Was ich bewegt habe.

Microsoft Copilot, Google Gemini, NotebookLM, Claude und ChatGPT decken unterschiedliche Stärken ab. Copilot und Gemini liefern ihren Mehrwert dort, wo sie tief in bestehende Workflows eingebettet sind: Meetings zusammenfassen, E-Mails priorisieren, Präsentationen aus Dokumenten generieren. NotebookLM löst ein spezifisches, aber häufiges Problem: das Verstehen und Verbinden grosser Dokumentmengen ohne Keyword-Suche. Claude überzeugt bei komplexen Analyse- und Schreibaufgaben mit dem grössten Kontextfenster unter den fünf Tools. ChatGPT ist das meistgenutzte AI-Tool weltweit, mit dem niedrigsten Onboarding-Aufwand und, in der Enterprise-Variante, mit Datenschutz-Garantien für den Unternehmenseinsatz. Kein Tool deckt alles ab. Die wichtigste Entscheidung ist nicht die Lizenzwahl, sondern die Frage, welches Tool zu welcher Aufgabe passt.

Unabhängige Forschung zeichnet ein differenziertes Bild. Die Feldstudie von Harvard Business School und BCG mit 758 Beratern zeigt: AI steigert Produktivität messbar, aber ausschliesslich innerhalb einer sogenannten Jagged Frontier, dem Bereich in dem AI tatsächlich kompetent ist. Ausserhalb dieser Grenze verschlechtert sich die Performance. Das NBER Working Paper von Brynjolfsson, Li und Raymond (MIT/Stanford, 2023) belegt: Unerfahrene Mitarbeitende profitieren am stärksten (+35 Prozent), Top-Performer kaum. AI ist damit kein gleichmässiger Leistungsverstärker, sondern ein Ausgleichsinstrument mit präzisen Wirkungsgrenzen. Ein dritter Befund kommt dazu: 40 Prozent der Nutzenden erhalten monatlich plausibel klingende, aber faktisch falsche AI-Outputs (Microsoft Research 2025). Wer das nicht erkennt, verliert den Zeitgewinn. AI-Kompetenz ist damit nicht optional, sondern Voraussetzung für jeden messbaren Nutzen.

Zentrale Erkenntnis: Wer AI Tools einführt ohne Governance, Schulung und Aufgabenpassung zu klären, kauft Lizenzen, keine Produktivität.

Viele Unternehmen starten mit AI als Assistenz, weil es sich vertraut anfühlt. Die AI schlägt vor, der Mensch entscheidet. Das ist sinnvoll. Aber der eigentliche Wert entsteht, wenn AI Unterstützung in echte Automatisierung übergeht, mit AI Systemen, die nicht nur empfehlen, sondern handeln. Der Übergang von Augmented AI über regelbasierte Automatisierung hin zu Agentic AI ist keine technische Entscheidung, sondern eine Frage nach Risiko und Vertrauen. Wie viel Fehler sind in welchem Kontext akzeptabel? Wer trägt die Verantwortung, wenn ein autonomes System eine falsche Entscheidung trifft?

Die Antwort liegt nicht im besseren Modell, sondern in der Architektur. Confidence Scoring, Guardrails, Fallback Strategien und echtes Human in the Loop Design für Ausnahmefälle. Aus UX Sicht kommt dazu: Nutzer dürfen weder blind vertrauen noch das System ignorieren. Automation Bias ist ein reales Risiko. Aus Business Sicht gilt: AI Automatisierung ist kein IT Projekt, sondern ein Prozess und Kulturprojekt. Unternehmen, die nur in Technologie investieren und Governance, Change Management und Nutzererfahrung vernachlässigen, erhalten teure Piloten ohne Skalierung.

Zentrale Erkenntnis: Der Reifegrad eines Unternehmens zeigt sich nicht darin, ob es AI einsetzt, sondern ob es weiss, wo die Grenzen der Automatisierung liegen, und diese bewusst gesetzt hat.

Wenn Organisationen AI-Projekte starten, beginnt das Gespräch meistens bei der Technologie: welches Modell, welche Plattform, welcher Anbieter. Das ist ein wichtiger, aber nur ein Teilaspekt. In meiner Arbeit mit acht GenAI-Initiativen bei AXA Schweiz hat sich gezeigt: Technologische Entscheidungen entfalten ihre Wirkung erst, wenn Verantwortlichkeiten klar sind, Daten sauber aufbereitet sind, und die Menschen die das System nutzen sollen, von Anfang an mitgedacht werden.

