600 Mio. $ annualisierter Umsatz mit Code, den kein Engineering-Team geschrieben hat

Bevor Vibe Coding einen Namen hatte, war die Annahme simpel und wurde selten hinterfragt: Software wird von Leuten gebaut, die Software schreiben kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen. Entweder Sie lernten programmieren, stellten jemanden ein, der es konnte, oder Sie warteten. Product Manager schrieben Specs und reichten sie an die Entwickler weiter. Gründer mit Ideen, aber ohne technischen Hintergrund verbrachten Jahre damit, am Wochenende Python zu lernen oder Anteile für Entwicklergehälter zu verbrennen. Der Abstand zwischen einer Idee für ein digitales Produkt und dem fertigen Launch wurde standardmäßig in Monaten und Tausenden von Dollar gemessen, mindestens.

Das war kein Naturgesetz. Es war eine Folge der verfügbaren Tools.

Wer hat den Begriff Vibe Coding geprägt?

Der Begriff „Vibe Coding" wurde Anfang 2025 von Andrej Karpathy geprägt. Karpathy, Gründungsmitglied von OpenAI und früherer KI-Chef bei Tesla, beschrieb in einem Post eine neue Arbeitsweise: in einfacher Sprache beschreiben, was man will, ein LLMLLMEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → den Code generieren lassen und die darunterliegende Implementierung weitgehend ignorieren. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → nannte es „fully giving in to the vibes". Der Post verbreitete sich schnell, weil er etwas benannte, das Entwickler informell bereits taten, und weil er genau in dem Moment kam, in dem Code-Generierungsmodelle gut genug geworden waren, damit der Workflow überhaupt trägt.

Das Timing war kein Zufall. Modelle wie GPT-4 und Claude 3 hatten eine Schwelle überschritten, ab der sie über ein breites Aufgabenspektrum hinweg kohärenten, funktionierenden Code erzeugen konnten, nicht nur Autocomplete-Snippets, sondern ganze Komponenten, komplette Routen, verknüpfte Logik. Diese Fähigkeit hatte sich über einige Jahre aufgebaut, aber es brauchte einen griffigen Namen und eine glaubwürdige Stimme, um daraus eine Praxis zu machen, über die man sprechen und um die herum man Produkte bauen konnte.

Lovable, das schwedische Startup, das früher GPT Engineer hieß, bewegte sich bereits vor Karpathys Post in diese Richtung. Das Produkt lässt Nutzer eine Anwendung in natürlicher Sprache beschreiben und liefert eine funktionierende Web-App. Keine IDE, keine lokale Umgebung, keine Versionskontrolle zum Einrichten. Mitte 2026 berichtete Lovable-Mitgründer Fabian Hedin, die Plattform habe 600 Mio. $ annualisierten Umsatz überschritten und die darauf erstellten Apps erhielten fast eine Milliarde Views pro Monat. Das sind keine Prototyp-Zahlen. Das ist Produktions-Traffic auf Software, die in den meisten Fällen ohne eine einzige handgeschriebene Zeile Code entstanden ist.

Was Lovables Wachstum über den echten Engpass verrät

Interessant an Lovables Entwicklung ist, was sie darüber verrät, wo die Reibung in der Softwareentwicklung tatsächlich lag. Die Annahme war immer, der schwierige Teil sei das Schreiben von Code. Vibe-Coding-Plattformen legen nahe, dass der schwierige Teil alles andere war: zu wissen, was man baut, es klar zu beschreiben, auf Feedback hin zu iterieren, etwas schnell genug vor Nutzer zu bringen, um daraus zu lernen.

Diese Fähigkeiten sind außerhalb von Engineering-Teams reichlich vorhanden. Product Manager, Berater, Marketer, Operations-Verantwortliche und Gründer ohne technischen Hintergrund haben ihre gesamte Laufbahn damit verbracht, genau diese Art zu denken zu entwickeln. Vibe Coding gibt ihnen keine Abkürzung an der Software vorbei, sondern Zugang zu einem Prozess, den sie ohnehin schon steuern konnten.

