Online-Seminar: AI-Agenten im UX-Research – automatisieren mit Urteilskraft

Wer KI im UX-Research einsetzt, kommt irgendwann an den Punkt, an dem der manuelle Dialog mit dem Modell zu langsam wird. Der nächste Schritt heißt Delegation: Verfahren, die wiederholbar laufen, Agenten, die Zwischenschritte selbstständig erledigen. Damit verschiebt sich aber auch die Kontrolle – und mit ihr die Frage, wie man noch merkt, wenn etwas schiefgeht.

Zwei Fragen entscheiden über die Qualität automatisierter Research-Arbeit:

  • Welchen Teil einer Research-Aufgabe darf ich überhaupt abgeben – und woran mache ich das fest?
  • Wie stabil ist der Kontrollpunkt, den ich behalte – und hält er wirklich, was ich mir von ihm verspreche?

Dieses Seminar beantwortet beide. Es vermittelt keine fertige Pipeline, sondern eine Urteilskompetenz: die Fähigkeit, für jede künftige Aufgabe selbst zu entscheiden, wo die Automatisierungs-Grenze verläuft und wie hart der Kontrollpunkt an dieser Grenze sein muss. Das Wissen ist werkzeugunabhängig – es funktioniert in Claude, in ChatGPT und in Microsoft Copilot gleichermaßen und überlebt den nächsten Produktwechsel.

Lernziele im Überblick
  • Die Automatisierungs-Grenze einer Aufgabe aus deren Eigenschaften ableiten können – mit der 2×2-Landkarte aus Spezifizierbarkeit und Verifizierbarkeit.
  • Kontrollpunkte nach Härtegrad unterscheiden und bewusst wählen: hart, halbhart, weich, zirkulär.
  • Verifikationsverfahren richtig einsetzen – Daten-Test-Sets, erzwungene Stopps, risikoorientierte Stichproben, deterministische Prüfschritte.
  • Reliabilität von Validität trennen und erkennen, wann ein Prüfapparat eine systematisch verzerrte Pipeline zertifiziert.
  • Die sechs Schichten einer agentischen Architektur kennen und in jedem gängigen Werkzeug wiederfinden.

Warum sich der Workshop für Dich lohnt

  • Automatisieren ohne Qualitätsverlust – Du leitest die Grenze aus der Aufgabe ab statt aus dem, was Dein Werkzeug gerade hergibt.
  • Kontrollpunkte, die halten – Du lernst, warum eine Regel in einer Instruktionsdatei eine Bitte und kein Befehl ist, und wo Du harte Gates brauchst.
  • Schutz vor der Verifikations-Falle – Ein Prüfapparat kann eine zuverlässig verzerrte Analyse mit Prüfsiegel versehen. Du lernst, das zu erkennen.
  • Übertragbare Fähigkeit statt Rezept – Du machst denselben Automatisierungs-Schnitt an vier verschiedenen Aufgaben. Erst die Wiederholung macht daraus Können.
  • Werkzeugunabhängiges Wissen – Was Du hier lernst, zieht mit um, wenn Dein Unternehmen morgen die Plattform wechselt.

