Erfahre, wie KI unsortierte Ideen schneller in funktionierende Software verwandelt — von Recherche und Prototyping über Anforderungen, Kodierung und Tests bis zu Iteration, plus Grenzen und Best Practices.
„Schneller von der Idee zur nutzbaren Software“ heißt nicht, ein schickes Demo oder einen Prototypen zu liefern, der nur auf deinem Laptop läuft. Es bedeutet, eine Version zu erreichen, die reale Menschen nutzen können, um eine echte Aufgabe zu erledigen — sich anzumelden, etwas zu erstellen, zu bezahlen, ein Ergebnis zu erhalten — und auf der dein Team sicher weiteriterieren kann.
Eine nutzbare erste Veröffentlichung umfasst meist:
KI hilft, diesen Punkt schneller zu erreichen, indem sie die „mittleren“ Aufgaben beschleunigt: unordentliche Ideen in strukturierte Pläne verwandeln, Pläne in umsetzbare Anforderungen und Anforderungen in Code und Tests.
Die meisten Verzögerungen kommen nicht durch Tippgeschwindigkeit. Sie entstehen durch:
KI kann diese Kosten senken, indem sie Diskussionen zusammenfasst, Artefakte (User Stories, Akzeptanzkriterien, Testfälle) entwirft und Entscheidungen sichtbar hält — so gibt es weniger „Moment, was bauen wir nochmal?“‑Situationen.
KI kann schnell Optionen vorschlagen, aber ihr müsst weiterhin Trade‑offs wählen: was fürs MVP gestrichen wird, was „gut genug“ ist und welche Risiken ihr nicht akzeptiert (Sicherheit, Datenschutz, Qualität).
Das Ziel ist nicht, Urteilsvermögen auszulagern. Es geht darum, die Schleife von Entscheidung → Entwurf → Review → Ausliefern zu verkürzen.
Im Folgenden gehen wir die Phasen von Discovery bis Lieferung durch: Problemklärung, MVP‑Planung, Beschleunigung von UX und Copy, Schreiben umsetzbarer Anforderungen, Coden mit KI bei gleichzeitiger Kontrolle, Straffung der Testschleifen, Umgang mit Daten/Integrationen, Erstellung von Dokumentation, Hinzufügen von Guardrails — und das Messen des Geschwindigkeitsgewinns über die Zeit.
Die meisten Softwareprojekte stocken nicht, weil Leute nicht programmieren können. Sie stocken in den Lücken zwischen Entscheidungen — wenn niemand sicher ist, wie „done“ aussieht, oder wenn Antworten zu spät kommen, um Momentum zu halten.
Einige Muster tauchen immer wieder auf:
KI hilft am meisten, wenn du einen ersten Entwurf schnell brauchst und eine Feedback‑Schleife, die sich einfach wiederholen lässt.
KI kann die Output‑Menge erhöhen, aber sie kann auch die Menge an falscher Arbeit vergrößern, wenn du Entwürfe blind akzeptierst. Das erfolgreiche Muster ist: schnell generieren, bewusst prüfen und früh mit Nutzern validieren.
Kleine Teams haben weniger Freigabeebenen, sodass KI‑generierte Entwürfe schneller zu Entscheidungen werden. Wenn eine Person an einem Nachmittag von „vage Idee“ zu „klare Optionen“ kommt, bleibt das ganze Team in Bewegung.
Viele Softwareprojekte scheitern nicht, weil der Code schwierig ist — sie scheitern, weil das Team sich nie einig wird, welches Problem gelöst werden soll. KI kann helfen, schnell von „wir sollten etwas bauen“ zu einer klaren, prüfbaren Problemstellung zu kommen, an der sich Design und Entwicklung orientieren können.
Beginne, indem du der KI deine Rohnotizen gibst: ein paar Sätze, ein Transkript, Kunden‑E‑Mails oder eine chaotische Brainstorm‑Liste. Bitte sie, 3–5 Kandidaten für Problemstellungen in einfacher Sprache zu erstellen, jeweils mit:
Wähle dann eine aus und verfeinere sie mit einem kurzen Check: ist das messbar und spezifisch?