Die Kategorie ist außerdem schneller gereift, als Skeptiker erwartet hatten. Frühe Vibe-Coding-Ergebnisse ließen sich leicht abtun: Spielzeug-Apps, visuelle Demos, die unter realen Bedingungen zusammenbrachen, UIs, die gut aussahen und nichts taten. Diese Kritik trifft auf einen Teil dessen, was heute gebaut wird, immer noch zu. Aber die Milliarde Views pro Monat auf Lovables Plattform deutet darauf hin, dass ein nicht unerheblicher Anteil des Ausgelieferten nützlich genug ist, dass echte Nutzer immer wieder zurückkommen.

Wenn man versteht,, wie agentische Coding-Systeme hinter den Kulissen tatsächlich arbeiten , wird klarer, warum die Qualität gestiegen ist. Die besseren Plattformen fahren inzwischen mehrstufige Agent-Loops: Code generieren, testen, Fehler abfangen und überarbeiten, ohne dass der Nutzer bei jedem Schritt eingreift. Das ist architektonisch etwas anderes als ein einzelner Prompt, der einen statischen Codeblock zurückgibt.

Die Frage der Output-Qualität ist damit nicht verschwunden. Eine Milliarde Views pro Monat sagt etwas über Volumen und ReachReachDie Zahl der einzelnen Personen, die Ihre Botschaft in einem bestimmten Zeitraum gesehen haben. Anders als Impressions zählt Reach jede Person nur einmal, unabhängig davon, wie oft sie die Botschaft sieht.Vollständige Definition ansehen →; sie sagt weniger über Security-Aufstellung, Umgang mit Daten oder darüber, was passiert, wenn eine in vierzig Minuten gebaute App anfängt, echte Kundendaten zu verarbeiten., beurteilen zu können, ob das, was ein KI-System produziert hat, tatsächlich funktioniert , ist eine andere Fähigkeit als zu wissen, wie man es promptet, und eine, die Vibe-Coding-Plattformen nicht ersetzen können.

Warum scheiterten COBOL und Low-Code, LLMs aber nicht?

Die Ursprungsgeschichte handelt hier nicht wirklich von Lovable und auch nicht von Karpathys Post aus 2025. Sie reicht weiter zurück, zu Jahrzehnten gescheiterter Versuche, die Softwareerstellung für Nicht-Programmierer zugänglich zu machen. COBOL entstand zum Teil aus der Idee, dass Fachanwender ihre eigenen Programme schreiben können sollten. Sprachen der vierten Generation machten in den 1980ern ähnliche Versprechen. Low-Code-Tools der 2010er kamen näher heran, entkamen aber nie der Anziehungskraft der Komplexität: Früher oder später brauchten Sie doch einen Entwickler.

Was sich diesmal geändert hat, ist nicht der Anspruch, sondern der Mechanismus. Große Sprachmodelle können genug Kontext halten, genug kohärente Struktur erzeugen und schnell genug iterieren, dass der Abstand zwischen Beschreibung und funktionierender Software auf eine Weise zusammengeschrumpft ist, die frühere Tools nie geschafft haben.

Für Fachleute, die keine Entwickler sind, hat diese Verschiebung eine praktische Konsequenz, über die es sich nachzudenken lohnt: Der Engpass beim Bau digitaler Produkte hat sich verlagert. Früher war es technisches Können. Heute sind es Klarheit im Denken und die Urteilsfähigkeit dafür, wie guter Output aussieht. Beides ist erlernbar, und beides war ohnehin schon Ihr Job.

Lovables Run Rate von 600 Mio. $ wurde von Leuten aufgebaut, die Ideen hatten, sie gut beschrieben und ausgeliefert haben. Der Engineering-Abschluss war nicht die Beschränkung. Er war es nie.