LinkedIn Xing Instagram
← Alle Leistungen

KI-augmentierte UX-Workflows

Agenten, Large Language Models und Prototypen im Code als fester Teil des Designprozesses, von der Recherche über den Audit bis zum lauffähigen Prototyp, mit mehr als zwanzig Jahren UX-Erfahrung als Maßstab dafür, was davon trägt.

Was das tatsächlich bedeutet

Für die ELSTER-Case-Study hat ein Agent die Umsatzsteuer-Voranmeldung selbstständig durchgeklickt und dabei 21 Befunde dokumentiert. Für die Duft-Visualisierung hat ein anderer 349 Parfumprofile aus öffentlichen Quellen gesammelt und normalisiert. Die Kriterien und Regeln habe ich jeweils vorher festgelegt, und ob ein Ergebnis trägt, entscheide ich am Ende selbst.

So sieht KI in meiner Arbeit heute aus. Sie übernimmt ganze Arbeitsschritte, vom Recherchieren und Prüfen bis zum Dokumentieren und zum Bau von Prototypen. Dadurch verschiebt sich meine Rolle, denn ich lege fest, wonach gesucht wird, setze die Leitplanken und beurteile, was dabei herauskommt.

Grundlage ist eine praktische Ausbildung in KI, Daten und Coding, also Large Language Models, Python, API-Integration und Datenpipelines, kombiniert mit zwei Jahrzehnten UX-Strategie. Der Maßstab bleibt derselbe wie ohne KI: Ein Ergebnis muss zur konkreten Idee passen und nicht zum Durchschnitt aller ähnlichen Produkte.

Wann KI-augmentierte Workflows passen

Diese Arbeitsweise ist besonders nützlich, wenn:

  • Ein Team bereits mit KI-Tools (Lovable, v0, Cursor) prototypt, aber das Ergebnis sich „fast richtig, aber nicht ganz" anfühlt
  • Research-Transkripte und Notizen sich stapeln und die Synthese langsam ist
  • Mehrere Design-Varianten schnell erkundet werden müssen
  • Routine-Dokumentation (Komponenten-Docs, Barrierefreiheits-Spezifikationen, Übergabe-Notizen) Zeit kostet
  • Ein Founder oder PM schnell vorankommen will, aber jemanden braucht, der den Unterschied zwischen schnell und gut erkennt

Weniger sinnvoll bei sehr kurzen Engagements, bei denen sich der Setup-Aufwand nicht rechnet, oder wenn das Produkt aus Compliance-Gründen keine KI zulässt. Für sensible Kontexte ist ein lokal laufendes LLM eine Option.

Wo KI konkret eingesetzt wird

Recherche mit Agenten: Ein Agent durchsucht Foren, Datenbanken und Herstellerseiten nach festen Kriterien und legt die Ergebnisse strukturiert ab. So sind die Schmerzpunkte für das Waschmaschinen-Konzept zusammengekommen, bevor die erste Skizze entstand.

Audits mit Agenten: Ein eigener Skill prüft eine Oberfläche gegen Usability-Heuristiken, ISO 9241-110 und WCAG, während der Agent selbstständig durch den Flow navigiert. Heraus kommt ein strukturierter Rohbericht, den ich gewichte, korrigiere und um meine eigenen Befunde ergänze.

Research-Synthese: Interview-Transkripte und Notizen werden nach Mustern geclustert und Themen herausgearbeitet. Das spart Tage an Kodierarbeit, die Deutung der Muster bleibt meine Aufgabe.

Prototypen im Code: Wenn Figma nicht reicht, entstehen lauffähige Prototypen in HTML, CSS und JavaScript, mit echten Daten und echtem Verhalten. Der Begründungs-Explorer der Waschmaschine und die Duft-Visualisierung sind so entstanden.

Vom Design zum Code: Über die Verbindung von Figma und Claude Code werden Komponenten und Design-Tokens direkt in Code übersetzt, ohne Umweg über Screenshots und lange Übergabe-Dokumente.

Dokumentation: Komponenten-Beschreibungen, Barrierefreiheits-Spezifikationen und Übergabe-Notizen entstehen parallel zum Design. Die KI liefert den Entwurf, ich die fertige Fassung.

Was enthalten ist

KI-augmentierte Workflows sind kein eigenständiges Deliverable, sondern Teil davon, wie ich in anderen Projekten arbeite. Konkret heißt das:

  • Designprojekte in einem Bruchteil der Zeit, die rein manuell nötig wäre
  • Mehr erkundete Optionen, bevor eine Richtung festgelegt wird
  • Prototypen, die sich wie echte Software verhalten und mit Nutzer:innen getestet werden können
  • Dokumentation, die mit dem Design kommt und nicht Wochen später
  • Fundiertes Wissen darüber, wo KI hilft und wo sie in die Irre führt, verfügbar für die KI-Strategie des Teams

Falls ein Team lernen will, wie es KI im eigenen Designprozess einsetzen kann, lässt sich das als Workshop oder Mentoring arrangieren, siehe Mentoring.

