AI Coding: Die wichtigsten Tools im Überblick

Laut CEO Satya Nadella sind bereits heute 30 Prozent des Codes des Software-Giganten Microsoft von künstlicher Intelligenz geschrieben. Auch Google gibt an, dass rund ein Drittel ihres Codes mit KI-Unterstützung entstanden ist. Statt jeden Schritt manuell zu implementieren, arbeiten Entwickler heute immer häufiger mit AI-Tools, die Code vorschlagen, generieren oder sogar eigenständig ganze Aufgaben übernehmen. 

‍

AI Coding Tools spielen somit eine entscheidende Rolle. Umso wichtiger ist es, die unterschiedlichen Ansätze, Stärken und Einsatzbereiche zu verstehen. Denn nicht jedes Tool eignet sich für jeden Anwendungsfall. Im Folgenden geben wir einen Überblick der wichtigsten KI-Tools für Softwareentwickler:innen und sortieren sie je nach Anwendungsfall.

‍

KI-gestützte Softwareentwicklung

KI-Editoren und AI Coding Tools erweitern die klassische Integrated Development Environment (IDE) von Entwickler:innen. So schlagen sie Code vor, erkennen Muster, automatisieren wiederkehrende Aufgaben und unterstützen sogar bei komplexeren Logiken oder Architekturfragen. Damit verändern sie die Rolle des Entwicklers, von demjenigen, der Code schreibt, hin zum Lenker, Ideengeber und Product Manager. Zu den wichtigsten Tools in diesem Bereich zählen:

‍

Cursor

Dabei handelt es sich um einen Editor für AI Coding. Letzterer ermöglicht es in Form von Prompts in natürlicher Sprache, neuen Code zu erstellen oder Änderungen an bestehendem Code vorzunehmen. Entwickler:innen sehen dabei sowohl den Chatverlauf als auch den Code, wodurch sich der Output des KI-Assistenten direkt bewerten lässt. Cursor arbeitet zudem über mehrere Dateien hinweg und erkennt Kontext. Das Tool eignet sich deshalb auch für komplexe Projekte. 

‍

‍Fokus: KI-gestützter Code-Editor mit Chat-Interface und kontextbewusstem Arbeiten über mehrere Dateien hinweg

‍

‍Geeignet für: Entwickler:innen, die mit KI-Unterstützung in ihrer gewohnten Editor-Umgebung arbeiten wollen; komplexe Projekte mit mehreren Dateien; agentisches Vorgehen bei Refactorings und Feature-Implementierungen

‍

‍Nicht geeignet für: Nutzer:innen ohne Programmierkenntnisse; reine No-Code-Ansätze oder browserbasierte Entwicklung ohne lokale Installation

‍

Windsurf

Windsurf ist eine KI-native Entwicklungsumgebung. Die Funktionalität geht dabei weit über die Autovervollständigung von Codezeilen hinaus. So kann der KI-Assistent eigenständig ganze Aufgaben übernehmen wie das Durchführen von Refactorings oder das Implementieren von Features. Ein typischer Prompt könnte beispielsweise lauten: „Refactore die Auth-Logik im ganzen Projekt“. 

‍

‍Fokus: KI-native IDE mit agentischem Ansatz für eigenständige Aufgabenübernahme

‍

‍Geeignet für: Entwickler:innen, die ganze Workflows wie Refactorings oder Feature-Implementierungen an die KI delegieren wollen; komplexe, projektweite Änderungen

‍

‍Nicht geeignet für: Nutzer:innen ohne Programmierkenntnisse; kleinere Einzelaufgaben, bei denen ein einfacher Assistent ausreicht

GitHub Copilot

Windsurf und Cursor verfolgen in erster Linie einen agentischen Ansatz. Demnach arbeiten sie ganze Aufgaben wie das Implementieren neuer Features, Refactorings oder das Anlegen von Projektstrukturen weitestgehend eigenständig ab. Bei GitHub Copilot handelt es sich hingegen primär um ein AI Coding Tool, das Entwickler:innen im bestehenden Flow unterstützt. So hilft der KI-Assistent AI Software Engineers direkt beim Schreiben von Code, indem er kontextbasierte Vorschläge für einzelne Zeilen, Funktionen oder ganze Codeblöcke liefert. Besonders nützlich ist GitHub Copilot deshalb für Boilerplate-Code, bekannte Patterns und schnelles Prototyping.

