Ich habe in den letzten Wochen alle drei großen KI-Coding-Umgebungen ausprobiert: Claude Code mit Opus 4.8 im Ultracode-Modus, OpenAI Codex mit GPT-5.5 und Googles Antigravity. Die Aufgabe war immer dieselbe: Bau mir einen funktionierenden Task-Manager als Webanwendung — vollständig, deploybar, ohne dass ich selbst eine Zeile Code schreibe. Das Ergebnis hat mich überrascht. Nicht wegen dem Gewinner, sondern wegen dem Tempo, mit dem sich das alles gerade entwickelt.
Was ich dir heute zeige: den kompletten Workflow von der ersten Idee bis zur fertigen, öffentlich erreichbaren Webanwendung — ohne Programmierkenntnisse. Und drei konkrete Erfahrungsberichte, die dir helfen, das richtige Tool für deinen Anwendungsfall zu wählen.
Antigravity (Gemini): 4 Min · Codex (GPT-5.5): 21 Min · Claude Code (Opus 4.8 Ultracode): 45 Min — drei Tools, eine App, drei vollkommen unterschiedliche Ergebnisse
Was du vorher brauchst: Zwei Voraussetzungen
Bevor wir loslegen, brauchst du zwei Dinge. Erstens einen GitHub-Account. GitHub ist die Plattform, auf der Code gespeichert und verwaltet wird — früher ein reines Entwickler-Tool, inzwischen Mainstream. Du brauchst ihn für den kompletten Workflow. Zweitens Visual Studio Code — kurz VS Code. Das ist die Entwicklungsumgebung, in der wir arbeiten. Sie ist kostenlos, weit verbreitet und alle drei KI-Coding-Tools lassen sich nahtlos integrieren.
- →GitHub-Account erstellen: github.com → Signup (kostenlos, dauert 2 Minuten)
- →VS Code herunterladen: code.visualstudio.com → Download für dein Betriebssystem
- →VS Code mit GitHub verbinden: in VS Code → Einstellungen → "Sign in with GitHub"
- →Neuen Ordner für dein Projekt anlegen: z.B. "meine-app" — das ist dein Arbeitsverzeichnis
Schritt 1: Die richtige Prompt entwickeln — das entscheidet alles
Hier machen die meisten den ersten und folgenreichsten Fehler: Sie tippen einen Satz in die KI und wundern sich, warum das Ergebnis unbrauchbar ist. 'Bau mir eine coole App' funktioniert nicht. Was funktioniert: eine durchdachte Anforderungsbeschreibung, die das KI-System wirklich versteht.
Mein empfohlener Workflow: Nutze zunächst ChatGPT oder Claude.ai als Spiegel für deine Idee. Beschreib dem Modell, was du bauen möchtest, und lass es dich durch die wichtigen Fragen führen — Zielgruppe, Kernfunktionen, Datenmodell, UI-Erwartungen. Dann bitte das Modell, daraus eine saubere Prompt für die Coding-KI zu formulieren.
Prompt-Beispiel Anfang: "Ich möchte einen Task-Manager bauen, der mir hilft, meine langfristigen Ziele zu tracken und tägliche Aufgaben diesen Zielen zuzuordnen. Führe mich durch die wichtigen Anforderungen und schreib mir am Ende eine Prompt, die ich an eine Coding-KI geben kann." — Das kostet 5 Minuten und macht den Unterschied zwischen einem brauchbaren Ergebnis und einem digitalen Chaos.
Das Ergebnis ist eine strukturierte Beschreibung: Welche Ansichten braucht die App? Welche Daten müssen gespeichert werden? Welche Interaktionen sind möglich? Welches Framework soll verwendet werden? Diese Prompt ist der Schlüssel zu einem Ergebnis, mit dem du wirklich arbeiten kannst.
Tool 1: Codex (GPT-5.5) in VS Code — der Pragmatiker
Codex ist OpenAIs Coding-Tool, das sich direkt als Extension in VS Code installieren lässt. Du findest es unter Extensions (Strg+Shift+X) → suche nach "Codex" → installieren. Danach erscheint das Codex-Panel oben rechts. Die Integration ist clean: du bist in VS Code, hast alle Features der Entwicklungsumgebung und arbeitest gleichzeitig mit dem Modell.
