Vorgehensmodelle im UX-Design mit KI: Der Engpass wandert nach vorne

KI verkürzt das Prototyping radikal – und macht Recherche und Problemdefinition zur eigentlichen Wertschöpfung in Designprojekten. Und damit zur Frage, wo Budget, Weiterbildung und Differenzierung morgen liegen.KI verkürzt das Prototyping radikal – und macht Recherche und Problemdefinition zur eigentlichen Wertschöpfung in Designprojekten. Und damit zur Frage, wo Budget, Weiterbildung und Differenzierung morgen liegen.

Zwei bis vier Wochen für einen klickbaren Prototypen waren in eigenen Projekten bis vor Kurzem ein realistischer Wert – heute sind es wenige Tage, oft direkt auf der Zielplattform und in höherer Detailtiefe (fidelity), als ökonomisch für Unternehmen wie Accso je vertretbar war.  Tools wie Claude Code, Figma Make, GitHub Copilot oder MCP-Anbindungen für Figma und Miro senken die technische Hürde so weit, dass die Anzahl an Varianten und der Detailgrad nicht mehr von Aufwand, sondern von der Qualität der Vorarbeit limitiert ist. Genau dort verschiebt sich der Engpass im Design-Prozess – und damit die Frage, in welche Phase Designer:innen, Projektverantwortliche und Geschäftsführungen ihre nächste Stunde – und ihr nächstes Budget – investieren sollten.

Vier Phasen, zwei Diamanten

Die Auswirkungen von KI in Design Projekten lassen sich an einem der bekanntesten Design Prozesse, dem Double Diamond, leicht veranschaulichen. Aber was ist eigentlich der Double Diamond? 

Der Double Diamond des British Design Council, popularisiert auch durch Don Norman, trennt zwei Fragen sauber: 

1. Lösen wir das richtige Problem?
2. Lösen wir das Problem richtig?

Der Prozess ist in vier Phasen aufgeteilt. Jede der vier Phasen – Discover, Define, Develop, Deliver – wechselt zwischen divergentem Denken (möglichst viele Optionen erzeugen) und konvergentem Denken (auf die tragfähigen Optionen verdichten). Die vertikale Ausdehnung der Diamanten visualisiert genau diese Optionsbreite.

In der Praxis ist das Modell weder strikt linear noch sequentiell. Liefert eine Recherche in Discover keine oder zu wenig brauchbare Ergebnisse, wird die Phase mit einer anderen Methode wiederholt – etwa kontextuellen Interviews statt einem Online-Survey. Auch die einzelnen Diamanten sind iterativ. Und: Jedes Projekt verlangt eine eigene Adaption des Prozesses – eine Experten-Anwendung mit fünf verfügbaren Nutzer:innen folgt anderen Regeln als eine Consumer-App mit Zehntausenden.

Wo KI heute wie viel Zeit spart

Legt man eine Zeitachse über die vier Phasen und vergleicht ein Standardprojekt unter Idealbedingungen mit einem KI-unterstützten Projekt unter ebenso idealen Bedingungen, ergibt sich ein asymmetrisches Bild:

• Discover: kleiner Boost. LLMs beschleunigen Research, das Sichten von Marktstudien und das Vorbereiten von Interviewleitfäden oder Surveys. Die eigentliche Feldarbeit – Menschen sprechen, beobachten, deren Kontext verstehen – lässt sich (noch) nicht automatisieren.
• Define: moderater Boost. Das Clustern qualitativer Daten, das Erstellen von Affinitätsdiagrammen aus Transkripten, das Verdichten zu Personas und Problem Statements wird spürbar schneller, wenn Modelle als Sortier- und Vorschlagswerkzeug dienen. Die Validierung und darauf aufbauende Entscheidungen benötigt fachliche Expertise und Erfahrung.
• Develop: massiver Boost. Hier liegt der Hebel. Visuelle Prototypen in Figma, code-basierte Varianten via Figma Make, lauffähige Implementierungen direkt auf der Zielplattform mit Copilot – was vier Wochen dauerte, dauert jetzt Tage. Und das nicht in geringerer, sondern in höherer Detailtiefe.
• Deliver: gemischter Boost. Quantitative Auswertung großer Datenmengen, automatisierte Transkription und Codierung von Usability-Sessions, Zusammenfassung von Feedback profitieren stark. Qualitative Beobachtung – Mimik, Körpersprache, das Stocken vor einem Button – bleibt weiterhin menschlich.

Erfahrung wird zum Hebel – und zum Wertschöpfungsfaktor

Die oben beschriebenen Effekte sind nicht nur quantitativ, sondern strukturell. Wenn Develop von Wochen auf Tage schrumpft, ist die Phase nicht mehr der bestimmende Posten in der Projektdauer – und damit auch nicht mehr der bestimmende Posten für die Ergebnisqualität. Der Engpass wandert nach vorne.

