Rollen-Playbooks4 Min. Lesezeit

Kundeninterviews mit KI in testbare Produkthypothesen verwandeln

Eine vierstufige Evidenzleiter hilft Produktteams, KI zu nutzen, ohne Beobachtungen, Interpretationen, Hypothesen und Tests aus Interviews zu vermischen.

Bokili EditorialVeröffentlicht am 16. September 2026· Geprüft am 16. September 2026

Interview evidence moving through observation, interpretation and hypothesis stages towards a small product test

Kundeninterviews enthalten Belege, doch eine KI-Zusammenfassung kann diese Belege zu schnell in eine allzu schlüssige Produktgeschichte verwandeln. Ein Satz wie „Leute wollen mehr Kontrolle“ kann mehrere Sprünge verbergen: was der Teilnehmer tatsächlich tat, was der Forscher ableitete, was das Team glaubt und was als Nächstes getestet werden sollte. Für Produktmanager und Nutzerforscher besteht die nützliche Aufgabe nicht darin, die Notizen sicher klingen zu lassen, sondern diese Ebenen sichtbar zu halten.

Nutzen Sie KI als Sortierpartner, nicht als Entscheider über die Bedeutung der Forschung. Der folgende Workflow bewahrt Quellmarkierungen, kennzeichnet jede Schlussfolgerung und endet mit einem kleinen Test. Ein menschlicher Forscher prüft weiterhin die Interviewaufzeichnung, wägt widersprüchliche Beweise ab und entscheidet, ob eine Hypothese Aufmerksamkeit verdient.

Die Evidenz-zu-Test-Leiter

1. Beobachtung

Notieren Sie, was der Teilnehmer sagte oder tat, mit Zeilennummer, Zeitstempel oder Notizreferenz. Entfernen Sie Interpretationen.

2. Interpretation

Geben Sie an, was die Beobachtung bedeuten könnte. Verwenden Sie vorsichtige Formulierungen und halten Sie plausible Alternativen bereit.

3. Hypothese

Formulieren Sie eine falsifizierbare Behauptung über Nutzer, Situation und erwartetes Verhalten. Verknüpfen Sie sie mit den unterstützenden Beobachtungen.

4. Test

Wählen Sie die kleinste nächste Aktivität, die die Behauptung stärken oder schwächen könnte, mit einem beobachtbaren Signal.

Beginnen Sie mit Beobachtungen, nicht mit Themen

Das UK Government Service Manual empfiehlt, Gesehenes und Gehörtes von der Interpretation zu trennen und dann Beobachtungen zu gruppieren, um Erkenntnisse und Maßnahmen zu identifizieren. Diese Reihenfolge ist wichtig. Wenn die erste Anweisung an ein KI-System lautet „Finde die Hauptthemen“, kann es verschiedene Verhaltensweisen unter einem ordentlichen Label zusammenfassen und die Spur zum Interview verwischen.

Fordern Sie stattdessen eine Beobachtung pro Zeile an. Verlangen Sie eine Quellenangabe und einen kurzen wörtlichen Auszug, wo die Aufzeichnung dies zulässt. Weisen Sie das System an, „fehlend“ zu schreiben, anstatt Details zu rekonstruieren. Überprüfen Sie dann mehrere Zeilen mit dem Transkript, bevor Sie fortfahren. Dies erleichtert das Erkennen von Auslassungen und Paraphrasen des Modells.

	Voreilige Schlussfolgerung	Überprüfbarer Forschungsschritt
Interviewnotiz	Nutzer brauchen einen Tabellenexport	Eine Person kopierte Belegdaten vor dem Einreichen einer Ausgabe in eine Tabelle
Bedeutung	Die gewünschte Funktion ist offensichtlich	Das Verhalten kann auf ein Bedürfnis nach Prüfung oder Kontrolle vor dem Einreichen hindeuten
Nächster Schritt	Exportfunktion hinzufügen	Testen, ob ein bearbeitbarer Prüfschritt Abschluss und Korrektur verändert

