Demokratisierung der Softwareentwicklung durch User Generated Software

1. Von Consumer-KI zu nutzergenerierter Software

Generative KI wurde 2022 erstmals breit als Consumer-Technologie sichtbar. Damals führte ein führender Frontier-Model-Anbieter einen allgemein zugänglichen B2C-Assistenten für Verbraucher ein. Parallel verfolgte ein anderer prominenter Foundation-Model-Anbieter eine stärker B2B-orientierte Strategie. Er konzentrierte sich auf Softwareentwickler und deren Coding-Workflows. Damit zeigte sich früh einer der wichtigsten Anwendungsfälle generativer KI: Sie automatisiert und erweitert Softwareentwicklung. Heute berichten große Technologieunternehmen von erheblichen Anteilen KI-generierten Codes. Ein führender Hyperscaler erklärte beispielsweise, dass 75 % seines neuen Codes KI-generiert seien (Langley, 2026).

Diese Zahlen zeigen einen Paradigmenwechsel in der Softwareentwicklung. Künstliche Intelligenz ergänzt und führt zunehmend den Coding-Prozess. Der Wandel beschränkt sich jedoch nicht darauf, professionelle Entwickler durch Mensch-KI-Kollaboration produktiver zu machen. KI demokratisiert das Coding selbst. KI-Systeme übersetzen natürliche Sprachanweisungen in ausführbaren Code. Dadurch wird Softwareentwicklung auch für Nutzer ohne formale Programmierkenntnisse zugänglich. Die relevante Nutzerbasis erweitert sich damit über den traditionellen B2B-Markt für Coding-Tools hinaus. Besonders Vibe-Coding-Tools zeigen bei B2C-Nutzern ein beispielloses Wachstum. Sie senken die technische Schwelle für Softwareerstellung. Aufgaben, die früher spezielles Programmierwissen erforderten, lassen sich zunehmend über natürliche Sprache und iteratives Prompting bearbeiten. Ein beliebtes Buzzword mehrerer solcher Anbieter ist „Prompt-to-App“.

Dieser Artikel geht einer zentralen Frage nach: Was geschieht, wenn Softwareerstellung nicht mehr professionellen Entwicklern, IT-Abteilungen oder Softwareanbietern vorbehalten bleibt? Was geschieht, wenn Nutzer selbst Software erstellen, weil sie ihre eigenen Probleme, Kontexte und Bedürfnisse am besten verstehen?

Wir prägen dafür den Begriff „User-generated Software“ (UGS). Der Begriff steht in Analogie zu nutzergeneriertem Content (UGC). UGS bezeichnet Software, die Nutzer selbst erstellen. Konventionelle Softwareproduzenten stehen dabei nicht mehr zwingend im Zentrum. Vibe Coding beschreibt die Methode, die diese Entwicklung ermöglicht. UGS beschreibt die organisatorische und wirtschaftliche Folge. Nutzer fordern Software nicht mehr nur an sondern bauen funktionale digitale Lösungen zunehmend selbst. Für Unternehmen entsteht dadurch eine neue strategische Herausforderung. Sie müssen klären, wie sie KI intern nutzen. Zugleich müssen sie auf eine Welt reagieren, in der User immer häufiger Software für ihre eigenen Bedürfnisse erstellen.

2. Eine Builder-Landschaft entsteht

Der Markt für KI-gestützte Softwareerstellung befindet sich noch in einer frühen Phase. Trotzdem hat er den Experimentalstatus bereits hinter sich gelassen. Erste Daten zeigen eine breitere kommerzielle Adoption. Ein user-orientierter App-Builder überschritt eigenen Daten zufolge innerhalb von acht Monaten 100 Millionen Dollar jährlich wiederkehrenden Umsatz. Kein Softwareunternehmen hatte diese Marke zuvor schneller erreicht. Bis Juni 2026 erreichte der Anbieter mehrere hundert Millionen Dollar jährlich wiederkehrenden Umsatz (Heim, 2025). Ein weiteres Vibe-Coding-Startup erwartet, dass der Umsatz von etwa 240 Millionen Dollar bis Ende 2026 auf 1 Milliarde Dollar steigt (Rollet, 2025). Diese Zahlen belegen noch keine langfristige Profitabilität. Sie zeigen aber deutlich, dass Nutzer Software erstellen wollen und sie bereit sind, für Lösungen zur Softwareerstellung zu zahlen.

