Lovable Review: Das Grundproblem bleibt – KI macht es nur schwerer sichtbar

Am 8. März 2026 wurde Lovable gratis für alle Nutzer:innen. Ich war schon seit Monaten neugierig, wie dieses Tool wohl funktionierte, fand jedoch das dortige Credit-System verwirrend, wodurch sich der Zeitpunkt nie richtig anfühlte. Am 8. März hatte ich schließlich keine Ausreden mehr.

Lovable basiert auf einem neuen Ansatz namens Vibe Coding. Dabei können Nutzer:innen ihre App-Ideen in natürlicher Sprache beschreiben, statt lange Codezeilen selbst zu schreiben. Lovable generiert daraus automatisch eine moderne Software-Architektur mit React und Tailwind CSS als Tech-Stack. Mit Vibe Coding lassen sich Ideen in wenigen Minuten sichtbar machen und testen. Das verkürzt den Entwicklungsprozess erheblich. Lovable bietet zudem einen Visual Editor, mit dem Nutzer das Design ihrer App direkt anpassen können, ohne neue Prompts schreiben zu müssen.

Ich hatte schon lange Zeit eine App-Idee im Kopf: eine Familien-Kochbuch-App. Das war keinesfalls eine Startup-Idee, sondern etwas, das zu Hause wirklich nützlich wäre. In meiner Familie gibt es viele verschiedene Aufgaben, und die meiste Zeit kochte ich experimentell, und niemand erinnert sich jemals daran, was uns gefallen hat, was wir ausprobiert oder wessen Vorlieben sich im vergangenen Jahr still und leise verändert haben. Darüber dachte ich schon länger nach. Sechs Stunden Überlegungen brachten schließlich ein PDF hervor, mit einer groben Spezifikation, ein paar Low-Fidelity-Wireframes, genug, um loszulegen. 

Ich lud es bei Lovable hoch und startete das Prompten des Tools. Lovable bietet dabei die Möglichkeit, mithilfe des Remix-Features von öffentlichen Projekten zu lernen, deren Code und Inhalt einzusehen und als Ausgangspunkt für eigene Projekte zu nutzen. Fünf Stunden später hatte ich etwas entwickelt, das funktionierte. Familienmitglieder konnten sich einloggen und starteten, Rezepte hochzuladen. Als Person, die als Frontend-Entwickler angefangen hat, bevor sie zum UX-Bereich wechselte, wusste ich, was normalerweise nötig ist, um so etwas zu bauen. Es fühlte sich an, wie ein Zaubertrick und zeigte, wie Lovable den Workflow, das Prototyping und die Programmierung vereinfacht. Ich migrierte die Codebasis zu GitHub, wobei Lovable eine Export-Funktion bietet, die den Workflow und die Veröffentlichung des Projekts zusätzlich optimiert. Es war zu viel, um alles noch einmal durchzugehen, und zu diesem Moment fühlte es sich nicht so an, als müsste ich das tun. Es sah sauber aus. Strukturiert. Ich war beeindruckt von mir selbst oder von dem Tool. So ganz sicher war ich mir nicht, von wem ich tatsächlich begeistert war.

Einführung in Lovable

Lovable ist eine Plattform, mit der sich Apps und Webanwendungen per KI-Unterstützung erstellen lassen. Statt viele Funktionen direkt im Code umzusetzen, beschreiben Nutzer:innen ihre Ideen, Abläufe und Anforderungen in natürlicher Sprache. Die Plattform übersetzt diese Eingaben in funktionierende Oberflächen, Logiken und erste technische Strukturen.

