Low-Code/No-Code KI-Plattformen: Demokratisierung der künstlichen Intelligenz

Von Dirk Röthig | CEO, VERDANTIS Impact Capital | 31. März 2026

Jahrelang war KI-Entwicklung das exklusive Terrain von Datenwissenschaftlern, ML-Ingenieuren und akademisch geschulten Algorithmus-Experten. Low-Code und No-Code Plattformen verändern dieses Bild grundlegend: Wer heute eine App erstellen kann, kann morgen ein KI-Modell trainieren — und das verändert alles.

Tags: Low-Code, No-Code, KI-Plattformen, Demokratisierung, Künstliche Intelligenz, Citizen Development, Wettbewerb

Das Expertenproblem der KI

Methodische Anmerkung: Diese Analyse basiert auf Marktdaten von Gartner, Forrester und IDC sowie auf Produktbewertungen und Fallstudien zu Low-Code/No-Code-KI-Plattformen. Stand: erstes Quartal 2026.

Künstliche Intelligenz hat in den vergangenen Jahren den Sprung von der akademischen Forschung in die Unternehmenspraxis geschafft. Doch die Implementierung bleibt aufwendig. Ein klassisches KI-Projekt erfordert typischerweise Data Scientists für die Modellentwicklung, ML-Ingenieure für Training und Deployment, Software-Entwickler für Integration in Geschäftsprozesse, und Domänenexperten, die die fachlichen Anforderungen übersetzen können.

Dieses Kompetenzprofil ist teuer und rar. Laut OECD mangelt es Europa an rund 900.000 KI-Fachleuten (OECD, Digital Economy Outlook, 2024). In Deutschland allein sind über 130.000 Stellen im Bereich Data Science und KI unbesetzt (Bitkom, 2024). Die Konsequenz: Nur größere Unternehmen können KI realistisch implementieren. Mittelstand und kleine Unternehmen bleiben außen vor — und damit ein erheblicher Teil der Wirtschaft.

Hier setzen Low-Code/No-Code (LCNC) KI-Plattformen an. Ihr Versprechen: KI-Fähigkeiten ohne tiefe Programmierkenntnisse — über visuelle Interfaces, vorkonfigurierte Bausteine und automatisierte ML-Prozesse.

Was Low-Code und No-Code bedeutet

Die Abgrenzung ist fließend, aber gebräuchlich:

No-Code: Keinerlei Programmierkenntnisse erforderlich. Nutzer konfigurieren KI-Anwendungen vollständig über grafische Oberflächen — Drag-and-Drop, Formularfelder, natürlichsprachliche Anweisungen.

Low-Code: Grundlegende Programmierkenntnisse (Formeln, einfache Logikblöcke) ermöglichen mehr Flexibilität, aber der Großteil bleibt visuell konfigurierbar.

AutoML (Automated Machine Learning) ist die technische Grundlage vieler dieser Plattformen: Algorithmen, die automatisch das beste Modell für einen Datensatz auswählen, Hyperparameter optimieren und das fertige Modell deployen — ohne dass der Nutzer die zugrunde liegende Mathematik verstehen muss.

Führende Plattformen und ihr Einsatzspektrum

Der Markt für LCNC-KI-Plattformen ist in wenigen Jahren zu einem der dynamischsten Segmente der Softwarewirtschaft geworden. Gartner schätzt das Marktvolumen 2025 auf rund 27 Milliarden US-Dollar mit einer jährlichen Wachstumsrate von über 20 Prozent (Gartner, Magic Quadrant for Enterprise Low-Code Application Platforms, 2025).

Microsoft Power Platform mit Azure AI Builder: Wohl das meistgenutzte LCNC-KI-Ökosystem weltweit, da es tief in die Microsoft-365-Welt integriert ist. Nutzer können Formularerkennung, Bildklassifikation, Sentiment-Analyse und benutzerdefinierte Modelle trainieren — direkt in Power Apps oder Power Automate, mit wenigen Klicks. Copilot Studio ermöglicht die Erstellung eigener KI-Agenten ohne Code.

Google Vertex AI AutoML: Google bietet über Vertex AI einen vollständig verwalteten Service für Bild-, Text- und tabellarische Datenmodelle. Importieren, trainieren, evaluieren, deployen — der komplette ML-Lifecycle ohne Programmierkenntnisse, von Googles Infrastruktur betrieben.

