Kein Play SRF für Tizen? Dann baut es eben AI.

Play SRF gibt es als App für Android TV, Apple TV und Amazon Fire TV. Mein Samsung-Fernseher läuft jedoch mit Tizen. Eine offizielle App dafür? Fehlanzeige. SRF empfiehlt in diesem Fall Screen Mirroring oder eine zusätzliche Streaming-Box.

Das funktioniert. Aber besonders elegant ist es nicht. Ich wollte den Fernseher einschalten, Play SRF öffnen und loslegen. Ohne Smartphone, ohne Cast-Button und ohne weitere Box, die neben dem TV Staub sammelt.

Also startete ich ein Experiment: Kann ein AI Coding Agent die Android-TV-App analysieren und daraus eine funktionierende Tizen-App bauen?

Rund eine Stunde später lief Play SRF direkt auf meinem Samsung-TV.

Das Resultat war praktisch. Die wichtigere Erkenntnis war jedoch eine andere: Unsere Annahmen darüber, was AI kann und was nicht, altern gerade verdammt schnell.

Keine Konvertierung per Zauberknopf

Zuerst die technische Präzisierung: Die AI hat nicht einfach eine Android-Datei in eine Tizen-Datei umgewandelt. So bequem ist die Welt leider noch nicht.

Android TV und Samsung Tizen nutzen unterschiedliche App-Modelle, UI-Technologien, Media Player, Paketformate und Signaturen. Android-Code läuft nicht einfach auf Tizen. Eine APK - das Installationspaket einer Android-App - lässt sich deshalb nicht wie ein Word-Dokument in ein anderes Format exportieren.

Der bessere Ansatz: Die Android-App diente als Spezifikation.

Die AI untersuchte, welche SRF-Dienste die App anspricht, wie sie Inhalte strukturiert und welche Streams sie für Videos und Live-TV verwendet. Auf dieser Basis implementierte sie einen eigenständigen Tizen-Client als Web-App. Genau das bedeutet Reverse Engineering hier: Verhalten verstehen und für eine andere Plattform neu umsetzen, nicht fremden Code kopieren.

Anders gesagt: Sie kopierte nicht den Motor. Sie verstand, was das Fahrzeug tun soll, und baute einen passenden Antrieb für eine andere Plattform.

Was die AI konkret erledigte

Der Prozess bestand aus mehreren Schritten, die normalerweise einiges an Recherche und Spezialwissen verlangen:

1. Das richtige Android-TV-Paket finden. Nicht jede Play-SRF-Datei enthält dieselbe App. Die AI prüfte Paketname, TV-spezifische Komponenten und Plattform-Merkmale.
2. Das Verhalten der App rekonstruieren. Sie identifizierte die relevanten SRF-Schnittstellen für Startseite, Sendungen, Suche, Live-TV und Sport.
3. Die Oberfläche für Tizen neu bauen. Androids TV-Komponenten wurden zu HTML, CSS und JavaScript. Navigation und Fokus mussten mit der Samsung-Fernbedienung funktionieren.
4. Video-Wiedergabe übersetzen. Normale Sendungen, Livestreams und DRM-geschützte Inhalte brauchen unterschiedliche technische Wege.
5. Die App signieren und installieren. Auch eine private App benötigt auf einem Samsung-TV ein gültiges Entwicklerzertifikat.
6. Auf dem echten Gerät testen. Browser und Emulator reichen bei Fernbedienung, DRM und Samsungs Media Player nicht aus.

Die fertige App zeigte das aktuelle Play-SRF-Angebot, Sendungsdetails und Episoden. Auch Suche, Live-TV, Live-Sport, Replays, Merkliste und Wiedergabefortschritt funktionierten. Bedient wurde alles mit der normalen Fernbedienung.

Nicht schlecht für einen spontanen Feierabend-Use-Case.

Der schwierige Teil war nicht die Oberfläche

Eine TV-Oberfläche mit ein paar Reihen und Karten ist überschaubar. Spannend wurde es beim Video.

