Die Researcherin wertet mehr Interviews aus. Der Designer hat plötzlich sechs Varianten fertig, wo früher eine gereicht hat. Und der Entwickler lässt einen Agenten Code schreiben, für den er früher deutlich länger gebraucht hätte.

Eigentlich müsste das Produkt jetzt also schneller fertig werden.

Ist es aber oft nicht. Warum?

Genau dieser Frage sind wir in der letzten Folge von Digital Product Talks mit Ivonne Gassmann, Chief Products & Innovation Officer bei Hays, nachgegangen Bei Hays läuft KI schon eine ganze Weile durch die Prozesse. Die erste Euphorie ist also längst vorbei. Es geht nicht mehr nur um die Frage „Was kann das Tool?“, sondern vor allem um: Was bringt es uns im Alltag wirklich? Und Ivonne hatte darauf eine ziemlich klare Antwort.

Ein KI-Tool ist schnell gekauft. Es im Alltag wirklich zu nutzen, ist eine andere Geschichte

Ivonnes erster Punkt: Ein neues Tool einzuführen, ist meistens der einfache Teil. Man kauft es, richtet es ein, macht vielleicht noch eine Schulung – und schon kann es losgehen. Nur heißt das noch lange nicht, dass es auch wirklich im Alltag ankommt. Eine ganze Organisation dazu zu bringen, es auch zu nutzen, ist eine völlig andere Geschichte.

Nach Ivonnes Erfahrung springen etwa 40 bis 50 Prozent eines Teams ziemlich schnell auf ein neues Tool auf. Weitere 30 Prozent brauchen etwas länger, kommen aber irgendwann mit. Und dann bleibt noch ein Rest, der skeptisch bleibt.

Und ehrlich gesagt: Das ist nicht unbedingt schlecht.

Wir kennen das zum Beispiel aus Design System Projekten. Der Launch läuft super, alle sind begeistert und freuen sich, endlich eine gemeinsame Basis zu haben. Sechs Monate später baut die Hälfte des Teams wieder Screens von Grund auf. 

Warum? 

Nicht unbedingt, weil das Design System schlecht ist. Sondern weil die Dinge drumherum nicht funktioniert haben. Die Tokens werden nicht gepflegt, die Dokumentation ist irgendwann veraltet und niemand fühlt sich so richtig dafür verantwortlich.

Das System war also gar nicht das Problem. Die Gewohnheiten drumherum waren es. Und genau da wird es bei KI spannend.

Wenn jeder einzelne Schritt schneller wird, heißt das noch lange nicht, dass der ganze Prozess schneller wird

Der zweite Punkt von Ivonne ist eigentlich noch wichtiger: Viele Unternehmen setzen KI an einzelnen Stellen im Prozess ein. Research wird schneller. Design wird schneller. Entwicklung wird schneller.

Klingt erstmal ziemlich gut.

Nur was passiert zwischen diesen einzelnen Schritten? Oft bleibt dort alles beim Alten. Die Übergaben funktionieren wie vorher. Informationen werden weiter kopiert, weitergesucht oder in irgendwelchen Tools abgelegt. 

Das Ergebnis kann dann ziemlich absurd sein: Alle arbeiten schneller, aber das Projekt kommt trotzdem nicht wirklich schneller voran. Die Übergaben dazwischen bleiben so langsam, wie sie immer waren.

„Nicht in Einzelteilen denken, sondern vernetzt. Wie sieht mein Prozess aus, wo liegen die Übergabepunkte?" Ivonne Gassmann, Chief Products & Innovation Officer bei Hays

Wir kennen dieses Problem aus eigener Erfahrung. Unsere UX-Researcher:innen haben angefangen, KI für schnellere Analysen zu nutzen und das hat auch funktioniert. Die Ergebnisse waren schneller da. 

Nur landeten die Ergebnisse in einem Repository, das die Designer:innen nie geöffnet haben. 

