Design Thinking ist seit über zwei Jahrzehnten das Werkzeug der Wahl, wenn Organisationen komplexe, menschzentrierte Probleme lösen wollen. Künstliche Intelligenz ist seit knapp drei Jahren eine neue Art von Technologie, die unsere bisherige Art zu arbeiten komplett in Frage stellt und herausfordert, wie wir eigentlich arbeiten, denken und Entscheidungen treffen.
Was passiert, wenn beides zusammenkommt?
Meine These vorweg: Design Thinking wird durch KI nicht ersetzt. Es wird an einigen Stellen beschleunigt, um eine neue Qualitätsstufe erweitert und gleichzeitig auf die Probe gestellt. Wer das ernst nimmt, bekommt einen Innovationsprozess, der deutlich schneller läuft und trotzdem tiefer gehen kann. Wer es oberflächlich macht, produziert viele Lösungen, die Probleme nicht wirklich lösen, und nimmt damit das Potenzial aus dem Design Thinking heraus.
Und so erlebe ich den Stand von Design Thinking aktuell in Workshops und Coachings bei Mittelständlern, Startups und Forschungseinrichtungen.
Design Thinking lebt davon, drei Dinge besser zu verbinden als andere Methoden: Empathie für Nutzer:innen, divergentes Denken und iteratives Testen. Die klassischen Phasen - Empathize, Define, Ideate, Prototype und Test - sind deshalb so robust, weil sie uns zwingen, zuerst zu verstehen, bevor wir lösen.
Ein Bottleneck ist oft die Geschwindigkeit. Ein ordentlicher Design-Thinking-Prozess braucht Zeit: für User Interviews, für Synthese, für Prototypen. In der Praxis passiert genau dort das Scheitern. Teams springen, weil der Zeitdruck steigt, zu früh in die Lösung. Sie testen zu wenig. Sie bauen einen Prototypen statt mehrere.
Künstliche Intelligenz kann den Prozess an verschiedenen Stellen entweder verbessern oder schneller machen. Was man hierbei auch beachten sollte: Es gibt nicht nur die eine "KI". KI kommt in verschiedenen Formen zu uns. Die meisten kennen Large Language Models (LLMs) wie Claude, Gemini und ChatGPT. Diese Tools können wir schon bei sehr vielen Use Cases einsetzen, um bessere und schnellere Ergebnisse zu bekommen.
Empathize: Von wenigen Interviews zu Mustererkennung in großem Maßstab
Mit der Empathie-Phase fängt alles an. Wir sammeln relevante Daten unserer Zielgruppen, beobachten sie, führen Interviews mit ihnen. Wir lernen sie kennen. Interviews zu führen, sie auszuarbeiten und im Team die Erkenntnisse zu vermitteln, benötigt viel Zeit.
Wie kann uns KI hier konkret helfen? Große Sprachmodelle können Transkripte aus Stunden an Nutzer-Interviews parallel auswerten, Themen clustern, Widersprüche markieren, Zitate gruppieren.
Tools für qualitative Recherche übernehmen einen Großteil dessen, was früher eine ganze Affinity-Mapping-Session gekostet hat. Was bleibt, ist die eigentliche menschliche Arbeit: das Lesen zwischen den Zeilen, das Spüren, wo jemand eigentlich etwas anderes meint als er sagt.
Hier kommt eine deutliche Stärke von KI ins Spiel: das Auswerten und Bearbeiten von großen Datenmengen, sowie die Mustererkennung.
Define: Schärfere Problemdefinitionen durch KI-Sparring
Das Umformulieren eines diffusen Problems in eine präzise „How might we…"-Frage ist eine der unterschätztesten Disziplinen im ganzen Prozess. Eine Aufgabe, die auf den ersten Blick recht einfach erscheint, kann zu stundenlangen Diskussionen im Team führen, die die Frage aufwerfen, ob wir uns gerade die richtige Frage stellen.
Hier ist KI kein Ersatz, aber ein hervorragender Sparringspartner. Sie lässt sich füttern mit allem, was aus dem ersten Teil der Empathize-Phase gekommen ist, und liefert schnell Formulierungsvarianten, von denen das Team dann die passende auswählt, abändert oder verwirft.
