Stell dir vor, du betreibst einen kleinen Friseursalon. Du möchtest deine Termine besser organisieren, hast aber weder das Budget für eine eigene Softwareentwicklung noch die Zeit, dich monatelang mit Programmierung zu beschäftigen. Also öffnest du einen KI-Coding-Assistenten und beschreibst, was du brauchst: einen Kalender, eine Kundenverwaltung, eine Übersicht deiner Buchungen und vielleicht noch ein Dashboard, das dir zeigt, wie gut dein Geschäft läuft.
Wenig später siehst du eine erste Version deiner Anwendung. Eine Sidebar auf der linken Seite, farblich hervorgehobene Termine, ein paar Statistikkarten und sogar ein Dark Mode. Die Oberfläche wirkt modern, der Kalender funktioniert und neue Kundentermine lassen sich anlegen. Vielleicht ist das Ergebnis noch nicht bereit für den produktiven Einsatz, aber als Prototyp wäre es vor einigen Jahren mit deutlich mehr Aufwand verbunden gewesen.
Nur eine entscheidende Frage wurde bisher nicht gestellt: Was brauchst du an einem gewöhnlichen Dienstagmorgen eigentlich von dieser Anwendung?
Vielleicht interessiert dich überhaupt nicht, wie viele Termine du im vergangenen Monat hattest. Du möchtest wissen, wer heute kommt, ob jemand abgesagt hat und wo du kurzfristig einen Termin einschieben kannst. Das Dashboard, das auf den ersten Blick so professionell wirkt, könnte für deine tägliche Arbeit sogar überflüssig sein.
Das Beispiel ist fiktiv. Der dahinterliegende Konflikt ist es nicht.
Künstliche Intelligenz verändert gerade, wie digitale Produkte entstehen. Was früher tiefere Programmierkenntnisse voraussetzte, lässt sich heute teilweise durch natürliche Sprache beschreiben und als funktionierender Prototyp umsetzen. Damit bekommen Menschen Zugang zur Softwareentwicklung, die bisher vor allem fertige Anwendungen benutzen konnten.
Das ist eine bemerkenswerte Entwicklung. Gleichzeitig stellt sie eine Frage neu, die in der Technologiebranche seit Jahrzehnten diskutiert wird: Wer kümmert sich darum, dass Software nicht nur funktioniert, sondern für die Menschen dahinter auch sinnvoll ist?
Software entwickeln und Probleme lösen sind zwei verschiedene Dinge
Wer eine Anwendung programmiert, beschäftigt sich zwangsläufig mit technischen Fragen. Welche Daten müssen gespeichert werden? Wie funktioniert die Anmeldung? Welche Komponenten brauchen wir? Was passiert, wenn eine Anfrage fehlschlägt?
Ein großer Teil dieser Arbeit lässt sich inzwischen durch KI unterstützen. Code kann generiert, erklärt, überarbeitet und getestet werden. Die technische Umsetzung einer Idee wird dadurch zugänglicher, selbst wenn komplexe Produktionssysteme weiterhin Fachwissen und sorgfältige Kontrolle erfordern.
Gutes UX-Design beginnt allerdings früher.
Bevor ein Kalender programmiert wird, muss geklärt sein, warum überhaupt ein Kalender gebraucht wird. Bevor ein Dashboard entsteht, sollte jemand fragen, welche Entscheidungen damit getroffen werden sollen. Und bevor wir eine Funktion optimieren, lohnt es sich herauszufinden, ob sie im Arbeitsalltag tatsächlich eine Rolle spielt.
Das klingt offensichtlich. In der Praxis lässt es sich erstaunlich leicht überspringen.
Wenn du eine Anwendung heute in kurzer Zeit generieren lassen kannst, liegt die Versuchung nahe, möglichst schnell etwas Sichtbares zu produzieren. Der erste Prototyp vermittelt Fortschritt. Man kann durch die Seiten klicken, Farben verändern und neue Funktionen ergänzen. Es fühlt sich bereits an, als hätte man ein Produkt entwickelt.
