Am 08.05.2026 veranstalteten wir bei Okta Bangalore „The UX of Trust and Security“ – unser erstes Design-Event mit dem Schwerpunkt auf Design für Vertrauen und Sicherheit. Was als Gespräch über Komplexität begann, entwickelte sich zu etwas Tiefgründigerem: einer Community-weiten Auseinandersetzung damit, was es bedeutet, in einer KI-first-Welt Designer zu sein.
Aber das Besondere an diesem Event war: Wir haben nicht nur über Kundenbindung gesprochen; wir haben sie aktiv gestaltet.
Im Laufe des Abends stellten wir den mehr als 150 Teilnehmern zwischen den einzelnen Lightning Talks über eine benutzerdefinierten Web-App eine neue Frage. Während sie den Referenten zuhörten, die über die Komplexität für Administratoren, Developer Experiences und die Zukunft des Enterprise-Designs sprachen, beantworteten die Teilnehmer Fragen, um aufzuzeigen, wo die Design-Community in Bezug auf KI, Urteilsvermögen und die wichtigsten Fähigkeiten steht.
Dies war keine Umfrage nach dem Event. Dies war ein Live-Stimmungsbild – Echtzeit-Erkenntnisse, die erfasst wurden, während Ideen diskutiert, Annahmen hinterfragt wurden und sich Perspektiven wandelten.
Folgendes haben wir gelernt.
Die unten dargestellten Daten und das Feedback basieren auf den Antworten von 150 Designern aus der Bangalore-Community, die an den Okta x Friends of Figma Events teilgenommen haben. Diese Fachleute vertreten ein breites Spektrum an Branchen und Unternehmen.
Das KI-Toolkit: Eine fragmentierte Landschaft
Was wir gefragt haben
Bitte geben Sie uns einen Einblick in Ihr aktuelles KI-Toolkit – auf welche Tools verlassen Sie sich bei der Design-Arbeit, und wofür genau verwenden Sie die einzelnen Tools?
Was sich ergab
Diese erste Frage offenbarte eine Wahrheit, die wir vermutet hatten, aber noch bestätigen mussten: Es gibt noch keinen Standard-KI-Design-Workflow.
Die am häufigsten genannten Tools konzentrierten sich in vorhersehbaren Bereichen:
- Claude: Erwähnt bei Recherche, Ideenfindung, Architektur und Codegenerierung
- Figma Make: Für Designer, die KI direkt als ihr primäres Design-Tool nutzen
- Cursor: Für schnelles Prototyping und code-gestütztes Design
- ChatGPT und Copilot: Für allgemeine Recherchen und Brainstorming
- Perplexity und Gemini: Für Forschungssynthese und vergleichende Analyse
- v0 und Antigravity: Zur schnellen Erstellung von MVPs und Prototypen
Aber die Zusammensetzung des Toolkits variierte erheblich je nach Erfahrungsstufe und Spezialisierung der Designer.
Ein Senior UX Designer eines großen Beratungsunternehmens beschrieb seinen Orchestrierungsansatz: "Figma Make und Claude für interaktive Prototypen. NotebookLM, um Dokumente zu analysieren, in Videos zu recherchieren und alles zusammenzufassen".
Unterdessen zeichnete ein Design-Lead ein anderes Bild: "ChatGPT für Q&A, Claude für das Design, Figma Make für Prototypen, Claude Code für die Produktion und Gemini für Bilder und Icons."
Die Erkenntnis
Designer warten nicht auf "das perfekte KI-Tool". Sie stellen Toolkits zusammen, die auf ihre spezifischen Probleme zugeschnitten sind – Recherche, Ideenfindung, Prototyping und Präsentation. Es geht weniger um die Beherrschung eines einzigen Tools als vielmehr um die Orchestrierung vieler Tools.
Wo Daten und Instinkt aufeinandertreffen
Was wir gefragt haben
Bitte beschreiben Sie eine kürzlich getroffene Designentscheidung, bei der die Daten in eine Richtung wiesen, Ihr Instinkt Ihnen jedoch etwas anderes sagte. Was haben Sie getan und warum?
