Ansichten: 2
Zusammenfassung – Angesichts der Flut an Verbatims und multikanaligen Signalen verliert die UX-Forschung Zeit mit manueller Sortierung, verzögert Produktentscheidungen und erschöpft die Forscher. KI beschleunigt Transkription, Emotionserkennung, Clustering und die Erstellung erster Personas- und Journey-Map-Entwürfe und schafft so Zeit für strategische Interpretation und kontextualisierte Insights. Erforderlich bleibt die Sicherstellung der Datenqualität, die Aufrechterhaltung menschlichen Urteilsvermögens und die Einhaltung ethischer sowie Datenschutzstandards.
Lösung: eine robuste Data-Governance etablieren, eine UX Research Ops-Funktion einführen und ein modulares, integriertes und lokalisiertes KI-Toolkit wählen.
In einem Umfeld, in dem Produktteams Nutzerfeedback aus Interviews, Umfragen, Usability-Tests und Analysen anhäufen, stößt die UX-Forschungsphase an die Grenzen einer qualitativen Datenflut. Manuelle Methoden zum Sortieren, Transkribieren und Zusammenfassen kommen kaum noch hinterher und riskieren, Design- und Business-Entscheidungen zu verzögern. Vor diesem Hintergrund erweist sich künstliche Intelligenz als Hebel für schnellere Datenverarbeitung und Beschleunigung.
Dabei geht es nicht darum, das menschliche Urteil zu ersetzen, sondern Forschende mit Werkzeugen auszustatten, um Insights schneller aufzunehmen, zu strukturieren und aufzuwerten.
Aktuelle Herausforderungen der UX-Forschung angesichts der Datenflut
UX-Teams ertrinken in zunehmenden Mengen von Verbatim-Material und multikanaligen Nutzersignalen. Sie kämpfen damit, diese Ströme überhaupt zu sichten und zu strukturieren, bevor sie überhaupt handlungsrelevante Insights extrahieren können. Ohne geeignete Tools wird die Nutzerforschung zum Flaschenhals, was Innovation und Time-to-Market bremst.
Volumen und Verteilung der Nutzersignale
Zwischen Kunden-Support-Feedback, technischen Tickets, verhaltensbezogenen Heatmaps und Interview-Verbatim sind die Nutzersignale in unterschiedlichen Tools verstreut. Jeder Kanal liefert sein eigenes Format – sei es Audio-Transkripte, CSV-Dateien oder unstrukturierte Notizen. UX-Forscher verbringen enorm viel Zeit damit, diese Quellen manuell zu zentrieren, bevor sie mit der Analyse beginnen können.
In einem mittelgroßen Schweizer Finanzdienstleistungsunternehmen sammelte das UX-Team jedes Quartal mehrere Hundert Kundeninterviews und Tausende von Chat-Feedbacks. Ohne Automatisierung dauerte das initiale Sortieren mehr als zwei Wochen und verzögerte die Übergabe der Empfehlungen an die Produktteams.
Dieses Szenario führt zu einem Backlog-Effekt: Insights türmen sich auf, ohne verarbeitet zu werden, Designer verlieren den Überblick über Nutzungsprioritäten, und Business-Entscheidungen basieren mitunter auf Intuitionen oder veralteten Daten.
Zeitdruck und Business-Erwartungen
Budgetentscheidungen begründen schnelle Rückmeldungen, um Roadmaps zu steuern und Budgetentscheidungen zu begründen. In einem hart umkämpften Markt kann jeder verzögerte Entwicklungszyklus Marktanteile kosten. UX-Teams stehen daher unter doppeltem Druck: Sie müssen gleichzeitig qualitativ hochwertige Insights liefern und immer engere Deadlines einhalten.
Diese Beschleunigung der Timelines wirkt sich auf die Tiefe der Analyse aus. Manuelle Methoden, die Iterationen von Codierung und Clustering erfordern, sind kaum noch mit zweiwöchigen Sprints vereinbar, in denen die Geschäftsführung einen vollständigen Bericht erwartet.
