Sie sind in einer guten Position, um hochwertige Möglichkeiten für KI zu finden. Sie können sowohl die technische Machbarkeit einer Idee als auch ihre Auswirkungen auf die Nutzerfreundlichkeit bewerten. Diese beiden Perspektiven müssen zusammenpassen, 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 zur Ideenfindung, Spezifikation und Prototypenerstellung für KI-Anwendungsfälle in Ihrem Produkt beschrieben.
Vorteile von KI
Der folgende KI-Chancenbaum definiert die großen Kategorien von Werten, die KI bieten kann:
Wir haben Kategorien von Werten aufgelistet, um Ihre Lösungen zu strukturieren. Je weiter Sie in der Liste nach unten gehen, desto komplexer und riskanter werden die Schritte und desto größer ist die Wahrscheinlichkeit, dass sie sich auf die Nutzer auswirken:
- Statistiken: Entscheidungsfindung verbessern.
- Komfort: Reibungspunkte beseitigen.
- Automatisierung: Sich wiederholende Aufgaben ersetzen.
- Augmentation: Nutzer bei komplexen oder kreativen Aufgaben unterstützen.
- Personalisierung: Das Produkt wird an die individuellen Anforderungen und Einstellungen einer Person angepasst.
Versuchen Sie zuerst, Anwendungsfälle mit geringeren Auswirkungen zu lösen. Beispielsweise können Sie mit einem internen KI-System bessere Produktstatistiken erhalten, um Ihr Produkt von innen heraus zu verbessern. Prüfen Sie dann Ihre bestehenden UX-Schulden und nutzen Sie KI, um Reibungspunkte und die kognitive Belastung für Ihre Nutzer zu reduzieren. Wenn Sie mehr Vertrauen und Erfahrung gewonnen haben, können Sie zu komplexeren Anwendungsfällen übergehen und die KI-Nutzung ausweiten.
Möglicherweise entdecken Sie jedoch wirkungsvolle Möglichkeiten, wie z. B. leichte Personalisierungen, die überraschend zugänglich, risikoarm und sinnvoll sind.
Chancen für Ihr Produkt identifizieren
Um die richtige Idee zu finden, sollten Sie ein gutes Verständnis davon haben, wer Ihre Nutzenden sind. Arbeiten Sie mit Ihrem UX-Team zusammen oder frischen Sie Ihr Wissen über Personas auf, um zu definieren, wer diese Nutzer sind. Verfolgen Sie einen nutzerorientierten Ansatz und ordnen Sie die gefundenen KI-Möglichkeiten konkreten Anwendungsfällen für Ihr Produkt zu.
Beispiele:
- Motiviert durch explizite Nutzerbedürfnisse oder Pain Points.
- Von Ihren Teammitgliedern oder Ihnen selbst vorgeschlagen. In diesem Fall ist eine schnelle Validierung mit Nutzern unerlässlich, um die Falle „KI um der KI willen“ zu vermeiden.
- Lassen Sie sich von Mitbewerbern inspirieren, aber seien Sie vorsichtig. Die Zielgruppe und der Kontext Ihrer Mitbewerber können sich von Ihren unterscheiden. Validieren Sie frühzeitig, um zu testen, ob erfolgreiche Initiativen von Mitbewerbern auf Ihr Produkt übertragbar sind.
Die folgende Tabelle enthält beispielsweise Ideen für eine Website zur Flugbuchung:
In jedem Schritt der User Journey können Sie verschiedene Möglichkeiten identifizieren, wie Sie mit KI einen Mehrwert schaffen können.
Lösung gestalten
Inzwischen haben Sie mehrere KI-Ideen entlang Ihrer User Journey abgebildet. Im nächsten Schritt geben Sie ihnen eine Form und gewinnen genügend Vertrauen, um zu entscheiden, welche Sie zuerst entwickeln möchten. Dies ist eine Teamleistung und wird in der Regel vom Produktmanager geleitet. Als Entwickler ist es Ihre Hauptaufgabe, die Kosten, den Aufwand und die Risiken der geplanten KI-Lösung abzuschätzen.
