Wie KI den Wert von UX verschiebt

Meine These

KI wird UX-Jobs nicht ersetzen. Aber sie wird sichtbar machen, welche Teile von UX-Arbeit bisher vor allem reine Produktion waren und welche echte fachliche Kompetenz brauchen.

Der entscheidende Unterschied: Ein UX-Job besteht nicht aus einem einzigen Block Arbeit. Er besteht aus Recherche, Problemverständnis, Stakeholder-Kommunikation, Ideation, Prototyping, Copywriting, Visual Design, Evaluation, Priorisierung, Dokumentation und manchmal auch politischer Friedensstiftung im innerhalb eines Projektteams. Einige dieser Tätigkeiten lassen sich durch KI stark beschleunigen. Andere werden gerade durch KI wichtiger. KI macht UX nicht weniger relevant. Sie zerlegt UX.

Was KI schon gut kann

KI ist stark, wo Arbeit textlastig, variantenreich und relativ gut prüfbar ist. Das betrifft in UX erstaunlich viele Zwischenschritte: Interview-Transkripte zusammenfassen, erste Cluster bilden, Hypothesen formulieren, Survey-Fragen verbessern, Microcopy variieren, leere States vorschlagen oder aus einer groben Idee einen ersten klickbaren Prototypen machen.

Der Effekt ist gross. Wer früher einen halben Tag brauchte, um aus einem Workshop Material für die nächste Runde zu machen, hat heute in Minuten eine erste Struktur. Wer ein Interview auswertet, startet nicht mehr auf einer leeren Seite.

Für UX-Teams ist das wertvoll. Es entfernt Reibung aus Arbeit, die oft wichtig, aber nicht besonders differenzierend ist. Niemand wird ein besserer Researcher, weil er jedes Füllwort aus einem Transkript entfernt.

Die Gefahr ist nicht, dass KI diese Arbeit übernimmt, sondern dass Teams Beschleunigung nicht mehr von Erkenntnis unterscheiden.

Output ist nicht Verständnis

UX-Arbeit wird gern über Artefakte sichtbar gemacht: Screens, Flows, Personas, Journey Maps, Reports, Prototypen und Design-System Components.

Ein Research-Summary beweist nicht, dass die richtige Frage gestellt wurde. Ein hübsches UI beweist nicht, dass das Problem verstanden ist. Ein ki-generierter Prototyp beweist nicht, dass er für echte User funktioniert.

UX bleibt menschlich: Nicht aus Romantik, sondern aus Methodik. Jemand muss entscheiden, welche Unsicherheiten relevant sind. Jemand muss einschätzen, ob eine Idee belastbar oder nur laut ist. Jemand muss Widersprüche zwischen Business-Zielen, User-Bedürfnissen, Barrierefreiheit, Datenschutz, Brand und technischer Machbarkeit aushalten und auflösen.

KI kann Vorschläge machen. Sie kann aber nicht verantworten, welche Kompromisse eine Organisation eingeht.

Der Druck trifft austauschbare Rollen

Nicht jeder UX-Job ist gleich gefährdet. Unter Druck geraten vor allem Rollen, die stark über Output definiert sind: Screens produzieren, Varianten liefern, bestehende Muster anpassen, ohne das Problem zu verstehen.

Das ist keine neue Entwicklung. Viele UX-Rollen wurden schon vor KI zu sehr auf Delivery reduziert. KI beschleunigt dies nur. Wenn der eigene Wert vor allem darin besteht, bereits bekannte Patterns schnell in Figma umzusetzen, ist ein Modell, das diese Paterns schnell kombiniert, ein echter Konkurrent.

Stärker werden Profile, die Unklarheit reduzieren: UX Researcher, die saubere Studien planen; Product Designer, die Entscheidungen verbessern; Content Designer, die Vertrauen gestalten; Design-System- und Accessibility-Profile, die schlechte Standards verhindern.

Generalisten werden interessanter

Eine spannende Verschiebung ist die Rückkehr des UX-Generalisten. Lange wurde UX in immer schärfere Rollen aufgeteilt: Research hier, UI dort, Content separat. KI macht viele Schnittstellen effizienter und löst Grenzen zu verwandten Disziplinen auf.

Spezialisierung bleibt wichtig. Aber wer Research versteht, mit Analytics umgehen kann, Design-Systeme entwickelt, Prototypen baut und KI-Outputs kritisch prüft, ist schwerer ersetzbar als jemand, der nur einen kleinen Ausschnitt bedient.

KI-Native UX wird ein eigenes Feld

KI verändert nicht nur die Werkzeuge von UX, sondern auch die Produkte, die UX gestaltet. Immer mehr Teams bauen Agents, Skills und generative Workflows. Diese Systeme brauchen Verständnis, Vertrauen, Kontrolle und klare Grenzen.

Menschen müssen verstehen, was ein System kann, was es nicht kann, wann sie eingreifen müssen und wie sie Fehler erkennen. Ein KI-generiertes Feature, das durchdacht wirkt, aber seine Unsicherheiten nicht kommuniziert, ist kein gutes Produkt. Es ist ein Risiko mit hübscher Oberfläche.

Hier entsteht die Nachfrage nach fachlicher Kompetenz: Interaction Design für unsichere, probabilistische Systeme. Wann braucht es Human-in-the-loop? Wie verhindert man falsches Vertrauen? Noch wichtiger: Wie schafft man Vertrauen?

Was UX-Professionals jetzt lernen sollten

Die erste falsche Reaktion wäre, KI zu ignorieren. Die zweite wäre, nur Prompting zu lernen und das für nachhaltig zu halten.

Sinnvoller ist dieses Profil:

• KI-Tools effektiv einsetzen, aber ihre Outputs methodisch prüfen
• Analytics, Risiken und Business-Ziele verstehen
• Barrierefreiheit, Datenschutz und Vertrauen nicht als Nacharbeit behandeln
• Design-Systeme entwickeln, damit Geschwindigkeit nicht zu Inkonsistenz führt
• Prototypen schneller bauen, aber deren Validierung nicht automatisieren

Abschliessende Gedanken

KI macht UX-Arbeit schneller, aber nicht automatisch besser. Sie kann Varianten erzeugen, Texte glätten und die Entwicklung von Prototypen beschleunigen. Das ist nützlich.

Aber UX lebt nicht vom erzeugten Output. UX lebt davon, die richtigen Fragen zu stellen, echte Bedürfnisse von lauten Meinungen zu trennen, Kompromisse sichtbar zu machen und Produkte so zu gestalten, dass Menschen ihnen begründet vertrauen können.

Wer UX als Pixel-Ballett versteht, bekommt durch KI ein Problem. Wer UX als methodische Kompetenz versteht, bekommt durch KI eine Chance bessere Produkte zu entwickeln. Die Maschinen nehmen uns nicht zwingend den Job weg. Sie nehmen uns vor allem den Teil der Arbeit ab, der ohnehin zu wenig nach Denkarbeit verlangte.