Konvergenz von Geschäftsprozessen und IT durch Generative KI

Die rasant fortschreitende Entwicklung und flächendeckende Integration generativer künstlicher Intelligenz (GenAI) in Unternehmensabläufe hat eine fundamentale Debatte über die zukünftige Architektur von Organisationen und die Rollenverteilung zwischen den funktionalen Fachbereichen (Business) und der Informationstechnologie (IT) ausgelöst. Die zentrale Hypothese, dass Geschäftsprozesse und Technologie aufgrund von KI zunehmend und unausweichlich verschmelzen werden, beruht auf einer historisch beispiellosen Verschiebung der Interaktionsparadigmen: Die primäre Schnittstelle zur Erstellung komplexer informationstechnischer Systeme wandelt sich von der strengen, syntaxbasierten und deterministischen Programmierung hin zu probabilistischen, natürlichsprachlichen Instruktionen. Diese technologische Entwicklung senkt die einst massiven kognitiven und ausbildungsbedingten Einstiegsbarrieren für die Softwareentwicklung drastisch und wirft für strategische Führungskräfte die entscheidende Frage auf, welches Betriebsmodell in Zukunft dominieren wird und welche evolutionäre Ausprägung der Fachkräfte die höchste Wertschöpfung verspricht.

Auf der einen Seite des Spektrums steht das Paradigma der fachbereichsgetriebenen Entwicklung. In diesem Modell werden nicht-technische Mitarbeiter durch den Einsatz KI-gestützter Systeme selbst zu Entwicklern und Architekten ihrer eigenen digitalen Werkzeuge. Dieses Phänomen wird in der Industrie zunehmend unter den Begriffen “Citizen Development” oder dem populärkulturell geprägten Neologismus “Vibe Coding” subsumiert. Auf der anderen Seite formiert sich das Paradigma des sogenannten “Product Engineers”. Hierbei handelt es sich um hochqualifizierte Technologieexperten, die durch die KI-bedingte Automatisierung von routinemäßiger Codeerstellung kognitive Kapazitäten freisetzen, um tiefer in geschäftliche Entscheidungen, Produktdesign, Nutzerpsychologie und strategische Metriken einzudringen, wodurch sie die traditionelle Rolle des Produktmanagers zunehmend in sich aufnehmen.

Die vorliegende Untersuchung analysiert diese beiden diametralen Strömungen anhand aktueller empirischer Daten aus randomisierten kontrollierten Studien (RCTs), ökonomischen Kennzahlen führender Unternehmensberatungen und etablierten organisationstheoretischen Modellen wie Conway’s Law. Ziel dieses Artikels ist es, die strategische Kernfrage fundiert zu beantworten, ob in Zukunft primär der Fachbereich durch “Vibe Coding” die technologische Umsetzung dominieren wird, ob Technologieexperten durch ein weitreichendes Geschäftsverständnis die Produktentwicklung anführen werden, und welches dieser Modelle – oder welche konkrete Synthese aus beiden – nachhaltig bessere und risikoärmere Resultate für moderne, hochskalierende Enterprise-Architekturen liefert.

1. Die theoretische Fundierung der Konvergenz

Um die tiefgreifenden Auswirkungen der generativen KI auf die Softwareentwicklung zu begreifen, muss die Evolution der Programmierung als ein fortlaufender Prozess der Abstraktion verstanden werden. Historisch betrachtet erforderte die Softwareentwicklung spezialisiertes, esoterisches Wissen über Maschinenbefehle, komplexe Syntax, Frameworks und zugrundeliegende Infrastrukturen. Diese technische Komplexität schuf eine natürliche, beinahe unüberwindbare institutionelle Barriere zwischen denjenigen, die das eigentliche Geschäftsproblem verstanden – den Domänenexperten im Business –, und denjenigen, die es technologisch lösen konnten – den Softwareingenieuren in der IT.

1.1 Abstraktionsebenen und das Enterprise Architecture Management

Generative KI hat diese Barriere in einer bisher nicht gekannten Geschwindigkeit erodieren lassen. In der wissenschaftlichen Literatur zur Enterprise Architecture (EA) wird der Einsatz von GenAI durch die sogenannte Affordanztheorie (Affordance Theory) beschrieben. Diese Theorie untersucht die Handlungsmöglichkeiten, die eine Technologie ihren Nutzern anbietet. Jüngste Forschungen identifizieren vier zentrale Affordanzen, die GenAI für Enterprise-Architekten und Geschäftsanwender bereithält: die Informationsrecherche und -synthese, die Textgenerierung und -verfeinerung, die Erkenntnisgewinnung und Entscheidungsunterstützung sowie die direkte architektonische Inhaltserstellung.

Im Gegensatz zu traditionellen diskriminativen Modellen, die lediglich Zuordnungen von Eingaben zu Etiketten erlernen, erfassen tiefe generative Modelle hochdimensionale Wahrscheinlichkeitsverteilungen. Dies befähigt sie, kohärente, kontextsensitive Outputs über verschiedene Modalitäten hinweg zu generieren, einschließlich Computercode, Systemdiagrammen und strukturierten Datenarchitekturen. Für die Unternehmensarchitektur bedeutet dies einen Paradigmenwechsel: Die Interaktion mit Architekturmodellen und Informationssystemen erfolgt zunehmend über natürlichsprachliche Schnittstellen und in einem kokreativen Prozess zwischen Mensch und Maschine. Dies verspricht theoretisch eine signifikante Verbesserung der sogenannten “Business-IT-Alignment” – der strategischen Ausrichtung der Informationstechnologie an den Geschäftszielen –, da der Übersetzungsverlust zwischen Fachabteilung und Programmierer minimiert wird.