Vier Dimensionen prägen den Projekterfolg. Erstens: Klare Ownership. AI-Initiativen brauchen eine verantwortliche Person die Technologie, Business und Nutzerperspektive gleichermassen im Blick hat. Zweitens: Datenstrategie. Die Qualität der Daten entscheidet oft mehr über den Projekterfolg als die Wahl des Modells. Drittens: Frühe Einbindung der Nutzenden. Wer früh versteht wie das System in den Arbeitsalltag passt, kann es so gestalten dass es auch wirklich genutzt wird. Viertens: Adoption als Erfolgskriterium. Go-live ist der Anfang, nicht das Ziel.

Was den Unterschied macht: Adoption nicht am Ende, sondern von Anfang an als Gestaltungsparameter mitdenken. Wer muss seine Arbeitsroutine anpassen? Was braucht diese Person dafür? Diese Fragen gehören ins Projektbriefing, nicht in einen Change-Plan sechs Monate später.

Als direkte Antwort auf diese Erkenntnisse habe ich das WIN Framework entwickelt, ein strukturiertes Modell, das Teams hilft, Nutzen, Einbettung und Akzeptanz zu prüfen, bevor sie skalieren. Mehr dazu in Projekt 06.

Zentrale Erkenntnis: Erfolgreiche AI-Projekte entstehen dort, wo Technologie, Business und Customer Experience gleichzeitig und im Gleichgewicht vorangebracht werden.

65 Prozent der befragten Organisationen nutzen generative AI. Nur 7 Prozent tun dies breitflächig. Die Lücke zwischen Experimentieren und echter organisationaler Wirkung ist enorm, und hat sich seit 2021, also noch vor GenAI, kaum verändert. Der Anteil der Daten-Überflieger blieb bei 12 Prozent nahezu unverändert (2021: 13 Prozent). Mehr Technologie hat nicht automatisch zu besseren Ergebnissen geführt.

Die Studie nennt die drei grössten Hindernisse bei der AI-Skalierung: Qualifikationslücken (45 Prozent), fragmentierte Infrastruktur (41 Prozent) und regulatorische Unsicherheit (35 Prozent). Was alle drei eint: Es sind keine Technologieprobleme. Es sind organisatorische. Getrennte Governance-Modelle für Daten und AI, fehlende einheitliche Plattformen, unterschiedliche ROI-Messung, das sind die eigentlichen Blocker. Was Projekt 03 aus der Praxiserfahrung beschreibt, bestätigt diese Studie mit Zahlen aus allen Branchen.

Agentic AI fügt dieser Situation eine neue Dimension hinzu: 19 Prozent der Unternehmen setzen sie bereits ein, 68 Prozent planen Investitionen innert zwei Jahren. Die führenden Organisationen, jene mit hoher Datenkompetenz, liegen schon bei 46 Prozent. Der Abstand zwischen Vorreitern und dem Rest wächst. Was Projekt 05 als nächste Welle beschreibt, ist für die fähigsten Organisationen bereits Realität. Die Herausforderung besteht nicht darin, auf die Technologie zu warten. Sie besteht darin, die organisatorische Fähigkeit aufzubauen, sie zu nutzen.

Zentrale Erkenntnis: Der Engpass in der AI Transformation ist nicht die Technologie. Es ist Governance, Ownership und Adoption, genau da, wo meine Arbeit als AI Transformation Leader beginnt.

Wer die vollständige Studie lesen möchte: Der MIT Technology Review und Databricks Bericht steht hier zum Download bereit. Studie herunterladen

Drei Trends laufen gerade zusammen. Agentic AI Systeme antworten nicht mehr nur, sie planen, handeln und steuern andere Systeme eigenständig. Multimodal AI verarbeitet Text, Bild, Sprache und Video gleichzeitig und macht Interaktion für völlig neue Nutzergruppen zugänglich. Und autonome Entscheidungen bedeutet AI, die ohne menschliche Freigabe im Einzelfall agiert, Kreditlimits anpasst, Ressourcen disponiert, Angebote verschickt. Alle drei kommen bereits in Enterprise-Umgebungen an und verändern, wie Organisationen über Verantwortung, Prozesse und Führung denken müssen.