Das Risiko besteht darin, Quantität über Qualität zu stellen, was in oberflächlichen Zusammenfassungen und niedriger Akzeptanz der Empfehlungen bei den Stakeholdern mündet.
Die Erschöpfung manueller Methoden
Abgesehen vom Zeitaufwand birgt die traditionelle qualitative Analyse das Risiko von Erschöpfung und kognitiver Ermüdung. Die wiederholte Durchsicht von Verbatim-Texten und manuelle Datenkodierung können die Aufmerksamkeit der Forschenden beeinträchtigen, Bias fördern und subtile Signale in der Masse auslöschen.
Ein in der Schweizer Maschinenbau-Branche ansässiges KMU stellte fest, dass seine UX-Forscher über 60 % ihrer Arbeitszeit mit mechanischen Sortier- und Transkriptionsaufgaben verbrachten. Das Ergebnis: Schlüsselerkenntnisse landeten häufig als Fußnote und vorentscheidende Informationen gingen den Produktteams verloren.
Um leistungsfähig zu bleiben, müssen diese Teams die mühsamen Aufgaben automatisieren und gleichzeitig die methodische Strenge und Tiefe ihrer Interpretation bewahren.
Empathie und Definition mit KI beschleunigen
Künstliche Intelligenz kann Transkription, Emotionserkennung und Datenstrukturierung automatisieren, um den Zeitaufwand für mechanische Aufgaben drastisch zu reduzieren. Sie ermöglicht es den Forschenden, ihre Energie auf die strategische Interpretation und Kontextualisierung der Insights zu richten.
Empathize: Zielgruppenfindung, Transkription und emotionale Markierung
In der Empathie-Phase kommt KI zunächst zum Einsatz, um repräsentative Stichproben zu definieren. Durch Analyse potenzieller Profil-Datenbanken kann sie Interviewkandidaten vorschlagen, die zentrale Segmente abdecken. Dieses Pre-Screening sichert eine Vielfalt der Perspektiven, ohne die Anzahl der Interviews unnötig zu erhöhen.
Die automatische Transkription von Audio- und Videoaufnahmen spart anschließend wertvolle Zeit. Spezialisierte KI-Tools erstellen zeitkodierte Verbatim-Texte, identifizieren Sprecher und können sogar emotionale Nuancen anhand von Tonfall und Sprachrhythmus markieren.
Ein Schweizer Start-up im Bereich urbaner Mobilität nutzte ein KI-System, um in Echtzeit besonders emotionale Passagen eines Usability-Tests zu erkennen. So deckte es Frustrationen über die Komplexität der Nutzeroberfläche auf, die dem UX-Team im Live-Interview entgangen waren.
Define: Clustering, Themen und Zwischenoutputs
Ist das Material strukturiert, beschleunigt KI das Clustering und die Identifikation wiederkehrender Themen. NLP-Algorithmen (Natural Language Processing) gruppieren Verbatim-Texte automatisch nach semantischen Mustern, sodass Pain Points und Nutzerbedürfnisse ohne manuelles Kodieren hervortreten.
Diese Cluster dienen als Basis für die automatische Erstellung von Personas, Empathy Maps und Journey Maps. KI-Modelle können einen ersten Entwurf dieser Deliverables generieren, den Forschende dann mit ihrem Fachwissen und strategischen Kontext anreichern.
In einer öffentlichen Schweizer Organisation wurde die Definitionsphase dank eines Tools, das automatisch eine Zusammenfassung der Pain Points erstellte, um die Hälfte verkürzt. Projektleiter konnten schneller Co-Creation-Workshops ausrichten und die Zusammenarbeit zwischen UX und Fachabteilungen verbessern.
Gewonnene Zeit für strategische Interpretation
Durch die Kompression repetitiver Aufgaben schafft KI Freiraum für tiefgehende Analysen und Entscheidungsfindung. UX-Forscher können mehr Ressourcen darauf verwenden, das „Warum“ von Nutzerverhalten zu verstehen, Insights mit Business-Zielen zu verknüpfen und Designer mit konkreten Handlungsempfehlungen zu unterstützen.
