) und Firebase Firestore. Die Funktionen der Anwendung sind mittlerweile extrem umfangreich – und ich gebe offen zu: Ohne KI hätte ich diesen Funktionsumfang in dieser Zeit niemals erreicht. Die KI hat mir einen enormen Teil der „Fleißarbeit“ abgenommen, von der Modellierung der Daten bis hin zu komplexen Cloud-Function-Logiken.

Doch wer heute solche Systeme baut, weiß: Wer sich blind auf die KI verlässt, erntet schnell technische Schuld. Um das Projekt nachhaltig und wartbar zu halten, habe ich die KI als hocheffizienten, aber streng geführten Assistenten eingesetzt:

• Test-Pflicht als Dogma: Sicherheit entsteht durch Transparenz. Ich habe die KI konsequent dazu gezwungen, für jede Funktion umfassende Testfälle zu schreiben. Ein Feature war erst dann „fertig“, wenn die Test-Suite – die ich selbst mit-definiert habe – komplett grün war.
• Die ARCHITECTURE.md als Anker: Um zu verhindern, dass die KI bei der Generierung vom Pfad abweicht, habe ich eine zentrale Architektur-Dokumentation erstellt. Sie dient als mein „System-Gedächtnis“. Jede Änderung der KI musste sich an dieser Architektur messen lassen.
• Sicherheit durch Disziplin: Die Firestore-Sicherheitsregeln waren mein größtes Lehrstück. Mal waren sie zu offen, mal zu restriktiv. Hier half kein „Bitten“, sondern konsequentes Testen, bis die Regeln exakt den Sicherheitsanforderungen entsprachen.

Ein enormer Lernweg

Auch wenn die KI viele Prozesse beschleunigt hat, war das Projekt für mich eine intensive Lernreise. Die Arbeit mit Firebase-Regeln, Triggern, Indizes und Laufzeitbeschränkungen hat mir tiefe Einblicke gegeben, die weit über das hinausgehen, was man in einem Tutorial lernt. Ich wollte nicht nur ein Tool „hingezaubert“ bekommen, sondern verstehen, wie man moderne Software nachhaltig aufbaut und wartbar hält.

Fazit

spielmit.eu ist heute ein lebendes System, das ich – dank der Architektur-Dokumentation und der engen Einbindung der KI – souverän weiterentwickeln kann. Mein Lernfazit: KI-gestützte Softwareentwicklung ist eine fantastische Hebelwirkung, sofern man ihr einen extrem strikten Rahmen vorgibt. Der „No-Brainer“-Moment existiert noch nicht – aber mit der richtigen Struktur wird die KI zu einem mächtigen Werkzeug für das eigene technische Verständnis.

Neugierig geworden? Wenn du auch genug vom WhatsApp-Chaos hast: Schau gerne bei spielmit.eu vorbei und probiere es aus. Ich freue mich riesig über jedes Feedback, das mir hilft, die Plattform noch besser und intuitiver zu machen!

Der Beitrag Mehr als nur ein Prompt: Warum Architektur-Dokumentation das Geheimnis meines KI-Projekts ist erschien zuerst auf Das ist die Welt von Thomas.

Warum überhaupt ein neues Modul?

Mehr oder weniger Regelmäßig kommt es dazu, dass Amazon* seine Prozesse ändert. Anfangs konnte man über die UI HTML-Code mit Bildern etc. erstellen. Dann musste man das über das Backend machen, dann gab es eine API. Nun hat sich Amazon gedacht, es wäre clever die API zu drosseln, wenn man zu wenige Verkäufe hat was dazu führt, dass die Artikel nicht mehr angezeigt werden und weniger verkauft werden … Kein Kommentar dazu.

Möchte man jedoch einen einfachen Link, ggf. mit einem Foto und einer Beschreibung anzeigen und zu Amazon* verlinken benötigt man mehr als den bereitgestellten HTML-Link. Die Informationen die man selbst benötigt um einen Link zusammen zu bauen sind überschaubar (Link, Titel, Beschreibung, ID), also ist eine echte Abhängigkeit aus meiner Sicht nicht notwendig und über eine kleine Datenbanktabelle recht einfach umsetzbar.

