Warum dieser Artikel? 

Wer sich heute mit KI beschäftigt – ob als UX-Professional, Produktmensch oder Strategin – merkt schnell: Es gibt nicht die eine künstliche Intelligenz. Stattdessen begegnen uns unterschiedliche Systeme mit völlig verschiedenen Fähigkeiten. Und noch wichtiger: mit völlig unterschiedlichem Nutzen für uns als Nutzer:innen. 

Dabei helfen Begriffe wie GenAI, RAG oder Agenten nur bedingt. Denn sie beschreiben meist technische Konzepte, keine Nutzererfahrungen. Was aber zählt, ist: 

• Was bekomme ich als Userin konkret? 

• Was kann ich abgeben – und was muss ich selbst noch leisten? 

• Wo hilft mir das System – und wo lauern Risiken? 

In diesem Artikel stelle ich fünf grundlegende KI-Systemtypen vor. Alle fünf begegnen uns – explizit oder implizit – in modernen Tools. Sie unterscheiden sich in Funktion, Nutzen und typischen UX-Szenarien. Und sie alle haben ihre Grenzen. Zeit, da mal Ordnung reinzubringen. 

1. GenAI – Wenn Kreativität auf Knopfdruck entsteht 

Der Klassiker unter den KI-Systemen: Generative AI (kurz GenAI). Du gibst einen Prompt ein – und bekommst Text, Bilder, Code oder Ideen zurück. Meist ohne Wartezeit, oft ziemlich beeindruckend. 

Was ist das? 

Ein trainiertes Sprachmodell, das auf Basis von Wahrscheinlichkeiten neue Inhalte erzeugt. Es erinnert sich nicht – es erfindet. Und zwar verdammt gut. 

Was bekommst Du? 

🟢 Ideen, erste Textfassungen, kreative Anregungen, visuelle Varianten – alles schnell, alles mit einem Prompt 

UX-Beispiele: 

• Einladungstexte für Usability-Tests generieren 

• 10 Ideen für User-Feedback-Fragen aufschreiben lassen 

• Erste Personas auf Basis von ein paar Stichworten skizzieren 

• Wireframe-Beschreibung als HTML ausgeben 

Nutzen: 

• Startpunkt für kreative oder konzeptionelle Arbeit 

• Zeitersparnis bei wiederholbaren Aufgaben (z. B. Textentwürfe) 

• Impulsgeber in stagnierenden Prozessen 

Grenzen: 

• Halluzinationen: GenAI erfindet Fakten – auch wenn’s plausibel klingt, ist’s oft falsch

• Kontextarm: Ohne präzisen Prompt gibt’s wenig brauchbaren Output 

• Stilrisiko: Viele Texte klingen gleich – „KI-Sprech“ lässt grüßen 

Fazit: Super für kreative Rohfassungen – gefährlich, wenn man’s ungeprüft übernimmt. 

2. RAG – Wenn KI weiß, was wir wissen 

Retrieval-Augmented Generation (kurz RAG) ist der Versuch, GenAI schlauer zu machen: Die KI sucht erst gezielt nach relevanten Informationen – und formuliert dann basierend darauf eine Antwort. Klingt einfach, ist aber mächtig. 

Was ist das? 

Eine Kombination aus Vektorsuche (z. B. in PDFs, Datenbanken oder Miro-Boards) und einem LLM, das diese Inhalte nutzt, statt sie zu erfinden. 

Was bekommst Du? 

🟢 Kontextbasierte, fundierte Antworten – mit direkten Bezügen zu Euren Daten, Unterlagen, Reports 

UX-Beispiele: 

• „Welche UX-Kriterien gelten für unsere MedTech-Produkte?“ → Zitat aus dem internen Standard 

• „Was wurde zum Onboarding-Flow in den letzten Interviews gesagt?“ → Textausschnitte mit Quellen 

• „Welche KPIs nutzen wir für NPS-Tracking?“ → Extrahiert aus Workshop-Doku 

Nutzen: 

• Spart Zeit bei der Informationssuche 

• Führt zu belastbareren Antworten 

• Unterstützt interne Wissensverteilung 

Grenzen: 

• Wenn die Daten schlecht sind, hilft auch RAG nicht weiter 

• Relevanz-Logik bleibt oft intransparent

• Hoher Aufwand für Datenpflege (Struktur, Aktualität, Rechte) 

Fazit: Macht große Datenmengen endlich nutzbar – solange man sie gut vorbereitet. 

3. MCP – Wenn KI mehrstufig denken kann 

Modular Conversational Pipelines (MCP) sind orchestrierte Systeme, bei denen eine Aufgabe in Teilschritte zerlegt und sequenziell verarbeitet wird. Damit kann KI plötzlich analysieren, strukturieren, gewichten – nicht nur antworten. 

Was ist das? 

Eine Kette spezialisierter KI-Module oder Prompts – z. B. „Zusammenfassen → Clustern → Priorisieren → Visualisieren“. 

Was bekommst Du? 

