Wir alle haben schon enttäuschende Erfahrungen mit KI gemacht oder kennen Menschen, die „Chatbots hassen“. Oft liegt es daran, dass die Standarderfahrung weder nützlich noch wertvoll oder angenehm ist. Diese Enttäuschung hat oft weniger mit den Fähigkeiten eines Modells zu tun als mit der Erfahrung selbst: dem Zusammenspiel von Menschen, KI-Agent und gewünschtem Ergebnis. Das ist besonders in Unternehmen ein erhebliches Einführungshindernis. Schlecht gestaltete Interaktionen können überfordern, den Echtzeitkontext ignorieren oder Absichten und Verhalten der Nutzenden missachten.
Aus dieser Perspektive haben wir die Vorteile der einzelnen Muster, die damit verbundenen Gestaltungsfragen und praktische Hinweise für ihre Anwendung herausgearbeitet. Diese Muster gelten für unterschiedliche Interaktionsarten und Modalitäten. Sie eröffnen Möglichkeiten für kundenorientierte Erlebnisse ebenso wie für interne KI-Lösungen, die Wissensarbeitende bei besseren Entscheidungen unterstützen.
Wir möchten die neuen Muster vorstellen, die wir bei der Entwicklung und Erprobung zahlreicher generativer KI-Lösungen beobachten. Damit wollen wir helfen, bessere Beziehungen zwischen Mensch und KI zu gestalten.
Viele unserer Interaktionen mit Technologie machen alltägliche Aufgaben unnötig schwer, ob bei der Wissensarbeit oder im Privatleben. Sie begrenzen unsere Produktivität, Wirksamkeit und Wertschöpfung.
Wissensarbeitende und Verbraucherinnen und Verbraucher können sich von der schieren Menge verfügbarer Informationen, Optionen und Werkzeuge überfordert fühlen. Die ständige Flut oft widersprüchlicher Botschaften erschwert klare Entscheidungen und anhaltende Konzentration. Untersuchungen zufolge verbringen Beschäftigte bis zu 40 % ihres Arbeitstags allein mit der Suche nach benötigten Informationen (McKinsey). Diese Informationsflut beeinträchtigt sowohl die Produktivität als auch das Wohlbefinden.
Zudem ist unsere Aufmerksamkeit begrenzt. Selbst wenn wir Informationen finden, können wir nicht alles verarbeiten oder analysieren, was für eine fundierte Entscheidung nötig wäre. Wir können uns immer nur auf einen kleinen Teil der verfügbaren Daten konzentrieren. Dabei halten wir oft an bestehenden Überzeugungen oder Ideen fest, die den Blick auf Alternativen oder unerwartete Muster verstellen.
Die Werkzeuge selbst berücksichtigen diese Grenzen häufig nicht. Die meiste Technologie ist für „Durchschnittswerte“ konzipiert: Einheitslösungen, die sich nicht an individuelle Kontexte anpassen. Ob Arbeitsplatzsoftware oder Apps für den Alltag: Diese Werkzeuge berücksichtigen unsere Bedürfnisse, Einschränkungen und besonderen Umstände nur selten. Dadurch kann Technologie ineffizient oder sogar kontraproduktiv werden. Generative KI bietet die Chance, anpassungsfähigere und persönlichere Interaktionen zu schaffen.
Viele Arbeitsumgebungen verursachen außerdem unnötiges Leid. Immer mehr „Beschäftigungstherapie“, der Druck, „ständig erreichbar“ zu sein, und repetitive Aufgaben mit geringem Nutzen fördern innere Kündigung und chronischen Stress. Obwohl generative KI und KI-Agenten solche Erfahrungen verringern oder beseitigen könnten, misstrauen viele Menschen weiterhin der Fähigkeit von KI, die Arbeit insgesamt zu verbessern. Menschen lehnen die Vorstellung einer „Übernahme durch KI“ möglicherweise ab, weil sie Verdrängung fürchten oder sich ihrer Arbeit verbunden fühlen, selbst den ungeliebten Aufgaben.
KI allein ist keine Lösung. Schlecht integrierte KI kann neue Aufgaben und Sorgen schaffen, besonders für Wissensarbeitende. Diese Herausforderungen zeigen, dass wir Interaktionen zwischen Mensch und KI brauchen, die nicht nur effizient sind, sondern auch zu unseren kognitiven Fähigkeiten, individuellen Umständen und realen Einschränkungen passen. Die folgenden sechs Muster berücksichtigen menschliche Bedürfnisse und fördern eine anpassungsfähigere, transparentere und sinnvollere Beziehung zur KI.