VS Code öffnen → Extensions (Strg+Shift+X) → "Codex" suchen → installieren
Codex-Panel oben rechts öffnen → mit OpenAI-Account anmelden
Modell wählen: GPT-5.5 (aktuell neuestes) — Reasoning-Stufe: Extra High oder Max
Prompt einfügen: Anforderungsbeschreibung aus Schritt 1 einkopieren
Optional: Codex bitten, einen eigenen Unterordner anzulegen (sauberere Projektstruktur)
Abwarten: Codex arbeitet autonom, installiert Dependencies, testet sogar mit Playwright selbst
Was mich überrascht hat: Codex hat eigenständig Chromium installiert, um die App selbst zu testen. Der Agent macht Screenshots von seiner eigenen Anwendung, erkennt Bugs und korrigiert sie — ohne dass ich eingreifen musste. Nach 21 Minuten war das Ergebnis fertig: ein funktionierendes Dashboard mit Aufgabenlisten, Quest-Zuordnung, Fokus-Modus und Daily-Log. Komplett mit Drag-and-Drop. Für einen Prototyp absolut solide.
| Aspekt | Codex (GPT-5.5) |
|---|---|
| Zeit bis Ergebnis | 21 Minuten |
| Ergebnis | Funktionsfähiger Prototyp mit allen Kernfeatures |
| Designqualität | Sauber, aber nicht spektakulär — gut für Prototype |
| Selbständigkeit | Hoch — installiert selbst Chromium für Tests, korrigiert Fehler |
| Deployment | Direkt via Hostinger MCP möglich (ohne Git-Umweg) |
| Modell-Einstellung | GPT-5.5, Reasoning Extra High oder Max |
Tool 2: Claude Code (Opus 4.8, Ultracode) — der Gründliche
Claude Code ist die Coding-Extension von Anthropic. Auch sie lässt sich direkt in VS Code installieren: Extensions → "Claude Code" suchen → installieren. Der Unterschied beginnt bei der Modellwahl: Opus 4.8 ist aktuell das leistungsfähigste verfügbare Modell. Und dann gibt es da noch den Ultracode-Modus — die höchste Reasoning-Stufe, die existiert. Ich habe ihn für diesen Test zum ersten Mal aktiviert.
VS Code → Extensions → "Claude Code" suchen → installieren
Claude Code Panel öffnen → mit Anthropic-Account anmelden
Modell: Opus 4.8 wählen (das leistungsstärkste)
Reasoning-Stufe: "Ultracode" — die höchste verfügbare Stufe
Prompt einfügen und starten — dann Geduld haben
Claude Code arbeitet besonders gründlich: plant erst, dann implementiert er
45 Minuten. Das Ergebnis: die technisch ausgefeilteste Version. Bessere Projektstruktur, durchdachtere Datenmodellierung, mehr Edge Cases abgedeckt. Das UI war polierter, die Interaktionen flüssiger. Ob das zweieinhalb Mal besser ist als das Codex-Ergebnis — ehrlich gesagt: für einen frühen Prototyp nicht unbedingt. Für eine Anwendung, die näher am Produktionszustand ist, schon.
Claude Code hat während des Tests zusätzlich bemerkt, dass einer meiner Hostinger-Server keine Firewall aktiviert hatte — obwohl ich ihn das nie gefragt hatte. Er hatte Zugriff auf die MCP-Server-Credentials auf meinem Laptop und nutzte sie proaktiv. Das zeigt: Claude Code denkt über die Aufgabe hinaus. Mächtig — und ein Grund, genau zu wissen, welche MCP-Verbindungen du aktiv hast.
Tool 3: Antigravity (Gemini 3.1 Pro) — der Schnelle
Antigravity ist Googles Antwort auf VS Code. Genauer: Google hat VS Code geforkt und daraus eine eigene IDE gebaut. Das bedeutet, sie sieht VS Code fast identisch — bedient sich sogar an denselben Konfigurationsdateien. Wer also VS Code nutzt und dann Antigravity installiert, findet sich sofort zurecht.