🟢 Logisch strukturierte Ergebnisse für komplexe, vielschichtige Aufgaben – inkl. Zwischenschritten 

UX-Beispiele: 

• Offene Interviewantworten automatisch codieren & clustern 

• Mehrsprachige Nutzerfeedbacks harmonisieren 

• Systematische Bewertung von Use Cases nach Impact und Feasibility 

• Erstellung von Benchmark-Vergleichen auf Basis von UX-Kennzahlen 

Nutzen: 

• Spart Zeit bei wiederkehrenden Auswertungen 

• Reduziert Fehler durch Standardisierung 

• Macht komplexe Datenmengen greifbar 

Grenzen: 

• Fehler im ersten Schritt können sich durchziehen

• Oft unklar, warum ein bestimmter Cluster so benannt wurde

• Bedarf guter Prozessdefinition und Promptstrategie 

Fazit: Ideal für strukturierte Denkprozesse – vorausgesetzt, man kontrolliert die Zwischenschritte. 

4. Function Calling – Wenn KI gezielt Werkzeuge nutzt 

Eine oft übersehene, aber extrem praktische Kategorie: Tool-Enhanced Prompts oder Function Calling. Hier ruft die KI gezielt vordefinierte Funktionen oder APIs auf – und kombiniert menschliche Sprache mit konkreter Logik. 

Was ist das? 

Die KI übergibt Aufgaben an ein externes Modul – z. B. einen Taschenrechner, eine Wetter-API, ein Excel-Plugin oder ein Kalendersystem. 

Was bekommst Du? 

🟢 Antworten, die auf aktuellen, exakten Daten oder Funktionen basieren – kein Ratespiel, kein Halluzinieren 

UX-Beispiele: 

• „Wie viele Proband:innen hatten wir im März?“ → API-Aufruf ins CRM 

• „Berechne den Mittelwert dieser UX-Scores“ → Excel-Funktion im Hintergrund 

• „Zeige mir offene Terminfenster nächste Woche“ → Zugriff auf Kalenderdaten 

• „Gib mir Live-Nutzerzahlen aus Google Analytics“ → direkte Integration 

Nutzen: 

• Verbindet Sprach-KI mit echtem Funktionieren 

• Bietet präzise, datenbasierte Antworten 

• Ermöglicht Automatisierung von Standardprozessen 

Grenzen: 

• Muss explizit angebunden und definiert werden – kein Selbstläufer

• Funktioniert nur, wenn Permissions, Formate & APIs sauber konfiguriert sind

• Wenig Spielraum – keine kreative Eigenleistung der KI 

Fazit: Perfekt, wenn es auf Richtigkeit ankommt – aber kein Ersatz für Denken oder Deuten. 

5. Agenten – Wenn KI wirklich etwas für uns tut 

Die Königsdisziplin: KI-Agenten. Sie handeln selbstständig, führen Schritte aus, nutzen Tools, fragen zurück – und liefern oft ein Ergebnis, nicht nur eine Antwort. 

Was ist das? 

Ein (halb-)autonomer Assistent, der Aufgaben plant, Entscheidungen trifft, Tools nutzt – ohne dass jede Aktion einzeln gepromptet werden muss. 

Was bekommst Du? 

🟢 Ergebnisse, keine Vorschläge. Die KI übernimmt – und meldet sich zurück, wenn sie etwas braucht. 

UX-Beispiele: 

• Erstellung einer vollständigen Slide-Deck-Zusammenfassung auf Basis einer Studie 

• Zusammenführung von Nutzerfeedback + Metriken + Protokollen in eine Journey Map 

• Planung eines UX-Workshops mit Methodenvorschlägen, Dauer, Agenda, Teilnehmerlogik 

• Ableitung von Handlungsempfehlungen aus qualitativen und quantitativen Daten 

Nutzen: 

• Entlastung von Routinen und Multi-Step-Aufgaben 

• Bessere Fokussierung auf Analyse & Strategie 

• Interaktion fühlt sich eher wie ein Projektpartner an 

Grenzen: 

• Hoher Kontrollverlust – was passiert da eigentlich?

• Entscheidungen sind oft nicht transparent oder erklärbar

• Fehlerpotenzial durch „falsche“ Annahmen oder schlechte Tool-Ausführung 

Fazit: Extrem mächtig – aber mit Vorsicht zu genießen. Verantwortung bleibt beim Menschen. 

Fazit: Was passt wann? 

Es geht nicht darum, welches System „am besten“ ist. Es geht darum, was zu welchem Problem passt. 

• Du brauchst Ideen? → GenAI 

• Du suchst intern verteiltes Wissen? → RAG 

• Du willst Daten systematisch auswerten? → MCP 

• Du brauchst exakte Zahlen oder Echtzeitdaten? → Function Calling 

• Du willst eine ganze Aufgabe abgeben? → Agent 

💡 Die eigentliche Magie entsteht oft in Kombination: Ein RAG-System holt Inhalte, ein MCP strukturiert sie, ein Agent bereitet sie auf – und Function Calls sorgen dafür, dass die Daten auch stimmen. 

Und genau deshalb lohnt sich der differenzierte Blick. Nicht nur, weil es technologische Unterschiede gibt – sondern weil wir als Nutzer:innen dann besser entscheiden können: 

→ Wofür nutze ich welche KI? 

→ Und wo bleibe ich besser selbst am Steuer?