Dabei kann eine überzeugende Oberfläche verdecken, dass noch grundlegende Fragen offen sind.
Eine schöne Navigation hilft wenig, wenn sie an den tatsächlichen Aufgaben vorbeiführt. Eine übersichtliche Tabelle ist keine gute Lösung, wenn die Nutzer eigentlich eine Benachrichtigung benötigen. Und auch eine technisch einwandfreie App kann frustrierend sein, wenn Menschen ihre Arbeit ständig an die Struktur der Software anpassen müssen.
Die eigentliche Herausforderung lautet nicht, möglichst schnell eine Oberfläche zu erzeugen. Sie lautet, die richtige Oberfläche für das richtige Problem zu finden.
Wenn der erste Entwurf plötzlich wie eine fertige Lösung aussieht
KI-generierte Interfaces haben eine interessante Eigenschaft: Sie können sehr früh einen hohen Grad an visueller Ausarbeitung erreichen.
Während klassische Designprozesse häufig mit Skizzen, groben Wireframes und verschiedenen Varianten beginnen, liefern KI-Werkzeuge auf eine kurze Beschreibung hin bereits ausgearbeitete Layouts. Typografie, Farben, Abstände und Komponenten wirken aufeinander abgestimmt. Das kann enorm hilfreich sein, weil sich Ideen sofort ausprobieren lassen.
Es verändert aber auch unseren Blick auf die eigene Arbeit.
Ein fertiger wirkender Entwurf wird leicht zum Ausgangspunkt aller weiteren Entscheidungen. Statt grundsätzlich zu überlegen, ob eine bestimmte Seitenstruktur sinnvoll ist, beginnt man damit, einzelne Details zu verbessern. Die Sidebar bekommt eine andere Breite, die Karten werden kompakter, das Farbschema etwas zurückhaltender.
Die größere Frage, ob diese Sidebar überhaupt benötigt wird, gerät dabei aus dem Blick.
Hinzu kommt, dass generative Systeme auf vertraute Gestaltungsmuster zurückgreifen können. Wer wiederholt allgemeine Prompts für SaaS-Dashboards verwendet, wird wahrscheinlich häufiger bekannte Kombinationen aus Navigation, Statistikkarten, Tabellen und Diagrammen sehen.
Dass darin ein gestalterisches Risiko liegt, diskutieren auch Forschende. In der im März 2026 veröffentlichten Arbeit Interrogating Design Homogenization in Web Vibe Coding untersuchen Donghoon Shin und seine Mitautoren, wie KI-gestützte Webentwicklung die Vielfalt digitaler Designs einschränken könnte. Die Arbeit beschreibt mögliche Risiken und schlägt unter anderem bewusste Reibung im Gestaltungsprozess als Gegenmittel vor. Sie liefert damit keine pauschale Messung, dass sämtliche KI-Websites gleich aussehen, sondern einen Rahmen, um dieses Problem genauer zu betrachten.
Diesen Gedanken finde ich besonders interessant.
Wir versuchen seit Jahren, digitale Arbeitsabläufe reibungsloser zu gestalten. Weniger Klicks, schnellere Prozesse, kürzere Wartezeiten. Bei der Entwicklung mit KI wünschen wir uns dasselbe: eine Idee eingeben, ein Ergebnis erhalten, sofort weitermachen.
Doch nicht jede Reibung ist schlecht. Manchmal ist genau der Moment, in dem wir einen Entwurf hinterfragen, der wertvollste Teil des Designprozesses.
Was die KI weiß und was ihr möglicherweise fehlt
Natürlich lässt sich einwenden, dass KI auch UX-Prinzipien kennt.
