TEIL A: No-Code AI Tools 2026

Hier die Ergebnisse, unten die Wissenschaft.

Was ist No-Code-KI überhaupt? Werkzeuge, mit denen man KI- oder Automatisierungslösungen per Mausklick und Baukasten baut, ohne programmieren zu können. Man zieht Bausteine zusammen oder beschreibt in normaler Sprache, was man will. (z.B.: mit n8n.io für Bausteine oder stundenheld.com für eine Text-Beschreibung der gewünschten KI-Funktion)

Stimmen die Werbeversprechen? Teilweise. Es stimmt, dass man damit sehr schnell und günstig Dinge ausprobieren kann. Aber die dramatischen Zahlen („90 % schneller", „spart Millionen") kommen fast immer von Firmen, die diese Tools verkaufen, oder von Marktforschern, die davon leben. Unabhängige Wissenschaft findet ein gemischteres Bild: Anfänger und einfache Aufgaben profitieren stark (in einem Experiment waren Programmier-Einsteiger mit KI-Hilfe 55,8 % schneller), Profis und komplexe Aufgaben oft gar nicht. In einer sauberen Studie von 2025 wurden erfahrene Entwickler mit KI-Hilfe sogar 19 % langsamer, obwohl sie selbst dachten, sie seien schneller.

Was ist die größte versteckte Gefahr? Dass man Fehler nicht bemerkt. Untersuchungen zeigen, dass Menschen ohne Fachwissen Fehler in KI-Ergebnissen kaum erkennen können. Selbst wenn man sie ausdrücklich warnt, misstrauisch zu sein. Ein hübsches Dashboard kann eine falsche Vorhersage sehr überzeugend aussehen lassen. Bei einer Marketing-Spielerei ist das egal. Aber bei einer Kreditentscheidung, einer medizinischen Einschätzung oder einer Preiskalkulation nicht. Zusätzlich gilt: Von einer KI generierter Code enthielt in einer wissenschaftlichen Studie in rund 40% der Fälle Sicherheitslücken.

Die vier wichtigsten Praxisrisiken:

1. Abhängigkeit vom LLM-Anbieter (Lock-in): Die Daten und Modelle stecken in der Plattform. Z.B.: OpenAI oder Microsoft 365. Steigt der Preis oder wird das Tool eingestellt (wie Microsofts Lobe, oder umgebaut wie Obviously AI zum Tool „Zams"), stehen Sie im Regen.
2. Schatten-IT: Wenn jeder in der Firma eigene kleine KI-Tools baut, verliert niemand mehr den Überblick.Ein Sicherheits- und Datenschutzrisiko. Erfahrungswerte zeigen, dass 10–20 % des IT-Budgets für das Aufräumen solcher „technischer Schulden" draufgehen können, wenn nicht von Anfang an verhindert wird, dass Abteilungen 'ihr eigenes Süppchen kochen'.
3. Datenschutz: Viele Tools schicken Ihre Daten in die US-Cloud. Das kann gegen die DSGVO verstoßen und auch gegen den AI-Act.
4. Gesetz (EU AI Act): Seit 2024/2025 gibt es klare Regeln. Wer nur ein fertiges Tool benutzt, hat eher leichte Pflichten („Deployer"). Wer es aber unter eigenem Namen weiterverkauft oder stark umbaut, haftet plötzlich wie ein Hersteller („Provider"). Mit Dokumentations- und Prüfpflichten. Die strengen Regeln für Hochrisiko-Anwendungen greifen ab August 2026.

Was hat sich gerade geändert? Die klassischen „Klick-dir-dein-KI-Modell"-Tools werden von Chatbots/Sprachmodellen (wie ChatGPT) und neuen Techniken (z. B. TabPFN für Tabellendaten) überholt. Der große Trend zu eigenen KI-Agenten ist aktuell im vollen Gane. Manche der von uns 2024 empfohlenen Tools (Die besten No-Code AI Tools 2024: Ein umfassender Leitfaden) gibt es schon nicht mehr oder sie machen jetzt etwas völlig anderes. Ein guter Grund, „Top-Tools"-Listen mit Skepsis zu lesen. Auch diese hier!

Unsere Hinweise, wie man endlich den Schritt in die KI-Welt 2026 wagt:

Für Privatpersonen und Lernende:

• kostenlose, datensparsame Tools wie Google Teachable Machine (Training läuft lokal im Browser) existieren zum Lernen und Experimentieren mit den Grundlagen von KI. Ideal und risikoarm.
• Verlassen Sie sich bei wichtigen Entscheidungen nie blind auf ein selbstgebautes Modell oder einen KI-AGenten.

