Kann KI Nutzerforschung ersetzen? Sie kann Awad nicht treffen.

Auf dieser Seite

1. Das Wichtigste
2. Was sagten zehn Züchter, das ein Modell nicht sagen konnte?
3. Was leistet KI in der Nutzerforschung gut?
4. Wo scheitert KI in der Nutzerforschung?
5. Was sagt die Evidenz?
6. Nimmt KI UX-Jobs weg?
7. Wie verändert sich der UX-Beruf?
8. Warum hat die UX-Karriere Zukunft?
9. Häufige Fragen
10. Quellen

Im Mai 2026 brauchte ux-skill eine neue Startseite. ux-skill ist die Design-Engine, die ich baue. Ihr ganzer Zweck ist es, die Fingerabdrücke zu erkennen, die KI-gebaute Oberflächen gleich aussehen lassen. Also taten wir das Naheliegende und ließen unseren eigenen Recommender auf unser eigenes Briefing los: Landingpage für ein Entwickler-Tool, Ton redaktionell, souverän, ruhig, filmisch. Inter als Display-Schrift, Verläufe von Violett nach Blau und drei gleich große Karten standen auf der Verbotsliste.

Zwölf Sekunden später antwortete die Engine. Cormorant Garamond auf Cremeweiß, mit einem warmen Siena-Akzent. Das ist, fast genau, die Landingpage von claude.ai.

Die Engine hatte jede Regel des Briefings befolgt. Sie las „redaktionell“ und „ruhig“ und griff zum Treffer mit der höchsten Ähnlichkeit, und das war der Look, den die KI-Tools der Kategorie bereits ausgeliefert hatten. Wir meldeten zwei Bugs gegen uns selbst. Das Tag „redaktionell“ gewichtete eine Familie von Buchschriften zu stark. Das Tag „ruhig“ war als „helle Fläche erforderlich“ codiert, sodass fast schwarze Paletten nie eine Chance bekamen. Nach den Korrekturen lieferte dasselbe Briefing eine anthrazitfarbene Fläche, einen einzigen Bernstein-Akzent und Fraunces, ein System, das keiner von uns allein nach Geschmack gewählt hätte.

ux-skill ruft keine Sprachmodelle auf. Es ist eine deterministische Scoring-Engine, und trotzdem tat sie bei einer vertrauten Frage, was ein Modell tut. Sie gab die wahrscheinlichste Antwort. Die wahrscheinlichste Antwort ist der Durchschnitt dessen, was es schon gibt.

Behalten Sie dieses Bild im Kopf, denn es ist das ganze Argument zu KI und Nutzerforschung. Bitten Sie ein Modell, Ihren Nutzer zu spielen, bekommen Sie den wahrscheinlichsten Nutzer. Forschung gibt es, um den Menschen zu finden, der es nicht ist.

Das Wichtigste

• KI kann Nutzerforschung nicht ersetzen. Sie kann das Skript entwerfen, die Sessions transkribieren und übersetzen, Notizen sortieren, Fehlerzustände auflisten und den ersten Entwurf des Berichts schreiben.
• Ein synthetischer Nutzer ist der Durchschnitt dessen, was ein Modell gelesen hat. Die Nielsen Norman Group stellte fest: Synthetische Nutzer sind gefallsüchtig, interessieren sich für alles gleich stark und berichten von Erfahrungen, die sie nie gemacht haben.
• Je enger Ihre Nutzergruppe, desto schlechter die Simulation. Das Beispiel der NN/g, wann man keine synthetischen Nutzer einsetzen sollte, ist ein Reisbauer in Vietnam. Ein Viehzüchter am Golf ist derselbe Fall.
• Der UX-Arbeitsmarkt stabilisiert sich, der Einstieg bleibt schwer, und der Wert verschiebt sich vom Erzeugen von Screens zu Urteilskraft, Forschung, Systemen und Geschmack.
• Setzen Sie KI so ein, wie die NN/g es beschreibt: wie einen Praktikanten. Geben Sie Kontext und Rahmen vor, und prüfen Sie dann jede Zeile an einem echten Zitat.

Was sagten zehn Züchter, das ein Modell nicht sagen konnte?

