Sie sind in einer hervorragenden Position, um umsatzstarke Möglichkeiten für KI zu finden. Sie können sowohl die technische Machbarkeit einer Idee als auch ihre Auswirkungen auf die User Experience bewerten. Diese beiden Perspektiven müssen zusammenkommen, damit KI-Funktionen erfolgreich sind. Sie sollten KI-Funktionen nicht entwickeln, weil sie neu oder beeindruckend sind, sondern weil sie das Leben der Nutzer wirklich einfacher, schneller oder angenehmer machen.
In diesem Modul wird eine strukturierte, iterative Methode zum Entwickeln, Spezifizieren und Prototyping von KI-Anwendungsfällen in Ihrem Produkt beschrieben.
Vorteile von KI
Im folgenden Baumdiagramm sind die wichtigsten Kategorien von Vorteilen aufgeführt, die KI bieten kann:
Wir haben Kategorien von Werten aufgelistet, die Ihnen bei der Entwicklung Ihrer Lösungen helfen können. Wenn Sie die Liste durchgehen, nehmen Komplexität, Risiko und potenzielle Auswirkungen auf die Nutzer in der Regel zu:
- Statistiken: Treffen Sie fundiertere Entscheidungen.
- Komfort: Umständliche Abläufe vereinfachen.
- Automatisierung: Wiederholende Aufgaben ersetzen.
- Augmentation: Nutzer bei komplexen oder kreativen Aufgaben unterstützen.
- Personalisierung: Das Produkt an die Bedürfnisse und Vorlieben einer Person anpassen.
Beginnen Sie mit Anwendungsfällen mit geringeren Auswirkungen. So können Sie beispielsweise mit einem internen KI-System bessere Produktinformationen sammeln, um Ihr Produkt zu optimieren. Prüfen Sie dann Ihre bestehenden UX-Schulden und nutzen Sie KI, um Reibung und kognitive Belastung für Ihre Nutzer zu reduzieren. Wenn Sie mehr Vertrauen und Erfahrung gewinnen, können Sie sich komplexeren Anwendungsfällen zuwenden und die KI-Nutzung steigern.
Sie werden aber vielleicht auch auf Möglichkeiten mit großer Wirkung stoßen, z. B. leichte Personalisierungen, die überraschend zugänglich, risikoarm und sinnvoll sind.
Chancen für Ihr Produkt erkennen
Um die richtige Idee zu finden, sollten Sie wissen, wer Ihre Nutzer sind. Arbeiten Sie mit Ihrem UX-Team zusammen oder frischen Sie Ihr Wissen über Personas auf, um zu definieren, wer diese Nutzer sind. Gehen Sie nutzerorientiert vor und ordnen Sie die KI-Möglichkeiten, die Sie finden, konkreten Anwendungsfällen für Ihr Produkt zu.
Beispiele:
- Sie werden durch explizite Nutzeranforderungen oder Probleme motiviert.
- Vorschläge von Ihren Teammitgliedern oder von Ihnen selbst. In diesem Fall ist eine schnelle Validierung durch Nutzer unerlässlich, um die Falle „KI um der KI willen“ zu vermeiden.
- Lassen Sie sich von Mitbewerbern inspirieren, aber gehen Sie dabei mit Bedacht vor. Die Zielgruppe und der Kontext Ihrer Mitbewerber können sich von Ihren unterscheiden. Führen Sie frühzeitig Tests durch, um herauszufinden, ob erfolgreiche Initiativen von Mitbewerbern auf Ihr Produkt übertragen werden können.
Die folgende Tabelle enthält beispielsweise Ideen für eine Website zur Flugbuchung:
In jedem Schritt der User Journey können Sie verschiedene Möglichkeiten identifizieren, mit KI einen Mehrwert zu schaffen.
Lösung gestalten
Sie haben jetzt mehrere KI-Ideen entlang Ihrer User Journey abgebildet. Im nächsten Schritt müssen Sie die Ideen konkretisieren und so viel Vertrauen in sie gewinnen, dass Sie entscheiden können, welche Sie zuerst umsetzen möchten. Das ist Teamarbeit und wird in der Regel vom Produktmanager vorangetrieben. Als Entwickler sind Sie in erster Linie dafür verantwortlich, die Kosten, den Aufwand und die Risiken der geplanten KI-Lösung zu schätzen.
Ideen konkretisieren
Erfassen Sie zuerst jede Idee in einer kurzen, ganzheitlichen Spezifikation. Sie können dazu die KI-System-Blaupause aus unserer Einführung verwenden. In der Regel konzentrieren sich Entwickler auf den Lösungsteil, während die Gelegenheit vom Produktmanager angegeben wird. Diese Übung bietet allen eine gemeinsame Grundlage für die Abstimmung und Diskussion, bevor es weitergeht.
