Eine Idee beschreiben, eine KI arbeiten lassen und kurze Zeit später eine Anwendung testen: Software zu erstellen ist für viele Menschen zugänglicher geworden. Wer früher erst ein Entwicklungsteam brauchte, kann heute selbst einen Prototyp ausprobieren.
Für Unternehmen und Softwarehäuser ist das eine gute Nachricht. Ideen lassen sich früher zeigen, diskutieren und verändern. Gleichzeitig stellt sich die Frage, ob es für individuelle Anwendungen überhaupt noch eine Agentur oder ein Softwarehaus braucht.
Unsere Einschätzung: Ja – aber nicht, weil dort jede Codezeile von Hand geschrieben wird. Professionelle Softwareentwicklung wird dort gebraucht, wo aus einer ersten Idee eine Anwendung für den Arbeitsalltag werden soll. Wo sie mit bestehenden Systemen zusammenspielen, Sonderfälle beherrschen und auch in einigen Jahren noch gepflegt werden muss.
Was KI in der Entwicklung heute leisten kann
Die Diskussion über Vibe Coding bleibt oft bei einfachen Beispielen stehen: Jemand beschreibt eine Oberfläche, und die KI erzeugt eine kleine Anwendung. Tatsächlich können moderne Entwicklungswerkzeuge – abhängig von ihren Funktionen und Zugriffsrechten – deutlich mehr.
Sie durchsuchen bestehende Codebasen, erklären Zusammenhänge, ändern mehrere Dateien, erstellen Tests und werten Fehlermeldungen aus. Manche Werkzeuge bearbeiten mehrstufige Aufgaben weitgehend selbstständig und legen ihre Änderungen anschließend zur Prüfung vor.
Das verändert auch die Arbeit professioneller Entwicklungsteams. Wer KI einsetzt, muss nicht jeden Umsetzungsschritt selbst ausführen. Dafür wird wichtiger, Aufgaben präzise zu beschreiben, sinnvolle Grenzen zu setzen und Ergebnisse zu beurteilen.
Diese Fähigkeiten sind nicht auf frühe Entwürfe beschränkt. KI kann auch bei der Weiterentwicklung bestehender Systeme helfen, etwa beim Verstehen älteren Codes oder beim Vorbereiten von Tests.
Vibe Coding und professionelle KI-Nutzung sind nicht dasselbe
„Vibe Coding“ wird häufig für ein Vorgehen verwendet, bei dem die KI einen großen Teil der Umsetzung übernimmt und der Benutzer vor allem prüft, ob das sichtbare Ergebnis seinen Vorstellungen entspricht. Der Code selbst wird dabei nicht unbedingt im Detail verstanden.
Professionelle Teams können dieselben oder ähnliche Werkzeuge nutzen, ohne auf technische Prüfung zu verzichten. Sie setzen KI beispielsweise für einen Änderungsvorschlag ein, prüfen anschließend den Code und testen das Ergebnis im Zusammenhang mit der bestehenden Anwendung.
Das britische National Cyber Security Centre beschreibt solche Vorgehensweisen als Spektrum. Wie viel Kontrolle angemessen ist, hängt unter anderem vom Risiko und vom Einsatzzweck ab.
Die Demo funktioniert. Und jetzt?
Eine Anwendung kann in einer Vorführung überzeugend aussehen und im Alltag trotzdem schnell an Grenzen stoßen.
Nehmen wir einen Freigabeprozess: Eine Person erstellt einen Antrag, eine andere bestätigt ihn. Der Ablauf ist einfach zu demonstrieren. Was aber passiert, wenn die zuständige Person ausfällt? Wenn Angaben fehlen? Wenn zwei Menschen gleichzeitig Änderungen vornehmen? Oder wenn ein freigegebener Vorgang nachträglich korrigiert werden muss?
Solche Fragen wirken unspektakulär. Für die Menschen, die täglich mit der Anwendung arbeiten, machen sie aber häufig den Unterschied zwischen einer hilfreichen Software und einem weiteren Werkzeug, das umgangen werden muss.
Dazu kommen technische Aufgaben, die man einer Oberfläche nicht ansieht: Berechtigungen, Datensicherung, Schnittstellen, Überwachung und die Frage, wer bei einem Fehler reagieren kann.
