Kann KI UX-Research ersetzen?

Wo künstliche Intelligenz unterstützt und wo fachliche Verantwortung unverzichtbar bleibt

Ein Large Language Model (LLM) kann Texte zusammenfassen, Interviewaussagen clustern, Hypothesen bilden und erste Antworten auf Nutzerfragen liefern. Für viele wirkt das zunächst wie ein vollständiger Research-Prozess: Frage eingeben, Ergebnis erhalten, Entscheidung treffen. Doch ein plausibel formulierter Output ist noch keine belastbare Erkenntnis und schon gar keine projektspezifische Handlungsempfehlung.

Die Frage „Kann KI UX-Research ersetzen?“ lässt sich deshalb nicht allein mit dem Funktionsumfang eines Modells beantworten. Aber die kurze Antwort auf diese Frage lautet: Nein, nicht als vollständigen fachlichen Prozess. KI kann einzelne Aufgaben im UX-Research beschleunigen und Researcher:innen bei der Analyse unterstützen. Sie übernimmt aber nicht automatisch die Auswahl der richtigen Methode, die Einordnung widersprüchlicher Beobachtungen oder die Verantwortung für daraus abgeleitete Entscheidungen.

Diese Unterscheidung ist wichtig, weil drei Themen häufig miteinander vermischt werden: KI als Werkzeug im UX-Research, UX-Research für KI-Produkte und die grundsätzliche Frage, ob KI menschliche Research-Arbeit ersetzen kann.

‍

KI als Werkzeug im UX-Research

Kund:innen wollen mit dem Einsatz von KI meist schneller zu verwertbaren Ergebnissen kommen. Sie stellen einem LLM Fragen zu Zielgruppen, Nutzungsmotiven oder möglichen Problemen und erhalten innerhalb kurzer Zeit eine strukturierte Antwort. Das kann den Einstieg erleichtern und erste Arbeitshypothesen liefern. Es ersetzt aber nicht die Prüfung, ob die verwendeten Informationen zum eigenen Produkt, zum Markt und zur konkreten Entscheidung passen.

KI kann im UX-Research vor allem dort unterstützen, wo große Materialmengen bearbeitet oder wiederkehrende Strukturen sichtbar gemacht werden müssen. Dazu gehören beispielsweise:

• Transkripte vorsortieren und thematisch strukturieren
• wiederkehrende Begriffe oder Aussagen markieren
• bereits definierte Kategorien auf weiteres Material anwenden
• Interviewleitfäden oder erste Hypothesen vorbereiten
• Zwischenstände zusammenfassen und vergleichbar machen

Diese Aufgaben können Zeit sparen. Sie beantworten aber noch nicht die entscheidenden fachlichen Fragen: Wer wurde befragt? Unter welchen Bedingungen entstand eine Aussage? Welche Perspektiven fehlen? Welche Beobachtung ist für die konkrete Produktentscheidung relevant? Und welche Erklärung ist nur eine plausible Vermutung?

Ein LLM kann Muster in vorliegenden Daten erkennen. Es weiß jedoch nicht automatisch, welche Verzerrungen in der Erhebung enthalten sind, welcher Zielkonflikt im Projekt besonders schwer wiegt oder welche Konsequenzen eine falsche Interpretation hätte. Genau deshalb bleibt die fachliche Einordnung ein zentraler Bestandteil von UX-Research.

‍

Warum Analyse nicht gleich Research ist

Der Unterschied zwischen einer KI-Ausgabe und UX-Research liegt nicht nur in der Qualität einzelner Formulierungen. Er liegt vor allem darin, wie Erkenntnisse entstehen und wie sicher sie auf eine konkrete Situation übertragen werden können.

Eine Researcher:in beurteilt nicht nur, was in den Daten vorkommt. Sie prüft auch, wie diese Daten entstanden sind, welche Fragen gestellt wurden und ob die untersuchten Personen die relevante Zielgruppe abbilden. Sie verbindet unterschiedliche Quellen, markiert Widersprüche und unterscheidet Symptome von möglichen Ursachen. Ein Modell kann bei diesen Schritten unterstützen, übernimmt aber nicht automatisch die methodische Verantwortung dafür.

Das zeigt sich besonders bei der Auswahl der UX-Methoden. Interviews, Tagebuchstudien, Beobachtungen, Konzepttests und Usability-Tests beantworten unterschiedliche Fragen. Ein Modell kann Vorschläge für einen Leitfaden machen oder mögliche Testaufgaben formulieren. Die Entscheidung für eine passende Methode, die Rekrutierung geeigneter Teilnehmer:innen, die Moderation und die Bewertung widersprüchlicher Aussagen bleiben fachliche Aufgaben.

Auch eine generierte Zusammenfassung darf nicht mit einer validierten Erkenntnis verwechselt werden. Wenn Nutzer:innen wiederholt nach einer Funktion fragen, kann das auf ein echtes Bedürfnis hinweisen. Ebenso möglich sind eine missverständliche Navigation, eine unklare Aufgabenstellung oder eine Erwartung, die erst durch die Testsituation entstanden ist. Erst die Einordnung des Nutzungskontexts zeigt, welche Erklärung trägt.