Sie kann erklären, warum Fehlermeldungen verständlich sein müssen, welche Vorteile konsistente Komponenten bieten oder weshalb ausreichend große Touchflächen wichtig sind. Sie kann verschiedene Navigationskonzepte vergleichen, Nutzerinterviews vorbereiten und bei der Auswertung vorhandener Forschung helfen.
Die Frage ist deshalb nicht, ob KI überhaupt etwas von UX versteht. Interessanter ist, welche Informationen sie für eine konkrete Designentscheidung tatsächlich besitzt.
Kehren wir zum Friseursalon zurück. Ein KI-System könnte wissen, wie eine typische Terminverwaltungssoftware aussieht. Es könnte bewährte Interaktionsmuster vorschlagen und verschiedene Kalenderansichten implementieren.
Aber weiß es, dass die Mitarbeiterin an der Rezeption während eines Telefonats häufig nur eine Hand frei hat? Dass kurzfristige Absagen besonders wichtig sind? Dass die Chefin viele Aufgaben auf einem älteren Tablet erledigt? Oder dass das Team seit Jahren mit einer Papierliste arbeitet und manche Begriffe anders verwendet als die Software?
Solche Informationen können im Briefing stehen. Sie können aus Interviews, Beobachtungen oder vorhandenen Nutzungsdaten stammen. Fehlen sie, muss ein System zwangsläufig mit Annahmen arbeiten.
Das gilt übrigens auch für menschliche Designer. Ein erfahrener UX-Designer kennt die Bedürfnisse fremder Nutzer nicht automatisch. Erfahrung hilft dabei, bessere Fragen zu stellen, typische Probleme zu erkennen und Annahmen gezielt zu überprüfen. Sie ersetzt aber keine Beschäftigung mit den tatsächlichen Menschen und ihrem Arbeitskontext.
Genau hier liegt für mich die entscheidende Grenze zwischen einem plausiblen Entwurf und einer begründeten Produktentscheidung. Eine KI kann eine mögliche Lösung erzeugen. Ob es die richtige Lösung ist, lässt sich nicht allein daran erkennen, wie überzeugend sie aussieht.
Was die Forschung über KI im UX-Alltag zeigt
Wie widersprüchlich die gegenwärtige Entwicklung ist, zeigt eine Untersuchung der Nielsen Norman Group vom 23. Oktober 2026.
Für die Studie wurden 521 berufstätige UX-Fachleute zu ihrem Einsatz von KI befragt. Viele berichteten von Zeitersparnissen, insbesondere bei Aufgaben wie Programmierung, Recherche und der Verarbeitung vorhandener Informationen.
Gleichzeitig nannten 54 Prozent der Befragten die Qualität der KI-Ergebnisse als Hürde, 50 Prozent Datenschutz oder Datensicherheit. Auffällig war außerdem, dass KI deutlich seltener bei Aufgaben zum Einsatz kam, die direkte Interaktion mit Nutzern erfordern, etwa bei Interviews oder Usability-Tests.
Die Untersuchung ist eine Befragung einer gezielt gewonnenen Teilnehmergruppe, keine repräsentative Erhebung sämtlicher UX-Berufe. Trotzdem liefert sie einen interessanten Einblick in den Arbeitsalltag einer Branche, die sich intensiv mit diesen Werkzeugen beschäftigt.
Besonders bemerkenswert finde ich den Unterschied zwischen schnellerer Arbeit und besserer Arbeit. Ein Prototyp lässt sich möglicherweise in wenigen Minuten erzeugen. Wenn anschließend ein Designer mehrere Tage benötigt, um unklare Abläufe, problematische Zustände und widersprüchliche Komponenten zu korrigieren, fällt die Gesamtbilanz weniger beeindruckend aus.
Die Autorinnen Maria Rosala und Rachel Banawa argumentieren deshalb, dass Produktivität nicht nur an der Geschwindigkeit einzelner Aufgaben gemessen werden sollte. Entscheidend sei der gesamte Aufwand, bis eine ausreichend gute Lösung bei den Nutzern ankommt.
