Künstliche Intelligenz ist längst im UX-Alltag angekommen. Sie schreibt Microcopy, sortiert Interviewnotizen, schlägt User Flows vor, formuliert Hypothesen und hilft dabei, erste Ideen schneller sichtbar zu machen. Für viele UX-Designer:innen fühlt sich das gleichzeitig spannend und unbequem an. Die große Frage steht schnell im Raum: Wird KI UX-Designer:innen ersetzen?
Die bessere Frage lautet: Welche Teile unserer Arbeit verändert KI und welche werden dadurch wichtiger? Denn KI macht UX nicht automatisch besser. Sie macht vieles schneller. Und genau darin liegt die eigentliche Herausforderung.
KI verändert nicht nur Tools, sondern Erwartungen
Früher war UX-Arbeit oft klarer umrissen: Nutzer:innen verstehen, Hypothesen formulieren, Wireframes bauen, testen, verbessern. Diese Schritte bleiben wichtig. Aber KI schiebt sich inzwischen in fast jede Phase des Prozesses. Sie unterstützt bei:
- Research-Vorbereitung
- Interviewleitfäden
- Synthese
- Ideation
- UX Writing
- Microcopy
- Priorisierung
- Dokumentation
- Prototyping und Designkritik
Das klingt nach enormer Entlastung. Gerade bei Routineaufgaben spart KI Zeit. Wer zehn Varianten für einen Buttontext braucht, muss nicht mehr eine halbe Stunde mit Synonymen kämpfen. Ein gutes Sprachmodell liefert Rohmaterial in Sekunden.
Hier beginnt aber auch das Problem. Wenn Teams plötzlich in kurzer Zeit Personas, Journey Maps, Feature-Ideen, Testfragen und Textvarianten erzeugen können, entsteht schnell der Eindruck, dass UX jetzt einfach schneller und billiger werden muss.
Das ist gefährlich. Denn mehr UX-Output ist nicht automatisch bessere UX. Ein sauber formulierter User Flow ist noch kein validiertes Konzept. Eine überzeugend klingende Persona ist noch kein belastbarer Research-Befund. Und eine elegante Microcopy-Variante löst kein schlecht verstandenes Nutzerproblem.
Die neue Kernkompetenz: Urteilskraft
KI verschiebt den Schwerpunkt der UX-Arbeit. Früher war die erste große Hürde oft: „Wie kommen wir überhaupt zu einem Entwurf?“ Heute lautet die Frage häufiger: „Welche dieser zehn plausiblen Richtungen ist wirklich sinnvoll?“
Das ist eine massive Veränderung. UX-Designer:innen werden dadurch nicht weniger wichtig. Im Gegenteil: Ihre Urteilskraft wird wichtiger. Denn KI kann Varianten erzeugen. Aber sie weiß nicht, welche Variante im konkreten Nutzungskontext sinnvoll ist. Sie kann Argumente formulieren, aber sie trägt keine Verantwortung für die Entscheidung. Sie kann Pain Points beschreiben. Aber sie hat keine echten Nutzer:innen beobachtet.
Gute UX-Arbeit wird deshalb weniger daran gemessen, ob ein Team schnell etwas produzieren kann. Das kann KI inzwischen ziemlich gut unterstützen. Gute UX wird daran gemessen, ob ein Team Ergebnisse kritisch einordnen kann. Oder einfacher gesagt: KI liefert Möglichkeiten. UX entscheidet, was davon brauchbar ist.
KI als Werkzeug: schnell, praktisch, aber begrenzt
Die einfachste Rolle von KI im UX-Prozess ist die des Werkzeugs. Hier hilft sie bei klaren Aufgaben:
- Texte vereinfachen
- Varianten erstellen
- Inhalte strukturieren
- Notizen zusammenfassen
- Checklisten bauen
- Fehlermeldungen formulieren oder
- Workshop-Material vorbereiten.
Ein Beispiel: Ein Produktteam arbeitet an einem Onboarding-Prozess. Die UX-Writerin braucht mehrere Varianten für eine Fehlermeldung, die freundlich, klar und barrierearm sein soll. KI kann in wenigen Sekunden zehn Formulierungen liefern.