Häufig gestellte Fragen

Was ist der Unterschied zu "Vibe Coding"?

Vibe Coding ist, wenn KI-Tools Code oder Design auf Basis grober Prompts produzieren, mit minimaler menschlicher Steuerung. Es ist schnell, neigt aber zu generischem Output – dem Durchschnitt aller Produkte wie dem eigenen. KI-augmentierte UX-Workflows bedeutet, dass KI innerhalb eines strukturierten Designprozesses genutzt wird, mit strategischen Entscheidungen einer erfahrenen Designerin an jedem Schritt. Der Unterschied zeigt sich im Ergebnis: spezifisch, intentional und auf die tatsächliche Idee zugeschnitten.

Welche KI-Tools werden konkret eingesetzt?

Das hängt von der Aufgabe ab. Für Sprache, Recherche und Agenten-Workflows arbeite ich vor allem mit Claude, Claude Code und Claude in Chrome, ergänzt um eigene Skills für wiederkehrende Aufgaben wie Audits. Für sensible Daten laufen Modelle lokal über LM Studio oder Ollama. Prototypen entstehen mit Claude Code und Figma, die über MCP miteinander verbunden sind. Für Research-Synthese kommen LLM-basiertes Clustering und Python-Tools wie BERTopic dazu, für Transkription Whisper. Die Werkzeuge wechseln schnell, der Ansatz dahinter bleibt gleich.

Kann KI mit sensiblen Unternehmensdaten eingesetzt werden?

Ja, mit Sorgfalt. Für sensible Daten ist ein lokal laufendes LLM auf meiner Maschine eine Option, sodass keine Daten das Netzwerk des Kunden verlassen. Cloud-basierte KI-Nutzung ist möglich, wenn die Richtlinien des Kunden es erlauben, aber mit klarer Festlegung, welche Daten wohin gehen. Die Entscheidung wird gemeinsam mit dem Kunden getroffen.

Wie wirkt sich das auf die Projektkosten aus?

Meistens bedeutet es mehr Wert pro Arbeitstag, nicht zwingend niedrigere Gesamtkosten. KI-augmentierte Workflows erlauben es, mehr Optionen zu erkunden, mehr Varianten zu testen und mehr Dokumentation zu produzieren – innerhalb desselben Budgets. Manche Projekte kommen schneller zum Abschluss als manuell; andere nutzen die gewonnene Zeit für tiefere strategische Arbeit.

Was, wenn das Team KI selbst lernen möchte?

Das ist sinnvoll und oft naheliegend. Es kann ein Workshop oder ein kurzes Engagement durchgeführt werden, um zu zeigen, wie KI im eigenen Workflow eingesetzt wird, welche Tools welche Aufgaben übernehmen und wo die Fallstricke liegen. Das Ziel ist nicht, KI-Wissen proprietär zu halten – sondern es im Engagement gut zu nutzen.

Ist das nur für KI-bezogene Projekte?

Nein. KI ist das Werkzeug, nicht das Thema. Die meisten Engagements, in denen KI-augmentierte Workflows genutzt werden, drehen sich nicht um KI als Produkt-Thema – sie sind reguläre UX-Arbeit (ein SaaS-Dashboard, eine Anwendung im öffentlichen Sektor, ein Enterprise-Tool), nur mit modernen Methoden umgesetzt.

Wird auch mit KI-Startups gearbeitet?

Ja, zunehmend. Produkte zu designen, die KI enthalten (Assistenten, Agenten, KI-gestützte Features), hat eigene Design-Herausforderungen – wie Nutzer:innen-Erwartungen gesetzt, wie Fehler und Halluzinationen gehandhabt und wie KI-Verhalten vertrauenswürdig gemacht wird. Ich bringe sowohl UX-Strategie als auch praktische KI-Kompetenz in diese Arbeit ein.

Wie bleibt die Arbeit in einem sich schnell wandelnden Feld aktuell?

Kontinuierliches Lernen. 2026 habe ich ein intensives Programm zu KI, Daten und Coding an der ARD.ZDF medienakademie absolviert. Ich verfolge die Entwicklungen im Feld und teste neue Tools, sobald sie relevant erscheinen. Die zugrunde liegenden Methoden – gute UX-Strategie, klares Denken, Urteil darüber, was funktioniert – ändern sich nicht so schnell wie die Werkzeuge.

Sehen, wie das in der Praxis aussieht?

30-minütiges Gespräch, um das Projekt zu besprechen und zu klären, wie KI-augmentierte Workflows passen könnten.

Kontakt aufnehmen