Thesis
Vom Lovable-Prototyp zur mobilen App: KI-gestützte Migration im Vergleich
Vom Prototyp zur mobilen App
Der Ausgangspunkt der Untersuchung war ein Lovable-Prototyp einer Web-Anwendung zur Brustselbstuntersuchung, lauffähig und in kurzer Zeit entstanden. Daraus sollte eine mobile App werden. Die zugrunde liegende Bachelorarbeit untersucht, wie sich dieser Prototyp mit Capacitor, React Native und Flutter in eine Cross-Plattform-App überführen lässt. Bewertet wurden vier Kriterien: Codequalität, Performance, Aufwand und Funktionsabdeckung. Eine fertige Store-App war nicht das Ziel, und Produktivbetrieb, Monitoring und die regulatorischen Anforderungen des Gesundheitskontexts blieben bewusst ausgeklammert.
Wie wurde untersucht?
Für jedes der drei Frameworks wurden zwei unabhängige KI-gestützte Migrationen mit Claude Code und dem Modell Claude Opus 5 durchgeführt, jeweils mit demselben Ausgangsartefakt und unter möglichst gleichen Bedingungen. Ergänzend wurde eine Flutter-Migration manuell umgesetzt, um einen Vergleichspunkt zu erhalten. Die entstandenen Apps wurden anschließend nach vier Kriterien untersucht: Codequalität (unter anderem Wartbarkeit und Sicherheit, gemessen mit SonarQube), Performance auf einem realen Android-Gerät, Funktionsabdeckung gegenüber den zuvor festgelegten Anforderungen und Aufwand.
Der Prototyp blieb wichtig – aber nicht als Codebasis
Ein besonders aufschlussreiches Ergebnis zeigte sich bei der Frage, was vom ursprünglichen Lovable-Prototyp eigentlich erhalten blieb. Die Struktur des Frontend-Codes wurde von keinem der Migrationsläufe übernommen, und auch beim Capacitor-Pfad, der technisch am nächsten an einer Webanwendung liegt, entstand eine Neuimplementierung. Unbrauchbar wurde der Prototyp dadurch allerdings nicht, da das vorhandene Backend, Inhalte und Assets weiterverwendet werden konnten. Außerdem zeigte der Prototyp bereits, wie sich die Anwendung verhalten sollte. Für diesen Fall war er deshalb vor allem als Spezifikations- und Verhaltensreferenz wertvoll und weniger als Frontend-Codebasis für die weitere Entwicklung.
Die KI war nicht automatisch fertig, wenn sie „fertig“ war
Nach dem ersten Durchlauf erreichte nur einer der sechs KI-Läufe bereits die vollständige Abdeckung. Die einzelnen Werte lagen bei 99, 97, 97, 86, 100 und 98 Prozent. Nach der anschließenden Nachbesserung erreichten alle sechs Migrationen 100 Prozent der 100 bewertbaren Anforderungen. Interessant dabei war, dass die eigene Einschätzung des Agenten und die Abnahme in keinem der sechs Fälle vollständig übereinstimmten. Eine KI-gestützte Migration kann also zu einem funktional vollständigen Ergebnis führen. Die Aussage des Agenten, seine Arbeit sei abgeschlossen, sollte aber nicht die unabhängige Prüfung ersetzen.
Die Frameworks haben unterschiedliche Stärken
Bei der Codequalität ließ sich kein klares Muster erkennen, und die gemessenen Unterschiede hingen teilweise stärker vom einzelnen Lauf als vom verwendeten Framework ab. Auch die manuelle Flutter-Migration lag hier nicht vorn. Deutlicher waren die Unterschiede bei der Performance: Capacitor-Apps waren mit 3 bis 4 MiB fünf- bis zehnmal kleiner als die Flutter-Apps (rund 24 MiB) und React-Native-Apps (30 bis 33 MiB), starteten aber am langsamsten. React Native startete am schnellsten, streute aber stark zwischen den beiden Läufen. In der abschließenden Beantwortung der Forschungsfrage wird deshalb auch keine Rangliste über alle Kriterien gebildet. Stattdessen hängt die Eignung eines Frameworks davon ab, welche Eigenschaften für ein Projekt besonders wichtig sind.
Und wie groß war der Aufwand?
Für die KI-Migrationen wurden Agentenlaufzeiten von ungefähr zwei bis drei Stunden gemessen. Die manuelle Flutter-Migration benötigte rund 62 Stunden. Daraus lässt sich allerdings nicht einfach ableiten, dass die KI beispielsweise 20- oder 30-mal schneller war. Agentenlaufzeit und Personenzeit messen nicht dasselbe, da auch bei einer KI-gestützten Migration menschliche Arbeit anfällt, etwa für die Prüfung und Nachsteuerung. Der Unterschied ist trotzdem deutlich. Nur ein genauer Faktor lässt sich daraus nicht bilden.
Was lässt sich daraus mitnehmen?
Bei den untersuchten Pfaden gab es kein Framework, das über alle Dimensionen am besten abschnitt. Die Frameworks unterscheiden sich insbesondere in ihren Laufzeiteigenschaften, während die gemessene Codequalität stärker vom jeweiligen Lauf beeinflusst wurde. Für ähnliche Fälle bietet sich deshalb ein Vorgehen an, bei dem der vorhandene Prototyp vor allem als Beschreibung des gewünschten Systems genutzt wird. Auf dieser Grundlage kann eine KI-gestützte Neuimplementierung erfolgen. Danach sollte das Ergebnis unabhängig gegen die Anforderungen geprüft und bei Bedarf nachgebessert werden. KI ersetzt den Menschen bei einer solchen Migration also nicht, sondern verschiebt seine Arbeit, da weniger Schreiben von Code benötigt wird, dafür aber mehr Beschreiben des Systems und Prüfen des Ergebnisses.