Das ist eine wichtige Unterscheidung. Denn die Frage, wie schnell wir etwas bauen können, sagt zunächst wenig darüber aus, ob es sich lohnt, genau dieses Etwas zu bauen.
Zur Untersuchung der Nielsen Norman Group
Eine neue Verantwortung für Menschen ohne Designausbildung
Bis hierhin könnte der Eindruck entstehen, KI-generierte Anwendungen seien vor allem ein Problem. Das wäre eine ziemlich einseitige Betrachtung.
Dass mehr Menschen eigene Software entwickeln können, ist zunächst eine große Chance.
Ein kleiner Verein kann einen Prototypen für seine Mitgliederverwaltung erstellen. Eine Lehrkraft kann ein digitales Lernwerkzeug ausprobieren. Ein Selbstständiger kann eine interne Anwendung bauen, für die sich eine klassische Auftragsentwicklung wirtschaftlich kaum lohnen würde.
Viele dieser Ideen wären früher vielleicht nie über eine Excel-Tabelle oder eine handschriftliche Skizze hinausgekommen. Gerade deshalb halte ich es für falsch, die Entwicklung aus einer Art professionellem Besitzstandsdenken zu betrachten. Gutes Design sollte kein exklusives Wissen sein, das nur Menschen mit entsprechender Ausbildung anwenden dürfen.
Aber der niedrigere technische Einstieg verändert die Verantwortung derjenigen, die Software entwickeln.
Wer früher keine Anwendung programmieren konnte, musste sich zunächst intensiv mit der technischen Umsetzung beschäftigen oder jemanden dafür beauftragen. Heute kann diese Hürde bei manchen Projekten erheblich kleiner sein. Die Verantwortung für Entscheidungen über Navigation, Verständlichkeit und Nutzbarkeit verschwindet dadurch allerdings nicht. Sie verteilt sich auf mehr Menschen.
Ein Vibe Coder muss nicht sofort ein vollständiges Designstudium nachholen. Es würde schon viel helfen, einige grundlegende Fragen konsequent in den eigenen Entwicklungsprozess einzubauen.
Welche Aufgabe soll die Anwendung erleichtern? Welche Informationen benötigt jemand in diesem Moment wirklich? Was passiert, wenn etwas schiefgeht? Und kann die vorgesehene Zielgruppe das Interface tatsächlich bedienen?
Das sind keine geheimen Regeln einer Designelite. Es sind Fragen, die helfen, bessere Software zu entwickeln.
Gute UX besteht aus mehr als schönen Bildschirmen
Ein häufiges Missverständnis entsteht durch die enge Verbindung zwischen UI und UX.
Das User Interface ist der Teil eines Produkts, mit dem Menschen unmittelbar interagieren: Buttons, Menüs, Formulare, Texte, Eingabefelder und visuelle Rückmeldungen.
User Experience geht darüber hinaus. Sie umfasst, wie Menschen ein Produkt erleben, ob sie ihre Ziele erreichen, wie viel Aufwand dafür nötig ist und ob sie dem System vertrauen können.
Beides hängt eng zusammen, ist aber nicht identisch. Eine KI kann beispielsweise einen optisch stimmigen Registrierungsprozess erzeugen. Damit ist noch nicht geklärt, ob eine Registrierung an dieser Stelle überhaupt notwendig ist. Vielleicht würde ein Gastzugang genügen. Vielleicht benötigen die Nutzer zunächst eine Erklärung, warum bestimmte Daten abgefragt werden. Oder sie brechen den Prozess ab, weil eine Fehlermeldung nicht verständlich ist.
Manche dieser Probleme lassen sich anhand bekannter Designprinzipien erkennen. Andere werden erst sichtbar, wenn echte Menschen mit der Anwendung arbeiten. Auch Barrierefreiheit gehört zu dieser Verantwortung.