Jede Schlussfolgerung muss ihren Platz verdienen

Ein praktischer KI-gestützter Workflow

1
Sichere Evidenzdaten vorbereiten
Entfernen Sie unnötige persönliche oder sensible Details. Fügen Sie stabile Quellmarkierungen hinzu, damit jede Ausgabe überprüft werden kann.
2
Nur Beobachtungen extrahieren
Fragen Sie nach Aktionen, Zitaten und genannten Einschränkungen. Verbieten Sie Themen, Empfehlungen und erfundenen Kontext in dieser Phase.
3
Konkurrierende Interpretationen generieren
Fordern Sie für jede Beobachtung zwei oder drei plausible Bedeutungen und die Beweise an, die sie unterscheiden würden.
4
Falsifizierbare Hypothesen entwerfen
Nutzen Sie die Form „wenn–dann–weil“. Nennen Sie den Zielnutzer und die Situation, dann was gegen die Behauptung sprechen würde.
5
Kleinsten Test entwerfen
Wählen Sie eine Interviewfrage, Prototyp-Aufgabe, Log-Analyse oder andere kostengünstige Aktivität mit einem beobachtbaren Signal und einem Entscheidungspunkt.

Lesen ist der Anfang. Üben macht den Unterschied.

Jetzt starten

Beispiel: Verwechseln Sie einen Workaround nicht mit einer Feature-Anfrage

Stellen Sie sich ein fiktives Interview zu einem Spesenabrechnungsprodukt vor. Der Teilnehmer exportiert Belegdetails in eine Tabelle vor der endgültigen Einreichung. Eine KI-Zusammenfassung könnte dies als „Nachfrage nach Tabellenexport“ bezeichnen. Das ist nur eine Interpretation. Der Teilnehmer könnte stattdessen Summen prüfen, Kategorien korrigieren oder einen Datensatz erstellen, dem er vertraut.

Die Beobachtung ist das Export-und-Prüf-Verhalten. Eine Interpretation ist, dass der Teilnehmer Kontrolle benötigt, bevor er die Ausgabe festschreibt. Eine testbare Hypothese lautet dann: „Wenn Finanzkoordinatoren extrahierte Belegdetails vor der Einreichung überprüfen und bearbeiten können, werden sie Fehler innerhalb des Produkts korrigieren, anstatt eine separate Tabelle zu erstellen, da der Überprüfungsschritt einen vertrauenswürdigen Kontrollpunkt bietet.“

Der kleinste nächste Test könnte ein klickbarer Prototyp mit einem bearbeitbaren Überprüfungsbildschirm sein. Bitten Sie mehrere relevante Nutzer, dieselbe Aufgabe zu erledigen. Beobachten Sie, ob sie eingepflanzte Fehler bemerken und korrigieren, ob sie immer noch eine externe Datei erstellen und welche Beweise sie nach eigener Aussage vor der Einreichung benötigen. Entscheiden Sie im Voraus, welches Ergebnis die Hypothese stützen, schwächen oder umleiten würde.

Qualitätssicherung vor dem Teilen einer Hypothese

Jede Beobachtung hat eine Quellenmarkierung, die Prüfer öffnen können.
Interpretationen sind als vorläufig gekennzeichnet und werden nicht als Aussagen der interviewten Person dargestellt.
Mindestens eine glaubwürdige alternative Interpretation ist festgehalten.
Die Hypothese nennt Nutzer, Situation, erwartetes Verhalten und Begründung.
Der Test enthält ein beobachtbares Signal und ein Ergebnis, das gegen die Hypothese sprechen könnte.
Ein Mensch hat die KI-Ausgabe anhand der ursprünglichen Belege geprüft.

Zehn-Minuten-Übung zur Evidenzleiter

Wählen Sie einen anonymisierten Interviewausschnitt und markieren Sie die genauen beobachteten Worte oder Handlungen.
Formulieren Sie zwei unterschiedliche Interpretationen, ohne sofort eine auszuwählen.
Machen Sie aus der stärkeren Interpretation eine falsifizierbare Wenn–dann–weil-Hypothese.
Benennen Sie den kleinsten Test und ein Ergebnis, das die Hypothese schwächen würde.
Bitten Sie einen Kollegen, jede Aussage zum Ausschnitt zurückzuverfolgen.

Evidenzgrenzen schützen

Laden Sie keine Rohdaten mit persönlichen, vertraulichen oder sensiblen Informationen in ein Tool hoch, es sei denn, Ihre Organisation hat dies genehmigt. Minimieren Sie zuerst die Daten und befolgen Sie Ihre Richtlinien für Forschung und KI.