Wichtig: Das Team entscheidet weiterhin. Die KI gibt Empfehlungen anhand einer datenbasierten Grundlage. Das Team ist weiterhin angehalten nachzudenken und zu diskutieren. Und schließlich zu entscheiden, was sich für sie richtig anfühlt. KI ersetzt die Entscheidung nicht, und dazu rate ich auch nicht. Denn ihr fehlt weiterhin das Einfühlungsvermögen und der Instinkt, den wir im Kontakt mit unseren Zielgruppen entwickeln.
Ideate: Groß denken, dann größer
Je nach Teamkonstellation fällt es den Leuten einfacher oder nicht so einfach, groß und über den Tellerrand zu denken. Der KI fällt das direkt sehr einfach. Wenn man ChatGPT ein paar Prompts gibt, kreative Lösungen aus verschiedenen und ausgefallenen Blickwinkeln zu erzeugen, kommen direkt viele spannende Vorschläge.
Mit KI als „zusätzlichem Teammitglied" lässt sich die Divergenzphase auf eine neue Ebene heben. Wir können hier gleichzeitig versuchen, möglichst kreative Lösungen zu finden und so auch mal schauen, ob wir die KI schlagen können. Experimente mit früheren Versionen von Large Language Models zeigen: KI-Modelle können schon sehr gut mithalten, wenn es um kreative Lösungen geht.
Eine Studie aus Nature hat dazu ein interessantes Ergebnis geliefert: Im Schnitt sind die KI-Ergebnisse kreativer als die menschlichen Vergleichsgruppen. Aber die wirklich herausragenden, besten Einzelideen kamen am Ende von Menschen. Heißt übersetzt: KI hebt das durchschnittliche Niveau, aber die wirklich starken Ausreißer nach oben produzieren wir noch selbst.
Das Prinzip „building on the shoulders of others" können wir hier anwenden. Die KI hilft uns, über den Tellerrand zu schauen. Wir als Menschen verbinden die Ergebnisse mit unserem Gespür für unsere Zielgruppe und entwerfen daraufhin die wirklich guten Lösungen. Eine starke Zusammenarbeit zwischen Mensch und KI.
Prototype: Vom Pappkarton zum funktionierenden Klick-Dummy
Das ist die Phase, in der sich am meisten verändert hat. Und zwar so tiefgreifend, dass viele Design-Thinking-Coaches noch gar nicht mitgekommen sind.
Vibe Coding, also das Bauen funktionierender Prototypen per natürlicher Sprache, verändert deutlich, wie wir Prototypen bauen und anwenden können. Was früher ein Papier-Prototyp oder ein Figma-Klickdummy war, kann heute ein echter Web-Prototyp mit funktionierender Logik sein, schnell gebaut von Menschen ohne Entwicklererfahrung. Der Test findet nicht mehr an einer Skizze statt, sondern an einer Anwendung, die sich wirklich benutzen lässt.
Die Werkzeuge dafür unterscheiden sich nur graduell: Allgemeine LLMs wie Claude, Gemini oder ChatGPT bauen auf Prompt hin kleine technische Anwendungen, interaktive Mockups und Websites. Stärker spezialisiert sind Tools wie v0 oder Lovable.
Etwas technischer, aber mit mehr Kontrolle: Cursor und Claude Code. Die qualitative Differenz im Feedback ist enorm. Nutzer:innen, die mit einem echten Prototyp interagieren, geben andere Antworten als vor einem Papier-Mockup.
Test: Schnellere Zyklen, ehrlicheres Feedback
Was macht das mit uns? Eine menschliche Eigenheit, die wir aus dem Design Thinking gut kennen, ist es, dass wir uns in unsere Ergebnisse verlieben. Wir verbringen viel Zeit damit, Prototypen zu bauen, von denen wir denken, dass es schon die Lösung sein kann. Dadurch binden wir uns immer mehr an die getane Arbeit. Kritisches Feedback prallt mehr ab, wir wollen manchmal nicht akzeptieren, dass wir damit auf einem Irrweg sind. „Kill your darlings" heißt das Erfolgsprinzip hier. Löse dich von dem, was du mühevoll aufgebaut hast, was aber in eine falsche Richtung geht.