2023 gestaltete ich Wfrah, eine App für Schaf- und Ziegenzüchter am Golf. Noch bevor es einen Screen gab, sagte uns der Gründer Abdullatif, womit wir es zu tun hatten. Züchter führen ihr Geschäft so, wie ihre Väter es sie gelehrt haben, und sie glauben nicht, dass eine App ihre Tiere besser kennt als sie selbst.

Also gingen wir hin und hörten zu. Zehn ausführliche Interviews mit Züchtern unterschiedlicher Erfahrung, dazu Zeit, in der wir beobachteten, mit welchen Hilfsmitteln sie ohnehin arbeiteten. Fragt man einen Züchter, warum der Hof Geld verliert, bekommt man jedes Mal dieselbe Antwort: Das Futter ist teuer, und die Käufer zahlen zu wenig.

Das ist die Antwort, die Menschen laut aussprechen, und laut Ausgesprochenes ist genau das, was aufgeschrieben wird. Alles, was auf Geschriebenem trainiert wurde, würde sie Ihnen direkt zurückgeben.

Die Interviews zeigten, was darunter lag. Vielen Züchtern fiel es schwer, den täglichen Nährstoffbedarf ihrer Herde anhand der Formeln zu berechnen, und der Glaube, der Markt sei schuld, ließ sie Ernährung und Management übersehen. Das Nützlichste an der App wurde ein Nährstoffrechner, der für jedes Tier und jede Wachstumsphase rechnet. Niemand hatte danach gefragt. Die Interviews zeigten, wie viele ihn brauchten.

Aus der Forschung wurde eine Persona, Awad. Er ist stolz darauf, es so zu machen, wie seine Familie es seit Generationen tut, frustriert, wie schwer die Herde zu führen ist, und neugierig, ob es einen besseren Weg gibt. Diese Spannung, Stolz und Neugier zugleich, wurde zum gesamten Designbriefing: Eine App, die Awad belehrt, verliert ihn. Eine App, die ihm gleich auf dem ersten Screen etwas Nützliches zeigt, behält ihn vielleicht.

Awad ist fiktiv, gebaut aus zehn echten Interviews. Das ist der Unterschied zwischen einer Persona und einem synthetischen Nutzer, und der Rest dieses Textes hängt daran.

Was leistet KI in der Nutzerforschung gut?

Mehr, als ihre Kritiker zugeben. In meinem Leitfaden zum Designprozess steht unter vielen Methoden ein Absatz „mit Claude“. Das Muster ist immer dasselbe: Das Modell entwirft, sortiert und listet auf. Ein Mensch entscheidet.

Der Leitfaden der Nielsen Norman Group zum Beschleunigen der Forschung mit KI, zuletzt im Januar 2026 geprüft, kommt zum selben Ergebnis. KI hilft demnach am meisten in der Planung und in der Auswertung, am wenigsten in der Mitte, wo jemand einem Menschen beim Benutzen eines Produkts zusehen muss.

Das Skript entwerfen. Die leere Seite ist der langsamste Teil der Interviewplanung. Ich füge die Forschungsfrage ein und bitte um ein 30-Minuten-Skript über das letzte Mal, als diese Person die Aufgabe erledigt hat: ohne hypothetische Fragen, ohne Fragen, die eine Funktion nennen, und mit einer Markierung bei jeder Frage, die ihre Antwort schon andeutet. Danach streiche ich jede „Würden Sie“-Frage, die trotzdem hineingerutscht ist. Die NN/g sah dasselbe bei Testaufgaben: KI schreibt oft suggestive oder vorbelastende Aufgaben, selbst mit guten Beispielen und klaren Regeln. Der Entwurf spart eine Stunde. Das Redigieren bleibt Ihre Aufgabe.

Transkribieren und sortieren. Nach den Sessions verdient das Modell sein Geld. Ich füge die Transkripte ein und bitte um jede Beobachtung als eine Zeile mit Teilnehmer-ID und wörtlichem Zitat, danach um Gruppenvorschläge, mit einer Regel: Was nur ein Teilnehmer gesagt hat, wird kein Thema. Sortieren können Modelle gut. Lücken mit plausiblen Erkenntnissen zu füllen, müssen Sie abfangen. Die NN/g sagt es klar: KI-Cluster gruppieren oft nach Stichwort, und viele Notizen landen in „Sonstiges“.