Und wenn wir ehrlich sind: Mitten im Konzept will niemand freiwillig das Tool wechseln, ein Repository durchsuchen und nach einem bestimmten Research-Finding suchen. Also blieb die Erkenntnis dort liegen.

Die Research-Aufgaben waren schneller. Die Design-Entscheidung aber nicht.

Wir mussten deshalb nicht die Research-Aufgaben schneller machen, sondern die Übergabe besser gestalten.

Wir haben irgendwann gemerkt: Unser Problem war gar nicht die Analyse. Unser Problem war, was danach passiert. Deshalb haben wir angefangen, Research-Findings in How-Might-We-Statements zu übersetzen, mit denen sich sofort etwas anfangen lässt.

Also nicht nur: „Wir haben herausgefunden, dass Nutzer:innen X schwierig finden.“

Sondern: „Wie könnten wir es Nutzer:innen einfacher machen, X zu verstehen?“

Das ist für Designer:innen viel greifbarer. Und vor allem landet die Erkenntnis dort, wo sie gebraucht wird: direkt in der weiteren Arbeit. Kleine Änderung, großer Unterschied. Und genau solche Dinge sind oft wichtiger als das nächste KI-Tool.

Dieselbe Geschichte wiederholt sich in anderen Rollen. Entwickler:innen, die mit agentic Tools arbeiten, produzieren mehr Code. Klingt erstmal gut, nur landet dieser Code irgendwann beim Review. Und wenn das Review vorher schon der langsame Teil war, hast du jetzt einfach mehr Code, der auf seinen Review wartet.

Mehr Code heißt deswegen auch nicht automatisch schnellere Releases. Der Engpass verschiebt sich nur in Richtung Review. Wird das Review nicht neu gedacht, hat man sich lediglich eine größere Warteschlange. Ein schönes Problem, könnte man sagen. Aber wie löst man es?

KI ist deshalb nicht nur eine Tool-Frage, sondern vor allem eine Prozessfrage. Wenn ein Arbeitsschritt plötzlich fünfmal schneller ist, muss man sich anschauen, was danach passiert. 

Kann der nächste Schritt mit dem Tempo mithalten? Kommt das Ergebnis dort an, wo es gebraucht wird?  Muss jemand immer noch alles manuell übertragen? Oder wartet das Ergebnis am Ende einfach in irgendeinem Tool?

Das ist vielleicht nicht die spannendste Aufgabe. Eine neue KI-App auf einer Folie sieht natürlich besser aus. Aber genau hier entscheidet sich, ob KI am Ende wirklich etwas verändert.

Warum niemand seinen ganzen Prozess neu aufsetzen kann

Ich habe Ivonne gefragt, was sie anders machen würde, wenn sie alles über Bord werfen und komplett neu anfangen könnte. Bei null zu starten, klingt erstmal schön: kein Altsystem, um das man herumbauen muss, keine „Das machen wir schon immer so”-Lösung, die jemand im Meeting verteidigt. Man würde einfach genau das bauen, was gerade gebraucht wird.

Nur wer kann das schon? In einem Unternehmen hängt an jedem Prozess irgendetwas dran. Menschen, Systeme, Budgets, Verantwortlichkeiten – und jede Menge Gewohnheiten.

Das sagt Ivonne selbst ganz offen, der komplette Neustart bleibt ein Traum. Die eigentliche Frage lautet also: Wie bewegt man etwas in einem Unternehmen, das schon lange läuft? Wie wird man Gewohnheiten los, an die sich alle über Jahre gewöhnt haben? Ivonne spricht deshalb davon, “alte Zöpfe abzuschneiden”. Gemeint sind Gewohnheiten, die ihren Sinn längst verloren haben, aber trotzdem weiterlaufen. Und ich finde, das passt ziemlich gut.

Deshalb ist „den ganzen Prozess neu denken" oft ein nutzloser Ratschlag. Das kann sich leider niemand leisten. Was stattdessen funktioniert: sich die Punkte vornehmen, die das Team am meisten nerven und genau diese zu optimieren.

