Die Softwareindustrie lebt von kostenloser Arbeit

Warum KI nicht das Problem ist – sondern unser Verständnis von Wertschöpfung.

Der teuerste Wirtschaftszweig der Welt – mit kostenloser Infrastruktur

Stellen wir uns eine Industrie vor, deren wichtigste Infrastruktur niemand bezahlt hat. Maschinen, Werkzeuge, Bauteile – alles kostenlos bereitgestellt von Menschen, die dafür kein Gehalt bekommen.

In der Automobilindustrie wäre das absurd. In der Softwareindustrie ist es normal.

Ein großer Teil der digitalen Wirtschaft basiert auf Werkzeugen, Bibliotheken und Frameworks, die frei verfügbar sind. Entwickler installieren sie mit einem einzigen Befehl, integrieren sie in kommerzielle Produkte und bauen darauf Geschäftsmodelle auf. Diese Situation ist historisch gewachsen, sie hat die Softwareentwicklung massiv beschleunigt – aber sie hat auch eine Nebenwirkung: Ein erheblicher Teil der Wertschöpfung der Branche basiert auf Arbeit, die nie bezahlt wurde.

Wie aus teurer Entwicklung eine kostenlose Infrastruktur wurde

Vor zwanzig Jahren war Webentwicklung deutlich aufwendiger. HTML, CSS und JavaScript wurden größtenteils von Hand geschrieben, jedes Team löste dieselben Probleme selbst: Layoutsysteme, UI-Komponenten, Formularlogik, Buildprozesse.

Heute beginnt ein neues Projekt mit einer Liste von Abhängigkeiten. Frameworks, Libraries, Tools, Komponentenbibliotheken – ein Großteil davon Open Source. Innerhalb weniger Minuten entsteht eine Entwicklungsumgebung, die früher Monate an Aufbauarbeit gekostet hätte. Das hat Start-ups beschleunigt und Eintrittsbarrieren gesenkt. Es hat aber auch eine Branche geschaffen, die sich daran gewöhnt hat, dass ihre Infrastruktur kostenlos ist.

Das Tailwind-Beispiel

Tailwind CSS hat geprägt, wie viele Entwickler Interfaces bauen. Statt klassische CSS-Strukturen zu schreiben, arbeiten sie mit Utility-Klassen direkt im Markup. Daraus ist ein großes Ökosystem entstanden: Komponentenbibliotheken, Templates, Designsysteme. Tailwind ist erfolgreich. Sehr erfolgreich sogar.

Wie erfolgreich, zeigt ein Gedankenexperiment. Tailwind CSS wurde 2025 über eine Milliarde Mal über npm heruntergeladen. Wenn jeder dieser Downloads so viel wert wäre wie ein einzelner Stream auf Spotify – zwischen 0,3 und 0,5 Cent –, hätte das Projekt rund 4,4 Millionen Dollar verdient. Hat es aber nicht. Weil es in der Softwareindustrie kein Äquivalent zum Streaming-Modell gibt. Keine Mikrovergütung pro Nutzung, kein automatischer Rückfluss an die Maintainer.

Spotify zahlt Musiker schlecht – das ist Konsens. Und trotzdem wäre selbst dieses schlechte Modell für Open-Source-Projekte ein Quantensprung. Das sagt weniger über Spotify als über die Softwareindustrie.

Natürlich gibt es Tailwind UI, kommerzielle Templates, Sponsoring. Das Team hat Wege gefunden, Umsatz zu generieren. Und trotzdem: Anfang 2026 musste Tailwind Labs einen Großteil seines Entwicklerteams entlassen. Massiver Umsatzrückgang – bei gleichzeitig dreifacher Popularität. Der Grund: Sprachmodelle beantworten Tailwind-Fragen direkt im Chat. Entwickler besuchen die Dokumentation nicht mehr. Und wer die Docs nicht besucht, sieht die kommerziellen Produkte nicht. Das Geschäftsmodell bricht zusammen, nicht weil das Produkt schlechter wird, sondern weil der Distributionskanal verschwindet.