Fehlerzustände auflisten. Hier ist KI besser als die meisten Designer unter Zeitdruck. Geben Sie ihr einen Happy Path und bitten Sie um jeden Fehler an jedem Schritt: ungültige Eingabe, Timeout, offline, ein doppeltes Tippen, verweigerte Berechtigung, leere Daten. Prüfen Sie dann, ob jeder Zustand der Person sagt, was schiefging und wie sie es behebt. An der Kasse von Dot lautet die Zeile bei einer zu kurzen Telefonnummer: „Nichts hinzugefügt. Der Telefonnummer fehlt 1 Ziffer.“ Ein Modell listet diesen Zustand auf. Die Regel, dass jeder Fehler mit „Nichts hinzugefügt“ beginnt, weil die erste Frage eines Kassierers nach einem Fehler lautet, ob die Buchung durchging, entstand aus dem Gestalten für die Person an der Kasse.

Wo scheitert KI in der Nutzerforschung?

An der einen Aufgabe, für die es Forschung gibt: herauszufinden, was an Menschen wahr ist, denen Sie noch nie begegnet sind. Das Scheitern hat einen Namen. Ein synthetischer Nutzer ist ein KI-generiertes Profil, das eine Nutzergruppe nachahmt und Interviewfragen beantwortet, als wäre es einer von ihnen. Produkte verkaufen das als Forschung ohne Nutzer.

Die Nielsen Norman Group hat synthetische Nutzer getestet, und zwar gegen drei Studien, die sie bereits mit echten Menschen durchgeführt hatte. Das fand sie heraus.

Es will gefallen. Echte Lernende in einer Studie zu Online-Kursen gaben zu, Kurse begonnen und nicht beendet zu haben. Die synthetischen Nutzer sagten, sie hätten jeden erwähnten Kurs abgeschlossen. Echte Teilnehmer ignorierten Diskussionsforen meist, weil die Interaktionen gekünstelt wirkten. Die synthetischen Nutzer lobten die Foren ausführlich. Die NN/g erklärt es so: Das Modell ist auf Literatur darüber trainiert, warum Foren gut fürs Lernen sind, und gut für Sie ist nicht dasselbe wie von Ihnen genutzt.

Es interessiert sich für alles. Gefragt, was einen Kurs fesselnd macht, nannte ein synthetischer Nutzer sieben Faktoren mit gleicher Begeisterung. Echte Menschen interessieren sich für manches weit mehr als für anderes, und diese Rangfolge ist der Sinn von Forschung. Eine Liste aus sieben gleich wichtigen Bedürfnissen sagt Ihnen nicht, was Sie zuerst bauen sollen.

Es erinnert sich an Dinge, die nie passiert sind. Ein Modell hat Ihr Produkt nie benutzt, also sind seine Geschichten über frühere Erfahrungen erfunden. Die NN/g stellt fest, dass die Profile bei Meinungen treffsicherer sind als bei Geschichten. Für die Forschung ist das verkehrt herum, denn dort ist die Geschichte der Beleg. Als sie einer synthetischen Medizinprodukt-Vertreterin eine Idee für Drohnenlieferungen vorstellten, nannte sie die Idee einen möglichen Game-Changer.

Es ist flach. Der schärfste Satz der NN/g lautet, synthetische Nutzer wirkten wie eine flache Annäherung an die Erfahrungen von Zehntausenden Menschen, weil sie genau das sind. Das ist wieder meine Startseiten-Geschichte. Die Engine scheiterte nicht an der Mathematik. Sie lieferte die Mitte des Clusters.

Je enger Ihre Nutzergruppe, desto schlimmer wird es. Die NN/g rät selbst, bei Nischen- oder Spezialgruppen auf synthetische Nutzer zu verzichten. Ihr Beispiel ist ein Reisbauer in Vietnam, weil die Daten des Modells über diese Person lückenhaft sind. Awad ist genau dieser Fall. Ein Züchter am Golf, der sein Handwerk von seinem Vater gelernt hat, hat wenig von dem Text geschrieben, aus dem ein Modell gelernt hat. Ein Kassierer an einer vollen Theke ebenso wenig.