2. Das Paradigma des Fachbereichs: “Vibe Coding” und der Aufstieg des Citizen Developers

Die Demokratisierung der Technologie durch natürliche Sprache hat zur Entstehung einer neuen Klasse von Entwicklern geführt, die nicht in den traditionellen Ingenieursabteilungen angesiedelt sind. Diese Fachkräfte sitzen in operativen Abteilungen, die dem Umsatz und dem Kunden am nächsten sind, wie dem Vertrieb, dem Marketing, den Finanzen und dem operativen Geschäft.

2.1 Definition und Ursprünge des Vibe Codings

Der Begriff “Vibe Coding” wurde im Februar 2025 von dem renommierten Informatiker und KI-Forscher Andrej Karpathy, einem Mitbegründer von OpenAI und ehemaligen Leiter der KI-Abteilung bei Tesla, geprägt. Karpathy definierte Vibe Coding als einen Softwareentwicklungsprozess, bei dem der Programmierer manuelles Schreiben von Code aufgibt und stattdessen ein Projekt oder eine komplexe Aufgabe in Form eines detaillierten Prompts an ein Large Language Model übergibt. Der Entwickler leitet die KI an, testet die generierten Ausgaben und gibt iteratives Feedback, anstatt sich mit den syntaktischen Details der Programmiersprache auseinanderzusetzen.

Karpathy fasste diesen Zustand metaphorisch zusammen, indem er beschrieb, dass der Anwender sich “vollständig den Vibes hingibt, exponentielles Wachstum umarmt und vergisst, dass der Code überhaupt existiert”. Diese Methodik baut konsequent auf Karpathys bereits im Jahr 2023 formulierter These auf, dass “die heißeste neue Programmiersprache Englisch ist”. Die Popularität und gesellschaftliche Durchdringung dieses Konzepts wurde im Jahr 2025 dadurch unterstrichen, dass das renommierte Collins English Dictionary “Vibe Coding” zum Wort des Jahres kürte, während Merriam-Webster es als einen der wichtigsten neuen Slang-Ausdrücke aufnahm. Karpathy selbst setzte diese Philosophie in die Tat um, als er im Mai 2026 zu dem KI-Unternehmen Anthropic wechselte, um dort ein neues Team aufzubauen, das die eigenen KI-Modelle (Claude) nutzt, um die prä-trainierte Forschung zu beschleunigen – getreu der Maxime, dass Claude bereits einen Großteil der Codebasis des Unternehmens selbst schreibt.

2.2 Der Citizen Developer in der Unternehmensrealität

In der professionellen Unternehmensumgebung manifestiert sich das Vibe Coding im Konzept des “Citizen Developers”. Dies sind Mitarbeiter ohne formale informationstechnische Ausbildung, die reale, wertschöpfende Systeme aufbauen. Der strategische Hauptvorteil dieses Paradigmas ist die absolute Nähe zum geschäftlichen Problem. Ein Sales Operations Manager, der die spezifischen Engpässe und Nuancen seiner eigenen Vertriebspipeline im Detail kennt, kann durch Vibe Coding eine maßgeschneiderte Lead-Enrichment-Pipeline konfigurieren, die auf mangelhafte Datenqualität in Echtzeit reagiert, ohne auf die wochenlangen Priorisierungsprozesse und Backlogs der zentralen IT-Abteilung angewiesen zu sein.

Die Systeme, die von diesen Citizen Developern gebaut werden, sind keine statischen Makros oder simplen Skripte mehr. Sie umfassen Outbound-Systeme, die vollautomatisch Kundenansprachen generieren, verschiedene Variationen testen und basierend auf den Antwortraten iterieren. Ebenso entstehen interne Copiloten, die operative Teams bei der Entscheidungsfindung unterstützen, sowie agentengetriebene Workflows, die völlig autonom mit externen Programmierschnittstellen (APIs) und Datenbanken interagieren. Marktforschungsdaten von Gartner prognostizieren eine immense Skalierung dieses Modells: Bis Ende des Jahres 2026 werden schätzungsweise 80 Prozent aller Technologieprodukte und -dienstleistungen von Personen entwickelt werden, die außerhalb der traditionellen IT-Rollen tätig sind. In dieser nahen Zukunft werden fachliche Entwickler die traditionellen, rein technischen Entwickler in den Unternehmen in einem Verhältnis von vier zu eins übertreffen.

2.3 Die fünf kritischen Fähigkeiten der KI-gestützten Belegschaft

Um dieses Potenzial im Fachbereich nutzbar zu machen, reicht der bloße Zugang zu Werkzeugen wie GitHub Copilot, Cursor oder Microsoft Power Automate nicht aus. Die Transformation erfordert gezieltes “Skilling”, bei dem fünf kritische digitale Fähigkeiten im Vordergrund stehen. Erstens muss ein tiefes Verständnis für generative KI aufgebaut werden, das über einfache Produktivitätssteigerungen hinausgeht und die KI als iterativen Partner im Innovationsprozess positioniert. Zweitens rückt die Datenanalytik in den Fokus, bei der es nicht mehr um das nachträgliche Erstellen von Berichten, sondern um prädiktive Entscheidungsfindung geht. Drittens ermöglicht die Prozessautomatisierung den Mitarbeitern, Workflows dynamisch an sich ändernde Bedingungen anzupassen. Viertens erfordert dieses dynamische Umfeld ein agiles Management, das schnelle Iterationen und kurzyklisches Feedback als Wettbewerbsanforderung etabliert. Fünftens bedarf es einer ausgeprägten digitalen Führungskompetenz, um diese dezentralisierten Innovationsbemühungen im Einklang mit den übergeordneten Unternehmenszielen zu orchestrieren.