Im Zentrum steht dabei ein Ansatz, der häufig als Vibe Coding bezeichnet wird: Nicht der Code selbst steht am Anfang, sondern die sprachliche Beschreibung dessen, was entstehen soll. Dadurch lassen sich in kurzer Zeit Prototypen und erste Produktversionen entwickeln, testen und weiter iterieren. Lovable vereinfacht viele Schritte, etwa die Erstellung erster Interfaces, die Anbindung von Datenbanken oder die Strukturierung von Abläufen. Gleichzeitig verschiebt sich damit aber auch der Schwerpunkt: Der Weg von der Idee zum Ergebnis wird kürzer, während technische und konzeptionelle Entscheidungen im Hintergrund teilweise weniger sichtbar werden.

Gerade diese Geschwindigkeit ist ein zentraler Teil des Versprechens solcher Tools. Ideen lassen sich in kurzer Zeit visualisieren, testen und präsentieren, ohne dass dafür von Beginn an ein vollständiger Entwicklungsprozess nötig ist. Das kann hilfreich sein, wenn es darum geht, erste Hypothesen zu prüfen oder schnell Feedback einzuholen. Es wirft aber auch die Frage auf, was in diesem beschleunigten Prozess sichtbar wird und was nicht.

Kann man KI trauen, wenn man nicht versteht, wie das Ganze gebaut ist?

Nicht wirklich und oft merkt man das erst, wenn die ersten Dinge nicht mehr funktionieren. KI-Tools können einen Code erzeugen, der sauber und strukturiert aussieht. Aber wenn du ihn selbst nicht verstehst, hast du keinen Plan, was zu tun ist, sobald etwas schiefläuft.

Genau das ist bei Lovable passiert. Als ich versuchte, die ersten Probleme mit noch mehr Prompting zu beheben, wurde mir etwas ziemlich schnell klar: Die Struktur war nicht so widerstandsfähig, wie sie zunächst aussah. Es funktionierte, bis es eben nicht mehr funktionierte. Ich konnte mich per Prompt von Patch zu Patch hangeln, aber ich hatte etwas Reales gebaut, ohne mir zugleich das Verständnis dafür zu erarbeiten, das eigentlich damit einhergehen sollte. Das Ergebnis war da. Das Verständnis nicht.

Ist ein besserer KI-Gerüstbau dann die Lösung?

Teilweise. Strukturierte Prompts, persistenter Kontext und sorgfältig entwickelte Workflows verbessern die Ergebnisse auf Lovable tatsächlich. Aber dieses Gerüst aufzubauen und zu pflegen ist eine bedeutende, anspruchsvolle und fortlaufende Arbeit. Es ist keine einmalige Einrichtung, und diese Arbeit bleibt für Kund:innen unsichtbar, die bereits gesehen haben, was KI an einem Nachmittag produzieren kann.

Denk darüber nach, was es eigentlich bedeutet, dieses KI-Gerüst zu pflegen. Es muss deine Projekte abbilden, deine Kund:innen und dein sich ständig weiterentwickelndes Verständnis. Sonst veraltet es leise im Hintergrund und beginnt, schlechtere Ergebnisse zu produzieren, die sich nur schwer zurückverfolgen lassen. Es gibt keinen automatischen Weg, durch den das System erkennt, was es nicht weiß. Es kann dir nicht sagen, dass der Kontext, den du ihm vor drei Monaten gegeben hast, inzwischen veraltet ist. Das musst du selbst bemerken, manuell, fortlaufend, kontinuierlich. Das ist eine neue Form von redaktioneller und architektonischer Arbeit, die in keiner Demo auftaucht.

Das bringt mich zu dem Druck, der auf uns zukommt oder der in vielen Fällen schon vorhanden ist.

Die Kund:innen haben die Demos gesehen. Sie haben die Schlagzeilen gelesen. Und sie werden, völlig berechtigt, fragen: Wenn KI in wenigen Stunden einen funktionierenden Prototyp erzeugen kann, warum dauert euer Prozess dann immer noch Wochen? Wofür bezahlen wir eigentlich?

Das ist keine unfaire Frage. Aber die Antwort ist kompliziert.

