Das Urteil bleibt bei mir. Verantwortung behalten in der KI-gestützten Product Research

Um neue Geschäftsmodelle und Produktideen zu entwickeln, braucht es eine gründliche Marktrecherche. Design Thinking als Arbeitsmethode hilft dabei, mit guten Werkzeugen den Blick für den Problemraum zu weiten. KI kann dabei helfen, diesen Raum schneller zu durchforsten und Markt, Wettbewerb und bereits funktionierende Mechanismen in Rekordzeit zu durchdringen.

Doch das kann schnell zu einer Herausforderung werden, bei der der Mensch den Überblick verliert. Denn KI erledigt die Recherche im ersten Diamanten des Design Thinking¹ in einer Geschwindigkeit, die kein Team erreicht. Am Ende steht ein Fundus an Informationen, der für einen einzelnen Menschen so breit und so undurchdringlich ist, dass er nicht hilft, sondern hindert.

Wenn das Versprechen ist, alle existierenden Probleme, Wettbewerber und Marktmechanismen zu kennen, müsste der Mensch wirklich alles lesen, was die KI ihm bereitstellt. Das ist in kurzer Zeit unmöglich.² Schnell führt das dazu, dass der Mensch die Ergebnisse durchwinkt, ohne sie wirklich zu verstehen. Dann entsteht am Ende ein Produkt auf ungeprüften Annahmen, das vielleicht gar kein Disruptionspotenzial hat. Und das ist doch das eigentliche Ziel von Innovation.

Eine KI darf so breit sammeln, wie sie will. Was davon zählt, entscheide ich.

Das Produkt ist offen, der Zweck nicht

Ich brauchte schnell einen Rundumblick über Kundenprobleme, Markt, Wettbewerb und Wirkungsmechanismen. Die Zeit war knapp, die Produktidee unklar und ein KI-Agent ist stark im schnellen Recherchieren. Also habe ich ihn mit einem möglichst breiten Suchauftrag losgeschickt: fundiert, mit vielen Sub-Agenten und doppelter Quellenprüfung. Doch das Ziel war unscharf. Wo noch keine Produktidee als Bezugspunkt feststeht, kann jede Information relevant sein.

So hat ein Vergleich über viele Ländermärkte in einer Woche mehr Material erzeugt, als ich lesen konnte. Ich stand vor der Entscheidung, alles genau zu lesen oder es blind durchzuwinken. Die KI hat gründlich gearbeitet, mein Arbeitsrahmen ist gut aufgebaut. Aber wenn ich die Entscheidung dem Agenten überlasse, was ist dann noch mein Anteil an der Produktentwicklung? Traue ich ihm zu, die Erkenntnisse im Hinblick auf eine disruptive Produktinnovation zu bewerten und zwischen den Zeilen zu lesen? Meine Antwort: nein. KI baut auf dem auf, was schon existiert, und übersieht möglicherweise genau die Lücke, die ich finden würde. Außerdem verliere ich so die Ownership für das Recherche- und damit auch für das Produktergebnis.

Also habe ich geschaut, was fehlt, um die Ergebnisse sauber zu bewerten und selbst Ableitungen zu ziehen. Die Antwort war simpel und komplex zugleich. Ich konnte nicht sagen, welches Produkt am Ende herauskommt, denn für eine neue Idee gibt es noch kein Produkt zum Gegenprüfen. Was ich aber hätte sagen können: wozu ich die Recherche brauche. Ich wollte aus jedem Markt ableiten, was sich auf andere übertragen lässt, und die Märkte so gut verstehen, dass daraus eigene Ideen entstehen. Dieser Satz stand nirgends. Lautet der Auftrag salopp „recherchiere mal möglichst breit“, recherchiert die KI eben möglichst breit und überholt sich dabei selbst.

Festlegen konnte ich außerdem den Rahmen, in den der Agent sein Wissen einliefert. Die Produktidee entsteht verlässlich erst nach der Recherche, auch wenn meine Intuition mir schon vorher einige Ideen in den Kopf gepflanzt hat. Weil in dieser Phase aber laufend neues Wissen dazukommt, muss sich der Rahmen iterativ an den Ergebnissen ausrichten, in kleinen Paketen. In die Spezifikation einer Erkundung gehört deshalb ein Lernziel statt eines fertigen Abnahmekriteriums.³

Erst ein Exemplar, dann alle

Mein Fehler lag in der Reihenfolge. Zuerst hat die KI alle Länder parallel als Entwurf vorbereitet, bevor ein einziges Exemplar abgenommen war. Jede spätere Formentscheidung musste an vielen Stellen nachgezogen werden. Am besten funktioniert hat am Ende ein iteratives Zusammenspiel von KI und mir.