Die Zeit bis zur ersten funktionierenden Version ist deshalb nur ein Ausschnitt des Projekts. Eine qualitative DORA-Auswertung beschreibt, dass KI zwar die Erstellung von Code beschleunigen kann, gleichzeitig aber Aufwand für die Prüfung und Integration der Ergebnisse entsteht. Die Auswertung gibt hierbei nur Erfahrungen der Befragten wieder und ist keine allgemeingültige Aussage.
Ein früher Prototyp hat trotzdem einen großen Wert. Er zeigt, worüber man sonst lange abstrakt sprechen würde. Ob seine technische Grundlage auch für den produktiven Einsatz taugt, muss anschließend geprüft werden.
Wann lohnt sich Individualsoftware?
Nicht jedes Unternehmen braucht eine eigene Anwendung. Für Buchhaltung, Videokonferenzen oder einfache Terminverwaltung gibt es etablierte Produkte, die viele Anforderungen bereits abdecken.
Interessant wird Individualsoftware dort, wo ein wichtiger Teil der Arbeit zwischen vorhandenen Lösungen hängen bleibt. Etwa wenn Daten mehrfach übertragen werden, ein Freigabeprozess nur über E-Mails funktioniert oder Informationen aus mehreren Fachsystemen an einer Stelle benötigt werden.
Eine individuelle Lösung kann solche Lücken schließen. Sie muss dabei nicht das bestehende System ersetzen. Oft reicht es, eine Standardsoftware anzubinden und eine ergänzende Funktion zu entwickeln.
Typische Beispiele sind:
-
ein Kundenportal, das Informationen aus bestehenden Unternehmenssystemen bereitstellt;
-
eine Anwendung, die Angebote, Aufträge und interne Freigaben verbindet;
-
eine Planungslösung für Personal, Maschinen oder Projekte;
-
eine Oberfläche, die Daten aus mehreren Systemen zusammenführt.
Vor einer Eigenentwicklung lohnt sich allerdings ein genauer Blick auf den Prozess. Wenn ein Ablauf über Jahre unnötig kompliziert geworden ist, sollte die Software diese Komplexität nicht einfach festschreiben. Manchmal ist es günstiger, zunächst den Ablauf zu vereinfachen.
Individuell heißt nicht: alles selbst bauen
Eine Anwendung kann genau auf ein Unternehmen zugeschnitten sein und trotzdem auf Standardkomponenten zurückgreifen. Für Anmeldung, Hosting, Zahlungsabwicklung oder andere verbreitete Aufgaben gibt es häufig bereits geeignete Dienste.
Das spart eigene Entwicklungsarbeit und erlaubt es, sich auf die Funktionen zu konzentrieren, die für das Unternehmen tatsächlich besonders sind. Gleichzeitig sollten die Abhängigkeiten von solchen Diensten bekannt sein: Wer kontrolliert die Daten? Welche laufenden Kosten entstehen? Wie aufwendig wäre ein späterer Wechsel?
Macht KI Individualsoftware günstiger?
KI kann Entwicklungskosten senken. Vor allem dort, wo Aufgaben klar beschrieben sind und Ergebnisse schnell überprüft werden können, lässt sich Arbeit beschleunigen.
Ein früher Entwurf einer Oberfläche, ein erster Test oder ein Vorschlag für eine technische Umsetzung muss nicht mehr vollständig von Hand entstehen. Das kann helfen, mit einem kleineren Budget zu prüfen, ob sich eine Idee weiterverfolgen lässt.
Für die Wirtschaftlichkeit einer produktiven Anwendung reicht der Blick auf die Erstellung allerdings nicht aus. Zu den Entwicklungskosten kommen unter anderem:
-
die Klärung fachlicher Anforderungen;
-
die Anbindung bestehender Systeme;
-
Tests und Sicherheitsprüfungen;
-
die Einführung bei den Nutzenden;
-
Hosting, Support, Updates und spätere Anpassungen.
KI kann auch bei einigen dieser Aufgaben unterstützen. Wie groß die Einsparung ausfällt, hängt aber vom Projekt ab. Eine schnell erzeugte Funktion muss beispielsweise erst verstanden und geprüft werden, bevor sie in ein bestehendes System übernommen werden kann.
Die Forschung liefert bislang kein einfaches Versprechen für jedes Entwicklungsteam. In einer Untersuchung von METR aus dem Jahr 2025 benötigten 16 erfahrene Open-Source-Entwickler bei den untersuchten Aufgaben mit den damaligen KI-Werkzeugen im Durchschnitt länger als ohne. Die Ergebnisse beziehen sich auf diese Gruppe, ihre Aufgaben und die eingesetzten Werkzeuge; sie lassen sich nicht ohne Weiteres auf heutige Systeme oder andere Projekte übertragen.