‍

‍Fokus: KI-Assistent für kontextbasierte Code-Vervollständigung direkt in der IDE

‍

‍Geeignet für: Entwickler:innen, die ihren bestehenden Workflow beibehalten und dabei KI-Unterstützung nutzen wollen; Boilerplate-Code, bekannte Patterns und schnelles Prototyping

‍

‍Nicht geeignet für: Nutzer:innen, die vollständig agentisches Arbeiten erwarten; komplexe, projektweite Refactorings ohne manuelle Steuerung

‍

Replit

Bei Windsurf und Cursor handelt es sich um Agenten, die eigenständig Aufgaben in der Softwareentwicklung abarbeiten. Bei GitHub Copilot handelt es sich um einen Assistenten, der beim Programmieren unterstützt. Replit wiederum bietet eine All-in-One-Lösung, mit der Entwickler:innen ohne weiteres Setup direkt mit ihrem Projekt starten können. 

‍

Es umfasst eine cloudbasierte Entwicklungsumgebung, die komplett im Browser läuft. Enthalten sind außerdem das Hosting sowie die Möglichkeit, Projekte zu teilen und kollaborativ an ihnen zu arbeiten. Es ist somit besonders spannend für schnelles Prototyping, agiles Arbeiten und Iterationen. 

‍

‍Fokus: All-in-One-Entwicklungsumgebung im Browser mit integriertem Hosting und kollaborativen Funktionen

‍

‍Geeignet für: Schnelles Prototyping, agiles Arbeiten und kollaborative Projekte; Einsteiger:innen, die ohne lokale Installation starten wollen; Teams, die gemeinsam an Projekten arbeiten

‍

‍Nicht geeignet für: Große, komplexe Produktivsysteme; Projekte mit hohen Datenschutz- oder Sicherheitsanforderungen, bei denen eine lokale Umgebung erforderlich ist

‍

Vibe Coding

Bei den zuvor genannten Tools handelt es sich um AI Coding Assistenten und Agenten, die Softwareentwickler:innen beim Programmieren unterstützen oder sogar einzelne Aufgaben übernehmen. In Abgrenzung zur KI-gestützten Entwicklung ist Vibe Coding in seiner Reinform dadurch gekennzeichnet, dass der Code vollständig durch die KI geschrieben wird. Den Anlass dazu geben sprachbasierte Prompts der Nutzer:innen. Entsprechende Tools ermöglichen es Anwender:innen, Code zu generieren, ohne eine Programmiersprache zu erlernen. Folgende Tools werden deshalb auch als No- und Low-Code-Lösungen bezeichnet. 

‍

Lovable

Lovable zählt zu den bekanntesten Tools für Vibe Coding und AI Coding. Anwender:innen beschreiben ein Zielbild wie beispielsweise „Baue mir ein Dashboard für Kundenprojekte mit Login“. Basierend auf diesem Prompt baut das Tool eine vollständig funktionsfähige Anwendung mitsamt Frontend und Backend. Über einen sprachbasierten Chat lassen sich Iterationen vornehmen. So lässt sich der Code anpassen, ohne selbst programmieren zu müssen. Damit eignet sich Lovable für das Entwickeln ganzer Projekte ebenso wie für MVPs und Prototypen. 

‍

‍Fokus: Vollständige App-Entwicklung per Sprachprompt – von der Idee bis zu einer funktionsfähigen Anwendung mit Frontend und Backend

‍

‍Geeignet für: Nicht-Entwickler:innen, die ganze Projekte bauen wollen; MVPs und Prototypen; schnelle Produktideen ohne Programmierkenntnisse

‍

‍Nicht geeignet für: Hochskalierbare Produktivanwendungen mit komplexen Anforderungen; Projekte, bei denen volle Kontrolle über den generierten Code erforderlich ist

‍

v0

v0 legt den Fokus vor allem auf User Interfaces. Statt kompletter Software und Apps wie mit Lovable lassen sich mit v0 vor allem Frontend-Komponenten zum Beispiel in React/Next.js bauen. Das Tool eignet sich für Entwickler:innen, die nicht jedes Detail selbst coden wollen. Ebenso ist es eine beliebte Lösung für Product Designer, um Prototypen zu erzeugen. 