Das spart Zeit, aber die Entscheidung bleibt menschlich. Welche Variante passt zur Marke? Welche ist wirklich verständlich? Welche vermeidet Schuldzuweisungen? Welche funktioniert auch für Menschen mit wenig Vorwissen? KI kann Vorschläge machen. UX-Kompetenz entscheidet, was daraus wird.
KI als Sparringspartner: nützlich für bessere Fragen
Spannender wird KI, wenn sie nicht nur produziert, sondern zum Sparringspartner wird. Ein gutes UX-Team kann KI nutzen, um Annahmen zu hinterfragen:
- „Welche Risiken übersehen wir in diesem Checkout-Konzept?“
- „Welche Nutzergruppen könnten sich durch diese Formulierung ausgeschlossen fühlen?“
- „Welche Gegenargumente gäbe es zu unserer Hypothese?“
- „Welche alternativen Erklärungen könnte es für diesen Usability-Befund geben?“
Der Wert liegt nicht darin, dass KI immer recht hat. Das hat sie nicht. Der Wert liegt darin, dass sie Denkbewegung erzeugt. Sie macht blinde Flecken sichtbarer, bringt zusätzliche Perspektiven ein und hilft Teams, nicht zu früh bei der bequemsten Antwort stehenzubleiben.
Gerade in frühen Projektphasen kann das sehr hilfreich sein. KI senkt die Reibung am Anfang. Sie macht aus einem leeren Dokument einen ersten Diskussionsstand. Aber: Ein Diskussionsstand ist noch keine Erkenntnis.
KI als Denkunterstützung: aus diffusen Gedanken wird Arbeitsmaterial
Viele UX-Probleme sind nicht deshalb schwierig, weil niemand klug genug wäre. Sie sind schwierig, weil sie unscharf sind. Das Team spürt: Irgendetwas am Konzept stimmt noch nicht. Aber die Kritik ist noch nicht klar genug formuliert. Oder Research-Ergebnisse liegen vor, aber die Synthese ist unübersichtlich. Oder Stakeholder brauchen eine nachvollziehbare Begründung, warum eine Designentscheidung sinnvoll ist.
Hier kann KI helfen, Gedanken zu sortieren. Sie kann Rohnotizen strukturieren, Muster herausarbeiten, Argumentationen schärfen oder komplexe Zusammenhänge verständlicher formulieren. In dieser Rolle ist KI keine Autorität. Sie ist eher eine externe Denkfläche. Man wirft ihr Material hin und schaut, was dadurch sichtbarer wird.
Das ist besonders wertvoll, weil UX stark von Kommunikation abhängt. Gute Ideen nützen wenig, wenn sie zu spät, zu abstrakt oder zu unklar im Team ankommen.
Die größte Gefahr: gut klingende Oberflächlichkeit
Sprachbasierte KI-Systeme sind stark darin, plausibel zu klingen. Genau das macht sie nützlich. Und genau das macht sie riskant. Ein Sprachmodell kann eine Persona überzeugend ausformulieren, obwohl die zugrunde liegenden Daten dünn sind. Es kann eine Designentscheidung logisch begründen, die nie sauber validiert wurde. Es kann Accessibility-Tipps nennen, ohne den tatsächlichen Interface-Zustand zu kennen.
Für UX ist das besonders heikel, weil die Disziplin oft mit Unsicherheit arbeitet. Nicht alles lässt sich sofort beweisen. Viele Entscheidungen beruhen auf Beobachtungen, Hypothesen, Erfahrung und iterativer Prüfung. Wenn KI nun gut formulierte Antworten liefert, steigt die Gefahr, dass Teams „plausibel“ mit „belastbar“ verwechseln. Deshalb braucht jedes UX-Team eine einfache Regel:
KI-Ergebnisse sind Rohmaterial, keine Wahrheit.
Verantwortung bleibt beim UX-Team
Sobald KI in UX-Prozesse einzieht, stellt sich die Verantwortungsfrage. Wer ist zuständig, wenn eine generierte Empfehlung falsch ist? Wer prüft, ob eine KI-generierte Formulierung fair, verständlich und inklusiv ist? Wer entscheidet, ob ein KI-Vorschlag wirklich zur Zielgruppe passt? Die Antwort ist unbequem, aber klar: das Team. Nicht das Modell. Nicht das Tool. Nicht der Prompt.