Eine Rechnung aus dem Arbeitsalltag
Ein praktischer Vergleich beginnt bei den Kosten des heutigen Ablaufs. Wenn Mitarbeitende beispielsweise regelmäßig Daten zwischen zwei Systemen übertragen, lassen sich Arbeitszeit und Fehleraufwand über einen bestimmten Zeitraum schätzen.
Dem gegenüber stehen die Entwicklung und der Betrieb einer Schnittstelle. Lohnt sich die Verbindung bereits bei wenigen Übertragungen pro Woche? Oder erst bei einem höheren Volumen? Wie oft ändern sich die angebundenen Systeme?
Die Antworten unterscheiden sich von Unternehmen zu Unternehmen. Aber sie führen zu einer besseren Entscheidung als die bloße Frage, ob KI den ersten Entwurf günstiger erstellen kann.
Sicherheit und Betrieb gehören zur Entscheidung dazu
Eine Anwendung kann funktionieren und trotzdem Schwachstellen enthalten. Das gilt für menschlich geschriebenen ebenso wie für KI-generierten Code.
Der Sicherheitsanbieter Veracode untersuchte 2025 Code, der von mehr als 100 Sprachmodellen für ausgewählte Entwicklungsaufgaben erzeugt wurde. In 45 Prozent der untersuchten Tests führte der generierte Code laut Bericht zu sicherheitsrelevanten Schwachstellen. Die Zahl bezieht sich auf die gewählten Testaufgaben, nicht auf alle KI-generierten Anwendungen.
Für euer Unternehmen ist daraus vor allem eine Frage abzuleiten: Wer prüft die Anwendung, bevor sie mit echten Daten arbeitet?
Je nach Risiko gehören dazu sichere Anmeldeverfahren, nachvollziehbare Berechtigungen, Code-Reviews und automatisierte Tests. Ebenso wichtig ist die Zeit nach dem Start: Sicherheitsupdates müssen eingespielt, Fehler erkannt und Daten bei Bedarf wiederhergestellt werden können.
Das gilt auch dann, wenn eine Anwendung zunächst intern und mit wenigen Nutzenden beginnt. Gerade kleine Lösungen wachsen manchmal in Aufgaben hinein, für die sie ursprünglich nicht vorgesehen waren.
Standardsoftware, Prototyp oder individuelle Entwicklung?
Diese Möglichkeiten stehen nicht zwingend immer gegeneinander. Sie können aufeinander aufbauen oder miteinander verknüpft werden.
Eine Standardsoftware kann zum Beispiel weiterhin die Buchhaltung übernehmen. Ein KI-gestützter Prototyp zeigt, wie ein neuer Freigabeprozess aussehen könnte. Wenn sich der Ansatz bewährt, wird eine Anwendung entwickelt, die den Prozess mit den vorhandenen Systemen verbindet.
|
Ausgangslage |
Naheliegender Ansatz |
|---|---|
|
Ein verbreiteter Bedarf ist mit vorhandenen Funktionen gut abgedeckt. |
Standardsoftware prüfen |
|
Eine Idee soll zunächst mit Nutzenden besprochen und getestet werden. |
Prototyp erstellen |
|
Ein wichtiger Prozess oder eine Schnittstelle wird nicht ausreichend abgedeckt. |
Individuelle Erweiterung oder Anwendung prüfen |
|
Ein vorhandener Prototyp soll mit echten Daten produktiv genutzt werden. |
Anforderungen, Sicherheit und technische Grundlage prüfen |
Auch beim letzten Schritt kann KI weiter unterstützen. Nur sollte die Entscheidung für den produktiven Einsatz nicht allein davon abhängen, dass die Demo funktioniert.
gaertlie: Was nach dem ersten Prototyp wichtig wird
Ein Beispiel aus unserer Arbeit ist gaertlie, eine cloudbasierte Branchenlösung für Friedhofsgärtnereien. Wir entwickeln sie in Zusammenarbeit mit einer Friedhofsgärtnerei in Karlsruhe.