Was dies zeigte
Diese Frage trifft den Kern dessen, was Design in einer KI-gestützten Welt wertvoll macht. Wenn Daten eine Sprache sprechen und die Intuition eine andere, wie fällt dann das Urteil eines Designers aus?
Die Antworten waren ernüchternd. Sie zeigten auf, dass Designer in einem ständigen Spannungsfeld zwischen dem leben, was die Kennzahlen besagen, und dem, was ihre Experience ihnen sagt.
Ein Designer bei einer bekannten Streaming-App beschrieb einen Moment, in dem ihn eine KI-gesteuerte Datenanalyse fast in die Irre geführt hätte:
"Wir haben versucht, die Nutzerbindung unserer App zu verbessern. Den Daten zufolge sprangen die Benutzer an einem bestimmten Punkt des Onboardings ab; ich hatte jedoch einen völlig anderen Gedanken ... Die KI hatte die Metriken falsch erfasst, und die Designentscheidung, die ich deswegen getroffen hatte, ergab überhaupt keinen Sinn. Es wurde – ehrlich gesagt von einem unserer Benutzer – entdeckt, und daraufhin haben wir es korrigiert und den Flow repariert."
Ein Visual Design Manager eines globalen Konsumgüterunternehmens vertraute fest auf seinen Instinkt, als die Daten das eine sagten und sein Auge etwas anderes:
"In einem aktuellen Projekt zeigten die Daten, dass die Nutzer keinen Bezug zu der Designsprache finden würden, die wir anstrebten. Aber ich wusste, dass wir die Designsprache verkaufen konnten, und sie wurde gut angenommen, und das Projekt war ein Erfolg."
Das Muster in den Antworten
Wenn Designer ihrem Instinkt mehr vertrauten als den KI-Empfehlungen, lehnten sie keine Daten ab – sie brachten Kontext ein, auf den die KI nicht zugreifen kann: Benutzerbeziehungen, Unternehmensgeschichte, strategische Ziele und die Nuancen dessen, was "Erfolg" in ihrer spezifischen Domain tatsächlich bedeutet.
Dies war keine Rebellion gegen KI. Es war ein Beweis dafür, dass Urteilsvermögen entscheidend ist.
Wenn KI sich irrt: Das Korrekturproblem
Was wir gefragt haben
Bitte erzählen Sie uns von einer Situation, in der KI bei Ihrer Arbeit einen Fehler gemacht hat – und wie Sie diesen bemerkt oder korrigiert haben.
Was dies zeigte
KI-Fehler folgten keinem einheitlichen Muster. Sie fielen in drei verschiedene Kategorien, wobei jede etwas anderes darüber offenbarte, wie Designer denken sollten:
Kontextkollaps
KI vereinfacht komplexe Szenarien zu stark. Ein Senior UX Designer eines großen Beratungsunternehmens beschrieb es so:
"Manchmal halluziniert es und weicht von der Absicht ab. Wenn wir also das Design aus der Sicht des Benutzer:in durchgehen (kognitiver Walkthrough), erkennen wir das Problem und iterieren, um es zu beheben."
Unbewusste Voreingenommenheit
Ein Designer eines Anbieters für Finanztechnologie (Fintech) entdeckte einen subtilen, aber kritischen Fehler:
"Es hat den Prototyp programmiert ... Die einzige Möglichkeit zur Korrektur ist besseres Prompting und die Bereitstellung von viel Kontext und Referenzen."
Das Annahmeproblem
Manchmal macht KI logische Sprünge, die reale Workflows unterbrechen. Ein Fintech-Produktdesigner beschrieb es anschaulich:
"Kürzlich arbeitete ich an einer Test-Feature in einem SQL-Editor-Flow, bei der Testfälle entweder vom System oder von Benutzer:in verifiziert wurden. Und beim Sparring ging es davon aus, dass selbst das vom System Verifizierte wiederum von Menschen verifiziert werden würde, und unterbrach den Flow."