Für Unternehmen (gestaffelt):

1. Sofort: Erlauben Sie No-Code-KI für unkritische Prototypen und interne Automatisierung. Legen Sie eine einfache Liste an, wer welches Tool mit welchen Daten nutzt (gegen Schatten-IT) und nutzen Sie möglicht einfache aber wirksame Tools, wie z.B. stundenheld.com um auch Nicht-IT-Abteilungen einen einfachen Zugang zu KI-Agenten zu geben.
2. Vor dem produktiven Einsatz: Klären Sie Datenschutz (Wo liegen die Daten? DSGVO?) und Ihre Rolle unter dem EU AI Act (Deployer vs. Provider). Bei personenbezogenen Hochrisiko-Anwendungen (Personal, Kredit, Gesundheit): Grundrechte-Folgenabschätzung und menschliche Aufsicht sind verpflichtend.
3. Governance aufbauen: Ab mehreren Tools/Nutzern ein „Center of Excellence" mit IT und Fachbereich; Export-/Ausstiegsstrategie gegen Lock-in einplanen (Können Sie Agenten und Tools mitnehmen und auf anderen Software-Platformen nutzen?).
4. Qualitätssicherung: Lassen Sie kritische Modelle von einer Person mit Datenkompetenz gegenprüfen. Setzen Sie Konfidenzschwellen, Stichprobenkontrollen und menschliche Freigaben.

Schwellen, die die Empfehlung ändern: Sobald (a) personenbezogene oder regulierte Daten im Spiel sind, (b) Entscheidungen mit rechtlicher/ großer finanzieller Wirkung getroffen werden, oder (c) das KI-Tool geschäftskritisch wird: wechseln Sie von „einfach ausprobieren" zu „mit IT/Recht/Datenschutz absichern".

Vorbehalte

• Quellenasymmetrie: Für konkrete Produktivitäts- und Kostenzahlen dominieren kommerzielle Quellen; unabhängige, peer-reviewte Belege sind rar und meist qualitativ. Jede „X % schneller/günstiger"-Zahl, mit der geworben wird ist mit Skepsis zu behandeln.
• Übertragbarkeit: Ein Großteil der belastbaren Produktivitätsforschung betrifft Code-Assistenten (Programmierung), nicht spezifisch No-Code-Tools oder No-Code Agenten. Die Übertragung ist plausibel, aber nicht bewiesen.
• Widersprüchliche Produktivitätsevidenz: Die Copilot-Studie (2023, Einsteiger, isolierte Aufgabe) und die METR-RCT (2025, Profis, reife Codebasis) widersprechen sich nur scheinbar (Siehe weiter unten). Sie messen völlig unterschiedliche Populationen und Aufgabentypen. Beide sind valide.
• Tempo: Das Feld verändert sich extrem schnell; Tool-Status und Marktzahlen sind Momentaufnahmen (Stand Juli 2026).
• Tool-Status: Angaben zum Fortbestand einzelner Tools stützen sich teils auf Anbieter-/Drittquellen und können sich kurzfristig ändern.
• Marktforschung: Gartner-, Forrester-, IDC- und KPMG-Zahlen sind kommerziell und teils methodisch intransparent (z. B. keine öffentlichen Stichprobendetails); Prognosen sind keine gemessenen Fakten.

Hier die Liste der aktuellen No-Code AI Tools 2026:

(Status teils aus kommerziellen/Vendor-Quellen; als Momentaufnahme zu verstehen. Auffällig: Von 17 Tools sind mindestens eines eingestellt und zwei grundlegend umpositioniert — ein Beleg für die Kurzlebigkeit dieses Marktes und die Unzuverlässigkeit von „Top-Tools"-Listicles.)

