50 Tage, von Null auf v2.0: Was wir beim Bauen mit KI gelernt haben

In 50 Tagen gingen wir von absolutem Null zu einer Plattform mit 10 Workspaces, 33+ KI-Endpunkten, 16 nativen Sprachen und über 1.000 Commits. Eine McKinsey-Studie (2024) berichtet, dass Teams, die KI in der Softwareentwicklung einsetzen, 30-50 % schneller liefern als traditionelle Teams. Unsere Erfahrung beim Aufbau von Nervus.io mit Claude Code deutet darauf hin, dass diese Zahl konservativ ist. Dieser Artikel dokumentiert exakt, wie wir es gemacht haben, was funktioniert hat, was gescheitert ist und was jeder Gründer replizieren kann.

Die Herausforderung: Ein komplettes SaaS mit einem minimalen Team aufbauen

Die meisten SaaS-Produkte im Produktivitätsmarkt brauchen 12 bis 18 Monate, um ein funktionsfähiges MVP zu erreichen, laut Founders Factory-Daten (2025). Teams von 5-10 Ingenieuren. Investitionsrunden. Produktmanager. Designer. Das traditionelle Softwareentwicklungsmodell verlangt Kapital, Zeit und Koordination zwischen Dutzenden von Menschen.

Die Prämisse für Nervus.io war anders: Eine vollständige KI-gestützte persönliche Produktivitätsplattform aufbauen, wobei KI als Entwicklungspartner dient, nicht nur als Code-Assistent. Nervus.io ist eine persönliche Produktivitätsplattform mit einer starren Hierarchie (Bereich > Ziel > Target > Projekt > Aufgabe), KI-Coaching, Accountability-Reviews und intelligentem Aufgabenmanagement. Die echte Komplexität: 32+ Datenbanktabellen, 4 integrierte KI-Anbieter, ein komplettes Finanzsystem, CRM, Gewohnheiten und ein Onboarding-Flow, der die Lebensstruktur eines Nutzers in 3 Minuten einrichtet.

Das war keine einfache CRUD-App. Es war ein Betriebssystem für das Leben.

Die Entscheidung, Claude Code als Entwicklungspartner zu verwenden, veränderte die Gleichung. Statt ein Team einzustellen, investierten wir in Prozesse. Statt traditioneller Sprints nutzten wir ein phasenbasiertes Ausführungsmodell, dem die KI mit vollem Kontext folgen, planen und ausführen konnte.

Der Ansatz: 516 Pläne, 117 Phasen, 13 Releases

Der Differenzierungsfaktor war nicht die rohe Geschwindigkeit. Es war das Planungsmodell. Jedes Nervus.io-Feature begann als detaillierter Implementierungsplan -- ein strukturiertes Dokument mit Umfang, Abhängigkeiten, Akzeptanzkriterien und Ausführungssequenz. Am Ende des Projekts hatten wir 516+ erstellte Pläne und 117 ausgeführte Phasen.

Wie das Phasenmodell funktioniert

Jede Phase ist eine in sich geschlossene Arbeitseinheit. Sie enthält:

• Definierter Umfang: was drin ist, was draußen bleibt
• Kartierte Abhängigkeiten: welche Phasen zuerst abgeschlossen sein müssen
• Akzeptanzkriterien: wie validiert wird, dass es fertig ist
• Ausführungssequenz: Schritt-für-Schritt für die KI

Dieses Modell löst das größte Problem in der KI-gestützten Entwicklung: Kontext. Laut Google DeepMind-Forschung (2025) verlieren Sprachmodelle bis zu 40 % Genauigkeit bei Code-Aufgaben, wenn der Kontext 50.000 Token ohne klare Struktur überschreitet. Unsere Implementierungspläne funktionierten als externes Gedächtnissystem -- jede Phase hatte den gesamten notwendigen Kontext, ohne darauf angewiesen zu sein, dass das Modell sich an frühere Entscheidungen "erinnert".

Die Release-Kadenz

Release	Zeitraum	Wichtigste Ergebnisse
v1.0	Tage 1-5	Basis-Hierarchie, Authentifizierung, Entity-CRUD
v1.1-1.3	Tage 6-15	Focus-Workspace, Kalender, Tag-System
v1.4-1.6	Tage 16-25	KI-Inline-Vorschläge, Entity-Chat, Reviews
v1.7-1.9	Tage 26-35	Finanzmodul, CRM, Gewohnheiten und Tracker
v2.0-2.0.5	Tage 36-50	Internationalisierung (16 Sprachen), Onboarding v3, Admin-Panel, Content-Erstellung

13 große Releases in 50 Tagen bedeutet, dass jedes Release im Durchschnitt alle 3,8 Tage stattfand. Ein traditionelles Team macht zweiwöchentliche oder monatliche Releases. Der Unterschied liegt nicht nur in der Geschwindigkeit -- es ist die Fähigkeit, mit einer viel höheren Frequenz zu iterieren und den Kurs zu korrigieren.

