Wenn KI ein unübersichtliches Briefing in einen ausführbaren Prototyp verwandelt
Als unser Team das erste Mal ein KI-Prototyping-Tool ernsthaft einsetzte, fiel nicht die von ihm gelieferte UI besonders auf. Es war die Geschwindigkeit, mit der unsere Designphase aufhörte, wie ein Foliensatz auszusehen, und begann, sich wie ein System zu verhalten.
Wir fingen dort an, wo wir immer anfangen: verstreute Notizen aus Sales-Calls, Screenshots von Wettbewerber-Flows, ein FigJam-Board voller unausgegorener Ideen. Vor ein paar Jahren wäre dieses Durcheinander zu Wireframes geworden, dann zu hochauflösenden Screens und schließlich zu einem endlosen Kommentar-Thread über Edge Cases, über die sich niemand wirklich Gedanken gemacht hatte. Diesmal machten wir etwas anders. Wir behandelten das Chaos als Input für ein Ensemble von Agenten, deren Aufgabe nicht darin bestand, „UI zu bauen“, sondern etwas zu produzieren, das wir wirklich zu zerbrechen versuchen konnten.
Innerhalb weniger Stunden hatten wir einen ausführbaren Prototyp: Berechtigungen, Grundzustände, einen wackeligen, aber funktionalen Happy Path. Er wirkte fertiger, als unser Denken tatsächlich war – was, wie wir feststellten, sowohl das Versprechen als auch die Falle der KI ist.
Von statischen Artefakten zu einer ausführbaren Design-Schleife
KI verändert die Designphase, aber nicht so, wie es Pitch-Decks versprochen haben. Interessant ist nicht, dass wir mehr Bildschirme schneller erstellen können. Interessant ist, dass die Designphase selbst ausführbar wird.
In SaaS- und Plattform-Teams, die mit Agenten statt nur mit Tools arbeiten, ist Design nicht mehr eine Abfolge statischer Artefakte — Personas, Journey Maps, Wireframes, Mockups, Handoff. Es ist eine Schleife: Forschung, Annahmen, ausführbare Prototypen, Evaluation, Systembeschränkungen, Iteration. Die Ausgabe des Designers hört auf, ein Stapel Figma-Dateien zu sein, und ähnelt stattdessen mehr einem Betriebshandbuch dafür, wie das Produkt — und die Agenten darin — sich verhalten dürfen.
Warum die Neugestaltung von Workflows wichtiger ist als die bloße Einführung von KI
Die meisten Unternehmen sind noch nicht so weit. Die McKinsey-Studie "State of AI 2025" berichtet, dass 88 % der Organisationen inzwischen KI in mindestens einer Geschäftsfunktion nutzen, für die meisten ist KI jedoch weiterhin ein an alte Workflows angehängtes Experiment. Die leistungsstärksten Unternehmen haben nahezu dreimal so häufig ihre Workflows um KI neu gestaltet und sind beim Skalieren von KI-Agenten weiter fortgeschritten.
Diese Unterscheidung ist für Design wichtig. Ändert sich der Prozess nicht, fügt KI lediglich eine Chat-Box zu denselben alten Engpässen hinzu. Ändert sich der Prozess, wird die Designphase selbst umgeschrieben.
Dieser Artikel handelt von genau dieser Neufassung — speziell für Menschen, die an SaaS- und Plattform-Produkten arbeiten. Es geht darum, was passiert, wenn Prototypen anfangen, sich zu verhalten, wenn Schnittstellen sowohl Menschen als auch KI-Agenten dienen, wenn Designsysteme maschinenlesbar werden und wenn der Handoff zwischen Design und Engineering in ein gemeinsames, ausführbares Artefakt zusammenbricht. Und es geht darum, womit Senior Designer wie Aliyeh tatsächlich beschäftigt sind, wenn die KI „das Chaos aufräumt“ und nicht dabei stehen bleibt.