Das Verhältnis zwischen neuen Designmustern und Prinzipien für wirksame, menschenzentrierte KI-Erlebnisse.
Kuratierung: KI als intelligentes Menü: KI kuratiert und organisiert Informationen. So hilft sie Menschen, sich in riesigen Datensätzen zurechtzufinden, und reduziert Überforderung.
Feedback geben: KI als Denkpartnerin: KI gibt in Echtzeit anregendes Feedback, hinterfragt Annahmen und bietet andere Perspektiven.
Situationsbewusstsein: KI, die das Hier und Jetzt versteht: KI passt sich dem Echtzeitkontext an, indem sie fortlaufend Informationen zur Umgebung und zu den Bedürfnissen der Nutzenden verarbeitet.
Kontinuierliche Entdeckung: Jede Interaktion wird zur Nutzungsforschung: KI nutzt jede Interaktion, um Erkenntnisse zu gewinnen und ihr Verständnis zu verfeinern. So lernt und verbessert sie sich fortlaufend.
Verstärkung: Eingaben für bessere Ergebnisse ergänzen: KI verbessert Eingaben im Hintergrund und wahrt dabei die ursprüngliche Absicht der Nutzenden.
Lösungsweg zeigen: transparentes KI-Reasoning: KI macht ihren Entscheidungsprozess sichtbar und nützlich. Das stärkt Vertrauen und hilft Nutzenden, fundiertere Entscheidungen zu treffen.
Diese sechs Muster zeigen, dass wirksame KI-Lösungen mehr als eine gut gestaltete Benutzeroberfläche erfordern. Sie prägen, wie Menschen und KI-Agenten in komplexen Wissenssystemen zusammenarbeiten, Entscheidungen treffen und interagieren. Die Muster verbessern die Interaktion zwischen Mensch und KI durch:
Wissensaustausch in beide Richtungen: Ermögliche einen Dialog, in dem KI und Menschen Ideen, Kontext und Erkenntnisse beitragen. So entstehen leistungsfähigere KI-Systeme, in die bislang nicht formalisiertes Fachwissen und Intuition einfließen.
Erlebnisse, die sich an unterschiedliche Umstände anpassen: KI-Werkzeuge können schnell veralten oder irrelevant werden. Systeme bleiben langfristig nützlich, wenn sie situationsbewusst sind, kontinuierlich lernen und sich an die Umstände der einzelnen Nutzenden anpassen.
Mehr Vertrauen und Sicherheit: Transparente, kooperative Interaktionen senken Einführungshürden, fördern die Beteiligung und verbessern menschliche wie KI-gestützte Entscheidungen. Durchdachtes Design hilft Menschen, den Entscheidungen und Ausgaben eines Systems dauerhaft zu vertrauen.
Wirksame KI-Erlebnisse zu gestalten, ist anspruchsvoll. Bewährte Ansätze können dabei helfen. Die Grundprinzipien, Nutzende zu verstehen und hilfreiche Erlebnisse zu schaffen, gelten weiterhin. Hinzu kommen neue Aspekte durch eigenständig handelnde KI-Systeme. Erlebnisse, die Informationen wirksam kuratieren, hilfreiches Feedback geben und transparent lernen, können Überforderung reduzieren, Entscheidungen verbessern und Vertrauen schaffen.
Diese Muster helfen, häufige Einführungshürden zu überwinden. So wird KI wirklich hilfreich, anpassungsfähig und für alle Beteiligten wertvoller.
Der folgende Leitfaden untersucht jedes Muster genauer und erklärt, wie es zu einem umfassenderen KI-Erlebnis beitragen kann.
Was es ist: Statt endlose Suchergebnisse oder Dokumente manuell zu durchsuchen, können KI-Agenten Informationen aus riesigen Datensätzen kuratieren und die wichtigsten Erkenntnisse präsentieren. Im Kern wird die KI zur Bibliothekarin, die Wissen passend zum Kontext der Nutzenden organisiert.
