Von Innovate-Ideate-Create zu Prompt-Review-Prompt: Wie KI unseren Job als UX-Professional verändert

Wer kennt sie nicht, die FoMo über das nächste KI-Tool das den UX Prozess angeblich revolutioniert? 

Vor ein paar Monaten konnten wir noch über die Screens die KI-Tools produzieren lachen. Selbst mit gut durchdachten Prompts wurden Standard UX Best Practices missachtet und mit dem Ergebnis lies sich nicht wirklich weiterarbeiten. 

Und jetzt? Jetzt produzieren KI-Tools brauchbare Screens und UI-Konzepte. Und so langsam wird aus dem Lachen ein mulmiges Gefühl. 

Jahrelang haben wir mit Balsamiq, Axure, Sketch, Adobe, Figma unser Handwerk ausgeführt, und nun alles via Chat?  Wie verändern KI Tools unseren Job als UX-Professionals?

Bild: Fails bei der KI Bildgenerierung. 

KI als Werkzeug für User Research und Testing

Brauchen wir klassische Nutzerforschung überhaupt noch?

Es geht mit LLMs doch so einfach. Ein bisschen Prompt Engineering, und schon erhalten wir Insights zur Zielgruppe und deren Bedürfnisse. 

Wozu also noch der Umweg über Umfragen, Interviews, Nutzertests und Co., wenn synthetische User möglich und vorhanden sind? 

Zwei Studien (Park et. al, 2026; Peng et. al, 2026) sind der Frage nachgegangen, wie gutLLM-gestützte digitale Zwillinge menschliches Verhalten vorhersagen können. Dabei wurden Daten von N = 1.000 Proband:innen erhoben.

Bei Umfrageantworten erreichten die KI-Zwillinge eine normalisierte Genauigkeit von 83 %. Dieser Wert ergibt sich aus einer Rohgenauigkeit von rund 66 %, relativiert an der Test-Retest-Konsistenz echter Menschen (ca. 80 %) – die KI ist also fast so konsistent wie Menschen, die dieselben Fragen zwei Wochen später erneut beantworten. Bei ökonomischen Spielen berichtet Stanford zwar eine Korrelation von r = 0.66, diese bezieht sich jedoch auf das durchschnittliche Verhalten aller Teilnehmenden. Für die Vorhersage der Entscheidungen einzelner Personen fällt die Korrelation dagegen auf r = − 0.05 bis 0.11 und zeigt damit praktisch keine individuelle Vorhersagekraft.

Zudem zeigte sich, dass die KI-Zwillinge deutlich weniger individuelle Unterschiede abbilden als reale Menschen. Ihre Antworten streuen wesentlich weniger und tendieren stärker zum Durchschnitt. Genau diese Streuung ist für Design-/Produktentscheidungen aber der entscheidende Bereich. Es geht um die 15 % abbruchgefährdeten Nutzer:innen oder die 8 % Power-User, die den Umsatz treiben. Genau diese Ränder, Extremwerte und Besonderheiten schneidet ein LLM tendenziell weg. Und wir treffen dann Entscheidungen basierend auf der Mitte. 

Dazu kommen weitere Risiken: 

• Die Tendenz zu stereotypen Antworten: Selbst umfangreiche individuelle Grounding-Daten verbesserten die Ergebnisse gegenüber einfachen demografischen Profilen nur geringfügig.

• Die Repräsentationsverzerrung zugunsten gebildeter, einkommensstarker und wenig extremer Zielgruppen sowie eine „Hyper-Rationalität“ der Modelle, die letztlich immer nur das wahrscheinlichste nächste Wort berechnen und dadurch rationaler wirken, als Menschen es tatsächlich sind. 

Ergänzend sei erwähnt, dass diese Erkenntnisse nicht aus domänenspezifischen Fragestellungen bzw. Daten generiert wurden. Gut möglich also, dass die Risiken und Einschränkungen in Fachanwendungen oder bei speziellen Zielgruppen noch relevanter werden. 

Und nun?

KI eignet sich als guter Sparringspartner für Pre-Tests und Pilotstudien, für tägliches Benchmarking, für die Erstellung von Stimuli, Leitfäden und Fragebögen sowie Schritte in der Datenanalyse. 