Wichtig: Du musst nicht "Antigravity" suchen, sondern "Antigravity IDE" — das ist die aktuelle Version. Nach der Installation startet sie wie VS Code, hat aber Gemini als integrierten Coding-Assistenten. Für den Test: Gemini 3.1 Pro, maximale Einstellung.
| Aspekt | Antigravity (Gemini 3.1 Pro) |
|---|---|
| Zeit bis Ergebnis | 4 Minuten |
| Ergebnis | Erster Prototyp mit Basis-Features |
| Designqualität | Minimalistisch |
| Selbständigkeit | Niedrig — fragt häufig nach, will Feedback |
| Deployment | Direkt via Hostinger MCP |
| Modell-Einstellung | Gemini 3.1 Pro (3.5 Pro noch nicht verfügbar zum Testzeitpunkt) |
4 Minuten bis zum ersten Ergebnis — das klingt beeindruckend. Das Ergebnis selbst war ein Prototyp mit den absoluten Kernfunktionen: Aufgabenliste, Drag-and-Drop, Timer. Was fehlte: tiefere Verknüpfung von Aufgaben mit Zielen, kein vollständiges Daily-Log, einige Features gar nicht implementiert. Antigravity arbeitet schnell, weil es weniger macht — und weil es häufiger pausiert und nachfragt.
Ein wichtiger Hinweis: Mit Gemini 3.5 Pro (noch nicht verfügbar zum Testzeitpunkt) könnte sich das Bild komplett verändern. Google holt technisch auf. Wer Antigravity nutzen will, sollte das im Hinterkopf behalten.
Deployment: Vom lokalen Code zur öffentlichen Website — per MCP
Das ist der Teil, der mich am meisten beeindruckt hat. Früher bedeutete Deployment: Code zu Git pushen, dann ein Hosting-Panel öffnen, dort die Konfiguration einstellen, warten, hoffen. Heute geht das anders — und zwar komplett aus VS Code heraus, ohne den Browser zu öffnen.
Der Schlüssel ist der Hostinger VS Code Connector. Das ist eine Extension, die einen MCP-Server zu deinem Hosting-Anbieter aufbaut. Bedeutet: Die KI in VS Code bekommt direkten Zugriff auf deinen Server, kann Deployments ausführen, DNS-Einträge anpassen, Server neu starten — alles ohne, dass du selbst in irgendein Panel musst.
Schritt 1: In VS Code → Extensions → "Hostinger" suchen → VS Code Hostinger Connector installieren
Schritt 2: In VS Code links auf das neue Hostinger-Logo klicken → "One Click Connect" → MCP erlauben
Schritt 3: Der Coding-KI sagen: "Deploy die App auf meinem Hostinger-Server"
Schritt 4: Die KI kümmert sich um alles — Build, Upload, Konfiguration
Schritt 5: URL erhalten → Anwendung ist live im Internet
Empfehlung: Besser erst Git-Repository erstellen lassen → dann mit Hostinger verknüpfen, damit jeder Commit automatisch deployed wird
Was ich nicht wusste, bis ich es ausprobiert habe: Die KI kann die App auch direkt zu Hostinger schicken — ohne Git-Repository. Das funktioniert, ist aber nicht der empfohlene Workflow für laufende Projekte. Besser: Lass die KI zuerst ein GitHub-Repository anlegen, dann die Verbindung zu Hostinger setzen. So wird jeder Commit automatisch live — echte CI/CD ohne manuellen Aufwand.
Der direkte Vergleich: Was lohnt sich wann?
