Am 24. März 2026 war Hackathon bei Webrunners.
Am Morgen gab es noch keine Anwendung. Am Abend lief eine funktionierende App.
Das ist die ehrliche Geschichte, wie wir dorthin gekommen sind.
Das Problem, das wir lösen wollten
Die Suche nach einem Wohnort ist etwas sehr Persönliches.
Die Frage „Ist diese Gegend gut?“ lässt sich nicht pauschal beantworten.
Es kommt darauf an, wer Sie sind.
Eine Familie zählt Schulen in Laufweite.
Eine Person im Ruhestand sucht ruhige Straßen und eine Apotheke in der Nähe.
Berufstätige achten eher auf Anbindung, Dichte und Cafés.
Klassische Immobilienplattformen arbeiten dagegen mit festen Checklisten. Diese haben wenig mit der tatsächlichen Lebensrealität zu tun.
Unsere Idee war deshalb einfach formuliert.
Was wäre, wenn Sie Ihr Ziel in natürlicher Sprache eingeben und darauf basierend eine individuelle Standortbewertung erhalten?
Zum Beispiel:
- „Schulen für eine Familie mit zwei Kindern“
- „Ruhiger Ruhestand“
Und das mit nachvollziehbaren Daten im Hintergrund.
Ohne proprietäre Datensätze.
Ohne kostenpflichtige APIs.
Ohne Blackbox.
Sondern nur mit:
- OpenStreetMap
- Overpass API
- Nominatim
- und einem Claude-Modell für die Bewertung
Genau das haben wir an diesem Tag gebaut.
Was wir gebaut haben
1. Adresse eingeben
Sie geben eine Adresse als Freitext ein.
Diese wird direkt über Nominatim in Koordinaten umgewandelt.
Sobald die Adresse erkannt wird, erhalten Sie eine Bestätigung und können weitermachen.
Wenn eine Adresse nicht aufgelöst werden kann, wird das verständlich angezeigt. Es gibt keinen technischen Fehleroutput.
2. Karte bestätigen und Radius wählen
Die Anwendung zeigt eine Karte mit einem Marker auf der Position.
Zusätzlich wird ein Radius dargestellt, der den Analysebereich definiert.
Sie können diesen Radius flexibel zwischen 500 Metern und 2 Kilometern einstellen.
Die Karte aktualisiert sich direkt, sodass Sie jederzeit sehen, welcher Bereich bewertet wird.
Das sorgt für ein klares Verständnis des Kontexts.
3. Ziel eingeben und Standort bewerten
Jetzt kommt der Kern der Anwendung.
Sie geben Ihr Ziel ein und starten die Bewertung.
Im Hintergrund läuft eine klar strukturierte Pipeline:
- Orte in der Umgebung werden über die Overpass API geladen
- Die Daten werden an das KI-Modell übergeben
- Die KI bewertet den Standort anhand Ihres Ziels
Währenddessen zeigt die Anwendung die einzelnen Schritte in Echtzeit an.
Zuerst werden die Daten geladen, danach erfolgt die Bewertung durch die KI.
Das Ergebnis wird strukturiert dargestellt:
- ein Gesamtscore von 0 bis 100
- eine Aufschlüsselung nach Dimensionen
- konkrete Datenpunkte aus der Umgebung
- eine automatisch generierte Zusammenfassung
Wichtig ist dabei ein Punkt.
Die Bewertungsdimensionen sind nicht fest definiert. Das Modell liest das Ziel und entscheidet selbst, welche Aspekte relevant sind.
Wie wir das umgesetzt haben
Wir sind nicht mit Code gestartet, sondern mit einer Spezifikation.
Zu Beginn des Tages gab es keine app.py, sondern ein klares Konzept.
Diese Spezifikation wurde mit Claude erstellt und weiter verfeinert.
Anschließend wurde sie in einzelne Features aufgeteilt, die direkt umgesetzt werden konnten.
Die Entwicklung selbst wurde von Anfang an durch KI unterstützt.
Wir haben mit Claude Code gearbeitet und dabei auf feste Entwicklungsprinzipien gesetzt.
Dazu gehörten unter anderem:
- zentraler Zustand über eine klare Struktur
- Caching für externe Datenquellen
- getrennte Behandlung von Fehlern für jede API
Diese Prinzipien waren im Projekt verankert und wurden in jeder Iteration angewendet.
Das Ergebnis war eine erste vollständige Umsetzung in einem einzigen Commit.
Rund 300 Zeilen Python, eine requirements.txt und eine laufende Anwendung.
Feinschliff nach der ersten Version
Nach der ersten Umsetzung haben wir die Anwendung gezielt verbessert, vor allem im Hinblick auf Nutzerführung und Stabilität.
Dazu gehörten unter anderem:
- ein konfigurierbarer Radius
- ein klarer Schritt für Schritt Ablauf
- eine Reset Funktion
- ein Bugfix für das Caching bei Radiusänderungen
- eine konsistentere Darstellung der Scores
Zusätzlich haben wir die Datenbasis erweitert.
Neben klassischen Points of Interest wurden auch Gebäudetypen und Landnutzung einbezogen.
Das sorgt für mehr Kontext und verbessert die Bewertung durch die KI.
Was als Nächstes kommt
Der nächste Schritt ist die Demo.
Ein konkreter Standort wird mit unterschiedlichen Zielprofilen bewertet.
Zum Beispiel für eine Familie oder für einen ruhigen Ruhestand.
Ein möglicher Risikofaktor ist die Datenqualität von OpenStreetMap. Diese kann je nach Region variieren.
Deshalb werden relevante Adressen vorab getestet.
Sie haben eine Idee im Kopf?
Oft reicht ein kurzer Austausch, um daraus den ersten Prototyp zu entwickeln.
Fazit
Wir haben den Tag mit einer Spezifikation begonnen.
Am Ende stand eine funktionierende Anwendung.
Die App basiert vollständig auf Open Data und KI-gestützter Auswertung.
Sie zeigt, wie sich individuelle Standortbewertung technisch umsetzen lässt.
Und sie zeigt, wie schnell aus einer klaren Idee ein funktionierendes Produkt entstehen kann.
Dieser Hackathon zeigt, wie schnell aus einer Idee etwas Reales werden kann.
Wenn Sie das für Ihr eigenes Projekt nutzen möchten, begleiten wir Sie gerne dabei.
