KI-gestützte Interfaces verändern die Art, wie Menschen mit digitalen Produkten interagieren: Sie personalisieren Inhalte, automatisieren Routineaufgaben und öffnen neue Formen der Nutzerinteraktion. Forschende der HSLU und Praxisbeispiele aus Streaming- und Kollaborationsplattformen zeigen, dass künstliche Intelligenz bereits heute tiefe Eingriffe in Interaktionsdesign und Benutzererfahrung ermöglicht — zugleich bleiben Transparenz und Evaluation zentrale Herausforderungen.
Personalisierung und Kontext: Wie KI die Nutzerinteraktion individualisiert
Die Kombination aus Maschinelles Lernen und Echtzeitdaten führt zu einer neuen Stufe der Personalisierung. Plattformen wie Netflix oder Spotify sind typische Beispiele für antizipatorisches Design: Thumbnails und Empfehlungen werden dynamisch angepasst, um Klickwahrscheinlichkeit und Relevanz zu erhöhen.
Aktuelle Forschung der HSLU Informatik (Immersive Realities Research Lab) belegt, dass KI in der Nutzungskontextanalyse und der Anforderungsspezifikation Effizienzgewinne bringt, ohne die Qualität der Erkenntnisse zu senken. Die Bachelorarbeit von Daniela Egli verweist auf eine sinnvolle Integration entlang der ISO 9241 Teil 210.
Für Produktverantwortliche bedeutet das: bessere Conversion, aber auch ein höherer Bedarf an erklärbaren Modellen, um den sogenannten Creepiness-Faktor zu vermeiden. Mehr zu technischen Ansätzen der Echtzeit-Personalisierung finden Interessierte in Analysen zur Echtzeit-Personalisierung.
Insight: Wer Personalisierung einsetzt, muss gleichzeitig Mechanismen zur Kontrolle und Transparenz bereitstellen, damit Vertrauen erhalten bleibt.
Sprachsteuerung und LLMs: Neue Mensch-Maschine-Schnittstellen
Der Einsatz von LLMs und fortgeschrittener Sprachsteuerung führt zu einer Verschiebung von klassischen GUIs hin zu Conversational UIs. In Unternehmen ersetzen Copilots zunehmend mühsame Klickpfade: Anfragen wie „Erstelle einen Umsatzbericht“ orchestrieren intern mehrere Tools.
Auch Zoom und Microsoft Teams nutzen heute KI für Live-Untertitel und Übersetzung, was Barrierefreiheit und Zusammenarbeit international erleichtert. Gleichzeitig zeigt sich, dass Modelle Kontext, Tonalität und Frustration erkennen können — ein Vorteil für die proaktive Nutzerbetreuung.
Die Herausforderung liegt in der Robustheit: Dialekte, Fachjargon und branchenspezifische Intents verlangen nach spezialisierten Trainingsdaten und Monitoring. Praktiker sollten deshalb das Zusammenspiel von Automatisierung und manueller Übersteuerung planen, damit Nutzer Kontrolle behalten.
Insight: Sprach- und textbasierte Schnittstellen erweitern die Reichweite digitaler Produkte, erfordern aber gezieltes Training und transparente Feedback-Schleifen.
Designprozess, Automatisierung und die Rolle der Evaluation im UX-Workflow
Forschende und Praktiker sehen Automatisierung als Chance, Routineaufgaben im UX-Prozess abzugeben: Transkriptionen, Sentiment-Analysen und die automatische Erstellung erster Personas beschleunigen die Arbeit.
Die HSLU-Studie hebt hervor, dass KI in allen vier Phasen des UX-Modells (von der Nutzungskontextanalyse über die Anforderungsspezifikation und Entwicklung bis zur Evaluation) Mehrwert liefert. In der Designphase produziert KI erste Wireframes, Sitemaps oder Farbpaletten, was kreativen Blockaden entgegenwirkt.
Gleichzeitig bleibt der direkte Kontakt zu echten Nutzer:innen unverzichtbar: Evaluationsdaten von Live-Tests offenbaren Nutzungsprobleme, die automatisierte Tests übersehen. Produktteams müssen deshalb hybride Prozesse etablieren, die Mensch-Maschine-Schnittstelle und datengetriebenes Design verbinden. Vertiefende Praxisbeispiele zum Einsatz von KI in Produktprozessen finden sich in Beiträgen zur KI-Personalisierung in Echtzeit.
Insight: Automatisierung erhöht die Geschwindigkeit des Designs, aber nur kombinierte Evaluation mit realen Nutzer:innen sichert nachhaltige Qualität der Benutzererfahrung.
