Wie KI die Gestaltung von Software revolutioniert und was für Unternehmen zu beachten ist.
Warum Designsysteme mitdenken müssen

Künstliche Intelligenz kann heute in wenigen Augenblicken Benutzeroberflächen und Softwarekomponenten erzeugen. Doch technisch funktionierender Code ist noch lange keine gute Anwendung. Allgemeine Gestaltungsregeln und etablierte Standards kann KI häufig bereits berücksichtigen. Schwieriger wird es dort, wo Entscheidungen vom Geschäftsmodell, von internen Prozessen oder von den Besonderheiten eines Produkts abhängen. Fehlen diese unternehmensspezifischen Vorgaben, erzeugt KI möglicherweise formal korrekte, aber fachlich unpassende Lösungen. Damit KI verlässlich hochwertige Software entwickeln kann, müssen Unternehmen ihr internes Entscheidungswissen für KI-Systeme nutzbar machen.
Von der Bauteilsammlung zum Regelwerk
Klassische Designsysteme definieren, wie digitale Produkte aussehen und funktionieren sollen. Sie enthalten wiederverwendbare Komponenten, Gestaltungsvorgaben, Farben, Schriften und Codebeispiele. Damit sorgen sie für ein konsistentes Erscheinungsbild und beschleunigen die Entwicklung. Was sie häufig nicht dokumentieren, sind die Entscheidungen hinter diesen Vorgaben.
Warum wurde eine bestimmte Komponente für dieses Produkt entwickelt? In welchen Geschäftsprozessen darf sie eingesetzt werden, welche internen Freigaben sind erforderlich und welche Ausnahmen gelten für einzelne Kundengruppen? Welche Alternativen wurden im Unternehmen verworfen und warum? Solche Entscheidungen sind oft weder öffentlich dokumentiert noch aus dem Code allein ersichtlich. Sie stecken in Projektabsprachen, Fachkonzepten und im Erfahrungswissen der Teams. Ein KI-Agent kann sie nicht zuverlässig aus allgemeinen Trainingsdaten ableiten.
Deshalb müssen sich Designsysteme von reinen Komponentenbibliotheken zu Entscheidungssystemen entwickeln. Sie dokumentieren nicht nur, was technisch verfügbar ist, sondern vor allem, welche produkt-, kunden- und unternehmensspezifischen Regeln gelten, wie Ausnahmen behandelt werden und welche fachlichen Gründe dahinterstehen.
Warum maschinenlesbar nicht ausreicht
Ein Beispiel aus einem fiktiven Kundenportal verdeutlicht die Herausforderung: Ein Unternehmen bietet verschiedenen Kundengruppen unterschiedliche Vertragsmodelle an. Obwohl dieselbe Oberfläche zum Einsatz kommt, dürfen bestimmte Änderungen nur von autorisierten Rollen ausgelöst werden; andere erfordern vorab eine Prüfung durch den Kundenservice. Welche Schaltfläche sichtbar ist, welche Informationen angezeigt werden und welcher Freigabeprozess startet, hängt damit von internen Geschäftsregeln ab. Ein KI-Agent kann die Oberfläche mühelos erzeugen. Ohne Kenntnis dieser Regeln kann er aber einen technisch einwandfreien Ablauf implementieren, der fachlich nicht zulässig ist.
Allgemeine UX-Empfehlungen helfen hier nur begrenzt. Entscheidend sind die konkreten Vorgaben des Unternehmens: Welche Rolle darf welchen Vorgang anstoßen? Welche Sonderfälle gelten? Welche Informationen müssen für eine spätere Prüfung dokumentiert werden? Solches Domänenwissen muss so beschrieben sein, dass Entwickler und KI-Agenten es im richtigen Kontext abrufen können.
Wenn Design und Code unterschiedliche Sprachen sprechen
Eine weitere Voraussetzung ist die Übereinstimmung zwischen Design und technischer Implementierung. In vielen Unternehmen existieren Komponenten parallel in Designwerkzeugen und Codebibliotheken. Doch die Bezeichnungen, Varianten oder Zustände stimmen nicht immer überein.
Für menschliche Entwickler ist das bereits eine Fehlerquelle, beim KI-gestützten Software Engineering verschärft sich das Problem. Widersprechen sich Designbibliothek und Produktionscode, übernimmt der Agent möglicherweise eine veraltete oder unvollständige Definition.
Deshalb müssen Komponenten in beiden Welten eindeutig miteinander verknüpft sein. Namen, Eigenschaften, Zustände und Anforderungen an die Barrierefreiheit sollten übereinstimmen. Abweichungen lassen sich dann bei jeder Änderung automatisiert erkennen. Ein leistungsfähigeres KI-Modell löst dieses Problem nicht. Es kann widersprüchliche Vorgaben allenfalls schneller in neuen Code übersetzen. Die Qualität der zugrunde liegenden Architektur bleibt entscheidend.