Warum es nützlich ist: Es reduziert die Informationsflut. Durchschnittlich verbringen Wissensarbeitende 1,8 Stunden pro Tag mit der Informationssuche. Für viele Beschäftigte trägt das zu Burn-out bei (McKinsey). KI-gestützte Kuratierung löst dieses Problem, indem sie Informationen aus vielen Quellen indexiert, findet und kombiniert. So entdecken Nutzende Informationen, Optionen und Erkenntnisse, die ihnen bei einer herkömmlichen Suche entgehen könnten.
Die Herausforderung: Der Wechsel von einer herkömmlichen, oberflächenbasierten Suche zu einem Agent-gestützten Ansatz erfordert neue Erwartungen. Menschen sind es gewohnt, Linklisten zu prüfen oder Datensätze per Schaltfläche zu filtern. Eine kuratierende KI fasst dagegen Antworten aus Quellen zusammen, deren Existenz den Nutzenden womöglich unbekannt ist. Dadurch haben Nutzende möglicherweise weniger Kontrolle über die Filterung und müssen den Entscheidungen des Agenten vertrauen. Vertraute Suchmechanismen erleichtern den Einstieg in die KI-gestützte Kuratierung, ohne Vertrauen oder Kontrolle zu beeinträchtigen.
Wie OpenAI vertraute Interaktionsmuster nutzt, um die strukturierte und unstrukturierte Informationssuche zu unterstützen.
Suchmechanismen als vertraute Interaktionen gestalten:
Gestalte den Übergang von der herkömmlichen Suche leichter, indem du vertraute Interaktionen statt leerer Eingabeflächen anbietest. Vertraute Optionen, Fragebögen und kontextbezogene Vorschläge geben Nutzenden mehr Sicherheit.
Schaltflächen als Prompts verwenden, statt offene Eingaben zu verlangen:
Freitexteingaben können abschreckend oder zeitaufwendig wirken. Vordefinierte oder automatisch erzeugte Schaltflächen machen die Kuratierung zugänglicher. Optionen wie „Nach Aktualität filtern“, „Preise vergleichen“ und „Globale Quellen einbeziehen“ helfen beispielsweise, die Ergebnisse zu verfeinern. Das senkt die Einstiegshürde, fördert die Erkundung und richtet die KI-Empfehlungen an den Absichten der Nutzenden aus.
Nutzende ihre Geschichte erzählen lassen, um Suchergebnisse zu verfeinern:
Manchmal vermittelt eine Erzählung die Bedürfnisse eines Menschen besser als direkte Suchanfragen oder Filter. In komplexen Situationen, etwa bei unübersichtlichen Dashboards oder der Suche nach dem richtigen Produkt, können herkömmliche Werkzeuge überfordern. Oft ist auch unklar, welche Parameter angepasst werden müssen.
Wenn Nutzende „ihre Geschichte erzählen“ und ein Problem, persönliches Ziel oder Wunschprodukt beschreiben, kann die KI daraus strukturierte Suchparameter ableiten. Wer etwa sagt: „Ich bin gerade in eine kleinere Wohnung gezogen und brauche vielseitige, preiswerte Aufbewahrungslösungen“, könnte kuratierte Produktvorschläge, praktische Tipps und passende Empfehlungen erhalten.
Erzählungen verringern nicht nur den Denkaufwand bei der Filterwahl, sondern schaffen auch mehr Vertrauen in die kuratierten Ergebnisse und machen sie nachvollziehbarer.
Memes und kulturelle Bezüge für eine persönliche Entdeckung nutzen:
Memes unterstützen die KI-Kuratierung auf zwei Arten: Sie helfen dem Agenten, die Nutzenden besser zu verstehen, und machen Suchergebnisse menschlicher und zugänglicher. Wenn Nutzende Memes auswählen oder erwähnen, die ihre Ziele, Stimmung oder ihren Stil zeigen („Heute ist mir nach ‚Treat Yo Self‘!“), vermitteln sie der KI gewissermaßen ihre Vorstellung davon, wie andere denken. So kann der Agent seine Kuratierung anhand von Kontext verfeinern, der in einer herkömmlichen grafischen Oberfläche oder Textanfrage verloren gehen könnte.
Zweitens kann der Agent Ergebnisse in thematischen oder von der Popkultur inspirierten „Starter-Packs“ präsentieren. Dadurch wirken Empfehlungen relevanter und persönlicher. Wer etwa ein Homeoffice neu gestaltet, könnte von der KI ein „Homeoffice-Starter-Pack“ aus Schreibtischzubehör, Technik und Inspiration erhalten.
