Low-Code meets GenAI

Ein Erfahrungsbericht aus der CoreFrame-Entwicklung

Die Diskussion rund um Generative AI (GenAI) hat die Softwareentwicklung in kurzer Zeit spürbar verändert. Was vor wenigen Jahren noch als experimentelles Hilfsmittel galt, ist heute für viele Teams ein relevanter Produktivitätsfaktor. Gleichzeitig zeigt sich aber auch: Den größten Mehrwert entfaltet GenAI nicht dort, wo sie isoliert Code erzeugt, sondern dort, wo sie in eine tragfähige fachliche und technische Struktur eingebettet ist. 

Genau an diesem Punkt setzt die Kombination aus Low-Code und GenAI an.  

CoreFrame als strukturierte Low-Code-Plattform

Denn mit CoreFrame existiert bei SMF bereits eine Low-Code-Plattform, die konsequent auf Struktur, Modellierung, Metadaten und Automatisierung ausgerichtet ist. Die Entwicklung von Unternehmensanwendungen erfolgt dabei nicht primär durch manuelles Implementieren technischer Schichten, sondern modellgetrieben: Fachkonzepte, Metadaten und Prozesse werden beschrieben und daraus entstehen lauffähige Anwendungen.  

CoreFrame verkürzt den Weg von der Anforderung bis zum produktiven System erheblich. Fachliche Modelle in UML und BPMN bilden die Grundlage; der Specifier erzeugt daraus Quellcode, während CoreFrame als Framework die Laufzeitumgebung bereitstellt. „Spec-driven Development“ auf Basis von UML und BPMN ist damit kein neuer Trend, sondern seit Jahren gelebte Praxis! 

Warum Low-Code und GenAI besonders gut zusammenpassen

In der Praxis ergänzen sich Low-Code und GenAI herausragend. Low-Code sorgt für Standardisierung, Wiederholbarkeit und technische Klarheit. GenAI wiederum beschleunigt genau die Arbeitsschritte, die trotz guter Plattformen bestehen bleiben: 

• Präzisierung fachlicher Anforderungen 
• Formulierung von Regeln und Validierungen 
• Dokumentation und Refactoring 
• Unterstützung bei technischer Exploration

Entscheidend ist dabei nicht die bloße Geschwindigkeit, sondern die Qualität der Integration. 

CoreFrame als ideale Basis für KI-gestützte Entwicklung

In der CoreFrame-Entwicklung zeigt sich dieser Zusammenhang sehr deutlich. Das Framework ist darauf ausgelegt, Unternehmenssoftware aus fachlichen Modellen heraus zu erzeugen. Statt jede Maske, jede Datenzugriffsschicht und jede Standardfunktion manuell zu bauen, konzentriert sich die Entwicklung auf das fachliche Kernproblem. Genau diese Arbeitsweise schafft optimale Voraussetzungen für den Einsatz von GenAI: Die KI arbeitet nicht im luftleeren Raum, sondern innerhalb eines klar definierten Rahmens aus Domänenmodellen, Metadaten, Rechten, Workflows und Runtime-Konzepten. Dadurch wird sie verlässlicher, zielgerichteter und in vielen Fällen deutlich nützlicher als in klassisch gewachsenen Codebasen, in denen auch KI-Modelle jedes Mal strukturell „neu anfangen“ müssten. 

Standardisierung als Schlüssel für produktive KI-Nutzung

CoreFrame ist kein reines Generator-Werkzeug, sondern ein vollständiges Entwicklungsframework für modellgetriebene Unternehmensanwendungen. Die Plattform bringt zahlreiche Grundfunktionen bereits mit: unter anderem Mehrmandantenfähigkeit, Mehrbenutzerbetrieb, rollenbasierte Rechte, Mehrsprachigkeit, Workflow-Unterstützung, Logging, Revisionssicherheit und eine generische Benutzeroberfläche. Darüber hinaus ist die Architektur mehrschichtig aufgebaut und unterstützt moderne Laufzeitumgebungen: .NET 10, ASP.NET-Core, TypeScript, TKO, Vite, NX.  

Diese Standardisierung ist eine zentrale Voraussetzung für den effektiven Einsatz von GenAI. Denn leistungsfähige KI-Unterstützung benötigt einheitlichen Kontext. Und genau diesen Kontext liefert CoreFrame in besonders hoher Qualität: 

• fachliche Modelle statt verstreuter Einzelanforderungen  

• explizite Metadaten statt impliziter Konventionen  

• standardisierte Generierung statt individueller Boilerplate  

• klar definierte Erweiterungspunkte statt schwer durchschaubarer Sonderlogik  

Für Entwickelnde bedeutet das: Die KI muss deutlich weniger raten, da CoreFrame-spezifische AI-Skills bereitstehen und sie sich an belastbaren Artefakten orientieren kann. Gleichzeitig wird der benötigte Kontext reduziert.  