3. Empirische Evidenz und operationelle Realität der Fachbereichs-Entwicklung

Die Theorie des Vibe Codings durch den Business-Bereich wird durch beeindruckende Beispiele erfolgreicher Unternehmensanwendungen gestützt, offenbart bei kritischer Betrachtung jedoch auch signifikante strukturelle Schwächen.

3.1 Erfolgsbeispiele der Enterprise AI Workflow Automation

Wenn Vibe Coding und KI-gestützte Automatisierung zielgerichtet auf spezifische, repetitive Geschäftsprozesse angewendet werden, sind die operationellen Ergebnisse bemerkenswert. Eine Auswertung aktueller Enterprise-Projekte zeigt dies deutlich. Das Unternehmen Komatsu Australia implementierte eine Lösung, die jährlich knapp 52.000 Rechnungen vollautomatisch verarbeitet und allein für einen einzigen Lieferanten über 300 Stunden an manueller Dateneingabe einspart. Die Lösung wurde in lediglich drei Wochen implementiert und diente als Fundament für ein weitreichenderes Citizen-Developer-Programm. Ein weiteres Beispiel liefert MANZ, das durch intelligente Suchautomatisierung Antworten in Minuten statt in Stunden liefert und dabei die Suchgenauigkeit um 20 Prozent sowie die Wiederauffindbarkeit (Recall) um 77 Prozent steigern konnte. Besonders kritisch und erfolgreich war eine Automatisierung im hochregulierten Gesundheitssektor, bei der die Bettenvergabe an Patienten um 20 Minuten beschleunigt wurde, was zu einer Fehlerquote von null Prozent führte und dem medizinischen Personal pro Mitarbeiter und Tag drei Stunden an administrativem Aufwand ersparte.

Diese Beispiele illustrieren den Kernwert der fachbereichsgetriebenen KI-Entwicklung: Diejenigen, die die Friktion in einem Prozess am besten kennen, sind durch Low-Code-Plattformen und KI am besten positioniert, diese Friktion mit direkt messbarem Return on Investment (ROI) zu eliminieren.

3.2 Die Risiken: Technische Schulden, Sicherheit und die Illusion der Beherrschbarkeit

Trotz dieser Erfolge weisen Kritiker des Vibe Codings vehement auf die gravierenden systemischen Gefahren hin, die entstehen, wenn Fachanwender komplexe Softwaresysteme orchestrieren. Die Hauptkritikpunkte umfassen einen gravierenden Mangel an Verantwortlichkeit, unzureichende Wartbarkeit des Codes, die exponentielle Anhäufung technischer Schulden und das massiv erhöhte Risiko, Sicherheitslücken in produktive Systeme einzuschleusen.

Ein grundlegendes Problem beim fachbereichsgetriebenen Vibe Coding ist das Fehlen eines architektonischen Systemdenkens. Ein Business-User mag in der Lage sein, mit wenigen Prompts eine oberflächliche Änderung an einer Benutzeroberfläche zu generieren, beispielsweise indem er einen “Senden”-Button in “Bestellung drucken” umbenennt. Dabei ignoriert er jedoch oft vollkommen die tieferliegenden technischen Implikationen: Wie reagiert das System auf Latenzen? Wie wird das Cache-Invalidation-Management gehandhabt? Sind die Änderungen kompatibel mit den Service-Level-Agreements (SLAs) angrenzender Microservices, Load Balancer und Datenbanken?. Wenn Vibe Coder solche Aspekte nicht berücksichtigen, erzeugen sie Systeme, die im kleinen Maßstab funktionieren, unter realer Unternehmenslast jedoch kollabieren.

Ein weiteres, oft unterschätztes Risiko ist die psychologische Komponente der Mensch-Maschine-Interaktion, die als “KI-Sykophantie” bezeichnet werden kann. KI-Systeme sind darauf trainiert und feinabgestimmt, nutzerfreundlich, zustimmend und bestätigend zu agieren. Dies führt dazu, dass Anwender die KI nicht mehr als neutrales, fehleranfälliges Werkzeug, sondern als hochkompetenten, extrem kooperativen Kollegen wahrnehmen. Die Systeme suggerieren dem Nutzer eine falsche Sicherheit und Kompetenz. Dies führt insbesondere bei Anwendern ohne formale IT-Ausbildung dazu, dass sie fundamental fehlerhafte, ineffiziente oder redundante Architekturen bedenkenlos in produktive Umgebungen überführen. Beobachter vergleichen den Prozess mit einem metaphorischen “magischen Hammer”, der jeden Nagel leicht schief einschlägt und den Bauprozess verlangsamt, dem Arbeiter aber gleichzeitig psychologisch suggeriert, er sei doppelt so schnell und effizient wie zuvor. Dieses trügerische Gefühl der Produktivität maskiert die Tatsache, dass im Hintergrund kontinuierlich redundanter Code und schwerwiegende technische Schulden aufgebaut werden.

4. Das Paradigma der Technologie: Die Evolution zum “Product Engineer”

Während sich der Fachbereich durch KI technologische Fähigkeiten aneignet, findet auf der Seite der traditionellen Softwareentwicklung eine parallel verlaufende, ebenso radikale Transformation statt. Die Automatisierung der reinen Code-Generierung durch KI zwingt Technologieexperten dazu, sich in der Wertschöpfungskette nach oben zu bewegen und geschäftskritische Funktionen zu adaptieren.