TEIL B: WISSENSCHAFTLICHER TEIL

Key Findings

1. Es existiert eine solide, wachsende akademische Literatur zu Low-Code/No-Code (LCNC), aber sie ist überwiegend qualitativ. Systematische Reviews dominieren; echte kontrollierte Produktivitätsexperimente speziell zu No-Code-KI fehlen weitgehend. Die Evidenzbasis für konkrete Prozentzahlen (z. B. „90 % schnellere Entwicklung") ist schwach und stammt aus Marketing.
2. Die am häufigsten in der Forschung genannten Risiken sind konsistent: Vendor Lock-in, Sicherheits-/Compliance-Risiken, Integrationsprobleme, begrenzte Skalierbarkeit, unzureichende Dokumentation, mangelnde Testunterstützung, fehlende Flexibilität, Shadow IT und technische Schulden.
3. Laien können Modellfehler schlecht erkennen. Eine kontrollierte Studie zeigt, dass Marketing-/Vertriebsprofis Fehler in KI-Datenanalysen nicht zuverlässig identifizieren können — ein Kernproblem des „Citizen Developer"-Versprechens.
4. Die Produktivitätsevidenz zu KI-Assistenz ist widersprüchlich und kontextabhängig: Große Gewinne bei Anfängern/einfachen Aufgaben, aber eine RCT von 2025 (METR) zeigt, dass erfahrene Entwickler durch KI-Tools sogar 19 % langsamer wurden.
5. KI-generierter Code ist messbar fehleranfälliger: ca. 40 % (genau: 39,33 % der Top-Vorschläge, 40,73 % aller Optionen) der von GitHub Copilot generierten Programme enthielten Sicherheitslücken (peer-reviewt, IEEE S&P 2022).
6. Paradigmenwechsel seit 2024: Tabellarische Foundation-Modelle (TabPFN, Nature 2025) und LLM-Agenten verändern die technische Grundlage; „Vibe Coding" ist zum akademischen Forschungsgegenstand geworden.
7. Regulatorisch ist der EU AI Act (Verordnung (EU) 2024/1689) maßgeblich: No-Code-Nutzer sind i. d. R. „Deployer", können aber bei Umwidmung/Rebranding zum „Provider" mit vollen Pflichten werden.

Details

A.1 Forschungsstand zu No-Code/Low-Code KI-Plattformen

Die zentrale systematische Übersichtsarbeit ist Rokis & Kirikova (2022), "Challenges of Low-Code/No-Code Software Development: A Literature Review" (Springer, International Conference on Business Informatics Research). Ergänzend liefert eine PRISMA-basierte systematische Review von 60 peer-reviewten Journalen (2020–2025) aus 1.582 Ausgangsdatensätzen (Scopus, EBSCO, AISeL) den aktuellsten Überblick: "Low-Code and No-Code Development in the Era of Artificial Intelligence: A Systematic Review" (Data and Metadata, 2025, https://dm.ageditor.ar/index.php/dm/article/view/1218). Kernaussage: Die Konvergenz von LCNC und KI markiert einen Wandel hin zu „intelligent, citizen-driven software development", aber theoretische Fundierung, Governance und branchenspezifische Best Practices bleiben unterentwickelt.

Für den ML-spezifischen Bereich (AutoML/No-Code-ML) sind zentral:

• arXiv:2211.04661 — "Challenges and Barriers of Using Low Code Software for Machine Learning" (empirische Analyse von ~14.000 Stack-Overflow-Posts). https://arxiv.org/abs/2211.04661
• arXiv:2304.09863 — "End-User Development for Artificial Intelligence: A Systematic Literature Review". https://arxiv.org/pdf/2304.09863
• arXiv:2402.07933 — "Human-Centered AI Product Prototyping with No-Code AutoML: Conceptual Framework, Potentials and Limitations". https://arxiv.org/pdf/2402.07933
• Sufi, F. (2023) — "Algorithms in Low-Code-No-Code for Research Applications: A Practical Review", Algorithms 16(2):108.

Die methodisch sauberste empirische Vergleichsstudie ist Laso et al. (2025), "Democratizing Machine Learning: A Practical Comparison of Low-Code and No-Code Platforms", Machine Learning and Knowledge Extraction 7(4):141, DOI: 10.3390/make7040141 (https://www.mdpi.com/2504-4990/7/4/141). Sie vergleicht Amazon SageMaker Canvas, Google Cloud Vertex AI und Azure ML Studio an einem realen Anwendungsfall (Verletzungsrisiko-Prognose im Sport). Ergebnis: Alle Plattformen erreichten hohe Genauigkeit; Vertex AI war am benutzerfreundlichsten, Azure lieferte die beste Modellleistung bei steilerer Lernkurve, und die Kostentransparenz variierte erheblich (Google Cloud und Azure boten klarere Schutzmechanismen gegen unerwartete Kosten als SageMaker Canvas). Wichtig: Die Autoren betonen ausdrücklich, dass empirische Studien zu LC/NC für nicht-technische Fachleute weitgehend fehlen.