Mit den nächsten besten Aktionen Orientierung schaffen:
Unabhängig davon, ob die Ergebnisse eines KI-Agenten ins Schwarze treffen, sollten Nutzende die Parameter leicht verfeinern können. Sie könnten zum Beispiel fragen: „Zeig mir mehr wie Element 2“ oder „Schließe Quellen aus, die älter als 2020 sind.“ Vorgeschlagene nächste Schritte geben neuen Nutzenden Orientierung, ohne sie zu überfordern.
Was es ist: KI-Agenten werden oft als Möglichkeit diskutiert, bislang von Menschen erledigte Arbeit zu delegieren. Ihre Fähigkeit zur Zusammenarbeit in Echtzeit erhält weniger Aufmerksamkeit. Statt nur Anweisungen zu befolgen oder Inhalte zu erzeugen, kann ein Agent zum Nachdenken anregende Fragen stellen, Annahmen hinterfragen und andere Perspektiven anbieten. So wird die KI zur Denkpartnerin, die Nutzenden hilft, ihre Arbeit schon während der Entstehung zu verbessern.
Warum es nützlich ist: Wir alle profitieren von zeitnahem Feedback, erhalten es aber nicht immer. Sowohl Widerspruch als auch Unterstützung können uns helfen, Muster zu erkennen, bevor wir uns zu sehr auf eine Idee festlegen. KI-Agenten können unsere Annahmen hinterfragen, Ideen entwickeln und alternative Datendeutungen vorschlagen, ohne menschliches Urteilsvermögen zu ersetzen. Wir haben festgestellt, dass Menschen auf diese Art von Agenten-Feedback oft positiv reagieren.
KI-Agenten können Gegenargumente formulieren, die Lücken im Reasoning aufdecken oder andere Perspektiven hervorheben.
Die Herausforderung: KI-Feedback muss intuitiv und umsetzbar sein, sonst lenkt es nur ab. Niemand möchte einen Agenten, der mit irrelevanten Vorschlägen unterbricht oder jedes Detail bemängelt. Die KI sollte im richtigen Moment und im passenden Ton eingreifen. Ist sie zu passiv, bleiben Chancen ungenutzt. Ist sie zu forsch, fühlen sich Nutzende womöglich ständig infrage gestellt.
Entscheidend ist, wie das KI-Feedback erscheint: als Hinweis, optionale Prüfung oder Dialog? Die Gestaltung der Interaktion entscheidet darüber, ob Nutzende die KI als Partnerin annehmen oder nur Clippy 2.0 darin sehen.
Feedback proaktiv, aber nicht lästig gestalten:
Lass die KI an natürlichen Unterbrechungspunkten Vorschläge machen. In einem Texteditor könnte sie beispielsweise warten, bis ein Satz oder Absatz abgeschlossen ist, bevor sie eine Überarbeitung vorschlägt. Wir haben auch untersucht, ob ein Agent nach Auswahl eines leeren Textfelds kurz warten sollte, bevor er Hilfe anbietet. Der Ton ist wichtig: „Hier ist eine Idee, die du erwägen könntest …“ wirkt konstruktiver als eine schroffe Behauptung.
Feedback in einen erkundenden Dialog verwandeln:
Wenn Feedback unklar ist, sollten Nutzende leicht Fragen stellen können, etwa: „Warum schlägst du diese Änderung vor?“ Eine neugierige KI-Persönlichkeit kann den Austausch konstruktiver wirken lassen. Wie ein einfühlsamer Therapeut oder eine gute Moderatorin kann der Agent im richtigen Moment relevante Fragen stellen. So wird Feedback zu einem Gespräch, das beim Lernen hilft.
Das hilft der KI zugleich, Kontext zu erfassen, sodass Nutzende und Agent ein klareres gemeinsames Verständnis entwickeln können.
Mehrere Optionen, Ideen oder Alternativen anbieten:
Statt nur eine Idee, Lösung oder Herausforderung anzubieten, kann ein Agent mehrere Perspektiven präsentieren. Ein Design-Agent könnte beispielsweise drei alternative Layouts erstellen, während ein Schreib-Agent verschiedene Satzfassungen für unterschiedliche Zielgruppen vorschlägt. Mehrere Optionen unterstreichen, dass die Kontrolle bei den Nutzenden bleibt.