Traditionelle vs. KI-gestützte Entwicklung: Wo der Unterschied real ist

Gartner-Daten (2025) zeigen, dass 75 % der Unternehmen bis 2028 KI-gestützte Entwicklungstools nutzen werden. Aber "KI nutzen" ist ein breites Spektrum. Für diese Fallstudie ist der Vergleich spezifisch: SaaS-Entwicklung mit einem minimalen Team.

Dimension	Traditionelle Entwicklung	KI-gestützt (Claude Code)
Zeit bis MVP	12-18 Monate (Founders Factory, 2025)	50 Tage
Teamgröße	5-10 Ingenieure	1 Gründer + KI
Entwicklungskosten	150.000-500.000 $ (Seed-Stage, a16z-Daten)	KI-Tool-Abonnementkosten
Releases pro Monat	1-2	7-8
Implementierungspläne	Manuelle PRDs, ~20-30 pro Quartal	516+ automatisierte Pläne
Unterstützte Sprachen	1-3 (mit Lokalisierungsteam)	16 nativ (KI-gestützt)
KI-Endpunkte	Abhängig von manueller Integration	33+ mit Adapter-Pattern
Review/QA-Abdeckung	Manuell + CI/CD	KI-Review + automatisierte Tests

Der am meisten unterschätzte Vorteil ist reduzierter Koordinationsaufwand. In traditionellen Teams wird ein erheblicher Teil der Zeit in Abstimmungsmeetings, Code-Reviews, Dokumentation und Übergaben investiert. Die Studie "The Cost of Interrupted Work" (University of California, Irvine) zeigt, dass Software-Profis 23 Minuten brauchen, um nach jeder Unterbrechung den Fokus wiederzuerlangen. Mit KI als Partner existieren Koordinationsunterbrechungen schlicht nicht.

Die technischen Entscheidungen, die alles beschleunigt haben

Entwicklungsgeschwindigkeit hängt nicht nur vom KI-Tool ab. Der Stack zählt. Falsche Entscheidungen am Tag 1 erzeugen technische Schulden, die ab Tag 30 alles verlangsamen. Die folgenden Entscheidungen waren bewusst:

Next.js 16 + React 19 (App Router)

Die Frontend-Framework-Wahl definierte die Architektur. Next.js mit App Router ermöglichte Server Components, Streaming und API-Routes im selben Projekt. Null Bedarf an einem separaten Backend. Laut dem State of JS Survey (2025) ist Next.js das meistadoptierte Framework für neue Projekte (38 % Marktanteil), was bedeutet, dass die KI mehr Trainingsdaten hatte, um korrekten Code zu generieren.

Supabase als Backend-as-a-Service

Verwaltetes PostgreSQL mit Row Level Security (RLS), integrierte Authentifizierung (Magic Link + Google OAuth) und Echtzeit-Subscriptions. Die Entscheidung für Supabase eliminierte Wochen der Entwicklung von Authentifizierungs- und Sicherheitsinfrastruktur. RLS stellte sicher, dass jeder Nutzer nur seine eigenen Daten sieht, ohne Custom-Code -- Sicherheit auf Datenbankebene.

Multi-Provider-KI (4 Anbieter)

Statt sich auf einen einzigen KI-Anbieter zu verlassen, implementierten wir ein Adapter-Pattern mit 4 Anbietern: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) und DeepSeek. Das System macht Tier-Routing: Einfache Aufgaben (Inline-Vorschläge, Kategorisierung) nutzen schnelle, günstige Modelle; komplexe Aufgaben (Review-Insights, globaler Chat) nutzen Premium-Modelle.

Der praktische Nutzen: Resilienz und Kostenoptimierung. Wenn ein Anbieter Instabilität hat, schaltet das System automatisch um. Die Kosten pro Nutzer bleiben kontrolliert, weil 70 % der KI-Aufrufe den "schnellen" Tier nutzen.

KI-gestützte Internationalisierung

16 native Sprachen in 24 Stunden. Keine automatische Übersetzung im Google-Translate-Stil -- echte Lokalisierung mit Kontext. Die KI erhielt englische Texte mit Nutzungskontext (Button-Beschriftungen, Fehlermeldungen, Workspace-Titel) und produzierte Übersetzungen, die die Konventionen jeder Sprache respektieren. Portugiesisch (BR und PT), Spanisch, Französisch, Deutsch, Italienisch, Niederländisch, Polnisch, Türkisch, Schwedisch, Dänisch, Norwegisch, Finnisch, Rumänisch und Tschechisch.