KI ist nützlich, um leichte Personas zu entwerfen — nicht als „Wahrheit“, sondern als Checkliste von Annahmen. Bitte sie um 2–3 wahrscheinliche Nutzerprofile (z. B. „gestresste Operations‑Managerin“, „freiberufliche Designerin“, „erstmalige:r Admin“) und liste auf, was für die Idee zutreffen muss.
Beispiele für Annahmen:
Definiere vor Features Outcomes. Bitte die KI, Erfolgsmesszahlen und führende Indikatoren vorzuschlagen, z. B.:
Lass die KI ein One‑Pager‑Briefing zusammenstellen: Problemstellung, Zielnutzer, Nicht‑Ziele, Erfolgsmesszahlen und Top‑Risiken. Teile es früh und behandle es als Quelle der Wahrheit, bevor du zur MVP‑Planung übergehst.
Ein Konzept fühlt sich spannend an, weil es flexibel ist. Ein MVP‑Plan ist nützlich, weil er konkret ist. KI hilft, diesen Wechsel schnell zu vollziehen — ohne so zu tun, als gäbe es eine einzige „richtige“ Antwort.
Bitte die KI, 2–4 Arten vorzuschlagen, dasselbe Problem zu lösen: eine leichte Web‑App, ein Chatbot‑Flow, ein Spreadsheet‑first‑Workflow oder ein No‑Code‑Prototyp. Der Wert liegt nicht in den Ideen selbst, sondern in den deutlich formulierten Trade‑offs.
Für jede Option lass die KI Folgendes vergleichen:
Das verwandelt „wir sollten eine App bauen“ in „wir sollten Annahme X mit dem einfachsten real wirkenden Mittel testen“.
Umreiße als Nächstes 1–3 Nutzerreisen: was passiert, wenn jemand ankommt, was er will und wie „Erfolg“ aussieht. Bitte die KI, dies in kurzen Schritten zu schreiben („Nutzer lädt eine Datei hoch“, „Nutzer wählt eine Vorlage“, „Nutzer teilt einen Link“) und schlage die wenigen Bildschirme vor, die das unterstützen.
Bleib konkret: nenne die Bildschirme, die primäre Aktion auf jedem und den einen Satz Copy, den der Nutzer braucht, um zu verstehen, was zu tun ist.
Sobald Reisen existieren, lassen sich Funktionen leichter kürzen. Bitte die KI, jede Reise in umzuwandte Listen zu konvertieren:
Ein gutes MVP ist nicht „klein“, es validiert die riskantesten Annahmen.
Nutze die KI, um aufzulisten, was den Plan zum Scheitern bringen könnte: unklare Datenquellen, Integrationslimits, Datenschutzbeschränkungen oder „Nutzer vertrauen dem Output eventuell nicht“. Wandle jedes Risiko in einen Test um, den du früh durchführen kannst (5‑User‑Interview, Klick‑Test des Prototyps, Fake‑Door‑Landingpage). Das wird dein MVP‑Plan: bauen, lernen, schnell anpassen.
Geschwindigkeit geht im UX oft verloren, weil die Arbeit „unsichtbar“ ist: Entscheidungen über Bildschirme, Zustände und Formulierungen passieren in Dutzenden kleiner Iterationen. KI kann diese Schleife komprimieren, indem sie einen soliden Erstentwurf liefert — sodass du Zeit mit Verbessern statt mit dem leeren Blatt verbringst.
Selbst wenn du noch nicht in Figma designst, kann KI eine Feature‑Idee in Wireframe‑Beschreibungen und Screen‑Checklisten verwandeln. Bitte für jeden Bildschirm um: Zweck, Primäraktion, Felder, Validierungsregeln und was nach einem Erfolg passiert.
Beispielausgabe, die hilfreich ist:
Das reicht einem Designer zum schnellen Skizzieren — oder einem Entwickler, um ein einfaches Layout zu implementieren.
KI kann UX‑Texte und Fehlermeldungen für Kernflüsse entwerfen, inklusive Microcopy, die Teams oft vergessen: Hilfstexte, Bestätigungsdialoge und „Was jetzt?“‑Erfolgsmeldungen. Du prüfst weiterhin Ton und Richtlinien, aber du sparst die leere Seite.
Um Bildschirme konsistent zu halten, generiere eine Basisliste von Komponenten (Buttons, Formulare, Tabellen, Modals, Toasts) mit ein paar Regeln: Button‑Hierarchie, Abstände und Standard‑Labels. Das verhindert, dass dasselbe Dropdown fünf verschiedene Versionen bekommt.