Ein Ersatz für User Research mit der Zielgruppe sind sie nicht. 

KI als Werkzeug für Ideation

Wie können wir KI-Tools in der Ideation nutzen? Zum Beispiel bestens als:

•  Sparringspartner für die Vorbereitung von Workshops

• Inspirationsquelle für Kreativmethoden

• Ideengeber

• Werkzeug zur Strukturierung von Problemräumen 

Der Einsatz sollte allerdings an der richtigen Stelle im Ideation Prozess stattfinden. Eine 2025 in Nature Human Behaviour veröffentlichte Analyse (Meincke et. al, 2025) zeigt, dass wir durch die Nutzung von KI Tools zwar bessere Einzelideen hervorbringen, die Vielfalt der generierten Ideen jedoch sinkt. Teams, die sich von KI unterstützen lassen, gelangen häufiger zu ähnlichen Lösungen und erkunden seltener unterschiedliche Lösungsräume. Wenn wir also möglichst lösungsoffen viele Facetten und Ideen brauchen, ist von einem KI Einsatz zunächst abzuraten. 

KI als Werkzeug für Konzeption & Design

Und wie gut können uns KI Tools helfen, die Erkenntnisse und Ideen zu visualisieren?

Dass KI Tools helfen, User Journeys, Personas oder Empathy Maps zu visualisieren. Soweit so gut. Und wer sich schonmal Screens oder ganze Flows gepromptet hat, weiß: Auch das geht einfach, schnell, und sieht ordentlich aus. Ein Prompt reicht für ein ansehnliches Ergebnis.

Die fachliche Diskussion inwiefern gepromptete Screens und Interaktionskonzepte „gut“ sind, mache ich nicht auf. Interessanter ist die Frage, was diese Option mit dem Designprozess macht. 

Der Geschwindigkeitsvorteil ist zugleich das größte Risiko: Wir produzieren viel. Und ggf. viel Mittelmäßiges. Und überspringen dabei die Phasen im Designprozess (z.B. eine Discovery), die funktionierenden von überzeugenden und erfolgreichen Produkten unterscheidet. 

Wie verändert sich unser Job?

Das Erstellen von Figma-Screens war eigentlich nie der Kern unserer Aufgabe. Unser Job ist es, Technik so zu konzipieren, dass sie zu mentalen Modellen, Bedürfnissen, Aufgaben, Zielen und Kontext der Nutzergruppen passt. 

Was sich ändern wird, sind die Interfaces und Modalitäten, mit denen Menschen interagieren.
Die mentalen Modelle dafür bilden sich gerade erst. Wir haben die Chance, die Erfahrungen mit und Erwartungen an die Interaktion mit KI-Produkten von Grund auf mitzugestalten.

KI-generiertes Bild: Kinder entwickeln andere mentale Modelle von Screens als „wir“.

Dafür lohnt sich ein Blick zurück auf altbekannte Prinzipien: Wie funktioniert „Visibility ofsystem status“, wenn der User nicht weiß, was die KI gerade tut? Wie lässt sich „Recognition rather than recall“ in einem KI-Agenten umsetzen, wenn User alles Relevante angezeigt bekommen sollen, um möglichst wenig selbst erinnern zu müssen? Wie kalibrieren wir das richtige Ausmaß an Vertrauen in das System? 

So entwickelt sich der Job weiter, hin zu Human-centered AI. 

Und aus Innovate-Ideate-Create wird zunehmend Prompt-Review-Prompt. Wir orchestrieren und bewerten mehr, statt selbst umzusetzen. Wir befähigen und begrenzen Stakeholder, die mit denselben Tools hantieren können wie wir. Wir entwickeln nicht mehr jede Designroutevon Hand oder konzipieren jeden Screen und Zustand einer Versicherungsantragsstrecke manuell durch. 

Es bleiben: Design- und Produktentscheidungen, der Umgang mit Unsicherheiten, Trade-offsund die Schnittstelle zwischen Mensch und Maschine. 

Wenn das Bauen von Interfaces und Software künftig einfacher und schneller geht, wird es umso wichtiger, was gebaut wird und für wen.