Ein On-Demand-Stream war erreichbar, erzeugte auf dem Samsung-TV aber nur einen schwarzen Bildschirm. Die AI analysierte die Netzwerkaufrufe und den Zustand des Players direkt auf dem Gerät. Zwei Parameter für Untertitel brachten Samsungs Player aus dem Tritt. Die Lösung entfernte gezielt nur diese Parameter. Zugriffstoken und andere wichtige Werte blieben erhalten.

Live-TV war noch kniffliger. Die Streams waren mit DRM geschützt, also mit einer technischen Rechtekontrolle für digitale Inhalte. Samsungs nativer AVPlay-Player erhielt gültige Lizenzen, startete die Wiedergabe aber trotzdem nicht. Ein klassischer Fall von: Alles grün, nichts läuft. Herrlich.

Statt weiter blind Einstellungen zu verändern, wechselte die AI den technischen Ansatz. Normale Videos liefen weiterhin über AVPlay. Geschützte Live-Streams nutzten Shaka Player über Samsungs Web-Video-Schnittstellen.

Damit funktionierten auch die Livestreams.

Dieses Detail ist wichtiger als der konkrete Player. Die AI schrieb nicht nur Code. Sie beobachtete das Verhalten auf echter Hardware, bildete Hypothesen, verwarf Sackgassen und wählte eine alternative Architektur. Genau hier hat sich AI Coding stark verändert.

Der Moment, in dem ich umdenken musste

In einem Artikel vom Januar 2025 beschrieb Nicola seinen Versuch, eine mittelgrosse Angular-App mit AI auf React zu migrieren. Rund 80 Komponenten und 20’000 Zeilen Code sollten automatisiert umgeschrieben werden. Nach fünf Tagen brach er das Experiment ab. Der Review- und Fix-Aufwand war zu hoch. Das Resultat liess sich nicht mit vertretbarem Aufwand absichern.

Sein Fazit damals: AI war ein hilfreicher Assistent, aber noch kein brauchbares Werkzeug für umfangreiche Rewrites. Den ganzen Erfahrungsbericht zur Migration von Angular auf React kannst du in seinem Artikel nachlesen.

Mein Experiment scheint diesem Fazit zu widersprechen. Ganz so einfach ist es nicht.

Eine produktive Business-Anwendung mit 20’000 Zeilen Code zu migrieren, ist eine andere Aufgabe als eine fokussierte TV-App neu zu implementieren. Bei einer Migration müssen bestehende Funktionen, Randfälle und Qualitätsanforderungen vollständig erhalten bleiben. Mein Tizen-Projekt durfte eine kleinere, klar definierte Teilmenge des Produkts neu abbilden.

Äpfel und Birnen also? Ja. Aber beide liegen in derselben, mittlerweile ziemlich schnellen AI-Küche.

Der relevante Unterschied liegt im Arbeitsmodus. Moderne Coding Agents bearbeiten nicht mehr nur einzelne Prompts. Sie können ein Repository erkunden, externe Systeme analysieren, Befehle ausführen, Tests schreiben, Logs auswerten und über viele Schritte auf ein Ziel hinarbeiten. Aus Autocomplete wurde ein technischer Agent mit Feedbackschleife.

Genau deshalb musste ich meine bisherigen Annahmen überdenken.

AI-Wissen hat ein Ablaufdatum

Wir neigen dazu, einmal gewonnene Erfahrungen zu verallgemeinern. Ein Tool scheitert an einer Aufgabe, also gilt die Aufgabe als «noch nicht AI-tauglich». Das ist in stabilen Technologiefeldern vernünftig.

Bei AI ist es gefährlich.

Modelle, Werkzeuge und Arbeitsweisen entwickeln sich gleichzeitig. Eine Aufgabe, die vor zwölf Monaten unzuverlässig oder unwirtschaftlich war, kann heute in einem Nachmittag lösbar sein. Oder in einer Stunde. Umgekehrt bleibt eine beeindruckende Demo noch lange kein belastbarer Produktionsprozess.

Wie findest du heraus, was heute funktioniert? Nicht durch Leaderboards. Auch nicht durch die hundertste LinkedIn-Prognose. Du musst es ausprobieren.