Die Herausforderung ist nicht technologisch. Die Modelle existieren, die Plattformen sind bereit. Die Herausforderung ist organisatorisch. Wer trägt Verantwortung, wenn ein Agent einen Fehler macht? Welche Entscheidungsklassen delegiert die Organisation an AI, welche bleiben beim Menschen? Wie baut man Vertrauen bei Mitarbeitenden auf, die Systeme nutzen sollen, die eigenständig handeln? Diese Fragen lassen sich nicht nachträglich in einem Change-Plan beantworten. Sie gehören in die Architektur jeder Initiative.

Was es jetzt braucht: Governance vor dem Rollout, nicht danach. Klare Ownership für jeden Agenten und jede automatisierte Entscheidung. Adoption als Gestaltungsparameter vom ersten Tag an. Und Führung, die versteht, was es bedeutet, Entscheidungen an ein System zu delegieren, und genau dafür Verantwortung übernimmt.

Zentrale Erkenntnis: Der Shift von AI, die assistiert, zu AI, die handelt, ist kein technisches Upgrade. Es ist eine strukturelle Transformation der Art, wie Organisationen entscheiden, operieren und führen.

Auf Grundlage der Erhebung entwickelte und implementierte ich acht zentrale UX-Standards für konsistente Methoden in Nutzerforschung, Design und Validierung. Parallel wurde eine formale Governance-Struktur mit klar definierten Verantwortlichkeiten, Entscheidungsprozessen und datenbasierten Review-Mechanismen etabliert. Die Organisationsstruktur der UX-Teams wurde optimiert, Schnittstellen zu Produkt, IT und Fachbereichen gestärkt sowie Cross-Functional Collaboration gefördert. Unser Ziel: UX systematisch in Produkte, Services und Produktteams zu integrieren, Entscheidungen werden zukünftig nachvollziehbar auf Basis von Nutzerdaten getroffen.

Digitale Journeys bei AXA entstehen teamübergreifend, wir haben die Grundlage geschaffen, um sie erstmals systematisch aus Nutzerperspektive zu messen. Gemeinsam im UX Team haben wir das UX-KPI Tracking aufgebaut: von der Definition relevanter Metriken über die manuelle Datenerhebung via Google Looker Studio bis zur Analyse erster Erkenntnisse. Die Pilotjourney, die Intertours Schadenmeldung, zeigt exemplarisch, was möglich ist: rund 18'640 Sessions, eine Conversion Rate von 41.2% und ein kritischer Absprung von 37.8% beim Screen «Auswahl Grund». Zahlen allein erklären jedoch nicht, warum Nutzer abspringen, dafür braucht es die qualitative Perspektive. Erst das Zusammenspiel aus quantitativen Daten, qualitativer Forschung und mehreren Messmethoden ergibt ein vollständiges Bild und führt zu Optimierungen, die wirklich wirken. Was dabei ebenfalls sichtbar wird: Datengetriebenes UX setzt voraus, dass Tracking von Anfang an mitgedacht wird, nicht als Nachgang, sondern als integraler Teil jeder Journey.

Die genannten Zahlen sind exemplarisch und dienen der Veranschaulichung.

Das zentrale Learning: Wie ein Nutzer mit Chat, Voice oder Telefon interagiert, ist extrem situativ abhängig, und lässt sich im Labor kaum realistisch abbilden. Eine Panne oder ein Schaden ist keine neutrale Situation. Der Nutzer ist gestresst, unter Zeitdruck, vielleicht draussen im Regen. Unter Laborbedingungen verhält er sich anders als in diesem Moment. Das interaktive MVP wurde in zwei Szenarien getestet und kam mehrheitlich sehr gut an, aber die eigentliche Frage bleibt offen: Wie verhält sich Vertrauen in einen Agenten, wenn die Situation wirklich emotional ist?

Zentrale Erkenntnis: Agentic AI in emotionalen Kundenmomenten braucht nicht nur gutes Design, sie braucht Tests unter realen Bedingungen. Das Labor reicht nicht.

Als Mentor im UX Switzerland Mentoring-Programm begleite ich junge Berufsleute bereits zum zweiten Mal in Folge, mit persönlichem Coaching, praxisnahen Antworten auf ihre Fragestellungen und dem Rückhalt, den man zu Beginn einer UX-Karriere braucht. Denselben Ansatz lebe ich auch innerhalb der AXA: Im direkten Austausch mit Berufskollegen schaffe ich Lern- und Wachstumsräume, teile Methoden aus meiner Arbeit als UX Stratege, und helfe so, UX-Kompetenz im Unternehmen nachhaltig zu verankern.

