UX Design war eigentlich schon immer iterativ. Wir entwickeln eine Idee, testen sie, stellen fest, dass sie an irgendeiner Stelle nicht funktioniert, verändern sie und testen erneut. Daran ändert auch künstliche Intelligenz nichts. Was sich allerdings ziemlich deutlich verändert, ist die Geschwindigkeit.
Ein Sprachmodell kann innerhalb weniger Minuten erste Personas formulieren, User Flows durchspielen, Interviewfragen entwickeln, Anforderungen strukturieren oder zehn Varianten für eine Fehlermeldung schreiben. Dinge, für die wir früher erst einmal ein Dokument öffnen, Informationen zusammensuchen und uns langsam an eine Lösung herantasten mussten.
Das klingt zunächst vor allem nach Effizienz. Tatsächlich verändert es aber unseren gesamten UX-Workflow. Denn wenn die Erstellung von Artefakten immer weniger Zeit kostet, wird plötzlich etwas anderes wichtiger: Was machen wir eigentlich mit all diesen Ergebnissen?
Vom leeren Whiteboard zum ersten Entwurf in wenigen Minuten
Wer schon länger im UX Design arbeitet, kennt diesen Moment ziemlich gut. Neues Projekt. Neuer Workshop. Neues Miro-Board. Und erst einmal ziemlich viel Weißfläche. Bevor überhaupt über Lösungen gesprochen werden konnte, musste Material entstehen. Research-Ergebnisse zusammenfassen, Hypothesen formulieren, User Journeys beschreiben, Anforderungen sortieren und erste Ideen entwickeln. KI kann diesen Startpunkt massiv beschleunigen.
Statt mit einer leeren Seite zu beginnen, können wir heute innerhalb weniger Minuten eine erste Arbeitsgrundlage erzeugen. Nicht die fertige Lösung. Aber etwas, an dem wir uns reiben können. Und das ist ein wichtiger Unterschied. Denn eine vorhandene Idee lässt sich diskutieren, kritisieren und verbessern. Eine leere Seite eher schlecht.
KI verschiebt den UX-Prozess deshalb ein Stück weit von der Produktion zur Bewertung. Wir verbringen weniger Zeit damit, überhaupt erst Material zu erzeugen, und können früher darüber sprechen, ob dieses Material sinnvoll ist.
Der klassische UX-Prozess verschwindet nicht
Research, Analyse, Informationsarchitektur, User Flows, Wireframes, Prototyping, Testing und Optimierung: Diese Schritte bleiben weiterhin relevant. KI erfindet keinen neuen UX-Prozess. Sie legt sich eher wie eine zusätzliche Ebene über den bestehenden.
Im Research kann sie Interviewaussagen zusammenfassen, Themen clustern oder erste Hypothesen herausarbeiten. Bei der Informationsarchitektur kann sie alternative Navigationsstrukturen vorschlagen. Für User Flows lassen sich Sonderfälle oder unterschiedliche Wege durch einen Prozess explorieren.
Beim UX Writing wird der Effekt besonders schnell sichtbar. Aus einer Fehlermeldung werden innerhalb von Sekunden zehn Varianten. Ein komplizierter Hilfetext lässt sich vereinfachen. Ein Onboarding kann in unterschiedlichen Tonalitäten formuliert werden.
Und auch beim Usability Testing kann KI unterstützen: bei Testleitfäden, Fragen, Zusammenfassungen oder der ersten Strukturierung von Beobachtungen. Der entscheidende Punkt ist dabei immer derselbe: KI liefert eine Arbeitsgrundlage. Keine Wahrheit.
Mehr Varianten verändern die Art, wie wir gestalten
Besonders interessant finde ich, was mit der Variantenbildung passiert. Früher war jede zusätzliche Variante mit Aufwand verbunden. Ein zweiter Flow musste gezeichnet werden. Eine alternative Navigation musste durchdacht werden. Neue Texte mussten geschrieben werden. Das führte zwangsläufig dazu, dass Teams relativ früh eine Richtung bevorzugten.
