Decision Intelligence in der UX-Praxis

Decision Intelligence beschreibt den Ansatz, Entscheidungen mit Hilfe von Daten und KI systematisch auf eine belastbare Basis zu stellen, um sicherere Entscheidungen schneller und nachvollziehbarer zu treffen. Mitunter lassen sich sogar einfache, wiederkehrende Aufgaben vollständig automatisieren. Die Verantwortung trägt dabei immer der Mensch.

Im UX-Kontext konzentrieren wir uns insbesondere auf Entscheidungen zur Konzeption, Entwicklung und Optimierung von Produkten und Services.

In den letzten Monaten haben wir uns regelmäßig gefragt, wie sich die Möglichkeiten, die der digitale Fortschritt uns bringt, ausreizen lassen. Ein Teil unserer KI-Initiativen hat einen Weg in unseren Projektalltag gefunden und sich bereits erfolgreich in der Praxis bewiesen.

Egal in welcher Projektphase, Discover, Define, Develop oder Deliver, Entscheidungen müssen immer vorbereitet, getroffen und umgesetzt werden. Daran hat sich nichts geändert. Wie diese Prozesse bei uns mittlerweile in den einzelnen Phasen ablaufen, hat sich dagegen verändert:

Die meisten Projekte starten häufig mit vielen offenen Fragen, losen Enden und dem Aufbau von Kontext. Essentielle Informationen verteilen sich dabei auf große Mengen an Dokumenten, Präsentationen und Notizen, und wer für eine Entscheidung eine bestimmte Antwort braucht, muss sie erst finden. Dazu stecken in den Unterlagen nicht selten sensible Daten, die bei Gemini, Claude und Co. nichts zu suchen haben.

Deshalb haben wir uns Delphi gebaut. Eine lokale Anwendung, mit der wir für jedes Projekt alles an einem Ort bündeln und eine eigene Wissensbasis anlegen können. Darin suchen wir gezielt, stellen Fragen an das Projektwissen und analysieren Zusammenhänge. So behalten wir mit Hilfe von KI den Überblick, finden gezielt Antworten und wahren trotzdem die Vertraulichkeit. Zusätzlich wandelt Delphi automatisch alles in Markdown, damit das KI-Modell effizienter damit arbeiten kann. Entstanden ist Delphi in einem Projekt mit großen Dokumentenmengen und hat dort geholfen, diese effizient zu erschließen.

Was andere Teams mitnehmen können: Alles zu einem Projekt gehört an einen festen Ort, an dem sich gezielt Fragen stellen und Antworten finden lassen. Wer mit dieser Wissensbasis KI-gestützt und ohne Bedenken arbeiten will, legt sie am besten von Anfang an lokal und sicher an. So lassen sich Entscheidungen jederzeit nachvollziehbar mit Fakten belegen.

Bereits 2025 haben wir einen Custom GPT für simulierte User-Tests mit KI-Personas gebaut und später daraus sogar einen Prototyp entstehen lassen. In einem Kundenprojekt konnten wir damit Richtungen diskutieren, ohne direkt ein aufwendiges Testing starten zu müssen, und auf Basis dieser ersten Einschätzung gezielt in die Tiefe arbeiten. Wir haben festgestellt, dass sich mit simulierten Tests das Erwartbare früh und schnell abbilden lässt, um erste Hypothesen für richtungsweisende Entscheidungen aufzustellen. Echte Nutzerforschung ersetzt das allerdings nicht. Denn Simulationen liefern Durchschnitt, echte Menschen mit seltenen, unerwarteten Stimmen und realen Erfahrungen liefern Varianz.

Das bestätigt jetzt auch eine Studie der Nielsen Norman Group. 120 simulierte Teilnehmende und 604 Fachleute aus Tech und Design beantworteten dieselbe Frage. Die Kernaussage war in beiden Gruppen gleich, doch die echten Befragten nannten über 50 verschiedene Begriffe, die simulierten rund ein Dutzend. Seltene Antworten fehlten vollständig, und Unterschiede zwischen Berufsgruppen wirkten kleiner, als sie tatsächlich sind. Die NN/g empfiehlt simulierte Nutzende deshalb wie wir als Ausgangspunkt für Hypothesen, nicht als Ersatz für Nutzerforschung.

In der Praxis profitieren davon vor allem unsere Kunden. Simulierte User-Tests sparen nämlich in frühen Phasen Projektbudget und Arbeitszeit, die für komplexere Entscheidungen gebraucht wird, bei denen menschliche Varianz und intensive Nutzerforschung gefragt sind.

Was andere Teams mitnehmen können: Simulierte User-Tests eignen sich für eine erste Orientierung und für Hypothesen für einen fokussierten Projektstart. Wer sie einsetzt, sollte aber vorher ein klares Ziel definieren und abgleichen, ob diese Methode dazu passt.

Prototypen sind das wichtigste Kommunikations- und Validierungswerkzeug in der Zusammenarbeit. Vibecoding ist in diesem Bereich kaum noch wegzudenken. Umso wichtiger war es uns, unsere Vibecoding-Prozesse flexibel und sicher zu gestalten.

Dafür hat unser Engineering-Team das Vibedock aufgebaut, ein verlässliches Fundament für unsere Prototypen auf unseren eigenen Servern. Das Team ist auch für Sicherheit und Wartung dieser Infrastruktur zuständig.

Im Vibedock kann ein neues Projekt von jedem Teammitglied mit wenigen Handgriffen selbstständig angelegt werden, samt passender Vorlage und Zugang über das Firmenkonto. Der Code landet in unserem eigenen Repository, und jede Änderung wird automatisch bereitgestellt.