Aufwand und Kosten schätzen
Als Nächstes sollten Sie bewerten, wie schwierig die Umsetzung Ihrer Idee ist. Das Hinzufügen von Smart-Filtern erfordert beispielsweise möglicherweise nur das promptbasierte Parsen mit einer LLM-API. Das Prototyping und Ausführen ist schnell und die Anpassung ist einfacher. Ein personalisierter Buchungsassistent würde dagegen benutzerdefinierte Datenpipelines, Buchungs-APIs und sorgfältige Human-in-the-Loop-Mechanismen erfordern, was einen viel größeren Aufwand bedeutet.
Berücksichtigen Sie Aufwand und Kosten in mehreren Dimensionen:
- Datenverfügbarkeit: Sind die benötigten Daten bereits vorhanden? Wie viel Bereinigung, Vorverarbeitung oder Labeling ist erforderlich, damit die Daten für KI geeignet sind?
- Modellreife: Gibt es bereits ein geeignetes vortrainiertes Modell oder müssen Sie eines von Grund auf trainieren?
- Latenz: Wie schnell sollte das Modell reagieren, damit sich die Funktion nahtlos und hilfreich anfühlt?
- Komplexität der Einbindung: Wie viele Systeme müssen verbunden werden? Gibt es ein Backend, APIs, eine Benutzeroberfläche oder Drittanbieter-Tools? Je mehr Touchpoints, desto höher die Kosten und das Risiko.
- Betriebskosten: Wie teuer ist jeder Modellaufruf oder jede Inferenz? Schätzen Sie die monatliche Nutzung und das Budget für die Skalierung. Eine Funktion, die in der Prototyp-Phase „günstig“ ist, kann teuer werden, wenn Tausende von Nutzern sie verwenden.
Berücksichtigen Sie die versteckten Kosten für den Nutzer. KI kann zu Unsicherheit und regelmäßigen Fehlern in Ihrem Produkt führen. Bei clientseitiger KI werden Funktionen auf dem Gerät eines Nutzers ausgeführt. Das verbraucht Bandbreite, Speicherplatz und Energie. Die Funktion muss so wertvoll sein, dass Nutzer bereit sind, dafür zu bezahlen.
Wenn Sie den Aufwand frühzeitig einschätzen, können Sie sich auf gewinnbringende, unkomplizierte Maßnahmen konzentrieren und komplexere Ideen aufschieben, bis Ihre Daten, Infrastruktur und Erfahrung ausgereift sind.
Fehlermodi schätzen
Manchmal macht das Modell Fehler und Funktionen funktionieren nicht wie erwartet. Sie müssen Ihren Nutzern mitteilen, was passiert ist und wo der Fehler aufgetreten ist, damit sie wissen, ob sie ihre Eingabe ändern können, um die gewünschten Ergebnisse zu erhalten.
Angenommen, Sie betreiben ein Reisebüro. Ihr Unternehmen möchte Reisenden personalisierte Inspirationen bieten. Ihre Nutzer haben nach einem Tool gefragt, mit dem sie das selbst tun können, und Ihr Produktteam drängt auf die Implementierung. Sie wissen jedoch, dass für die Personalisierung viele Signale von Nutzern zu ihren Interessen erforderlich sind, und Sie haben keine Datenbank eingerichtet, in der solche Signale erfasst werden. Das führt zu einer erfolglosen Personalisierung mit irrelevanten Inspirationen, was dazu führt, dass Nutzer die Funktion nicht mehr verwenden. Ihr Verständnis der Verfügbarkeit personalisierter Daten sollte die Wertschätzung Ihres Teams beeinflusst haben.
Hier sind weitere kritische KI-Fehlermodi, die berücksichtigt werden sollten:
- Halluzination: Das Modell generiert Ausgaben, die plausibel erscheinen, aber nicht real sind (z. B. einen Flug, den es nicht gibt).
- Bias: Das Modell zeigt oder verstärkt unfaire Verallgemeinerungen auf Grundlage der Trainingsdaten, was zu diskriminierenden oder ungleichen Ergebnissen führt. Das Modell könnte beispielsweise davon ausgehen, dass Nutzer je nach ihrem wahrgenommenen Geschlecht oder ihrer wahrgenommenen ethnischen Herkunft First-Class-Flüge oder Economy-Flüge buchen möchten.