Sechs Regeln für sinnvolle AI-Experimente

Du brauchst dafür kein Reverse-Engineering-Projekt. Ein gutes Experiment beginnt mit einer echten Reibung in deinem Alltag.

1. Wähle ein konkretes Ergebnis

«Teste AI Coding» ist kein Ziel. «Bringe Play SRF auf meinen Samsung-TV» schon. Ein klares Resultat zwingt die AI, über hübsche Code-Snippets hinauszugehen.

2. Lass zuerst das System verstehen

Bitte die AI nicht sofort, alles umzuschreiben. Lass sie Architektur, Schnittstellen, Datenflüsse und Risiken erklären. In meinem Fall war die entscheidende Erkenntnis, die Android-App als Verhaltensreferenz zu nutzen.

3. Baue kurze Feedbackschleifen

Code generieren, ausführen, Ergebnis beobachten, korrigieren. Je schneller dieser Kreislauf ist, desto nützlicher wird der Agent. Tests, Logs und reproduzierbare Build-Skripte liefern ihm belastbare Signale.

4. Teste früh in der Realität

Ein Browser kann keinen Samsung-TV spielen. DRM, Hardware-Player und Fernbedienungsfokus zeigen ihre Eigenheiten erst auf dem Gerät. Dasselbe gilt für produktive APIs, echte Daten und reale Nutzerabläufe.

5. Bewerte das Resultat, nicht die Menge an AI-Code

Viel generierter Code ist kein Fortschritt. Entscheidend sind Funktion, Wartbarkeit, Sicherheit und überprüfbare Qualität. Ein Agent, der 10’000 Zeilen produziert, kann dir auch einfach ein grösseres Problem gebaut haben. Sehr effizient sogar.

6. Setze klare Grenzen

Die Tizen-App war ein privates Interoperabilitätsprojekt. Sie umgeht weder DRM noch Geoblocking, Werbung, Altersfreigaben oder zeitliche Verfügbarkeiten. Ich veröffentliche weder die extrahierten Bestandteile noch die signierte App.

AI senkt die technische Hürde. Sie hebt rechtliche, sicherheitsrelevante und ethische Grenzen nicht auf.

Was wir daraus mitnehmen können

Die grösste Chance liegt nicht darin, jede bestehende Anwendung morgen von einem Agenten neu schreiben zu lassen. Das wäre mutig. Vielleicht auch ein bizli wahnsinnig.

Spannender ist die Frage: Welche Vorhaben waren bisher zu klein, zu teuer oder zu speziell, um sie umzusetzen?

Ein interner Prozess mit vielen manuellen Schritten. Ein Prototyp für eine neue Customer Journey. Eine Integration zwischen zwei Systemen. Eine alte Anwendung, bei der zuerst niemand weiss, wie sie wirklich funktioniert. Genau dort können AI Agents die Kosten eines Experiments drastisch senken.

Das verändert die Rechnung. Ideen müssen nicht mehr monatelang diskutiert werden, bevor du weisst, ob sie funktionieren. Du kannst früher einen echten Prototyp bauen, auf realer Infrastruktur testen und mit konkreten Erkenntnissen entscheiden.

Aber Geschwindigkeit allein reicht nicht. Du brauchst Menschen, die das Ziel schärfen, die Architektur beurteilen und erkennen, wann ein überzeugender Prototyp noch weit von einer produktionsreifen Lösung entfernt ist.

Bei smartive führen wir solche Experimente nicht als Selbstzweck durch. Wir nutzen sie, um gemeinsam mit unseren Kund*innen herauszufinden, wo AI bereits echten Nutzen bringt, welche Risiken bleiben und wie daraus eine saubere digitale Lösung entsteht.

Denn die wichtigste AI-Kompetenz ist aktuell nicht, jede Antwort zu kennen. Es ist die Bereitschaft, die eigenen Annahmen regelmässig zu überprüfen.

Mein Samsung-TV kann jetzt Play SRF. Und ich weiss wieder einmal: Bei AI lohnt es sich, alte Gewissheiten regelmässig zu hinterfragen.