So bin ich bei der Länderrecherche vorgegangen.

Ein Land zuerst. Ausreichend Informationen zu einem der Ländermärkte sammeln.

Am fertigen Ergebnis prüfen. Das erste Rechercheergebnis gleich in seiner finalen Darstellung bauen, wie einen Prototyp, und daran prüfen, ob es trennscharf trägt. Erst dann wird das Schema auf den Rest übertragen.

Lücken für alle schließen. Wissenslücken am ersten Land definieren und vom KI-Assistenten für alle Ländermärkte nachrecherchieren lassen.

Exemplar finalisieren. Das Ergebnis für den ersten Ländermarkt fertigstellen.

Schema übertragen. Die Ergebnispräsentation für alle Ländermärkte nach diesem Design erstellen lassen.

Land für Land prüfen. Besonderheiten und Mechanismen verstehen und dabei selbst die Highlights festlegen.

Design-Check über alle. Unterschiede in Darstellung und Ausrichtung angleichen, damit alle Onepager wie aus einem Guss aussehen.

Highlights verdichten. Eine Präsentation über alle Märkte hinweg bauen, aus den Highlights, die ich selbst festgelegt habe.

Produktideen ableiten. Die Highlights nutzen, um Produktideen weiterzuentwickeln.

Herausgekommen sind detaillierte Onepager pro Land als fertige Inkremente und ein intensives Verständnis jedes Markts. Genau das brauche ich als Basis für Produktideen. Den letzten Schliff übernimmt die KI sehr gut. Geprüft habe ich vorher trotzdem jedes Land einzeln.

Eine KI baut nicht von selbst auf Bestand auf

Die Fülle an Wissen ließ sich nicht in einer Session bewerten. Auch die Frage, wie sich die Ergebnisse zusammenfassen lassen, braucht mehrere Anläufe: am Montag eine Session, nicht fertig geworden, am Mittwoch die nächste.

Bekommt der Agent keinen Hinweis, vorhandene Ergebnisse oder Formate zu verwenden, erzeugt er neue. So wurde das Problem immer größer. Ich hatte nicht nur zu viel Wissen zu bewerten, sondern auch mehrere Ansätze, wie das Ergebnis aussehen und was es hervorheben soll, samt neuem Wissen, das wiederum geprüft werden wollte. Gleichzeitig fragte ich mich, ob ich diese Fragen nicht längst beantwortet hatte. An diesem Punkt wird es maximal ineffizient, obwohl KI uns doch so schön effizient machen kann.

Der Grund ist banal. Jede Sitzung beginnt ohne Erinnerung an die vorige, das einzige Gedächtnis sind die Dateien. Zum selben Land lagen am Ende sechs Arten von Dokumenten nebeneinander: Recherche, Vergleich, Länderseite, Länderprofil, Layout-Entwürfe, Onepager. Für eine KI, die in diesen Ordner schaut, ist nicht erkennbar, welches davon gilt. Neu anfangen ist für sie der kürzere Weg, als dreißig Dateien zu lesen und zu raten, welche überholt sind.

Kritische Einordnung

Mein Nein ist eine Momentaufnahme. KI-Agenten werden besser darin, zwischen den Zeilen zu lesen. Vielleicht traue ich ihnen in einem Jahr zu, was ich ihnen heute nicht zutraue. Die Frage nach der Ownership bleibt trotzdem, denn sie ist keine Frage der Fähigkeit, sondern der Verantwortung. Wer eine Produktidee vertritt, muss erklären können, warum sie trägt.

Iterativ kostet außerdem Zeit. Neun Schritte mit mir in der Schleife sind langsamer als ein einziger großer Auftrag. Bis zum fertigen Ergebnis stimmt das, bis zum Verstehen nicht. Nach fünf Tagen konnte ich auf Augenhöhe über Markt und Produktansätze diskutieren. Einige Wochen später hatte ich Übersichten über alle Märkte, die zu denselben Ableitungen kommen wie die Gespräche mit Kollegen. Daraus sind drei starke erste Produktideen entstanden, jede mit Belegen dafür, wie sie anderswo schon funktioniert.

Und die Regel gab es schon. Lernziel statt Kriterium stand seit Wochen in meinen eigenen Anweisungen, aber nur für das Zuschneiden von Aufgaben, nicht für das Herstellen von Inhalten. Bei einer Bitte, die nach Kleinkram klang, hat sie niemand angewendet. Schließlich erzeugt die Lösung neue Pflege: Eine Datei, die festhält, welches Dokument gilt, ist nur so gut wie ihr letzter Stand.