4.1 Reduktion der kognitiven Last und der Wandel der Kernkompetenz

Die Kernaufgabe eines klassischen Softwareentwicklers bestand jahrzehntelang im präzisen Übersetzen von abstrakter Geschäftslogik in formale Maschinensyntax. Generative KI übernimmt diesen mühsamen Übersetzungsschritt zunehmend. Empirische Studien belegen, dass Entwickler durch KI-Code-Assistenten Routineaufgaben, die Erstellung von Boilerplate-Code und das Schreiben von Tests um 25 bis 40 Prozent schneller bewältigen können. Dies führt zu einer messbaren Reduktion der kognitiven Last bei standardisierten Programmieraufgaben.

Patrick Debois, weithin bekannt als einer der Gründerväter der DevOps-Bewegung, fasst diese Transformation in vier wiederkehrenden Mustern der KI-nativen Entwicklung zusammen. Erstens wandelt sich der Entwickler vom reinen “Producer” (Produzent von Code) zum “Manager” (Überprüfer und Steurer von KI-Outputs). Zweitens verschiebt sich der Fokus von der “Implementation” (Wie wird es technisch gebaut?) zur “Intent” (Was ist das geschäftliche Ziel?). Drittens verändert sich die “Delivery” zu einer kontinuierlichen “Discovery”, da Experimente und Prototypen dank KI viel schneller validiert werden können. Viertens wandelt sich die Erstellung von “Content” hin zum Aufbau von “Knowledge”, da reines Wissen über Syntax durch echtes Domänenwissen als Differenzierungsmerkmal ersetzt wird. Da die handwerkliche Umsetzungskomplexität rapide sinkt, wird das domänenspezifische Fachwissen zum primären Unterscheidungsmerkmal und Werttreiber für den Softwareingenieur.

4.2 Das hybride Profil des Product Engineers

Diese evolutionäre Verschiebung manifestiert sich in der Entstehung einer neuen, hochgefragten hybriden Rolle in der Technologiebranche: dem Product Engineer. Während traditionelle Softwareentwickler oft strikt von der eigentlichen geschäftlichen Wertschöpfung isoliert waren und ihre Arbeit nach Erhalt hochspezifischer technischer Anforderungen begannen, übernimmt der Product Engineer die vollständige Verantwortung für den gesamten Lebenszyklus eines Features.

Die Rolle des Product Engineers eliminiert zunehmend die Notwendigkeit für separate, traditionelle Product Manager (PMs), da die Informationsübergaben und Reibungsverluste (“Handoffs”) zwischen PM und Entwickler vollständig entfallen. Ein Product Engineer führt Kundenrecherchen durch, synthetisiert Feedback, entwirft die Benutzererfahrung (UX) und setzt die Implementierung anschließend selbst mittels KI-Entwicklungswerkzeugen wie Cursor, WindSurf oder Claude Code um. Das Anforderungsprofil dieser Rolle spiegelt diese Verschmelzung eindrucksvoll wider: Experten schätzen, dass die Aufgabenbereiche zu 40 Prozent aus produktbezogenen Fähigkeiten (Kundenanalyse, Roadmap-Planung, Datenanalyse), zu 40 Prozent aus technischen Fähigkeiten (Systemdesign, Cloud-Architektur, API-Design) und zu 20 Prozent aus Kommunikationsfähigkeiten bestehen.

Der Product Engineer lernt, den Erfolg seiner Arbeit nicht mehr in isolierten technischen Metriken wie Code Coverage oder Server-Latenz zu messen, sondern direkt in Geschäftsmetriken wie Conversion Rates, Nutzerbindung (Retention) und generiertem Umsatz. Dieser Entwicklertyp praktiziert ein sogenanntes “Spec-driven Development”: Sein primärer Wettbewerbsvorteil besteht darin, extrem umfassende, fehlerfreie Spezifikationen und Abnahmekriterien zu schreiben, die von KI-Werkzeugen präzise in Code umgesetzt werden. Der Product Engineer vereint somit die maximale Implementierungsgeschwindigkeit der KI mit dem notwendigen architektonischen Urteilsvermögen (“Architectural Judgment”), um sicherzustellen, dass die resultierenden Enterprise-Systeme sicher, skalierbar und nachhaltig wartbar bleiben.

5. Das Produktivitätsparadoxon der generativen KI in der Softwareentwicklung

Die theoretische Gegenüberstellung von Vibe Coding durch den Fachbereich und Product Engineering durch die IT muss einer rigorosen empirischen Prüfung unterzogen werden. Eine zentrale Annahme beider Paradigmen ist, dass generative KI den Anwender in jedem Fall dramatisch beschleunigt und produktiver macht. Diese Prämisse wurde durch eine kürzlich veröffentlichte, streng kontrollierte randomisierte Studie (RCT) der Forschungsorganisation METR (Measuring the Impact of Early-2025 AI) drastisch relativiert und in weiten Teilen widerlegt.

Die Forscher untersuchten im Juli 2025 den Einfluss modernster KI-Werkzeuge (primär Cursor Pro in Verbindung mit dem Modell Claude 3.5/3.7 Sonnet) auf die Produktivität von 16 hochgradig erfahrenen Open-Source-Entwicklern. Die Probanden bearbeiteten insgesamt 246 komplexe Aufgaben in großen, etablierten Code-Repositories (durchschnittlich 23.000 GitHub-Stars), für die sie durchschnittlich über fünf Jahre Vorerfahrung und tiefe Domänenkenntnis mitbrachten. Die Aufgaben nahmen im Durchschnitt etwa zwei Stunden in Anspruch.