Hinweis zu einer oft falsch zitierten Arbeit: "An Empirical Study on Low-Code Programming using Traditional vs Large Language Model Support" (arXiv:2402.01156; publiziert im Journal of Systems and Software 234:112727, 2026) ist keine Produktivitäts-RCT, sondern eine qualitative Analyse von 1.688 Stack-Overflow-Posts. Sie berichtet keine Produktivitäts-Prozentzahlen, sondern charakterisiert Unterschiede in Anwendungsbereich und Limitationen (7 Limitationen bei traditionellem Low-Code, 5 bei LLM-basiertem). Kernbefund verbatim: „users of LLM-based LCP grapple with higher demands for technical expertise and face more pronounced reliability concerns."

A.2 Evidenz für die behaupteten Vorteile — und wie belastbar sie ist

Marktzahlen (kommerziell, mit Vorbehalt): Laut Gartner sollen bis 2026 Low-Code 75 % der neuen Anwendungsentwicklung ausmachen (von <25 % im Jahr 2020), und der Anteil der Nutzer außerhalb der IT soll von 60 % (2021) auf 80 % (2026) steigen (Varsha Mehta, Senior Market Research Specialist bei Gartner). Das Marktvolumen wird für 2026 auf 44,5 Mrd. USD (CAGR 19 %) und bis 2029 auf 58,2 Mrd. USD geschätzt. Diese Zahlen sind Prognosen kommerzieller Analysten und keine wissenschaftlichen Befunde. Die KPMG-Studie "Low-Code Adoption as a Driver of Digital Transformation" (2024, 2.000 Entscheider aus EMA/USA/ASPAC) fand: 81 % halten Low-Code für strategisch bedeutsam, aber nur 31 % haben es zum zentralen Bestandteil ihrer Strategie gemacht; als Hauptvorteile wurden Prozesseffizienz (53 %) und Mitarbeiterproduktivität (51 %) genannt.

Produktivität (unabhängige Evidenz, gemischt):

• Peng et al. (2023), "The Impact of AI on Developer Productivity: Evidence from GitHub Copilot" (arXiv:2302.06590): In einem kontrollierten Experiment war die Treatment-Gruppe mit KI 55,8 % schneller (95 %-KI: 21–89 %) beim Programmieren eines HTTP-Servers in JavaScript. Der größte Nutzen zeigte sich bei weniger erfahrenen Entwicklern.
• Becker et al. (2025, METR), "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (arXiv:2507.09089): In einer RCT mit 16 erfahrenen Open-Source-Entwicklern und 246 Aufgaben (Cursor Pro mit Claude 3.5/3.7 Sonnet) erhöhte KI-Nutzung die Bearbeitungszeit um 19 % — die Entwickler wurden also langsamer. Verbatim: „we find that allowing AI actually increases completion time by 19%--AI tooling slowed developers down." Bemerkenswert: Vorab prognostizierten sie 24 % Zeitersparnis, nachher schätzten sie 20 % Ersparnis — trotz gemessener Verlangsamung (Wahrnehmungslücke von ~39 Prozentpunkten).

Diese Diskrepanz ist der wichtigste methodische Befund: Der Produktivitätsnutzen hängt stark von Nutzergruppe (Anfänger vs. Profi) und Aufgabentyp (isolierte Funktion vs. reife Codebasis) ab. Die Übertragung auf No-Code-KI-Modellbau ist plausibel, aber nicht empirisch bewiesen.

Fähigkeit von Laien, Qualität zu beurteilen: Die kontrollierte Studie "Non-programmers Assessing AI-Generated Code: A Case Study of Business Users Analyzing Data" (arXiv:2508.06484) fand, dass Marketing-/Vertriebsprofis (n=10, plus zweite Befragung n=18) Fehler in KI-Datenanalysen nicht zuverlässig erkennen konnten, selbst wenn sie explizit dazu angehalten und incentiviert wurden, der KI zu misstrauen. Das untergräbt die zentrale Annahme, dass „Citizen Developer" die Qualität ihrer No-Code-KI-Modelle selbst validieren können.

