Von der Idee zur Live-ChatGPT-App in 14 Tagen

Parken ist eines jener Probleme, das einfach klingt — bis man es in der Praxis lösen will. Eine enorme Menge an privatem Parkraum steht leer: Einfahrten, private Stellflächen, kaum genutzte Garagenplätze. Gleichzeitig suchen Fahrer nach freien Plätzen. Das Problem ist nicht das Angebot. Es ist die Hürde.

Das westeuropäische Startup hinter diesem Projekt hatte den Marktplatz bereits aufgebaut. Eigentümer konnten ihre Stellplätze eintragen. Fahrer konnten suchen und buchen. Das Backend lief. Die Buchungserfahrung erforderte allerdings immer noch das Herunterladen einer App, das Anlegen eines Kontos und das Navigieren einer Benutzeroberfläche — genau in dem Moment, wenn ein Fahrer eine unbekannte Umgebung anfährt.

Die Anforderung war klar: Ein Fahrer soll seinen Parkplatz finden und buchen können, indem er einfach ChatGPT fragt. Kein Download, kein neues Konto. Ein natürliches Gespräch, eine bestätigte Buchung — fertig.

Die Herausforderung lag nicht in der Idee. Sie lag im Zeitrahmen. Der Kunde brauchte eine schnelle Umsetzung, und die ChatGPT-App-Plattform für Drittanbieter war noch neu — mit wenigen vergleichbaren Referenzprojekten.

Wir haben beim Backend angefangen, nicht bei der Benutzeroberfläche. Der Kunde verfügte bereits über eine Laravel-Plattform mit Buchungslogik, Verfügbarkeitsdaten und Zahlungsinfrastruktur. Unsere Aufgabe war es, eine zuverlässige Brücke zwischen dem System und der ChatGPT-App-Schicht zu bauen.

Wir haben eine Laravel-MCP-Bibliothek eingesetzt, um den Buchungsfluss — Suche, Verfügbarkeitsprüfung, Reservierung, Bestätigung — als saubere Schnittstelle bereitzustellen, mit der die ChatGPT-App interagieren kann. Die Bibliothek übernahm die Integrationsschicht und übersetzte die bestehenden Endpunkte der Plattform in das Format, das mit der ChatGPT-App-Umgebung kompatibel ist. Diese Entscheidung ermöglichte den Zwei-Wochen-Zeitplan: wir haben die Buchungslogik nicht neu erfunden. Wir haben ihr eine neue Benutzeroberfläche gegeben.

Die Softwareentwicklungs-Disziplin hier war dieselbe, die wir bei jedem Integrationsprojekt anwenden — saubere Schnittstellen, vorhersehbare Antworten, gut behandelte Randfälle. Ein Sprachmodell, das Ihr Backend aufruft, wird jede mehrdeutige Antwort und jeden unbehandelten Pfad finden. Wir haben das API-Design mit der gleichen Sorgfalt behandelt wie jede produktive Integration.

Sobald die Backend-Seite stabil war, dauerte die Konfiguration der ChatGPT-App weniger als eine Woche. Wir haben den vollständigen Buchungsablauf abgebildet, Randfälle behandelt (keine Verfügbarkeit, ungültige Eingaben, Änderungen während des Gesprächs) und Anweisungen geschrieben, die die Erfahrung für den Fahrer einfach hielten — unabhängig davon, wie die Backend-Logik im Hintergrund verzweigte.

Die Einreichung bei OpenAI lief in einem Durchgang. Ohne Nachbesserung veröffentlicht.

14 Tage vom Projektstart bis zur veröffentlichten ChatGPT-App. Dieser Zeitraum umfasste Backend-Integration, vollständiges Gesprächsdesign, Randfall-Tests und Veröffentlichung. Es war kein Prototyp. Es war ein funktionierendes Produkt, das ein Fahrer in ChatGPT öffnen und die Buchung eines echten Parkplatzes nutzen kann.

Geschwindigkeit war in diesem Fall aus einem konkreten Grund wichtig: Der Kunde betrat einen neuen Kanal zu einem frühen Zeitpunkt seiner Entwicklung. Zu den ersten in der Kategorie zu gehören — Peer-to-Peer-Parken via ChatGPT — hat einen kumulativen Vorteil. Der Positionierungsvorteil wächst, je mehr die Kategorie reift und mehr Nutzer den Kanal entdecken.

Die Architektur machte die Geschwindigkeit möglich: wir haben keine neue Infrastruktur aufgebaut. Die Buchungslogik, die Verfügbarkeitsdaten und die Zahlungsabwicklung waren bereits in der Laravel-Plattform des Kunden vorhanden. Wir haben eine gut strukturierte Integrationsschicht darüber gebaut. Der effiziente Entwicklungsansatz — mit dem Bestehenden arbeiten, anstatt neu zu bauen — hat eine Zwei-Wochen-Lieferung möglich gemacht.

Der Umsatz auf der Plattform stieg nach dem Launch der ChatGPT-App um 30 %. Der neue Kanal brachte Fahrer, die die dedizierte App nicht genutzt hätten — genau das Reibungsproblem, das der Auftrag lösen sollte.

Die wichtigste Erkenntnis aus diesem Projekt: Der KI-Teil war nicht der schwere Teil.

Die Konfiguration einer ChatGPT-App ist gut dokumentiert, sobald man die Plattform versteht. Was echte technische Disziplin erforderte, war die Entwicklung einer Backend-Integrationsschicht, die ein Sprachmodell unter realen Bedingungen zuverlässig aufrufen kann — variable Eingaben, unvollständige Informationen, Nutzer, die mitten im Gespräch ihre Meinung ändern.

Die Qualitätssicherung — systematisches Testen der Integration gegen Randfälle vor dem Launch — war das, was ein funktionierendes Produkt von einer fragilen Demo unterschied. Wir haben intern strukturierte Testläufe durchgeführt, aber echte Nutzerphrasing ist immer seltsamer als das, was man in einem Planungsdokument schreibt. Die App hat den Launch gut bewältigt, aber ein breiterer Beta-Test hätte Randfälle früher aufgedeckt.

Wenn wir dieses Projekt wiederholen würden, würden wir den Backend-Integrationsvertrag noch früher definieren — bevor das Konversationsdesign beginnt. Die App-Konfiguration passt sich schnell an. Eine API-Schnittstelle ist schwerer zu ändern, sobald Nutzer sich darauf verlassen.