Was Menschen sagen und was sie tun. Die zweite Lücke ist das Verhalten. Modelle sind gut mit Worten, und Forschung dreht sich oft um den Abstand zwischen Worten und Handlungen. Im Bunn-Beispiel, das ich in meinen Vorlagen verwende, nennt die Persona Rana die Gebühr für späte Lieferung im Interview einen Trick. In den Notizen prüft sie die Gebühr vor dem Bezahlen zweimal, einmal in der Speisekarte und einmal an der Kasse. Das Zitat und das Verhalten zusammen sind die Erkenntnis. Ein Transkript enthält nur das Zitat.

Die NN/g sagt dasselbe über Usability-Tests: Kein Mensch und kein KI-Tool könne eine Usability-Session allein aus dem Transkript auswerten, weil Menschen nicht jeden Klick aussprechen und oft das eine tun, während sie das andere sagen. Ihre Empfehlung von 2026 lautet weiterhin, KI keine Usability-Tests moderieren zu lassen. Ranas doppelte Prüfung der Gebühr ist ein Verhalten. Das bekommen Sie nur durch Zusehen.

Es kann die Quelle nicht gewichten. Ein guter Forscher stellt Fragen, die ein Modell nicht stellt: Hat der Interviewer diese Antwort vorbelastet, war dem Teilnehmer etwas peinlich, passte diese Person überhaupt zur Rekrutierung? Die NN/g führt genau das als kontextbasierte Urteilskraft auf, die über die heutigen Tools hinausgeht.

Was sagt die Evidenz?

Wer das untersucht, ist sich über das Bild einig: KI ist in der Forschungsarbeit allgegenwärtig, und fast niemand vertraut ihr ungeprüft.

Lesen Sie das Figma-Paar zusammen. Achtundsiebzig Prozent fühlen sich schneller, 32% vertrauen dem Ergebnis. Diese Lücke ist die Aufgabe. Jemand muss die Arbeit prüfen, und wer prüft, muss wissen, wie wahr aussieht.

Die MeasuringU-Studie ist der sauberste Beleg für das Mittelwert-Problem. Bei der Aufgabe, Inhalte in der Navigation der IRS-Website zu finden, schnitt ChatGPT weit häufiger richtig ab als Menschen. Ein Teilnehmer, der sich nie verirrt, ist in einem Test nutzlos, der herausfinden soll, wo Menschen sich verirren. Seine Einschätzungen, wie schwer sich jede Aufgabe anfühlen würde, lagen den Angaben der Menschen ziemlich nahe. Es konnte die Meinung vorhersagen. Das Verhalten konnte es nicht nachbilden.

Das Urteil der NN/g: Setzen Sie synthetische Nutzer, wenn überhaupt, für Desk Research und Hypothesen vor einer echten Studie ein. Präsentieren Sie ihre Ausgabe nie als Erkenntnisse, und seien Sie dort am vorsichtigsten, wo Forschung ohnehin schwer zu bekommen ist, denn dort ersetzt eine billige Nachahmung das Echte.

Nimmt KI UX-Jobs weg?

Nicht so, wie es die Schlagzeilen von 2023 versprachen. Der State of UX 2026 der Nielsen Norman Group beschreibt den Bogen: ein Einstellungsboom nach der Pandemie, ein scharfer Einbruch von 2023 bis 2024 bei knapper werdenden Budgets und eine Stabilisierung von Ende 2024 bis 2025. Er benennt auch die Erzählung, die den Einbruch verschärfte: Der KI-Hype suggerierte, neue Tools könnten Designer und Forscher rasch ersetzen. Die NN/g sagt, das stimmte nicht, war aber für Kostensenkungen bequem.

Die Erholung verläuft ungleich. Erfahrene Fachleute und Generalisten kommen schneller zurück. Einstiegsrollen bleiben knapp und hart umkämpft, und die NN/g erwartet, dass das 2026 so bleibt. Die Umfrage von User Interviews zeigt denselben Druck von innen: 49% der Forschenden blicken negativ auf die Zukunft des Feldes, 26 Punkte mehr, und 67% sehen die Karrierechancen negativ.