Inhalte im Detail

  • Warum ein von Hand gebautes Analyse-Verfahren im Kern bereits ein Agent ist – und der Schritt zu echten Agenten konzeptionell klein.
  • Wie sich ein fehlerhafter Input durch eine automatische Kette fortpflanzt: unbeobachtet, geglättet und am Ende überzeugender als am Anfang.
  • Warum es keine Magic Pipeline gibt: Kontrolle verschwindet nicht, sie verlagert sich – von der Laufzeit in den Bau.
  • Ein vertrautes Analyse-Verfahren wird zerlegt und jedes Gate markiert.
  • Zwei Fragen pro Gate: Was passiert damit – und wie hart muss es sein?
  • Die typische Entdeckung: Mehrere Gates, die für Garantien gehalten wurden, sind bei ehrlicher Betrachtung weiche Bitten.
  • Zwei Fragen an die Aufgabe: Ist sie spezifizierbar? Ist das Ergebnis günstig verifizierbar?
  • Vier Quadranten, vier Konsequenzen – von „voll automatisieren” über „automatisieren mit eingebautem Check” und „Mensch-geführt, KI-assistiert” bis „beim Menschen lassen”.
  • Warum die Grenze aus Aufgaben-Eigenschaften folgt und nicht aus der Reife des eigenen Setups.
  • Vier Härtegrade: hart (deterministischer Prüfschritt), halbhart (erzwungener Stopp), weich (Instruktion in einer Regeldatei), zirkulär (KI prüft KI).
  • Warum Instruktionen an ein Sprachmodell als Kontext gelesen und interpretiert werden – und nicht als Konfiguration erzwungen.
  • Die Konsequenz: Der einzige wirklich harte Kontrollpunkt in einem KI-Analysesystem ist am Ende der Mensch – und er ist nur so hart, wie seine Methodenkompetenz reicht.
  • Sechs Schichten: Datenzugang, Dauerregeln, Verfahren, Zerlegung, harte Gates, Konnektoren.
  • Die Übersetzungstabelle: Wie dieselben Schichten in Claude, ChatGPT und Microsoft Copilot heißen.
  • Bewusst knapp gehalten – dies ist kein Tool-Training, sondern eine Landkarte.
  • Einen klar automatisierbaren Schritt als wiederverwendbares Verfahren bauen (Quadrant: spezifizierbar und günstig verifizierbar).
  • PII-Redaktion und Auszählung – und warum es hier zwingend einen harten, deterministischen Check braucht.
  • Reflexion: automatisieren und wissen, dass es stimmt – weil die Aufgabe es hergibt.
  • Eine thematische Clusterung offener Nennungen automatisieren und einen KI-gestützten Verlässlichkeits-Check einbauen.
  • Das Ergebnis gegen ein von Hand erstelltes Referenzergebnis halten.
  • Zirkularität als erlebte Erfahrung: Ein KI-Prüfer teilt die Fehlermodi dessen, was er prüfen soll. Er fängt Flüchtigkeitsfehler – nicht die systematische Blindheit, die er selbst hat.
  • Eine echte Interpretations- und Priorisierungsfrage automatisieren wollen – bewusst mit wenig Unterstützung.
  • Zwei ehrliche Ausgänge: Der Schritt verträgt keine Automatisierung – oder er verträgt sie nur mit so viel menschlichem Gerüst, dass am Ende ein Human-in-the-Loop-Assistent steht. Beides ist ein Ergebnis.
  • Warum diese Aufgabe automatisierbar aussieht: Das Ergebnis wirkt fertig, lange bevor es richtig ist.
  • Daten-Test-Sets als starkes Werkzeug – und als Beweis für Reliabilität, nicht für Validität.
  • Warum der Antwort-Schlüssel selbst der Kompetenz-Ort ist: Wer das Referenzergebnis schreibt, braucht Forschungsmethodik.
  • Selbst-Fänge, mitlaufende Feedback-Schleifen, erzwungene Stopps, risikoorientierte Stichproben, deterministische Prüfschritte – jeweils mit ehrlichem Härtegrad-Etikett.
  • Wo parallele Sub-Agenten die Qualität heben – nämlich dann, wenn die Aufgabe echt zerfällt und jeder Teil einzeln prüfbar ist.
  • Und wo sie Overkill mit falscher Präzision sind: Drei Agenten, die sich einig sind, sind nicht drei unabhängige Meinungen.

Womit wir arbeiten​

Als roter Faden dient ein durchgehendes, fiktives Szenario: ein Startup, das die Customer Journey rund um Zahnarztbesuche aus Patient:innen-Sicht verbessern will. Der Verzicht auf echte Daten ist bei Automatisierung kein Formalismus, sondern Substanz: Ein Agent, der sich selbstständig durch einen Ordner mit realen Transkripten arbeitet, vergrößert die Angriffsfläche erheblich – und die Daten gehen zur Verarbeitung an eine API, unabhängig vom Produkt.

Der Umgang mit personenbezogenen Daten wird trotzdem gelehrt: als Redaktions-Übung am fiktiven Transkript. Fehler lassen sich so erleben, ohne dass sie reale Folgen haben.

