Von einzelnen Screens zu wiederverwendbaren Systemen.
KI hat mein Product Thinking nicht verändert. Sie hat verändert, wie ich meine Zeit einsetze: weg von der manuellen Produktion einzelner Screens, hin zum Aufbau wiederverwendbarer Systeme, die es mir ermöglichen, schneller zu explorieren, zu validieren und auszuliefern, ohne den Anspruch an Evidenz zu senken.
Dies ist keine Vorführung von Tools oder Prompts. Es ist eine fortlaufende Dokumentation eines Wandels in der Art, wie ich Product Design praktiziere – noch in Entwicklung begriffen und in echten Projekten verankert, nicht in Demos.
Discovery und Recherche waren nie das Problem. Production war der teure Teil.
Klassisches Product Design stützt sich noch immer stark auf manuelle Produktion: Layouts neu aufbauen, Dummy-Daten befüllen, gängige Muster erneut anfertigen und Übergabe-Artefakte vorbereiten, bevor die Entwicklung überhaupt beginnen kann. Nichts davon ist Denkarbeit. Es ist Overhead. Das Diagramm unten geht nicht darum, Figma, Designer:innen oder Code zu ersetzen: Es geht darum, wo das Gewicht der Arbeit liegt.
Discovery, Recherche und Produktdenken nahmen bereits den Großteil meiner Zeit ein. Production war schlicht der teuerste Teil des Prozesses.
↔ Wischen, um alle Phasen zu sehenDiscovery und Recherche bekommen heute mehr Zeit, nicht weniger — das Denken breitet sich in den Raum aus, den früher die Production einnahm. Production kostet nur noch einen Bruchteil, sodass Prototyping und Validierung wachsen, um den verbleibenden Raum zu füllen.
KI hat meinen Design-Prozess nicht verändert. Sie hat dessen Ökonomie verändert.
- Problem oder Chance
- Wie viel Unsicherheit besteht? Verstehen & einschätzen
-
Hohe Unsicherheit Discovery & Recherche Unsicherheit verringern, bevor investiert wird.Geringe Unsicherheit Wiederverwendung & KI-gestützte Exploration Bewährte Muster wiederverwenden. Mit Zuversicht beschleunigen.
- Prototyping Ideen mit wiederverwendbaren Systemen und KI-Unterstützung schnell explorieren, validieren und verfeinern.
- Validieren & verfeinern Mit Nutzern testen, Evidenz sammeln und Vertrauen vor der Übergabe aufbauen.
- Entwicklung Entwicklerreife Lösungen mit Klarheit und Zuversicht liefern.
Ich wende nicht auf jedes Problem denselben Prozess an. Zuerst schätze ich ein, wie viel Unsicherheit besteht. Wirklich unsichere Probleme beginnen weiterhin mit Discovery, Recherche und Synthese. Gut verstandene Probleme lassen sich schneller über wiederverwendbare Muster und KI-gestützte Exploration bearbeiten. Beide Pfade treffen sich im Playground, wo ich Ideen schnell in Prototypen umsetze, validiere und verfeinere, bevor ich sie mit größerer Zuversicht an die Entwicklung übergebe. Bei den einfachsten Korrekturen mit dem geringsten Risiko kann dieselbe Einschätzung die Arbeit direkt an die Entwicklung weiterleiten und Design sowie Discovery vollständig überspringen. KI hat nicht verändert, wie ich Design-Entscheidungen treffe. Sie hat verändert, wie schnell ich diese Entscheidungen in etwas Reales verwandeln kann.
Aus wiederverwendbaren Komponenten wurde wiederverwendbare Intelligenz.
Design System, Code-Editor, Prototyp und Dokumentation lebten früher in getrennten Tools, jedes für jedes Projekt von Hand neu aufgebaut. Im Playground bilden sie ein verbundenes System: Komponenten, Tokens, Barrierefreiheitsregeln und Interaktionsmuster existieren bereits. Statt die KI zu bitten, eine Oberfläche zu erfinden, bitte ich sie, eine aus dem zusammenzusetzen, was bereits nachweislich funktioniert – oft kombiniert mit einem kurzen Prompt und einer visuellen Referenz statt nur einer Textbeschreibung, sodass das Ergebnis durch Konstruktion zum System passt, nicht durch Zufall.
Eine Veränderung war wichtiger, als ich erwartet hatte: realistische Daten. Statt Screens mit Lorem Ipsum zu füllen, habe ich wiederverwendbare, fiktive Datensätze aufgebaut (erfundene Händler, Produkte und Kunden, modelliert nach realen operativen Mustern), die Prototypen automatisch befüllen. Ein Promotionskonzept, getestet mit einer fiktiven Weltmeisterschaftskampagne und erfundenen Produkten, fühlte sich für die Teilnehmenden genauso real an wie ein Live-Produkt – ohne dass ein einziges kommerzielles Datenelement das Haus verließ.