Dieser Übergang von mechanischer zu strategischer kognitiver Last steigert die wahrgenommene Wertigkeit der UX-Forschung bei Entscheidern, da sie reichhaltigere, besser kontextualisierte und direkt umsetzbare Erkenntnisse liefert.
Ein Akteur im Gesundheitswesen der Westschweiz stellte fest, dass seine UX-Forscher am Sprintende nicht nur Cluster-Ergebnisse, sondern auch detaillierte Nutzungsszenarien präsentierten, deren Umsetzung die Geschäftsleitung umgehend in den Backlog aufnahm.
Edana: Strategischer Digitalpartner in der Schweiz
Wir begleiten Unternehmen und Organisationen bei ihrer digitalen Transformation.
Grenzen und Spannungsfelder der KI in der UX-Forschung
KI bildet nicht die kontextuelle und emotionale Intelligenz menschlicher Forschender ab: Sie bearbeitet Signale, nicht die Tiefe der Interaktion. Außerdem hängt ihre Leistung von der Datenqualität ab und wirft unvermeidliche ethische und Governance-Fragen auf.
Verlust menschlichen Kontexts
Eine KI kann Pausen, Zögern oder Inkonsistenzen in Verbatim-Texten erkennen, aber nicht ihre tatsächliche Bedeutung erfassen. Eine Pause kann Scham, Überraschung oder Zweifel signalisieren – nur menschliche Erfahrung kann diese Nuancen angemessen interpretieren und die Forschungsfragen situativ anpassen.
Kulturelle Nuancen und nonverbale Gestik bleiben schwer automatisierbar. Forschende nutzen diese Hinweise, um ihre Fragen in Echtzeit zu verfeinern und unerwartete Pfade zu erkunden.
Bei einem Projekt für eine Schweizer Finanzinstitution hatte die KI wiederholte Zögern in Bezug auf eine Bankfunktion übersehen. Erst im Gespräch mit den Nutzern erkannte das Team, dass dahinter kulturelles Misstrauen zum Datenschutz stand – eine Information, die der Maschine entging.
Datenqualität und Validität
Sind Interviews mangelhaft vorbereitet, ist die Stichprobe biasbehaftet oder fehlen Notizen, beschleunigt die KI lediglich die Erstellung potenziell irreführender Zusammenfassungen.
UX-Forscher müssen daher bereits im Vorfeld diszipliniert arbeiten: klare Testdesigns, standardisierte Interviewprotokolle und repräsentative Stichproben. Ohne diese Voraussetzungen steigert KI zwar die Geschwindigkeit, schwächt aber die Validität.
In einem Schweizer Technologie-KMU generierte die KI ein falsches Persona basierend auf veralteten und nicht segmentierten Feedbacks. Die abgeleiteten Empfehlungen mussten zurückgezogen werden, was Sponsorenvertrauen beschädigte und den Zeitplan verzögerte.
Ethik und Datenschutz
Verbatim-Texte enthalten oft sensible Daten: persönliche Meinungen, Lebenskontexte oder Audio-/Videoausschnitte. Der Einsatz externer KI-Tools wirft Fragen zu Einwilligung, Anonymisierung und DSGVO-konformer sowie schweizerischer Datenspeicherung auf.
Unternehmen müssen klare Governance-Strukturen etablieren: vertragliche Vereinbarungen mit Anbietern, lokale Datenhaltung, automatisierte Anonymisierungsprozesse und regelmäßige Algorithmenbias-Audits.
Ein Schweizer Krankenversicherer suspendierte den Einsatz eines KI-Transkriptionstools, bis ein strenges Pseudonymisierungsprotokoll genehmigt wurde, das sicherstellt, dass persönliche Daten niemals das gesicherte Kundenumfeld verlassen.