A.3 Risiken, Limitationen und Kritikpunkte in der Forschung

• Vendor Lock-in, Sicherheit, Skalierbarkeit: Die systematische Review + Fallstudien-Arbeit "Adoption of Low-Code and No-Code Development: A Systematic Literature Review and Future Research Agenda" identifiziert sieben Haupthemmnisse: Vendor Lock-in, Sicherheits-/Compliance-Risiken, Integrationsprobleme, begrenzte Skalierbarkeit, unzureichende Dokumentation, begrenzte Testunterstützung und mangelnde Flexibilität. Am kritischsten laut Fallstudien: mangelnde Flexibilität/Anpassbarkeit, Vendor Lock-in und unzureichende Tests.
• Shadow IT & technische Schulden: Die Spannung zwischen dezentraler Freiheit und nötiger Standardisierung ist zentral (siehe auch arXiv:2112.14073 zu Digital Transformation). Eine McKinsey-Umfrage („Tech debt: Reclaiming tech equity", Okt. 2020, unter 50 CIOs von Firmen mit >1 Mrd. USD Umsatz) fand: „CIOs reported that 10 to 20 percent of the technology budget dedicated to new products is diverted to resolving issues related to tech debt" — und technische Schulden machen „20 to 40 percent of the value of their entire technology estate" aus.
• Bias/Fairness: "Democratize with Care: The need for fairness specific features in user-interface based open source AutoML tools" (arXiv:2312.12460) untersuchte DataRobot, H2O Studio, Dataiku und RapidMiner und fand unzureichende Funktionen zur Unterstützung fairness-bewusster Modellentwicklung — d. h. Laien können unbeabsichtigt verzerrte Modelle bauen.
• Sicherheit von KI-Code: Pearce et al. (IEEE S&P 2022), "Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions" (arXiv:2108.09293; auch Communications of the ACM, DOI 10.1145/3610721): Verbatim „In total, we produce 89 different scenarios for Copilot to complete, producing 1,689 programs. Of these, we found approximately 40% to be vulnerable" — genauer waren 39,33 % der Top-Vorschläge und 40,73 % aller Optionen verwundbar.
• DSGVO/Datenschutz: Bei Cloud-basierten No-Code-KI-Diensten werden Daten oft an Anbieter außerhalb der EU übertragen; dies kollidiert potenziell mit der DSGVO und den Deployer-Pflichten des AI Act.

A.4 Veränderung des Feldes seit 2024: LLMs, Agenten, Vibe Coding

Verdrängung klassischer AutoML durch LLM-Ansätze und Foundation-Modelle:

• TabPFN (Hollmann et al., "Accurate predictions on small data with a tabular foundation model", Nature 637(8045):319–326, Januar 2025, DOI: 10.1038/s41586-024-08328-6, https://www.nature.com/articles/s41586-024-08328-6): Ein transformerbasiertes Foundation-Modell für tabellarische Daten, das ohne aufgabenspezifisches Training starke Ergebnisse auf kleinen Datensätzen erzielt. Es stellt das klassische AutoML-Paradigma (Feature Engineering, Modellauswahl, Hyperparameter-Tuning) grundlegend in Frage. Nachfolger: TabPFN-2.5 (arXiv:2511.08667, 2026), TabICL (ICML 2025).
• Google hat 2025 mehrere Standalone-AutoML-Dienste eingestellt (Text-AutoML Juni 2025, Video-AutoML Juli 2025), ersetzt durch Gemini-basiertes Tuning. AutoML Tabular und AutoML Image bleiben aktiv.

Vibe Coding (Begriff von Andrej Karpathy, Februar 2025; „Word of the Year" des Collins Dictionary 2025) ist zum Forschungsgegenstand geworden:

• "A Survey of Vibe Coding with Large Language Models" (arXiv:2510.12399, 2025) — Erfolg hängt „not merely on agent capabilities but on systematic context engineering" ab.
• "Professional Software Developers Don't Vibe, They Control: AI Agent Use for Coding in 2025" (arXiv:2512.14012): Reine „Vibe Coding" produziert Software nicht über eine gewisse Komplexität hinaus; erfolgreiche Entwickler behalten Kontrolle und Expertise („vibe coding still requires significant human expertise").
• Meske et al. (2025), "Vibe coding as a reconfiguration of intent mediation in software development", IEEE Access 13:213242–213259, DOI: 10.1109/ACCESS.2025.3645466.

