Vibe Coding: Warum Produktmanager ihr Team-Setup hinterfragen sollten

Seine Engineers haben ihn gebeten, ihnen beizubringen, wie er arbeitet.

Nicht umgekehrt.

Zevi Arnovitz ist Product Manager bei Meta. Kein Entwickler. Kein technischer Hintergrund. Trotzdem plant, baut, reviewed und shipped er komplette Features und Produkte – ohne eine Zeile Code selbst zu schreiben.

Sein Ansatz: Er behandelt KI wie seinen CTO. Er besitzt das Problem, die User Experience und die Produktentscheidungen. Die KI besitzt den technischen Ansatz und die Implementierung.

Das Ergebnis war so überzeugend, dass seine Engineers – die Leute, die eigentlich coden können – ihn fragten, ob er ihnen seinen Workflow zeigen kann.

Und er ist kein Einzelfall. Überall entstehen gerade Produkte, die von Nicht-Entwicklern mit KI gebaut werden. Komplette Web-Apps. Backend, Frontend, Bezahlung, Nutzerverwaltung. Keine Zeile selbst geschrieben. Auch bei Squills war ai-portrait.eu – eine vollständige KI-Portrait-App – ein erster erfolgreicher Test: komplett mit Vibe Coding gebaut, ohne klassische Entwicklungsressourcen.

Die Frage ist nicht mehr, ob das funktioniert. Die Frage ist: Was bedeutet das für alle, die in Produktteams arbeiten?

Was ist Vibe Coding – und was ist es nicht?

Der Begriff klingt nach Trend, nach Hype, nach dem nächsten Buzzword, das in drei Monaten vergessen ist.

Ist es aber nicht.

Vibe Coding beschreibt einen fundamental anderen Ansatz in der Softwareentwicklung: Du beschreibst in natürlicher Sprache, was du bauen willst. KI-Tools wie Cursor, Claude oder GitHub Copilot generieren den Code. Du steuerst, du entscheidest, du gibst die Richtung vor.

Klingt nach „KI macht alles für dich"? Genau das ist es nicht.

Was Vibe Coding wirklich ist: eine neue Form der Zusammenarbeit zwischen Mensch und Maschine. Du brauchst kein Informatikstudium mehr. Aber du brauchst etwas anderes – etwas, das die meisten unterschätzen:

Die Fähigkeit, Probleme glasklar zu formulieren.

Denn die KI schreibt exakt den Code, den du beschreibst. Nicht den, den du meinst. Nicht den, den du im Kopf hast. Den, den du in Worte fasst. Und da trennt sich die Spreu vom Weizen.

Arnovitz macht das vor: Für jede Exploration-Phase bereitet er durchdachte Antworten vor – wie Scoring funktionieren soll, welcher Prozentsatz welchen Fragetyp nutzt, wie die UX aussehen soll. Je präziser die Vorgabe, desto besser das Ergebnis. Das ist keine Entwicklungsarbeit. Das ist Produktarbeit.

Die unbequeme Frage für Produktteams

Wenn Nicht-Entwickler funktionsfähige Apps bauen können – was bedeutet das für die Zusammensetzung deines Teams?

Entwickler werden nicht überflüssig. Das wäre naiv und falsch. Aber die Grenze zwischen „kann coden" und „kann nicht coden" verschwindet gerade. Und das verändert, welche Kompetenzen in einem Produktteam den Engpass bilden.

Früher: Du hattest eine Idee. Du brauchtest ein Dev-Team, um sie umzusetzen. Der Engpass war Entwicklungskapazität.

Heute: Du hast eine Idee. Du kannst sie in Stunden prototypen. Der Engpass ist nicht mehr die Umsetzung. Der Engpass ist die Urteilskraft.

Welches Problem ist es wert, gelöst zu werden? Welches Feature bringt echten Nutzerwert? Wann ist ein Produkt „gut genug" zum Shippen? Diese Fragen sind wichtiger als je zuvor. Weil die Umsetzung so billig geworden ist, dass du dir Fehlentscheidungen schneller leisten kannst – aber auch schneller auf die Füße fällst.

Die Zahlen dahinter

Das ist kein Bauchgefühl. Die Daten sind eindeutig.

