Wie ein Vater aus Singapur mit Claude Code eine Baby-Tracking-App entwickelte

Frank Chester Tan begann nicht damit, Programmieren zu lernen. Nachdem er und seine Frau Estee Cheng die Fütterungs-, Schlaf- und Windelmuster ihres Sohnes Raphael fünf Monate lang auf Papier festgehalten hatten, wurde die Dokumentation zu mühsam. Also nutzte Tan Claude Code als Entwicklungsassistenten in natürlicher Sprache. Dafür bezahlte er ein Claude-Pro-Abo für 30 US-Dollar im Monat, arbeitete über das Mac-Terminal und legte eine vierseitige Produktspezifikation vor.

Das Ergebnis war eine personalisierte Web-App zur Erfassung des Babyalltags. Der Vorgang bestand jedoch nicht darin, einfach einen Knopf zu drücken: Tan musste das gewünschte Produkt möglichst genau beschreiben, die Ergebnisse testen und Fehler oder fehlende Funktionen korrigieren.

Was die Baby-Tracking-App können sollte

Tan und Cheng suchten eine unkomplizierte Möglichkeit, den Tagesablauf ihres Babys zu dokumentieren und die Entwicklung mit entsprechenden Empfehlungen zu vergleichen. Die App orientierte sich deshalb an Aufgaben, die die Eltern ohnehin regelmäßig erledigten:

• ein privates Dashboard, auf das beide Eltern in Echtzeit zugreifen und Einträge vornehmen können
• Ein-Klick-Eingaben für Milchmahlzeiten und Windelwechsel
• die Erfassung von Symptomen und Lebensmittelallergien
• automatisch berechnete Tagesbilanzen
• die Dokumentation von Schlaf, Nickerchen, Milchmenge und Windelmustern
• altersgerechte Vergleiche mit Empfehlungen von HealthHub und dem KK Women’s and Children’s Hospital, die sich mit dem Wachstum des Babys aktualisieren

Entscheidend war der klar umrissene Anwendungsfall. Tan bat Claude Code nicht um eine allgemeine „Eltern-App“, sondern beschrieb konkret, welche Daten Eltern eingeben, welche Berechnungen das System durchführen und wie beide Nutzer auf die Informationen zugreifen sollten.

Der Ablauf: erst Anforderungen, dann Code

Obwohl Tan kein Programmierer war, ging er ähnlich vor wie bei einem schlanken Produktentwicklungsprozess. Zunächst formulierte er die Anforderungen in normalem Englisch. Anschließend sollte Claude Code daraus eine Anwendung erstellen.

Der beschriebene Ablauf sah so aus:

1. Claude Code über das Mac-Terminal herunterladen und starten.
2. In einem vierseitigen Dokument die Funktionen und das Verhalten der App detailliert festlegen.
3. Claude Code auf dieser Grundlage entwickeln lassen und sich jeden Umsetzungsschritt in einer für Nicht-Programmierer verständlichen Form erklären lassen.
4. Konten bei GitHub, Supabase und Vercel anlegen.
5. Die Dienste miteinander verbinden: GitHub speicherte den Code, Supabase stellte Datenbank und Nutzeranmeldung bereit, und Vercel veröffentlichte die App unter einer Webadresse.

Die Plattformen übernahmen dabei unterschiedliche Aufgaben. Claude Code war die Entwicklungsoberfläche, GitHub das Code-Archiv, Supabase die Backend-Basis und Vercel der Dienst für die Bereitstellung der Web-App. So konnte Tan aus einer schriftlich formulierten Idee eine funktionierende Anwendung machen, ohne zunächst einen klassischen Programmier-Stack beherrschen zu müssen.

Warum präzise Prompts den Unterschied machten

Tan ging nicht davon aus, dass die erste von der KI erstellte Version sofort fehlerfrei sein würde. Er probierte die App aus, beschrieb, was fehlte oder nicht richtig funktionierte, und forderte Überarbeitungen an. Der Prozess wiederholte sich: anweisen, prüfen, testen und verbessern.