Qualität muss überprüfbar werden
Allgemeine Anforderungen an Barrierefreiheit, etwa aus den Web Content Accessibility Guidelines (WCAG), sind für KI-Systeme grundsätzlich zugänglich. Die größere Herausforderung liegt darin, diese Standards mit den konkreten Abläufen einer Anwendung zu verbinden. Ein belastbares Entscheidungssystem beschreibt nicht nur allgemeine Anforderungen an ein Eingabefeld. Es hält beispielsweise auch fest, welche Angaben in einem konkreten Kundenprozess benötigt werden, bei welchen Konstellationen zusätzliche Nachweise verlangt werden und wann eine menschliche Freigabe erfolgen muss.
Diese produktspezifischen Regeln lassen sich mit technischen und rechtlichen Anforderungen verbinden und teilweise direkt in automatisierte Tests überführen. Die Qualitätssicherung prüft dann nicht nur, ob ein Formular bedienbar ist, sondern auch, ob es die im jeweiligen Unternehmen geltenden Prozess- und Berechtigungsregeln einhält. Abweichungen können dadurch bereits während der Entwicklung sichtbar werden.
KI braucht Regeln, die sich testen lassen
Wiederholbare Tests, sogenannte Evals, können überprüfen, ob ein KI-System die internen Regeln tatsächlich anwendet. Dafür erhält ein Agent realistische Aufgaben aus unterschiedlichen Rollen, Kundengruppen und Prozessvarianten. Bewertet wird nicht nur, ob die Oberfläche funktioniert, sondern ob Berechtigungen, Ausnahmen und fachliche Freigaben korrekt berücksichtigt werden. Ändern sich Regeln oder Modelle, lassen sich diese Tests erneut durchführen. So wird sichtbar, ob die KI die spezifische Geschäftslogik weiterhin zuverlässig umsetzt.
Technologien wie das Model Context Protocol (MCP) können dabei helfen, relevante Komponenten, interne Regeln und Beispiele im richtigen Arbeitsschritt für KI-Werkzeuge zugänglich zu machen. Doch die technische Anbindung allein macht aus verstreutem Wissen noch keine verlässliche Grundlage. Unternehmen müssen Regeln pflegen, versionieren, ihre Gültigkeit klären und sie an konkreten Entwicklungsaufgaben testen.
Der Mensch bleibt für die Standards verantwortlich
KI kann die Weiterentwicklung eines Entscheidungssystems unterstützen und wiederkehrende Abweichungen sichtbar machen. Ob daraus eine neue Regel entsteht, muss weiterhin das verantwortliche Team beurteilen. Denn eine Ausnahme kann bewusst zugelassen sein, während ein ähnlicher Fall eine Fehlentwicklung darstellt. Die fachliche Verantwortung bleibt bei den Menschen, die das Produkt und seine Nutzer kennen.
Für Unternehmen empfiehlt sich deshalb ein pragmatischer Einstieg: Sie wählen einen häufig genutzten, fachlich anspruchsvollen Prozess aus und dokumentieren die zugehörigen Rollen, Entscheidungen, Ausnahmen und bisherigen Lösungswege. Anschließend testen sie, ob KI mit diesen zusätzlichen Informationen die Unternehmensregeln zuverlässiger umsetzt. In Teams, die konsequent auf AI-first Development setzen, verschiebt sich damit auch der Aufwand. Nach Einschätzung aus der Entwicklungspraxis kann mehr als die Hälfte der Arbeit in die Pflege von Regeln, Kontext, Tests und Agentensystemen fließen, statt unmittelbar in die Programmierung einzelner Funktionen. Das ist keine allgemeingültige Branchenkennzahl, sondern beschreibt einen möglichen Arbeitsmodus stark KI-gestützter Teams.
Dahinter steht ein grundlegender Perspektivwechsel: „The product is not the product – the factory is the product.“ Nicht allein die einzelne Anwendung ist der entscheidende Vermögenswert, sondern auch das System aus Regeln, Wissen, Werkzeugen und Prüfmechanismen, mit dem sich Anwendungen verlässlich entwickeln und weiterentwickeln lassen. Je mehr Code KI erzeugt, desto wichtiger wird diese Grundlage. Wer lediglich die Generierung beschleunigt, riskiert, unternehmensspezifische Fehler ebenso schnell zu vervielfachen. Wer dagegen seine Entscheidungslogik systematisch verfügbar und überprüfbar macht, kann Geschwindigkeit mit Qualität verbinden.