Mit KI wird Divergenz plötzlich billig. Wir können uns fünf Navigationsmodelle ansehen, drei unterschiedliche Onboarding-Konzepte vergleichen oder zwanzig Varianten für einen Call-to-Action erzeugen. Das ist großartig für die Exploration. Es bringt aber ein neues Problem mit sich: Welche Variante ist eigentlich gut?
Denn mehr Möglichkeiten bedeuten nicht automatisch bessere UX. Vielleicht brauchen wir nicht fünf neue Navigationskonzepte. Vielleicht brauchen wir eine Navigationsebene weniger. Vielleicht ist nicht die elfte Formulierung für den Button die Lösung. Vielleicht sollte der Button an dieser Stelle überhaupt nicht existieren. KI macht es unglaublich einfach, Dinge zu produzieren. Gute UX besteht aber erstaunlich oft darin, Dinge wegzulassen.
Wann KI im UX-Prozess wirklich sinnvoll ist
Aktuell passiert in manchen Teams etwas Merkwürdiges. Man entdeckt ein neues KI-Tool und sucht anschließend nach einer Aufgabe dafür. Das ist ungefähr so, als würde man sich zuerst einen Hammer kaufen und danach überlegen, wo eigentlich die Nägel sind. Die bessere Frage lautet:
Spart KI bei dieser Aufgabe Zeit, verbessert sie die Qualität oder eröffnet sie relevante neue Perspektiven?
Besonders sinnvoll ist KI dort, wo Aufgaben repetitiv, textlastig oder variantenreich sind. Zusammenfassungen sind ein gutes Beispiel. Ebenso erste Content-Strukturen, Microcopy, Interviewleitfäden, User-Flow-Varianten oder Hypothesen.
Auch für kreative Divergenz ist KI spannend. Wenn ich bewusst nicht die erste offensichtliche Lösung verfolgen möchte, kann ein Sprachmodell schnell alternative Perspektiven erzeugen. Weniger sinnvoll wird es dort, wo Kontext, Empathie und Verantwortung entscheidend sind.
Eine strategische Produktentscheidung würde ich nicht an ein Sprachmodell delegieren. Ebenso wenig die finale Bewertung eines sensiblen Nutzerprozesses oder die Frage, ob sich ein verunsicherter Nutzer in einem bestimmten Moment wirklich verstanden fühlt. KI erkennt Muster. Menschen erleben Situationen. Das ist nicht dasselbe.
Human in the Loop ist mehr als eine Sicherheitsmaßnahme
Genau hier kommt ein Prinzip ins Spiel, das für KI-gestützte UX-Workflows zentral werden dürfte: Human in the Loop. Die Idee dahinter ist einfach. Der Mensch bleibt während des gesamten Prozesses aktiv beteiligt. Er gibt nicht am Anfang eine Aufgabe an die KI und nimmt am Ende das Ergebnis entgegen. Er prüft, korrigiert, priorisiert und entscheidet zwischendurch immer wieder. Das klingt selbstverständlich. Ist es aber erstaunlich schnell nicht mehr.
Denn moderne Sprachmodelle sind sehr gut darin, überzeugend zu klingen. Eine generierte Persona kann professionell aussehen. Ein User Flow kann logisch wirken. Eine Begründung kann absolut schlüssig formuliert sein. Und trotzdem kann alles auf einer falschen Annahme beruhen.
Das Gefährliche an KI-generierter UX ist deshalb nicht unbedingt, dass sie offensichtlich schlecht aussieht. Oft sieht sie ziemlich gut aus. Sie ist sauber formuliert, logisch strukturiert und auf den ersten Blick plausibel. Nur bedeutet plausibel eben noch lange nicht richtig.
Die KI produziert Möglichkeiten. Der Mensch trägt Verantwortung.
Das gilt besonders bei sensiblen Nutzergruppen, Accessibility, Finanzprodukten, medizinischen Anwendungen, kritischen Formularen oder rechtlichen Inhalten. Dort reicht ein „klingt wahrscheinlich sinnvoll“ nicht.