Kent Beck, Schöpfer von Extreme Programming, erklärte 2024: "KI ersetzt nicht Programmierer. Sie ersetzt die Teile des Programmierens, die Programmierer immer gehasst haben. Die Planung, den Boilerplate, die repetitiven Muster. Was bleibt, ist das Denken." Unsere Erfahrung bestätigt diese Beobachtung -- KI beschleunigte die Ausführung, aber jede Architekturentscheidung, jeder User-Flow und jede Feature-Priorisierung erforderte menschliches Urteilsvermögen.

Was funktioniert hat und was nicht

Transparenz ist Teil unseres Build-in-Public-Prozesses. Nicht alles war exponentielle Beschleunigung. Einige Lektionen wurden auf die harte Tour gelernt.

Was funktioniert hat

1. Implementierungspläne als "externes Gedächtnis" der KI. Das 516+-Pläne-Modell war keine Bürokratie -- es war die Infrastruktur, die der KI erlaubte, Kontext zwischen Sitzungen aufrechtzuerhalten. Jeder Plan hatte klaren Umfang, Abhängigkeiten und Akzeptanzkriterien. Die KI musste nicht "raten", was zu tun war.

2. Schnelle Release-Kadenz (3,8 Tage). Häufige Releases bedeuten kurze Feedbackschleifen. Jedes Release war eine Gelegenheit, Entscheidungen zu validieren und den Kurs zu korrigieren, bevor sich technische Schulden ansammelten. Eric Ries zeigte in The Lean Startup, dass Startups mit Build-Measure-Learn-Zyklen unter 2 Wochen eine 3-mal höhere Überlebenschance in den ersten 2 Jahren haben.

3. Moderner, gut dokumentierter Stack. KI generiert besseren Code, wenn der Stack populär und gut dokumentiert ist. Next.js, React, Tailwind, Supabase -- alle mit großen Communities und umfangreicher Dokumentation. Das reduziert Halluzinationen und fehlerhaften Code.

4. Adapter-Pattern für KI-Anbieter. Die Entscheidung, KI-Anbieter ab Tag 1 zu abstrahieren, ermöglichte das Tauschen und Hinzufügen von Anbietern ohne Code-Umschreibung. Wenn ein besseres Modell erscheint, sind die Integrationskosten minimal.

Was nicht funktioniert hat (oder Korrektur erforderte)

1. Unterschätzung der Komplexität von Finanz-Features. Das Finanzmodul (Gewinn- und Verlustrechnung, automatische Kategorisierung, Nettovermögen, wiederkehrende Rechnungen) verbrauchte 3-mal mehr Pläne als geschätzt. Finanzdaten erfordern absolute Präzision -- Rundung, Mehrwährung, Erkennung interner Transfers. Die KI generierte funktionalen Code, aber finanzielle Grenzfälle brauchten akribische menschliche Überprüfung.

2. Onboarding brauchte 3 Versionen. Das erste Onboarding war zu generisch. Das zweite war zu komplex. Erst in Version 3, bei der die KI die hierarchische Struktur aus einer natürlichen Konversation generierte, trafen wir die Balance. 3-5 Minuten, 5 Schritte, und der Nutzer verlässt das Setup mit konfigurierten Bereichen, Zielen, Targets und Projekten.

3. Kontextfenster als Engpass. In Phasen mit vielen querschneidenden Abhängigkeiten (z.B. Integration von Finanzen + KI + Reviews) überstieg der notwendige Kontext das, was die KI akkurat verarbeiten konnte. Die Lösung war weitere Dekomposition -- kleinere Phasen, atomarere Pläne. Mehr Planungsaufwand, aber bessere Ausgabequalität.

Die echten Zahlen: Entwicklungsmetriken

Interne Projektdaten, keine Schätzungen:

• 50 Tage von Null auf v2.0.5 in Produktion
• 117 Phasen sequenziell ausgeführt
• 516+ Implementierungspläne erstellt
• 1.000+ Commits im Repository
• 13 große Releases (v1.0 bis v2.0.5)
• 32+ Tabellen in der PostgreSQL-Datenbank
• 33+ KI-Endpunkte mit Tier-Routing
• 4 KI-Anbieter integriert (OpenAI, Anthropic, Google, DeepSeek)
• 100+ React Query Hooks mit optimistischen Updates
• 16 native Sprachen unterstützt
• 10 aktive Workspaces im Endprodukt
• 8 Typen von Review-Ritualen (wöchentlich bis jährlich)

Diese Zahlen repräsentieren Feature-Dichte -- die Menge an Funktionalität, die pro Zeiteinheit geliefert wurde. In traditioneller Entwicklung würde ein Produkt mit dieser Tiefe mindestens 12-18 Monate mit einem Team von 5-10 Personen brauchen, mit geschätzten Kosten von 300.000-500.000 $ (basierend auf Ingenieurkostendaten von Levels.fyi für den US-Markt, 2025).

