KI im Produktdesign: KI-native Produkte & Prototypen

KI-native Produkte, die im echten Gebrauch tragen.

Die meisten KI-Funktionen scheitern aus zwei Gründen: Niemand hat festgelegt, welche Aufgabe das Modell übernimmt, und niemand hat gestaltet, was passiert, wenn es falsch liegt. Ich grenze die Aufgabe ein, baue innerhalb von Tagen einen Prototyp, der gegen ein echtes Modell läuft, und prüfe ihn mit echten Menschen an echter Arbeit — damit die Entscheidung über den Start auf Verhalten beruht und nicht auf einer Demo.

Mit Verhalten entscheiden, nicht mit einer Demo

KI hat das Bauen billig gemacht; damit wird das Entscheiden zum teuren Teil. Drei Schritte, in der Regel vier bis sechs Wochen, und am Ende wissen Sie, ob es trägt.

Eingrenzen

Benennen, welche Aufgabe das Modell übernimmt, wem sie dient und was eine falsche Antwort kostet. Funktionen ohne diese Festlegung sind die, die ein halbes Jahr nach dem Start still abgeschaltet werden.

Prototypen

Innerhalb von Tagen lauffähig bauen, gegen ein echtes Modell — kein klickbares Bild. Sie sehen Wartezeiten, leere Zustände und falsche Antworten, solange Änderungen noch billig sind.

Absichern

Die falsche Antwort gestalten: Kennzeichnung, Korrektur, Rückfallebene, Prüfschritt. Dann mit echten Menschen an echter Arbeit testen und nach dem entscheiden, was sie getan haben, nicht nach dem, was sie gesagt haben.

01.Eingrenzen

Wir beginnen bei der Aufgabe, nicht bei der Technik. Welche Entscheidung oder welches Stück Arbeit übernimmt das Modell, für wen, wie oft, und was kostet es, wenn es falsch liegt? Danach wird die Eignung geprüft: Gibt es Daten, ist die Ausgabe überprüfbar, und ist ein Modell hier tatsächlich besser als eine Regel, ein Suchfeld oder ein kürzeres Formular? Die Hälfte der Kandidaten fällt an dieser Stelle heraus — und das ist die billigste Stelle dafür.

Anwendungsfall eingrenzenAufgabe & RisikoDaten- und ModelleignungErfolgskriterien

02.Prototypen

Dann wird richtig gebaut: ein lauffähiger Prototyp an einem echten Modell und echten Daten, innerhalb von Tagen. Kein Bild einer Antwort, sondern die Antwort, die das Modell gibt — mit Wartezeit, leeren Zuständen und selbstbewusstem Unsinn. Nur diese Fassung lohnt den Test, denn Menschen reagieren auf Verhalten, und kein statischer Screen kann es zeigen.

Lauffähiger PrototypEchtes Modell, echte DatenWartezeit & leere ZuständeTage statt Monate

03.Absichern

Zuletzt kommt der Teil, den die meisten Teams überspringen: die Gestaltung des Irrtums. Wie sicher ist das Modell, und sagt die Oberfläche es? Lässt sich die Antwort in einem Schritt korrigieren? Was passiert, wenn es nichts hat oder nicht erreichbar ist? Wer prüft die Fälle, auf die es ankommt? Dann erledigen fünf Menschen ihre eigene Arbeit damit, und die Empfehlung entsteht aus dem, was sie getan haben.

Kennzeichnung & SicherheitKorrektur & RückfallebeneMenschliche PrüfungUsability-Test

Für wen das ist

Für Teams, bei denen KI längst auf der Roadmap steht — und die Frage von „ob" auf „wo" und „mit welchem Risiko" gewechselt ist.

Produktteam

Die Führung will KI im Produkt und niemand kann die Aufgabe benennen

Drei Workshops später stehen auf der Liste immer noch Funktionen statt Aufgaben, und jede Schätzung hängt davon ab, welche man nimmt.

Sie erhalten einen eingegrenzten Anwendungsfall mit entscheidbaren Kriterien.

Gründung

Sie müssen es funktionierend zeigen, nicht beschreiben

Investoren und erste Kunden reagieren auf Verhalten. Eine Präsentation über das Modell ist genau das, was sich nicht beurteilen lässt.

Sie erhalten in Tagen einen lauffähigen Prototyp und Sitzungen, die zeigen, dass er trägt.

Konzern

Der Pilot lief, und niemand gibt ihn frei

In der Demo überzeugt es, und niemand kann sagen, was passiert, wenn es falsch liegt — also bleibt es ein Pilot.

Sie erhalten gestaltete Fehlerwege und Belege, die der Prüfung genügen.

Nicht sicher, ob das der richtige Einstieg ist?

Es ist noch nicht entschieden, was gebaut wird, oder die Anforderungen widersprechen sich — das ist UX Research.
Es gibt noch keine geprüfte Richtung, oder mehrere Ideen konkurrieren — das ist Strategy.
Die Funktion läuft und muss jetzt zu einem System wachsen — das ist Design Engineering.

Fragen, die vorher gestellt werden

Was heißt KI-nativ eigentlich?

Dass das Modell Teil der Funktionsweise ist und nicht ein angeschraubtes Fenster. Die Oberfläche muss mit Ausgaben umgehen, die wahrscheinlich sind: manchmal richtig, manchmal fast richtig, gelegentlich selbstbewusst falsch. Das zu gestalten — Sicherheit, Korrektur, Rückfallebene — unterscheidet ein KI-natives Produkt von einem Produkt mit Chatfenster.

Ersetzt KI die Nutzerforschung?

Nein, und so eingesetzt führt sie dazu, dass Teams selbstbewusst falsch liegen. Ein Modell fasst zwanzig Interviews schneller zusammen als ich und erfindet ein Thema, das niemand genannt hat. Ich nutze es für Transkription, Clustern und erste Durchgänge; die Belege kommen weiter von echten Menschen an echten Aufgaben, und das Urteil bleibt bei einem Menschen, der dafür einstehen kann.

Wie schnell läuft etwas?

Ein lauffähiger Prototyp an einem echten Modell braucht meist Tage statt Wochen, weil das Bauen nicht mehr der langsame Teil ist. Die vier bis sechs Wochen gehen in das saubere Eingrenzen der Aufgabe und in den Test mit echten Menschen.

Was ist mit Datenschutz und EU AI Act?

Ich gestalte mit beidem im Blick statt daran vorbei: welche Daten das Modell sieht, was protokolliert wird, ob die Ausgabe als maschinell erzeugt gekennzeichnet ist und ob ein Mensch widersprechen kann. Die rechtliche Einordnung eines konkreten Systems gehört zur Rechtsberatung — mein Teil ist, dass die Gestaltung diese Antwort nicht schwerer macht.

Und wenn das Modell das falsche Werkzeug ist?

Dann ist das das Ergebnis, und ein günstiges. Ein Suchfeld, eine Regel oder ein kürzeres Formular schlägt ein Modell häufiger, als der Markt derzeit vermuten lässt. Das in Woche zwei zu wissen, ist erheblich mehr wert, als es nach einem Jahr Wartung herauszufinden.