Für die Mehrheit der Open-Source-Projekte – die Libraries, die niemand kennt, aber jeder nutzt – gibt es nicht einmal ein kommerzielles Produkt, das zusammenbrechen könnte. Der Grund liegt nicht bei Tailwind. Er liegt in der Struktur der Branche.

Die falsche KI-Debatte

Eine Klarstellung vorweg: Was derzeit als „KI” diskutiert wird, sind fast ausschließlich Large Language Models – statistische Sprachmodelle, die Wahrscheinlichkeiten für das nächste Wort berechnen. Der Begriff „Künstliche Intelligenz” suggeriert mehr, als diese Systeme leisten. Sie verstehen nichts, sie erleben nichts, sie haben keine Intentionalität. Die Branche nutzt den Begriff, weil er sich besser verkauft als „statistisches Sprachmodell”. Man sollte das im Kopf behalten, wenn man die folgenden Absätze liest.

Wer sich durch Entwicklerdiskussionen auf LinkedIn scrollt, stößt häufig auf Kritik an diesen Modellen. Ein generierter Codeblock ist nicht perfekt, und schnell wird daraus der Schluss gezogen, dass KI überschätzt wird und Entwickler langfristig unersetzbar bleiben. Diese Diskussion übersieht etwas Entscheidendes.

Vor drei Jahren spielte KI im Alltag vieler Entwickler kaum eine Rolle. Heute schreiben Sprachmodelle Code, erklären Frameworks, erzeugen Tests und generieren komplette Komponentenbibliotheken. Natürlich machen sie Fehler. Aber jedes neue Modell reduziert einen Teil dieser Fehler – nicht, weil die Systeme individuell von Nutzern lernen, sondern weil neue Versionen mit immer größeren Datenmengen trainiert werden. Ein großer Teil dieser Daten stammt aus öffentlich verfügbarem Code. Aus Open Source.

Viele Open-Source-Projekte würden, rechnet man die investierte Zeit in Stundenlohn um, nicht einmal Mindestlohn erreichen. Die Branche hat sich daran gewöhnt.

Warum es ausgerechnet die Softwarebranche trifft

Dass Sprachmodelle in der Softwarebranche so viel wirksamer sind als anderswo, hat einen einfachen Grund. Keine andere Industrie hat ihre Wissensbasis so vollständig öffentlich gemacht. Jahrzehnte an Code, Dokumentation, Diskussionen, Bugfixes – alles frei zugänglich, alles maschinenlesbar. Die Trainingsmenge, die Open Source den Sprachmodellen geliefert hat, ist in keiner anderen Branche auch nur annähernd vergleichbar. Das war nicht absehbar, als die ersten Projekte auf GitHub landeten. Aber es ist die Realität: Die Offenheit, die Innovation ermöglicht hat, ist dieselbe Offenheit, die jetzt dafür sorgt, dass ein Sprachmodell eine komplette Anwendung von vorn bis hinten durchprogrammieren kann.

Und das trifft nicht nur Open-Source-Projekte. Es trifft die gesamte Branche. Jedes Softwareprodukt – ob Open Source oder proprietär – steht unter dem Druck, dass ein Sprachmodell nicht mehr nur Autovervollständigung anbietet, sondern ganze Funktionalitäten generiert. Wer heute auf die Fehler der Modelle zeigt und daraus schließt, dass die Technologie überschätzt wird, verwechselt den aktuellen Stand mit dem Endpunkt. Die Grenzen, die Sprachmodelle heute haben, sind zum Teil technisch bedingt – Kontextfenster, Rechenressourcen, Inferenzkosten. Zum Teil werden die Modelle bewusst zurückgehalten. Und zum Teil brauchen sie einfach Zeit. KI ist kein fertiges Produkt. Sie fängt gerade erst an.

Wenn Ideen leichter reproduzierbar werden

Open Source verbreitet Ideen schnell. Code kann kopiert, verändert und verbessert werden – das ist einer der Gründe, warum das Web so schnell wachsen konnte. Aber dieser Mechanismus hat eine Kehrseite: Wer eine Idee zuerst entwickelt, wird nicht automatisch dauerhaft dafür entlohnt.