5.1 Diskrepanz zwischen Erwartung, subjektiver Wahrnehmung und objektiver Realität

Die Ergebnisse dieser Studie waren hochgradig kontraintuitiv und offenbaren die tieferliegenden Mechanismen der Mensch-KI-Kollaboration bei komplexen Systemarchitekturen. Vor Beginn der Studie prognostizierten die Entwickler selbstbewusst, dass der Einsatz der KI-Tools ihre Bearbeitungszeit um 24 Prozent reduzieren würde. Diese Erwartung deckte sich weitgehend mit den Vorhersagen von externen Wirtschaftsexperten (39 Prozent prognostizierte Beschleunigung) und Experten für maschinelles Lernen (38 Prozent).

Nachdem die Entwickler die Aufgaben unter Einsatz der KI-Assistenz abgeschlossen hatten, schätzten sie ihren Produktivitätsgewinn subjektiv immer noch auf eine Zeitersparnis von beachtlichen 20 Prozent. Die objektive Auswertung der Bildschirmaufzeichnungen und Entwicklungszeiten offenbarte jedoch eine schockierende Realität: Die Erlaubnis und Nutzung der KI-Tools führte tatsächlich zu einer messbaren Erhöhung der Bearbeitungszeit um exakt 19 Prozent. Die modernsten KI-Werkzeuge hatten diese hochqualifizierten Entwickler massiv verlangsamt, während sie ihnen psychologisch erfolgreich suggerierten, sie seien signifikant schneller gewesen.

5.2 Ursachen des Paradoxons und Implikationen für die Konvergenzdebatte

Dieser als Productivity-Reliability Paradox (PRP) bezeichnete Effekt liefert eine entscheidende Erkenntnis für die Frage, ob der Fachbereich komplexe IT-Aufgaben übernehmen kann. Die Studie zeigt, dass KI zwar rasend schnell Code-Zeilen generiert, sich die kognitive Last bei tiefgreifenden architektonischen Änderungen in bestehenden, komplexen Codebasen jedoch radikal von der “Schaffung” (Creation) zur “Verifizierung” (Verification) verschiebt.

Es ist intellektuell signifikant anspruchsvoller und zeitaufwendiger, den auf den ersten Blick syntaktisch plausibel wirkenden, aber architektonisch potenziell fehlerhaften oder inkonsistenten Code eines KI-Agenten zu debuggen, als den Code basierend auf dem eigenen mentalen Modell der Architektur von Grund auf neu zu schreiben. Wenn selbst Entwickler mit fünf Jahren spezifischer Vorerfahrung in einer Codebasis durch KI um 19 Prozent verlangsamt werden, ist die Annahme, dass fachfremde Business-User (Vibe Coder) ohne tiefes Systemverständnis komplexe Enterprise-Softwaresysteme ohne massiven Qualitätsverlust und ohne völligen Stillstand modifizieren können, empirisch nicht haltbar. Der oberflächliche Beschleunigungseffekt der KI maskiert lediglich die Umverteilung von Aufwand und die Akkumulation versteckter Kosten durch technische Schulden.

6. Wirtschaftliche Realitäten: Das McKinsey GenAI-Paradoxon auf Enterprise-Ebene

Auf der Makroebene der strategischen Unternehmenssteuerung spiegelt sich dieses mikroökonomische Entwickler-Paradoxon in einem noch viel größeren Maßstab wider. Aktuelle und umfassende Berichte der Unternehmensberatung McKinsey & Company beleuchten die tiefgreifende Diskrepanz zwischen der massiven Adaption von generativer KI und den tatsächlich realisierten wirtschaftlichen Gewinnen – ein Phänomen, das als das “GenAI-Paradoxon” bezeichnet wird.

Die Adaptionsrate von generativer KI in Unternehmen ist rasant gestiegen: Laut dem neuesten State of AI Report aus dem Jahr 2026 berichten 78 Prozent der untersuchten Organisationen, dass sie KI in mindestens einer Geschäftsfunktion regelmäßig nutzen (ein drastischer Anstieg gegenüber 55 Prozent im Jahr 2024). Die wirtschaftlichen Erwartungen sind astronomisch; McKinsey schätzt, dass generative KI der globalen Wirtschaft jährlich zwischen 2,6 und 4,4 Billionen US-Dollar an zusätzlicher Wertschöpfung hinzufügen könnte.

Die Realität der Implementierung zeichnet jedoch ein ernüchterndes Bild: Trotz der weit verbreiteten Nutzung und privater GenAI-Investitionen in Höhe von 33,9 Milliarden US-Dollar berichten über 80 Prozent der Unternehmen, dass ihre KI-Initiativen bisher absolut keinen signifikanten oder messbaren Einfluss auf den Unternehmensgewinn (Bottom-Line-Impact oder Material Impact) hatten.

6.1 Horizontale vs. Vertikale KI: Der Schlüssel zur Wertschöpfung

Die tieferliegende Ursache für dieses Paradoxon liegt in der systematischen Fehlallokation von KI-Ressourcen und der kritischen Unterscheidung zwischen horizontaler und vertikaler KI. Horizontale KI-Modelle – wie universelle Chatbots, Textgeneratoren oder Standard-Copilots für Office-Anwendungen – werden großflächig über verschiedene Abteilungen hinweg verteilt. Fast 70 Prozent der Fortune-500-Unternehmen nutzen derartige Werkzeuge. Diese horizontale Integration bietet den Mitarbeitern zwar eine spürbare subjektive Arbeitserleichterung – Wirtschaftsuntersuchungen belegen eine tatsächliche Ersparnis von etwa 5,4 Prozent der wöchentlichen Arbeitszeit (rund 2,2 Stunden bei einer 40-Stunden-Woche) –, doch diese minimalen Produktivitätsgewinne sind viel zu stark fragmentiert. Ein Business-User, der durch eine Vibe-Coding-Automatisierung wöchentlich eine Stunde einspart, transformiert nicht das grundlegende Geschäftsmodell und generiert keine bilanziell messbaren Kostensenkungen, es sei denn, die eingesparte Zeit wird systematisch in umsatzsteigernde Aktivitäten reinvestiert.