Die Grenzen traditioneller Design-Artefakte
Im traditionellen SaaS-Projekt erzeugte die Designphase Berge an Belegen dafür, dass etwas passierte. Wir interviewten fünf oder zehn Nutzer und verwandelten ihre Zitate in Personas. Wir zeichneten Journeys mit Haftnotizen und Pfeilen auf. Wir skizzierten Flows, Wireframes, hochauflösende UIs. Vielleicht setzten wir einen Prototyp zusammen, um Stakeholder zu besänftigen, die „sehen wollten, wie es klickt.“
All diese Artefakte waren bis zu einem gewissen Grad nützlich. Sie halfen Teams, über das Produkt zu sprechen. Aber sie waren auch von vornherein unvollständig.
Eine Journey Map kann nicht sagen, was passiert, wenn eine Automation stillschweigend ausfällt. Ein statisches Flussdiagramm zeigt nicht, wie ein KI-Assistent reagieren soll, wenn er zu 60 % statt zu 95 % sicher ist. Selbst ein schöner Prototyp kodiert selten die langweiligen, aber gefährlichen Dinge: Berechtigungen, Audit-Trails, Rückgängig-Machen, Fehlerbehebung.
KI-native Tools, die Verhalten sichtbar machen
KI-native Tools beheben das nicht automatisch, aber sie bringen die Probleme näher an die Oberfläche.
Wenn ein Designer sich an ein System wie Figma Make, v0 oder Bolt setzt, ist die Ausgabe kein flaches Mockup. Es ist ein Artefakt, das man tatsächlich anfassen kann. Buttons reagieren, Formulare werden abgeschickt, Daten fließen in eine Richtung.
In einem internen Beispiel, das Figma geteilt hat, nutzte ein Team Make, um eine komplexe Grid-Interaktion in etwa anderthalb Stunden zu prototypen — etwas, das zuvor mehrere Tage kodiertes Prototyping erfordert hätte. Die eigentliche Geschichte ist nicht „Grid in 1,5 Stunden.“ Es ist, dass ein Designer testen konnte, wie sich ein Stück Produktverhalten anfühlt, bevor jemand sich auf eine Architektur festlegte oder ein Ticket erstellte.
Wie ausführbare Prototypen Designgespräche verändern
Sobald man das Verhalten fühlen kann, wird Herumeiern schwieriger. Statt darüber zu streiten, ob ein Dashboard-Layout „sauber aussieht“, fragt man sich, ob eine KI-generierte Zusammenfassung berechtigt ist, den zugrunde liegenden Datensatz ohne menschliche Bestätigung zu aktualisieren. Statt über die Farbe eines Buttons zu debattieren, versucht man zu entscheiden, was mit den Daten eines Kunden passiert, wenn ein Agent ein Ticket dreimal hintereinander falsch klassifiziert.
KI hilft hier, aber nicht als Stylist. Sie hilft, indem sie es günstig macht, einen ersten Entwurf des Verhaltens zu erstellen, den alle sehen können.
Die Lücke zwischen polierten Screens und brüchigem Verhalten
Es gibt einen Haken. Ein Prompt-to-App-Tool kann dir etwas liefern, das wie ein fertiges Produkt aussieht in der Zeit, die früher fürs Benennen einer Figma-Seite nötig war. Ein jüngerer, auf Menschen zentrierter Benchmark dieser Systeme — bei dem 288 generierte Apps aus 96 Prompts über Tools wie Replit, Bolt und Firebase Studio getestet wurden — fand eine konstante Lücke zwischen visueller Politur und funktionaler Zuverlässigkeit. Die Teilnehmenden vertrauten dem Gesehenen weniger, sobald sie versuchten, es zu benutzen. Die Screens waren glänzend; das Verhalten war brüchig.
Für Design-Teams ist genau diese Lücke der spannende Punkt. KI macht es leichter als je zuvor, etwas zu erstellen, das wie ein Produkt aussieht, bevor es sich wie ein Produkt verhält. Das macht Designer nicht überflüssig. Es macht sie verantwortlicher.
Jemand muss entscheiden, ob die Erfahrung kohärent ist, ob die Zustände das reale Chaos abdecken, ob ein Mensch dem Agenten wirklich genug vertraut, ihn in seinem Namen handeln zu lassen.
