Einordnung

KI-Frameworks im Vergleich: Einordnung des Design-to-Code Modells

Wer KI-gestützte Produkte oder Agenten entwickelt, findet heute eine Vielzahl unterschiedlicher Frameworks, Guidelines und Entwicklungswerkzeuge. Sie setzen an unterschiedlichen Stellen an – von wissenschaftlich fundierten Leitlinien für menschzentrierte KI bis hin zu konkreten Spec- und Coding-Workflows.

Doch wie unterscheiden sich diese Ansätze in der Praxis? Und wie gut verbinden sie Nutzerzentrierung, Human in the Loop und technologische Umsetzung?

Wir haben ausgewählte Ansätze anhand von zehn Kriterien verglichen – von Nutzerzentrierung und wissenschaftlicher Fundierung über Technologieoffenheit und Skalierbarkeit bis hin zur konkreten Umsetzung von der UX-Strategie bis zum Code.

Dabei ordnen wir auch unser Design-to-Code Modell (DtC) ein: einen UX-geführten Ansatz, der menschzentrierte Gestaltung mit einer KI-gestützten Umsetzung verbindet.

Ranking

Ranking 1 – AI-driven development of digital products and services

Rang	Framework	Nutzerzentriert	Human in the Loop	Technologie-offen	Wissenschaftlich fundiert	Praxisorientiert	Skalierbar	End-to-End	Enterprise-erprobt	Design System als Wahrheit	Gemeinsame Sprache	Punkte /50
1	Design-to-Code Framework	✓	✓	✓	✓	✓	✓	✓	✓	✓	✓	45
2	ISO 9241-210	✓	–	✓	✓	–	◐	–	✓	–	◐	32
3	BMAD Method	◐	◐	✓	–	✓	◐	✓	–	–	–	31
3	Microsoft HAX Toolkit	✓	✓	✓	✓	–	–	–	✓	–	◐	31
5	Google PAIR Guidebook	✓	✓	✓	✓	–	–	–	◐	–	◐	30
6	Shneiderman HCAI	✓	✓	✓	✓	–	–	–	–	–	◐	29
6	GitHub Spec Kit	–	✓	✓	–	✓	◐	◐	◐	–	–	29
6	IBM Design for AI	✓	◐	✓	◐	–	–	–	✓	–	✓	29
9	AWS Kiro	–	◐	–	◐	✓	✓	◐	◐	–	–	27
10	AICAM	◐	◐	–	–	✓	✓	◐	–	◐	◐	26
11	Tessl	–	◐	◐	–	✓	✓	–	–	–	–	24

✓ erfüllt (4–5 Punkte) · ◐ teilweise erfüllt (3 Punkte) · – nicht oder kaum erfüllt (1–2 Punkte)

Das Ergebnis: Die Theorie-Frameworks scheitern an der Umsetzung, die Umsetzungs-Tools am Nutzerfokus. Das Design-to-Code Framework ist der einzige Ansatz ohne Lücke.

Was zeigt der Vergleich?

Die betrachteten Ansätze verfolgen unterschiedliche Ziele und Stärken. Guidelines und Normen bieten wichtige Grundlagen für eine menschzentrierte Gestaltung von KI. Spec-Driven-Ansätze und Entwicklungswerkzeuge unterstützen dagegen vor allem die konkrete technische Umsetzung.

Das Design-to-Code Modell (DtC) verbindet diese Perspektiven: Es führt von der UX-Strategie über Scope, Structure, Skeleton und Surface bis zur lauffähigen Anwendung und integriert dabei Human-in-the-Loop, Technologieoffenheit und ein gemeinsames Vorgehen für Business, Design und Entwicklung.

Der Vergleich macht damit vor allem eines sichtbar: Für die Entwicklung guter KI-gestützter Produkte reicht weder eine gute Theorie noch ein leistungsfähiges Tool allein. Entscheidend ist die Verbindung von Nutzerzentrierung, klaren Anforderungen und konkreter Umsetzung.