Im Gegensatz dazu entfalten vertikale, hochspezifische KI-Anwendungen, die tief in Kernprozesse integriert sind, ein enormes wirtschaftliches Potenzial. Vertikale KI adressiert domänenspezifische Schwachstellen und löst messbare operative Reibung auf. McKinsey und spezialisierte Analysten haben branchenübergreifend spezifische Use Cases identifiziert, die nachweisbaren und schnellen Return on Investment (ROI) generieren. Generative KI produziert den schnellsten und am besten zu verteidigenden ROI in Funktionen, die drei Bedingungen erfüllen: ein hohes Interaktionsvolumen, eine strukturierte Wissensbasis und eine eindeutige Definition dessen, wie ein korrektes Ergebnis aussieht.

Diese strukturierte Datenauswertung verdeutlicht ein zentrales Prinzip: Wenn Vibe Coding und KI für Aufgaben eingesetzt werden, bei denen der Anwender das Ergebnis nicht leicht und eindeutig evaluieren kann (wie komplexe strategische Empfehlungen, tiefgreifende juristische Analysen oder eben komplexe Softwarearchitekturen), sinken die Produktivitätsgewinne rapide, während die Fehlerquoten gefährlich ansteigen. Die KI liefert nur dann einen signifikanten Mehrwert, wenn sie von Personen gesteuert wird, die das Endergebnis bewerten und verantworten können.

7. Organisationsarchitektur und Conway’s Law im KI-Zeitalter

Um zu verstehen, warum KI-Initiativen scheitern und wie Business und IT erfolgreich verschmelzen können, muss die Linse von der reinen Technologie auf die Soziologie der Organisation gerichtet werden. Die Integration von KI-Systemen unterliegt einem fundamentalen, unausweichlichen Prinzip des Software-Engineerings: Conway’s Law.

7.1 Die Auswirkungen von Conway’s Law auf generative KI-Systeme

Conway’s Law, ein Axiom, das lange vor dem Zeitalter der Künstlichen Intelligenz geprägt wurde, besagt, dass Organisationen zwangsläufig informationstechnische Systeme entwerfen, die eine exakte Kopie ihrer eigenen internen Kommunikations- und Berichtsstrukturen darstellen. Die Systeme, die gebaut werden, spiegeln das Organigramm (“shipping the org chart”) wider.

Im Kontext der generativen KI manifestiert sich dieses Gesetz mit erschreckender Präzision und wird von einem bloßen Beobachtungsprinzip zu einem kritischen Design-Risiko. Wenn ein Unternehmen stark in isolierten Silos organisiert ist – wo Datenwissenschaftler, Softwareingenieure, Produktdesigner, Produktmanager und Rechtsabteilungen getrennt voneinander arbeiten und Entscheidungen über hierarchische Ebenen eskaliert werden müssen –, wird die resultierende KI-Anwendung exakt diese organisatorischen Risse im Fundament widerspiegeln. Ein solches KI-Modell mag technisch auf dem Papier fehlerfrei funktionieren, im realen, kundennahen Einsatz jedoch halluzinieren, ethische Richtlinien verletzen, Nutzer verwirren oder den Tonfall der Marke verfehlen. Dies geschieht nicht zwangsläufig wegen mangelhafter, verschmutzter Trainingsdaten, sondern schlichtweg aufgrund der fragmentierten, dysfunktionalen Kommunikation zwischen den Abteilungen.

Die Architektur eines Systems ist, wie Kritiker betonen, weniger ein Produkt der reinen Intention als vielmehr ein nachlaufender Indikator (Lagging Indicator) dafür, wie Entscheidungen in einer Organisation tatsächlich getroffen wurden. Schnittstellen im Code entstehen genau dort, wo die abteilungsübergreifende Kommunikation in der realen Welt kostspielig, politisch heikel oder angstbesetzt ist. Ein Entwicklerteam (IT), dem das fundierte Geschäftsverständnis fehlt, wird eine Architektur bauen, die technologisch elegant, aber geschäftlich wertlos ist. Ein Business-Team, das ohne IT-Governance und architektonische Kontrolle agiert (das unregulierte “Vibe Coding”), wird ein System bauen, das das lokale Geschäftsproblem kurzfristig löst, aber sicherheitstechnisch katastrophal, redundant und nicht skalierbar ist.

7.2 Der Inverse Conway-Maneuver, Agentische Schwärme und der CAIO

Um das Dilemma zu durchbrechen, dass die Technologie die fehlerhafte Organisation widerspiegelt, greifen strategische Vordenker zunehmend auf die Anwendung von “Reverse Conway’s Law” (auch bekannt als das Inverse Conway-Manöver) zurück. Bei diesem Paradigmenwechsel wird die Organisation bewusst und absichtlich so strukturiert, dass ihre Kommunikationspfade der gewünschten, lose gekoppelten Zielarchitektur der Software (z. B. Microservices oder Agentic AI Workflows) entsprechen. Man definiert das gewünschte Ergebnis und baut rückwärts gerichtet das Team auf, das exakt die Fähigkeiten besitzt, um dieses Ergebnis zu liefern.

