Künstliche Intelligenz entwickelt sich allmählich von einem viel beachteten Trend zu einer völlig alltäglichen Sache für Menschen und Unternehmen – bis zum Jahr 2027 Marktgröße Diese Branche kann 407 Milliarden US-Dollar erreichen. Ihre Zielgruppe beschränkt sich nicht nur auf Designer und Texter – auch Strategen und UX-Forscher können solche Tools bei ihrer Arbeit nutzen.

Bei neuronalen Netzen geht es längst nicht mehr nur um Bilder (obwohl sie natürlich der größtmöglichen Anzahl von Menschen bekannt sind). In Bezug auf UX haben wir:

• Chroma – KI, die analysiert, welche Farben Ihre Zielgruppe mag, und die richtige Palette vorschlägt.
• Visuelle Augen – ein Tool zum Verfolgen, wie wir die Seite betrachten und was wir nicht mehr ansehen. Ähnliche Funktionalität für VAS – ein Tool, das mit einer Genauigkeit von 92 % vorhersagt, welchen Teil der Seite der Benutzer zuerst betrachten wird.
• Forschungs-KI ist eine Lösung zur Analyse großer Mengen an Benutzerdaten, mit der Sie Verhalten vorhersagen, Seitenbesuche und Engagement verfolgen und Muster erkennen können.
• Und viele weitere Tools zum Erstellen von Layouts, zum Digitalisieren von Bleistiftskizzen, zum Erstellen von Logos und Symbolen und vielem mehr.

Der Umfang ist gigantisch und jedes dieser Tools kann Ihre Arbeit enorm vereinfachen und beschleunigen. Neuronale Netze können für die Analyse riesiger Datenmengen, die Entwicklung von Hypothesen und die mit der Untersuchung verbundene Routine delegiert werden. Sie können wichtige Einblicke liefern, Ideen anregen und sind hervorragend darin, Bilder für ein tieferes Eintauchen zu visualisieren.

Aber ich möchte gleich darauf hinweisen: Dieser Wow-Effekt wird nicht eintreten, wenn Sie nicht bereit sind, zu lernen, wie man damit umgeht. Jedes neuronale Netzwerk benötigt klar definierte Aufgaben, daher müssen Sie lernen, Gedanken zu formulieren, sie in den Kontext einzubetten und Rahmen zu benennen. Und das alles für eine begrenzte Anzahl von Zeichen (über weitere Einschränkungen sprechen wir später).

ChatGPT ist keine Ausnahme. Ich habe Anfang des Jahres damit begonnen, dieses Tool zu testen, als es aktiv darüber gesprochen wurde. Ich habe mich gefragt, welche Aufgaben ihm anvertraut werden können, welche Ergebnisse daraus resultieren und welche Fallstricke es gibt. Und das habe ich bekommen (am Beispiel einer Zielgruppenstudie für die chemische Reinigung).

• Ausarbeitung eines Forschungsplans

ChatGPT kann schrittweise Arbeitsabläufe entwickeln und Anweisungen dafür bereitstellen. Dies ist eine gute Hilfe für Anfänger, die noch nicht wissen, wo sie anfangen sollen, nicht wirklich wissen, wie viel Zeit die einzelnen Etappen dauern werden und die im Allgemeinen keine Zeit hatten, es in die Hände zu bekommen.

• Forschungsfragen schreiben

Natürlich wissen erfahrene UX-Profis bereits, was sie von einer Person verlangen müssen, um ihre Erfahrungen, Bedürfnisse und Bedenken bei der Verwendung eines bestimmten Produkts voll und ganz einzuschätzen. Aber nicht alle von uns verstehen die Feinheiten verschiedener Prozesse, im Falle der chemischen Reinigung – bei derselben Arbeit mit verschiedenen Stoffen. Daher kann ChatGPT Ideen für spezifischere Fragen liefern: zum Beispiel „Haben Sie Kleidung mit empfindlichen Beschlägen aus Stoffen, die einer besonderen Pflege bedürfen?“.

• Persona-Erstellung

Manchmal, insbesondere wenn es um Unternehmen mit bestimmten Waren und Dienstleistungen geht, kann es schwierig sein zu verstehen, welche Art von Menschen diese nutzen könnten, welche Probleme und Bedürfnisse sie möglicherweise haben. In diesem Fall kann ChatGPT gebeten werden, Porträts anzufertigen, wie ich es getan habe. Im Prinzip stellt er sie recht genau zusammen, beschreibt Alter und Berufe, was hilft, eine hypothetische Person besser zu verstehen und zu verstehen, welche Art von Produkt sie benötigt. Es gibt jedoch eine Einschränkung: Das neuronale Netzwerk muss regelmäßig daran erinnert werden, für welches Unternehmen es Antworten generiert, sonst besteht die Gefahr, dass es von der Flugbahn abweicht.

• Zusammenstellung von User Stories

ChatGPT kann einzigartige Ziele, Motivatoren und erwartete Ergebnisse für verschiedene Menschen schaffen. Beachten Sie, wie ich die Frage gestellt habe: Ich habe keine Namen genannt, aber der Bot hat dennoch seine Erwartungen im Namen zuvor entwickelter Charaktere formuliert. Antworten wie diese können für einen UX-Spezialisten eine große Inspiration sein und ihn zu ungewöhnlichen Erkenntnissen führen.