Ranking 2 – Agent-based development of digital processes

Frameworks und Methoden für digitale Produkte und Services

Framework / Methode	Ganzheitlicher Ansatz	Iteratives Vorgehen	Skalierbarkeit	Sicherheit
Design-to-Code (DtC) Framework	Von der UX-Strategie über Scope, Structure, Skeleton, Surface bis zum Code Gemeinsame Sprache für Business, Design und Entwicklung	Low- und High-Fidelity-Canvas schärfen Anforderungen in Schleifen Zwischenstände mit Nutzern testen und gezielt anpassen	Maschinenlesbares Design System als Wahrheit Anforderungen bleiben für die Weiterentwicklung nutzbar	Definierte Freigabepunkte für Mensch und AI Compliance, Datenschutz und Dev-Security im Enterprise-Kontext mitgedacht
Agentic Design Patterns	Architekturmuster für Agentensysteme: Routing, Delegation, Prüfschleifen Fokus auf Technik – UX- und Business-Phasen fehlen	Einfach starten, Muster schrittweise ausbauen Erstellen–Prüfen–Verbessern-Schleife steigert die Qualität	Modulare Bausteine, kombinierbar und erweiterbar Komplexität nur bei Bedarf erhöhen	Guardrails und Prüfschritte als Muster Human Gates möglich, DSGVO nicht Teil des Ansatzes
Design Thinking / Double Diamond	Vom Problemverständnis bis zur Lösung: entdecken, definieren, entwickeln, liefern Endet meist vor der technischen Umsetzung	Prototypen und Nutzertests in kurzen Schleifen Bewusstes Öffnen und Eingrenzen von Lösungen	Methode skaliert über Teams Keine technische Basis für den Ausbau der Anwendung	Kein eigener Fokus Datenschutz und Security müssen separat ergänzt werden
Human-in-the-Loop Design	Fokus auf Eingriffspunkte im Agentenprozess Deckt weder UX-Strategie noch Umsetzung ab	Eingriffspunkte anhand von Praxisfeedback justieren Autonomie des Agenten schrittweise erhöhen	Freigaben können bei Wachstum zum Engpass werden Eskalationsregeln nötig	Kern des Ansatzes: Menschen entscheiden bei kritischen Aktionen Basis für Nachvollziehbarkeit und kontrollierten Umgang mit Daten
Jobs to Be Done – JTBD	Klärt, welche Aufgabe Nutzer erledigen wollen Grundlage für Strategie und Scope, nicht für die Umsetzung	Interviews und Hypothesen immer wieder prüfen Job Stories laufend schärfen	Jobs bleiben über einzelne Features hinweg stabil Richtet die Roadmap langfristig aus	Kein Sicherheitsbezug Datenschutz bei Interviews und Datenerhebung beachten
Service Design / Service Blueprinting	Gesamte Service-Landschaft: Frontstage, Backstage, Prozesse Brücke zur technischen Umsetzung fehlt oft	Journeys und Blueprints in Workshops und Tests verfeinern Änderungen werden schnell sichtbar	Macht Abhängigkeiten und Schnittstellen sichtbar Hilft, Betrieb und Ausbau zu planen	Datenflüsse und Verantwortlichkeiten im Blueprint sichtbar Security und DSGVO nicht systematisch geprüft
Design Sprint + Rapid Prototyping	Fünf Tage von der Problemstellung zum getesteten Prototyp Nur ein Ausschnitt, kein Weg in die Produktion	Sehr schnelles Lernen durch Nutzertest am Ende der Woche Einzelne Sprints, keine Dauerroutine	Prototyp ist ein Wegwerf-Artefakt Weiterentwicklung der Anwendung nicht abgedeckt	Prototypen laufen mit Testdaten Security und Datenschutz kein Thema
Spec-Driven Development	Von der Spezifikation bis zum Code mit KI-Agenten UX-Bezug und Nutzerzentrierung meist nicht enthalten	Spec, Plan, Tasks, Umsetzung – Änderungen über die Spec Nutzertests nicht vorgesehen	Specs im Repository erleichtern die Weiterentwicklung Je nach Tool veralten sie nach dem Start	Reviews und Regeln möglich DSGVO und Security hängen von Team und Tool ab
Eval-getriebene Entwicklung	Prüft die Qualität des Agentenprozesses Ersetzt keinen Weg von der Idee zur Umsetzung	Testfälle machen jede Änderung messbar Schnelle Regressions-Checks	Evals wachsen mit dem System Sichern Qualität bei Modellwechsel und Ausbau	Fehler und Grenzfälle früh sichtbar Datenschutz muss in Testdaten berücksichtigt werden
NIST AI Risk Management Framework	Governance über den gesamten Lebenszyklus: Govern, Map, Measure, Manage Keine Gestaltungsmethode	Wiederkehrender Zyklus zur Risikobewertung Kein Bezug zu Nutzertests	Auf Organisationsebene anwendbar Prozesse für Betrieb und Weiterentwicklung	Stärke: Risiken, Verantwortlichkeiten, Transparenz Profil für generative KI