Ideen konkretisieren
Erfassen Sie zuerst jede Idee in einer kurzen, ganzheitlichen Spezifikation. Sie können den Blueprint für KI-Systeme aus unserer Einführung verwenden. In der Regel konzentrieren sich Entwickler auf den Lösungsteil, während die Chance vom Produktmanager spezifiziert wird. Diese Übung bietet allen eine gemeinsame Grundlage für die Abstimmung und Diskussion, bevor es weitergeht.
Aufwand und Kosten bewerten
Bewerten Sie als Nächstes, wie schwierig die Umsetzung Ihrer Idee ist. Für das Hinzufügen von intelligenten Filtern ist beispielsweise nur ein promptbasiertes Parsen mit einer LLM API erforderlich, was schnell zu prototypisieren und auszuführen und einfacher anzupassen ist. Im Gegensatz dazu erfordert ein personalisierter Buchungsassistent benutzerdefinierte Datenpipelines, Buchungs-APIs und sorgfältige Human-in-the-Loop-Mechanismen, was einen viel größeren Aufwand bedeutet.
Betrachten Sie Aufwand und Kosten aus mehreren Blickwinkeln:
- Datenbereitschaft: Haben Sie bereits die erforderlichen Daten? Wie viel Bereinigung, Vorverarbeitung oder Labeling ist erforderlich, um die Daten für KI vorzubereiten?
- Modellreife: Gibt es bereits ein geeignetes vortrainiertes Modell oder müssen Sie ein Modell von Grund auf neu trainieren?
- Latenz: Wie schnell sollte das Modell antworten, damit die Funktion nahtlos und hilfreich wirkt?
- Komplexität der Einbindung: Wie viele Systeme müssen verbunden werden? Gibt es ein Backend, APIs, eine Benutzeroberfläche oder Drittanbietertools? Je mehr Berührungspunkte, desto höher sind 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 Prototypphase „günstig“ ist, kann teuer werden, wenn Tausende von Nutzern live sind.
Berücksichtigen Sie die versteckten Kosten für die Nutzer. KI kann zu Unsicherheit und regelmäßigen Fehlern in Ihrem Produkt führen. Bei clientseitiger KI werden Funktionen auf dem Gerät des Nutzers ausgeführt, was Bandbreite, Speicher und Energie verbraucht. Die Funktion muss so wertvoll sein, dass Nutzer bereit sind, dafür zu bezahlen.
Wenn Sie den Aufwand frühzeitig einschätzen, können Sie sich auf hochwertige, unkomplizierte Erfolge konzentrieren und die komplexeren 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 darauf, es zu implementieren. Sie wissen jedoch, dass für die Personalisierung viele Signale von Nutzern zu ihren Interessen erforderlich sind, und Sie haben keine Datenbank eingerichtet, die solche Signale erfasst. Dies führt zu einer unzureichenden Personalisierung, die irrelevante Inspirationen bietet, was wiederum dazu führt, dass Nutzer die Funktion nicht mehr verwenden. Ihr Verständnis der Verfügbarkeit personenbezogener Daten sollte die Wertschätzung Ihres Teams beeinflusst haben.
Hier sind weitere kritische KI-Fehlermodi, die Sie berücksichtigen sollten:
- Halluzination: Das Modell generiert Ausgaben, die plausibel erscheinen, aber nicht real sind (z. B. Erfinden eines Fluges, der nicht existiert).
- Bias: Das Modell zeigt oder verstärkt unfaire Verallgemeinerungen basierend auf den Trainingsdaten, was zu diskriminierenden oder unfairen Ergebnissen führt. Das Modell könnte beispielsweise davon ausgehen, dass Nutzer basierend auf ihrem wahrgenommenen Geschlecht oder ihrer ethnischen Zugehörigkeit Flüge in der ersten Klasse oder in der Economy-Klasse bevorzugen.
- Kaltstartproblem: Das System kann neuen Nutzern oder Elementen aufgrund fehlender Anfangsdaten keinen Mehrwert bieten, wie im Beispiel des personalisierten Reisetools gezeigt.
- Leistungsverschlechterung: Die Accuracy des Modells nimmt im Laufe der Zeit ab, da sich die realen Daten weiterentwickeln und von der ursprünglichen Verteilung abweichen. Dies wird auch als Modellabweichung bezeichnet.