Kontextbezogenes Feedback sicherstellen:
Der Agent sollte seine Rolle als „Denkpartner“ an den aktuellen Kontext der Nutzenden anpassen. Wenn jemand bei einer Frage oder einem Textfeld innehält, könnte die KI eine anregende Frage stellen, statt sofort eine vollständige Antwort zu liefern. Wenn nur ein Satz umformuliert werden soll, wahrt ein knapper Vorschlag, der angenommen oder abgelehnt werden kann, die Eigenverantwortung.
Vor allem muss die KI wissen, wann sie sich zurückziehen sollte. Langes Hin und Her kann zu einer Endlosschleife aus Überarbeitungen führen und das Vertrauen der Nutzenden schwächen. Wenn der KI-Agent Kontext und Handlungen der Nutzenden berücksichtigt, kann er sein Feedback wirklich hilfreich gestalten, ohne Grenzen zu überschreiten.
Was es ist: Situationsbewusstsein bezeichnet die Fähigkeit eines Agenten, Kontextinformationen in Echtzeit auszuwerten und sein Verhalten entsprechend anzupassen. Statt sich nur auf vorab festgelegte Eingaben zu stützen, können KI-Agenten fortlaufend Informationen über die Umgebung, den aktuellen Zustand der Nutzenden und andere relevante Bedingungen verarbeiten.
So kann sich eine Oberfläche an unmittelbare Bedürfnisse anpassen oder aktuelle Marktbedingungen berücksichtigen, um relevantere Antworten zu geben.
Warum es nützlich ist: Die reale Welt ist nicht statisch. Situationsbewusste KI-Systeme können nützlicher sein, weil sie auf aktuelle Bedingungen reagieren. Wenn ein Agent den relevanten Kontext versteht, wirken Interaktionen natürlicher, persönlicher und fundierter.
Die Herausforderung: Eine wirklich situationsbewusste KI zu entwickeln, ist anspruchsvoll. Der Zugriff auf die erforderlichen Daten und deren Integration können technisch äußerst komplex sein.
Zwischen hilfreichem Kontextbewusstsein und aufdringlicher Grenzüberschreitung verläuft ein schmaler Grat. Nutzende schätzen einen Agenten, der „es versteht“, fühlen sich aber womöglich unwohl, wenn er zu viele Informationen verlangt oder übermäßig hartnäckig wirkt. Da sich Umstände schnell ändern können, bleiben menschliche Fachkenntnis und Urteilsvermögen unverzichtbar.
Ein wirksames KI-System braucht daher Eingaben der Nutzenden, um ihre Situation aktuell und sinnvoll zu erfassen.
Zeigen, was guten Kontext ausmacht:
Reasoning-Modelle wie OpenAI o1 haben verändert, wie Menschen großen Sprachmodellen Kontext geben. Unabhängig vom Modell ermöglicht detaillierter Kontext relevantere Antworten. Klare Beispiele, Platzhaltertexte und ausklappbare Tipps können zeigen, welche Informationen benötigt werden und warum sie wichtig sind.
Wer ausdrücklich zeigt, was „guten Kontext“ ausmacht, erspart Nutzenden das Rätselraten, das sie sonst davon abhält, wichtige Details anzugeben.
Grenzen des Agenten einfach festlegen:
Die unmittelbaren Bedürfnisse einer Person sind wichtig, aber nicht immer offensichtlich. Ein situationsbewusster Agent kann gemeinsam mit den Nutzenden festlegen, welche Themen, Bereiche und Werkzeuge er untersuchen soll. Deep Research in ChatGPT unterstützt diesen Ansatz, indem es vor Beginn einer Recherche klärende Fragen stellt.
Kontext für schnelle Änderungen und Ergänzungen sichtbar machen:
Nutzende benötigen möglicherweise eine Übersicht darüber, welche Ziele, Schwerpunkte und Datenquellen die KI derzeit annimmt. Ein eigener Bereich kann den Wissensstichtag, aktuelle Annahmen und relevante Eingaben erläutern. Ein Symbol könnte anzeigen, wenn Standortdaten verwendet werden. Eine Zusammenfassung könnte wiederum zeigen, wie viele Datensätze zu einer Erkenntnis beigetragen haben.
Es hilft Menschen zu sehen, was die KI „weiß“, und relevanten Kontext mühelos hinzufügen, entfernen oder aktualisieren zu können.