ChatGPT: erstelle mir ein WordPress-Modul

Es war Sonntag und ich saß mit dem Notebook am Wohnzimmertisch. Ich dachte mir ich könnte doch einfach mal ChatGPT fragen, ob es nicht Lust hätte mir ein WordPress-Modul zur Verwaltung der Referal Links zu erstellen. Ich eröffnete einen Chat und hatte nach nur 2 Prompts das erste funktionierende Modul. Als erstes fragte ich ChatGPT ob dies eine Möglichkeit kennt die Produkte zu integrieren:

Wie kann ich einen Amazon Artikel auf meiner Seite mit Name, Bild und Beschreibung anzeigen wenn ich einen Partner Account habe aber mein API Access limitiert ist?

Die Antworten zeigten unterschiedliche Möglichkeiten auf wie kostenpflichtige Module welche Amazon Scrapen über den Einsatz von Dienstleistern bis hin zur manuellen Erstellung der Anzeigen. Also fragte ich

Ich denke es ist am einfachsten, wenn ich mir hier selbst was bastle
Kannst du mir ein WordPress Modul erstellen? Dies soll folgende Funktionen haben

Das Modul hat eine Datenbanktabelle in welcher die relevanten Daten gespeichert werden (Amazon-Produkt-ID, URL zum anzuzeigenden Bild, Titel des Produktes, Optionale Beschreibung, Link zum Artikel)

Die Daten sollen über eine Maske im Adminbereich des Modules gepflegt werden können
Über einen Shortcode sollen die Artikel in einen Beitrag integriert werden – Beispiel

Produkt nicht gefunden.

Wenn es integriert wird soll ein HTML Snippet in die Seite integriert werden bei welchen die entsprechenden Daten des Produktes zur ID angezeigt werden

Die Snippets sollten in externen Dateien pflegbar und erweiterbar sein.

Das Modul soll ‚Simple Amazon Referral‘ heissen

Um ehrlich zu sein habe ich nicht sonderlich viel erwartet doch das Ergebnis war direkt einsetzbar. ChatGPT erstellt mir eine erste Version des Modules welches den Vorgaben von WordPress entsprach, die Datenbank aufsetzte und sämtliche Vorgaben erfüllte.

ChatGPT setzt auch Anpassungswünsche um

Nachdem die erste Version des Modules bereits recht gute Ergebnisse erzielte und ein erster PoC erfolgreich war versuchte ich, das Modul weiter zu verbessern. Hierbei blieb ich einfach im gleichen Chat und teilte meine Wünsche mit:

• Erstellung weiterer Anzeige-Templates
• Shortcode erweitern um Auswahl des Templates
• weitere Shortcode zur Erstellung eines Textlinks
• Angabe der Datenbank-ID oder der Produkt-ID im Shortcode

Am „Ende“ ist ein Modul entstanden welches ich, ohne eigene Anpassungen, direkt einsetzen könnte. Die Qualität überraschte mich wirklich enorm.

Code nach kleinem Review veröffentlicht

Ich gebe zu, dass ich ChatGPT nicht vertraut und den Code nochmal geprüft habe. Auch habe ich mir manuell nochmal die Vorgaben von WordPress zur Entwicklung von Modulen durchgelesen (mein letzte Modul ist doch schon ein paar Jahre her). Allerdings musste ich selbst nichts verbessern was ich nicht über Prompts durch ChatGPT übernehmen lassen konnte.

In den offiziellen WordPress Modulkatalog habe ich das Modul nun nicht übernommen, dennoch entschied ich mich dazu es auf Github abzulegen.

Das gesamte Modul ist unter GitHub unter dem Namen ‚Simple Amazon Referral‚ bereitgestellt. Mal sehen wie sich das ganze weiter entwickelt …

ChatGPT als Gefahr für die Softwareentwicklung?

Wenn ich mich mit Bekannten unterhalte kommt häufig die Frage auf, ob ChatGPT (oder andere LLMs) nicht eine Gefahr für die Softwareentwicklung darstellen. Ich selbst sehe das nicht so sondern sehe in den LLMs Möglichkeiten zu Optimierung. Schon heute unterstützen mich die Modelle in meiner täglichen Arbeit (inzwischen auch in meinem Berufsleben) und nehmen mir „leichte Arbeiten“ zum Teil ab. Hier und da werde ich korrigiert oder auf Fehler hingewiesen. Ich persönlich sehe die Large Language Modelle eher als eine neue Technik an die man als guter ITler kennen und beherrschen sollte.

Wie seht Ihr das?

Der Beitrag Simple Amazon Referral – WordPress Modul durch ChatGPT erschien zuerst auf Das ist die Welt von Thomas.

Die Vorgeschichte – was ist passiert?