★ Gesamtbewertung von 1 bis 4 Sternen (4 = stärkste Abdeckung über alle vier Dimensionen). Die Reihenfolge der Zeilen entspricht dem Ranking.

Was zeigt dieser Vergleich?

Keine Methode deckt alle vier Dimensionen ab – außer dem Design-to-Code Framework. Design Thinking, JTBD, Service Design und Design Sprint sind stark im Nutzerverständnis und im iterativen Testen, enden aber vor der Umsetzung und lassen Skalierbarkeit und Sicherheit offen.

Agentic Design Patterns, Spec-Driven Development, Eval-getriebene Entwicklung und Human-in-the-Loop Design liefern wichtige technische Bausteine und Kontrollpunkte, haben aber keinen UX-Bezug. Das NIST AI Risk Management Framework ergänzt Governance und Risikosteuerung, ist aber keine Gestaltungsmethode.

Das Design-to-Code Framework verbindet UX-Strategie, iterative Nutzertests, ein skalierbares Design System und definierte Freigabepunkte in einem durchgängigen Vorgehen von der Idee bis zum Code.

Die Frameworks

Design-to-Code Framework – functional aesthetics+

UX-geführtes Framework, das die fünf Ebenen der User Experience nach Jesse James Garrett (Strategy, Scope, Structure, Skeleton, Surface) in eine KI-gestützte Umsetzungs-Pipeline überführt. Unabhängig vom Design-Tool, von Figma bis zum selbst gehosteten HTML-Design-System. design-to-code.com/framework

ISO 9241-210+

Internationale Norm für menschzentrierte Gestaltung interaktiver Systeme über den gesamten Lebenszyklus. Beschreibt Prinzipien und Aktivitäten, aber keine konkreten Methoden. Grundlage u. a. der Servicestandards von GOV.UK und NHS.

BMAD Method+

Open-Source-Methode mit spezialisierten KI-Agenten, die von Brief über PRD und UX-Spezifikation bis zur Architektur führen. Umfassend, aber mit hohem Einarbeitungs- und Token-Aufwand.

Microsoft HAX Toolkit+

18 Guidelines für Mensch-KI-Interaktion, in mehreren Runden validiert, u. a. mit 49 Design-Praktikern an 20 KI-Produkten. Ausdrücklich keine Checkliste.

Google PAIR Guidebook+

Methoden, Best Practices und Patterns für menschzentrierte KI-Produkte, gestützt auf Erfahrungen von über hundert Google-Mitarbeitenden, Branchenexperten und Forschung. Mit eigenem Kapitel zu Feedback- und Kontrollmechanismen.

Shneiderman HCAI+

Wissenschaftliches Modell, das hohe menschliche Kontrolle und hohe Automatisierung gleichzeitig anstrebt. Prägend für das Verständnis von Human in the Loop, aber ohne Umsetzungswerkzeuge.