Ja, KI kann etwas hervorbringen, das schneller als je zuvor wie ein fertiges Ergebnis aussieht. Was sie nicht automatisch mitliefert, ist das Denken hinter dem Ergebnis. Die Problemdefinition, die Recherche, die Informationsarchitektur, das Verständnis dafür, warum dieses Feature und nicht irgendein anderes sinnvoll ist. Darüber nachzudenken ist nach wie vor notwendig. Es zeigt sich nur nicht in der Demo. Und so landen wir wieder bei demselben Dreieck, das es schon immer gab: schnell, gut, günstig. Man kann sich zwei davon aussuchen.

Genau das zeigt Lovable: KI hat dieses Prinzip nicht aufgehoben. Sie hat nur die Kanten unschärfer gemacht, weil das Ergebnis jetzt fertig wirkt, bevor die eigentliche Arbeit überhaupt abgeschlossen ist.

Spielt es eine Rolle, wer das Denken noch übernimmt?

Ja und genau das ist die wichtigste Frage, die man sich stellen sollte, bevor man eines dieser Tools, wie Lovable, öffnet. Richtig eingesetzt kann KI Fachleuten dabei helfen, Gedanken, wie z.B. eine Geschäftsidee, sichtbar und kommunizierbar zu machen, die bereits vorhanden sind. Wird sie aber zu früh eingesetzt, entsteht schnell etwas, das so aussieht, als wäre das Denken schon passiert. Wer als Designer:in bereits recherchiert, das Problem definiert und Entscheidungen zur Informationsarchitektur getroffen hat, kann KI sinnvoll nutzen, um diese Vorarbeit schneller in etwas Präsentierbares zu übersetzen. Das Tool verkürzt dann den Weg von einer durchdachten Idee zu einem teilbaren Ergebnis.

Das Denken ist in diesem Fall schon passiert. Die KI hilft lediglich dabei, es schneller sichtbar zu machen. Das ist tatsächlich nützlich und etwas völlig anderes, als die KI das Denken selbst übernehmen zu lassen.

Gleichzeitig kann KI-Output auch als Impuls dienen, nicht als fertiges Ergebnis. Man schaut sich an, was das Tool erzeugt hat, und fragt sich: Welche Annahmen stecken darin? Was fehlt? Wo liegt es daneben? Dann wird der Output zu etwas, an dem man weiterdenken kann — nicht zu etwas, das man nur noch „aufräumt“.

Das Problem: Tools wie Lovable machen es sehr leicht, genau diesen Schritt zu überspringen. Das Ergebnis wirkt schnell fertig. Und sobald etwas fertig aussieht, wird es schwer zu erklären, warum das eigentliche Denken noch gar nicht stattgefunden hat.

Welche Funktion hatte Aufwand und Bewertung im kreativen Arbeiten eigentlich?

Eine viel größere, als den meisten von uns bewusst war. Das mühsame Schreiben, Bauen oder Skizzieren von Hand ist nicht nur Aufwand. Es ist auch ein Feedback-Mechanismus, der Lücken im eigenen Denken sichtbar macht, Lücken, die KI-generierter Output oft unbemerkt überspringt. Gerade im Design ist eine visuell überzeugende Oberfläche kein Ausgangspunkt. Sie ist bereits ein Ergebnis.

Ich kenne dieses Gefühl aus meiner eigenen Erfahrung mit Lovable. Eine App zu bauen bedeutete früher auch, ihre Architektur zu verstehen, weil man sie selbst geschrieben hat. Der Aufwand war also nicht bloß ein Hindernis. Er war Information. Er hat gezeigt, wo etwas noch nicht stimmte. Wo man falsch abgebogen ist. Worauf man sich im Prozess verlassen hat, ohne es bewusst zu merken. Wenn dieser Aufwand wegfällt, verschwindet auch etwas, das für das Verstehen entscheidend war.