Bitte die KI, pro Bildschirm fehlende Zustände aufzulisten: leer, laden, Fehler, Berechtigungen und „keine Ergebnisse“. Das sind häufige Quellen für Nacharbeit, weil sie spät in QA auftauchen. Werden sie früh genannt, werden Schätzungen genauer und die User‑Flows glatter.
Ein schnelles MVP braucht trotzdem klare Anforderungen — sonst wird „schnell“ zu Churn. KI ist nützlich, weil sie deinen MVP‑Plan in strukturierte Arbeitspakete verwandeln, fehlende Details erkennen und alle dieselbe Begriffs‑Basis nutzen lässt.
Beginne mit einem kurzen MVP‑Plan (Ziele, primärer Nutzer, Schlüsselfunktionen). Lass die KI daraus eine kleine Menge Epics und zu jedem eine Handvoll User Stories ableiten.
Eine praktische User Story hat drei Teile: wer, was und warum. Beispiel: „Als Team‑Admin kann ich ein Teammitglied einladen, damit wir zusammen an einem Projekt arbeiten.“ Von dort aus kann ein:e Entwickler:in schätzen und implementieren, ohne zu raten.
KI kann schnell Akzeptanzkriterien verfassen, aber du solltest sie mit jemandem prüfen, der die Nutzer versteht. Ziele für Kriterien, die testbar sind:
Füge pro Story ein paar realistische Randfälle hinzu. Das verhindert „Überraschungs‑Anforderungen“ spät in der Entwicklung.
Viele Verzögerungen stammen von mehrdeutigen Begriffen: „member“, „workspace“, „project“, „admin“, „billing owner“. Lass die KI ein Glossar wichtiger Begriffe, Rollen und Berechtigungen entwerfen, und gleiche es mit der tatsächlichen Unternehmenssprache ab. Das reduziert Rückfragen während Implementierung und QA.
Kleinere Stories liefern schneller und scheitern schneller (im positiven Sinne). Wenn eine Story länger als ein paar Tage dauert, splitte sie: UI vom Backend trennen, „Happy Path“ von erweiterten Einstellungen trennen, „Create“ von „Edit“ trennen. KI kann Splits vorschlagen, aber das Team wählt die Aufteilung, die zum Release‑Plan passt.
KI‑Coding‑Assistenten können Stunden bei der Implementierung sparen — aber nur, wenn du sie wie einen schnellen Junior behandelst: hilfreich, unermüdlich und in Bedarf an klarer Anleitung und Review.
Viel „Coding‑Zeit“ ist eigentlich Projektsetup: Neue App erstellen, Ordner strukturieren, Linting konfigurieren, eine grundlegende API‑Route anlegen, Auth‑Stubs setzen oder eine konsistente UI‑Komponentenstruktur schaffen. KI kann dieses Boilerplate schnell generieren — besonders, wenn du Einschränkungen vorgibst wie Tech‑Stack, Namenskonventionen und was der erste Screen tun soll.
Der Gewinn: Du erreichst schneller ein lauffähiges Projekt, was Ideenvalidierung und Kollaboration vereinfacht.
Wenn du diesen Workflow durchgängig willst, bieten Plattformen wie Koder.ai das Scaffolding weiter: man chattet sich von Idee → Plan → lauffähige Web/Server/Mobile‑App und iteriert dann in kleinen, überprüfbaren Schritten. Es bleibt deine Produktentscheidung und dein Review‑Prozess — nur mit weniger Setup‑Aufwand.
Statt „Baue das ganze Feature“ zu fordern, bitte um eine kleine Änderung, die zu einer User Story gehört, z. B.:
Fordere das Ergebnis als minimales Diff (oder kurze Liste zu ändernder Dateien) an. Kleinere Batches lassen sich leichter prüfen, testen und zurücknehmen — so bleibt das Momentum, ohne unbekannten Code anzuhäufen.
Refactoring ist ein Feld, in dem KI besonders nützlich sein kann: unklare Funktionen umbenennen, wiederkehrende Logik extrahieren, Lesbarkeit verbessern oder einfachere Muster vorschlagen. Der beste Ablauf ist: KI schlägt vor, du genehmigst. Halte den Code‑Stil konsistent und verlange Erklärungen für strukturelle Änderungen.