‍

Wenn das Produkt selbst KI nutzt

Die zweite Ebene betrifft UX-Research für KI-Produkte. Sie beantwortet nicht die Frage, ob KI Research ersetzen kann, sondern beschreibt einen Anwendungsfall, in dem Research besonders wichtig ist: die Gestaltung und Bewertung von Systemen, deren Ausgaben sich je nach Eingabe verändern.

Für Nutzer:innen zählt dabei nicht, ob ein Modell elegant formuliert. Entscheidend ist, ob das System verständlich, kontrollierbar und verlässlich nutzbar ist. Nutzer:innen formulieren Prompts, interpretieren Antworten, korrigieren Fehler und entscheiden, ob sie dem System weiterhin vertrauen. Eine sprachlich überzeugende Antwort kann trotzdem am Bedarf vorbeigehen.

Das gilt für Chatbots, Assistenzfunktionen und andere dialogorientierte Systeme. Ein LLM kann mögliche Dialogverläufe erzeugen oder typische Missverständnisse beschreiben. Es kann aber nicht aus eigener methodischer Verantwortung bewerten, welche Folgen ein Missverständnis für eine bestimmte Zielgruppe hat. Dafür braucht es reale Nutzungssituationen, konkrete Aufgaben und die Beobachtung, wie Menschen mit Fehlern und Unsicherheit umgehen.

Zu den wichtigen Fragen bei solchen Untersuchungen gehören:

• Ist erkennbar, wann eine KI-Funktion aktiv ist?
• Können Nutzer:innen eine Ausgabe korrigieren oder verwerfen?
• Werden Unsicherheiten verständlich kommuniziert?
• Bleibt ein manueller oder menschlicher Ausweichweg verfügbar?
• Verstehen Nutzer:innen, welche Handlung das System ausführt und welche Verantwortung bei ihnen bleibt?

Diese Fragen gehören zum UX-Research bei der Produktentwicklung von KI-Tools. Sie lassen sich nicht zuverlässig aus einer generischen Modellantwort ableiten. Sie erfordern die Untersuchung tatsächlicher Nutzung und der Reaktionen von Menschen auf Fehler, Unklarheit und wechselnde Systemausgaben.

‍

Was KI leisten kann und was nicht

KI kann Researcher:innen in mehreren Phasen unterstützen: bei der Vorbereitung von Fragen, bei der Strukturierung von Rohmaterial, beim Vergleich bereits definierter Kategorien und bei der Formulierung von Zwischenständen. Auch KI-gestützte Nutzerforschung kann sinnvoll sein, wenn klar festgelegt ist, welche Aufgabe das Modell übernimmt und welche Prüfung anschließend erfolgt.

Nicht delegierbar sind jedoch die Verantwortung für das Studiendesign, die Einordnung von Kontext und Verzerrungen sowie die Ableitung einer Entscheidung. Kunden benötigen selten eine lange Liste möglicher Beobachtungen. Sie brauchen eine begründete Entscheidungshilfe: Welches Problem ist relevant, für wen tritt es auf, wie sicher ist die Erkenntnis und welche Maßnahme hat im Projekt Vorrang?

Diese Übersetzung entsteht durch Abwägung. Researcher:innen verbinden Daten aus unterschiedlichen Quellen, berücksichtigen technische Einschränkungen und Geschäftsziele und bewerten die möglichen Folgen einer Änderung. Erst daraus entsteht eine Handlungsempfehlung, die auf das konkrete Produkt und den konkreten Projektstand zugeschnitten ist.

Eine sinnvolle Aufgabenverteilung kann deshalb so aussehen: KI übernimmt vorbereitende und strukturierende Tätigkeiten, während Researcher:innen die Methode festlegen, die Daten bewerten, Unsicherheiten offenlegen und die Schlussfolgerungen verantworten. Gute Prozesse machen sichtbar, welche Teile automatisiert wurden, welche Ergebnisse geprüft wurden und wo menschliche Interpretation eingeflossen ist.

‍

Fazit

Kann KI UX-Research ersetzen? Als vollständigen fachlichen Prozess: nein. KI kann Recherche- und Analyseaufgaben beschleunigen, Material strukturieren und Researcher:innen bei wiederkehrenden Tätigkeiten entlasten. Sie garantiert jedoch nicht, dass Ergebnisse korrekt eingeordnet oder sinnvoll auf ein bestimmtes Produkt übertragen werden.

UX-Researcher:innen bleiben notwendig, weil sie Methoden passend auswählen, Systemgrenzen prüfen, Kontext und Verzerrungen bewerten und aus Beobachtungen belastbare, projektspezifische Handlungsempfehlungen ableiten. Für KI-Produkte bedeutet das: KI dort einsetzen, wo sie den Research-Prozess unterstützt, und menschliche Verantwortung dort sichern, wo Kontext, Kontrolle und mögliche Folgen entscheidend sind.

‍