Die Web Content Accessibility Guidelines (WCAG) 2.2 formulieren überprüfbare Anforderungen, etwa zur Tastaturbedienung, zu Beschriftungen von Eingabefeldern und zur Identifikation von Fehlern. KI kann bei der Umsetzung und Prüfung unterstützen. Ob eine Anwendung für Menschen mit unterschiedlichen Fähigkeiten in der Praxis gut nutzbar ist, verlangt darüber hinaus sorgfältige Tests.
Eine Oberfläche kann auf einem Screenshot perfekt aussehen und trotzdem für jemanden unbenutzbar sein, der keine Maus verwenden kann. Spätestens hier wird deutlich, warum Designqualität nicht mit visueller Qualität verwechselt werden sollte.
KI verändert nicht nur die Entwicklung, sondern auch das Produkt selbst
Bisher haben wir vor allem darüber gesprochen, wie KI beim Bau klassischer Anwendungen hilft.
Die interessantere Veränderung könnte aber noch vor uns liegen. Was passiert, wenn Menschen Software künftig nicht mehr ausschließlich über Menüs, Formulare und Buttons bedienen, sondern Aufgaben direkt an KI-Agenten delegieren?
Statt in einer Reise-App verschiedene Filter zu setzen, könnte jemand sagen: „Finde mir eine passende Verbindung für Freitag und berücksichtige, dass ich möglichst wenig umsteigen möchte.“
Das System könnte Vorschläge suchen, vergleichen und eine Auswahl vorbereiten. Bestimmte Schritte, für die bisher mehrere Bildschirme notwendig waren, würden vielleicht im Hintergrund stattfinden.
Auf den ersten Blick klingt das nach weniger Interface. Möglicherweise braucht es tatsächlich weniger sichtbare Bedienelemente. Doch eine neue Frage entsteht: Wie behält der Nutzer die Kontrolle?
Soll die KI eine Verbindung nur vorschlagen oder direkt buchen? Darf sie gespeicherte Zahlungsdaten verwenden? Wie zeigt sie, welche Annahmen sie getroffen hat? Und was passiert, wenn sie einen wichtigen Wunsch falsch interpretiert?
Hier wird UX-Design nicht überflüssig. Die Aufgabe verändert sich. Statt ausschließlich die Anordnung von Bedienelementen zu bestimmen, müssen wir zunehmend gestalten, wie Menschen Absichten ausdrücken, Entscheidungen nachvollziehen, eingreifen und Fehler korrigieren können.
Googles People + AI Guidebook beschäftigt sich unter anderem mit solchen Fragen. Es empfiehlt, bei KI-Produkten Nutzerbedürfnisse, Vertrauen, Feedback, Kontrolle und den Umgang mit Fehlern systematisch zu berücksichtigen.
Die klassische Oberfläche verschwindet also nicht zwangsläufig. Sie kann sich von einem Werkzeug zur direkten Bedienung zu einem Ort der Orientierung und Kontrolle verändern.
Vielleicht wird der wichtigste Button einer zukünftigen Anwendung nicht „Weiter“ heißen, sondern „Vorher überprüfen“.
Der beste Prompt beginnt möglicherweise gar nicht mit Design
Was bedeutet all das für jemanden, der heute mit KI eine Anwendung entwickeln möchte?
Ich würde den Prozess an einer Stelle verändern, die zunächst etwas unspektakulär wirkt: vor der ersten Generierung.
Anstatt direkt „Baue mir ein modernes Dashboard“ einzugeben, könnte man zuerst beschreiben, wer die Anwendung nutzen soll und welche Aufgabe im Mittelpunkt steht.
Für unseren Friseursalon könnte das etwa so aussehen:
Die Anwendung wird hauptsächlich von zwei Mitarbeitern an der Rezeption verwendet. Sie müssen während des laufenden Betriebs Termine schnell finden, verschieben und absagen können. Die Tagesansicht soll ohne zusätzliche Navigation erreichbar sein. Statistische Auswertungen sind zweitrangig. Entwickle zunächst zwei unterschiedliche Konzepte für die wichtigsten Arbeitsabläufe und erläutere, welche Annahmen du dabei triffst.