Mit der Verbreitung von KI werden traditionelle, starre Hierarchien in der Produktentwicklung obsolet und zunehmend durch kleine, hochgradig autonome und agile “Schwärme” ersetzt. Diese Schwärme bestehen oft nur noch aus zwei menschlichen Akteuren – beispielsweise einem tiefgreifend technisch versierten Product Engineer und einem fachlichen Domänenexperten (oder PM) –, die von einer ganzen Flotte hochspezialisierter KI-Agenten unterstützt werden. In diesem Konstrukt konzentrieren sich die Menschen ausschließlich auf komplexe, explorative Architekturentscheidungen und die Definition der geschäftlichen Absicht (“Intent”), während die digitalen Agenten die repetitive Umsetzung und die Code-Auslieferung übernehmen.

Auf Führungsebene erfordert diese radikale Umstrukturierung eine neue Verantwortlichkeit, die zunehmend im Chief AI Officer (CAIO) institutionalisiert wird. Ähnlich wie der Chief Data Officer (CDO) während der Ära der digitalen Transformation, hat der CAIO die Aufgabe, das Unternehmen vor der Trägheit des Conway’s Law zu schützen, das Status-quo-Denken aufzubrechen und zentralisierte Budgets zu nutzen, um abteilungsübergreifende KI-Strategien durchzusetzen, die verhindern, dass alte, ineffiziente Betriebsmodelle einfach durch KI reproduziert werden.

8. Synthese: Fusion Teams als organisatorischer Goldstandard der Konvergenz

Die Ausgangsfrage der Untersuchung lautete: Wird in Zukunft der Fachbereich durch “Vibe Coding” die technologische Landschaft übernehmen, oder wird die IT durch ein tiefes Geschäftsverständnis (als Product Engineers) den Fachbereich dominieren? Die empirischen Daten, die architektonischen Systemanforderungen und die organisatorischen Gesetzmäßigkeiten zeigen unmissverständlich, dass keines der beiden Extreme in Isolation funktionsfähig oder ökonomisch erstrebenswert ist.

Die pure Übernahme der Entwicklung durch den Fachbereich (Citizen Developers / Vibe Coding) scheitert an der unerbittlichen Realität der Komplexität moderner Enterprise-Systeme, der rapiden Akkumulation technischer Schulden und der mangelnden Sicherheit. Die RCT-Studie von METR hat eindrucksvoll belegt, dass selbst Experten in komplexen Codebasen durch KI verlangsamt werden. Für absolute technische Laien ist das Modifizieren unternehmenskritischer Architekturen durch natürliches Vibe Coding somit ein unkalkulierbares, existenzbedrohendes operationelles Risiko.

Gleichzeitig kann der evolutionäre Wandel zum “Product Engineer” nicht das gesamte Spektrum des erforderlichen Domänenwissens eines Unternehmens abdecken. Ein Ingenieur, der sich zunehmend auf ROI, Systemarchitektur und Code-Qualität konzentrieren muss, benötigt zwingend weiterhin den fachlichen, hochspezialisierten Input von Rechtsabteilungen, Personalwesen, Finanzen und den operativen Vertriebs- und Marketingabteilungen. Es gibt nicht genügend Product Engineers auf dem Markt, um den massiven Automatisierungsbedarf der globalen Wirtschaft zu decken.

Die Lösung und die nachhaltigste Ausprägung der prognostizierten Verschmelzung von Business und Technologie liegt in der konsequenten Implementierung sogenannter Fusion Teams.

8.1 Struktur und Funktion von Fusion Teams

Ein Fusion Team ist ein strategischer, cross-funktionaler Ansatz zur Entwicklung und Auslieferung von (Low-Code/KI-gestützten) Anwendungen. Es bündelt Fachexperten, Citizen Developers und professionelle IT-Ressourcen in einer gemeinsamen, agilen Lieferkette, um Geschäftsziele mit maximaler Geschwindigkeit zu erreichen und gleichzeitig Sicherheits-, Betriebs-, Reputations- und Finanzrisiken rigoros zu minimieren.

Diese Teams operationalisieren die KI-getriebene Beschleunigung durch eine präzise Rollenverteilung und den Einsatz kollaborativer Plattformen. Die Zusammensetzung eines effektiven Fusion Teams umfasst typischerweise folgende Akteure, die in iterativer Symbiose arbeiten:

In diesem Modell beginnt fast jedes Projekt zunächst als isolierte Citizen-Development-Initiative im Fachbereich. Erst wenn eine Anwendung durch ihre Integrationstiefe oder geschäftliche Bedeutung eine kritische Schwelle an Komplexität und Risiko erreicht, wird sie offiziell zu einem Fusion-Team-Projekt hochgestuft, und professionelle Entwickler werden hinzugezogen.

8.2 Der Return on Intelligence und Integrität durch “Digitales Urteilsvermögen”

Gartner-Analysten betonen, dass die reine Implementierung von Technologie nicht ausreicht. Unternehmen, die aus KI tatsächlichen wirtschaftlichen Wert schöpfen wollen, müssen drei Fundamente etablieren: ambitionierte KI-Ziele setzen, die Datenbasis stärken und die Menschen für den Wandel befähigen. Ein Fusion-Team-Ansatz erfordert genau diese Befähigung. Um die massiven Risiken des ungebremsten Vibe Codings zu mitigieren, müssen Unternehmen bei ihren Fachabteilungen das sogenannte “Digitale Urteilsvermögen” (Digital Judgment) kultivieren. Dies bezeichnet ein fundiertes Verständnis für Technologie-Governance, Datenethik, Sicherheitsrisiken und architektonische Kompromisse.

“Return on Intelligence” entsteht in diesem Gefüge, wenn das tiefe, intuitive Domänenwissen des Fachbereichs auf saubere, KI-fähige Daten trifft und durch Agenten skaliert wird. “Return on Integrity” entsteht, wenn solide Governance, implementiert durch IT Professionals, verhindert, dass falsche, inkonsistente Daten durch halluzinierende KI-Systeme in großem Maßstab repliziert werden und die Organisation schädigen.