Wo GenAI in der CoreFrame-Praxis konkret hilft

In unserem Entwicklungsalltag sehen wir bei SMF mehrere Bereiche, in denen KI-Assistenz besonders sinnvoll ist. 

Vom Fachmodell zur technischen Präzisierung
CoreFrame lebt davon, dass Anforderungen in fachliche Modelle überführt werden. Klassen, Beziehungen, Rollen, Prozesse und Metadaten sind die eigentlichen Träger der Anwendungslogik. GenAI hilft hier vor allem bei der Vorstrukturierung: aus textuellen Anforderungen konsistente Modellideen abzuleiten, Benennungen zu schärfen, Rollenmodelle zu hinterfragen oder BPMN-Prozesse in eine erste fachliche Form zu bringen (Stichwort: Spec-Driven Development).

Die Stärke liegt weniger im vollautomatischen Erzeugen fertiger Modelle als in der dialogischen Verdichtung. Die KI wird zum Sparringspartner für die Modellierung.

Unterstützung im User Code
CoreFrame erlaubt ausdrücklich die Erweiterung generierter Anwendungen. Eigene Logiken, domänenspezifische Regeln und individuelle Komponenten können ergänzt werden, ohne den generierten Kern zu beeinflussen. Diese Architekturentscheidung ist wichtig, weil sie Freiraum schafft: Entwickelnde bleiben nicht in einem technischen Korsett gefangen, sondern können eigene Implementierungen in einem modernen .NET-Stack modular hinzufügen.

Was GenAI in der CoreFrame-Praxis nicht ersetzt

So hilfreich Generative AI in vielen Situationen ist, so klar sind auch ihre Grenzen. Ein Framework wie CoreFrame basiert auf tragfähigen Konzepten: Metadaten, Rechte, Workflow-Semantik, Runtime-Verhalten, Modellvalidierung und klaren Erweiterungspunkten. Diese Konzepte müssen verstanden werden. GenAI kann unterstützen, aber sie ersetzt keine Architekturentscheidung und kein Domänenverständnis im Enterprise-Kontext. 

Gerade in einer modellgetriebenen Umgebung ist das wichtig. Wenn das Modell unscharf ist, produziert auch die KI keine belastbaren Ergebnisse. Wenn Rechte falsch gedacht sind oder Prozesse fachlich nicht stimmen, 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. 

Der kulturelle Effekt: Wie sich Entwicklungsarbeit verändert

Ein oft unterschätzter Aspekt ist, dass Generative AI (GenAI) nicht nur Code schneller entstehen lässt, sondern Arbeitsweisen nachhaltig verändert. In einer CoreFrame-basierten Entwicklung verschiebt sich die Rolle des Entwicklers weiter in Richtung Übersetzer, Architekt und Validierer. Die entscheidende Frage ist weniger: „Wie implementiere ich dieses Standardformular?“ Sondern eher: „Wie beschreibe ich das Fachproblem so präzise, dass Plattform, Modell und Erweiterungscode sauber zusammenspielen?“ 

Das ist eine anspruchsvollere, aber letztlich auch wertvollere Form der Softwareentwicklung. CoreFrame fördert diese Haltung, weil das Framework den Fokus systematisch von technischer Wiederholung hin zur Fachlichkeit verlagert. GenAI verstärkt genau diese Bewegung. 

Ein realistischer Erfahrungswert aus der CoreFrame-Entwicklung

Unser Eindruck aus der CoreFrame-Entwicklung ist deshalb differenziert, aber klar positiv: GenAI ist dort am stärksten, wo sie nicht als Ersatz für Architektur oder Fachlichkeit missverstanden wird, sondern als intelligenter Beschleuniger in einem wohl definierten Entwicklungsprozess dient. 

CoreFrame bringt dafür ausgezeichnete Voraussetzungen mit: Das Framework übersetzt fachliche Modelle in lauffähige Anwendungen, stellt eine umfangreiche Runtime bereit und erlaubt zugleich modulare, nicht invasive Erweiterungen. Dadurch bleibt genug Freiraum für individuelle Logik, ohne dass jedes Projekt wieder bei null startet. Genau in dieser Balance liegt die besondere Stärke des Zusammenspiels aus Low-Code und GenAI.  