Wie wurden diese Fehler entdeckt?
Die Antwort lautete durchweg: andere Menschen und Benutzer. Die meisten Designer gaben an, KI-Fehler durch Benutzerfeedback (am häufigsten), Okta-Community-Reviews, Validierung durch Fachexperten oder direktes Testen mit tatsächlichen Daten zu erkennen.
Ein Assistant Vice President eines Unternehmens aus dem Finanzsektor beschrieb eine Validierungsschleife:
"Ich bitte die KI immer, ihre Entscheidung und Ergebnisse aus der Perspektive einer anderen Person zu validieren. Wenn es sich beispielsweise um eine technische Entscheidung handelt, bitte ich die KI, die Rolle eines CTO oder eines Engineering Managers einzunehmen, um diese zu überprüfen und zu korrigieren."
Wie KI den Designprozess verändert hat (im Guten wie im Schlechten)
Was wir gefragt haben
Wie hat die Arbeit mit KI Ihre Herangehensweise an die Design-Exploration oder Ideenfindung in der Frühphase verändert?
Was dies zeigte
Die Beziehung zwischen KI und dem Designprozess ist nicht einseitig. Es ist kompliziert. Designer erleben gleichzeitig sowohl Befreiung als auch Druck.
Das Geschwindigkeitsparadoxon
Designer waren von der Beschleunigung begeistert:
"Es hat definitiv die Geschwindigkeit erhöht, mit der wir interaktive Prototypen erhalten, die wir mit Benutzern und dem Entwicklerteam testen können. Daher beginne ich immer damit, und alle in meinem Team tun dies ebenfalls. Wir beginnen mit einem Figma-Design nie wieder ganz von vorn. Es geht immer darum, den Kontext in den Prompt einzuspeisen und darauf aufbauend zu iterieren."
Aber diese Beschleunigung brachte versteckte Kosten mit sich. Ein Founding Lead einer Produktdesign-Organisation fasste die Spannung perfekt zusammen:
"Einerseits ist es jetzt viel einfacher, verschiedene Iterationen zu visualisieren, und gleichzeitig möchten die Stakeholder das Endprodukt bereits im ersten Prompt selbst. Ich würde sagen, als Designer liebe ich es und hasse es auch ein wenig."
Der Wandel zur Klarheit
Mehrere Designer beschrieben eine positive Neuorientierung. Anstatt direkt mit Figma zu beginnen, denken sie nun zuerst gründlich nach:
"KI hat wirklich dabei geholfen, meine Gedanken aus dem Kopf zu bekommen, Ansätze zu diskutieren und alternative Denkweisen zu entwickeln. Mittlerweile verbringe ich die meiste Zeit damit und gehe dann zum Design über, was mir letztendlich mehr Klarheit und Sicherheit bei der Präsentation von Ansätzen gebracht hat."
Die Kreativitätsfrage
Ein Grafikdesigner äußerte ein Bedenken, das sich durch die Antworten zog:
"Ich neige dazu, weniger Variationen zu brainstormen als früher ohne den Einsatz von KI, und ich habe das Gefühl, dass das Projekt dadurch schneller voranschreitet und effizienter ist, aber es könnte sich auf lange Sicht auf mich als Designer und auf meine Kreativität auswirken, da ich nicht mit vielen Variationen arbeite und Ideen nicht mehr so breit und tiefgehend entwickle."
Die Probleme, die KI (noch) nicht lösen kann
Was wir gefragt haben
Welches Designproblem kann KI Ihrer Meinung nach grundsätzlich nicht lösen – und warum?
Was dies zeigte
Als wir Designer baten, die Grenze zu ziehen, war der Konsens auffallend und konsistent. Vier Themen kristallisierten sich mit bemerkenswerter Deutlichkeit heraus:
Empathie und menschliches Verständnis
Mehrere Designer kamen darauf zurück:
"Das Verständnis menschlichen Verhaltens ist der Kern des Designs. Und das ist für das LLM schwierig, da es auf vorhandenem Wissen basiert. Für die besten Ergebnisse sollte dies von Menschen durchgeführt werden."