Sobald man mit einem KI-Tool etwas erzeugt, das bereits wie eine Antwort aussieht, verändert sich die eigene Rolle: Man ist nicht mehr Autor:in des Prozesses, sondern reagiert auf das, was das Tool produziert hat.

Und genau das ist heikel. Die Ergebnisse sehen oft schon so professionell aus, dass man sie Kund:innen zeigen könnte. Genau das bereitet mir Sorgen. Denn Tools, die aus ein paar Zeilen Text ganze Interfaces generieren, inszenieren sich als Ausgangspunkt. Für Kund:innen auf der anderen Seite des Tisches wirkt das aber nicht wie ein Ausgangspunkt, sondern wie eine Lösung. Design ist, so wie ich es verstehe und praktiziere, nicht in erster Linie das, was am Ende sichtbar ist. Design ist die sichtbare Form eines systematischen Denkprozesses.

Ein gutes Interface ist die Oberfläche eines Prozesses: Man versteht, wer etwas tatsächlich nutzt, welches Problem diese Person wirklich hat und wie Informationen so strukturiert werden müssen, dass sie ihr helfen. Die visuelle Ebene kommt ganz zum Schluss.

Wenn man aber mit genau dieser visuellen Ebene beginnt und Tools wie Figma Make oder Googles neues Stitch machen das extrem einfach, dann entstehen Erwartungen an das Aussehen eines Produkts, bevor das eigentliche Denken überhaupt stattgefunden hat.

Danach verbringt man den Rest des Projekts damit, zu erklären, warum dieser Denkprozess trotzdem noch notwendig ist, obwohl bereits ein Prototyp existiert, der schon wie eine fertige Antwort aussieht.

Was schulden wir den Menschen, für die wir Produkte bauen?

Ehrlichkeit darüber, was diese Tools leisten und was nicht. Geschwindigkeit ist ohne Frage hilfreich. Aber sie hatte schon immer ihren Preis. So zu tun, als wäre das heute anders, lässt diesen Preis nicht verschwinden.

Ich habe Lovable unter nahezu idealen Bedingungen ausprobiert: bei einem Projekt, über das ich bereits gründlich nachgedacht hatte. Und trotzdem blieb am Ende etwas zurück, das ich nur halb verstehe, weil ich den Denkprozess übersprungen habe, der sonst im eigentlichen Bauen stattgefunden hätte. Wenn es selbst unter diesen Voraussetzungen so aussieht, frage ich mich, wie es ohne diese Vorbereitung aussehen muss.

Diese Tools sinnvoll zu nutzen, ist möglich, aber es sieht fast nie so aus wie in den Demos. Es bedeutet, Autor:in des Denkprozesses zu bleiben, auch wenn das Tool den Bau übernimmt.

Darüber ehrlich zu sein, gegenüber Kund:innen, gegenüber uns selbst und gegenüber den Menschen, die das Produkt am Ende nutzen, ist schwieriger, als es klingt. Denn der Prototyp existiert ja bereits und er sieht schon wie eine Antwort aus. Am Grundproblem hat sich aber nichts geändert: Auch mit KI lassen sich Zeit, Qualität und Aufwand nicht beliebig gleichzeitig optimieren. Etwas kann schnell entstehen, gut durchdacht sein oder wenig kosten, aber meist nicht alles zugleich. Genau dieser Zielkonflikt war schon immer Teil kreativer und digitaler Arbeit.

Tools wie Lovable lösen ihn nicht auf. Sie machen ihn nur schwerer zu erkennen, weil sie sehr früh Ergebnisse erzeugen, die fertig wirken. Dadurch entsteht leicht der Eindruck, das Denken, die Abstimmung und die eigentliche konzeptionelle Arbeit seien bereits erledigt. In Wirklichkeit wurden diese nicht entfernt, sondern nur verschoben: in die Wartung, in spätere Korrekturen und in die Arbeit, die notwendig wird, sobald aus einem überzeugenden Prototyp ein tragfähiges Produkt werden soll.