Fazit zum Paradigmenwechsel: Klassische „Klick-dir-ein-ML-Modell"-No-Code-Plattformen werden von zwei Seiten in die Zange genommen — von LLM-/Sprachschnittstellen für die Bedienung und von Foundation-Modellen für die Modellierung. Der Ausgangsartikel von Oktober 2024 bildet damit einen bereits überholten Stand ab.

A.5 Regionale Unterschiede

• Deutschland/Europa: Der Bitkom Digital Office Index (Erhebung 2021/22, 1.203 Unternehmen ab 20 Beschäftigten) zeigt: 35 % der deutschen Unternehmen nutzen Low-Code/No-Code für die Prozessautomatisierung; Chatbots nutzen 25 % (davon nur 2 % mit LCNC). Beim Thema KI ist der Rückstand deutlich — verbatim: „Lediglich 3 Prozent setzen bereits auf KI-Unterstützung bei der Beschleunigung von Arbeitsaufgaben durch automatisierte Prozesse ... Nur in 4 Prozent der Fälle kommt dabei Low-Code/No-Code zum Einsatz." Europa hat insgesamt eine nuanciertere, governance-orientiertere Adoption (Bitkom, KPMG Deutschland).
• USA: Größter Markt (ca. 38 % des globalen No-Code-Umsatzes 2025), stärkste Anbieterlandschaft.
• Indien: IT-Services-Perspektive. Die NASSCOM-Nagarro-Studie "Low Code No Code — The India Story" (2022): Indien generierte in FY2021 über 400 Mio. USD Umsatz aus LC/NC (70 % aus globalen Märkten), mit Prognose 4,0–4,2 Mrd. USD bis FY2025 (~10 % des globalen Marktes). 90 % der indischen LC/NC-Anwender nutzen einheimische Plattformen; BFSI (Banken/Versicherungen) führt, gefolgt von Healthcare und Hi-Tech. Indische IT-Dienstleister (Infosys, Tech Mahindra, HCL) setzen stark darauf.
• China: Starke Rolle der Tech-Giganten mit eigenen Plattformen: Alibaba (DingTalk Yida/宜搭, Dez. 2020, verspricht 6× Effizienzsteigerung), Tencent (微搭/WeDa), Huawei (AppCube), Baidu, NetEase. Der chinesische Markt ist laut chinesischen Fachquellen eher „Zero-Code" (零代码) als echtes Low-Code. Diskussion und Fachanalysen auf CSDN, Zhihu und der Alibaba Cloud Developer Community; zunehmend Integration von AIGC (z. B. JeecgBoot als „AI-Low-Code-Plattform").
• Lateinamerika/Spanien: Vorwiegend Marketing-getriebene Diskussion („democratización de la IA"); wenig eigenständige empirische Forschung, teils akademische Arbeiten zu Adoption (z. B. Editorial Scientific Future / RIIF: "Adopción de plataformas de desarrollo low-code/no-code"), die dieselben Vorbehalte (Vendor-Abhängigkeit, ineffizienter/redundanter Code) nennen wie die internationale Literatur.

A.6 EU AI Act (Verordnung (EU) 2024/1689)

• Rollen: No-Code-KI-Nutzer sind meist „Deployer" (Art. 3, Art. 26) mit Pflichten zu menschlicher Aufsicht durch kompetente Personen, Logging (mind. 6 Monate), Monitoring und — bei Hochrisiko-Systemen — einer Grundrechte-Folgenabschätzung (FRIA).
• Kritische Falle (Art. 25): Wer ein KI-System unter eigenem Namen/Marke umbrandet, wesentlich modifiziert oder dessen Zweck ändert, wird automatisch zum „Provider" mit vollen Pflichten (Risikomanagement, technische Dokumentation nach Annex IV, Konformitätsbewertung, CE-Kennzeichnung, EU-Datenbank-Registrierung, Post-Market-Monitoring). Das gilt ausdrücklich auch, wenn das System kostenlos bereitgestellt wird.
• Zeitplan: GPAI-Regeln seit August 2025 wirksam; die Pflichten für Hochrisiko-Systeme greifen ab 2. August 2026.
• Wechselwirkung mit DSGVO: Bei biometrischer Kategorisierung/Emotionserkennung und Hochrisiko-Anwendungen (Kredit-Scoring, Personalauswahl, Profiling) greifen zusätzlich DSGVO-Pflichten (u. a. DPIA); Emotionserkennung am Arbeitsplatz ist teils verboten.
• Primärquellen: EU-Kommission (https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai) und der offizielle Verordnungstext.