Die KI nützliche UI-Funktionen auswählen lassen:
KI-Agenten können Funktionen anhand situativer Hinweise gezielt aktivieren oder deaktivieren. Beim Entwurf eines Whitepapers könnte ein Agent erweiterte Zitierwerkzeuge aktivieren. Beim Bearbeiten von Vortragsnotizen könnte er hingegen Bearbeitungsfunktionen hervorheben. Das ermöglicht fokussierte Erlebnisse, ohne dass Nutzende jede Einstellung manuell verwalten müssen.
Was es ist: Experience Design und Produktentwicklung behandeln Nutzungsforschung oft als eigene Phase zu Projektbeginn oder in festgelegten Abständen. Bei der kontinuierlichen Entdeckung wird das Verständnis von Verhalten, Bedürfnissen und Vorlieben der Nutzenden als fortlaufender Prozess betrachtet. KI kann Gespräche, Klicks und Feedback nutzen, um Erkenntnisse aufzudecken, die Nutzende nicht ausdrücklich formulieren.
Im Kern lernt die KI kontinuierlich weiter und passt sich in Echtzeit an den Problemraum an.
Warum es nützlich ist: Von Fachleuten, Praktizierenden und allgemeinen Nutzenden hilfreiches Feedback zur Wirksamkeit oder Bedienbarkeit einer KI-Ausgabe zu erhalten, kann schwierig sein. Agenten können Reaktionen, Erkenntnisse und Intuition im jeweiligen Kontext erfassen, solange die Erfahrung noch frisch ist.
Die Herausforderung: Feedback zeigt oft nur, was passiert ist oder ob jemand mit einem Ergebnis zufrieden war, erklärt aber nicht, warum. Menschen aufzufordern, sich an jeden Gedankenschritt zu erinnern und ihn zu dokumentieren, kann mühsam wirken, selbst wenn diese Erkenntnisse die künftigen Fähigkeiten eines Systems verbessern würden.
Das ist besonders bei stark eingeschränkten KI-Systemen wichtig, in denen ein offener Dialog weder erwünscht noch möglich sein kann.
Reaktionen mit beschreibenden Kennzeichnungen erfassen:
Ein einfaches „Daumen hoch“ oder „Daumen runter“ erklärt eine Reaktion nur selten. Beschreibende Kennzeichnungen wie „hilfreich für die Budgetplanung“ oder „rechtliche Informationen fehlen“ liefern mehr Kontext. Diese Kennzeichnungen können die aktuelle Interaktion beschreiben oder zu einer kurzen Einschätzung einladen. So wird aus einer Bewertung eine Information, aus der die KI lernen kann.
KI-Agenten mit „Lernkarten“ steuern:
Wenn der KI ein Fehler unterläuft oder sie nur teilweise erfolgreich ist, sollten Nutzende sie einfach korrigieren oder „unterrichten“ können. Ein Agent könnte beispielsweise fragen: „Wie würdest du es formulieren?“ oder: „Welches Detail haben wir übersehen?“ Die daraus entstehenden Hinweise lassen sich für die aktuelle Interaktion speichern oder später wiederverwenden.
Aus Iteration und Variation lernen:
Manchmal entsteht das beste Feedback durch einen neuen Versuch. Mit einfachen Steuerelementen zur Neugenerierung können Nutzende neue Optionen vergleichen und ihre Favoriten auswählen. Diese Auswahl verbindet die ursprüngliche Eingabe mit einem nützlicheren Ergebnis und macht das Experimentieren zum Teil des Lernprozesses.
Interaktionen beobachten:
KI-Agenten können gemeinsam aus mehreren Interaktionen lernen. Während ein Agent beispielsweise eine Forschungszusammenfassung erstellt, könnte ein anderer den Austausch analysieren und die Erfahrung bewerten. Wie in der Ethnografie können diese Agenten Unterschiede zwischen der Absicht einer Person und ihrer Wahrnehmung der Ergebnisqualität erkennen.
Diese Beobachtungen fördern kontinuierliche Verbesserungen, indem sie Erkenntnisse sichtbar machen und Änderungen am System anregen.