GitHub Spec Kit+

Open-Source-Toolkit (MIT), das KI-Agenten über einen Workflow von Constitution bis Implementierung steuert und mit rund 30 Agenten funktioniert. Spezifikationen dienen vor allem dem Start und veralten danach.

IBM Design for AI+

Leitlinien und Ethik-Rahmen für KI-Design, eingebettet in Enterprise Design Thinking for Data and AI. Schafft eine gemeinsame Sprache für Design und Entwicklung.

AWS Kiro+

KI-Entwicklungsumgebung auf Basis von VS Code mit Spec-Workflow. Spezifikationen leben dauerhaft im Repository, die Umgebung bindet aber an AWS.

AICAM+

Rollenübergreifender Open-Source-Workflow für Claude Code mit Figma-MCP-Pipeline, in der Design-Spezifikationen höchste Priorität haben. An einen KI-Agenten gebunden.

Tessl+

Kommerzielle Plattform, die Spezifikationen als langlebige Infrastruktur behandelt. Stark in der Weiterentwicklung, ohne UX-Bezug.

Prozessmodellierung mit BPMN + DMN+

Beschreibt Abläufe, Übergaben und feste Geschäftsregeln mit den etablierten OMG-Standards BPMN und DMN. Zeigt, wo Regeln ausreichen und wo flexible KI-Bearbeitung sinnvoll sein könnte. omg.org/spec/BPMN

Agentic Design Patterns+

Hilft, eine passende Architektur für die Aufgabe auszuwählen: verkettete Schritte, Routing, parallele Bearbeitung, dynamische Delegation oder eine Erstellen-Prüfen-Verbessern-Schleife. anthropic.com/engineering/building-effective-agents

Context Engineering+

Stellt dem Agenten die richtigen Informationen zur richtigen Zeit bereit: ein Konzept für Anweisungen, Datenzugriff, Werkzeuge, Gedächtnis und die Auswahl relevanter Informationen. anthropic.com/engineering/effective-context-engineering-for-ai-agents

Human-in-the-Loop Design+

Baut menschliche Entscheidungen und Freigaben gezielt in den Agentenprozess ein: definierte Eingriffspunkte legen fest, wann der Agent handeln darf und wann er rückfragen oder übergeben muss. reference.langchain.com · Human-in-the-Loop Middleware

Eval-getriebene Entwicklung+

Überprüft die Qualität des gesamten Agentenprozesses anhand repräsentativer Testfälle und Kriterien für Aufgabenerfolg, Werkzeugnutzung, Fehler, Kosten und Laufzeit. anthropic.com/engineering/demystifying-evals-for-ai-agents

NIST AI Risk Management Framework+

Steuert Verantwortlichkeiten und Risiken über Entwicklung und Betrieb hinweg entlang von Govern, Map, Measure, Manage, ergänzt durch ein Profil für generative KI. nist.gov/itl/ai-risk-management-framework

Die Kriterien

Grundlagen

Nutzerzentriert
Menschzentrierte Gestaltung ist Leitprinzip, nicht Einzelphase.
Human in the Loop
Menschen behalten an definierten Punkten Kontrolle und Freigabe.
Technologie-offen
Unabhängig von KI-Modell und Anbieter; maßgeblich ist die stärkere Bindung.
Wissenschaftlich fundiert
Basiert auf publizierter Forschung oder anerkannten Normen.

Umsetzung

Praxisorientiert
Hilft direkt, lauffähige Anwendungen zu bauen.
Skalierbar
Unterstützt die schrittweise Weiterentwicklung bestehender Anwendungen.
End-to-End
Durchgängig von der Strategie bis zum Code.

Differenzierung

Enterprise-erprobt
Im Konzernkontext mit Compliance und gewachsenen Systemen eingesetzt.
Design System als Wahrheit
Ein maschinenlesbares Design System ist die verbindliche Referenz für die Umsetzung.
Gemeinsame Sprache
Verständlich und nutzbar für Business, Design und Entwicklung.