KI kann APIs erfinden, Randfälle missverstehen oder subtile Bugs einführen. Deshalb bleiben Tests und Code‑Reviews wichtig: automatisierte Checks nutzen, die App ausführen und ein Mensch bestätigt, dass die Änderung zur Story passt. Wenn du Geschwindigkeit und Sicherheit willst, definiere „done“ als „funktioniert, ist getestet und verständlich“.
Schnelle Softwarefortschritte beruhen auf kurzen Feedback‑Schleifen: du änderst etwas, lernst schnell, ob es funktioniert, und machst weiter. Testen und Debuggen sind Bereiche, in denen Teams oft Tage verlieren — nicht, weil sie das Problem nicht lösen können, sondern weil sie das Problem nicht klar sehen.
Wenn du bereits Akzeptanzkriterien (auch in einfacher Sprache) hast, kann KI daraus Starter‑Unit‑Tests und ein Integrations‑Test‑Outline erstellen. Das ersetzt keine durchdachte Teststrategie, eliminiert aber das „leere Blatt“‑Problem.
Beispiel: Bei Kriterien wie „Nutzer können ihr Passwort zurücksetzen und der Link läuft nach 15 Minuten ab“ kann KI entwerfen:
Menschen testen zuerst oft den Happy Path. KI ist nützlich als „Was könnte schiefgehen?“-Partner: große Payloads, ungewöhnliche Zeichen, Zeitzonenprobleme, Retries, Rate Limits und Konkurrenzfälle.
Bitte sie, basierend auf einer Feature‑Beschreibung Randbedingungen vorzuschlagen, und reviewe dann, was zu eurem Risikoniveau passt. Du bekommst häufig mehrere „ach ja“-Fälle, die sonst in Produktion rutschen würden.
Bug‑Reports kommen oft als: „Es hat nicht funktioniert.“ KI kann Nutzerberichte, Screenshots und Log‑Fragmente zusammenfassen in ein Reproduktionsrezept:
Das ist besonders hilfreich, wenn Support, Produkt und Engineering am selben Ticket arbeiten.
Ein gutes Ticket reduziert Rückfragen. KI kann vage Probleme in eine strukturierte Vorlage umschreiben (Titel, Impact, Repro‑Steps, Logs, Severity, Abnahmekriterien für den Fix). Das Team verifiziert die Genauigkeit — aber das Ticket wird schneller build‑ready, was den gesamten Iterationszyklus beschleunigt.
Ein Prototyp kann sich „fertig“ anfühlen, bis er auf reale Daten trifft: Kunden‑Sätze mit fehlenden Feldern, Zahlungsanbieter mit strengen Regeln und Drittanbieter‑APIs, die auf überraschende Weise ausfallen. KI hilft, diese Realitäten früh zu erkennen — bevor du dich in eine Sackgasse gebaut hast.
Statt auf die Backend‑Implementierung zu warten, kannst du die KI bitten, einen API‑Contract zu entwerfen: Schlüssel‑Endpoints, Pflichtfelder, Fehlerfälle und Beispiel‑Requests/Responses. Das gibt Produkt, Design und Engineering eine gemeinsame Referenz.
Du kannst KI auch „bekannte Unbekannte“ zu jeder Integration generieren lassen — Rate Limits, Auth‑Methoden, Timeouts, Webhooks, Retries — sodass du sie von vornherein einplanst.
KI ist nützlich, um eine chaotische Beschreibung („Nutzer haben Abos und Rechnungen“) in eine klare Liste von Datenentitäten und deren Beziehungen zu verwandeln. Daraus kann sie Validierungsregeln vorschlagen (Pflichtfelder, erlaubte Werte, Uniqueness) sowie Randfälle wie Zeitzonen, Währungen und Lösch‑/Aufbewahrungsverhalten.
Das hilft besonders beim Übersetzen von Anforderungen in etwas, das gebaut werden kann, ohne in Datenbankjargon zu versinken.
Wenn du dich mit realen Systemen verbindest, gibt es immer eine Checkliste, die irgendwo im Kopf einer Person liegt. KI kann eine praktikable Migrations/Readiness‑Liste entwerfen, inklusive:
Betrachte das als Ausgangspunkt und bestätige es mit deinem Team.