Was es ist: Bei der Verstärkung werden Eingaben, Prompts oder Anweisungen angepasst, um unter Wahrung der ursprünglichen Absicht bessere Ergebnisse zu erzielen. Die KI erledigt im Hintergrund zusätzliche Aufgaben, die über die ausdrückliche Anfrage hinausgehen. Beim „Shadow Prompting“ lässt sich beispielsweise eine Anfrage anreichern, bevor das System eine Antwort erzeugt.
Die Person gibt eine erste Idee ein, und der Agent ergänzt diese Eingabe, wenn sich das Ergebnis dadurch verbessern lässt.
Warum es nützlich ist: Menschen geben oft knappe oder allgemeine Anweisungen, obwohl für die beste Antwort weitere Schritte nötig sein können. KI-Agenten können diese Lücke schließen, ohne dass Nutzende alles erklären müssen. Die Aufforderung an eine KI, „Marketingideen für mein neues Kaffeeprodukt zu sammeln“, könnte beispielsweise nur eine allgemeine Liste ergeben.
Ein verstärkter Ansatz könnte mehrere zunehmend ambitionierte Brainstormings durchführen und die besten Ideen kombinieren. So entsteht ein vielseitigeres, gehaltvolleres Ergebnis.
Die Herausforderung: Arbeit im Hintergrund kann das Gefühl von Eigenverantwortung und Transparenz beeinträchtigen. Verändert eine KI eine Anfrage, ohne die Änderung zu erklären, kann ein unerwünschtes Ergebnis entstehen. Designverantwortliche müssen nützliche Verstärkung gegen das Risiko unerwünschter Einflussnahme abwägen.
Die gestalterische Herausforderung besteht darin, Nutzende die Verstärkung auf Wunsch steuern zu lassen.
Die Absicht der Nutzenden wahren und weiterführen:
Die Verstärkung sollte erklärte Ziele unterstützen, ohne neue hinzuzufügen. Nachdem die KI einen Prompt erweitert oder Hintergrundaufgaben erledigt hat, sollte sie oder eine separate Prüfinstanz die endgültige Ausgabe mit der ursprünglichen Anfrage abgleichen. Unerwartete Ergänzungen sollten klar kommuniziert werden.
Verstärkung für Sicherheit und Kreativität einsetzen:
Techniken wie Shadow Prompting können Bedenken wecken, weil sie Anfragen unbemerkt umgestalten. Um Vertrauen zu erhalten, sollten sie Klarheit, Sicherheit oder Vollständigkeit verbessern, ohne die Absicht der Nutzenden zu untergraben. Wenn eine sicherheitsbedingte Anpassung erforderlich ist, erkläre sie oder gib sofort Rückmeldung.
Nutzende sehen möglicherweise das Ergebnis einer Moderation, ohne die zugrunde liegende Logik oder die Kriterien zu kennen.
Bewährte Moderationsmethoden übernehmen:
KI-Agenten können Moderations- und Kooperationsmethoden wie Liberating Structures einsetzen, um produktive Interaktionen zu fördern. Diese schlanken Methoden helfen Menschen, ihr kreatives und analytisches Potenzial bestmöglich zu nutzen.
Der Agent kann im Gespräch auf vertraute Methoden für Brainstorming und Ideenfilterung zurückgreifen. Kleine Änderungen am Gesprächsverlauf können ein breiteres Spektrum an Ideen und Erkenntnissen hervorbringen.
Mit parallelen Strängen nützliche Inhalte erschließen:
Statt sich auf einen linearen Austausch zu beschränken, kann ein Agent mehrere Interpretationen, Ideen oder Lösungen gleichzeitig untersuchen. Das ähnelt einer Gruppe von Fachleuten, die aus verschiedenen Perspektiven Ideen entwickelt, ohne wertvolle Erkenntnisse zu verlieren.
Ein koordinierender Prozess kann diese verschiedenen Untersuchungsstränge zu einer schlüssigen, umsetzbaren Antwort verbinden.
Verstärkung zur Wissensvermittlung nutzen:
Gut gestaltete Verstärkung kann Menschen außerdem zeigen, wie sie effektiver mit KI interagieren. Erklärt ein Agent: „Ich habe in meiner Antwort X und Y berücksichtigt“, können Nutzende diese Faktoren in künftige Anfragen aufnehmen. So verbessern sich beide Seiten: die Antworten sofort und die Eingaben mit der Zeit.
