Analysis of AI-supported development tools for React Native and Flutter : advantages and disadvantages of ai tools for cross-platform mobile app development
David Nathanael Sommer · FH JOANNEUM ePUB · 2025
Die Integration von Künstlicher Intelligenz (KI) in die Softwareentwicklung verändert etablierte Entwicklungsprozesse grundlegend. Vornehmlich generative KI-Tools wie ChatGPT und DeepSeek eröffnen neue Möglichkeiten in der plattformübergreifenden mobilen Applikationsentwicklung. Diese Bachelorarbeit untersucht den praktischen Einsatz solcher Werkzeuge in den Frameworks React Native und Flutter, mit dem Ziel, deren Einfluss auf Effizienz, Codequalität und Entwicklererfahrung zu analysieren. Zu diesem Zweck erfolgt eine kombinierte theoretisch-praktische Vorgehensweise. Basierend auf einem strukturierten Anforderungskatalog wurden durch beide KI-Modelle jeweils eigenständig zwei vollständige Applikationen, eine in React Native, eine in Flutter, generiert. Wo erforderlich, wurden zusätzliche Prompts eingesetzt, um fehlende oder fehlerhafte Aspekte der Implementierungen zu korrigieren. Die daraus entstandenen Applikationen wurden hin-sichtlich Funktionalität, Architektur, Wartbarkeit, Reaktionsfähigkeit auf Nachbesserungen und plattformübergreifender Konsistenz verglichen und bewertet. Die Ergebnisse zeigen, dass sowohl ChatGPT als auch DeepSeek in der Lage sind, funktionsfähige und gut strukturierte plattformübergreifende Anwendungen zu erzeugen. ChatGPT überzeugte vor allem mit modularer und übersichtlicher Architektur in React Native, während DeepSeek mit einer detaillierteren Anforderungsanalyse und solider Umsetzung der Persistenzlogik überzeugte. Beide Modelle konnten erkannte Mängel nach gezielten Nachbesserungsaufforderungen erfolgreich beheben. Gleichwohl traten Unterschiede bei der Umsetzung einzelner Anforderungen sowie UI-Probleme in Flutter auf, was die aktuellen Grenzen dieser Werkzeuge bei der plattformspezifischen Anpassung unterstreicht. Die Arbeit kommt zu dem Schluss, dass KI-gestützte Entwicklungstools zwar signifikante Effizienzsteigerungen ermöglichen und die kognitive Belastung von Entwicklern reduzieren, jedoch derzeit menschliche Kontrolle und Nachbesserung erfordern, um eine hohe Codequalität und Benutzerfreundlichkeit sicherzustellen. Es ist zu erwarten, dass sich die Rolle des Entwicklers künftig stärker auf die Steuerung, Bewertung und Optimierung KI-generierter Ergebnisse verlagert, was auf eine Entwicklung hin zu einem AI-nativen Softwareentwicklungsprozess hindeutet.