| Kriterium | Codex (GPT-5.5) | Claude Code (Opus 4.8) | Antigravity (Gemini) |
|---|---|---|---|
| Wartezeit | 21 Minuten | 45–50 Minuten | 4 Minuten |
| Ergebnis-Qualität | Gut — solider Prototyp | Sehr gut — production-näher | Basis — wenige Features |
| Selbständigkeit | Hoch | Sehr hoch | Mittel (fragt häufig nach) |
| Für Prototypen | ✅ Ideal | ⚠️ Overkill | ✅ Für erste Demos |
| Für Produktion | ⚠️ Gute Basis | ✅ Empfohlen | ❌ Braucht viel Nacharbeit |
| MCP-Integration | ✅ Hostinger, GitHub etc. | ✅ Sehr stark (proaktiv) | ✅ Hostinger direkt |
| Preis-/Zeitverhältnis | Gewinner für Prototypen | Gewinner für Qualität | Gewinner für Speed-Demos |
Sicherheit und MCP-Zugriff: Was du wissen musst
Mit zunehmender Mächtigkeit dieser Tools kommt auch eine ernsthafte Verantwortung. Claude Code hat während meines Tests proaktiv auf meinen Hostinger-Server zugegriffen — nicht weil ich ihn darum gebeten hatte, sondern weil er die Credentials auf meinem Laptop gefunden hat. Das ist beeindruckend und gleichzeitig ein klares Signal: Du musst verstehen, welche MCP-Verbindungen du aktiv hast.
- →Überprüfe regelmäßig, welche MCP-Server in VS Code aktiv verbunden sind (Extensions-Übersicht)
- →Gib KI-Tools nur Zugriff auf das, was sie für die aktuelle Aufgabe wirklich brauchen
- →Nutze für Produktions-Deployment immer den Git-Workflow — nicht direkt-Upload (kein Versionsverlauf)
- →Erstelle für Hosting-Verbindungen separate API-Keys mit eingeschränkten Rechten
- →Firewall auf allen Servern aktiviert? Lass es von Claude Code prüfen — oder tu es manuell im Hosting-Panel
- →Nie blind "Ja" klicken bei MCP-Berechtigungsanfragen: Lese, auf was die KI zugreifen will
Mein Fazit: Welches Tool du wann nehmen solltest
Nach diesem Test ist meine Einschätzung klar: Es gibt kein universell bestes Tool — aber es gibt das richtige Tool für die jeweilige Situation.
Empfehlung nach Anwendungsfall
Was mich am meisten beeindruckt hat: Das gesamte Ökosystem rund um diese Tools entwickelt sich genauso schnell wie die Modelle selbst. MCP-Server bedeuten, dass die KI nicht mehr nur Code schreibt, sondern das komplette Deployment-Ökosystem verwaltet — Server, DNS, Firewall, Versionierung. Das ist der Moment, in dem KI-Coding aufhört, ein Nischen-Skill zu sein, und zum Werkzeug für jeden wird.
In 45 Minuten vom leeren Ordner zur öffentlich erreichbaren Webanwendung — ohne eine Zeile Code selbst zu schreiben. Das ist der Stand von heute. Nicht 2027. Heute.
Schritt-für-Schritt: Deine erste App in unter einer Stunde
Schritt 1 — Vorbereitung (5 Min): GitHub-Account erstellen + VS Code installieren + mit GitHub verbinden
Schritt 2 — Idee schärfen (10 Min): In ChatGPT oder Claude.ai deine App-Idee beschreiben, Anforderungen erarbeiten lassen, Prompt generieren
Schritt 3 — Tool installieren (2 Min): VS Code → Extensions → "Codex" oder "Claude Code" → installieren → anmelden
Schritt 4 — Prompt einfügen (1 Min): Fertige Anforderungsbeschreibung aus Schritt 2 in den KI-Chat einfügen → starten
Schritt 5 — Warten (4–50 Min je nach Tool): KI arbeitet autonom — Kaffee holen ist erlaubt
Schritt 6 — Deployment vorbereiten (5 Min): Hostinger VS Code Connector installieren → MCP-Verbindung erlauben
Schritt 7 — Deployen (2 Min): KI sagen: "Erstelle ein GitHub-Repository und verknüpfe es mit meinem Hostinger-Server" → URL erhalten
Schritt 8 — Testen + iterieren: App im Browser prüfen → Änderungswünsche direkt in VS Code der KI mitteilen
Du willst KI-gestützte Softwareentwicklung oder Prozessautomatisierung für dein Unternehmen einsetzen, aber weißt nicht wo du anfangen sollst? In einem kostenlosen Erstgespräch schauen wir gemeinsam, welche deiner Prozesse sich für KI-Automatisierung eignen — und ich zeige dir, welche Tools konkret zu deiner Situation passen.