Es gibt hier auch ein kommerzielles Argument, nicht nur eines des Handwerks. Eine Oberfläche von Grund auf zu erraten kostet mehr, als eine zusammenzusetzen: mehr Generierungen, mehr Korrekturzyklen, mehr Tokens, um zum selben Ergebnis zu kommen. Ein bewährtes System wiederzuverwenden erreicht dasselbe Ziel in weniger Schritten – das bedeutet eine niedrigere KI-Rechnung für dasselbe Ergebnis, nicht nur eine schnellere.
Wo das tatsächlich geschehen ist.
Eine Kartenerfahrung skalieren, ohne sie von Hand neu zu zeichnen.
Eine standortbasierte Startseiten-Erfahrung musste über mehrere Produkte und Regionen hinweg funktionieren. Die frühe Exploration begann in Figma; sobald sich das Interaktionsmodell bewährt hatte, ermöglichte mir der Playground, es als funktionierendes, wiederverwendbares Kartenmuster neu aufzubauen, sodass die Skalierung auf ein zweites Produkt bedeutete, das Muster wiederzuverwenden, nicht neu zu gestalten.
Mehr entdecken →Komplexe Daten, erkundet als etwas Reales statt etwas nur Beschriebenes.
Kunden-Dashboards begannen als Skizzen und Flows und wurden dann im Playground zu interaktiven, diagrammgetriebenen Prototypen weiterentwickelt. Wiederverwendbare Diagrammkomponenten und Design-Tokens bedeuteten, dass Stakeholder auf etwas reagierten, das sie tatsächlich nutzen konnten, nicht auf einen statischen Mock-up.
Mehr entdecken →Realistisch genug zum Testen, sicher genug zum Teilen.
Ein Konzept für Handelspromotionen wurde fast vollständig im Playground erkundet, mit sehr wenig statischer Figma-Arbeit. Wiederverwendbare Komponenten und dynamische, fiktive Datensätze (erfundene Händler, erfundene Produkte, eine fiktive Weltmeisterschafts-Promotionskampagne) sorgten dafür, dass sich der Prototyp im Usability-Test real anfühlte, ohne ein einziges kommerzielles Datenelement offenzulegen.
Mehr entdecken →Jeder Output wird zum nächsten Input.
Nichts davon beginnt bei jeder neuen Aufgabe wieder bei null. Dieselben markdown-basierten Arbeitsdateien — Entscheidungen, Evidenz, Design-System-Regeln — werden von einer KI-gestützten Session zur nächsten weitergetragen, sodass jede weiter vorne startet als die letzte, statt denselben Kontext von Grund auf neu zu erklären. Es ist dasselbe evidenzbasierte Prinzip, das auch der eigentlichen Arbeit zugrunde liegt: Je mehr das System aus Design Systems, Nutzer-Insights, UX-Mustern und Recherche erfasst, desto mehr hat es, worauf es sein Denken stützen kann, und desto besser wird sein Urteilsvermögen mit der Zeit.
Dasselbe Wiederverwendungsprinzip wie im Playground. Nur angewendet auf Wissen, nicht auf Komponenten.
Dasselbe Prinzip, in anderen Händen.
Ein Designer, den ich mentoriere, Dmytro Ivanchenko, hat dasselbe Prinzip weitergedacht: Er hat einen KI-Agenten direkt aus den bestehenden Komponenten und dokumentierten Nutzungsregeln unseres Design Systems zusammengesetzt und separat ein Plugin gebaut, das ein Design automatisch zwischen Breakpoints konvertiert.
Aus einem bewährten System heraus zu komponieren ist, wie sich zeigt, eine Philosophie, die auch andere aufgreifen und weiterführen können – nicht nur ich.
Was ich gelernt habe
KI hat mein Urteilsvermögen nicht ersetzt. Sie hat verändert, wie ich meine Zeit einsetze.
- Weniger Zeit für die Reproduktion von Screens, mehr Zeit für das Verstehen von Problemen.
- Wiederverwendung potenziert sich: Jede einmal gebaute Komponente zahlt sich vielfach aus.
- Realistische Daten sind genauso wichtig wie realistische Oberflächen.
- Prototypen, die funktionieren, laden zu schärferem Feedback ein als Prototypen, die nur fertig aussehen.
- Die Lücke zwischen „gestaltet“ und „umsetzbar“ wird kleiner, wenn Design und Entwicklung dieselben Komponenten teilen.
Das Designhandwerk ist nirgendwohin verschwunden: Es hat sich verlagert — von der Produktion einzelner Screens hin zur Orchestrierung der Systeme, der Evidenz und der Wiederverwendung dahinter.
Wie es weitergeht.
Über das Generieren von Oberflächen hinaus interessiert mich zunehmend, wie KI validiertes Produktwissen und Recherche leichter auffindbar, wiederverwendbar und anwendbar machen kann — über die gesamte Produktentwicklung hinweg.
Ein Bereich, den ich gemeinsam mit unserem Research-Team erkunde, ist, wie dies Teil des Playgrounds selbst werden könnte — nicht als Ersatz für Recherche, sondern um die Zeit zu reduzieren, die für die Suche nach Evidenz aufgewendet wird, damit Teams auf dem aufbauen können, was sie bereits wissen, statt von null zu beginnen.
Entdecken Sie dieselbe evidenzbasierte Disziplin, angewendet auf eine validierte Produktrichtung.