Wenn ein Nutzer eine wichtige Information übersieht, ein Formular nicht versteht, einem Prozess nicht vertraut oder aufgrund einer Barriere ausgeschlossen wird, hilft uns die schön formulierte KI-Begründung hinterher relativ wenig. Deshalb bleibt die Verantwortung beim UX-Team.
Wir müssen beurteilen, ob ein Vorschlag verständlich ist. Wir müssen wissen, welche Annahmen durch Research gestützt werden. Wir müssen Risiken erkennen und Lösungen mit echten Menschen überprüfen. Human in the Loop ist deshalb für mich weniger ein Sicherheitsmechanismus als ein Qualitätsprinzip. KI übernimmt die Geschwindigkeit. Der Mensch übernimmt die Einordnung.
Schneller arbeiten ist nicht automatisch besser arbeiten
Und damit kommen wir zu einem vielleicht etwas unbequemen Punkt. KI macht uns schneller. Aber was machen wir eigentlich mit dieser Geschwindigkeit? Wenn ein Team früher zwei Tage für die Ausarbeitung eines User Flows benötigt hat und heute zwei Stunden, sollten wir dann einfach zehn User Flows produzieren? Wahrscheinlich nicht.
Genau darin liegt eine der größten Chancen von KI im UX-Prozess. Die eingesparte Zeit kann an anderer Stelle investiert werden. In bessere Nutzertests. Tiefere Recherche. Accessibility-Prüfungen. Strategische Diskussionen. Konzeptionelle Schärfung. Oder schlicht darin, einen komplizierten Prozess noch einmal grundsätzlich infrage zu stellen. Die entscheidende Frage lautet deshalb nicht: Wie können wir mit KI noch mehr produzieren? Sondern: Wie können wir die gewonnene Zeit für bessere UX nutzen?
Gute KI-Workflows brauchen weniger Output und mehr Fokus
Das klingt zunächst paradox. Schließlich besteht eine der beeindruckendsten Fähigkeiten generativer KI darin, sehr viel Output in sehr kurzer Zeit zu erzeugen. Genau das kann aber auch zum Problem werden. Mehr Screens. Mehr Ideen. Mehr Texte. Mehr Features. Mehr Varianten. Und irgendwann mehr Komplexität.
Ein gutes UX-Team sollte KI deshalb nicht daran messen, wie viel sie produziert. Sondern daran, ob sie dabei hilft, schneller zu einer guten Entscheidung zu kommen. Manchmal lautet diese Entscheidung: Wir brauchen diese Funktion nicht. Oder: Dieser Prozess hat einen Schritt zu viel. Oder: Diese drei Seiten lassen sich zu einer zusammenfassen. Oder sogar: Wir lösen gerade das falsche Problem. Das sind keine besonders spektakulären KI-Ergebnisse. Aber möglicherweise sehr gute UX.
Fazit: KI sollte Raum für bessere UX schaffen
KI wird den UX-Prozess nicht ersetzen. Research, Konzeption, Testing und kontinuierliche Verbesserung bleiben die Grundlage guter Produktentwicklung. Was sich verändert, ist die Arbeit zwischen diesen Schritten.
Sprachmodelle können Informationen schneller strukturieren, Varianten erzeugen, Texte vorbereiten und erste Konzepte liefern. Dadurch werden UX-Workflows dynamischer und Iterationen kürzer. Aber Geschwindigkeit allein ist kein Qualitätsmerkmal. Je einfacher es wird, Ergebnisse zu produzieren, desto wichtiger wird unsere Fähigkeit, diese Ergebnisse kritisch zu bewerten, zu reduzieren und mit echten Nutzerbedürfnissen abzugleichen.
Vielleicht liegt genau darin der größte Vorteil von KI für UX-Designer/-innen. Nicht darin, dass wir künftig in derselben Zeit doppelt so viele Screens, User Flows oder Dokumente erstellen. Sondern darin, dass wir weniger Zeit für monotone Produktion brauchen und mehr Zeit für die Arbeit haben, die gute UX tatsächlich ausmacht: Menschen verstehen, Komplexität reduzieren und bessere Entscheidungen treffen.