Mit Sprachmodellen wird diese Dynamik noch stärker. Dinge, die früher Monate an Entwicklung erfordert haben, lassen sich heute teilweise in Stunden generieren: Komponentenbibliotheken, Designsysteme, Boilerplate-Code. Der technische Vorsprung einzelner Tools schrumpft schneller. Das bedeutet nicht, dass ihre ursprüngliche Leistung wertlos war – ohne diese Vorarbeit gäbe es viele der heutigen Werkzeuge nicht. Aber es zeigt, wie schnell sich Wertschöpfung in der Software verschieben kann.

Es liegt nicht an der KI

Die Diskussion konzentriert sich derzeit auf einzelne Berufe oder Tools. Das greift zu kurz. Das Problem ist, dass unsere Wirtschaftsmodelle davon abhängen, dass Menschen Arbeit leisten, um Einkommen zu erhalten – während Technologie diese Arbeit immer effizienter macht.

Wenn KI einen Teil der Entwicklungsarbeit automatisiert, sinken die Kosten. Produktivität steigt. Software wird günstiger zu produzieren – und der nächste Schritt zeichnet sich bereits ab: Sprachmodelle, die nicht nur Code generieren, sondern das gesamte Interface. Ein LLM bekommt Zugriff auf Daten und Geschäftslogik über Schnittstellen und erzeugt daraus in Echtzeit eine passende Benutzeroberfläche – für ein ERP-System, einen Onlineshop, ein Dashboard. Kein statisches Frontend mehr, das entwickelt und gewartet werden muss. Die GUI wird zur Laufzeit generiert, angepasst an Kontext und Nutzer. Die Fragen, die dann bleiben, sind nicht mehr technischer Natur: Wer kontrolliert die Daten, die das Modell verarbeitet? Reichen die Ressourcen für Inferenz in Echtzeit? Und wer haftet, wenn das generierte Interface falsche Informationen darstellt?

Technisch ein Fortschritt. Doch wirtschaftlich entsteht eine Frage, die über die Softwareindustrie hinausgeht: Wie verteilt eine Gesellschaft Wertschöpfung, wenn immer weniger Arbeitszeit notwendig ist, um bestimmte Leistungen zu erbringen?

Produktivität allein garantiert keinen Wohlstand für alle. Die industrielle Revolution machte Europa extrem reich – und trotzdem lebten Arbeiter noch Jahrzehnte in Armut. Die Gewinne landeten zuerst bei Kapitalbesitzern. Dass heute viele Menschen relativ wohlhabend sind, kam nicht von selbst. Es brauchte Gewerkschaften, Sozialstaat, Bildungssystem, Mindestlöhne, politische Reformen – Institutionen, die über Generationen erkämpft wurden.

Für die aktuelle Automatisierungswelle fehlen diese Institutionen. Selbst große Unternehmen haben kein Interesse an einer Wirtschaft, in der niemand mehr Geld hat, um Produkte zu kaufen. Produktivität ohne Kaufkraft funktioniert nicht. Die Herausforderung besteht nicht darin, KI aufzuhalten – sondern wirtschaftliche Modelle zu finden, die mit steigender Produktivität umgehen können.

Wer schuldet wem was?

In der Softwarebranche sieht man diese Dynamik besonders früh. Aber sie betrifft nicht nur Software.

Ein Gedanke, der absurd klingt, aber logisch ist: Jedes Mal, wenn jemand ein Sprachmodell bemüht und dadurch schneller zum Ziel kommt, entsteht eine Produktivitätsdifferenz. Arbeit, die früher Stunden gedauert hat, ist in Minuten erledigt. Die eingesparte Zeit hat einen Wert – aber dieser Wert landet nirgends. Nicht beim Nutzer als Guthaben, nicht bei den Open-Source-Projekten, deren Code das Modell trainiert hat, nicht in einem gesellschaftlichen Topf. Er verschwindet einfach.

Man könnte sich ein Modell vorstellen, in dem diese Differenz sichtbar wird. Eine Art Produktivitätsguthaben, das sich ansammelt und in irgendeiner Form zurückfließt – an die Menschen, deren Arbeit durch Automatisierung an Marktwert verliert – weil die Nachfrage nicht unendlich wächst, aber die Maschine schneller und oft besser liefert. Das klingt nach Utopie. Aber die Alternative – eine Wirtschaft, in der nur noch geistige Arbeit zählt, die ein Sprachmodell nicht leisten kann, plus Rohstoffe – ist keine stabile Grundlage für eine Gesellschaft.