Praxisbeispiel: AI-gestützte CoreFrame-Anwendungsentwicklung

Im Rahmen einer CAFM-Case-Study entstand eine Kartenkomponente, die die klassische Stammdatenpflege um einen unmittelbaren räumlichen Bezug erweitert. Räume, Flächen und öffentliche Bereiche können dadurch nicht nur strukturiert erfasst, sondern direkt auf der Karte verortet und im jeweiligen Umfeld betrachtet werden. Der Projekterfolg zeigte sich besonders im Entwicklungsprozess: Mithilfe von GenAI konnte ein Softwareentwickler ohne Vorkenntnisse in WebGIS-Technologien wie OpenLayers die Kartenansicht in nur wenigen Tagen umsetzen und erfolgreich in die CoreFrame-Lösung integrieren. 

Wie CoreFrame systematisch für AI-gestützte Entwicklung vorbereitet wurde

Damit Generative AI in einem komplexen Framework wie CoreFrame nicht nur oberflächlich unterstützt, sondern tatsächlich produktiv eingesetzt werden kann, braucht es mehr als gute Prompts. Entscheidend ist, dass das Projekt selbst AI-fähig strukturiert wird. Genau das wurde in der CoreFrame-Entwicklung mit einem eigenen Agenten- und Guideline-Set umgesetzt. 

Im Zentrum steht dabei eine klar definierte Arbeitsgrundlage für AI-gestützte Entwicklung. Mit einem projektbezogenen AGENTS.md wurde festgelegt, in welcher Reihenfolge ein Agent im CoreFrame-Kontext arbeiten soll. Diese Reihenfolge ist mehr als eine Stilfrage. Sie verhindert, dass eine KI aus allgemeinen Framework-Annahmen oder veralteten Doku-Beispielen falsche Schlüsse zieht.  

Darauf aufbauend wurden die relevanten Projektkontexte in schlanke, spezialisierte Leitdokumente aufgeteilt: 

• AI Context Index: Ein „AI Context Index“ führt Agenten gezielt zu zentralen Modulen und Verantwortlichkeiten 
• AI Glossar: Ein projektspezifisches „AI Glossar“ reduziert Missverständnisse bei zentralen CoreFrame-Begriffen wie UserCode, JournalEntry oder Principal 
• AI-Anti-Pattern: AI-Anti-Pattern-Dokumente definieren, welche typischen Fehlannahmen in diesem Projekt vermieden werden müssen. 

Governance als Voraussetzung für produktive KI-Nutzung

Besonders wichtig ist, dass AI-Unterstützung nicht nur fachlich, sondern auch governance-seitig abgegrenzt wurde. Mit einer projektspezifischen COMPLIANCE.md wurden Regeln für Datenschutz, Secret-Hygiene, Logging, Dependency-Prüfung, Lizenztypen und Review-Pflichten definiert. Damit wird verhindert, dass KI-generierte Vorschläge ungeprüft in produktive Pfade gelangen. Ergänzt wird das durch eine „AI Verification Matrix“, durch die typische Änderungsklassen mit Pflichtprüfungen, geeignete Tests und verbleibende Restrisiken verknüpft werden. So wird aus „KI hat einen Vorschlag gemacht“ ein nachvollziehbarer, prüfbarer Engineering-Prozess. 

Ein weiterer Baustein ist die Einführung spezialisierter Skills für typische CoreFrame-Aufgaben. Statt KI allgemein auf das gesamte Repository loszulassen, werden Agenten gezielt auf bestimmte Domänen oder Problemklassen ausgerichtet. 

Die Verbindung aus modellgetriebener Entwicklung, klaren Metadaten, wiederverwendbarer Laufzeitlogik und projektspezifischen AI-Skills schafft eine Umgebung, in der Generative AI nicht zufällig hilft, sondern systematisch produktiv gemacht werden kann. 

Fazit zu Low-Code meets GenAI

Low-Code und GenAI sind kein Widerspruch. Im Gegenteil: In der CoreFrame-Entwicklung zeigt sich, dass beide Ansätze sich gegenseitig verstärken können. CoreFrame schafft Ordnung, Struktur und Wiederverwendbarkeit. GenAI beschleunigt Analyse, Präzisierung, Umsetzung und Kommunikation. Zusammen entsteht ein Entwicklungsansatz, der nicht nur schneller ist, sondern oft auch fokussierter. 

Die eigentliche Erkenntnis lautet daher nicht, dass KI nun plötzlich Softwareentwicklung automatisiert. Der wahre Gamechanger liegt woanders: Dort, wo eine Plattform wie CoreFrame bereits ein starkes modellgetriebenes Fundament legt, wird Generative AI vom netten Zusatzwerkzeug zum echten Produktivitätshebel. 

---