Spec-Driven Development

Warum CoreFrame der KI den richtigen Kontext gibt

Die Qualität kaufmännisch-administrativer Webanwendungen entscheidet sich nicht erst in der technischen Umsetzung. Sie entsteht bereits dort, wo fachliche Anforderungen präzise beschrieben, strukturiert und in ein tragfähiges Datenmodell sowie eine nachvollziehbare Benutzerführung überführt werden. Hier setzt Spec-Driven Development mit CoreFrame und Generative AI an: Anforderungen werden so beschrieben, dass Fachbereich, Entwicklung und KI mit derselben Grundlage arbeiten.

Der Wert von Generative AI liegt weniger im schnelleren Erzeugen von beliebigem Code als in ihrem Zusammenspiel mit verlässlichen fachlichen und technischen Strukturen. Dieser Artikel zeigt, warum präzise Spezifikationen im GenAI-Zeitalter wichtiger werden, welche Reibungsverluste sie reduzieren und warum eine modellgetriebene Low-Code-Plattform wie CoreFrame dafür eine geeignete Grundlage bietet.

Spec-Driven Development: Trend mit vertrauter Idee

„Spec-Driven Development“ gehört aktuell zu den meistdiskutierten Begriffen in der Softwareentwicklung. Die Grundidee: Statt direkt mit dem Programmieren zu beginnen, wird zuerst vollständig und strukturiert beschrieben, was eine Anwendung leisten soll. Dazu gehören fachliche Abläufe, Geschäftsregeln, Datenstrukturen und Abnahmekriterien. Erst danach folgt die Umsetzung. In einer Welt, in der KI-Agenten dabei unterstützen, Code zu schreiben, wird die Klarheit dieser Beschreibungen zum entscheidenden Erfolgsfaktor. Werkzeuge wie GitHubs „Spec Kit“ positionieren diesen Ansatz ausdrücklich als Gegenentwurf zum unkontrollierten „Vibe Coding“, bei dem KI ohne klar definierten Rahmen Code erzeugt.

Für uns ist dieser Trend weniger Neuland als Bestätigung. CoreFrame setzt seit jeher auf Struktur, Modellierung und Metadaten: Domänenspezifische Modelle in UML und BPMN bilden gemeinsam mit Metainformationen die Grundlage. Aus ihnen erzeugt der Quellcode-Generator die Anwendung, die CoreFrame als Framework in einer .NET-basierten Laufzeitumgebung bereitstellt.

„Spec-driven“ ist bei uns ein über Jahre gelebtes Prinzip, das durch GenAI nun zusätzlichen Schub bekommt.

Warum frühe fachliche Klarheit entscheidend bleibt

Um den Nutzen des heutigen Vorgehens einzuordnen, lohnt ein Blick auf eine zentrale Herausforderung in der Softwareerstellung: Fachliche Anforderungen müssen so beschrieben werden, dass daraus belastbare Datenmodelle, Rechte, Validierungen, Benutzeroberflächen und technische Eigenschaften abgeleitet werden können. In klassischen Projekten bleiben Anforderungen trotz Gesprächen, Lastenheften oder User Stories häufig zu abstrakt, um frühzeitig sicher beurteilen zu können, ob Fachbereich und Entwicklung dasselbe Verständnis teilen.

Genau hier entsteht durch die Kombination aus GenAI und Low-Code ein Vorteil. Anforderungen lassen sich schneller strukturieren, in erste Modell- oder UI-Vorschläge überführen und dadurch früher mit dem Kunden abgleichen. Missverständnisse werden sichtbar, bevor sie tief in die Umsetzung einfließen. Korrekturen erfolgen damit zu einem Zeitpunkt, an dem sie noch einfach und kostengünstig möglich sind.

Spec-Driven Development in Verbindung mit CoreFrame und GenAI verkürzt diesen Feedback-Zyklus: Fachliche Annahmen werden früher überprüfbar, präziser dokumentiert und gezielter in Modelle, Metadaten und direkt lauffähige Anwendungsteile überführt.

Markdown-Spezifikation als belastbares Artefakt

Im Mittelpunkt des Vorgehens steht eine präzise Spezifikation in Markdown. Sie bildet die Brücke zwischen fachlicher Anforderung, Fachkonzept-Modell und späterer CoreFrame-Umsetzung. Das Format ist bewusst gewählt: leicht lesbar, versionierbar, gut in Repositories oder Tickets integrierbar. Zugleich ist es strukturiert genug, um sowohl von GenAI-gestützten Werkzeugen als auch vom Menschen effizient verarbeitet zu werden. Ansonsten gilt wie schon immer: Die Spezifikation steuert die Umsetzung, statt sie nur im Nachhinein zu dokumentieren.

