Der Designer ist tot. Es lebe der Infrastruktur-Kurator.
GenUI verändert das UX/UI-Design grundlegend. Warum wir jetzt den Wandel vom visuellen Layouter zum systemischen Denker vollziehen müssen – bevor die Technik uns überholt.
Interfaces, die sich selbst bauen
Wir bilden Designerinnen und Designer für eine Welt aus, die gerade aufhört zu existieren.
Die Welt, in der ein gutes Interface ein gut gezeichnetes Interface ist. In der Figma-Kompetenz das Kernmerkmal professioneller Designarbeit darstellt. Diese Welt ist nicht verschwunden – aber sie wird gerade von einer anderen überlagert, die nach einer fundamental anderen Logik funktioniert.
Generative KI wird häufig noch wie ein zusätzliches Werkzeug behandelt. Ein Textgenerator hier, ein Bildmodell dort. Das ist nicht falsch, aber es greift zu kurz. Die eigentliche Veränderung liegt tiefer: Interfaces werden zunehmend nicht mehr gebaut. Sie werden live generiert – dynamisch, im Moment der Nutzung, basierend auf Nutzerverhalten und Kontext.
Was hier entsteht, hat einen Namen: Generative UI – kurz GenUI.
GenUI ist kein Feature und kein Plugin. Es ist ein Paradigmenwechsel, bei dem KI-Systeme Benutzeroberflächen dynamisch erzeugen, anpassen und personalisieren. Die Grundfrage des Designs verschiebt sich damit fundamental: von Wie sieht es aus? zu Unter welchen Bedingungen darf die Maschine gestalten?
Die Technologie dafür existiert bereits in frühen, aber funktionierenden Formen. Google Research erzeugt mit LLMs vollständige interaktive Webseiten. Vercel liefert produktionsreife GenUI-Infrastruktur für React. Thesys bedient mit seiner C1-API über 300 Teams. Das sind keine Laborexperimente mehr.
Zugleich muss man ehrlich sein: Vollständig dynamisch generierte Interfaces sind noch hochgradig experimentell – zu langsam, zu inkonsistent, zu fragil für den Alltag. Die realistische Nahzukunft sind Hybridansätze: Designer definieren Komponenten und Leitplanken; KI komponiert daraus kontextabhängig.
Aber die Richtung ist unumkehrbar. Und wer wartet, bis die Technik ausgereift ist, hat den Wandel verschlafen.
Die Grundfrage des Designs verschiebt sich fundamental: von „Wie sieht es aus?" zu „Unter welchen Bedingungen darf die Maschine gestalten?"
Jan-Philipp WittrinVon der Oberfläche zur Infrastruktur
Die Reaktion vieler Institutionen auf generative KI lautet: Wie integrieren wir KI-Tools in bestehende Prozesse? Midjourney für Moodboards, ChatGPT für UX-Copy.
Das ist die falsche Frage. Sie setzt voraus, dass der Prozess gleich bleibt und KI nur ein neues Werkzeug ist. Aber wenn eine KI live entscheidet, wie ein Interface aussieht, liegt die designerische Kernleistung nicht mehr im finalen Screen. Sie liegt in den Bedingungen, unter denen Maschinen gestalten dürfen.
Die Nielsen Norman Group hat diesen Shift 2024 als „Outcome-Oriented Design“ beschrieben. Ich gehe einen Schritt weiter und nenne die resultierende Rolle den Infrastruktur-Kurator: jemand, der nicht Oberflächen entwirft, sondern die Architektur kuratiert, innerhalb derer intelligente Systeme gestalten.
Was das technisch bedeutet? Abschied von starren Komponentenbibliotheken, hin zu dem, was ich Capability Catalogs nenne – ein Denkmodell, bei dem wir nicht definieren, wie etwas aussieht, sondern was ein Interface können soll. Die Verhandlungssprache zwischen Designern und Maschinen sind dabei semantische Tokens.
Komponentenbibliothek
Definiert, wie etwas aussieht
#E63946
Capability Catalog
Definiert, was etwas können soll
intent.high_risk
Ein Beispiel: Eine KI, die nur einen Hexadezimalcode (#E63946) kennt, weiß nicht, ob dieses Rot eine Fehlermeldung oder Dekoration ist. Erst wenn wir Intentionalität hinterlegen – etwa intent.high_risk, wie Vikesh Mittal (2026) es in seinem Konzept der Adaptive Semantic Design Layers beschreibt –, zwingen wir sie zu logischen Schlussfolgerungen. Wer das nicht versteht, liefert keine Designarbeit mehr. Er liefert Rauschen.