KI kann helfen zu definieren, was „gute Daten“ sind (Formatierung, Deduplizierung, Pflichtfelder) und frühe Datenschutzanforderungen zu kennzeichnen: welche Daten personenbezogen sind, wie lange sie gespeichert werden und wer darauf zugreifen darf. Das sind keine Extras — sie gehören dazu, um Software in der realen Welt nutzbar zu machen.
Dokumentation ist oft das Erste, was Teams weglassen, wenn sie sich beeilen — und das Erste, was später alle ausbremst. KI hilft, aus vorhandenem Wissen (Features, Workflows, UI‑Labels, Release‑Diffs) schnell brauchbare Docs zu erstellen und sie laufend ohne großen Aufwand aktuell zu halten.
Wenn Features ausgeliefert werden, nutze KI, um aus deiner Änderungsliste einen ersten Entwurf von Release Notes zu erzeugen: was sich geändert hat, wen es betrifft und was zu tun ist. Dieselben Angaben können in Nutzer‑Dokumente wie „So lädst du ein Teammitglied ein“ oder „So exportierst du Daten“ umgewandelt werden — in klarer, einfacher Sprache.
Ein praktischer Ablauf: PR‑Titel oder Ticket‑Summaries einfügen, kritische Hinweise ergänzen und die KI um zwei Versionen bitten — eine für Kund:innen und eine für interne Teams. Du prüfst die Genauigkeit, überspringst aber das leere Blatt.
KI ist großartig darin, ein Feature‑Set in Schritt‑für‑Schritt‑Onboarding zu verwandeln. Bitte sie um:
Diese Assets reduzieren wiederkehrende „Wie mache ich…?“‑Fragen und lassen das Produkt von Anfang an einfacher wirken.
Wenn dein Team wiederholt dieselben Fragen beantwortet, lass die KI Support‑Macros und FAQ‑Einträge direkt aus Features, Limits und Einstellungen erstellen. Beispiele: Passwort‑Reset, Abrechnungsfragen, Berechtigungen und „Warum kann ich auf X nicht zugreifen?“ Füge Platzhalter hinzu, die das Support‑Team schnell anpassen kann.
Der echte Gewinn ist Konsistenz. Mache „Docs aktualisieren“ zum Bestandteil jeder Auslieferung: füttere die KI mit Release Notes oder Changelog und bitte sie, betroffene Artikel zu aktualisieren. Verlinke die aktuellen Anleitungen zentral (z. B. /help), damit Nutzer immer den aktuellen Pfad finden.
Schneller werden ist nur sinnvoll, wenn dadurch kein neues Risiko entsteht. KI kann Code, Texte und Specs schnell entwerfen — aber ihr braucht klare Regeln, was sie sehen darf, was sie produzieren darf und wie ihre Vorschläge in „reale“ Arbeit überführt werden.
Behandle die meisten KI‑Prompts wie Nachrichten, die du versehentlich weiterleiten könntest. Füge keine Geheimnisse oder sensiblen Daten ein, einschließlich:
Wenn du Realismus brauchst, nutze bereinigte Beispiele: Fake‑Konten, maskierte Logs oder kleine synthetische Datensätze.
Geschwindigkeit steigt, wenn du dem Prozess vertraust. Eine leichte Kontrollmenge reicht oft aus:
Wenn du eine KI‑gestützte Build‑Plattform nutzt, achte auf operationale Guardrails — Snapshots/Rollback und kontrollierte Deployments reduzieren die Kosten von Fehlern, während du schnell iterierst.
KI kann Code produzieren, der bestehenden Open‑Source‑Mustern ähnelt. Um sicher zu bleiben:
Nutze KI, um Optionen vorzuschlagen, nicht um finale Entscheidungen in Sicherheits-, Architektur‑ oder user‑impactenden Fragen zu treffen. Eine sinnvolle Regel: Menschen entscheiden das „Was“ und „Warum“, KI hilft mit dem „Entwurf“ und „Wie“, und Menschen verifizieren vor dem Shipping.
KI kann ein Team schneller wirken lassen — aber „schneller wirken“ ist nicht dasselbe wie tatsächlich schneller sein. Der einfachste Weg zu wissen, ob du dich verbesserst, ist, wenige Signale konsistent zu messen, mit einer Baseline zu vergleichen und den Workflow anhand der Zahlen (und Nutzer) anzupassen.