Daraus leitete er eine einfache Regel ab: Vage Anweisungen führen häufig zu vagen Ergebnissen. Je genauer Tan Felder, Zugriffsrechte, Berechnungen und Nutzererlebnis beschrieb, desto brauchbarer wurde die Ausgabe. Claude Code konnte im Allgemeinen auch unperfektes oder „gebrochenes“ Englisch verstehen. Das bedeutete jedoch nicht, dass eine unvollständige Anforderung automatisch zu einem vollständigen Produkt führte.

Für Nutzer von KI-Programmierwerkzeugen ist dieser Unterschied wichtig. Anwendungen in natürlicher Sprache können die Einstiegshürde senken. Sie ersetzen aber weder eine klare Definition der Anforderungen noch die Kontrolle des Ergebnisses.

Bei Gesundheitsinformationen blieb Überprüfung unverzichtbar

Für Recherchen kombinierte Tan Claude Code mit Perplexity AI, weil das Suchsystem Quellenangaben ausgibt. Eine Quellenangabe betrachtete er jedoch nicht automatisch als Beweis für die Richtigkeit einer Aussage.

Als die Recherche die Information enthielt, Flossenfische gehörten in Singapur zu den wichtigsten Auslösern von Allergien, wurde Tan skeptisch. In seiner persönlichen Erfahrung waren eher Schalentiere das naheliegendere Thema. Er prüfte die angegebene Quelle und korrigierte die App. Der Bericht verweist außerdem auf ein grundsätzliches Risiko: KI-Suchsysteme können Quellen nennen, die auf erfundene Studien verweisen. Gerade bei gesundheitsbezogenen Angaben ist deshalb eine unabhängige Prüfung weiterhin nötig.

Die App konnte Beobachtungen ordnen und mit Empfehlungen vergleichen. KI-generierte Recherche durfte dabei aber nicht allein deshalb als medizinisch verlässlich gelten, weil sie Links oder Zitate enthielt.

Aus den Prompts entstand auch ein Übersetzungstool

Die beim Bau der Baby-App erworbenen Fähigkeiten nutzte Tan später auch für seine Arbeit. Er entwickelte ein Tool mit nur einer Schaltfläche, das englische Inhalte in 48 Sprachen übertragen kann.

Dabei sollte das System nicht bloß Wort für Wort übersetzen. Zuerst sollte es Bedeutung, Absicht und das persuasive Ziel des Ausgangstextes erfassen. Danach sollte es einen natürlichen Text in der Zielsprache verfassen, statt englische Formulierungen, Rhythmus oder Denkstrukturen nachzuahmen.

Das folgt demselben Prinzip wie bei der Baby-App: Gute Ergebnisse hängen stark davon ab, ob der Nutzer Ziel, Kontext und Einschränkungen verständlich erklärt – und nicht nur, ob er die Aufgabe nennt.

Die größere Lehre für Menschen ohne Programmierkenntnisse

Tans Geschichte zeigt nicht, dass KI Softwareentwicklung vollständig automatisiert. Er musste ein konkretes Problem erkennen, eine ausführliche Spezifikation schreiben, Konten anlegen, Dienste verbinden, die Anwendung testen und zweifelhafte Recherche hinterfragen.

Sie zeigt aber, wie ein KI-Programmierassistent Menschen den Einstieg ermöglichen kann, die mit einer nützlichen Produktidee beginnen wollen, statt zunächst jahrelang Programmieren zu lernen. Für Tan werden Experimentierfreude und präzises Prompting zu praktischen Fähigkeiten – auch für Menschen, die kein perfektes Englisch schreiben.

Die übertragbare Erkenntnis lautet daher nicht: „KI kann alles bauen.“ Sondern: Menschen ohne technischen Hintergrund können mit KI gezielt Prototypen für klar abgegrenzte Probleme entwickeln. Für Anforderungen, Tests und die Bewertung von Fakten bleiben sie selbst verantwortlich.