Die aktuelle Builder-Landschaft ist angebotsseitig bereits ausdifferenziert. Am einen Ende stehen Expertenumgebungen für professionelle Entwickler. Am anderen Ende stehen dialogorientierte Builder. Sie ermöglichen es nicht-technischen Nutzern, eine Landingpage, einen internen Workflow, ein Dashboard oder eine App in natürlicher Sprache zu beschreiben. Dazwischen liegen hybride Umgebungen. Dazu zählen Low-Code-Systeme mit KI-Generierung, templatebasierte Workflow-Tools, kollaborative Coding Spaces und agentische Builder.

Frühere Low-Code- und No-Code-Tools (LCNC) demokratisierten bereits IT-Entwicklung indem sie technische Komplexität reduzierten. KI-basiertes Coding senkt die Hürde nun weiter. Anders als bei LCNC-Tools sind nicht visuelle Modellierungen das primäre User Interface, sondern der Intent der Nutzer. Sie beschreiben das gewünschte Ergebnis und iterieren in natürlicher Sprache. Anschließend erhalten sie ein Software-Artefakt, das sich sofort testen lässt (Rao et al., 2023).

Das bedeutet nicht, dass professionelle Softwareentwicklung verschwindet. Kernsysteme, regulierte Prozesse, sicherheitskritische Software und komplexe Architekturen erfordern weiterhin klassisches Engineering. Wahrscheinlicher ist eine neue untere und mittlere Schicht der Softwareproduktion. Sie umfasst Prototypen, interne Tools, kundenorientierte Micro-Apps, Analyseoberflächen, Workflow-Automatisierungen und Agenten. Viele dieser Anwendungen sind für traditionelle Roadmaps zu spezifisch in ihrem Use Case. Gleichzeitig erzeugen sie für User genug Mehrwert, um mit KI-basierten Tools gebaut zu werden.

3. Kontextuelle Nähe und die neue Schicht nutzergenerierter Software

Die erste sichtbare Klasse von UGS ist einfach. Sie umfasst Landingpages, Click Dummies, Rechner, Formulare und kleine Websites. Diese Artefakte sind wichtig, weil sie den Testzyklus von Minimum Viable Products zeitlich von Tagen auf Stunden verkürzen können. So kann ein Produktmanager eine Value Proposition selbst und unmittelbar testen. Ein Forscher kann eine Dateneingabeschnittstelle bauen. Ein Vertriebsteam kann ein Qualifizierungstool erstellen. Schnellere Erstellung führt zu mehr Iterationen in derselben Zeit. Mehr Iterationen erzeugen einen Compound-Effekt. Jeder Zyklus baut auf dem vorherigen auf. Verbesserungen und Lernergebnisse können somit deutlich schneller implementiert werden.

Die zweite Klasse ist operativ. Sie umfasst Dashboards, interne Tools, simple Datenbanken, Genehmigungsworkflows und Integrationen zwischen bestehenden Systemen. Diese Klasse ist strategisch wichtig. Sie adressiert lokale Probleme, die zentrale IT-Teams häufig nicht auf ihrer Roadmap priorisieren können. Sie sind aber zu nützlich, um sie zu ignorieren.

Die dritte Klasse ist agentisch. Nutzergenerierte Artefakte können Anfragen klassifizieren, Dokumente zusammenfassen, Tools aufrufen, Workflows auslösen, Daten überwachen und mehrstufige Aufgaben koordinieren. An diesem Punkt ist UGS nicht mehr nur eine Schnittstelle. UGS wird zu einer aktiven Schicht in der Arbeitsausführung.

