Mein Tech-Stack stammt von Claude — und ich kannte die Hälfte der Tools nicht

Die These der Marke: „Wie weit lässt sich ein Launch an die KI delegieren?"

Vorab: MODAY ist zur Hälfte eine T-Shirt-Marke, zur anderen Hälfte ein Experiment.

Hauptberuflich arbeite ich als E-Commerce-Berater. Den operativen Alltag eines Markenstarts kenne ich aus der Begleiterperspektive. MODAY ist bewusst anders aufgesetzt: eine Person, globaler Markt, drei Tage Zeit — und so viel Entscheidung und Umsetzung an die KI abgegeben, wie nur möglich.

Die Auswahl des Tech-Stacks lief nach derselben Logik. Nicht „Ich wusste es nicht und habe gefragt", sondern: Ich bin von Anfang an davon ausgegangen, dass die KI auswählt — meine einzige Aufgabe war, die Kriterien zu definieren.

Herausgekommen ist Folgendes:

Layer	Service
Storefront	Shopify (Dawn-Theme)
Print-on-Demand	Gelato
Übersetzung	Translate & Adapt
Automatisierung	Make.com
Webhook-Server	FastAPI auf Render.com
Bildgenerierung	fal.ai (FLUX Pro)
KI-Textverarbeitung	Anthropic API

Von diesen sieben Diensten kannte ich nur Shopify und die Anthropic API. Allen anderen Namen bin ich zum ersten Mal in Gesprächen mit Claude begegnet.

Dieser Stack ist drei Tage alt.

Die Shopify-Entscheidung kam nicht aus der Technik, sondern aus den News

Warum Shopify? Die ehrlichste Antwort ist fast peinlich.

Vor einer Weile lief mir die Ankündigung von Shopify MCP über den Bildschirm. Mein erster Gedanke: „Ah — dann kann Claude Code einen Shop von innen bauen." Damit war zu 90 % entschieden.

Ich beobachte Shopify seit Jahren als Berater von außen, hatte aber selbst nie ernsthaft damit gebaut. Egal — wenn Claude Code per MCP zugreifen kann, muss ich nicht erst zum Shopify-Profi werden, um zu liefern.

Lokale japanische Plattformen (BASE, STORES) waren nie auf der Shortlist. Der Grund: Ich wollte vom ersten Tag an global verkaufen. Neun Sprachen, mehrere Währungen, echte Cross-Border-Bezahlung. Nur Shopify macht das am ersten Tag einfach.

Mein eigentliches Auswahlkriterium war also nicht „technisch beste Plattform", sondern „verträgt sich gut mit Claude Code" und „verkauft morgen weltweit."

Die POD-Wahl habe ich Claude bewusst überlassen

Wie kommen die Shirts gedruckt zum Kunden?

Vor diesem Projekt kannte ich keinen einzigen Print-on-Demand-Anbieter. Printful, Printify, Gelato — alle drei waren neu für mich.

Das war kein Problem. Diesen Teil sollte die KI auswählen, das war von Anfang an der Plan. Mein eigenes Wissen über den globalen POD-Markt ist flach. Wenn ich die Geschäftskriterien aufschreibe und Claude die Optionen daran misst, schlägt das Ergebnis alles, was ich in einer Woche selbst recherchieren würde.

Der Prompt, den ich geschickt habe:

Ich möchte über Shopify Custom-T-Shirts mit Print-on-Demand verkaufen, vollautomatisch abgewickelt. Zielmärkte sind USA, Europa, Asien — Japan ist zweitrangig. Welchen POD-Dienst soll ich nehmen? Vergleich bitte ein paar.

Mehr nicht. Reine Business-Anforderungen. Keine SDK-Sprachen, keine Rate Limits, keine Webhook-Formate, keine Auth-Mechanismen. Hätte ich auch gar nicht spezifizieren können.

Die Antwort:

Ich habe die drei großen POD-Anbieter verglichen. Fazit: Gelato passt für deinen Use-Case am besten.