Laut Carta hat der Anteil von Solo-Gründungen an allen neuen Startups von 23,7 % in 2019 auf 36,3 % im ersten Halbjahr 2025 zugenommen. Jedes dritte neue Startup wird heute von einer einzelnen Person gegründet.

KI-Startups erreichen eine Million Dollar Jahresumsatz bis zu vier Monate schneller als klassische SaaS-Unternehmen. Die Infrastrukturkosten, die noch vor fünf Jahren Tausende Euro pro Monat verschlungen haben, liegen heute oft unter 100 Euro.

Ein konkretes Beispiel: Maor Shlomo hat Anfang 2025 Base44 gegründet. Einen KI-gestützten No-Code App-Builder. Als Ein-Mann-Startup. Sechs Monate später: 300.000 Nutzer, 3,5 Millionen Dollar Jahresumsatz, Übernahme durch Wix für 80 Millionen Dollar. Startkapital: rund 10.000 Dollar.

Sam Altman hat eine Wette unter Tech-CEOs laufen, wann das erste Ein-Personen-Milliarden-Unternehmen kommt. Klingt nach Hollywood.

Aber die eigentlich spannende Geschichte sind nicht die Unicorns. Es sind die Tausende von Einzelpersonen und Kleinstteams, die gerade mit KI echte, profitable Produkte bauen. Sechsstellige, siebenstellige Umsätze. Bootstrapped. Profitabel. Nachhaltig.

Wenn eine Einzelperson das kann – was bedeutet das für ein Team von zwanzig Leuten?

Wie Vibe Coding in der Praxis funktioniert

Einfach ChatGPT öffnen und „Bau mir eine App" sagen funktioniert nicht. Was funktioniert, ist ein System.

Der Workflow: KI als CTO

Arnovitz hat seinen gesamten Entwicklungsprozess in Phasen zerlegt und jede Phase in wiederverwendbare Prompts gegossen:

1. Issue erstellen – Ideen schnell erfassen, während er an etwas anderem arbeitet. Die KI erstellt automatisch ein strukturiertes Ticket.
2. Exploration – Die KI analysiert die Codebasis, erklärt den aktuellen Stand und stellt gezielte Rückfragen zu Scope, UX und Architektur.
3. Plan erstellen – Ein detaillierter Markdown-Plan mit kritischen Entscheidungen und einer Aufgabenliste, die während der Umsetzung aktualisiert wird.
4. Ausführung – Verschiedene KI-Modelle für verschiedene Stärken: Claude für Architektur und Reasoning, andere Modelle für schnelles Coding oder UI-Arbeit.
5. Review und Peer Review – Mehrere KI-Modelle reviewen den Code unabhängig voneinander. Ein Multi-Modell-Review-Panel, bei dem KI-Agenten über Bugs und Design-Entscheidungen diskutieren.
6. Lernen und Dokumentation – Jeder Fehler wird zum Lernanlass. Jede Architekturentscheidung wird dokumentiert.

Das Ergebnis: StudyMate – eine App, mit der Studenten aus PDFs und Notizen automatisch anspruchsvolle Quizze generieren. Echte Nutzer, echte Einnahmen. Gebaut von einem PM, der keinen Code schreibt.

Dieses Prinzip lässt sich verallgemeinern. Ein Multi-Agenten-Setup, bei dem verschiedene KI-Rollen verschiedene Aufgaben übernehmen:

• Architect: Plant die Systemarchitektur. Datenmodell, API-Struktur, Tech-Stack-Entscheidungen.
• Developer: Schreibt den Code auf Basis der Architektur-Vorgaben.
• Reviewer: Prüft den Code auf Fehler, Sicherheitslücken und Konsistenz.
• Tester: Identifiziert Edge Cases und schreibt Tests.

Klingt nach einem normalen Entwicklungsteam? Genau. Der Unterschied: Alle diese Rollen werden von KI übernommen. Der Mensch ist der Produktmanager, der die Richtung vorgibt.

Die Regeln: Ohne Struktur kein Ergebnis

Egal welches Setup – ohne klare Regeln produziert Vibe Coding Chaos. Die KI ist unglaublich schnell. Aber ohne Leitplanken baut sie genauso schnell einen Haufen technische Schulden.