Eine gute Markdown-Spezifikation enthält unter anderem:

• fachlicher Kontext und Ziel der Anforderung
• betroffene Nutzerrollen
• relevante Entitäten, Objekte oder Stammdaten
• fachliche Prozesse und Abläufe
• Geschäftsregeln und Validierungen
• Akzeptanzkriterien sowie offene Fragen und Annahmen
• Hinweise zum UI-Verhalten, sofern fachlich relevant

Damit ist die Spezifikation noch kein technisches Modell, sondern ein fachlich solides Ausgangsdokument, um daraus ein Fachkonzept-Modell und später CoreFrame-Metadaten abzuleiten. Verantwortlich dafür ist der Product Owner. Er sichert nicht nur die Beschreibung einzelner Anforderungen, sondern auch deren Konsistenz, Priorisierung und Verständlichkeit: Begriffe müssen einheitlich verwendet, Rollen nachvollziehbar und Pflichtfelder, Zustände, Übergänge und Sonderfälle erkennbar sein.

Warum Spec-Driven Development mit CoreFrame und GenAI funktioniert

Generative AI entfaltet ihren Nutzen vor allem dann, wenn sie auf einheitlichen, belastbaren Kontext trifft. CoreFrame liefert diesen Kontext in hoher Qualität. Die Plattform ist darauf ausgelegt, Unternehmenssoftware aus domänenspezifischen Modellen heraus zu erzeugen. Statt jede Maske, jede Datenzugriffsschicht und jede Standardfunktion manuell zu bauen, liefert CoreFrame ein breites Fundament. Die KI arbeitet damit nicht ohne festen Bezugsrahmen, sondern innerhalb einer klar definierten Struktur aus Domänenmodellen, Metadaten, Rechten, Workflows und Runtime-Konzepten.

Konkret bedeutet das, dass CoreFrame der KI vier Dinge bietet, die in gewachsenen Codebasen meist fehlen:

• domänenspezifische Modelle statt verstreuter Einzelanforderungen – Entitäten, Beziehungen, Prozesse und Zustände werden konsistenter beschreibbar,
• explizite Metadaten statt impliziter Konventionen – Felder, Darstellungen, Rechte und Validierungen sind als strukturierter Kontext greifbar,
• standardisierte Generierung statt individueller Boilerplate – die KI muss Standardstrukturen nicht immer wieder neu vorschlagen,
• klar definierte Erweiterungspunkte statt schwer durchschaubarer Sonderlogik – individuelle Logik wird gezielt dort ergänzt, wo die Plattform sie vorsieht.

Das Ergebnis: Die KI muss deutlich weniger raten und kann sich an fundierten Artefakten orientieren. Sie wird verlässlicher, zielgerichteter und in vielen Fällen spürbar nützlicher als in klassisch gewachsenen Projekten. Hinzu kommt der bewährte CoreFrame-Vorteil, dass Metadaten zur Laufzeit veränderbar bleiben – Felder, Darstellung und Verhalten lassen sich flexibel anpassen, ohne den generierten Kern zu berühren.

Context-Engineering: Skills statt generischer KI-Nutzung

Damit GenAI in einem komplexen Framework nicht nur oberflächlich hilft, sondern wirklich produktiv wird, reicht es nicht, gute Prompts zu schreiben. Entscheidend ist, dass das Projekt selbst KI-fähig strukturiert wird. In der CoreFrame-Entwicklung geschieht das über ein eigenes Agenten- und Guideline-Set: Eine projektbezogene Arbeitsgrundlage legt fest, in welcher Reihenfolge ein Agent vorgehen soll, ein „AI Context Index“ führt in die wichtigsten Module ein, ein projektspezifisches Glossar reduziert Missverständnisse bei zentralen Begriffen wie UserCode oder Principal, und Anti-Pattern-Dokumente halten fest, welche Fehlannahmen die KI gerade nicht treffen darf.

Statt die KI also allgemein auf das gesamte Repository loszulassen, wird sie über spezialisierte Skills gezielt auf konkrete Aufgaben ausgerichtet. Ein Spezifikations-Skill unterstützt den Product Owner beim strukturierten Formulieren von Anforderungen, User Stories und Akzeptanzkriterien und beim Erkennen fehlender Informationen. Ein review-orientierter Ansatz prüft Vollständigkeit, Eindeutigkeit und Umsetzbarkeit. Ein Design-Skill liefert Vorschläge zu Anordnung, Gruppierung und Priorisierung von Bedienelementen.

CoreFrame-spezifische Skills unterstützen die Entwicklung bei Validierungen, Lifecycle-Hooks, Security-Reviews oder historisierten Datenstrukturen. So wird aus einem KI-Vorschlag kein ungeprüfter Shortcut, sondern ein nachvollziehbarer Bestandteil des Engineering-Prozesses.

Der Ablauf in fünf Phasen

Die folgende Übersicht fasst das Zusammenspiel von Product Ownership, Entwicklung und spezialisierten Skills entlang des gesamten Prozesses zusammen. Entscheidend ist neben der Reihenfolge der Schritte vor allem die Rückverfolgbarkeit: Jede Umsetzung muss auf eine fachlich geprüfte Spezifikation und ein konsistentes CoreFrame-Modell zurückführbar bleiben.