"Jedes Design, das menschliche Empathie und Mitgefühl erfordert."
Innovation und Originalität
Ein leitendes Gründungsmitglied einer Produktdesign-Organisation war direkt:
"Innovativ sein. KI gibt das aus, was ihr bereits eingespeist wurde. Das Beste, was es also tun kann, ist, das nachzubilden, was bereits vorhanden ist; durch menschliches Eingreifen sind Innovation und Kreativität jedoch grenzenlos. Ich würde also sagen, ohne menschliches Zutun ist selbst KI immer noch eine schlechte Experience."
Kontext und Systemdenken
Ein Produktdesigner eines Fintech-Anbieters identifizierte eine strukturelle Einschränkung:
"Ich glaube, dass KI noch einen langen Weg vor sich hat, wenn es um die Verarbeitung von Kontext geht. Es ist damit überfordert, sich an frühere Entscheidungen zu erinnern und daran, warum etwas zurückgestellt wurde. Und an dieser Stelle wird weiterhin ein Mensch benötigt."
Stakeholder- und Organisationsnavigation
Ein Senior Designer eines großen Beratungsunternehmens wies auf eine Realität hin, die KI nicht automatisieren kann:
"Die Konsistenz des Designsystems und der Compliance. Außerdem ist das Stakeholder-Management für KI schwierig."
Wie Designer KI-gestützte Entscheidungen begründen
Was wir gefragt haben
Wie begründen Sie KI-gestützte Designentscheidungen gegenüber Stakeholdern oder Teammitgliedern, die KI skeptisch gegenüberstehen?
Was dies zeigte
Die Designer, die in einer AI-first-Welt erfolgreich waren, verheimlichten ihre KI-Nutzung nicht – sie gingen strategisch damit um. Vier unterschiedliche Ansätze haben sich herauskristallisiert:
Der transparente Ansatz
Verantwortung statt Intransparenz. Ein Produktdesigner eines Fintech-Anbieters merkte an:
"Darauf weise ich nicht wirklich hin. Und das brauche ich auch nicht. Weil ich derjenige bin, der die Anweisungen gibt und steuert, wie die KI Erkenntnisse, Kontext, Historie und Anforderungen zusammenführt. Und wenn es um Entscheidungen geht, übernehme ich die Führung."
Der Ansatz mit Vorbehalten
Klarheit über Einschränkungen. Ein Designer eines großen Beratungsunternehmens teilte mit:
"Einfach. Ich weise auf Vorbehalte hin. Ich rechtfertige nicht die genauen Designs oder Daten, ich weise auf Vorbehalte hin und äußere dann meine Meinung."
Der Verantwortlichkeitsansatz
Verantwortung als Differenzierungsmerkmal. Ein UX-Spezialist eines globalen Technologie- und Fertigungsunternehmens erklärte:
"Ich habe festgestellt, dass Entscheidungen, solange sie KI-gestützt sind und nicht von der KI getroffen werden, keine große Rechtfertigung benötigen (zumindest in Bezug auf den Einsatz von KI). Das Wichtigste ist, die Verantwortung für die Entscheidung zu übernehmen."
Der datengestützte Ansatz
Faktenbasiertes Storytelling. Ein Design Lead aus einer Produktdesign-Organisation beschrieb seinen Durchbruch:
"Ich gehörte zu denjenigen, die gegen KI waren, als meine jüngeren Kollegen und Mentoren mir tatsächlich die Designentscheidungen zeigten, die mithilfe von KI getroffen wurden. Was mich letztendlich überzeugt hat, war im Grunde das Verständnis dafür, wie es zu dieser Lösung kam, und dank dieses datengestützten Ansatzes konnte ich die Entscheidungen ohne stundenlange Recherche meinen Stakeholdern und Teammitgliedern vermitteln."