Die Synthese aus Ulm und Memphis
In meiner Designhaltung orientiere ich mich an zwei scheinbar gegensätzlichen Polen: der analytischen Präzision der HfG Ulm, die Gestaltung als strenge wissenschaftliche Methodik definierte, und der expressiven Provokation der Memphis-Gruppe, die in den 1980ern jede funktionalistische Regel sprengte.
GenUI synthetisiert genau diese Spannung. Die KI generiert aus strengen, rationalen Regelwerken hochgradig individualisierte, teils überraschende Oberflächen, die auf den momentanen Zustand des Nutzers zugeschnitten sind. Methodische Strenge trifft spielerische Kreativität – das ist nicht nur reizvoll. Es ist das Fundament zukünftiger UX-Forschung.
Designgeschichtliche Einordnung. Die HfG Ulm (1953–1968) behandelte Gestaltung als Wissenschaft – Raster, Systeme, Regelwerke. Die Memphis-Gruppe (1981–1988) antwortete mit radikaler Dekonstruktion: Muster, Farbe, scheinbare Beliebigkeit als ästhetisches Statement. GenUI vereint beide Impulse in einem Prozess: Die KI folgt regelbasierten Architekturen (Ulm), erzeugt daraus aber kontextabhängig individuelle, unvorhersehbare Oberflächen (Memphis).
Silent Drift und kognitive Last
So überzeugend die Chancen sind – die algorithmische Freiheit generativer Systeme hat zwei systematische Feinde.
Das schleichende Abweichen der KI von Markenrichtlinien. Vela et al. (2022) wiesen nach, dass 91 Prozent der ML-Modelle ohne Wartung über die Zeit degradieren. Bei Systemen mit Gestaltungsfreiheit akkumulieren sich hunderte kleine Kompromisse, bis die Markenidentität erodiert.
- Das Problem: Statische Styleguides als PDF sind in dieser Welt wertlos. Kein Wartungsmechanismus verhindert die schrittweise Aushöhlung von Designentscheidungen.
- Die Konsequenz: Wir brauchen automatisierte Validierung in Echtzeit – Designsysteme, die sich selbst überwachen und Abweichungen flaggen, bevor sie sich akkumulieren.
Die HCI-Forschung warnt seit 40 Jahren: adaptive Interfaces können kognitive Last erhöhen, weil sie Vorhersagbarkeit zerstören. Findlater und McGrenere (2004) zeigten: Statische Menüs waren schneller als adaptive. Was technisch smart wirkt, kann subjektiv extrem anstrengend sein.
- Das Problem: Nutzer bauen mentale Modelle auf der Grundlage von Konsistenz. Jedes dynamisch generierte Layout zerstört ein Stück davon – mit kumulativem Effekt.
- Die Konsequenz: Babaei et al. (2025) bescheinigen dem NASA-TLX gravierende Validitätsmängel für moderne UX. Wir brauchen nicht nur neue Interfaces – wir brauchen neue Metriken, um zu verstehen, was wir da eigentlich bauen.
Wer das nicht versteht, liefert keine Designarbeit mehr. Er liefert Rauschen.
Jan-Philipp WittrinDas GenUI-Planspiel
Wie vermittelt man etwas, das man nicht mehr statisch entwerfen, sondern nur als System erleben kann?
Meine Antwort ist ein neuartiges didaktisches Format in vier Phasen. Teilnehmer entwerfen keine Screens – sie bauen Regelwerke. Und lernen dabei, wie es sich anfühlt, die Kontrolle an ein System abzugeben, das man selbst gebaut hat.
Teilnehmer entwerfen keine Screens. Sie erhalten stattdessen fiktive Nutzerdaten: Abbruchraten, Klickpfade, Überforderungssignale. Das rohe Material ist nicht Ästhetik – es ist Verhalten.
- Lernziel: Das Interface als Reaktion auf Nutzerverhalten verstehen, nicht als vorgefertigtes Artefakt.
- Methode: Analyse von Nutzungsszenarien, Identifikation von Mustern, die das System kennen und beantworten muss.
Teilnehmer definieren die Regeln, nach denen die KI gestalten darf: Welche Elemente dürfen kombiniert werden? Wann wird ein Interface vereinfacht, wann verdichtet?
Diese Regeln werden als maschinenlesbare Strukturen formuliert – etwa JSON-Schemas, die festlegen, dass bei hoher kognitiver Last maximal drei Aktionen sichtbar sein dürfen, oder semantische Tokens wie intent.high_risk, die bestimmte Sicherheitsstufen erzwingen.