Governance, Organisation und Tool-Auswahl für eine erfolgreiche Einführung
Ein informierter KI-Einsatz in der UX-Forschung basiert auf solider Governance, nahtloser Integration in bestehende Workflows und einer Auswahl passender Tools. Genau diese Rahmenbedingungen – nicht die Komplexität der Algorithmen – bestimmen den tatsächlichen Mehrwert.
Governance und Datenverantwortung
Vor der Einführung gilt es, einen Governance-Rahmen zu definieren, der Rollen, Verantwortlichkeiten und Prozesse für den Umgang mit Nutzerdaten festlegt. Wer erhebt, anonymisiert und genehmigt die Datenverwendung?
Darin enthalten ist auch die Auswahl der KI-Anbieter: Bevorzugt werden Lösungen mit europäischem oder schweizerischem Hosting, Garantien für Nicht-Wiederverwendung der Daten sowie Bias-Kontrollmechanismen.
Die Einrichtung eines UX-DSI-Juristischem Gremiums ermöglicht die Prüfung jedes KI-Projekts und gewährleistet eine verlässliche, regelkonforme Projektdurchführung.
Integration in den Workflow und UX Research Ops
Der Erfolg von KI hängt davon ab, wie gut sie sich in bestehende Forschungs-Workflows einbettet: Notiz-Tools, Testplattformen, Visualisierungslösungen. Ziel ist ein modulares, skalierbares und interoperables Ökosystem.
Mit der Funktion UX Research Ops entsteht ein technischer Ansprechpartner, der die KI-Infrastruktur betreut, Datenflüsse managt und Forschende im Umgang mit den Tools schult.
Durch diesen Support gewinnen UX-Teams an Autonomie und können Best Practices für Templates, Tagging und Datenrouting implementieren, um KI optimal zu nutzen.
Tool-Kategorien und kontextuelle Ausrichtung
Statt einer umfassenden Liste ist es essenziell, Tools nach klaren Kategorien auszuwählen: Kollaborations- und Planungstools (z. B. Miro AI), zentrale qualitative Syntheseplattformen (Dovetail AI, Notably, Looppanel), schnelle Test- und Erfassungslösungen (Maze) sowie Dokumentationshelfer (Notion AI).
Das optimale “KI-Toolkit” fügt sich nahtlos in Ihre UX-Wertschöpfungskette ein, ohne Prozessbrüche oder unnötige Komplexität. Modularität und Open Source sollten Ihre Entscheidungen lenken, um Vendor Lock-in zu vermeiden.
In einer öffentlichen Schweizer Behörde kombinierte das UX-Team Miro AI für Ideation, Dovetail AI für Synthese und Notion AI für Dokumentation. Dieser modulare Ansatz minimierte Reibungsverluste und passte die Tools jeder Phase des Double Diamond optimal an.
Künstliche Intelligenz integrieren, ohne die Qualität Ihrer UX-Forschung zu opfern
Im Jahr 2026 geht es nicht mehr darum, die Rolle der KI in der UX-Forschung zu diskutieren, sondern ihren Einsatz zu meistern, um strategische Zeit zu gewinnen und die Wertschöpfung der Insights zu steigern. KI komprimiert die mechanische Phase, ersetzt jedoch nicht Interpretationskraft, methodische Exzellenz und verantwortungsvolle Governance.
Um diese methodologische Revolution in einen Wettbewerbsvorteil zu verwandeln, sollten Sie eine solide Daten-Governance etablieren, eine starke UX Research Ops-Funktion aufbauen und ein kontextuelles, modulares sowie Open-Source-basiertes Tool-Ökosystem wählen. Nur so wächst Ihre Organisation von manueller, projektgebundener Forschung zu kontinuierlicher, skalierbarer Forschung, die direkt in Entscheidungsprozesse integriert ist.
Unsere Experten bei Edana begleiten IT-, Design- und Management-Teams bei der Definition neuer Workflows, der Auswahl geeigneter KI-Lösungen und der Implementierung einer ethischen und rechtskonformen Daten-Governance.
Besprechen Sie Ihre Herausforderungen mit einem Edana-Experten