Die Erkenntnis
Die selbstbewusstesten Designer verheimlichten ihre KI-Nutzung nicht – sie gingen transparent mit der Rolle von KI um und äußerten sich klar zu den Entscheidungen, die sie als Designer trafen.
Die Fähigkeiten, die am wichtigsten sein werden
Was wir gefragt haben
Wenn Sie nur eine einzige Fähigkeit verbessern könnten, um als Designer in einer KI-First-Welt einen Schritt voraus zu sein, welche wäre das und warum?
Was dies zeigte
Als Designer vorausblickten, als sie sich die Zukunft vorstellten und was sie brauchten, um darin erfolgreich zu sein, waren die Antworten bemerkenswert einheitlich und zutiefst menschlich.
Wichtigste Kompetenzen
- System- und Produktdenken (23 %): KI kann Lösungen generieren; Designer sollten Probleme definieren
- Handwerk und Art Direction (18 %): Die menschliche Note, visuelles Gespür und kreative Ausrichtung
- Forschung und Empathie (16 %): Tatsächliche menschliche Bedürfnisse gegenüber KI-Mustern verstehen.
- Kommunikation und Artikulation (14 %): Klares Denken führt zu besseren Prompts und besseren Ergebnissen
- KI-Navigation und Prompting (12 %): KI nicht nutzen, sondern effektiv orchestrieren
- Funktionsübergreifende Zusammenarbeit (10 %): Stakeholder-Management, technisches Verständnis
- Kreative Innovation (7 %): Originalität und das Denken über bestehende Muster hinaus
Aber die Zitate hinter den Zahlen erzählten die wahre Geschichte. Ein Senior Designer eines großen Beratungsunternehmens wies auf ein Paradoxon hin:
"Ich möchte optimale kollaborative KI-Workflows erstellen können. Zu wissen, wie man Tools bestmöglich einsetzt."
Eine leitende Führungskraft eines Giganten für Unternehmenssoftware brachte es auf den Punkt:
"Mein Handwerk vertiefen."
Ein Visual Designer eines Anbieters von Cloud-Computing-Software bezeichnete es als ein Denkproblem:
"Gutes Nachdenken ist wichtig; Innovation entsteht immer durch tiefgründiges Nachdenken. Wenn Sie klare Ziele haben, können Sie besser prompten, KI besser erklären und Ihre Arbeit erledigen. Das ist es, was meiner Meinung nach als Designer im KI-Wettlauf vor uns liegt."
Und ein Designer einer Designagentur brachte es der Menschheit zurück:
"Sie sollten empathischer und aufgeschlossener sein und das Design für Menschen gestalten! Nicht für Benutzer:in, nicht für Kunden, sondern für Menschen. Wenn Sie einmal darüber nachdenken, ändert sich die Bedeutung für Menschen im Vergleich zu Benutzern und Kunden tatsächlich!"
Der unausgesprochene Konsens
Beim Lesen der mehr als 1.000 Antworten, die im Laufe des Abends geteilt wurden, ergab sich ein klares Bild: Designer haben keine Angst vor KI. Sie stehen dem Hype darum skeptisch gegenüber.
Sie sehen KI als Denkpartner, Recherchebeschleuniger und Prototyping-Tool – nicht als Ersatz für das Design-Urteilsvermögen. Tatsächlich sind sie der Ansicht, dass KI Urteilsvermögen und handwerkliches Können wichtiger macht, nicht unwichtiger.
Die Designer, die in diesem Umfeld erfolgreich sind, weisen gemeinsame Eigenschaften auf:
- Sie setzen KI gezielt ein: Nicht, weil sie neu ist, sondern weil sie spezifische Probleme löst.