UX-Teams bleiben verantwortlich für die Problemdefinition, die Qualität der Ergebnisse, Fairness, Inklusion und Transparenz. Das bedeutet konkret:
- Bevor KI Lösungen generiert, muss das Problem sauber verstanden sein. Sonst beschleunigt KI nur den falschen Weg.
- Bevor KI-Ergebnisse übernommen werden, müssen sie geprüft werden. Sonst landet plausibles Material ungefiltert im Produkt.
- Bevor KI bei Nutzergruppen, Sprache oder Priorisierung hilft, muss das Team Verzerrungen aktiv hinterfragen. Sonst reproduziert KI bestehende blinde Flecken.
- Und bevor Entscheidungen mit „die KI hat es empfohlen“ begründet werden, sollte das Team prüfen, ob es die Entscheidung auch ohne diesen Satz erklären könnte.
Wie UX-Teams KI sinnvoll einsetzen
Der beste Umgang mit KI ist weder Euphorie noch Abwehr. Sinnvoll ist ein nüchterner, reflektierter Einsatz. UX-Teams sollten KI dort nutzen, wo sie Reibung reduziert:
- bei Varianten
- Strukturierung
- Zusammenfassungen
- Vorbereitung
- Perspektivwechsel
- Dokumentation
Sie sollten KI dort vorsichtig einsetzen, wo reale Nutzung, Kontext, Emotionen, Barrierefreiheit, Fairness oder strategische Produktentscheidungen betroffen sind. Und sie sollten KI nie als Ersatz für Research, Testing oder fachliche Verantwortung behandeln. Ein hilfreiches Mini-Framework lautet:
1. Rahmung klären
Was soll KI liefern? Einen Entwurf, eine Kritik, eine Zusammenfassung, eine Variante oder eine Entscheidungsvorlage?
2. Kontext geben
Je besser das Briefing, desto besser der Output. Zielgruppe, Nutzungssituation, Produktkontext und Einschränkungen gehören in den Prompt.
3. Ergebnis prüfen
Was klingt nur gut? Was ist wirklich relevant? Welche Annahmen stecken darin? Was fehlt?
4. Validieren
Alles, was produktrelevant ist, braucht Abgleich mit echten Daten, Nutzerfeedback oder fachlicher Expertise.
5. Verantwortung dokumentieren
Wo wurde KI eingesetzt? Was wurde übernommen? Was wurde bewusst verworfen? Warum?
Fazit: KI macht UX nicht einfacher, sondern bewusster
KI wird UX-Designer:innen nicht ersetzen. Aber sie verändert, worauf es in UX-Projekten ankommt. Der erste Entwurf wird leichter. Varianten entstehen schneller. Texte klingen schneller professionell. Konzepte lassen sich schneller diskutieren.
Andere Fähigkeiten werden wichtiger:
- kritisches Denken
- Kontextverständnis
- Nutzerzentrierung
- ethische Reflexion
- klare Entscheidungen
KI kann UX-Arbeit beschleunigen. Sie kann Denkprozesse anstoßen. Sie kann Teams helfen, schneller ins Arbeiten zu kommen. Doch die eigentliche UX-Aufgabe bleibt menschlich: Produkte so zu gestalten, dass sie verständlich, brauchbar, fair und verantwortbar sind.
3–5 konkrete Takeaways
- KI ersetzt UX nicht, sondern verschiebt den Fokus: von Produktion zu Bewertung, Kontext und Verantwortung.
- KI ist stark bei Rohmaterial: Varianten, Strukturierung, Zusammenfassungen und erste Ideen.
- Gut formuliert heißt nicht gut validiert: KI-Ergebnisse brauchen Prüfung und Kontextabgleich.
- UX-Teams bleiben verantwortlich: für Problemdefinition, Fairness, Qualität und Wirkung.
- Der beste KI-Einsatz beginnt mit guten Fragen: klare Prompts funktionieren wie gute Briefings.