5 Lektionen für jeden, der SaaS mit KI baut

Die Erfahrung des Aufbaus von Nervus.io destillierte Erkenntnisse, die für jeden Gründer mit KI-Einsatz in der Entwicklung anwendbar sind. Das sind keine Theorien -- es sind Muster, die wir über 50 Tage intensiver Ausführung beobachtet haben.

1. KI ersetzt nicht das Denken -- sie beschleunigt die Ausführung. Jede der 117 Phasen begann mit menschlichen Entscheidungen: was bauen, warum, in welcher Reihenfolge. Die KI führte das "Wie" mit 10-facher Geschwindigkeit aus. Aber ohne klares "Was" und "Warum" spielt Geschwindigkeit keine Rolle -- du baust nur schneller das Falsche.

2. Strukturierte Planung ist die kritische Infrastruktur. Die 516+ Pläne waren kein Overhead -- sie machten die KI produktiv. Ohne Struktur produziert KI generischen Code. Mit detaillierten Plänen (Umfang, Abhängigkeiten, Akzeptanzkriterien) produziert sie Code, der ins System passt.

3. Schnell ausliefern, schneller iterieren. 13 Releases in 50 Tagen bedeuten 3,8-Tage-Zyklen. Jedes Release ist ein Validierungscheckpoint. Die Kosten einer Fehlentscheidung am Tag 5 sind minimal; am Tag 50 sind sie exponentiell. Release-Frequenz ist eine Absicherung gegen schlechte Entscheidungen.

4. Wähle einen Stack, den die KI kennt. Populäre, gut dokumentierte Frameworks (Next.js, React, Supabase) produzieren bessere KI-Ausgaben. Obskure oder sehr neue Stacks erzeugen mehr Halluzinationen und fehlerhaften Code. Stack-Popularität korreliert direkt mit der Qualität KI-gestützter Entwicklung.

5. Abstrahiere externe Abhängigkeiten ab Tag 1. Das Adapter-Pattern für KI-Anbieter kostete 2 zusätzliche Tage im Voraus. Es sparte Wochen über die Projektlaufzeit. Als wir DeepSeek als vierten Anbieter hinzufügten, dauerte die Integration Stunden, nicht Tage.

Die wichtigsten Erkenntnisse

• KI als Entwicklungspartner beschleunigt SaaS-Lieferung um das 5-10-Fache, erfordert aber strukturierte Planung und klare menschliche Entscheidungen über Architektur und Prioritäten.
• Das Phasenmodell mit atomaren Plänen (516+ Pläne, 117 Phasen) löst den größten Engpass in der KI-gestützten Entwicklung: Kontexterhaltung zwischen Arbeitssitzungen.
• Schnelle Release-Kadenz (durchschnittlich 3,8 Tage) funktioniert als Risikomanagement: Jedes Release ist ein Checkpoint, der die Kosten zukünftiger Korrekturen reduziert.
• Ein populärer, gut dokumentierter Stack ist Voraussetzung, nicht Präferenz. KI generiert besseren Code, wenn die Trainingsbasis umfangreich ist.
• Menschliche Komplexität (Produktentscheidungen, UX, finanzielle Grenzfälle) bleibt der echte Engpass -- KI beschleunigt die Ausführung, nicht das Urteilsvermögen.

FAQ

Ist es möglich, ein komplettes SaaS mit KI in 50 Tagen zu bauen?

Ja, mit Einschränkungen. Die Nervus.io-Erfahrung zeigt, dass es machbar ist mit Claude Code als Entwicklungspartner, vorausgesetzt es gibt strukturierte Planung (516+ Pläne) und einen Gründer mit klarer Produktvision. KI beschleunigt die Ausführung um das 5-10-Fache, ersetzt aber keine Architekturentscheidungen und Feature-Priorisierung.

Welches KI-Tool ist am besten für Softwareentwicklung?

