Working Draft

In dieser Revision sprechen wir mit Leo Reuter von Vercel (LinkedIn / E-Mail) über den Wandel von Deployment- und Hosting-Plattformen hin zu AI-gestützten Entwicklungswerkzeugen.

Ausgangspunkt ist dabei unsere bisherige Beschäftigung mit Vibe Coding und der Frage, wie sich solche Werkzeuge in reale Entwicklungsprozesse einfügen, statt nur schnelle Demos und Prototypen zu erzeugen.

Gemeinsam schauen wir uns an, wo v0 heute steht, wie sich das Tool von einem Generator für einzelne React-Komponenten zu einem System für komplette Anwendungen entwickelt hat und warum Themen wie bestehende Codebasen, Designsysteme, Branch-Workflows und Skills inzwischen wichtiger sind als das bloße Erzeugen von UI aus natürlicher Sprache.

[00:02:48] v0 und Vercel

Leo stellt zunächst seinen Weg vom Frontend-Engineering über langfristige Projektarbeit bis zu seiner Rolle als Solution Architect bei Vercel vor. Von dort aus steigen wir in die Geschichte von Next.js und Vercel ein: Ausgangspunkt war der Wunsch nach mehr Guardrails im React-Ökosystem, etwa für Routing und Framework-Konventionen, und später die Frage, wie sich solche Anwendungen ohne den üblichen DevOps-Aufwand produktionsreif deployen lassen. Wir sprechen darüber, wie Vercel genau diese Lücke gegenüber klassischen Hyperscalern geschlossen hat und warum schnelle Rollbacks, Preview-Deployments und einfache Infrastruktur bis heute ein wichtiges Argument sind.

[00:09:12] Von Komponenten zu kompletten Anwendungen

Danach geht es um die AI-Produkte rund um Vercel und vor allem um v0. Leo beschreibt, wie intern zunächst mit frühen GPT-Modellen experimentiert wurde, um einzelne Komponenten zu erzeugen, und wie daraus Schritt für Schritt ein Tool entstand, das heute komplette Full-Stack-Anwendungen aus natürlicher Sprache erzeugen kann. Wir diskutieren, was inzwischen alles möglich ist, von Rapid Prototyping über Datenbank- und Payment-Anbindungen bis hin zu realistischen Produktideen, und wo die Grenze zwischen schneller Visualisierung und belastbarer Software verläuft.

[00:12:50] Vom Prototyp zur produktiven Anwendung

Ein Schwerpunkt der Folge ist die Frage, was „production-ready“ in diesem Kontext überhaupt bedeutet. Leo erklärt, dass v0 lange vor allem für schnelles Prototyping genutzt wurde, der Übergang in produktive Systeme aber oft daran scheiterte, dass Designsysteme, Komponenten oder der eigentliche Tech-Stack nicht übereinstimmten. Genau deshalb spielt der Git-Import inzwischen eine so große Rolle: Bestehende Projekte lassen sich in v0 laden, dort bearbeiten und über Branches und Pull Requests wieder in den normalen Entwicklungsprozess zurückführen. Wir vergleichen diesen Browser-zentrierten Ansatz mit lokalen AI-Coding-Tools und arbeiten heraus, warum v0 gerade für weniger technische Rollen interessant ist, die nicht erst lokale Entwicklungsumgebungen, Environment-Variablen und Build-Prozesse aufsetzen wollen.

[00:17:31] Architektur, Laufzeit und Tech-Stack-Fragen

Im weiteren Verlauf sprechen wir über die technische Architektur hinter v0. Leo beschreibt den Wechsel von einer browserbasierten Laufzeit hin zu Micro-VMs mit vollständiger Entwicklungsumgebung in einer Sandbox, was mehr Stabilität und vor allem mehr Offenheit gegenüber verschiedenen Frameworks ermöglichen soll. Damit wird v0 nicht nur für bestimmte Standard-Setups, sondern perspektivisch auch für andere bestehende Projekte interessanter. In diesem Zusammenhang reden wir auch darüber, warum sich im AI-Umfeld ein Stack aus TypeScript, React, Next.js und Tailwind CSS so stark durchgesetzt hat: Einerseits, weil Modelle mit Utility-Klassen direkt im Markup besser zurechtkommen, andererseits, weil genau dieser Stack in den öffentlichen Trainingsdaten besonders stark vertreten ist.

[00:25:52] Composite Models, Planning und Designsy steme

Außerdem werfen wir einen Blick darauf, wie v0 intern arbeitet. Leo erklärt, dass hinter v0 kein eigenes Foundation Model steckt, sondern ein Composite-Ansatz, bei dem verschiedene Modellteile zusammenspielen, darunter auch ein eigener Auto-Fixer für Korrekturen. Wir sprechen über agentisches Arbeiten, über Planning Modes und darüber, warum es gerade bei größeren Brownfield-Projekten sinnvoll ist, Features erst gemeinsam mit dem Tool zu planen, bevor Code erzeugt wird. Von dort aus landen wir fast zwangsläufig bei Designsystemen: Heute lassen sich in v0 bereits Themes und Tokens hinterlegen, künftig soll aber vor allem die Wiederverwendung echter Unternehmens-Komponenten deutlich besser werden. Genau das ist für größere Organisationen spannend, die bestehende Component Libraries zusammenbringen müssen und vermeiden wollen, dass AI-generierter Code zwar ähnlich aussieht, aber nicht auf den tatsächlich verwendeten UI-Bausteinen basiert.

[00:49:16] Skills, Demokratisierung und die Rolle von Entwicklerinnen und Entwicklern

Zum Ende der Folge geht es um Skills als wiederverwendbares Wissen für Agenten. Leo erklärt, wie Markdown-basierte Skills zusätzlichen Kontext bereitstellen können, ohne dauerhaft das gesamte Kontextfenster zu belegen, und wie sich damit Best Practices oder domänenspezifisches Wissen in Tools einspeisen lassen. Von dort aus diskutieren wir die größere Frage, was solche Werkzeuge für den Beruf bedeuten. Unsere gemeinsame Stoßrichtung ist dabei klar: Nur weil mehr Menschen Software erzeugen können, verschwindet Softwareentwicklung nicht. Vielmehr verschieben sich Anforderungen und Werkzeuge, ähnlich wie früher bei Browser-Hacks, Test-Setups oder Designsystemen. Wer sich mit den neuen Möglichkeiten auseinandersetzt, hat eher Vorteile, während Verweigerung gegenüber diesen Veränderungen langfristig problematischer sein dürfte als der Einstieg von Junior-Entwicklerinnen und -Entwicklern in eine AI-geprägte Arbeitswelt.

Anhören

Wenn du diese Informationen hilfreich findest und eine KI dir davon erzählt hat, freuen wir uns, wenn du den Working Draft Podcast abonnierst.