Wie ich es nächstes Mal besser machen will

Die Stand-Datei läuft seit Kurzem, die anderen drei Änderungen setze ich beim nächsten Rechercheauftrag ein. Ob sie tragen, zeigt sich erst dann.

Erst der Zweck. Vor jeder Erkundung fragt die KI, wozu ich die Recherche brauche. Habe ich keine Antwort, schlägt sie zwei bis drei vor.

Ein Exemplar, dann das Schema. Erst ein Land vollständig, dann die Abnahme, dann der Rest. Die Lücken, die das erste Exemplar zeigt, werden für alle nachrecherchiert.

Eine Stand-Datei je Thema. Sie sagt in wenigen Zeilen, welche Dokumente gelten und was entschieden ist. Jede Sitzung liest sie zuerst und aktualisiert sie zuletzt.

Die Highlights setze ich. Die KI darf Auffälligkeiten markieren, was zählt, entscheide ich nach eigener Prüfung. Den Design-Check übernimmt sie erst danach.

Was bleibt für jeden Tag

Den Zweck vor die Form

Wozu du recherchierst, lässt sich fast immer vorab sagen. Welches Produkt herauskommt, oft nicht.

Ein fertiges Exemplar schlägt jedes Schema

Die Vorlage entsteht am ersten abgenommenen Stück, nicht vor dem ersten Entwurf.

Das Urteil bleibt bei dir

Die KI darf breit sammeln. Was davon zählt, entscheidest du.

Gedächtnis ist eine Datei

Eine KI baut auf Bestand nur auf, wenn irgendwo steht, welcher Bestand gilt.

Quellen

Glossar

Erkundung — Arbeit, deren Ergebnisform erst während der Arbeit klar wird.

Lernziel — was man nach einer Erkundung entscheiden oder tun können will, an Stelle eines Abnahmekriteriums.

Exemplar — ein einzelnes, vollständig fertiges Stück eines Ergebnisses, aus dem das Schema für die übrigen abgeleitet wird.

Inkrement — ein fertiges Teilergebnis, das für sich allein nutzbar ist.

Ownership — die Verantwortung für ein Ergebnis, die man nur behält, wenn man es selbst versteht und beurteilen kann.

Stand-Datei — kurzes Dokument je Thema, das festhält, welche Dateien gelten und was entschieden ist.

Double Diamond — Prozessmodell des Design Council mit zwei Phasen aus Öffnen und Eingrenzen, erst für das Problem, dann für die Lösung.

Developing new business models and product ideas takes thorough market research. Design Thinking helps with good tools to widen the view of the problem space. AI can help search that space faster and get to grips with markets, competitors and mechanisms that already work in record time.

That can quickly turn into a problem where the human loses the overview. AI does the research in the first diamond of Design Thinking¹ at a speed no team can match. What you end up with is a body of information so broad and so dense for a single person that it gets in the way instead of helping.

If the promise is to know every existing problem, competitor and market mechanism, the person would really have to read everything the AI hands over. In a short time that is impossible.² Very quickly the person starts waving results through without really understanding them. What comes out at the end is a product built on untested assumptions that may have no disruptive potential at all. And that is the actual point of innovation.

An AI may collect as broadly as it likes. What counts is my call.

The product is open, the purpose is not

I needed a quick all-round view of customer problems, market, competition and mechanisms of effect. Time was short, the product idea unclear and an AI agent is good at fast research. So I sent it out with the broadest possible brief: thorough, with many sub-agents and double source checks. But the goal was blurry. Where no product idea exists yet as a point of reference, any piece of information might matter.

That is how a comparison across many country markets produced more material in one week than I could read. I had to choose between reading all of it closely and waving it through blind. The AI had worked thoroughly and my working setup is solid. But if I leave the decision to the agent, what is left of my part in developing the product? Do I trust it to judge the findings for a possible disruptive innovation and to read between the lines? My answer is no. AI builds on what already exists and may miss exactly the gap I would find. And I lose ownership of the research and with it of the product.

So I looked at what was missing to judge the results properly and draw my own conclusions. The answer was simple and complicated at once. I could not say which product would come out, because a new idea has no product yet to test against. What I could have said is what I needed the research for. I wanted to pull out of every market what transfers to others, and to understand the markets well enough for my own ideas to grow from them. That sentence was written down nowhere. If the brief is a casual "research this as broadly as you can", the AI researches as broadly as it can and outruns itself.