Ein erster Prototyp im Sommer 2026 machte die Idee früh greifbar und wir konnten erste Tests durchführen. Das war ein ganz klarer Vorteil gegenüber einer rein theoretischen Diskussion: Zusammen mit den Anwendern konnten wir erste Testdurchläufe durchführen, schauen wo welche Funktionen noch fehlten und auch ein Gespür dafür bekommen, was wir wie implementieren müssen.
Für den Weg zum produktiven Einsatz reichen die einfachen Beispieldaten einer Demo allerdings nicht aus. In der Praxis gibt es dann doch sehr unterschiedliche Arbeitsabläufe, besondere Vertragskonstellationen sowie unvollständige oder veraltete Daten. Diese Fälle müssen in der weiteren Entwicklung berücksichtigt werden. Zudem mussten wir diverse Performance Optimierungen vornehmen, damit die Anwendung auf allen unterschiedlichen Endgeräten flüssig läuft.
Was Unternehmen vor einem Projekt klären sollten
Eine gute Vorbereitung muss nicht mit einem umfangreichen Pflichtenheft beginnen. Für eine erste Einordnung helfen bereits einige wenige, konkrete Fragen:
-
Welches Problem soll gelöst werden? Möglichst anhand eines tatsächlichen Arbeitsablaufs, nicht nur anhand einer gewünschten Funktion.
-
Wer wird die Anwendung nutzen? Die Menschen, die täglich damit arbeiten, sollten früh einbezogen werden.
-
Was gibt es bereits? Vielleicht deckt eine vorhandene Software den Bedarf ab oder lässt sich erweitern.
-
Welche Daten und Systeme sind betroffen? Sensible Informationen und wichtige Schnittstellen beeinflussen Aufwand und Risiko.
-
Wer übernimmt den Betrieb? Updates, Support, Datensicherung und Fehlerbehebung brauchen Zuständigkeiten.
-
Wie wird der Nutzen gemessen? Beispielsweise anhand eingesparter Arbeitsschritte oder einer verlässlicheren Datenübertragung.
-
Was passiert bei einem Anbieterwechsel? Zugänge, Datenexport und Rechte am Quellcode sollten vertraglich geklärt werden.
Mit diesen Antworten lässt sich besser entscheiden, ob zunächst ein Prototyp sinnvoll ist, eine Standardlösung ausreicht oder eine individuelle Entwicklung geprüft werden sollte.
Fazit: Eine gute Idee braucht mehr als eine schnelle Demo
2027 wird die Frage nach Individualsoftware nicht verschwunden sein. Im Gegenteil: Wenn sich Ideen schneller ausprobieren lassen, können Unternehmen früher erkennen, wo sich eine passende Lösung lohnt. Der Bedarf wird also aus meiner Perspektive eher schnell steigen, fast schon exponentiell würde ich sagen.
Die Rolle professioneller Entwicklung verändert sich dabei. KI übernimmt mehr Umsetzungsarbeit; wir Entwickler müssen weiterhin Anforderungen verstehen, Ergebnisse beurteilen und Verantwortung für den Einsatz im Alltag übernehmen.
Sie haben eine Softwareidee oder arbeiten mit einem Prozess, für den Ihre vorhandenen Systeme nicht ausreichen? Sprechen Sie mit uns darüber. Wir schauen gemeinsam auf die Aufgabe und ordnen ein, ob eine bestehende Lösung, ein erster Prototyp oder eine individuelle Entwicklung der passende nächste Schritt ist.
Quellen
- National Cyber Security Centre: „The ‘vibe coding spectrum’ approach to AI-assisted software development“. URL: https://www.ncsc.gov.uk/blogs/the-vibe-coding-spectrum-approach-to-ai-assisted-software-development (letzter Zugriff: 17.11.2026)
- DORA: „Balancing AI Tensions“. URL: https://dora.dev/insights/balancing-ai-tensions/ (letzter Zugriff: 17.11.2026)
- METR: Untersuchung zum Einfluss von KI-Werkzeugen auf erfahrene Open-Source-Entwickler, 2025. URL: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ (letzter Zugriff: 17.11.2026)
- METR: Update zur Untersuchung der Produktivitätswirkung von KI, 2026. URL: https://metr.org/blog/2026-02-24-uplift-update/ (letzter Zugriff: 17.11.2026)
- Veracode: Ergebnisse des GenAI Code Security Report, 2025. URL: https://www.veracode.com/press-release/ai-generated-code-poses-major-security-risks-in-nearly-half-of-all-development-tasks-veracode-research-reveals/ (letzter Zugriff: 17.11.2026)