‍

‍Fokus: Generierung von Frontend-Komponenten und User Interfaces, insbesondere in React/Next.js

‍

‍Geeignet für: Entwickler:innen und Product Designer, die schnell UI-Komponenten und Prototypen erstellen wollen, ohne jeden Detail-Code selbst schreiben zu müssen

‍

‍Nicht geeignet für: Backend-Entwicklung oder vollständige App-Erstellung; Nutzer:innen, die eine komplette No-Code-Lösung ohne Programmierkenntnisse suchen

‍

Framer AI

Framer AI eignet sich vor allem für das Erstellen von Websites, Landingpages und Wireframes ohne komplexe Backend-Funktionen. So liegt der Fokus auf designgetriebenen Websites, bei denen Branding und Performance im Vordergrund stehen. Ein typischer Prompt lautet: „Erstelle eine Landingpage für ein SaaS-Tool im Bereich Finanzen, modern und minimalistisch“. Nachdem das KI-Tool die Website generiert hat, lässt sich das Design pixelgenau anpassen. 

‍

‍Fokus: KI-gestützte Erstellung von designgetriebenen Websites und Landingpages

‍

‍Geeignet für: Marketing-Teams, Product Owner, Designer:innen und Gründer:innen, die schnell ansprechende Websites oder Landingpages erstellen wollen, bei denen Design und Branding im Vordergrund stehen

‍

‍Nicht geeignet für: Anwendungen mit komplexer Backend-Logik; Entwickler:innen, die vollständige Kontrolle über den Code benötigen

‍

Automatisierung und Integrationen

Software greift meist auf mehrere Schnittstellen zu, etwa um Daten auszutauschen, Prozesse anzustoßen oder externe Services einzubinden. Hier gibt es eine Reihe an Tools, die es ermöglichen, wiederkehrende Abläufe zu automatisieren. Prozesse von einfachen Wenn-Dann-Logiken bis hin zu komplexen, mehrstufigen Abläufen mit Bedingungen lassen sich so orchestrieren, ohne für jede Einbindung ein eigenes Skript schreiben zu müssen. 

‍

Zapier

Zapier ist die bekannteste No-Code-Automationsplattform und legt den Fokus vor allem auf Einfachheit. Über eine visuelle Oberfläche lassen sich Apps über Trigger, sogenannte „Zaps“, miteinander verbinden. Technische Kenntnisse sind dafür nicht erforderlich. Zapier verfügt über ein riesiges Ökosystem aus mehreren tausend Schnittstellen. Bei komplexer Logik ist es hingegen weniger flexibel. 

‍

Fokus: No-Code-Automatisierungsplattform mit visuellem Interface und großem App-Ökosystem

‍

‍Geeignet für: Nicht-technische Nutzer:innen, die Apps und Dienste ohne Programmierkenntnisse miteinander verbinden wollen; einfache bis mittlere Automatisierungsaufgaben mit gängigen Tools

‍

‍Nicht geeignet für: Komplexe Workflows mit verzweigter Logik, eigenem Code oder speziellen Datentransformationen; Entwickler:innen, die maximale Flexibilität benötigen

‍

n8n

Im Gegensatz zu Zapier richtet sich n8n an technisch versiertere Anwender:innen. Automatisierungen sind flexibel erweiterbar, auch durch eigenen Code. Damit eignet es sich gut für AI Coding zum Beispiel mit LLMs oder Vektordatenbanken. 

n8n ist eine Open-Source-Lösung, die Nutzer:innen auch selbst hosten können. Das Tool lässt sich also auf einem eigenen Server betreiben, was Anwender:innen unabhängig von SaaS-Limits macht. 

‍

‍Fokus: Flexible Open-Source-Automatisierungsplattform mit eigenem Code, Self-Hosting und KI-Integration

‍

‍Geeignet für: Technisch versierte Entwickler:innen, die komplexe Workflows mit eigenem Code, LLMs oder Vektordatenbanken aufbauen wollen; Teams, die Datenkontrolle durch Self-Hosting benötigen

‍

‍Nicht geeignet für: Nutzer:innen ohne technischen Hintergrund; einfache Automatisierungen, bei denen Zapier oder Make ausreichen

‍

Make

Make bewegt sich zwischen n8n und Zapier. Wie bei Zapier werden Workflows als grafische Oberfläche angezeigt. Allerdings lassen sich Verzweigungen, Bedingungen und Datenverarbeitung deutlich granularer abbilden als bei Zapier. Damit bietet Make eine gute Balance zwischen No-Code und Flexibilität. 