Wo wartet ständig jemand auf jemand anderen? Wo werden Informationen immer wieder kopiert? Wo landet etwas in einem Repository und wird danach nie wieder angeschaut? Wo hängt Code tagelang im Review? Genau da würde ich anfangen. Nicht alles auf einmal umbauen. Nur den Teil, der gerade wirklich weh tut.

Wo du in einem bestehenden Prozess mit KI anfangen kannst

Damit sind wir wieder bei der eigentlichen Frage: Wird das Produkt dadurch wirklich schneller fertig? Denn wenn nur ein einzelner Arbeitsschritt schneller wird, macht es für den ganzen Prozess oft gar nicht so viel aus.

Entscheidend ist, was dazwischen passiert. Wie lange dauert es zum Beispiel von einem Research-Finding bis zur Design-Entscheidung? Oder vom fertigen Design bis zum gemergten Code?

Genau an diesen Stellen geht oft mehr Zeit verloren, als man denkt.

Wenn du also ein neues KI-Tool einführen willst, schau dir nicht nur an, was das Tool schneller macht. Frag dich auch: Was passiert danach? Wer arbeitet mit dem Ergebnis weiter? Wo landet es? Und wie kommt es in den nächsten Arbeitsschritt?

Denn ein Tool zu kaufen heißt noch lange nicht, dass es im Alltag auch genutzt wird. Dafür muss es sich in die bestehende Arbeitsweise einfügen – und idealerweise ein Problem lösen, das jemand tatsächlich hat.

Du musst dafür auch nicht gleich den ganzen Prozess auf den Kopf stellen.

Such dir lieber die eine Stelle, über die sich dein Team gerade am meisten ärgert. Wo alle regelmäßig warten, suchen, kopieren oder irgendwas doppelt machen.

Fang genau da an.

Der große Neustart klingt natürlich schön. In der Realität landet er aber meistens ziemlich schnell auf der Liste der Dinge, die man „irgendwann mal machen müsste“.

Brauchst du eine zweite Meinung dazu, wo in deinem Prozess gerade Zeit verloren geht? Lass uns gerne gemeinsam draufschauen.

Die ganze Folge mit Ivonne Gassmann gibt's bei Digital Product Talks, auf Spotify oder Apple Podcasts.

‍

TL;DR

Keine Zeit? Kein Problem, hier die Zusammenfassung.

Warum liefern wir trotz KI nicht schnellere Ergebnisse? Weil KI oft einzelne Arbeitsschritte schneller macht, die Übergaben dazwischen aber gleich bleiben. Wenn ein Research-Finding weiterhin irgendwo liegen bleibt und nicht bei den Designer ankommt, bringt es wenig, dass die Research schneller fertig ist. Das Ergebnis landet einfach früher an derselben Stelle.

Was unterschätzen Unternehmen bei der KI-Einführung? Dass ein Tool einzuführen und es im Alltag wirklich zu nutzen, zwei verschiedene Dinge sind. Das Tool ist schnell eingerichtet. Schwieriger ist es, neue Gewohnheiten zu schaffen und die Menschen dafür zu gewinnen, es auch tatsächlich zu nutzen.

Was ist der häufigste Fehler bei der KI-Einführung in der Produktentwicklung? KI wird zu sehr als Tool-Thema gesehen: Wo können wir KI einsetzen? Dabei ist mindestens genauso wichtig, was danach passiert. Wie wird das Ergebnis weitergegeben? Wer arbeitet damit weiter? Und wo wartet am Ende vielleicht der nächste Engpass?

Wo fangen wir an, wenn wir nicht den ganzen Prozess neu aufsetzen können? Nicht alles auf einmal. Such dir die eine Stelle, über die sich dein Team gerade am meisten ärgert. Wo wird ständig gewartet, gesucht oder etwas doppelt gemacht? Genau dort lohnt es sich anzufangen. Der perfekte Neustart kommt wahrscheinlich sowieso nicht.