Das hat zwei Konsequenzen:

Erstens verschiebt sich der Marktwert. Tools für Develop sind weitgehend im Markt angekommen und etabliert: Figma Make, Copilot, Claude Code stehen jedem zur Verfügung. Was bleibt als Differenzierung, ist die Fähigkeit, das richtige Problem zu identifizieren – also genau das, was im ersten Diamanten passiert. Discover und Define werden zur eigentlichen Wertschöpfungszone. Konkret heißt das: zwei Anbieter mit identischem Tool-Stack liefern zukünftig nicht mehr unterschiedlich schnell, sondern unterschiedlich treffsicher – und das Honorar folgt der Treffsicherheit, nicht der Stundenzahl.

Zweitens zahlt sich Domänenerfahrung stärker aus. Wer mit klaren Personas, geschärften Problem-Statements und validierten Annahmen in die Develop-Phase geht, nutzt den Geschwindigkeitsschub gezielt für mehr Variantenvergleich und tiefere Tests. Anforderungserhebung und Nutzer-Feedback werden dadurch nicht ersetzt – sie werden zur Voraussetzung, dass die schnell produzierten Varianten überhaupt etwas wert sind.

Methodik schlägt Tooling – aber anders als gedacht

Der naheliegende Reflex „mehr und bessere KI-Tools beschaffen" greift zu kurz. Die Praxis zeigt, dass selbst eine unvollständigeRecherche mit guten KI-Tools zu beeindruckenden Prototypen führen kann – was die Versuchung erhöht, die Vorarbeit zu kürzen. Genau hier trennen sich Erfahrung und Werkzeugkompetenz: Wer Design-Methodik beherrscht, erkennt im KI-generierten Prototyp die unbeantworteten Fragen: 

• welche Nutzer-Hypothese implizit fixiert wurde, 
• welche Edge Cases fehlen, 
• welche Annahme über den Kontext nie validiert wurde. 

Wer nur die Tools beherrscht, hat keinen Anlass, den ‘schicken’ Prototyp zu hinterfragen.

Vier Anpassungen fürs nächste Projekt

Um sicherzugehen das der KI-Boost wirklich seine Wirkung entfalten kann, hilft es, wenn vier konkrete Anpassungen in das Projekt-Setup einfließen:

1. Budget umverteilen: Wenn Develop nur noch einen Bruchteil der bisherigen Zeit kostet, sollten Discover und Defineproportional mehr Budget bekommen – nicht weniger, weil „die KI das ja eh schneller macht". Verkauft wird nicht länger Designstunden, sondern Risikominimierung. Weil das Bauen heute immens schneller ist, steigt das Risiko, das falsche Produkt zu bauen. Recherche und eine gute Vorarbeit werden damit zu Versicherungspolice. 
2. Mehr Varianten in Develop bewusst nutzen: Die gewonnenen Prototypen sind kein Selbstzweck. Sie sind Material für ehrlichere Evaluierung in Deliver – also testbare Hypothesen, nicht hübsche Mockups.
3. Evaluierung neu denken, nicht nur schützen: Was KI in Deliver beschleunigt, ist die quantitative Seite. Wenn 50 Varianten in der Develop Phase entstehen, lässt sich eine qualitative Prüfung nicht mehr linear skalieren. Das Vorfiltern von Ergebnissen durch Tests gegen KI-Personas könnte diese Herausforderung lösen. Die Zeit für kontextuelle Interviews, Beobachtung, und Usability Tests mit echten Menschen kann dann für die final ausgewählten Prototypen investiert werden.
4. Differenzierung neu denken: Wer als Anbieter weiter über Liefergeschwindigkeit verkauft, konkurriert ab sofort mit allen, die dieselben Tools haben. Wer über Problemverständnis und Domänenerfahrung verkauft, kann seine Stellung am Markt verteidigen. Das verändert nicht nur das Angebot, sondern auch, wofür Kund:innen bereit sind zu zahlen – und welche Profile im Team den Unterschied machen.

Double Diamond & KI - Vorne investieren, hinten ernten

KI hat den Double Diamond nicht ersetzt, sondern seine Geometrie verzerrt: Der zweite Diamant ist gestaucht, der erste hat dadurch an relativem Gewicht gewonnen. Die produktive Antwort darauf ist nicht, in Develop noch schneller zu werden – die Antwort ist, in Discover und Define endlich so gründlich zu arbeiten, wie es das Modell von Anfang an gefordert hat. Wer das tut, geht in das nächste Projekt mit der ungewohnten Erfahrung, dass am Ende der Develop-Phase nicht die Frage „schaffen wir das noch?" steht, sondern „welche der drei Varianten überzeugt im Test?". Für Entscheider heißt das: Investitionsentscheidungen verschieben sich vom Tool-Budget hin zu Recherche-Budget, Weiterbildung und Methodikaufbau im Team. Geschwindigkeit im zweiten Diamanten ersetzt keine Gründlichkeit im ersten: Eine schnelle Lösung fürs falsche Problem bleibt eine schnelle Lösung fürs falsche Problem, auch mit Hilfe von KI.