‍

‍Fokus: Visuelle Automatisierungsplattform mit granularer Logik, Mittelweg zwischen Zapier und n8n

‍

‍Geeignet für: Nutzer:innen, die mehr Flexibilität als Zapier benötigen, aber keine Programmierkenntnisse mitbringen; komplexere Workflows mit Verzweigungen und Datentransformationen

‍

‍Nicht geeignet für: Höchst komplexe technische Anforderungen mit eigenem Code; Nutzer:innen, die maximale Entwicklerfreiheit wie bei n8n benötigen

‍

KI-Anwendungslogik (LLM Frameworks & Agenten)

In diese Kategorie fallen AI Coding Tools, die bei der Orchestrierung von LLM-basierten Anwendungen unterstützen. Im Fokus steht nicht das einzelne Prompt, sondern die Einbettung von Sprachmodellen in mehrstufige, zustandsbehaftete Systeme. 

‍

CrewAI

CrewAI setzt auf einen agentischen Ansatz und ermöglicht den Aufbau von Multi-Agent-Systemen, bei denen mehrere KI-Agenten unterschiedliche Rollen übernehmen wie beispielsweise die des Researchers, Writers und Reviewers. 

‍

Diese Agenten arbeiten gemeinsam an einer Aufgabe und koordinieren sich untereinander. Dadurch lassen sich komplexe Prozesse abbilden, die über einfache Prompt-Antwort-Logik hinausgehen, etwa mehrstufige Analysen oder automatisierte Content-Workflows.

‍

‍Fokus: Aufbau von Multi-Agent-Systemen, bei denen mehrere KI-Agenten mit definierten Rollen kollaborativ Aufgaben übernehmen

‍

‍Geeignet für: Entwickler:innen, die mehrstufige KI-Prozesse wie automatisierte Analysen oder Content-Workflows mit mehreren spezialisierten Agenten aufbauen wollen

‍

‍Nicht geeignet für: Einfache Prompts oder AI Coding Anwendungen, die keine agentenbasierte Koordination benötigen; Einsteiger:innen ohne Python-Kenntnisse

‍

LangChain 

LangChain ist eines der bekanntesten AI Coding Frameworks für die Entwicklung von Anwendungen mit Sprachmodellen. Es ermöglicht, LLMs mit externen Datenquellen, APIs und Speichersystemen zu verbinden. 

‍

Typische Anwendungsfälle sind Chatbots mit Wissensdatenbanken (Retrieval), Dokumentenanalyse oder automatisierte Workflows. Der Fokus liegt darauf, Bausteine bereitzustellen, mit denen sich komplexe KI-Logik modular zusammensetzen lässt.

‍

‍Fokus: Modulares Framework zur Anbindung von LLMs an externe Datenquellen, APIs und Speichersysteme

‍

‍Geeignet für: Entwickler:innen, die LLM-Anwendungen wie Chatbots mit Wissensdatenbanken, Dokumentenanalyse oder automatisierte Workflows aufbauen wollen

‍

‍Nicht geeignet für: Nutzer:innen ohne Python-Kenntnisse; einfache KI-Integrationen, bei denen schlankere Lösungen ausreichen

‍

Wissensspeicher für KI (Vektordatenbanken)

Viele AI Coding Projekte stoßen schnell an ihre Grenzen, wenn es um aktuelles oder spezifisches Wissen geht. LLMs allein haben keinen direkten Zugriff auf externe Daten. Genau hier kommen Vektordatenbanken ins Spiel. Sie ermöglichen es, Informationen so zu speichern, dass sie von KI-Systemen semantisch durchsucht und wiederverwendet werden können.

Dadurch lassen sich Anwendungen bauen, die nicht nur generisch antworten, sondern auf konkrete, eigene Daten zugreifen wie Dokumente, Wissensdatenbanken oder Unternehmensdaten.