Meine Frau arbeitet im Nebengewerbe als freie Traurednerin und bringt hier unheimlich viel Herzblut rein. Sie kümmert sich in jeder freien Minute um Ihre Brautpaare, ist ständig erreichbar und macht deutlich mehr als die normale Traurednerin tun müsste. Das spiegelt sich in den Bewertungen Ihrer Brautpaare wieder welche durchweg positiv sind.

Plötzlich kommen in kurzem Abstand einige negative Bewertungen, ohne Text, rein. Meine Frau ist verwirrt und durchsucht Ihre Kundenkartei nach den Namen der Bewerter doch keiner der Namen hat jemals mit meiner Frau in Verbindung gestanden. Innerhalb weniger Stunden trudeln so 5 Bewertungen mit jeweils nur einem Stern ein. Die Folge: Der Bewertungsscore geht von 5.0 auf zwischenzeitlich 4.6 runter.

Die Frage – wie gehen wir damit um?

Ärgerlich ist, dass es offensichtlich recht einfach ist mit nur wenigen Klicks den ersten Eindruck eines Unternehmens in den Dreck zu ziehen. Nichts gegen ehrliche und berechtigte Kritik, ungerechtfertig ein Unternehmen öffentlich nieder zu machen geht jedoch gar nicht.

Nach ein wenig Recherche wurde schnell klar, dass Bewertungen sich laut den Richtlinien nur auf tatsächliche Erfahrungen beziehen müssen. Diese müssen wahrheitsgemäß und vertrauenswürdig sein und in Verbindung mit einer tatsächlichen Erfahrung / Geschäftsbeziehung stehen. Wir bezweifeln stark, dass die hier für uns anonyme Bewertungen diesen Richtlinien entsprechen und entscheiden uns dagegen vorzugehen.

Google Bewertungen löschen – geht das auch ohne Unterstützung?

Das Internet ist voll von Angeboten von Anwälten oder irgend welchen Dienstleistern, welche helfen gegen negative Bewertungen vorzugehen. Auch wir haben kurz überlegt diesen Weg einzuschlagen, sind dann jedoch auf ein YouTube Video der Kanzlei Gulden Röttger aus Mainz gestoßen:

Nachdem ich das Video mehrmals angesehen habe war mir klar, dass ich die beschriebenen Schritte selbst versuchen werde. Sollte dieser Versuch fehlschlagen kann ich noch immer die Kanzlei beauftragen.

Formular ausfüllen und … warten ….

Ich bin, oh wunder, der Admin des Google Profils meiner Frau und verfüge somit über alle notwendigen Berechtigungen (und natürlich Ihr Einverständnis mich um das Thema zu kümmern). Der Prozess des Löschens ist ein wenig Aufwändig, hat bei uns aber in der Tat funktioniert:

Das nächste Formular hat es ein wenig in sich und ist nicht ganz so einfach auszufüllen. Die Beantwortung der gestellten Fragen hat Auswirkungen darauf, ob meine Löschung akzeptiert wird. Also achte ich darauf, dass ich selbige maximal Sinnvoll ausfülle. Zu diesem Zweck habe ich mich dem Hilfmittel ChatGPT bedient und mir bei der Formulierung helfen lassen:

Nachdem das Formular nun vollständig ausgefüllt sollte im Postfach sollte eine Eingangsbestätigung von Google eingehen. Diese Mails enthalten eine Bearbeitungsnummer und wurden bei mir gut gespeichert. Wer weiß, vielleicht sind diese bei der Beauftragung eines Anwalts ja hilfreich. Nun heisst es abwarten …

Google Bewertungen löschen – wir mussten 14 Tage warten

Zugegeben, nach dem Absenden des Antrages an Google erhofft man sich natürlich dass sich nun sofort jemand drum kümmert. Oder zumindest zeitnah. Dennoch hat Google hier einen Prozess welcher natürlich einige Zeit in Anspruch nimmt. Geduld ist gefragt, auch wenn es schwer fällt. Besonders ärgerlich ist es, wenn nach dem Absenden der Formulare weitere Bewertungen eingehen, das nervt. Aber gut, Formulare ausfüllen und weiter warten.

Nach ziemlich genau 14 Tagen trudeln dann erneut Mail von Google ein. Die Anfrage wurde bearbeitet und die Bewertung gelöscht. Eine Mail nach der nächsten trudelt und, alle mit dem gleichen Inhalt. Allen Anträgen wurde stattgegeben und die anonymen und unberechtigten Bewertungen wurden entfernt.