Der besondere Vorteil von UGS liegt über alle Klassen in der kontextuellen Nähe der User zu den Use Cases. In der traditionellen und in der agilen Software-Entwicklung erheben, übersetzen, priorisieren, spezifizieren, implementieren und interpretieren Teams Nutzerbedürfnisse immer wieder neu. Mit UGS kann die Person, die das Problem in ihrem Kontext unmittelbar erlebt, ihr lokales Wissen und ihre Anwendersprache direkt in das Artefakt einbringen. Sie kann auch Ausnahmen, Workarounds und Kontextwissen direkt aus ihrem impliziten Kontextwissen explizit in den Prompt formulieren. Dadurch verringert sich die Distanz zwischen Bedarf und Umsetzung.

Dies erzeugt jedoch auch erhebliche Risiken. UGS kann Datenschutz-, Barrierefreiheits-, Cybersecurity-, Maintenance- oder Integrationsstandards verletzen. UGS-Artefakte werden stark fragmentiert und individualisiert sowie kaum dokumentiert sein. Deshalb liegt das Risiko nicht nur in einem einzelnen schlecht gesteuerten Tool. Organisationen können Hunderte oder Tausende kleiner, idiosynkratischer Software-Artefakte ansammeln. Diese Artefakte lassen sich schwer warten, absichern und integrieren. Das Unternehmen gewinnt kontextuelle Präzision erhält zugleich aber auch ein neues Governance-Problem welches bereits bei NCLC als Shadow-IT präsent war.

4. Von Nutzerinnovation zu nutzergenerierter Software

UGS ist technologisch neu, weist aber konzeptionelle Verbindungen zur Theorie der Nutzerinnovation auf (User-Generated Innovation). Diese Theorie zeigt, dass Nutzer wichtige Innovationsquellen sein können. In der traditionellen Unternehmensinnovation steht der Produzent im Zentrum. Unternehmen identifizieren Kundenbedürfnisse. Sie entwickeln Produkte auf eigene Kosten. Anschließend schöpfen sie Wert, indem sie diese Produkte verkaufen. Bei Nutzerinnovation läuft der Prozess anders. Nutzer erleben ein unerfülltes Bedürfnis, entwickeln eine Lösung und realisieren den Wert zunächst durch die eigene Nutzung (von Hippel, 2005). UGS überträgt diese Logik auf Software. Nutzer artikulieren nicht mehr nur Anforderungen. Sie schlagen nicht nur Features vor und passen nicht nur bestehende Produkte an. Stattdessen erstellen sie zunehmend die funktionale Schnittstelle, den Workflow oder die Backend-Logik, die ihr eigenes Problem löst. KI-gestützte Softwareerstellung verschiebt Nutzer damit von Quellen für Bedürfnisinformationen zu Erstellern von Lösungen.

Historisch war Nutzerinnovation wichtig, aber in ihrer Skalierung begrenzt. Empirische Studien legen nahe, dass nur zwischen 1,5 % und 6,1 % der Nutzer Produktinnovationen für den eigenen Gebrauch entwickelten (von Hippel, 2017). Diese Nutzer waren häufig besonders motiviert. Oft verfügten sie auch über besondere technische Fähigkeiten in einem spezifischen Problemkontext. Das Internet erweiterte die Möglichkeiten der Nutzerinnovation. Es erleichterte die Veröffentlichung, das Teilen und die Verbreitung nutzergenerierter Lösungen. Soziale Medien trieben diese Logik anschließend weiter. UGC wurde Teil der Markenrealität und Unternehmen kontrollierten Kundentouchpoints nicht mehr nur über Paid- und Owned-Kanäle. Earned Content und UGC wurden zentral weil Konsumenten, Creators und Influencer Markengeschichten prägten und Umsätze beeinflussten. Sie monetarisierten Aufmerksamkeit rund um die Marken der Unternehmen, ohne vollständig von diesen kontrolliert zu werden (Gensler et al., 2013; Libai et al., 2025).

UGS folgt derselben dezentralisierenden Logik. Für Software könnte UGS das leisten, was soziale Medien für Content geleistet haben. UGS erweitert die Kreation von einer spezialisierten Minderheit der Softwareentwickler auf eine deutlich breitere Gruppe potenzieller Beitragender, der User.