Für jedes Projekt lässt sich außerdem festlegen, ob es intern bleibt, passwortgeschützt mit Kunden geteilt oder öffentlich zugänglich gemacht wird. So prüfen wir Hypothesen schnell und unkompliziert. Ein echter Prototyp macht Missverständnisse und falsche Annahmen sichtbar, spiegelt die tatsächliche Erwartungshaltung wider und lässt sich anschließend mit echten Nutzenden testen, um Fragen zur Nutzung gezielt zu klären.

Was andere Teams mitnehmen können: Wer mit KI Prototypen baut, braucht eine gepflegte, sichere Infrastruktur mit klaren Verantwortlichen, die über die nötige Fachexpertise verfügen.

Nutzertests und Umfragen erzeugen große Datenmengen. Deren manuelle Auswertung und Aufbereitung hat uns in der Vergangenheit viel Zeit gekostet. Aber eben auch die Erfahrung eingebracht, um Plato zu bauen. Unser KI-gestützter Allrounder, der uns in diesem Bereich jetzt jede Menge Arbeitsschritte abnimmt und uns trotzdem zu jeder Zeit die volle Kontrolle überlässt.

Plato liest Umfragedaten, erkennt Fragetypen automatisch, vergleicht Gruppen, ordnet Fragen Hypothesen zu, wertet Ergebnisse statistisch aus, validiert und falsifiziert Hypothesen und stellt Ergebnisse in anpassbaren Diagrammen dar. Auch die Analyse von Interviewtranskripten befindet sich in der Beta-Phase. In Kundenprojekten setzen wir Plato bereits für die Auswertung und Aufbereitung von Nutzertests ein und sind dadurch deutlich schneller. Für Stakeholder lassen sich die Ergebnisse außerdem direkt als Präsentation aufbereiten. So werden aus Rohdaten belegte Erkenntnisse und geprüfte Hypothesen, auf die sich darauffolgende Entscheidungen stützen können.

Wichtig war uns dabei auch, dass sich alles jederzeit anpassen lässt. Plato arbeitet Schritt für Schritt, jeder Zwischenstand ist sichtbar, und wenn eine Auswertung einmal danebenliegt, reichen wenige Handgriffe zur Korrektur.

Was andere Teams mitnehmen können: Eine Entscheidung ist nur so belastbar wie die Auswertung dahinter. Wer die Auswertung automatisiert, sollte jeden Zwischenschritt nachvollziehen, prüfen und notfalls korrigieren können.

Entscheidungen fallen selten allein. Sie entstehen in Abstimmungen, Workshops und Gesprächen mit Stakeholdern. Oft stecken Erwartungen und Annahmen auch zwischen den Zeilen eines vertraulichen Gesprächs, dessen Inhalte nicht in gängige KI-Software gehören. Und Wochen später fragt trotzdem jemand, warum etwas so entschieden wurde.

Deshalb nutzen wir unseren selbst gebauten Transcriber. Eine lokale Anwendung, die Gespräche aufzeichnet, erkennt, wer spricht, sie smart zusammenfasst und mit internen Zielsetzungen abgleicht.

Sofern alle Beteiligten damit einverstanden sind, lassen sich so auch sensible Entscheidungen und Aussagen automatisch festhalten, ohne manuelles Tippen. Wir können uns also voll auf das Gespräch konzentrieren, und später lässt sich belegen, was entschieden wurde. Weil das gesamte Gespräch vorliegt, lassen sich außerdem die Hinweise zwischen den Zeilen im Nachhinein erkennen und bei späteren Entscheidungen berücksichtigen.

Was andere Teams mitnehmen können: Wer Entscheidungen samt Begründung in einem festen Protokoll festhält und das ganze Gespräch aufbewahrt, kann später belegen, was entschieden wurde, und auch Zwischentöne noch einmal prüfen. Voraussetzung ist das Einverständnis aller Beteiligten und eine lokale Verarbeitung vertraulicher Gespräche.

Eine gute Entscheidung entfaltet erst dann ihre Wirkung, wenn sie auch wie beschlossen umgesetzt wird. An diesem Punkt ist die Qualitätssicherung gefragt.

Aktuell läuft hierzu gerade ein internes Experiment, das klären soll, an welchen Prüfschritten es den Blick eines Menschen braucht und welche sich für die Automatisierung durch KI lohnen.

Rückblickend hat sich unsere Rolle im UX-Design gravierend verändert. Wir führen weniger manuelle Arbeitsschritte selbst aus, geben sie gezielter an KI ab und prüfen die Ergebnisse. Dabei ziehen sich drei Prinzipien quer durch unsere Beispiele: Vertrauliches bleibt lokal, jeder Schritt bleibt sichtbar und korrigierbar und Simulation ersetzt keine echten Menschen.

Die gewonnene Zeit investieren wir dort, wo jahrelange Erfahrung zählt: bei seltenen, unerwarteten Stimmen, beim Kuratieren und Einordnen der Ergebnisse und bei der Verantwortung für die Entscheidung. Für unsere Kunden heißt das: eine breitere und besser belegte Entscheidungsgrundlage in frühen Phasen und mehr Fokus dort, wo Menschen den Unterschied machen. Die Verantwortung liegt am Ende immer beim Menschen.

Nielsen Norman Group: Synthetic Users vs. Human Respondents (16.10.2026), https://www.nngroup.com/articles/synthetic-users-vs-human-respondents/