- Sie validieren mit Benutzern: Daten von der KI werden mit menschlichem Feedback abgeglichen
- Sie konzentrieren sich auf die Artikulation: Klares Denken vor dem Prompting
- Sie behalten die Verantwortung: KI unterstützt; Designer entscheiden
- Sie lernen kontinuierlich dazu: Experimentieren mit Tools und Workflows
Was dies für die Branche bedeutet
Für Designer
Schnelligkeit allein wird Sie nicht von anderen abheben; Urteilsvermögen, Systemdenken und handwerkliches Können hingegen schon. Wir empfehlen, zunächst klar denken zu lernen – KI-Prompting ist lediglich der Ausdruck klaren Denkens. Empathie, Innovation und Kontextverständnis bleiben Ihr Wettbewerbsvorteil.
Für Personalverantwortliche
Technische KI-Kenntnisse sind weniger wichtig als strategisches Denken. Sie sollten nach Designern suchen, die KI-Ergebnisse mit Benutzern validieren, und nicht nach solchen, die diesen unhinterfragt vertrauen. Designer auf Staff- und Principal-Ebene, die KI orchestrieren und die Komplexität der Stakeholder bewältigen können, sind wertvoller denn je.
Für die Design-Community
Enterprise-Design ist nicht "langweilig". Es erfordert die anspruchsvollsten Überlegungen, das tiefste Systemverständnis und die folgenreichsten Entscheidungen. Wenn Werkzeuge alltäglich sind, wird das Handwerk zum Unterscheidungsmerkmal.
Ein Blick hinter die Kulissen: Wie diese Kundenbindung zustande kam
Dieser Echtzeit-Puls-Check war keine Magie – er wurde so konzipiert. Wir haben mit Claude und Figma eine benutzerdefinierte Web-App entwickelt, um diese Live-Kundenbindung zu ermöglichen.
Die Teilnehmer registrierten sich zu Beginn des Events über die App. Zwischen jedem Lightning Talk haben wir neue Fragen auf ihre Smartphones gesendet. Sie antworteten in Echtzeit, und wir beobachteten, wie die Antworten eingingen, während sich das Gespräch auf der Bühne entwickelte.
Aber ganz ehrlich: Der erste Prompt an Claude lieferte uns ein großartiges Ergebnis – einen funktionsfähigen Prototyp, der ausgereift aussah und sich einsatzbereit anfühlte. Aber der Schritt von „sieht gut aus“ zu „funktioniert perfekt in einem Live-Event mit 150 gleichzeitigen Benutzern“ erforderte erhebliche Iterationen.
Wir haben die UX basierend auf Tests verfeinert, das Backend optimiert, um Echtzeit-Einreichungen unter Last zu verarbeiten, und iteriert, nachdem wir festgestellt hatten, dass die Teilnehmer mehr Kontext für jede Frage benötigten. Wir haben Randfälle debuggt, bei denen Antworten nicht richtig synchronisiert wurden.
Die Ironie entging uns nicht: Wir entwickelten ein Tool, um Erkenntnisse über KI, Handwerk und Iteration zu sammeln – und dieses Tool selbst war ein Lehrstück dafür, warum Handwerk und Iteration wichtig sind, selbst wenn das erste Ergebnis vielversprechend aussieht.
Genau das haben die Designer, die an unserer Umfrage teilgenommen haben, beschrieben. KI lieferte uns eine starke Ausgangsbasis, aber es erforderte menschliches Urteilsvermögen, Tests, Verfeinerung und ein tiefes Verständnis des Kontexts, um es funktionsfähig zu machen.
Schlussgedanke
Als wir 150 Designer über ihre Beziehung zu KI befragten – über Urteilsvermögen, über Handwerk, über die Zukunft –, offenbarten sie etwas, das die Branche hören sollte:
KI ersetzt keine Designer. Es bringt uns dazu, uns auf das zu konzentrieren, was wirklich zählt: klares Denken, menschliche Empathie, strategisches Urteilsvermögen und das Handwerk, das Möglichkeiten in bedeutungsvolle Erlebnisse verwandelt.
Die Designer, die dies verstehen – die KI als Verstärker statt als Ersatz betrachten –, sind diejenigen, die die Zukunft gestalten.
Und sie sind bereit.