5. Implikationen für die Praxis

Der nächste Schritt ist bereits sichtbar. Ein führender Anbieter eines mobilen Betriebssystems hat App-Generierung in natürlicher Sprache näher an die Distribution gerückt. Nutzer können eine App beschreiben. Das System generiert diese App automatisch und bietet sie dem Nutzer an. Das verwandelt einen App Store noch nicht vollständig in einen UGS-Store. Die Entwicklung zeigt jedoch eine klare Richtung. Software-Discovery, Softwaregenerierung und Softwaredistribution rücken näher zusammen (Peters, 2026).

Dies ähnelt der alten Vision der „Markets of One“. One-to-One-Marketing und Mass Customization versprachen, individuelle Bedürfnisse zu identifizieren und Angebote darauf auszurichten (Peppers & Rogers, 1993). UGS radikalisiert diese Idee. Nutzer erhalten nicht nur eine maßgeschneiderte Empfehlung sondern ein maßgeschneidertes Produkt. Die Umsetzungslücke wird dadurch kleiner. In manchen Fällen kann sie sogar vollständig verschwinden. Wenn eine Person oder ein Team ein Problem hat, kann eine passende Softwarelösung genau für dieses Problem entstehen. Ideen, die früher keinen Entwicklungsauftrag gerechtfertigt hätten, lassen sich nun unmittelbar explorieren und umsetzen.

Wenn diese Lücke kleiner wird, entsteht ein Überangebot. Wenn Umsetzung einfach und damit günstig wird, steigt die Zahl der Apps, Dashboards, Automatisierungen und Agenten stark an. Die Daten zeigen diese Entwicklung bereits. Laut Tilley (2026) stieg die Zahl weltweit neu veröffentlichter Apps in einem führenden App Store im ersten Quartal 2026 im Jahresvergleich um 84 %. Das Softwareangebot wächst also bereits. Dieser Überfluss erzeugt drei große Engpässe.

Erstens verlieren Unternehmen den natürlichen Engpass der Umsetzung. Heute wird aus vielen Ideen nie Software, weil Entwicklungskapazität knapp ist. In einer UGS-Umgebung können Unternehmen mehr interne Ideen, Mitarbeiterideen und Kundenideen in funktionierende Artefakte überführen. Das strategische Problem verschiebt sich daher. Es lautet nicht mehr nur: „Was können wir bauen?“ Es lautet zunehmend: „Welche der vielen gebauten Dinge sollten wir tatsächlich veröffentlichen?“ Die zentrale Entscheidung betrifft nicht mehr nur technische Machbarkeit. Sie betrifft vor allem Auswahl und den sich danach anschließenden Schritt der Vermarktung in einer Aufmerksamkeitsökonomie.

Zweitens können Konsumenten überfordert werden. Sie wählen bereits heute zwischen vielen Softwarelösungen für ähnliche Probleme. Nutzergenerierte Apps vervielfachen diese Auswahl weiter. Sie erschweren Suche, Vertrauen und Bewertung. Forschung zu Choice Overload legt nahe, dass mehr Optionen die Entscheidungsqualität und Zufriedenheit senken können, wenn die Bewertung komplex wird (Iyengar & Lepper, 2000). In einer solchen Umgebung kämpfen Konsumenten nicht unbedingt mit zu wenigen Lösungen. Sie kämpfen eher mit zu vielen ähnlichen, teilweise nützlichen und schwer bewertbaren Alternativen.

Drittens wird Aufmerksamkeit zu einer noch knapperen Ressource. Wenn sich deutlich mehr Lösungen einfach generieren lassen, gewinnen Kuratierung und Signalisierung an Bedeutung. Davon können besonders große Technologiemarken profitieren. Sie kontrollieren bereits Distributionskanäle, Nutzerzugang und vertrauenswürdige Ökosysteme. Ihr Vorteil liegt darin, dass sie Software sichtbar, vertrauenswürdig und leicht nutzbar machen können. Kleinere Anbieter stehen vor dem gegenteiligen Problem. Sie können nützliche Anwendungen bauen. Trotzdem müssen sie darum konkurrieren, als vertrauenswürdig wahrgenommen zu werden. Außerdem müssen sie in einem zunehmend überfüllten Feld zum Anbieter der Wahl werden.