Claude Code erwies sich als effektiv für Full-Stack-Entwicklung (Next.js + React + Supabase). Der Hauptvorteil ist die Fähigkeit, langen Kontext aufrechtzuerhalten und strukturierten Implementierungsplänen zu folgen. GitHub Copilot konzentriert sich auf Autocomplete; Claude Code arbeitet als kompletter Software-Ingenieur.

Wie viel kostet es, ein SaaS mit KI statt einem traditionellen Team zu entwickeln?

Die Kosten sinken dramatisch. Ein SaaS mit der Komplexität von Nervus.io (32+ Tabellen, 33+ KI-Endpunkte, 16 Sprachen) würde mit einem traditionellen Team von 5-10 Ingenieuren über 12-18 Monate 300.000-500.000 $ kosten. Bei KI-gestützter Entwicklung beschränken sich die Kosten auf Tool-Abonnements und Infrastruktur.

Was ist das Phasenmodell in der KI-gestützten Entwicklung?

Jede Phase ist eine in sich geschlossene Arbeitseinheit mit definiertem Umfang, Abhängigkeiten, Akzeptanzkriterien und Ausführungssequenz. Sie funktioniert als externes Gedächtnis für die KI und eliminiert das Problem des Kontextverlusts zwischen Sitzungen. Nervus.io führte 117 Phasen mit 516+ detaillierten Plänen aus.

Kann KI ein komplettes Ingenieurteam ersetzen?

Nicht ersetzen -- umstrukturieren. KI eliminiert Koordinationsarbeit, Boilerplate und repetitive Implementierung. Was bleibt, ist hochrangige Arbeit: Architekturentscheidungen, User-Flow-Design, Feature-Priorisierung und Grenzfall-Review. Der Gründer wechselt von "Teammanager" zu "KI-Regisseur".

Wie stellt man die Codequalität sicher, wenn KI den Großteil schreibt?

Drei Strategien: (1) Implementierungspläne mit klaren Akzeptanzkriterien, (2) menschliches Code-Review fokussiert auf Grenzfälle und Geschäftslogik, und (3) ein gut dokumentierter Stack, der Halluzinationen reduziert. Bei Nervus.io erforderten Finanz-Features 3-mal mehr menschliches Review als UI-Features.

Was sind die Grenzen KI-gestützter Entwicklung?

Das Kontextfenster ist die primäre Limitierung. Phasen mit vielen querschneidenden Abhängigkeiten verlieren an Qualität. Die Lösung ist Dekomposition: kleinere, atomarere Pläne. Zusätzlich verlangen Bereiche, die absolute Präzision erfordern (Finanzen, Sicherheit), akribisches menschliches Review unabhängig von der Qualität des generierten Codes.

Funktioniert das 50-Tage-Modell für jeden SaaS-Typ?

Das Phasenmodell mit KI ist replizierbar für webbasiertes SaaS mit einem modernen Stack. Produkte, die spezielle Hardware, umfangreiche regulatorische Compliance (Fintech, Healthtech) oder tiefe Integration mit Legacy-Systemen erfordern, werden längere Zeitleisten haben. Die 50-Tage-Geschwindigkeit setzt einen Greenfield-Stack und schnelle Produktentscheidungen voraus.

Mit Absicht bauen, nicht mit Hast

Die 50 Tage der Nervus.io-Entwicklung waren kein Wettlauf gegen die Zeit. Sie waren ein kontrolliertes Experiment darin, wie KI den Prozess des Softwarebaus transformieren kann. Das Ergebnis -- eine Plattform mit 10 Workspaces, 33+ KI-Endpunkten, 16 Sprachen und über 1.000 Commits -- beweist, dass das Modell funktioniert. Aber es funktioniert, weil in jeder Phase Absicht steckte: strukturierte Planung, bewusste Stack-Entscheidungen und Klarheit darüber, was KI gut kann und wo menschliches Urteilsvermögen unersetzlich ist.

Wenn du erwägst, ein SaaS mit KI zu bauen, beschreibt der Solo-Gründer-Leitfaden das komplette Framework, das wir verwendet haben.

Nervus.io ist eine KI-gestützte persönliche Produktivitätsplattform. Sie nutzt eine starre Hierarchie (Bereich > Ziel > Target > Projekt > Aufgabe), um Nutzern zu helfen, bedeutsame Ziele mit KI-Coaching, Accountability-Reviews und intelligentem Aufgabenmanagement zu erreichen.

---

Geschrieben vom Nervus.io-Team, das eine KI-gestützte Produktivitätsplattform entwickelt, die Ziele in Systeme verwandelt. Wir schreiben über Zielwissenschaft, persönliche Produktivität und die Zukunft der Zusammenarbeit zwischen Mensch und KI.