Fazit zum Thema Google Bewertungen und dem Löschen von unberechtigten

Der Prozess zum Löschen von unberechtigten Google Bewertungen ist nicht ganz ohne und beim ersten mal ein wenig aufwändig. Wenn man mal verstanden hat wie selbiger funktioniert aber kein Hexenwerk. Ich selbst nutze die Bewertungsfunktion von Google sehr ausgiebig und bewerte sowohl positiv als auch negativ. Gleichzeitig haben negative Bewertungen aber auch Einfluß auf mein eigenes Verhalten und können dazu führen, dass ich z.B. einem anderen Dienstleister den Vorzug gebe.

Auch erhalte ich hier und da einmal eine Mail von Google oder eines Anwaltes dass eine negative Bewertung gelöscht werden soll. Da meine Bewertungen alle nachvollziehbar, ehrlich und mit Bildern versehen sind widerspreche ich selbigen Mails und übersende meine Beweise mit. Von mir wurde noch keine Bewertung gelöscht – warum auch.

Meiner Meinung nach ist es sehr gut, dass der angebotene Service funktioniert und das Google sich hier Zeit für eine Prüfung nimmt. Wir sind Deine Erfahrungen mit dem Thema Google Bewertungen löschen / abgeben?

Der Beitrag Google Bewertungen löschen – funktioniert dank ChatGPT erschien zuerst auf Das ist die Welt von Thomas.

Nach dem Testen verschiedener Spracherkennungssysteme wie Google und Azure, bin ich auf das Whisper Modell gestoßen. Whisper bietet eine beeindruckende Erkennungsqualität, unterstützt jedoch keine Streamingoptionen. Um dies zu umgehen, habe ich den Ansatz des Micro-Batchings verwendet.

Streaming vs. Micro-Batching

Streaming bedeutet, dass Daten kontinuierlich und sofort verarbeitet werden, sobald sie eintreffen. Dies ermöglicht Echtzeit-Ergebnisse. Im Gegensatz dazu sammelt Micro-Batching Daten in kleinen Paketen und verarbeitet sie in kurzen Abständen, was eine geringe Verzögerung zur Folge hat, aber nahe an Echtzeit herankommt.

Die Lösung: Micro-Batching

Beim Micro-Batching werden Audiodaten in kleinen Blöcken gesammelt und verarbeitet. So kann Whisper diese kleinen Datenpakete schnell verarbeiten, was das Gefühl einer Echtzeit-Erkennung vermittelt.

So habe ich es gemacht:

1. Daten sammeln: Eingehende Audiodaten werden in einem Puffer gespeichert.
2. Batches erstellen: Sobald genügend Daten gesammelt sind, wird ein Micro-Batch erstellt.
3. Whisper nutzen: Diese Micro-Batches werden an Whisper zur Erkennung gesendet.
4. Ergebnisse verarbeiten: Die erkannten Texte werden dann an das Conversational AI System weitergeleitet.

Streaming verarbeitet Daten kontinuierlich und sofort, sobald sie eintreffen, wodurch Ergebnisse in Echtzeit bereitgestellt werden. Micro-Batching sammelt Daten in sehr kleinen Paketen und verarbeitet sie in kurzen Abständen, was zu einer minimalen Verzögerung führt. Während Streaming echte Echtzeit-Verarbeitung bietet, kombiniert Micro-Batching die Vorteile der Batch-Verarbeitung mit nahezu Echtzeit-Leistung.

Herausforderungen und Ergebnisse

Obwohl die Erkennungsqualität von Whisper beeindruckend ist, gab es im vorproduktiven Testeinsatz Probleme. Whisper neigt dazu, viele Halluzinationen zu erzeugen und transkribiert oft Dinge, die nicht in den Sprachdaten vorhanden sind. Diese ungenauen und teilweise total falsche Transkriptionen machen den produktiven Einsatz schwierig.

Fazit

Die Integration von Whisper in unser System war eine wertvolle Erfahrung, trotz der Herausforderungen. Der Micro-Batching-Ansatz ermöglichte es, die hohe Erkennungsqualität von Whisper zu nutzen, aber die Halluzinationen sind ein großes Hindernis für den produktiven Einsatz. Daher suchen wir nun für jede Sprache individuelle Lösungen, beobachten jedoch die Entwicklungen rund um Whisper weiterhin aufmerksam.

Der Beitrag Whisper Streaming: Herausforderungen und Lösungen bei der Spracherkennung erschien zuerst auf Das ist die Welt von Thomas.