Wenn Unternehmen Nutzern mehr Kontrolle über Softwareerstellung geben, wird Governance essenziell. Unternehmen dürfen UGS nicht unkontrollierten Experimenten überlassen. Das gilt besonders dann, wenn Daten, Sicherheit, Compliance oder Kundeninteraktion betroffen sind. Unternehmen müssen sichtbar machen, was Nutzer bauen. Sie brauchen klare Risikokategorien, genehmigte Datengrenzen, Tests, wiederverwendbare Designmuster, Zertifizierungsprozesse und Lifecycle-Regeln. Governance sollte Nutzer nicht nur einschränken. Sie sollte die Infrastruktur schaffen, durch die nützliche Software sicher von individueller Erstellung zu breiterer organisationaler oder marktbezogener Nutzung übergehen kann.

Die wahrscheinliche Zukunft ist hybrid, zumindest in den frühen Jahren der UGS-Adoption. Professionelles Engineering bleibt für Kernsysteme, regulierte Prozesse, sicherheitskritische Infrastrukturen und skalierbare Plattformen essenziell. Um diese Systeme herum entsteht jedoch eine wachsende UGS-Schicht. Dazu zählen lokale Tools, temporäre Schnittstellen, Micro-Apps, Dashboards, Automatisierungen und Agenten. Diese Schicht ersetzt professionelle Entwicklung nicht. Sie ermöglicht hochgradig individualisierte Software für spezifische Kontexte. Dadurch erhöht sie den Need-Solution-Fit in einer Markets-of-One-Ära.

Literatur

Gensler, S., Völckner, F., Liu-Thompkins, Y., & Wiertz, C. (2013). Managing brands in the social media environment. Journal of Interactive Marketing, 27(4), 242–256. https://doi.org/10.1016/j.intmar.2013.09.004

Heim, A. (2025). Eight months in, Swedish unicorn Lovable crosses the $100M ARR milestone. TechCrunch. https://techcrunch.com/2025/07/23/eight-months-in-swedish-unicorn-lovable-crosses-the-100m-arr-milestone/

Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating: Can one desire too much of a good thing? Journal of Personality and Social Psychology, 79(6), 995–1006. https://doi.org/10.1037/0022-3514.79.6.995

Langley, H. (2026, April 22). Google says 75% of the company’s new code is AI-generated. Business Insider. https://www.businessinsider.com/google-ai-generated-code-75-gemini-agents-software-2026-4

Libai, B., Babić Rosario, A., Beichert, M., Donkers, B., Haenlein, M., Hofstetter, R., Kannan, P. K., van der Lans, R., Lanz, A., Li, H. A., Mayzlin, D., Muller, E., Shapira, D., Yang, J., & Zhang, L. (2025). Influencer marketing unlocked: Understanding the value chains driving the creator economy. Journal of the Academy of Marketing Science, 53, 4–28. https://doi.org/10.1007/s11747-024-01073-2

Peters, J. (2026, May 19). Google can now vibe-code you an Android app. The Verge. https://www.theverge.com/tech/932364/google-ai-studio-native-android-apps-vibe-code-google-io-2026

Peppers, D., & Rogers, M. (1993). The one to one future: Building relationships one customer at a time. Currency Doubleday.

Rao, N., Tsay, J., Kate, K., Hellendoorn, V. J., & Hirzel, M. (2023). AI for low-code for AI. arXiv. https://arxiv.org/abs/2305.20015

Rollet, C. (2025, October 20). Vibe coding startup Replit is projecting $1 billion in revenue by the end of 2026. Business Insider. https://www.businessinsider.com/replit-projects-1-billion-revenue-by-2027-ai-coding-boom-2025-10

Tilley, A. (2026). The Vibe Coding Effect? Apple’s App Store Saw 84% Jump in New Apps in Quarter. https://www.theinformation.com/articles/vibe-coding-effect-apples-app-store-saw-84-jump-new-apps-quarter

von Hippel, E. (2005). Democratizing innovation. MIT Press.

von Hippel, E. (2017). Free innovation. MIT Press.