• Erstellen eines Benutzerflusses

Diese Aufgabe ergibt sich direkt aus User Stories. Für uns ist es wichtig, genau zu verstehen, wie sich der Benutzer durch die Website oder Anwendung bewegt, wie er sie nutzt und auf welche Schwierigkeiten er stoßen kann. ChatGPT kann einen detaillierten Benutzerfluss erstellen: von der Startseite bis zur Registrierung einer Serviceanfrage.

Erinnern Sie sich, wir haben den Neurofreund daran erinnert, für welches Unternehmen er derzeit arbeitet? ChatGPT merkt sich also im Laufe der Zeit und hebt gesondert hervor, für welche Person der Pfad beschrieben wird. Das ist das Wunder des Lernens.

• Ideen für UX-Testaufgaben

Ein weiterer Forschungsschritt, der delegiert werden kann, um die Arbeit zu beschleunigen. ChatGPT stellt dem Befragten nicht nur die Aufgaben selbst zusammen, sondern gibt auch vor, was wir damit prüfen und welches Ziel wir erreichen sollen. Dadurch wird die Studie tiefer und qualitativer.

Natürlich ist dieses Fass Honig aus neuronalen Netzen nicht komplett ohne einen Esslöffel Teer. Im Moment scheint alles cool zu sein, bis man anfängt nachzudenken. Hier sind einige ziemlich kritische Punkte, die ich gefunden habe (und Artikel anderer UX-Experten bestätigen dies):

• Manchmal ist es einfacher, alles selbst zu machen, als sich eine Eingabeaufforderung auszudenken, die das neuronale Netzwerk genau versteht und korrekt reproduziert. Sie beschleunigt natürlich die Arbeit, aber bevor das passiert, muss man viel trainieren.
• Dem neuronalen Netzwerk fehlt Empathie. Bei der UX-Forschung versetzt sich ein Spezialist in die Lage eines Menschen, probiert seine Gefühle und Emotionen aus, was zu neuen Erkenntnissen und Ideen führt. Das neuronale Netzwerk weiß nicht, wie das geht, daher übersehen es oft wichtige Mikromomente.
• Es gibt neuronale Netze, die Text- und Audiobeschreibungen des Erlebnisses des Testers erkennen und daraus Schlussfolgerungen ziehen. Damit verbunden ist das große Problem des unzureichenden Eintauchens in die Benutzererfahrung: Eine Person äußert ihre Gedanken, Probleme und Merkmale der Produktfunktionalität nicht immer mit ihrer Stimme, aber der Moderator wird während des Tests verschiedene Mikrointeraktionen sehen. UX-Neuronale Netze mit der Fähigkeit, Videos zu analysieren, sind noch nicht verfügbar, und andere Tools vermissen dies oft.
• KI hat nicht immer eine klare Vorstellung von dem Produkt, das wir testen. Die Tester selbst interpretieren möglicherweise einige Aspekte falsch, und da sich derselbe ChatGPT mit dem Kontext der Nachrichten befasst, kann es zu ernsthaften Verwirrungen kommen und die Antworten sind falsch.
• Daher besteht die Notwendigkeit, hinter dem neuronalen Netzwerk alle Schlussfolgerungen und Empfehlungen, die es gibt, noch einmal zu überprüfen. Andernfalls kann es zu einer sehr unangenehmen Situation kommen, wie sie dem Anwalt Stephen Schwartz passiert ist. In einem Fall baute er eine Verteidigung auf den Antworten von ChatGPT auf und erfand einfach Fälle. Ergebnis: Der Prozess richtet sich bereits gegen Schwartz selbst.
• Die Unbestimmtheit der Schlussfolgerungen. In einem Artikel I ist mir dieses Beispiel aufgefallen: AI analysierte ein UX-Testtranskript einer Website, die auf einigen Seiten über ein Filtertool verfügte. Der Tester nutzte es während der Recherche, sprach nicht laut darüber, äußerte sich jedoch zu der Notwendigkeit, einen Filter auf anderen Seiten hinzuzufügen. Die KI empfahl „Filter hinzufügen“, und die Forscher konnten anhand dieses Ratschlags nicht herausfinden, ob der Filter auf jeder Seite aktiviert werden musste oder ob für bestimmte Seiten nicht genügend Filter vorhanden waren.

All diese erheblichen Nachteile führen zu einem einfachen Gedanken: Neuronale Netze werden den Menschen für sehr, sehr lange Zeit nicht ersetzen, egal wie schnell er Fortschritte macht. Im Gegenteil: Es wird neue Berufe geben, die Fähigkeiten im Umgang mit künstlicher Intelligenz benötigen. Es wird immer mehr davon geben, und um im Trend und, wie man sagt, „im Preis“ zu bleiben, muss man aufrüsten.

Bei neuronalen Netzen sollte man nicht ins Extreme gehen – aggressives Verleugnen, wie das Eintauchen in sie mit dem Kopf, führt zu nichts Gutem. Deshalb ist es meine Entscheidung, kreative und analytische Berufe nicht zu vergraben, sondern genau hinzusehen, Freunde zu finden und zu studieren.

Was denkst du darüber? Lasst uns in den Kommentaren diskutieren.