Die Investitionen, die derzeit in diese Technologie fließen, sind enorm. Robotik, industrielle Automatisierung, KI-Infrastruktur – Unternehmen investieren Milliarden in der Erwartung, dass am Ende ein Produkt steht, das sich verkaufen lässt. Aber marktwirtschaftlich funktioniert das nur, wenn am Ende noch jemand da ist, der sich das Produkt leisten kann.

Schneller als die Politik

Frühere technologische Umbrüche waren langsam genug, dass sich Gesellschaften anpassen konnten. Die Industrialisierung zog sich über Generationen. Als die CD-Werke in Deutschland schlossen, war der Aufschrei überschaubar – die Branche war klein, die Alternativen sichtbar. Was KI auslöst, ist in Dimension und Geschwindigkeit anders. Es betrifft nicht eine Branche, sondern Dutzende gleichzeitig. Und es passiert schneller, als politische Prozesse reagieren können.

Die Gefahr liegt in den Reflexen. Wenn Politik nicht schnell genug versteht, was passiert, greift sie zu dem, was sie kennt: Verbote. Die EU-KI-Verordnung ist ein Beispiel – ein Regelwerk, das Risiken kategorisiert, bevor die Technologie ausdefiniert ist. Der Impuls, Technologie einzuschränken statt zu gestalten, ist menschlich – aber er löst nichts. Er verschiebt das Problem nur, bis es zu groß ist, um es noch zu ignorieren.

Die realistischen Szenarien sind zwei: Entweder lernt die Politik, Technologie zu lenken statt zu blockieren. Oder Technologieunternehmen wachsen so weit über regulatorische Strukturen hinaus, dass die Frage der Lenkung sich erübrigt – nicht weil sie beantwortet wurde, sondern weil niemand mehr zuständig ist.

Wer wird noch Senior?

Es gibt einen Effekt, der in der aktuellen Debatte zu kurz kommt: Was passiert mit dem Berufsnachwuchs?

Wenn Sprachmodelle einen wachsenden Teil der Entwicklungsarbeit übernehmen, sinkt der Bedarf an Einstiegspositionen. Gleichzeitig sinkt die Attraktivität des Berufsbilds – warum Jahre in eine Ausbildung investieren, wenn die Technologie schneller wächst als die eigene Lernkurve? Die IT-Branche, die jahrelang über Fachkräftemangel klagte, läuft Gefahr, dass das Wachstum an qualifiziertem Nachwuchs genau dort einbricht, wo Innovation entsteht.

Senior-Entwickler entstehen nicht durch Tools. Sie entstehen durch Jahre, in denen man Systeme gebaut, Fehler gemacht und daraus gelernt hat. Wenn Einstiegspositionen wegfallen, fehlt der Weg dorthin. Sprachmodelle können Code generieren – aber sie können keine Urteilsfähigkeit vermitteln. Wer nie gelernt hat, warum eine Architekturentscheidung schlecht ist, wird es auch mit dem besten Werkzeug nicht erkennen.

Selbst die KI-Unternehmen zeigen, wohin die Reise geht: Anthropic nutzt seit langem seine eigenen Modelle, um sie weiterzuentwickeln. Das ist konsequent – aber es zeigt auch, wie schnell sich die Branche in eine zirkuläre Abhängigkeit bewegt.

Wir sollten nicht durch KI verlernen, wie es ohne KI funktioniert. Nicht aus Nostalgie – sondern weil wirtschaftliche und politische Abhängigkeiten von einzelnen Technologieanbietern ein Risiko sind, das man reduzieren sollte, statt es auszubauen.

Die eigentliche Frage

KI nimmt der Softwareindustrie nichts weg. Sie zeigt nur, wie viel Arbeit dort schon immer kostenlos war.

Nicht: Kann KI Entwickler ersetzen?

Sondern: Was passiert mit einer Wirtschaft, wenn ein immer größerer Teil ihrer Arbeit automatisiert werden kann?