User-Experience-Methoden-Katalog

# Definieren

Die Nutzungsanforderungen für den weiteren Prozess aufbereiten.

# Zusammenfassung

In dieser Phase werden die Ergebnisse aus der Analyse des Nutzungskontextes in Nutzungsanforderungen überführt und für den weiteren Prozess aufbereitet. Die entstandenen Artefakte (z.B. Personas) dienen in der Phase Gestalten stets als Grundlage für Designentscheidungen. Im Rahmen der Evaluation wird die Anwendung geprüft, ob sie die spezifizierten Nutzungsanforderungen erfüllt.

TL;DR — KI in dieser Phase: KI hilft beim Verdichten von Daten, beim Generieren von Persona- und Journey-Varianten und beim Aufdecken von Inkonsistenzen — die Synthese selbst bleibt aber eine menschliche Aufgabe. Ergebnisse sind Hypothesen, müssen zeitnah von der erhebenden Person validiert und rückverfolgbar auf konkrete Zitate sein.

Definieren-Phase

# Ergebnis

Ein aufbereiteter Überblick über die Anforderungen an das zu entwickelnde System aus Nutzersicht, wobei verschiedene Nutzergruppen berücksichtigt werden.

# Fragen, die in dieser Phase beantwortet werden

Welche Anforderungen haben die Benutzer an das zu entwickelnde System?

# Mehrwert & Einsatzmöglichkeiten von KI

# Daten strukturieren und verdichten

  • KI fasst Ergebnisse aus der Verstehen Phase zusammen und macht größere Datenmengen handhabbar.
  • Sie erkennt und gruppiert Muster in qualitativen und quantitativen Daten.
  • Sie führt unterschiedliche Perspektiven aus Nutzerforschung, Nutzungsdaten und fachlichen Anforderungen zusammen und macht Spannungsfelder, Zusammenhänge oder Widersprüche sichtbar.
  • Datengestützte Personas und User Journeys lassen sich durch die algorithmische Analyse größerer Datensätze ableiten und kontinuierlich verfeinern.
  • Durch die automatisierte Auswertung lassen sich User Journey-Kategorien präziser definieren und User Journeys detaillierter ausarbeiten.

# Perspektiven und Varianten erzeugen

  • KI zeigt alternative Interpretationen und Strukturierungen derselben Erkenntnisse auf.
  • Auf dieser Grundlage lassen sich erste Hypothesen ableiten, die als Ausgangspunkt für Designentscheidungen dienen.
  • Persona- und User-Journey-Templates können schnell generiert werden und liefern einen Startpunkt für die eigene Arbeit.
  • Persona-Varianten mit unterschiedlichen Segmentierungslogiken oder Nutzungskontexten unterstützen die bewusste Auswahl und Priorisierung im Team.
  • Entwicklungen über die Zeit hinweg lassen sich nachvollziehen und zukünftige Nutzungsszenarien antizipieren.

# Statische Artefakte lebendig machen

  • Personas werden durch interaktive Ansätze wie das „Chatten" mit ihnen oder Simulationen typischer Alltagssituationen („Day in the Life") vom statischen Modell zu interaktiven Erfahrungsräumen, die unterschiedliche Perspektiven und Situationen erlebbar machen.
  • User-Journey-Maps lassen sich dynamisch aktualisieren, wenn fortlaufend neue Daten verfügbar sind.

# Priorisieren und Konsistenz sichern

  • KI gewichtet zentrale Pain Points, Muster oder Anforderungen und macht sie vergleichbar.
  • Sie zeigt Inkonsistenzen zwischen Artefakten wie Personas, Erkenntnissen und User Journeys auf und trägt so zur Qualitätssicherung und Konsistenz der Ergebnisse bei.