Zentrale Erkenntnis: Starke Fachgemeinschaften entstehen durch engagierte Einzelne. Mentoring ist keine Pflicht, sondern eine Haltung.

Als Head UX bei AXA nahm ich am zweitägigen internationalen Summit in Brüssel teil, der UX-Fachleute aus dem gesamten Konzern zusammenbrachte. Im Zentrum stand die Frage, wie agentische AI-Systeme, sogenannte Agentic Experiences (AX), menschliches Verhalten grundlegend verändern und damit die Rolle von UX Designern neu definieren: weg vom Gestalten von Screens, hin zum Aufbau vertrauenswürdiger Mensch-Maschine-Beziehungen. Die zentralen Leitprinzipien dieser neuen Designdisziplin, Transparenz, Konsistenz und Empathie, bildeten die Grundlage für den fachlichen Austausch und die gemeinsame Entwicklung einer zukunftsorientierten UX-Vision innerhalb von AXA.

Generische AI-Tools kennen keinen Kontext. Jedes Gespräch beginnt bei null. Als Antwort darauf habe ich einen Assistenten aufgebaut, der meinen Arbeitsalltag wirklich kennt: meine Rolle bei AXA, meine Stakeholder, laufende Initiativen und eine kuratierte Wissensbasis von NNGroup bis Kahneman, von Gartner bis McKinsey Design. Im Alltag bedeutet das: Stakeholder-Dokumente entstehen im richtigen Framing, UX-Frameworks werden direkt in Business-Sprache übersetzt, LinkedIn-Posts und Portfolio-Cases folgen meiner Struktur, ohne dass ich jedes Mal von vorne erklären muss, wer ich bin und wie ich denke. Der Assistent macht dort weiter, wo das letzte Gespräch aufgehört hat. Das spart nicht nur Zeit, es erhöht die Qualität jeder Entscheidung, die ich vorbereite.

Als Mitarbeitender einer Versicherung unterliege ich strengen Datensicherheitsstandards, sensible Unternehmensdaten fliessen nicht in den Assistenten ein. Die Wissensbasis basiert ausschliesslich auf anonymisierten Testdaten, öffentlich zugänglichen Quellen und meinem eigenen fachlichen Rahmenwerk.

Viele AI-Assistenten werden als technisches Tool implementiert, ohne bewusste Entscheidung darüber, wie sie klingen, reagieren und Grenzen setzen. Das Ergebnis sind Assistenten, die funktionieren, aber keine Persönlichkeit haben. Und keine Marke transportieren.

Ich habe meinen persönlichen Assistenten nach einem 5-Layer-Framework aufgebaut: Brand Voice, Conversational UX, Personality, Governance and Interaction Principles. Zusammen definieren sie nicht nur, was der Assistent tut, sondern wie er denkt, spricht und mit Unsicherheit umgeht. Das sind die Schichten, die aus einem generischen Tool ein kohärentes Werkzeug machen.

Die gleiche Frage stellt sich für mich bei AXA Schweiz im grösseren Masstab: Wie interagieren AI-gestützte Assistenten im Einklang mit den AXA Brand Values mit Kunden? Ton, Haltung und Reaktionsmuster entscheiden darüber, ob Kunden einem System vertrauen, oder es meiden. Das 5-Layer-Framework gibt eine strukturierte Antwort darauf: nicht als technische Blaupause, sondern als strategische Grundlage für bewusstes AI-Design.

Als Peter Steinberger Anfang 2026 OpenClaw an OpenAI verkaufte, wurde sichtbar, wohin die Entwicklung geht. Sein persönlicher AI-Agent mit persistentem Memory zeigt, was Agentic AI konkret bedeutet: AI die nicht nur antwortet, sondern über Zeit lernt, selbstständig handelt und sich erinnert. Statt das nur zu beobachten, baute ich einen SessionEnd Hook in Claude Code, der am Ende jeder Arbeitssession automatisch die wichtigsten Erkenntnisse extrahiert und in ein persönliches Memory-System schreibt. Durch diesen Selbstversuch beginne ich zu verstehen, wie Agentic AI die Beziehung zwischen Mensch und Maschine grundlegend verändert.

