War's das mit UX?

KI-Tools können heute in Minuten Interfaces generieren. Doch sie entscheiden nicht, welche Produktlogik sinnvoll ist. Je einfacher es wird, Software zu bauen, desto wichtiger wird die Struktur des Produkts.

Man beschreibt eine Idee. Ein paar Prompts später existiert ein funktionierendes Interface. Kein Design-Tool. Keine Spezifikation. Kein Frontend-Code. Tools wie Cursor, Claude Code oder App-Builder wie Lovable, Bolt und Replit machen genau das gerade möglich. Startups bauen MVPs in Tagen. Interne Tools entstehen ohne Entwickler. Prototypen werden in Stunden klickbar. Produkte in wenigen Tagen. Der KI-Forscher Andrej Karpathy gab diesem Phänomen Anfang 2025 einen Namen: Vibe Coding. Man beschreibt, was man bauen möchte. Die KI setzt es um.

Und fast sofort tauchte dieselbe Frage auf: Brauchen wir dann überhaupt noch UX? Die Antwort ist nicht „ja“. Und auch nicht „nein“. Die Antwort lautet: Das ist die falsche Frage.

Vibe Coding verschiebt eine alte Grenze. Die Grenze zwischen Idee und funktionierendem Produkt. Früher lagen zwischen beiden Wochen oder Monate: Design, Spezifikation, Implementierung, Testing. Heute kann ein Team eine Idee morgens formulieren und am Nachmittag existiert ein funktionierender Prototyp.

Aber während sich eine Sache radikal verändert hat, bleibt eine andere erstaunlich stabil. Die schwierigste Entscheidung in der Produktentwicklung war nie, wie etwas umgesetzt wird. Die schwierigste Entscheidung ist immer noch: Was überhaupt umgesetzt werden sollte.

KI kann Code generieren, Screens erzeugen und ganze Flows zusammenstellen. Was KI nicht kann: autark produktbezogene Entscheidungen treffen. KI priorisiert nach Trainingsmustern. Nicht nach Nutzerbedürfnissen. Nicht nach Geschäftsstrategie. Und schon gar nicht nach der spezifischen Realität eines Produkts. Je einfacher es wird, etwas zu bauen, desto seltener wird diese Frage gestellt.

Der größte Unterschied zwischen einem funktionierenden Interface und einem guten Produkt ist oft unsichtbar. Er liegt im Kopf des Nutzers. Menschen kommen nie neutral zu einem Produkt. Sie bringen Erwartungen mit: wie Navigation funktioniert, wo Einstellungen zu finden sind, wie ein Checkout-Prozess abläuft.

Große Sprachmodelle kennen viele allgemeine Interface-Muster. Sie wurden auf Milliarden menschlicher Interaktionen trainiert. Was sie nicht kennen: die mentalen Modelle der Nutzer eines konkreten Produkts. Diese entstehen aus der Geschichte eines Produkts, seiner Zielgruppe und seinem Nutzungskontext.

Wenn ein Interface gegen diese Modelle arbeitet, passiert etwas Interessantes: Das Produkt funktioniert – aber der Nutzer muss plötzlich nachdenken. Ein Teil der mentalen Anstrengung entsteht nicht durch die Aufgabe selbst. Sondern durch das Interface.

Wenn Interaktionen unerwartet sind, Muster inkonsistent wirken oder Orientierung fehlt, muss der Nutzer mehr denken als nötig. KI-generierte Interfaces produzieren genau diese Art unnötiger Komplexität. Nicht weil sie falsch sind. Sondern weil sie generisch sind.

In Produkten, die mit KI-Unterstützung schnell wachsen, zeigt sich oft dasselbe Muster. Neue Features entstehen schneller als Struktur. Ein Chat-Interface wird ergänzt. Ein KI-Assistant kommt hinzu. Automatisierungen entstehen im Hintergrund. Neue Funktionen tauchen im Interface auf. Der Code funktioniert. Die Demo beeindruckt. Doch langsam wächst ein anderes Problem: Das Produkt wird schwerer zu verstehen.

Navigation wird unklar. Interaktionen wirken inkonsistent. Onboarding muss immer mehr erklären. Der entscheidende Moment eines Produkts verschiebt sich nach hinten – der Moment, in dem ein Nutzer versteht, warum dieses Produkt für ihn wertvoll ist. Produktteams nennen diesen Moment Time-to-Value. Wenn dieser Moment zu lange auf sich warten lässt, ist der Nutzer oft schon weg.

KI-Features bringen eine zusätzliche Herausforderung mit sich. Sie sind für Nutzer oft unsichtbar. Ein System trifft Entscheidungen im Hintergrund. Empfehlungen erscheinen. Automatisierungen greifen ein. Für Nutzer entstehen sofort Fragen: Warum wurde mir das vorgeschlagen? Was passiert gerade im Hintergrund? Kann ich eingreifen, wenn etwas falsch läuft? Diese Fragen entscheiden darüber, ob Nutzer einem System vertrauen oder es ignorieren.

Das Forschungsfeld Explainable AI beschäftigt sich genau mit dieser Lücke. Dabei geht es nicht nur um technische Erklärbarkeit von Modellen. Für Produktteams ist etwas anderes entscheidend: Interface-Erklärbarkeit. Interfaces müssen verständlich machen, was das System gerade macht und warum etwas passiert und wo Nutzer eingreifen können. Das ist keine Designästhetik. Es ist Vertrauensarchitektur.Und sie entsteht nicht automatisch aus generiertem Code.

Die Rolle von UX verschiebt sich tatsächlich im KI-Zeitalter. Aber nicht so, wie viele vermuten. UX war nie primär visuelles Interface Design. Es war immer Entscheidungsarchitektur: Welche Information gehört wohin? Was passiert in welcher Reihenfolge? Wo verliert ein Nutzer den Überblick?

Früher blieb diese Arbeit oft unsichtbar. Heute wird sie plötzlich sichtbar – weil Entwicklung so viel schneller geworden ist. Wenn jedes Team Interfaces generieren kann, entsteht ein neues Problem: Viele Produkte sehen ähnlich aus. Viele Features entstehen gleichzeitig. Der Unterschied entsteht nicht mehr bei der Umsetzung – sondern sehr viel früher.

KI-gestützte Entwicklungsumgebungen reduzieren eine echte Hürde: den Entwicklungs-Aufwand. Aber sie lösen ein anderes Problem nicht. Sie kennen keine produktspezifischen mentalen Modelle. Sie messen keine kognitive Last. Und sie bauen keine Vertrauensarchitektur für KI-Features.

Wenn Entwicklung einfacher wird, wird Struktur wichtiger. Wenn alle schneller entwickeln können, gewinnt das Team, das am klarsten versteht, was überhaupt umgesetzt werden sollte.