Das ist kein magischer Prompt, der automatisch gute UX erzeugt. Aber er verändert die Richtung der Zusammenarbeit. Statt sofort ein bekanntes Interface-Muster umzusetzen, wird das Problem etwas genauer beschrieben. Der Entwurf kann anhand nachvollziehbarer Kriterien beurteilt werden.
Anschließend würde ich die Vorschläge nicht nur optisch vergleichen, sondern konkrete Aufgaben durchspielen.
Wie viele Schritte benötigt es, um einen Termin zu verschieben? Ist erkennbar, ob eine Änderung gespeichert wurde? Was passiert, wenn die Internetverbindung ausfällt? Kann jemand die wichtigsten Funktionen auf dem vorgesehenen Gerät erreichen?
Noch besser ist es, diese Fragen mit Menschen aus der tatsächlichen Zielgruppe zu prüfen. Und wenn sich herausstellt, dass der komplette Aufbau nicht funktioniert, sollte man ihn verändern können, ohne an der ersten KI-generierten Version festzuhalten.
Das ist eine Fähigkeit, die mit zunehmender Automatisierung eher wichtiger werden dürfte: nicht nur Lösungen produzieren, sondern eigene Annahmen hinterfragen.
Brauchen wir in Zukunft überhaupt noch UI/UX-Designer?
Es wäre bequem, diese Frage mit einem entschiedenen Ja zu beantworten und anschließend zu behaupten, menschliche Kreativität könne ohnehin niemals ersetzt werden. Eine solche Gewissheit halte ich für unbegründet.
KI-Systeme werden leistungsfähiger. Sie übernehmen bereits Aufgaben, die vor wenigen Jahren ausschließlich von Menschen erledigt wurden. Auch im Design werden sich Tätigkeiten automatisieren, verändern oder wirtschaftlich neu bewerten lassen. Wie sich das auf einzelne Berufe auswirkt, ist offen.
Genauso wenig überzeugt mich allerdings die Vorstellung, gutes Produktdesign werde automatisch entstehen, sobald die Codegenerierung gut genug funktioniert.
Die Anforderungen an ein digitales Produkt sind schließlich nicht nur technischer Natur. Sie ergeben sich aus menschlichen Zielen, wirtschaftlichen Rahmenbedingungen, gesellschaftlichen Erwartungen und manchmal widersprüchlichen Bedürfnissen.
Ein Unternehmen möchte vielleicht möglichst viele Daten erfassen. Seine Kunden wünschen sich dagegen einen kurzen Registrierungsprozess. Ein automatisierter Assistent soll möglichst selbstständig handeln, darf dabei aber keine unerwarteten Kosten verursachen. Eine Oberfläche soll möglichst einfach wirken, muss aber auch komplexe Aufgaben ermöglichen.
Solche Spannungen lassen sich nicht allein durch schönere Komponenten lösen. Menschen müssen entscheiden, welche Interessen berücksichtigt werden, welche Kompromisse vertretbar sind und woran der Erfolg eines Produkts gemessen wird. KI kann diese Entscheidungen vorbereiten und hinterfragen helfen. Die Verantwortung dafür bleibt bei denjenigen, die das Produkt entwickeln, anbieten und einsetzen.
Die Rolle von Designern könnte sich dadurch stärker in Richtung Problemanalyse, Produktstrategie, Forschung, Qualitätsbewertung und Gestaltung von Mensch-KI-Interaktion verschieben. Einige klassische Produktionsaufgaben werden vermutlich weniger Zeit beanspruchen; andere Anforderungen kommen hinzu.
Das ist eine mögliche Entwicklung, keine Garantie für bestimmte Berufsbilder. Und sie betrifft längst nicht nur Menschen, die offiziell als Designer arbeiten.