Was funktioniert:

• Klare Architektur-Dokumente vor dem ersten Prompt. Die KI braucht Kontext. Viel Kontext.
• Kleine, abgeschlossene Aufgaben statt „bau mir das gesamte Feature". Je präziser der Prompt, desto besser das Ergebnis.
• Code-Reviews durch eine separate KI-Instanz. Nie den gleichen Agenten Code schreiben und reviewen lassen. Das ist, als würde der Autor sein eigenes Buch lektorieren.
• Versionskontrolle von Anfang an. Git, Commits, Branches. Ohne Rollback-Möglichkeit verloren, wenn die KI sich in eine falsche Richtung entwickelt.
• KI-native Postmortems. Wenn die KI einen Fehler macht: Was in deinem Kontext hat dich zu diesem Fehler geführt? Dann Prompts, Dokumentation und Workflow anpassen. So wird das System mit der Zeit besser.

Das Ergebnis: Wochen statt Monate

Arnovitz' StudyMate ist live. Nutzer laden PDFs hoch, generieren Quizze, lernen damit. Bei Squills steht ai-portrait.eu – Nutzer melden sich an, laden Bilder hoch, lassen KI-Portraits generieren, bezahlen. Nicht perfekt. Aber funktional, nutzbar und live.

Vor drei Jahren hätten solche Projekte ein Team von drei bis fünf Entwicklern über mehrere Monate beschäftigt. Heute: eine Person, ein paar Wochen, und das Produkt ist am Markt.

Was das für den Jobmarkt bedeutet

Und jetzt die Frage, die niemand gern stellt.

Wenn eine Person mit KI die Arbeit eines kleinen Teams übernehmen kann – was passiert mit den Menschen, die bisher diese Arbeit gemacht haben?

Die bequeme Antwort „Es entstehen ja neue Jobs" stimmt teilweise. Aber sie ist auch eine Ausrede.

Die ehrliche Antwort: Bestimmte Fähigkeiten verlieren gerade massiv an Wert. Reines Coding – also das Übersetzen von klaren Spezifikationen in funktionierenden Code – ist die Aufgabe, die KI am besten kann. Wer sich ausschließlich über diese Fähigkeit definiert, hat ein Problem.

Gleichzeitig steigen andere Fähigkeiten im Wert:

• Problemverständnis: Wissen, was gebaut werden soll. Nutzerinterviews. Marktanalyse. Product Discovery.
• Systemdenken: Verstehen, wie Komponenten zusammenspielen. Architektur-Entscheidungen. Trade-offs abwägen.
• Qualitätsurteil: Erkennen, wann etwas „gut genug" ist und wann nicht. Code-Review. UX-Sensibilität.
• Kommunikation: Die Fähigkeit, Anforderungen so zu formulieren, dass eine KI (oder ein Mensch) sie umsetzen kann. Das ist schwieriger als es klingt.

Arnovitz nennt es so: PMs sollten „10x Learners" sein, nicht „10x Genies". KI hilft, Strategie, UX und technische Zusammenarbeit auf einem viel höheren Niveau und Tempo zu üben. Die Fähigkeit zu lernen wird wichtiger als bestehendes Wissen.

Für Produktmanager bedeutet das: Eure Kernkompetenz war noch nie so wertvoll wie jetzt. Aber eure Rolle verändert sich. Ihr seid nicht mehr die Übersetzer zwischen Business und Engineering. Ihr seid die Dirigenten eines Orchesters, in dem zunehmend KI-Agenten die Instrumente spielen.

Was nicht funktioniert

Bevor der Eindruck entsteht, dass ab morgen jeder mit einem KI-Abo eine App baut: Nein.

Vibe Coding hat klare Grenzen. Und wer sie nicht kennt, verschwendet Zeit.

Komplexe, sicherheitskritische Software: Banken, Medizingeräte, Flugzeugsteuerungen. Hier braucht es nach wie vor tiefe technische Expertise und strenge Zertifizierungsprozesse. KI kann unterstützen, aber nicht führen. Schwere Datenbankmigrationen und risikoreiche Änderungen in großen Unternehmen gehören weiterhin unter strenge Engineering-Reviews.