Für Inhouse-Formate mit tauglicher Sandbox und geklärtem Datenschutz-Rahmen ist die Arbeit an eigenen Cases möglich – das wird im Vorfeld gemeinsam geprüft.

In welchem Werkzeug wird gearbeitet?

Der Workshop läuft mit Claude, mit ChatGPT und mit Microsoft Copilot. Das Referenz-Werkzeug wird bei der Buchung festgelegt.

Das ist eine inhaltliche Entscheidung, keine organisatorische: Gegenstand des Seminars sind Eigenschaften von Aufgaben, nicht Eigenschaften von Werkzeugen. Ob eine Aufgabe spezifizierbar ist, ändert sich nicht, wenn man das Produkt wechselt. Ein Seminar, das in jedem Werkzeug läuft, belegt genau diese These.

Voraussetzung für die Teilnahme

Dieses Seminar hat eine Zugangsvoraussetzung – anders als die meisten unserer Kurse. Das ist Absicht, und es lohnt sich, kurz hinzuschauen, ob Du sie erfüllst.

Vorausgesetzt wird eines von beidem:

  • Du hast das Seminar „Effizienter Umgang mit KIs und fortgeschrittenes Prompting für UXler:innen” besucht.
  • Oder Du bist im Umgang mit LLMs deutlich fortgeschritten und bringst das Wissen auf anderem Weg mit.

Konkret heißt das: Du weißt, wie ein LLM grundsätzlich funktioniert. Du weißt, warum Halluzinationen kein Bug sind, sondern zur Bauart gehören. Und Du hast bereits mit mehrstufigen Prompt-Verfahren gearbeitet, nicht nur mit Einzelfragen.

Warum wir das so deutlich sagen: Dieses Seminar setzt dort an, wo das andere aufhört. Wer die Grundlagen erst während des Tages nachholen muss, verliert Zeit, die für die eigentliche Arbeit gedacht ist – und die Gruppe verliert Tempo. Wenn Du unsicher bist, ob Du die Voraussetzung erfüllst, melde Dich vorher kurz. Wir schauen gemeinsam drauf und sagen Dir ehrlich, was wir denken.

Umgekehrt gilt: Wer bereits eigene Agenten oder Skills gebaut hat, ist hier nicht unterfordert. Die Urteilsfrage – welche davon man besser nicht gebaut hätte – ist auch für technisch Versierte neu.

Das Online-Seminar ist für

UX-Researcher:innen und UX-Professionals, die KI bereits systematisch einsetzen und jetzt vor der Frage stehen, welche Teile ihrer Arbeit sie an Agenten delegieren können, ohne die Qualität ihrer Ergebnisse zu gefährden.

Deine Trainerin

Tara Bosenick

Tara Bosenick ist seit 1999 als UX-Spezialistin tätig und hat die Branche in Deutschland auf Agenturseite mit aufgebaut und geprägt. Sie ist spezialisiert auf die Entwicklung neuer UX-Methoden, die Quantifizierung von UX und die Einführung von UX in Unternehmen.

Gleichzeitig war sie immer daran interessiert, in ihren Unternehmen eine möglichst „coole“ Unternehmenskultur zu entwickeln, in der Spaß, Leistung, Teamgeist und Kundenerfolg miteinander verknüpft sind. Seit mehreren Jahren unterstützt sie daher Führungskräfte und Unternehmen auf dem Weg zu mehr New Work / Agilität und einem besseren Mitarbeitererlebnis.

Sie ist eine der führenden Stimmen in der UX-, CX- und Employee Experience-Branche.

Eckdaten zum Seminar

Termin:

  • nach Vereinbarung

Details:

  • Dauer: 1 Tag von 9–17 Uhr
  • Ort: vor Ort in Deinem Unternehmen
  • Anzahl Teilnehmende: mindestens 3, maximal 12
  • Voraussetzung: Seminar „Effizienter Umgang mit KIs und fortgeschrittenes Prompting für UXler:innen” oder vergleichbare LLM-Erfahrung
  • Werkzeug: Claude, ChatGPT oder Microsoft Copilot – wird bei der Buchung festgelegt

Kosten:

  • Pro Teilnehmer: auf Anfrage
Anfragen
Nach oben scrollen