Mit KI können wir in kurzer Zeit drei Prototypen basierend auf unserer Vorarbeit bauen. Wenn jetzt kritisches Feedback kommt, können wir es besser akzeptieren und die bisherigen Lösungen schmerzfreier anpassen.
Wenn der Prototyp in einem Nachmittag entsteht, wird auch das Testen ehrlicher. Teams scheuen sich weniger, Prototypen zu verwerfen, weil weniger Ego daran hängt. Das ist eine der unterschätzten kulturellen Konsequenzen von KI-unterstütztem Prototyping: Die Hemmschwelle, etwas wegzuwerfen, sinkt. Und damit steigt die Bereitschaft, wirklich zu lernen.
So optimistisch dieser Blick ist: In jedem zweiten Workshop erlebe ich Muster, die den Gewinn wieder zunichtemachen.
Erstens: KI ersetzt keine Empathie. Wer glaubt, er könne sich Nutzer:innen „simulieren" lassen, bekommt sauber formulierte Durchschnittswerte. Und verliert genau das, was Design Thinking interessant macht: die ungewöhnlichen Aussagen, die unerwarteten Konflikte, die echten Menschen.
Zweitens: Geschwindigkeit ist nicht gleich Qualität. Wer zehnmal schneller durch den Prozess rennt, kommt zehnmal schneller zu oberflächlichen Ergebnissen, wenn die Reflexionsphasen wegfallen. Die freigewordene Zeit muss bewusst in Synthese und Entscheidung investiert werden.
Drittens: KI klingt kompetenter, als sie ist. Sie wurde auf vielen Daten trainiert und formuliert souverän. Genau deshalb überschätzen wir leicht, wie gut die Ergebnisse wirklich sind. Ein ChatGPT-Vorschlag wirkt polierter als handgeschriebene Post-its, ist aber nicht deshalb besser. Teams müssen lernen, KI-Beiträge genauso kritisch zu behandeln wie die Aussage eines Praktikanten.
Für Organisationen, die Design Thinking schon nutzen, heißt das: Nicht den Prozess aufgeben, sondern ihn an den richtigen Stellen mit KI aufrüsten. Konkret:
In der Empathize-Phase nutzen wir Tools zum Auswerten und Recherchieren von Daten in größerem Umfang.
In der Ideate-Phase nutzen wir KI als kreativen Sparringspartner. Wir arbeiten zusammen mit ihr, um aus den gemeinsamen Ideen noch bessere zu erschaffen.
Die Prototype-Phase bekommt eine komplett neue Qualität von Umsetzbarkeit. Schnell, mehr und interaktive Prototypen sind hier die große Neuerung, mit der wir einen deutlichen Qualitätssprung schaffen können.
Die Facilitation selbst verändert sich: Coaches und Teams brauchen ein Gespür dafür, wann KI ein Beschleuniger ist und wann sie das Team daran hindert, wichtige Punkte im Prozess selbst zu erleben.
Was mich an der aktuellen Entwicklung am meisten interessiert, ist aber nicht die Beschleunigung der einzelnen Phasen. Es ist die Frage, was Design Thinking als Haltung in einer Welt bedeutet, in der Entscheidungen zunehmend von Systemen getroffen werden, die wir nicht vollständig verstehen.
Design Thinking ist im Kern eine Praxis des Verstehens vor dem Handeln. Des menschlichen Blicks vor der technischen Lösung. Je mehr KI in Produkte und Prozesse einzieht, desto wichtiger wird genau diese Haltung. Es ist wichtig zu verstehen, wo wir beschleunigen, und wo wir es bewusst lassen, um nicht die Geschwindigkeit, sondern die Qualität im Prozess zu gewährleisten.
Das Potenzial, das sich gerade öffnet, ist nicht nur, dass wir mit KI schneller designen können. Es ist, dass wir mit Design-Thinking-Prinzipien bessere Lösungen bauen können. Und das ist das deutlich interessantere Spielfeld.
Wenn du Design Thinking und KI in deinem Team zusammenbringen willst - sei es in einem Workshop, einem Coaching oder einem konkreten Innovationsprojekt -, meld dich gern direkt bei uns.
Autor: Lennart Werksnis | Design Thinking Coach und KI Experte
Willst du KI in deine Arbeit integrieren?