Hoch skalierte Systeme: Wenn Millionen Nutzer gleichzeitig auf ein System zugreifen, reicht „funktioniert auf meinem Rechner" nicht. Performance-Optimierung, Caching-Strategien, Infrastruktur-Design – das sind Disziplinen, die Erfahrung und tiefes technisches Verständnis erfordern.

Alles ohne klares Problem: Das beste Tool der Welt hilft nicht, wenn unklar ist, was gebaut werden soll. Vibe Coding beschleunigt die Umsetzung. Die Problemfindung bleibt Menschenarbeit.

Und noch etwas: Die Qualität des Outputs hängt direkt von der Qualität des Inputs ab. Wer vage Prompts schreibt, bekommt vagen Code. Wer nicht versteht, was die KI generiert hat, kann es nicht debuggen, wenn es schiefgeht. „Ich verstehe keinen Code" ist kein Freibrief. Es ist eine Einladung, zumindest die Grundlagen zu lernen.

Was Produktmanager jetzt tun sollten

Konkrete Handlungsempfehlungen. Keine Theorie, keine Vision – Dinge, die diese Woche anfangen können.

1. Selbst einen Prototyp bauen

Nicht um Entwickler zu ersetzen. Sondern um zu verstehen, was möglich ist. Ein kleines Problem nehmen, das nervt. Einen internen Workflow, ein simples Tool. Und es mit Cursor oder einem vergleichbaren Tool bauen.

Zwei Dinge werden dabei klar: Erstens, wie viel schneller Umsetzung geworden ist. Zweitens, wie viel schwieriger es ist, ein Problem sauber zu beschreiben, als gedacht.

2. Das Team-Setup hinterfragen

Nicht um Leute zu feuern. Sondern um zu fragen: Wenn einfaches Coding von KI übernommen werden kann – wird die Entwicklungskapazität in die richtigen Aufgaben investiert? Sitzen die besten Engineers an Problemen, die ihre Expertise wirklich erfordern? Oder schreiben sie CRUD-Endpoints, die eine KI in Sekunden generiert?

3. In Architektur-Kompetenz investieren

Was bei Vibe Coding am meisten zählt, ist nicht das Coden selbst. Es ist die Architektur. Saubere Systemdesigns, klare Schnittstellen, durchdachte Datenmodelle. Das sind die Vorgaben, die bestimmen, ob die KI brauchbaren oder katastrophalen Code produziert.

Die wertvollste Kompetenz im Team ist bald nicht mehr „kann schnell coden", sondern „kann sauber denken".

4. Einen KI-nativen Workflow aufbauen

Der Schlüssel liegt nicht im einzelnen Tool, sondern im Workflow. Arnovitz hat Monate damit verbracht, seinen Prozess zu verfeinern – von Issue-Erstellung über Exploration und Planung bis zu Multi-Modell-Reviews. Diesen Workflow hat er in wiederverwendbare Prompts gegossen, die jede Phase strukturieren.

Das bedeutet: Gute Prompts schreiben lernen. KI-generierten Code lesen lernen. Verstehen, wann der KI zu vertrauen ist und wann nicht. Und vor allem: Aus jedem Fehler den Workflow verbessern.

Die Verschiebung, die gerade passiert

KI ersetzt keine Developer. KI verändert die Rolle von Developern. Weg von der reinen Code-Produktion, hin zu Architektur, Systemdesign und Qualitätssicherung.

Und Produktmanager spielen in dieser neuen Welt eine Schlüsselrolle. Weil die Fähigkeit, das richtige Problem zu identifizieren, die richtige Lösung zu priorisieren und das richtige Qualitätsniveau zu bestimmen – das ist genau der Engpass, den KI nicht löst.

Die spannendste Entwicklung in der digitalen Produktentwicklung ist nicht, dass KI alles einfacher macht. Sondern dass sie den Engpass verschiebt. Weg von der Umsetzung. Hin zu Urteilsvermögen, Geschmack und Klarheit im Denken.

Das sind Fähigkeiten, die man lernen kann. Aber man muss anfangen.

Dieser Artikel erscheint auf dem Squills-Blog. Squills baut KI-gesteuerte Produkte und hilft Teams, schneller mit KI zu arbeiten. Wer wissen will, wie Vibe Coding im eigenen Team funktionieren kann – sprich mit uns.