What I could also set was the frame the agent delivers its knowledge into. A reliable product idea only emerges after the research, even if my intuition planted a few ideas earlier. Because new knowledge keeps arriving in this phase, the frame has to follow the results iteratively, in small packages. That is why the specification of an exploration carries a learning goal rather than a finished acceptance criterion.³

One example first, then all of them

My mistake was the order. At first the AI prepared every country in parallel as a draft before a single example had been approved. Every later decision about form then had to be carried through in many places. What worked best in the end was an iterative back and forth between the AI and me.

This is how I ran the country research.

One country first. Gather enough information on one of the country markets.

Test on the finished result. Build the first research result straight away in its final presentation, like a prototype, and test whether it holds up sharply. Only then does the template carry over to the rest.

Close gaps for all. Define the knowledge gaps on the first country and have the AI assistant research them for every market.

Finish the example. Complete the result for the first market.

Carry the template over. Have the presentation built for every market in that design.

Check country by country. Understand the particularities and mechanisms and set the highlights myself along the way.

Design check across all. Even out differences in layout and alignment so every one-pager looks like it was made in one piece.

Condense the highlights. Build one presentation across all markets from the highlights I chose myself.

Derive product ideas. Use the highlights to develop product ideas further.

What came out are detailed one-pagers per country as finished increments and a deep understanding of each market. That is exactly the basis I need for product ideas. The AI is very good at the final polish. I still checked every country on my own first.

An AI does not build on what exists by itself

The amount of knowledge could not be judged in one session. Working out how to summarise the results also takes several attempts: one session on Monday, not finished, the next on Wednesday.

If the agent gets no hint to use existing results or formats, it produces new ones. So the problem kept growing. I did not just have too much knowledge to judge. I also had several approaches to what the result should look like and what it should highlight, along with new knowledge that needed checking in turn. At the same time I wondered whether I had not answered these questions already. That is where it gets as inefficient as it can, even though AI is supposed to make us so nicely efficient.

The reason is mundane. Every session starts without memory of the last one, and the only memory is the files. By the end, six kinds of documents sat side by side for the same country: research, comparison, country page, country profile, layout drafts, one-pager. An AI looking into that folder cannot tell which one applies. Starting over is the shorter path for it than reading thirty files and guessing which are outdated.

A critical look

My no is a snapshot. AI agents are getting better at reading between the lines. Maybe in a year I will trust them with what I do not trust them with today. The ownership question stays anyway, because it is not about capability but about responsibility. Whoever stands behind a product idea has to be able to explain why it holds.

Iterating also costs time. Nine steps with me in the loop are slower than one big assignment. That is true up to the finished result, not up to understanding. After five days I could discuss the market and product approaches on equal terms. A few weeks later I had overviews of all the markets that reach the same conclusions as my conversations with colleagues. Out of that came three strong first product ideas, each with evidence of how it already works elsewhere.

And the rule already existed. Learning goal instead of criterion had been in my own instructions for weeks, but only for cutting tasks, not for producing content. On a request that sounded like a small thing, nobody applied it. Finally, the fix creates new upkeep: a file that records which document applies is only as good as its last update.

How I want to do it better next time

The status file has been running for a short while. The other three changes go into the next research assignment, and only then will it show whether they hold.

Purpose first. Before every exploration the AI asks what I need the research for. If I have no answer, it suggests two or three.

One example, then the template. One country complete, then approval, then the rest. The gaps the first example reveals get researched for all.

A status file per topic. It says in a few lines which documents apply and what has been decided. Every session reads it first and updates it last.

I set the highlights. The AI may flag what stands out. What counts is my call after my own review, and the design check comes after that.

What stays with you every day

Purpose before form

What you research for can almost always be said up front. Which product comes out, often not.

A finished example beats any template

The template comes from the first approved piece, not from before the first draft.

The judgement stays with you

The AI may collect broadly. What counts is your call.

Memory is a file

An AI only builds on what exists if something says which of it applies.

Sources

Glossary

Exploration — work whose result only takes shape while doing it.

Learning goal — what you want to be able to decide or do after an exploration, in place of an acceptance criterion.

Example — a single, fully finished piece of a result from which the template for the rest is derived.

Increment — a finished partial result that is usable on its own.

Ownership — responsibility for a result, which you only keep if you understand and can judge it yourself.

Status file — a short document per topic that records which files apply and what has been decided.

Double Diamond — the Design Council's process model with two phases of opening up and narrowing down, first for the problem, then for the solution.