Auch Entwickler, Produktmanager, Gründer und Vibe Coder treffen Designentscheidungen. Je einfacher es wird, Software zu erzeugen, desto wichtiger wird es, diese Entscheidungen bewusst zu treffen.
Die eigentliche Chance liegt nicht im schnelleren Bauen
Ich glaube, dass wir die interessanteste Möglichkeit von KI in der Softwareentwicklung häufig unterschätzen. Wir sprechen viel darüber, wie schnell ein neues Interface entsteht. Wie viele Komponenten sich mit einem Prompt erzeugen lassen. Wie viel Programmierarbeit ein Assistent abnehmen kann.
Dabei könnte der größte Gewinn an einer anderen Stelle liegen.
Wenn technische Umsetzung weniger Zeit kostet, bleibt möglicherweise mehr Raum, um Varianten auszuprobieren, Annahmen zu überprüfen und Nutzern zuzuhören. Ein Team könnte mehrere unterschiedliche Lösungsansätze testen, bevor es sich auf einen festlegt. Eine Einzelperson könnte einen Prototypen bauen, um überhaupt erst herauszufinden, ob ihre Idee sinnvoll ist.
Die eingesparte Zeit kann in bessere Entscheidungen fließen. Sie kann allerdings genauso gut dazu verwendet werden, einfach noch mehr Funktionen zu produzieren. Dann wächst der Umfang unserer Anwendungen, ohne dass ihr Nutzen im gleichen Maß steigt.
Welcher dieser Wege eingeschlagen wird, entscheidet sich nicht allein an der Leistungsfähigkeit der KI. Er entscheidet sich daran, was wir von ihr erwarten.
Wenn das Ziel ausschließlich lautet, möglichst schnell möglichst viel Software zu erzeugen, werden wir genau das optimieren. Wenn wir dagegen bessere digitale Erfahrungen schaffen wollen, müssen wir andere Fragen stellen und andere Ergebnisse messen.
Vielleicht sollten wir weniger darüber staunen, dass eine KI innerhalb weniger Minuten ein Dashboard erzeugen kann. Viel interessanter wäre, ob jemand damit am Ende seinen Arbeitstag leichter bewältigt.
Die Fähigkeit, Software zu entwickeln, wird zugänglicher. Die Verantwortung, sie gut zu gestalten, bleibt.
Und sie liegt künftig möglicherweise bei mehr Menschen als je zuvor.
Quellen und weiterführende Literatur
- Shin, D. et al. (März 2026): Interrogating Design Homogenization in Web Vibe Coding. Microsoft Research. Untersuchung und Einordnung möglicher Vereinheitlichungseffekte beim KI-gestützten Webdesign.
- Rosala, M. & Banawa, R. (23. Oktober 2026): AI in UX: Work Is Faster, But Practitioners Have Mixed Feelings. Nielsen Norman Group. Befragung von 521 UX-Fachleuten.
- Mock, M. & Russo, B. (9. Oktober 2026): Vibe Coding: An Experiment with Test-Driven Development. Empirical Software Engineering. Explorative Untersuchung unterschiedlicher Mensch-KI-Entwicklungsabläufe.
- Google PAIR: People + AI Guidebook. Gestaltungsleitlinien zu Nutzerbedürfnissen, Vertrauen, Kontrolle und Fehlerbehandlung in KI-Produkten.
- W3C: Web Content Accessibility Guidelines (WCAG) 2.2. Technische und gestalterische Anforderungen an barrierefreie Webinhalte.
Redaktioneller Hinweis: Das Beispiel des Friseursalons dient der Veranschaulichung und ist kein dokumentierter Produkttest. Die beschriebenen Zukunftsentwicklungen sind fachliche Einordnungen und keine gesicherten Prognosen.
Zum praktischen Einstieg: UI/UX für Vibe Coder.