Sie zeigt auch, was die Schlagzeilen übersehen. Einundzwanzig Prozent gaben an, ihr Unternehmen habe Forschende entlassen, etwa so viele wie 2024, und Forschende traf es nicht härter als Design oder Engineering. Fünfunddreißig Prozent wurden befördert oder übernahmen mehr Verantwortung, und 20% wechselten in eine neue Funktion. Die Lesart des Reports selbst: Forschung wird womöglich von einer Rolle zu einer Fähigkeit, die andere Rollen brauchen. Weniger Menschen tragen vielleicht den Titel. Mehr Menschen brauchen die Arbeit.

Die ehrliche Antwort lautet also: KI hat den Beruf nicht abgeschafft. Sie hat die Latte für den Beruf höher gelegt, und am höchsten liegt sie an der Tür.

Wie verändert sich der UX-Beruf?

Die Arbeit wandert vom Erzeugen von Screens zum Entscheiden, was die Screens sein sollen. Die NN/g sagt es unverblümt: UI ist kein Unterscheidungsmerkmal mehr. Design Systems haben Oberflächen billiger gemacht, und KI-Tools verstärken das. In ihren Worten: Wer nur Komponenten aus einem Design System zusammensetzt, ist bereits durch KI ersetzbar. Schwer zu automatisieren sind kuratierter Geschmack, forschungsgestützter Kontext, kritisches Denken und sorgfältiges Urteilen.

Ich sehe das in meiner eigenen Arbeit. An der Kasse von Dot waren die Screens nie das Schwere. Die erste Version fragte zuerst nach dem Betrag, dann nach einem Land, dann nach der Telefonnummer, dann kam ein Button: sechs Taps plus Tippen, und beim Öffnen des Screens hatte nichts den Fokus. Diesen Screen zeichnet jedes Tool. Der Neubau begann mit einer Zeile in der Spezifikation: ein müder Kassierer an einer vollen Theke, eine Hand am Telefon, eine an der Tasse. Telefonnummer zuerst, das Betragsfeld übernimmt den Fokus selbst, und ein wiederkehrender Kunde kostet jetzt zwei Taps.

Der Wert ist nach vorn gewandert, in einen Satz über einen Menschen. Mein Leitfaden zum Designprozess formuliert es so: KI macht das Bauen billig, also wandert der teure Fehler nach vorn, zum schnellen Bauen des Falschen. Daraus folgen vier Verschiebungen.

Von Screens zu Systemen. Wenn ein Design System und ein Modell einen Screen zusammensetzen können, ist die Arbeit des Designers das System: Tokens, Muster, die Regeln für jeden Zustand. Deshalb kompiliert ux-skill aus jedem Briefing ein frisches System, und deshalb habe ich geschrieben, dass Brand Specs Trainingsdaten sind, keine Vorlagen.

Von der Ausgabe zum Urteil. Der Beitrag der NN/g über Design-Geschmack im KI-Zeitalter argumentiert, dass technisches Können nicht Geschmack bedeutet und dass Auswahl und Unterscheidungsvermögen Arbeit herausstechen lassen, sobald jeder etwas erzeugen kann. Mein Startseiten-Bug ist der Beweis im Kleinen. Die Engine lieferte ein völlig kompetentes System. Zu erkennen, dass es für uns falsch war, brauchte jemanden, der die Kategorie sah, in die es gefallen war.

Vom Durchschnittsnutzer zum konkreten. Die Voreinstellungen gleichen sich an. Als wir 150 shadcn/ui-Repos gelesen haben, liefen die meistbesternten Projekte auf einer von zwei Schriften und einer grauen Primärfarbe. Der Designer, den man einstellen sollte, kann sagen, für wen etwas ist, im Detail und mit Belegen.

Von Englisch zuerst zum lokalen Kontext. Hier ist die Lücke am größten, und hier arbeite ich. Als wir 179 finanzierte MENA-Startups geprüft haben, hatten 44% keine arabische Website. Eine aus einer englischen Vorlage übersetzte Persona hält fest, was der englische Autor erwartet hat, und ein Modell, das überwiegend aus englischen Texten gelernt hat, hat dasselbe Problem. Die arabische Fassung meiner kostenlosen Persona-Vorlage wurde deshalb auf Arabisch geschrieben, mit einer Biografie, die wie jemand aus Amman klingt. Die Warnung der NN/g vor Nischennutzern gilt im Maßstab eines Landes: Je weniger eine Bevölkerung online schreibt, desto weniger weiß ein Modell über sie.