‍

Pinecone

Pinecone ist eine vollständig gemanagte, cloudbasierte Vektordatenbank, die speziell für den Einsatz in produktiven KI-Systemen entwickelt wurde. Sie skaliert problemlos auf große Datenmengen und bietet eine schnelle, zuverlässige semantische Suche. Besonders geeignet ist Pinecone für Unternehmen, die hochperformante und skalierbare Retrieval-Systeme benötigen, ohne sich um Infrastruktur kümmern zu müssen.

‍

‍Fokus: Vollständig gemanagte, cloudbasierte Vektordatenbank für produktive, skalierbare KI-Systeme

‍

‍Geeignet für: Unternehmen, die hochperformante Retrieval-Systeme in der Cloud betreiben wollen, ohne sich um Infrastruktur zu kümmern; produktive KI-Anwendungen mit großen Datenmengen

‍

‍Nicht geeignet für: Lokale Experimente oder Prototypen; Nutzer:innen, die volle Kontrolle über ihre Infrastruktur und Daten benötigen

‍

Weaviate

Weaviate ist eine Open-Source-Vektordatenbank mit starkem Fokus auf Flexibilität und Erweiterbarkeit. Sie bietet neben der reinen Speicherung auch integrierte Funktionen wie semantische Suche, Filterlogik und teilweise sogar eingebaute KI-Modelle. Dadurch eignet sie sich besonders für Entwickler:innen, die mehr Kontrolle über ihre Daten und Architektur haben wollen.

‍

‍Fokus: Flexible Open-Source-Vektordatenbank mit semantischer Suche, Filterlogik und integrierten KI-Modellen

‍

‍Geeignet für: Entwickler:innen, die maximale Kontrolle über Daten und Architektur wollen; Projekte mit komplexen Such- und Filteranforderungen

‍

‍Nicht geeignet für: Teams, die eine vollständig gemanagte Cloud-Lösung ohne Eigenaufwand suchen; sehr einfache Prototypen, bei denen Chroma ausreicht

‍

Chroma

Chroma ist eine Vektordatenbank, die sich vor allem für lokale Projekte und Prototypen eignet. Sie ist einfach aufzusetzen und lässt sich gut in Entwicklungsumgebungen integrieren, etwa für kleinere RAG-Anwendungen oder Experimente mit LLMs. Der Fokus liegt hier auf Schnelligkeit, Einfachheit und geringer Einstiegshürde, weniger auf Skalierung.

‍

Fokus: Leichtgewichtige Vektordatenbank für lokale Entwicklung, Prototypen und schnelle LLM-Experimente

‍

‍Geeignet für: Entwickler:innen, die schnell mit Vektordatenbanken experimentieren wollen; kleinere RAG-Anwendungen und lokale LLM-Projekte mit geringer Einstiegshürde

‍

‍Nicht geeignet für: Produktivsysteme mit hohem Datenvolumen und Skalierungsanforderungen; Unternehmen, die eine gemanagte Cloud-Lösung benötigen

‍

Monitoring und Fehleranalyse

Auch für die besten AI Coder gilt: Fehler lassen sich nicht vollständig vermeiden. Monitoring- und Analyse-Tools helfen dabei, Anwendungen im laufenden Betrieb zu beobachten, Probleme nachzuvollziehen und Ursachen schnell zu identifizieren.

‍

Grafana

Grafana ist ein Dashboard-Tool zur Visualisierung von Metriken, Logs und Systemzuständen. Es wird häufig genutzt, um Daten aus verschiedenen Quellen wie Datenbanken, Server-Monitoring und APIs übersichtlich darzustellen. Entwickler:innen können so in Echtzeit nachvollziehen, wie sich ihre Systeme verhalten, Engpässe identifizieren und Alerts definieren. Besonders in komplexen Infrastrukturen ist Grafana ein zentrales Werkzeug für Beobachtbarkeit (Observability).

‍

‍Fokus: Dashboard-Tool zur Echtzeit-Visualisierung von Metriken, Logs und Systemzuständen

‍

‍Geeignet für: DevOps-Teams und Entwickler:innen, die komplexe Infrastrukturen überwachen und Systemverhalten in Echtzeit visualisieren möchten

‍

‍Nicht geeignet für: Frontend-Fehleranalyse oder Session-Tracking; einfache Projekte ohne komplexe Infrastruktur

‍

LogRocket

LogRocket fokussiert sich auf die Frontend-Perspektive. Das Tool zeichnet Nutzer-Sessions auf und kombiniert diese mit Fehler-Logs und Performance-Daten. Dadurch können Entwickler:innen genau sehen, was Nutzer:innen gemacht haben, bevor ein Fehler aufgetreten ist, inklusive Klicks, Navigation und UI-Zuständen. Das erleichtert die Fehlersuche enorm, insbesondere bei schwer reproduzierbaren Bugs im Frontend.