Wähle ein kleines Set, das du in jedem Sprint verfolgen kannst:
Wenn du Jira/Linear/GitHub nutzt, kannst du die meisten dieser Werte ohne neue Tools ziehen.
Behandle KI‑Änderungen wie Produkt‑Experimente: begrenze sie zeitlich und vergleiche.
Wenn du Plattformen evaluierst (nicht nur Chat‑Assistenten), nimm auch operative Metriken mit: Zeit bis zu einem teilbaren Deployment, Rollback‑Geschwindigkeit und ob du Quellcode exportieren kannst für langfristige Kontrolle. (Beispielsweise unterstützt Koder.ai Source‑Export und Snapshots/Rollback, was „schnell laufen“ weniger riskant macht, wenn du öffentlich iterierst.)
Geschwindigkeit verbessert sich, wenn Nutzerfeedback direkt in Aktionen fließt:
Es bedeutet, eine Version zu erreichen, mit der echte Nutzer eine echte Aufgabe erledigen können (z. B. anmelden, etwas erstellen, bezahlen, ein Ergebnis erhalten) und die Ihr Team sicher weiteriterieren kann.
Ein schneller Weg ist kein „cooles Demo“ — es ist eine frühe Veröffentlichung mit grundlegender Zuverlässigkeit, Feedback‑Anschlüssen und genug Klarheit, damit die nächsten Änderungen kein Chaos verursachen.
Weil Zeit meist in Klarheit und Koordination verloren geht, nicht beim Tippen:
KI hilft vor allem, indem sie schnelle Entwürfe (Spezifikationen, Stories, Zusammenfassungen) liefert, die Wartezeiten und Nacharbeit verringern.
Nutze sie, um Kandidaten für Problemformulierungen aus ungeordneten Eingaben (Notizen, E‑Mails, Transkripte) zu generieren. Bitte für jede Option um:
Dann wähle eine und verfeinere sie, bis sie spezifisch und messbar ist (damit sie Design und Entwicklung leiten kann).
Erstelle Personas als Annahmen, die validiert werden müssen, nicht als absolute Wahrheiten. Bitte die KI um 2–3 wahrscheinliche Nutzerprofile und eine Liste von „Das muss zutreffen“ für jedes Profil.
Beispiele, die sich schnell validieren lassen:
Nutze Interviews, Fake‑Door‑Tests oder Prototypen, um die Annahmen zu überprüfen.
Bitte die KI, 2–4 Lösungsoptionen für dasselbe Problem vorzuschlagen (Web‑App, Chatbot, Spreadsheet‑First, No‑Code) und die Trade‑offs zu vergleichen:
Lass die KI die gewählte Nutzerreise in umsetzbare Listen umwandeln:
Nutze KI für einen ersten Entwurf, auf den man reagieren kann:
Das komprimiert Iterationszeiten, aber die menschliche Überprüfung hinsichtlich Ton, Richtlinien und Nutzerverständnis bleibt nötig.
Lass die KI deinen MVP‑Plan in folgende Bausteine übersetzen:
Ergänze außerdem ein gemeinsames Glossar (Rollen, Entitäten, Berechtigungsterms), damit nicht alle dieselben Begriffe unterschiedlich interpretieren.
Behandle KI wie einen schnellen Junior‑Entwickler:
Überspringe niemals Code‑Review und Tests — KI kann selbstsicher falsche Annahmen treffen (erfundene APIs, übersehene Randfälle, subtile Bugs).
Nutze Abnahmekriterien als Input und bitte die KI um einen Starter‑Satz von:
Du kannst auch unstrukturierte Bug‑Reports (Nutzertext + Logs) füttern und die KI Reproduktionsschritte, erwartetes vs. tatsächliches Verhalten und vermutete Komponenten ausgeben lassen.
Messe Ergebnisse, nicht das Gefühl. Verfolge konsistent eine kleine Auswahl:
Führe zeitlich begrenzte Experimente durch: nimm eine Baseline für wiederholbare Aufgaben, arbeite eine Woche KI‑assistiert und vergleiche Zeit plus Nacharbeit und Fehlerquote. Behalte, was funktioniert, verwirf, was nicht funktioniert.
Ziel ist, die riskantesten Annahmen mit der kleinstmöglichen nutzbaren Version zu validieren.