🥇 Gelato (Top-Empfehlung)
- Lokales Druck-Netzwerk in 32 Ländern, über 140 Standorte
- Lokale Produktion in Japan, Korea, Singapur, Malaysia, Australien, Indien, China
- Durchschnittliche Lieferzeit unter 72 Stunden in EU / USA / Asien
- Geringes Zollrisiko (Produktion bleibt im Land)
- Versand in 200+ Länder
- Schwächen: kleinerer Katalog als Printify, Stückkosten leicht höher

🥈 Printful (am besten für Brand-Building)
- 17 Standorte in Nordamerika, Europa, Asien
- Strengste Qualitätskontrolle der drei Anbieter
- Schwäche: höchste Stückkosten

🥉 Printify (am besten für Kosten)
- Über 90 Druckpartner, 950+ Produkte
- 10–20 % günstiger als Gelato in den meisten Kategorien
- Schwächen: dünneres asiatisches Netzwerk, kein japanischer Support

Empfehlung: Bei „global zuerst, Japan zweitrangig" Gelato als Hauptanbieter. Lokale Produktion in allen drei Regionen schlägt sich gleichzeitig in Versand, Zoll und Lieferzeit nieder.

Entschieden. Das Fundament meiner Fulfillment-Kette läuft jetzt auf einem Dienst, von dem ich nie gehört und den ich nie angefasst hatte.

Hätte ich dieselbe Recherche als Berater selbst gemacht — drei Doku-Sets lesen, im Netzwerk nachfragen — wäre eine Woche weg. Stattdessen: nahezu sofort.

Bei FastAPI bin ich nicht mal beim „Nutzt du das wirklich?"

In der Tabelle steht: „Webhook: FastAPI auf Render.com."

Ich muss kurz lachen, wenn ich das aufschreibe. Ich weiß nicht wirklich, was FastAPI ist.

Früh im Build brauchte ich etwas, das Order-Webhooks von Shopify entgegennimmt und an Gelato weiterleitet. Claude Code sagte: „Ich schreibe das in FastAPI und deploye nach Render." Ein Python-Framework, soweit ich verstanden habe. Ich sagte: gerne.

Es wurde geschrieben. Es wurde deployed. Es läuft. Mein eigener Anteil beschränkt sich darauf, im Render-Dashboard auf die Logs zu starren.

(Nebenbei: dieses Stück ist schon wieder rausgeflogen. Mitten im Build hatte ich ein Bauchgefühl und bin auf eine andere Lösung umgeschwenkt. Die Geschichte folgt in einem späteren Post.)

Wer „AI-first" entscheidet, akzeptiert, dass er den eigenen Stack nicht mehr lückenlos erklären kann. Dieser Trade-off ist der Punkt, nicht der Bug.

Klug oder leichtsinnig?

Ich bin selbst noch unentschieden.

Die Vorteile sind eindeutig:

• Optionen, die ich nie selbst auf den Schirm gehabt hätte, landen vom ersten Tag an auf der Shortlist
• „Was ich persönlich kann" ist nicht mehr die Obergrenze
• Auswahl und Umsetzung verschmelzen zu einem Schritt — ein normalerweise wochenlanger Prozess wird sofort erledigt
• Ein Nicht-Entwickler, der eine globale D2C-Marke baut, wird realistisch, nicht hypothetisch

Die Risiken sind genauso eindeutig:

• Wenn etwas kaputt geht, kann ich es vielleicht nicht selbst lesen
• Ich kann „warum dieser Stack" nicht in eigenen Worten begründen (deshalb schreibe ich diesen Post — beim Schreiben sortiere ich mich)
• Wenn ein Anbieter stirbt, dauert meine Ersatzentscheidung lange

Wie dieser Trade-off in einem halben Jahr aussieht, ist offen. Solange es läuft, ist es spektakulär. An dem Tag, an dem etwas bricht, kann es brutal werden.

Trotzdem ziehe ich die Sache durch, weil ich eine ehrliche Antwort auf „wie weit kann KI gehen?" haben will — gemessen an einem echten Geschäft. Hobby-Projekte liefern diese Antwort nicht. Erst wenn echtes Geld fließt, echte Kunden kaufen und echte Pakete versendet werden, kommt eine belastbare Zahl heraus.

Drei Tage alter Stack, gleich global im Verkauf

Drei Tage seit dem Stack-Pick und Build-Start. Die reine Code-Zeit ist deutlich kürzer.

In diesem Fenster ist der Storefront live, neun Sprachen laufen, der Order-Webhook feuert, und das Gelato-Produkt-Sync bewegt sich. Das ist die V1 des „AI-first Brand Launch"-Experiments.

Bis Jahresende wird wahrscheinlich die Hälfte ausgetauscht sein. FastAPI/Render sind schon raus. An einigen weiteren Stellen knirscht es leise.

Aber heute, in genau diesem Moment, steht dieser Stack kurz davor, weltweit zu verkaufen — und nur das zählt aktuell.

Im nächsten Post: welche Arbeit ich an Claude Code abgegeben habe, und welche ich selbst erledigen musste.

— Yoskee
moday.me