Methodik

Ranking 1: Jedes Framework wurde je Kriterium auf einer Skala von 1 bis 5 bewertet; die Summe ergibt das Ranking (max. 50 Punkte). Grundlage sind die im Quellenverzeichnis genannten Publikationen, Normen, Dokumentationen und Marktübersichten.

Ranking 2: Die Frameworks und Methoden wurden qualitativ entlang vier Dimensionen eingeordnet – ganzheitlicher Ansatz (von der Idee bis zur Umsetzung, UX und Entwicklung), iteratives Vorgehen (agile Arbeitsweise mit Nutzertests und Anpassungen), Skalierbarkeit (dauerhafter Aus- und Weiterbau der Anwendung) und Sicherheit (Human Gates, DSGVO, Dev-Security). Daraus ergibt sich eine Gesamtbewertung von 1 bis 4 Sternen; die Reihenfolge der Zeilen entspricht dem Ranking.

Beide Bewertungen sind eine Einschätzung von functional aesthetics und kein unabhängiges Benchmark. Die Angaben zum Design-to-Code Framework beruhen auf der eigenen Methodik und Projekterfahrung bei Enterprise-Kunden.

Stand: Oktober 2026

Quellen

Grundlagen menschzentrierter Gestaltung und KI

Garrett, J. J. (2011): The Elements of User Experience. User-Centered Design for the Web and Beyond. 2. Aufl., New Riders.
Shneiderman, B. (2020): Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy. arxiv.org/abs/2002.04087
Shneiderman, B. (2022): Human-Centered AI. Oxford University Press.
Amershi, S. et al. (2019): Guidelines for Human-AI Interaction. CHI Conference on Human Factors in Computing Systems. doi.org/10.1145/3290605.3300233
Microsoft Research: Guidelines for Human-AI Interaction. microsoft.com/research/guidelines-for-human-ai-interaction
Google PAIR (2019, aktualisiert 2021): People + AI Guidebook. pair.withgoogle.com/guidebook
IBM: Design for AI. ibm.com/design/ai
IBM: Enterprise Design Thinking for Data and AI. ibm.com/blog/enterprise-design-thinking-for-data-and-ai
ISO 9241-210:2019: Ergonomie der Mensch-System-Interaktion – Teil 210: Menschzentrierte Gestaltung interaktiver Systeme. iso.org/standard/77520
NHS Digital (2022): How a 20-year-old standard is still relevant today. digital.nhs.uk/blog/design-matters

Spec-Driven Development und KI-Entwicklungswerkzeuge

GitHub Spec Kit. github.com/github/spec-kit
BMAD Method. github.com/bmad-code-org/BMAD-METHOD
AICAM – AI-Assisted Development Workflow. github.com/cham-space/AICAM
LLM-Coding: Spec-Driven Development – Four Approaches in Detailed Comparison (2026). github.com/LLM-Coding/Spec-Driven
Spec-Driven Development Tools Comparison (2026). github.com/cameronsjo/spec-compare
Best Spec-Driven Development Tools 2026. codemyspec.com/blog/best-spec-driven-development-tools
7 Spec-Driven Development Tools: Spec Kit, Kiro, OpenSpec, Tessl & More (2026). ssojet.com/blog/best-spec-driven-development-tools
Figma: MCP for designers. figma.com/resource-library/mcp-for-designers

Architekturen und Governance für agentische Prozesse

OMG: BPMN – Business Process Model and Notation. omg.org/spec/BPMN
OMG: DMN – Decision Model and Notation. omg.org/spec/DMN
Anthropic: Building Effective Agents. anthropic.com/engineering/building-effective-agents
Anthropic: Effective Context Engineering for AI Agents. anthropic.com/engineering/effective-context-engineering-for-ai-agents
LangChain: Human-in-the-Loop Middleware Reference. reference.langchain.com · Human-in-the-Loop Middleware
Anthropic: Demystifying Evals for AI Agents. anthropic.com/engineering/demystifying-evals-for-ai-agents
NIST: AI Risk Management Framework. nist.gov/itl/ai-risk-management-framework