Low-Code meets GenAI

Ein Erfahrungsbericht aus der CoreFrame-Entwicklung

Die Diskussion rund um Generative AI hat die Softwareentwicklung in kurzer Zeit spürbar verändert. Was vor wenigen Jahren noch als experimentelles Hilfsmittel galt, ist heute für viele Teams ein ernstzunehmender Produktivitätsfaktor. Gleichzeitig zeigt sich aber auch: GenAI entfaltet ihren größten Nutzen nicht dort, wo sie beliebigen Code erzeugt, sondern dort, wo sie auf eine starke fachliche und technische Struktur trifft.

Genau an diesem Punkt wird es für uns interessant. Denn mit dem CoreFrame existiert bei SMF bereits eine Plattform, die seit jeher auf Struktur, Modellierung, Metadaten und Automatisierung setzt. Die Entwicklung von Unternehmensanwendungen erfolgt hier nicht primär durch manuelles Erstellen jeder einzelnen technischen Schicht, sondern modellgetrieben: Fachkonzepte, Metadaten und Prozesse werden beschrieben und daraus entstehen lauffähige Anwendungen. 

CoreFrame verkürzt den Weg von der Anforderung bis zum funktionierenden 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“ somit durch UML & BPMN bereits seit einigen Jahren!

Warum Low-Code und GenAI 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: das Formulieren von Regeln, das Aufbereiten von Anforderungen, das Verstehen komplexer Zusammenhänge, das Erzeugen von Hilfscode, das Refactoring, die Dokumentation und die technische Exploration.

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 eigentliche Fachproblem. Genau diese Arbeitsweise bietet für GenAI einen enormen Vorteil: Die KI arbeitet nicht im luftleeren Raum, sondern innerhalb eines klar definierten Rahmenwegs aus Domänenmodellen, Metadaten, Rechten, Workflows und Runtime-Konzepten. Dadurch wird sie verlässlicher, zielgerichteter und in vielen Fällen deutlich nützlicher als in klassisch gewachsenen Codebasen.

CoreFrame als Grundlage für KI-gestützte Entwicklung

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 für den Einsatz von GenAI entscheidend. Denn gute KI-Unterstützung braucht 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 mehrere Bereiche, in denen KI-Assistenz besonders sinnvoll ist.

1. 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.

2. 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 nicht ersetzt

So hilfreich KI 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: Entwickelnde arbeiten anders

Ein oft unterschätzter Aspekt ist, dass GenAI nicht nur Code schneller entstehen lässt, sondern Arbeitsweisen 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

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.

Ein Bild sagt mehr als 1000 Worte: 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 für AI-gestützte Entwicklung „skill-fähig“ gemacht 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. Ein „AI Context Index“ führt Agenten gezielt in die wichtigsten Module, Zuständigkeiten und technischen Schwerpunkte ein. Ein projektspezifisches „AI Glossar“ reduziert Missverständnisse bei zentralen CoreFrame-Begriffen wie UserCode, JournalEntry oder Principal. Ergänzend definieren AI-Anti-Pattern-Dokumente, welche typischen Fehlannahmen die KI in diesem Projekt gerade nicht machen darf.

Besonders wichtig ist, dass AI-Unterstützung nicht nur fachlich, sondern auch governance-seitig eingehegt 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 welche 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

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.

---