Warum hat die UX-Karriere Zukunft?

Weil jede Kraft in dieser Geschichte den Preis dessen erhöht, was nur Menschen können. Screens werden billiger, also zählt mehr, zu wissen, welcher Screen wichtig ist. Das Bauen wird schneller, also wird das Bauen des Falschen teurer. KI-Funktionen vervielfachen sich, und die NN/g erwartet, dass Vertrauen 2026 ein großes Designproblem wird, das zuerst ein Forschungsproblem ist. In der Figma-Umfrage sagten 52% der KI-Entwickler, Design sei für KI-Produkte wichtiger als für klassische, und 95% sagten, mindestens ebenso wichtig.

Was das für eine Karriere konkret heißt:

Was Sie lernen sollten.

• Interviewen und Beobachten. Die zwei Fähigkeiten, die ein Modell nicht beherrscht. Führen Sie das Nutzerinterview selbst, fragen Sie nach dem letzten Mal, und sehen Sie Menschen bei der Aufgabe zu, dort, wo sie sie normalerweise erledigen.
• Synthese mit Rückverfolgbarkeit. Eine Affinity Map, in der jede Notiz eine Teilnehmer-ID trägt. So prüfen Sie auch die Sortierung des Modells.
• Usability-Tests. Sehen Sie fünf Personen zu. Die NN/g rät weiterhin, KI aus der Moderation herauszuhalten. Die kostenlose Usability-Test-Vorlage hält jeden Befund mit seinem Beleg-Zitat fest.
• Systeme. Tokens, Komponenten, Zustände, Übergabe.
• Ihren lokalen Kontext. Die Sprache, die Theke, der Stift, das Telefon bei schlechtem Licht. Je enger Ihre Nutzer, desto mehr ist dieses Wissen wert.
• Das Arbeiten mit KI. Mehr als 80% der Designer und Entwickler in der Figma-Umfrage sagen, der Umgang mit KI sei unverzichtbar. Lernen Sie, sie zu briefen, einzugrenzen und zu prüfen.

Was Sie lassen sollten.

• Einen Stapel Screens für das Ergebnis halten. Liefern Sie die Entscheidung und die Belege dahinter.
• Ein Modell bitten, Ihren Nutzer zu spielen, und dann für seine Antworten gestalten.
• „Würden Sie das nutzen“-Interviews führen. Menschen und Modelle sagen beide gern ja.
• KI-Zusammenfassungen als Erkenntnisse präsentieren. Die NN/g nennt das unethisch, wenn die Quelle synthetisch ist, und es beschädigt, wie die Organisation Forschung sieht.

So setzen Sie KI als Nachwuchsforscher ein, den Sie kontrollieren. Die NN/g sagt, KI arbeite am besten wie ein Praktikant: mit reichlich Anweisungen, Kontext, Rahmen und Korrekturen. Behandeln Sie sie so.

1. Briefen Sie sie wie eine neue Kollegin. Die Forschungsfrage, die Teilnehmer, was Sie schon wissen. Ohne Kontext kamen die Ergebnisse laut NN/g vage und ohne Rangfolge zurück.
2. Geben Sie eine Vorlage vor. In einem guten Formular macht sie weniger Fehler, als wenn sie selbst eines erfindet.
3. Verlangen Sie Quellen. Jede Beobachtung mit Teilnehmer-ID und wörtlichem Zitat. Jede Behauptung aus der Desk Research mit einem Link, den Sie dann öffnen.
4. Verbieten Sie das Füllen von Lücken. Sie soll ein Feld leer lassen, wenn die Notizen es nicht stützen. Löschen Sie dann jede Zeile ohne ID.
5. Behalten Sie die Entscheidungen. Drei Problemformulierungen zu entwerfen, ist Sache des Modells. Das Problem zu wählen, ist Ihre, ebenso den Schweregrad eines Befunds festzulegen. Das Modell kann nicht wissen, welche Verzögerung Geld kostet.
6. Lassen Sie es nie der Nutzer sein. Wenn Sie überhaupt einen synthetischen Nutzer einsetzen, dann um vor den echten Interviews Ihr Skript zu proben oder Themen aufzulisten, und kennzeichnen Sie alles, was er sagt, als Hypothese.