H2O.ai Driverless AI: Besonders beliebt in Finanz- und Versicherungsunternehmen, weil es nicht nur Modelle trainiert, sondern auch deren Entscheidungen in menschenverständlicher Sprache erklärt — ein entscheidender Compliance-Faktor für regulierte Branchen.

Teachable Machine (Google): Ein zugängliches Tool für Bilderkennungs-, Audio- und Posenschätzungsmodelle. Ohne jede Programmierkenntnisse können Nutzer eigene Trainingsdaten hochladen und Modelle im Browser trainieren. Für Bildungsanwendungen und kleinere Prototypen eine der niedrigschwelligsten Einstiegsoptionen.

Obviously AI, DataRobot, Akkio: Eine Welle von Startups hat sich auf Citizen-Data-Science spezialisiert — Plattformen, die Business-Analysten ohne ML-Hintergrund ermöglichen, Vorhersagemodelle zu erstellen, Zeitreihen zu analysieren und Churn-Prognosen zu erstellen.

Citizen Development: Die neue KI-Kraft in Unternehmen

Der Begriff Citizen Developer hat sich in der Enterprise-Welt etabliert: ein Mitarbeitender ohne formale IT-Ausbildung, der Software-Anwendungen und KI-Modelle für seinen eigenen Arbeitsbereich entwickelt. Gartner prognostiziert, dass bis 2026 80 Prozent aller neuen Softwareprodukte von Nicht-IT-Profis entwickelt werden — eine Prognose, die durch den Aufstieg von LCNC-Plattformen plausibel erscheint (Gartner, 2024).

In der Praxis bedeutet das: Ein Vertriebsleiter, der Kundendaten analysiert, trainiert selbst ein Churn-Vorhersagemodell in Power Platform. Eine Logistiksachbearbeiterin automatisiert die Klassifikation von Eingangsrechnungen mit Azure AI Builder. Ein Marketingmanager erstellt einen KI-Chatbot für FAQs in Copilot Studio. Keine Ticketsysteme, keine Wartezeiten für IT-Ressourcen.

Fallstudie Boehringer Ingelheim: Der Pharmariese hat eine interne LCNC-KI-Plattform aufgebaut, auf der Fachexperten aus Labor, Produktion und Vertrieb eigene KI-Anwendungen entwickeln. Mehr als 1.200 Citizen Developers sind aktiv; die Zahl interner KI-Projekte hat sich in drei Jahren versiebenfacht — bei einem Bruchteil der Kosten klassischer IT-Projekte (Boehringer Ingelheim, Digital Innovation Report, 2024).

Was LCNC gut kann — und was nicht

Ehrlichkeit über Grenzen ist wichtig:

LCNC ist stark bei:

• Standardanwendungsfällen mit sauberem, tabellarischem Datenmaterial
• Bildklassifikation, Textklassifikation, einfachen Vorhersagemodellen
• Schnellen Prototypen und Proof-of-Concepts
• Deployment in bekannte Unternehmensumgebungen (Microsoft 365, Salesforce, Google Workspace)

LCNC stößt an Grenzen bei:

• Sehr großen, unstrukturierten Datensätzen (Sprachmodelle, Videoverarbeitung)
• Hochpräzisen Anforderungen, bei denen Modellarchitektur entscheidend ist
• Komplexen Custom-Architekturen für spezifische wissenschaftliche Domänen
• Regulatorischen Umgebungen, die Modell-Explainability auf Codeebene fordern

Ein grundsätzliches Risiko ist Shadow IT: Wenn Citizen Developers unkontrolliert KI-Modelle bauen, entstehen Datenschutz- und Sicherheitsrisiken, unkontrollierte Systemabhängigkeiten und potenzielle Compliance-Lücken. Unternehmen brauchen Governance-Frameworks, die Freiheit und Kontrolle ausbalancieren.