Was ich dabei gelernt habe: Persistentes Memory verändert die Beziehung zur AI grundlegend. Im Selbstversuch wurde schnell klar, ich nutze das System, ohne immer zu verstehen was es genau tut und warum. Genau das ist die eigentliche UX-Frage: Wie gestalten wir AI-Systeme so, dass Nutzer nicht blind vertrauen müssen? Ansätze gibt es, bessere Erklärbarkeit von AI-Entscheidungen, transparentere Interfaces, mehr Kontrolle für Nutzer. Wie man das konkret und nutzbar gestaltet, ist eine offene Frage, die mich aktuell beschäftigt.

Dabei ist mir bewusst geworden: Memory ist nur der Anfang. Agentic AI geht weit darüber hinaus, ein Agent plant selbstständig, zerlegt Aufgaben in Schritte und handelt autonom. Ich habe mit diesem Selbstversuch einen ersten Teilaspekt erkundet. In den nächsten Wochen und Monaten werde ich das Gebiet weiter erforschen, was autonomes Handeln für Nutzer bedeutet, welche neuen Vertrauensfragen entstehen und wie UX darauf antworten muss.

Zentrale Erkenntnis: Die beste Methode, um AI-Nutzererfahrungen zu verstehen, ist manchmal, sie selbst zu bauen.

Aus der Arbeit mit acht GenAI-Initiativen und dem iterativen Begleiten eines Voice- und ChatBots zur Markteinführung zeigt sich immer wieder dasselbe: Der Wert war nie im Mockup. Er war im Denken dahinter. Business, Nutzer und Technik zusammenbringen, Widersprüche aufdecken, Entscheidungen navigieren, bevor sie teuer werden, das braucht Urteilsvermögen, und nicht nur das Wissen, wie man gute Prompts schreibt.

Die Disziplin wandelt sich, vom UX Designer zum AI Experience Designer. Nicht als Jobtitel, sondern als grundlegender Wandel darin, wie Designer Mehrwert leisten. Wer als Designer mitdenkt, gestaltet die Zukunft mit. Bessere Tools wie Claude Code und Claude Design helfen dabei. Ersetzen können sie es nicht. Noch nicht.

Als Stream Lead UX Designer im B2B bei Swisscom war ich über dreieinhalb Jahre fachlich verantwortlich für die nutzerzentrierte Konzeption und Umsetzung zentraler digitaler Produkte und Services. Als Teil des Kernteams, gemeinsam mit Product Owner und Projektmanager, trug ich massgeblich dazu bei, zwei bisher getrennt arbeitende Projektteams erfolgreich zusammenzuführen und Designprozesse zu vereinheitlichen. Parallel dazu begleitete ich die Einführung agiler Arbeitsmethoden nach SAFe und half, eine gemeinsame UX-Vision im Team zu verankern.

Im Konzernjourney-Projekt unterstützte ich das interne Projektteam bei der Visualisierung der Ergebnisse aus dem Design-Thinking-Vorgehen. Ich setzte den Prototyp um, verfeinerte ihn in enger Abstimmung mit dem Team und führte den Usability Test als Moderator durch, inklusive Auswertung und Formulierung von Verbesserungspotenzialen für physischen und digitalen Prototyp. Ergänzend übernahm ich die Storyboardentwicklung sowie die Moderation von Diskussionsworkshops im Wordcafé-Format.

Aufbau speziell konstruierter Nutzertests im Berater-Kunden-Setting für die Anwendungsfälle Basisgespräch, Anlegen, Finanzieren und Vorsorgen. Erarbeitung der Produktvision als Prototyp sowie Aufbereitung und Präsentation der Ergebnisse auf Geschäftsleitungsebene.

Entwicklung des Testleitfadens in enger Zusammenarbeit mit dem Kunden, Rekrutierung und Koordination von Testnutzern, Testleitung und Auswertung. Präsentation eines konkreten Massnahmenpakets mit priorisierten Verbesserungsempfehlungen an die Projektverantwortlichen.

Von Visionsworkshop und Persona-Entwicklung über das Grobkonzept bis zum nutzer-getesteten Prototyp, Leitplanken für die Implementierung an Geschäftsleitung präsentiert.

Expert Review nach Nielsen/Norman als Ausgangspunkt, gefolgt von der Priorisierung von Anforderungen aus Nutzer- und Businessperspektive. Entwicklung einer Gesamtvision mit globalem Impact, Weiterentwicklung von Contact & Locations sowie begleitendes Account Management.