Prototyp
Ihre Eingaben zu Kosten, Aufwand und Fehlermodi sind anfangs nur wenig zuverlässig. Um Vertrauen zu gewinnen, ist die beste Validierung für eine bestimmte KI-Funktion die Erstellung eines Prototyps. Mit Prototyping können Sie wichtige technische Annahmen (Datenbereitschaft, Latenz, Genauigkeit) schnell testen, bevor Sie sich für eine vollständige Entwicklung entscheiden. Gerade bei einer neuen, noch nicht vollständig erforschten Technologie wie KI lernt man durch das Entwickeln schneller als durch Recherche und Analyse.
Mit KI-gestützten Tools zur Codegenerierung wie Vertex AI und Replit können Sie den Prototyping-Prozess erheblich beschleunigen und Risiken minimieren.
Machen Sie sich diese Denkweise zu eigen: Veröffentlichen Sie etwas Kleines, beobachten Sie, wie es sich verhält, und verfeinern Sie es kontinuierlich.
Wenden Sie die folgenden Best Practices an:
- End-to-End-Lösung frühzeitig erstellen: Testen Sie den gesamten Ablauf, wie er in Ihrem KI-Systementwurf definiert ist (Daten, Intelligenz, Nutzererfahrung), nicht nur die Modellgenauigkeit. Dieser Build sollte alle Aspekte der Nutzererfahrung mit KI widerspiegeln, muss aber nicht jede Anwendungsfunktion enthalten.
- Mit Tastenkombinationen beginnen Verwenden Sie APIs und vortrainierte Modelle, um den Wert schnell zu validieren.
- Alles protokollieren. Eingaben, Ausgaben und Nutzeränderungen verfolgen, um häufige Fehler zu erkennen und potenzielle Probleme zu bewerten.
- Mit echten Daten testen: Frühe Tests sollten natürliches, unstrukturiertes Nutzerverhalten erfassen.
- Feedback- und Kontrollmechanismen hinzufügen: Machen Sie es Nutzern leicht, Fehler zu melden oder Ausgaben anzupassen, und lassen Sie sie Ergebnisse bestätigen oder korrigieren.
In den meisten Fällen erfolgt die Prototyperstellung parallel zur Bewertung und Spezifikation.
Ihre Erkenntnisse
Sie haben gelernt, wie Sie abstraktes KI-Potenzial in konkrete, hochwertige Produktideen umsetzen. Als Entwickler liegt Ihr Vorteil darin, die technische Machbarkeit mit der Nutzererfahrung zu verbinden. Sie haben sich damit beschäftigt, wie KI in verschiedenen Kategorien Mehrwert schaffen kann, diese Möglichkeiten auf die User Journey Ihres Produkts übertragen und gelernt, wie Sie sie mithilfe strukturierter Frameworks spezifizieren, bewerten und priorisieren können.
KI ist nur durch unermüdliche Iteration erfolgreich. Veröffentlichen Sie früh, hören Sie Ihren Nutzern zu, beobachten Sie sie und nehmen Sie schnell Verbesserungen vor. Jeder Prototyp ist ein Schritt auf dem Weg zu verstehen, wie KI den Wert und die Attraktivität Ihres Produkts steigern kann.
Ressourcen
- Getting AI Discovery Right, ein Leitfaden zur Ideenfindung, Validierung und Priorisierung Ihrer KI-Anwendungsfälle.
- AI Radar, ein Tool zur Erkennung und Entscheidungsunterstützung, mit dem Anwendungsfälle in verschiedenen Branchen identifiziert und priorisiert werden können.
Dein Wissen wird getestet
Welche Kategorie von KI-Anwendungsmöglichkeiten umfasst die Unterstützung von Nutzern bei komplexen oder kreativen Aufgaben?
Worauf bezieht sich die „Integrationskomplexität“ bei der Bewertung des Aufwands und der Kosten einer KI-Idee?
Was ist das Kaltstartproblem im Kontext von KI-Fehlermodi?
Welche Einstellung wird für das Prototyping von KI-Funktionen empfohlen?
Warum ist es wichtig, beim Prototyping ein Protokoll zu führen?