Abbildung: Der Spec-Driven Entwicklungsprozess im Überblick (KI-generiert)

1. Initiale fachliche Spezifikation. Der Product Owner erstellt eine erste Markdown-Spezifikation. Sie beschreibt den fachlichen Bedarf, relevante Rollen, Objekte, Prozesse, Regeln, Validierungen und Akzeptanzkriterien.
2. Prüfung und Verdichtung der Anforderungen. Die Spezifikation wird auf Eindeutigkeit, Vollständigkeit, Konsistenz und Modellierbarkeit geprüft. Fehlende Informationen werden ergänzt, offene Punkte markiert und fachliche Zusammenhänge präzisiert.
3. Übergabe an die Entwicklung. Die freigegebene Spezifikation wird nachvollziehbar übergeben – etwa über ein Repository, ein Ticket oder einen Pull Request, inklusive Prioritäten, Akzeptanzkriterien und Hinweisen auf betroffene Module.
4. Überführung in Fachkonzept-Modell und Specifier-Anreicherung. Die Spezifikation wird in den modellgetriebenen Prozess überführt. Das Fachkonzept-Modell wird im Specifier um Metainformationen für UI-Gestaltung, Rechte, technische Feldeigenschaften und Validierungen angereichert.
5. Qualitätssicherung und CoreFrame-Umsetzung. Abschließend wird geprüft, ob die Umsetzung der ursprünglichen Spezifikation entspricht – bewertet werden fachliche Vollständigkeit, Metadatenqualität, Rechtekonzept, UI-Struktur, Geschäftsregeln und Wartbarkeit.

Was GenAI nicht ersetzt

So hilfreich KI in vielen Situationen ist, so klar sind ihre Grenzen. Ein Framework wie CoreFrame basiert auf tragfähigen Konzepten und Querschnittsfunktionalitäten, wie Mandantenfähigkeit, eine feingranulare Benutzer- und Rechteverwaltung, Workflows, Reporting, Revisionssicherheit durch Historisierung sowie ein integriertes Identitäts- und Zugriffsmanagement (IAM). Diese müssen fachlich verstanden werden: GenAI kann unterstützen, ersetzt aber weder Architekturentscheidungen noch Domänenverständnis im Enterprise-Kontext. Ist das Modell unscharf oder sind Rechte und Prozesse fachlich falsch gedacht, hilft auch der beste Prompt nicht. Der größte Produktivitätsgewinn entsteht deshalb nicht durch „mehr KI“, sondern durch die Kombination aus guter Plattform, sauberer Modellierung und gezielter KI-Nutzung.

Damit verschiebt sich auch die Rolle der Entwickelnden: weg von der technischen Wiederholung, hin zu Übersetzung, Architektur und Validierung. Die entscheidende Frage lautet weniger „Wie implementiere ich dieses Standardformular?“, sondern „Wie beschreibe ich das Fachproblem so präzise, dass Plattform, Modell und Erweiterungscode sauber zusammenspielen?“ Das ist anspruchsvoller, aber letztlich die wertvollere Form der Softwareentwicklung.

Fazit

KI-gestütztes Spec-Driven Development im CoreFrame-Kontext verbindet fachliche Präzision mit modellgetriebener Umsetzung. Der Product Owner sichert Qualität, Priorisierung und Eindeutigkeit der Anforderungen; die Entwicklung überführt diese Grundlage mithilfe von Fachkonzept-Modell, Specifier und spezialisierten Skills in eine wartbare CoreFrame-Anwendung. Das Ergebnis ist ein standardisierter, überprüfbarer und KI-unterstützter Entwicklungsprozess. Gleichzeitig entsteht eine hohe Dokumentationsdichte und somit eine dauerhafte fachliche Beherrschbarkeit für spätere Wartungszyklen.

Die entscheidende Erkenntnis lautet daher nicht, dass KI die Softwareentwicklung automatisiert. Der eigentliche Effekt liegt an anderer Stelle: Dort, wo eine Plattform wie CoreFrame bereits ein tragfähiges, modellgetriebenes Fundament schafft, entwickelt sich Generative AI von einem ergänzenden Werkzeug zu einem echten Produktivitätshebel. So entstehen erfolgreiche Softwareprodukte schneller, konsistenter und mit höherer Übergabequalität zwischen Fachlichkeit und Entwicklung.

Sie möchten Low-Code, modellgetriebene Entwicklung und GenAI produktiv kombinieren?
Gemeinsam ermitteln wir Ihren individuellen Bedarf und zeigen, wie sich Ihre Anwendungen mit CoreFrame schneller und mit höherer Qualität umsetzen lassen.
👉 Vereinbaren Sie ein unverbindliches Gespräch.