Disposable Software beschreibt kurzfristig entwickelte digitale Anwendungen, die für einen spezifischen Zweck entstehen und nach ihrer Nutzung wieder verschwinden. KI senkt Entwicklungsaufwand und Kosten drastisch, sodass selbst Nicht-Informatiker spontan Reports, Dashboards oder Analysewerkzeuge erstellen können. Als Beispiele gelten Python-Notebooks, Streamlit-Apps oder BI-Dashboards. Der Beitrag zeigt zudem, warum klassische Software bestehen bleibt: Standardisierte Anwendungen bieten stabile Workflows und hohe Zuverlässigkeit. Besonders im Bereich Business Intelligence verändert sich die Rolle der Analytics-Teams – weg von der Produktion zahlreicher Dashboards hin zur Pflege hochwertiger Datenmodelle und kontextbasierter Erkenntnisse.
Mal schnell eine Analyse- oder Reporting-Software schreiben, weil die vorhandene Struktur keine passende Auswertungsmöglichkeit bietet? Das ist heute weder Hexenwerk, noch braucht man ein Data Engineer mit spezifischem Wissen um die Datenintegration zu sein. Mit den Möglichkeiten von KI und basierend auf einem voll zugreifbaren Datenfundament können heute auch Nicht-Informatiker auf die Schnelle ein Dashboard bauen oder Erkenntnisse gewinnen, die auf verschiedenen Quellen beruhen.
Somit sind wir nicht mehr weit von der Idee in Star Trek entfernt. Commander Picard und seine Crew stellen dem Bordcomputer einfach Fragen und bauen sich Dashboards, ohne sich darum zu kümmern, wo die Antworten herkommen und ob die Datenbanken und Quellen alle voll verbunden, integriert und up to date sind. Und wenn sie ihre Antworten auf eine spezifische Frage gefunden haben, kümmern sie sich auch nicht um die Deinstallation oder das Update der App oder des Dashboards. Sie nutzen es nicht mehr und es verschwindet einfach.
Wir nennen das heute Disposable Software
Spontan und schnell eine digitale Applikation erstellen, die man nach Gebrauch nicht mehr benötigt. Disposable Software zeichnet sich dadurch aus, dass sie
- von einer einzigen Organisation oder einer einzigen Person verwendet wird.
- für einen ganz bestimmten Zweck entwickelt wird.
- für einen begrenzten Zeitraum genutzt und dann «weggeworfen» wird.
Möglich wird diese Entwicklung durch KI. Sie lässt die Kosten für die Erstellung von Software praktisch auf null sinken, denn sie erfordert so gut wie keine Zeit und kein Geld. Damit wird sich die Kalkulation der Programmierung langlebiger, breiter einsetzbarer und wiederverwendbarer Software im Vergleich zu kurzlebiger, zweckspezifischer «Wegwerf-Software» radikal verändern.
Beispiele für Disposable Software sind Python-Notebooks, Streamlit-Apps und BI-Dashboards. Sie existieren in einem Spektrum, das in etwa der typischen Lebensdauer von Wegwerf-Software entspricht.
Bei Fivetran hat ein Teammitglied für den internen Gebrauch kurzerhand einen neuen Preisrechner als Streamlit-App entwickelt. Mit schnellen Iterationen ist etwas entstanden, das dem Team erheblich besser gefiel als der alte Preisrechner. So wurde es als offizielles Preisberechnungstool eingeführt. Das Frontend-Team schrieb es als React-App neu, den Großteil des Codes dafür hat Claude geschrieben. So werden KI-Tools wie Claude dafür sorgen, dass sich Disposable Software weiterverbreitet.
Auf der Enterprise D in Star Trek ist der Großteil jedoch keine Disposable Software, sondern fest vorgegeben, beispielsweise die Navigation und die Waffensteuerung. So ist es auch im echten Leben: Selbst wenn ein Computer jede gewünschte Benutzeroberfläche auf Abruf generieren kann, ist es trotzdem sinnvoll, standardisierte Software für Standardprobleme zu haben. Bei dieser wurde in der Regel viel Zeit in die Entwicklung eines gut durchdachten Workflows investiert, der mit Sicherheit besser ist als jeder spontan erfundene. Solche komplexeren Workflows erfordern Zeit zum Erlernen. Und es ist in keiner Weise sinnvoll, jeden Tag den Umgang mit einer neuen Benutzeroberfläche zu erlernen. Klassische Software wird deshalb nicht vom Markt verschwinden.
Doch einiges wird sich stark verändern
Wohl die gesamte BI- (Business Intelligence) Kategorie kann als Disposable Software betrachtet werden. Denn die durchschnittliche Lebensdauer eines BI-Dashboards beträgt häufig nur wenige Monate. In einem typischen mittelständischen Unternehmen mag es ungefähr zehn kanonische Dashboards geben, die immer gleich sein müssen. Alle anderen werden nur einmalig genutzt oder sind sehr schnell veraltet.
Zum Beispiel lässt sich relativ einfach mit Codex ein Agent für On-Demand-Reports zusammenstellen. Eine Reihe von Markdown-Dateien können beschreiben, was im zentralen dbt-Modell enthalten ist, einige Dienstprogramme können zur Abfrage des Data Warehouse dienen. Jeder Report ist letztlich ein Python-Skript, das eine SQL-Abfrage ausführt und eine Markdown-Datei generiert. So lassen sich auf die Schnelle Reports aktualisiert und neue erstellen.
Derartige Workflows werden immer üblicher, sodass die meisten klassischen Bl-Outputs zu On-Demand-Erkenntnissen werden, die auch geteilt werden können. Analyseteams werden lediglich wenige zentrale Goldstandard-Dashboards erstellen. Alles andere stammt aus den Analytics, die den Kontext für exakte On-Demand-Erkenntnisse schaffen. Das heißt: Die Rolle der Analytics wird sich noch weiter in Richtung Bibliothekar oder Kurator des Kontexts entwickeln, weg von der massenhaften Produktion von Dashboards. Das Datenmodell und insbesondere dbt werden so noch an Bedeutung gewinnen.
Autor: Tobias Knieper, Leading Marketing EMEA, Fivetran.