Der Bildungseffekt: KI-Kompetenz für alle

Jenseits der direkten Unternehmensanwendung hat LCNC einen erheblichen Bildungseffekt. Tools wie Google Teachable Machine, Microsoft Azure AI Fundamentals und Hugging Face AutoTrain werden zunehmend in Schulen, Universitäten und Weiterbildungsprogrammen eingesetzt — und machen KI-Konzepte durch direkte Experimentiermöglichkeiten begreifbar.

In Deutschland hat das KI-Fortbildungsprogramm des Bundesministeriums für Bildung LCNC-Plattformen explizit in den Curriculum-Empfehlungen für berufsbildende Schulen verankert. Das Ziel: 2030 sollen mindestens 60 Prozent der deutschen Arbeitnehmenden in der Lage sein, einfache KI-Anwendungen ohne Programmierausbildung zu nutzen oder zu konfigurieren (BMBF, KI-Strategie Update, 2025).

Geopolitische Dimension: Wer kontrolliert die Plattformen?

Hinter der Demokratisierungserzählung steckt eine Machtfrage: Die meistgenutzten LCNC-KI-Plattformen stammen von US-amerikanischen Konzernen — Microsoft, Google, Salesforce, AWS. Wer die Plattform kontrolliert, kontrolliert die Daten, die Modelle und die Abhängigkeiten.

Für europäische Unternehmen, die LCNC-KI in sensiblen Bereichen einsetzen (Personalentscheidungen, Kreditvergabe, Gesundheitsdaten), entstehen damit Datenschutz- und Souveränitätsfragen. Die DSGVO-Konformität von US-Cloud-Anbietern ist trotz Transatlantic Data Privacy Framework immer noch rechtlich umstritten.

Europäische Alternativen wie Dataiku (Paris), Knime (Zürich, Open-Source-basiert) oder das Deutsche KI-Ökosystem rund um Aleph Alpha sind vorhanden, aber in Marktanteilen und Funktionsbreite noch im Aufholmodus.

Ausblick: Konvergenz mit generativer KI

Die nächste Entwicklungsstufe zeichnet sich bereits ab: die Konvergenz von LCNC-Plattformen mit generativer KI und natürlichsprachlichen Interfaces. Wenn Nutzer eine KI-Anwendung einfach beschreiben können ("Erstelle ein Modell, das meine Eingangsrechnungen nach Lieferant und Kostenart klassifiziert") und die Plattform das vollständig autogeneriert, löst sich die Grenze zwischen Low-Code und No-Code noch weiter auf.

Microsoft Copilot Studio, OpenAI's GPT Builder und Google's Gemini-Integrationen bewegen sich bereits in diese Richtung. Die Vision: KI-Erstellung durch Konversation — ohne ein einziges Drag-and-Drop-Element.

Die Demokratisierung von KI ist kein technischer Trend allein. Sie ist ein sozialer und wirtschaftlicher Wandel, der die Machtgefälle im Unternehmen, zwischen Branchen und zwischen Nationen neu verteilt. Wer diesen Wandel versteht und aktiv gestaltet, wird zu den Gewinnern der nächsten Phase der Wissensökonomie gehören.

Quellenverzeichnis

• Bitkom (2024). Fachkräftemangel in der Digitalwirtschaft 2024. Berlin: Bitkom Research.
• BMBF (2025). KI-Strategie der Bundesregierung: Update 2025. Berlin: Bundesministerium für Bildung und Forschung.
• Boehringer Ingelheim (2024). Digital Innovation Report 2024. Ingelheim: Boehringer Ingelheim International.
• Gartner (2024). Magic Quadrant for Enterprise Low-Code Application Platforms. Stamford: Gartner Inc.
• Gartner (2025). Forecast: Low-Code and No-Code Development Technologies, Worldwide. Stamford: Gartner Inc.
• IDC (2024). Worldwide Artificial Intelligence Spending Guide. Framingham: International Data Corporation.
• OECD (2024). OECD Digital Economy Outlook 2024: AI and the Digital Transformation of Work. Paris: OECD Publishing.

Über den Autor: Dirk Röthig ist CEO von VERDANTIS Impact Capital, einer auf nachhaltige Realwirtschaftsinvestitionen spezialisierten Investmentgesellschaft. Er beobachtet und kommentiert wirtschaftliche und technologische Transformationsprozesse. Kontakt: dirk@roethig.nl

Von Dirk Röthig (Dirk Roethig)