‍

‍Fokus: Frontend-Monitoring mit Session-Aufzeichnung, Fehler-Logs und Performance-Daten

‍

‍Geeignet für: Frontend-Entwickler:innen und UX Designer, die schwer reproduzierbare Bugs analysieren und das Nutzerverhalten vor Fehlerauftreten nachvollziehen wollen

‍

‍Nicht geeignet für: Backend- oder Infrastruktur-Monitoring; Teams, die primär Server-Metriken und Systemzustände überwachen möchten

‍

DeepCode

DeepCode nutzt künstliche Intelligenz, um Code automatisch auf Sicherheitslücken, Bugs und Schwachstellen zu analysieren. Es integriert sich in den Entwicklungsprozess, beispielsweise über IDEs oder Repositories, und gibt konkrete Verbesserungsvorschläge. Der Fokus liegt darauf, Probleme schon während der Entwicklung zu erkennen, bevor sie überhaupt in Produktion gelangen.

‍

‍Fokus: KI-gestützte statische Code-Analyse zur frühzeitigen Erkennung von Sicherheitslücken, Bugs und Schwachstellen

‍

‍Geeignet für: Entwickler:innen und Teams, die Code-Qualität und Sicherheit bereits während der Entwicklung automatisch überprüfen wollen; Integration in IDEs und CI/CD-Pipelines

‍

‍Nicht geeignet für: Laufzeit-Monitoring oder Performance-Analyse; kein Ersatz für umfassende Sicherheitsaudits

‍

Deployment und Infrastruktur

AI Coding endet nicht mit der fertigen Anwendung – nun stellt sich die Frage: Wie wird sie zuverlässig bereitgestellt und betrieben? Genau hier setzt der Bereich Deployment und Infrastruktur an. Es geht darum, Anwendungen so zu verpacken, auszuliefern und zu hosten, dass sie stabil laufen, skalierbar sind und einfach aktualisiert werden können.

‍

Docker

Docker ermöglicht es, Anwendungen zusammen mit allen benötigten Abhängigkeiten in sogenannte Container zu verpacken. Diese Container laufen unabhängig von der Umgebung – egal ob lokal, auf einem Server oder in der Cloud – immer gleich. Dadurch werden typische Probleme wie „funktioniert nur auf meinem Rechner“ vermieden. Docker ist heute ein zentraler Baustein moderner Softwareentwicklung, insbesondere für konsistente Deployments und skalierbare Architekturen.

‍

‍Fokus: Containerisierung von Anwendungen für konsistente, umgebungsunabhängige Deployments

‍

‍Geeignet für: Entwickler:innen und DevOps-Teams, die Anwendungen reproduzierbar und skalierbar lokal, auf Servern oder in der Cloud betreiben wollen

‍

‍Nicht geeignet für: Einsteiger:innen ohne technisches Grundwissen; sehr einfache Projekte, bei denen Containerisierung unnötigen Aufwand bedeutet

‍

Netlify

Netlify ist eine Plattform, die sich auf das Deployment von Websites und Frontend-Anwendungen spezialisiert hat. Sie ermöglicht es, Projekte direkt aus einem Git-Repository zu veröffentlichen, inklusive automatischer Builds, Hosting und CDN-Auslieferung. Besonders für moderne Webprojekte beispielsweise mit React, Next.js oder statischen Seiten bietet Netlify eine sehr einfache Möglichkeit, schnell und ohne komplexe Infrastruktur live zu gehen.

‍

‍Fokus: Einfaches Deployment von Frontend-Anwendungen und Websites direkt aus dem Git-Repository

‍

‍Geeignet für: Frontend-Teams und Solo-Entwickler:innen, die moderne Webprojekte (React, Next.js, statische Seiten) schnell und ohne Infrastrukturaufwand veröffentlichen wollen

‍

‍Nicht geeignet für: Backend-Anwendungen oder komplexe Server-Infrastrukturen; Projekte, die volle Kontrolle über den Server und die Laufzeitumgebung erfordern