Vortrag | 27. Juni 2026 –
UX Webinar "LLM-basiertes User Research" mit Thomas Geis und Jörg Beringer

In diesem Webinar zeigen Thomas Geis und Jörg Beringer, wie Large Language Models für kontextbasiertes User Research genutzt werden können. Im Mittelpunkt steht der Product Context Analyzer, ein Tool, das aus Nutzungskontexten strukturierte UX-Deliverables erzeugt.

Themen

Und darum geht es

KI ersetzt User Research nicht vollständig. Sie kann aber helfen, Secondary Research stark zu beschleunigen, erste Kontextmodelle zu erstellen und eine bessere Grundlage für weitere qualitative Forschung zu schaffen. Thomas Geis und Jörg Beringer zeigen, wie LLMs dabei unterstützen können, schneller in Nutzungskontexte einzusteigen und strukturierte Grundlagen für Produktentwicklung, UX Design und Requirements Engineering zu erzeugen.

Das erwartet dich

  • Einblick in LLM-basiertes User Research
  • Vorstellung des Product Context Analyzer
  • Unterschied zwischen Chatbot-Ansatz und strukturierter Kontextanalyse
  • Beispiele für automatisch erzeugte UX-Deliverables
  • Aufgabenmodelle, User Needs, User Requirements und User Stories
  • Einsatzmöglichkeiten für Interviewtranskripte und Kontextdaten
  • Diskussion zu Halluzinationen, Datenqualität und Plausibilitätsprüfung
  • Einordnung von Secondary Research und Primary Research
  • Ausblick auf Spec-driven Development, AI Agents und Verification Agents
  • Live-Demonstration des Tools anhand realer Beispiele

Wichtige Take-Aways für UX-Professionals

  • KI kann den Einstieg in neue Nutzungskontexte erheblich beschleunigen. Statt umfangreicher Desktop-Recherche lassen sich erste strukturierte Kontextmodelle innerhalb weniger Minuten erstellen.
  • Die Qualität der Ergebnisse hängt maßgeblich von der Beschreibung des Nutzungskontexts ab. Je präziser der Kontext formuliert wird, desto relevanter werden die erzeugten Deliverables.
  • KI ersetzt User Research nicht. Sie unterstützt vor allem beim Secondary Research und liefert Hypothesen sowie strukturierte Ausgangspunkte für weitere Forschung.
  • User Needs, User Requirements, User Stories, Aufgabenmodelle und Journey Maps können automatisiert erzeugt und direkt in Produktentwicklung und UX-Arbeit weiterverwendet werden.
  • Interviewtranskripte können ebenfalls analysiert und in strukturierte UX-Artefakte überführt werden. Dadurch reduziert sich der Aufwand für die Auswertung qualitativer Forschung.
  • KI-Ergebnisse müssen fachlich bewertet und validiert werden. Die Verantwortung für Interpretation, Priorisierung und Entscheidung bleibt bei UX-Professionals.
  • Primary Research mit echten Nutzerinnen und Nutzern bleibt unverzichtbar – insbesondere bei neuen, unternehmensspezifischen oder wenig dokumentierten Nutzungskontexten.
  • Strukturierte Kontextmodelle schaffen eine gemeinsame Grundlage für UX, Produktmanagement und Entwicklung und können künftig auch von weiteren KI-Agenten genutzt werden.
  • Die Rolle von UX Research entwickelt sich weiter: Weniger Zeit fließt in die manuelle Aufbereitung von Informationen, mehr Zeit in Interpretation, Validierung und strategische Beratung.
  • KI-gestützte User-Research-Tools ermöglichen es UX-Teams, deutlich früher und schneller fundierte Erkenntnisse in Entwicklungsprojekte einzubringen.