Was es ist: Dieses Muster macht das Reasoning von KI-Agenten leichter verständlich. Durchdachte Interaktionen können erklären, warum ein Agent eine Antwort gegeben hat, unterstützende Quellen hervorheben oder relevante Prozessschritte sichtbar machen. Das Ziel ist, wirksame menschliche Entscheidungen zu unterstützen, ohne die Nutzenden zu überfordern.
Relevantes Reasoning lässt sich am besten vermitteln, wenn Nutzende es schrittweise erkunden und den benötigten Detailgrad selbst wählen können.
Warum es nützlich ist: Vertrauen ist für die Einführung von KI unverzichtbar, besonders in Unternehmen. Menschen verlassen sich seltener auf ein System, wenn sie sein Verhalten nicht verstehen oder überprüfen können. Transparente Ausgaben erleichtern es, Probleme zu diagnostizieren, Fehler zu korrigieren und erfolgreiche Ansätze zu wiederholen.
Die Herausforderung: KI-Entscheidungen zu erklären, kann schwierig sein. Zu viele Details können überfordern, während Wahrscheinlichkeiten oder lange Reasoning-Zusammenfassungen schwer zu deuten sein können. Transparenz allein garantiert zudem keine Genauigkeit.
Designverantwortliche müssen die Qualität und Darstellung der Erklärung berücksichtigen und überlegen, wie Belege Teil eines nützlichen Dialogs werden können.
Agenten umfassend denken lassen und die Ergebnisse anschließend verdichten:
KI kann ein Problem gründlich analysieren und die Ergebnisse zugleich in einem leicht verständlichen Format präsentieren. Hierarchische Zusammenfassungen und schrittweise Offenlegung lassen Nutzende mit der wichtigsten Erkenntnis beginnen und Details nur bei Bedarf einblenden.
Eine gut gestaltete Interaktion macht komplexe Informationen leicht erkundbar, ohne an Tiefe oder Klarheit einzubüßen.
Erkundbare Zitate und Quellenangaben bereitstellen:
KI-generierte Antworten sollten Nutzenden eine klare Möglichkeit bieten, die zugrunde liegenden Quellen zu prüfen. Dazu können Links, Auszüge aus internen Berichten, relevante Forschungsergebnisse oder detailliertere quantitative Daten gehören.
In Systemen mit Retrieval-Augmented Generation sollten Nutzende beispielsweise von einer KI-Zusammenfassung zu den zugrunde liegenden Belegen wechseln können. Das erleichtert die Überprüfung und ermöglicht vertiefende Fragen, die Vertrauen schaffen.
Wichtige Fortschrittssignale kommunizieren:
Komplexe Agenten-Workflows können Richtungswechsel, die erneute Prüfung früherer Schritte oder die Verbindung mehrerer Untersuchungsstränge erfordern. Nutzende akzeptieren Verzögerungen eher, wenn sie verstehen, was geschieht. Klare Fortschrittsmeldungen können erklären, was der Agent abgeschlossen hat, woran er arbeitet und was als Nächstes folgt.
Der Agent sollte auch erklären, wenn er nicht weiterkommt oder eine Entscheidung zusätzliche Perspektiven erfordert.
KI-Ausgaben schrittweise anzeigen:
Statt eine vollständige Antwort auf einmal zu präsentieren, kann ein Agent Informationen schrittweise anzeigen. Ein Anlageassistent könnte beispielsweise eine kurze Empfehlung mit der Option anzeigen, die Begründung auszuklappen: „Schritt 1: Risikoprofil bewerten. Schritt 2: Aktuelles Portfolio prüfen. Schritt 3: Möglichkeiten zur Diversifizierung ermitteln. Schritt 4: Empfehlung formulieren.“ Wer mehr Details möchte, kann jeden Schritt erkunden. Allen anderen genügt die Zusammenfassung.
KI-Reasoning visuell erklären:
Erklärungen sollten ebenso verständlich sein wie die eigentliche Ausgabe. Wenn das Reasoning Zahlen oder Zusammenhänge umfasst, können Diagramme und Schaubilder helfen. Die Visualisierung von Anfragen, Prozess, Reasoning und Quellen eines Agenten kann Nutzenden außerdem helfen, seinen Kurs zu korrigieren, anderen das Ergebnis zu erklären oder den Prozess später zu wiederholen.
Klare visuelle Erklärungen helfen Nutzenden, Informationen schneller zu verstehen und danach zu handeln.