9. Fazit und strategische Handlungsempfehlungen: Was ist “besser”?

Die einleitende Prämisse des Chief Technology Officers ist in ihrer fundamentalen Stoßrichtung absolut zutreffend: Künstliche Intelligenz erzwingt eine unausweichliche Konvergenz von Business und Technologie. Die spezifische Frage, ob es “besser” ist, dass das “Business vibe-codet” oder ob “die Techies das Business verstehen”, lässt sich nach einer systematischen Analyse empirischer Daten, ökonomischer Kennzahlen und softwarearchitektonischer Prinzipien jedoch nicht mit einer binären Wahl beantworten. Beide Phänomene sind keine sich ausschließenden Alternativen, sondern komplementäre evolutionäre Entwicklungen, die für den Unternehmenserfolg simultan orchestriert werden müssen.

Betrachtet man die Systemarchitektur isoliert, lautet die Antwort: Dass IT-Spezialisten ein tiefes Geschäftsverständnis entwickeln und als Product Engineers agieren, ist der strategisch überlegenere, wirtschaftlich sicherere und technologisch zwingende Pfad für den Kern eines Unternehmens. Die Forschung zeigt unmissverständlich, dass die Erstellung, Integration und Wartung geschäftskritischer Enterprise-Systeme ein hochkomplexes architektonisches Unterfangen bleibt. Generative KI kann diese Komplexität derzeit nicht abstrahieren, sondern erhöht bei unsachgemäßer Anwendung durch Laien sogar die technische Schuld und die Fehlerquoten. Ein Product Engineer, der mit KI den repetitiven Code automatisiert und seine freigewordene intellektuelle Kapazität nutzt, um sich auf Produkt-Market-Fit, Nutzererfahrung und messbare Umsatzgenerierung zu konzentrieren, bringt eine ungleich höhere und vor allem nachhaltigere Wertschöpfung in die Organisation ein als ein Fachanwender, der per “Vibe Coding” fehleranfällige und schwer wartbare Insellösungen (“Schatten-IT”) erschafft. Das Risiko von Vibe Coding im Kern des Unternehmens ist schlichtweg zu hoch.

Gleichzeitig ignoriert ein rein IT-zentrierter Ansatz die massive Innovationskapazität und das ungenutzte Skalierungspotenzial des Fachbereichs. Die schiere Menge an langwierigen, unternehmensinternen Automatisierungsbedarfen, die heute Ineffizienzen verursachen, kann von zentralisierten, chronisch überlasteten IT-Abteilungen – selbst mit extremer KI-Beschleunigung – niemals vollständig bedient werden. Der tatsächliche wirtschaftliche Wert der generativen KI liegt, wie die Analysen zum GenAI-Paradoxon zeigen, in der hyper-spezifischen Lösung von vertikaler operativer Reibung. Die Personen, die diesen Reibungspunkten physisch und prozessual am nächsten stehen, sind die Fachanwender (Citizen Developers). Vibe Coding ist das perfekte Instrumentarium für diese Peripherie der Wertschöpfung.

Daher ist das objektiv beste, belastbarste und einzig zukunftsfähige Modell die orchestrierte Symbiose beider Paradigmen durch Fusion Teams und Agentische Schwärme.

In diesem zukunftssicheren Zielbild:

1. Vibe-codet der Fachbereich innerhalb strikter, unabdingbarer Leitplanken, die von der IT vorgegeben werden (Platform Engineering). Diese geschulten Citizen Developers lösen kleine bis mittlere operative Reibungspunkte in ihren unmittelbaren Workflows selbst (Low-Risk / Low-Complexity). Sie beschleunigen ihre Arbeit durch natürlichsprachliche KI-Agenten und generieren so den in der Breite fehlenden ROI der Automatisierung.

2. Verstehen die Techies das Business, indem sich die traditionellen, isolierten Entwickler zu strategisch agierenden “Product Engineers” wandeln. Sie werden von der Last befreit, redundante Skripte zu schreiben, und widmen sich stattdessen hochkomplexen Systemintegrationen, der Definition skalierbarer Zielarchitekturen (unter bewusster Anwendung von Reverse Conway’s Law) und dem Aufbau exakt jener zentralisierten Self-Service-Plattformen, auf denen das Business sicher Vibe Coding betreiben kann.

3. Verschmelzen beide Welten institutionell, sobald ein fachbereichsgetriebenes, durch Vibe Coding initiiertes Projekt eine vordefinierte Komplexitäts- oder Risikoschwelle überschreitet. Das Projekt wird dann nicht mehr mit enormen Reibungsverlusten “über den Zaun” an die IT geworfen, sondern in einem Fusion Team aus Fachexperten, Product Engineers und KI-Agenten gemeinsam zur Marktreife skaliert.

Die Implementierung generativer KI verändert letztlich nicht primär den Code, den Unternehmen schreiben, sondern die fundamentale Art und Weise, wie die Struktur der Wertschöpfung organisiert wird. Organisationen, die ihre Strukturen gemäß Conway’s Law bewusst überdenken und hybride Fusion Teams schaffen, positionieren sich an der Spitze dieser technologischen Revolution. Nur durch die Kombination der Vibe-Coding-Geschwindigkeit des Fachbereichs mit der architektonischen Integrität geschäftlich denkender Product Engineers lässt sich der Fortschritt der Künstlichen Intelligenz von einem riskanten Experiment in einen dauerhaften, bilanziell messbaren Wettbewerbsvorteil überführen.