# Risiken beim Einsatz von KI

# Fehlinterpretation und trügerische Klarheit

  • Synthese von Erkenntnissen ist eine kognitive und interpretative Tätigkeit — wird sie auf das Bestätigen von KI-Vorschlägen reduziert, geht ein wesentlicher Lern- und Verständnisprozess verloren.
  • Uneindeutige Formulierungen oder kontextabhängige Aussagen können falsch eingeordnet werden, was zu fehlerhaften Clustern, verzerrten Mustern oder irreführenden Erkenntnissen führt.
  • KI-vorgeschlagene Strukturen und Muster können ein trügerisches Gefühl von Klarheit oder Konsens erzeugen, obwohl die zugrunde liegenden Daten uneindeutig, widersprüchlich oder unvollständig sind.
  • Bei der Hypothesenbildung besteht die Gefahr, dass Antworten der KI übermäßig bestätigend ausfallen und dadurch ein verzerrtes Bild erzeugen (Sycophancy).
  • Aus KI-generierten Vorschlägen wie Value Propositions können vorschnell Schlussfolgerungen gezogen werden, ohne diese ausreichend aus realen Daten und Beobachtungen abzuleiten.
  • KI-generierte Artefakte wie Personas oder User Journeys können konsistent und überzeugend wirken, ohne ausreichend in realen Daten verankert zu sein, und werden dann im weiteren Prozess fälschlich als valide Grundlage verwendet.

# Verzerrungen in Personas und Priorisierung

  • Bei der Priorisierung neigt KI dazu, häufig genannte oder sprachlich klar formulierte Aussagen stärker zu gewichten, während seltene, implizite oder kontextabhängige Bedürfnisse weniger berücksichtigt werden.
  • Generierte Personas können eingeschränkte Diversität aufweisen oder bestehende Vorurteile, Stereotype und vereinfachende Darstellungen reproduzieren und so ein verzerrtes Bild der Zielgruppe erzeugen.

# Black-Box und Entkopplung vom Team

  • Die Herleitung von Mustern, Clustern oder Priorisierungen durch KI ist nicht transparent (Black-Box). Das erschwert es, Ergebnisse zu erklären, zu überprüfen oder gegenüber Stakeholdern zu vertreten.
  • Werden KI-generierte Strukturen und Ableitungen übernommen, ohne dass sie im Team aktiv erarbeitet wurden, wird die inhaltliche Verantwortung für die Erkenntnisse unklar — kritische Reflexion und spätere Begründung von Entscheidungen werden dadurch erschwert.

# Leitplanken für den Einsatz von KI

# KI-Ergebnisse als Hypothesen verstehen

  • KI-generierte Ergebnisse sind Hypothesen oder Impulse für die Reflexion — nicht eine verlässliche Grundlage oder endgültige Wahrheit.
  • Die Verantwortung für Interpretation und Ableitung von Erkenntnissen verbleibt in der Definieren-Phase beim Menschen.

# Zeitnah und durch die richtige Person validieren

  • KI-gestützte Analysen sollten möglichst zeitnah nach der Datenerhebung durchgeführt werden — nur in diesem Zeitraum lassen sich Fehlinterpretationen zuverlässig erkennen, weil relevante Kontextinformationen und Nuancen noch präsent sind.
  • Die Bewertung und Validierung von KI-Ergebnissen sollte durch die Person erfolgen, die die Daten erhoben hat (z.B. Interviewende oder Moderierende), da implizites Wissen, situativer Kontext und nonverbale Signale für die korrekte Interpretation entscheidend sind und nachträglich nicht vollständig rekonstruiert werden können.

# Nachvollziehbarkeit aktiv einfordern

  • Jeder KI-gestützte Analyseschritt erfordert eine explizite menschliche Validierung und nachvollziehbare Quellenbezüge — besonders bei der Priorisierung von Erkenntnissen.
  • Clustering und Insights müssen rückverfolgbar auf konkrete Zitate und Quellen sein; die KI muss explizit dazu angewiesen werden.
  • Mehrere KI-Durchläufe mit denselben Daten vergleichen: Starke Variation der Outputs ist ein Indikator für Unsicherheit und erfordert kritische Prüfung.

# Quellen

# Hinweis zur Nutzung von KI

Teile dieses Inhalts wurden unter Nutzung von KI‑gestützten Tools (insbesondere M365 Copilot) erstellt. Die Ergebnisse wurden durch die Autorin geprüft, überarbeitet und kontextuell eingeordnet. KI‑generierte Inhalte können fehlerhaft oder unvollständig sein und wurden daher nicht ungeprüft übernommen.


Zuletzt aktualisiert 25.05.2026