Den vollständigen Satz an Prompts, Methode für Methode, finden Sie im Leitfaden zum Designprozess, und die neun kostenlosen Vorlagen, die er nutzt, im Store.

Nichts davon ist neu. Niemand will Ihr Produkt, man will das Ergebnis, und das Ergebnis liegt bei einem Menschen, dem Sie begegnen müssen. KI hat alles rund um diese Begegnung schneller gemacht. Optional hat sie die Begegnung nicht gemacht.

Häufige Fragen

Kann KI Nutzerforschung ersetzen?

Nein. Ein Modell entwirft Skripte, sortiert Interviewtranskripte und listet Fehlerzustände gut auf. Es kann Ihnen nicht sagen, was Awad in seinem Gehege tut oder warum Rana die Gebühren zweimal prüft. Bitten Sie es, Ihren Nutzer zu spielen, bekommen Sie den Durchschnitt dessen, was es gelesen hat, also genau die Annahme, die Forschung prüfen soll.

Ersetzt KI UX-Designer?

Nicht die, die den Urteilsteil übernehmen. Der State of UX 2026 der Nielsen Norman Group sagt, Designer, die nur Komponenten aus einem Design System zusammensetzen, seien bereits durch KI ersetzbar, und Geschmack, forschungsgestützter Kontext, kritisches Denken und Urteilskraft seien schwer zu automatisieren. Der Beruf verschiebt sich dorthin.

Ist UX 2026 eine gute Karriere?

Ja, mit schwererem Einstieg. Die NN/g berichtet, der UX-Arbeitsmarkt habe sich von Ende 2024 bis 2025 stabilisiert, wobei Senior- und Generalistenrollen sich schneller erholten als Einstiegsrollen. In der Umfrage von User Interviews 2025 wurden 35% der Forschenden befördert oder übernahmen mehr Verantwortung. Wer als Einsteiger interviewen, synthetisieren und testen kann und einen lokalen Markt kennt, fällt auf.

Kann ChatGPT Nutzerforschung betreiben?

Teile davon: Desk Research, Skripte entwerfen, transkribieren, ein erster Cluster-Durchgang und Berichtsentwürfe. Verhalten beobachten kann es nicht, und als Nutzer neigt es dazu, zuzustimmen, alles für wichtig zu erklären und frühere Erfahrungen zu erfinden. In einem Tree Test von MeasuringU fand es die richtigen Antworten weit häufiger als echte Menschen, was es als Teilnehmer nutzlos machte.

Was sind synthetische Nutzer?

KI-generierte Profile, die eine Nutzergruppe nachahmen und Forschungsfragen beantworten, als wären sie eines ihrer Mitglieder. Die NN/g empfiehlt, sie wenn überhaupt nur für Desk Research und Hypothesen vor der echten Forschung zu nutzen, nie als Erkenntnisse, und sie bei Nischen- oder Spezialnutzern zu meiden.

Kann KI Usability-Tests auswerten?

Nicht verlässlich. Die NN/g sagt, kein Mensch und kein KI-Tool könne eine Usability-Session allein aus dem Transkript auswerten, weil Menschen nicht alles aussprechen, was sie tun, und ihre Empfehlung von 2026 rät weiterhin davon ab, KI Usability-Tests moderieren zu lassen. KI kann die Sessions transkribieren und die Befundliste entwerfen. Den Schweregrad legen Sie fest, und Sie prüfen jedes Zitat.

Quellen

1. Beschleunigen der Forschung mit KI nngroup.com
2. synthetische Nutzer getestet nngroup.com
3. User Interviews, State of User Research 2025 userinterviews.com
4. Figma, KI-Report 2025 figma.com
5. MeasuringU, ChatGPT im Tree Testing measuringu.com
6. State of UX 2026 nngroup.com
7. Design-Geschmack im KI-Zeitalter nngroup.com