- Kaltstartproblem: Das System kann aufgrund fehlender Anfangsdaten keinen Wert für neue Nutzer oder Elemente liefern, wie im Beispiel für das personalisierte Reiseplanungstool gezeigt.
- Leistungsbeeinträchtigung: Die Genauigkeit des Modells nimmt im Laufe der Zeit ab, da sich die realen Daten weiterentwickeln und sich von der ursprünglichen Verteilung entfernen. Dies wird auch als Model Drift bezeichnet.
Prototyp
Ihre Angaben zu Kosten, Aufwand und Fehlermodi sind anfangs möglicherweise nicht sehr genau. Die beste Methode, um Vertrauen zu gewinnen, ist, ein Prototyp für die jeweilige KI-Funktion zu erstellen. Mit Prototyping können Sie schnell wichtige technische Annahmen (Datenbereitschaft, Latenz, Genauigkeit) testen, bevor Sie sich für die vollständige Entwicklung entscheiden. Gerade bei einer neuen, noch nicht vollständig erforschten Technologie wie KI lernt man schneller durch die Entwicklung als durch Recherche und Analyse.
Mit KI-gestützten Tools zur Code-Generierung wie Vertex AI und Replit können Sie den Prototyping-Prozess erheblich beschleunigen und das Risiko verringern.
Gehen Sie so vor: Stellen Sie etwas Kleines bereit, beobachten Sie, wie es sich verhält, und optimieren Sie es kontinuierlich.
Wir empfehlen folgende Best Practices:
- End-to-End-Lösungen frühzeitig entwickeln: Testen Sie den gesamten Ablauf, wie in Ihrem KI-System-Blueprint definiert (Daten, Intelligenz, Nutzererfahrung), nicht nur die Modellgenauigkeit. Dieser Build sollte alle Aspekte der Nutzererfahrung mit KI widerspiegeln, muss aber nicht alle Anwendungsfunktionen enthalten.
- Mit Tastenkombinationen beginnen APIs und vortrainierte Modelle verwenden, um schnell den Wert zu validieren.
- Alles protokollieren: Eingaben, Ausgaben und Nutzerbearbeitungen im Blick behalten, um häufige Fehler zu erkennen und potenzielle Showstopper zu bewerten.
- Mit echten Daten testen: Bei ersten Tests sollte das natürliche, unordentliche Nutzerverhalten erfasst werden.
- Feedback- und Kontrollmechanismen hinzufügen: Nutzern das Melden von Fehlern oder Anpassen von Ausgaben erleichtern und ihnen die Möglichkeit geben, Ergebnisse zu bestätigen oder zu korrigieren.
In den meisten Fällen erfolgt die Prototypenentwicklung parallel zur Bewertung und Spezifikationsarbeit.
Wichtige Erkenntnisse
Sie haben gelernt, wie Sie abstraktes KI-Potenzial in konkrete, hochwertige Produktideen umwandeln. Als Entwickler liegt Ihr Vorteil darin, technische Machbarkeit mit Nutzerfreundlichkeit zu verbinden. Sie haben erfahren, wie KI in verschiedenen Kategorien einen Mehrwert schaffen kann, diese Möglichkeiten dem Nutzerpfad Ihres Produkts zugeordnet und gelernt, wie Sie sie mithilfe strukturierter Frameworks spezifizieren, bewerten und priorisieren.
KI kann nur durch ständige Iteration erfolgreich sein. Bringen Sie Produkte früh auf den Markt, hören Sie auf Ihre Nutzer, beobachten Sie sie und optimieren Sie schnell. Jeder Prototyp ist ein Schritt, um zu verstehen, wie KI den Wert und die Attraktivität Ihres Produkts steigern kann.
Ressourcen
- KI-Anwendungsfälle richtig ermitteln: Leitfaden für die Ideenfindung, Validierung und Priorisierung von KI-Anwendungsfällen.
- AI Radar ist ein Tool zur Ermittlung und Entscheidungsunterstützung, mit dem sich branchenübergreifend Anwendungsfälle identifizieren und priorisieren lassen.
Wissen testen
Welche Kategorie von KI-Möglichkeiten umfasst die Unterstützung von Nutzern bei komplexen oder kreativen Aufgaben?
Was ist mit „Integrationskomplexität“ gemeint, wenn der Aufwand und die Kosten einer KI-Idee bewertet werden?
Was ist das Kaltstartproblem im Kontext von KI-Fehlermodi?
Welche Denkweise wird für das Prototyping von KI-Funktionen empfohlen?
Warum ist es wichtig, beim Prototyping ein Protokoll zu führen?