- Lernziel: Vom visuellen Denken zum systemischen Denken. Intentionalität als Architekturentscheidung kodieren.
- Methode: Formulierung von Constraints als formale Regelwerke; Peer-Review der Grenzziehungen.
Die KI generiert das Frontend live auf Basis der erarbeiteten Regeln – und ich provoziere bewusst den Silent Drift. Die KI halluziniert, das Layout weicht ab, die Teilnehmer erleben Kontrollverlust und müssen ihr System debuggen.
- Lernziel: Ambiguitätstoleranz – produktiv umgehen mit Systemen, die sich nicht vollständig kontrollieren lassen.
- Methode: Live-Generierung mit bewusst injizierten Regelverstößen; Debugging der eigenen Architekturentscheidungen in Echtzeit.
Am Ende steht kein hübsches UI – sondern ein belastbarer UX-Research-Report. Was hat das System gelernt? Was hat die Architektur verhindert? Wo lagen die eigenen blinden Flecken?
- Lernziel: Designentscheidungen messbar und argumentierbar machen – nicht ästhetisch, sondern systemisch.
- Methode: Auswertung nach vordefinierten Metriken; Dokumentation von Systemgrenzen und Drift-Momenten als Forschungsbefund.
Fazit
Die Frage ist nicht, ob dieser Wandel kommt. Die Frage ist, ob wir bereit sind, wenn er da ist.
Die Rechenleistung für vollständig dynamische Interfaces ist noch nicht breit verfügbar. Aber die Bausteine – semantische Tokens, adaptive Regelwerke, KI-gestützte Komposition – existieren heute. Wer erst anfängt, wenn die Technik ausgereift ist, wird feststellen, dass andere die Regeln bereits geschrieben haben.
Drei Kompetenzverschiebungen sind unausweichlich: Erstens – von der Oberfläche zur Architektur. Kernleistung ist nicht mehr der finale Screen, sondern das Regelwerk, das Screens ermöglicht. Zweitens – von Werkzeugkompetenz zu Systemdenken. Figma-Kompetenz bleibt wertvoll; sie reicht aber nicht mehr aus. Drittens – von Kontrolle zu Ambiguitätstoleranz. Die Fähigkeit, produktiv mit Systemen umzugehen, die sich nicht vollständig steuern lassen, ist die Schlüsselkompetenz der nächsten Generation.
Die Oberfläche zu gestalten war gestern. Die Infrastruktur zu kuratieren ist heute. Nicht weil GenUI schon überall ist – sondern weil wir die Kompetenz brauchen, bevor es so weit ist.
Quellen
- Vela et al. (2022). Temporal quality degradation in ML models. Scientific Reports, 12. — Empirische Grundlage für das Silent-Drift-Argument: 91 % der Modelle degradieren ohne aktive Wartung.
- Findlater, L. & McGrenere, J. (2004). A comparison of static, adaptive, and adaptable menus. CHI ’04 Proceedings. — Statische Menüs waren schneller als adaptive: die empirische Warnung vor unkalibrierter Adaptivität.
- Babaei et al. (2025). Validity concerns of the NASA-TLX for modern UX evaluation. International Journal of Human-Computer Studies, 201. — Warum bestehende Messverfahren für GenUI-Kontexte grundlegend neu gedacht werden müssen.
- Moran, K. & Gibbons, S. (2024). Outcome-Oriented Design. NNGroup Report. — Beschreibt den Shift weg vom Artefakt hin zu systemischen Designzielen.
- Leviathan et al. (2025). Generating interactive web pages from descriptions. Google Research. — Belegt die technische Reife früher GenUI-Ansätze.
- Mittal, V. (2026). Designing Adaptive Semantic Design Layers for AI-Driven Frontends. Medium. — Konzeptionelle Grundlage für semantische Tokens als Intentionsträger jenseits visueller Beschreibung.
- Lavie, T. & Meyer, J. (2010). Benefits and costs of adaptive user interfaces. International Journal of Human-Computer Studies, 68. — Systematische Untersuchung des Kosten-Nutzen-Verhältnisses adaptiver Systeme.
- W3C Design Tokens Community Group (2025). Design Tokens Format Module. — Technischer Standard für maschinenlesbare semantische Tokens.
- Spitz, R. (2018). Hfg Ulm — The View Behind the Foreground. renespitz.de. — Historische Einordnung der Designmethodik der HfG Ulm als Vorläufer regelbasierter Gestaltungssysteme.
Lassen Sie uns sprechen
Sie möchten mehr über Lehre, Forschung oder laufende Projekte erfahren?
Ich freue mich auf Ihre Nachricht oder ein persönliches Gespräch.