A.7 Aktualisierung unserer 17 Tools aus dem letzten Artikel

(Status teils aus kommerziellen/Vendor-Quellen; als Momentaufnahme zu verstehen. Auffällig: Von 17 Tools sind mindestens eines eingestellt und zwei grundlegend umpositioniert — ein Beleg für die Kurzlebigkeit dieses Marktes und die Unzuverlässigkeit von „Top-Tools"-Listicles.)

Vollständige Quellenliste (direkte URLs)

Peer-reviewt / Preprints / Konferenzen:

• Laso et al. (2025), Democratizing ML — https://www.mdpi.com/2504-4990/7/4/141
• Challenges and Barriers of Using Low Code Software for ML — https://arxiv.org/abs/2211.04661
• End-User Development for AI: A Systematic Literature Review — https://arxiv.org/pdf/2304.09863
• Human-Centered AI Product Prototyping with No-Code AutoML — https://arxiv.org/pdf/2402.07933
• Democratize with Care (Fairness in AutoML) — https://arxiv.org/abs/2312.12460
• The Impacts of Low/No-Code Development — https://arxiv.org/pdf/2112.14073
• An Empirical Study of Developer Discussions on Low-Code — https://arxiv.org/pdf/2103.11429
• An Empirical Study on Low-Code Programming (traditional vs LLM) — https://arxiv.org/abs/2402.01156
• Peng et al., GitHub Copilot Productivity — https://arxiv.org/abs/2302.06590
• Becker et al. (METR), Early-2025 AI Developer Productivity — https://arxiv.org/abs/2507.09089
• Pearce et al., Asleep at the Keyboard? — https://arxiv.org/abs/2108.09293
• Non-programmers Assessing AI-Generated Code — https://arxiv.org/abs/2508.06484
• TabPFN (Nature 2025) — https://www.nature.com/articles/s41586-024-08328-6
• TabPFN-2.5 — https://arxiv.org/abs/2511.08667
• A Survey of Vibe Coding with LLMs — https://arxiv.org/abs/2510.12399
• Professional Software Developers Don't Vibe, They Control — https://arxiv.org/pdf/2512.14012
• No-code ML in radiology (medRxiv) — https://www.medrxiv.org/content/10.1101/2024.04.24.24306288.full.pdf
• No-code AI in pathology (WBC classification, PMC) — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11682784/
• LCNC in the Era of AI: A Systematic Review — https://dm.ageditor.ar/index.php/dm/article/view/1218

Regierung / EU / Standardisierung:

• EU AI Act Art. 3 (Definitionen) — https://artificialintelligenceact.eu/article/3/
• EU AI Act Art. 26 (Deployer-Pflichten) — https://artificialintelligenceact.eu/article/26/
• EU AI Act Art. 50 (Transparenz) — https://artificialintelligenceact.eu/article/50/
• Europäische Kommission, AI Act — https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Marktforschung (kommerziell — mit Vorbehalt):

• Gartner Forecast Low-Code — https://www.gartner.com/en/documents/7146430
• Forrester, State of Low-Code Global 2024 — https://www.forrester.com/report/the-state-of-low-code-global-2024/RES181420
• KPMG, Low-Code Adoption — https://assets.kpmg.com/content/dam/kpmg/es/pdf/2024/03/Low-code-driver-digital-transformation.pdf
• NASSCOM/Nagarro, Low Code No Code India Story — https://www.nagarro.com/hubfs/Nagarro-March2018-Theme/PDFs/Low%20Code%20No%20Code%20-%20The%20India%20Story\_Joint%20report%20by%20NASSCOM%20and%20Nagarro.pdf

Deutsch- und chinesischsprachige Quellen:

• Bitkom, Low-Code/ERP-Diskussionspapier — https://www.bitkom.org/sites/main/files/2023-02/230215DiskussionspapierERPfinal.pdf
• KPMG Deutschland, Low-Code — https://kpmg.com/de/de/home/themen/2024/01/wie-low-code-plattformen-die-digitale-transformation-vorantreibe.html
• CSDN (低代码平台 华为/阿里/腾讯) — https://blog.csdn.net/weixin\_52213728/article/details/146901538
• Zhihu (10家国产化低代码平台) — https://zhuanlan.zhihu.com/p/632338398
• Alibaba Cloud Developer (什么是低代码) — https://developer.aliyun.com/article/1680817

---