Mit Anlass des Redesigns des ONTEC AI Interfaces haben wir monatelang recherchiert, philosophiert, und diskutiert: Wie sieht eine ideale KI-Benutzeroberfläche aus? Welche Funktionen und Möglichkeiten bietet sie? Wo wird der User gezielt an die Hand genommen und wo wird ihm bewusst maximale Freiheit gelassen? Welche Informationen braucht der Nutzer, welche überfordern ihn? In diesem Artikel stellen wir unsere Erkenntnisse zur Verfügung, unterfüttert mit Einblicken in die Praxis der neuen ONTEC AI Benutzeroberfläche.
(Neugierig auf das neue ONTEC AI Interface? Mehr dazu in Kürze!)
Einleitung
Die Entwicklung von KI-Benutzeroberflächen ist keine leichte Aufgabe: Menschen nutzen KI erst seit wenigen Jahren, Gebrauchsmuster müssen sich noch festigen. Doch so schnelllebig wie die Entwicklung künstlicher Intelligenz ist, so stabil sind mittlerweile menschliche UI-Gewohnheiten außerhalb von KI.
Klassische Software hingegen nutzen Menschen seit Jahren, chatten können wir schon lange und wir haben bestimmte Erwartungen daran, wie ein digitales Tool mit uns interagieren soll.
Auf dieser Grundlage erproben Menschen neue KI-Lösungen – und KI-Anbieter experimentieren mit Funktionen, um in der Interaktion mit Menschen zunehmend intuitivere Oberflächen anbieten zu können.
Chat ist der Start, nicht das Ziel
Jakob’s Law beschreibt, dass Menschen die meiste Zeit mit anderen Produkten verbringen und daher erwarten, dass neue Produkte ähnlich funktionieren. Vertraute Muster senken die Lernkosten und verbessern die Akzeptanz (Quelle: Jakob’s Law)
Status heute ist ChatGPT wohl der Inbegriff von KI-Nutzung: Viele Menschen haben regelmäßige Berührungspunkte damit, nutzen es vielleicht sogar täglich und kennen seine Funktionsweise.
Ein Chat ist heute wohl die prägende Vorstellung des heutigen KI-Gebrauchs: Eingabe der Nutzeranweisung in Form eines Prompts, Ausgabe des Ergebnisses in Form einer Antwort, alles in natürlicher Sprache.
Das Chatparadigma senkt Einstiegshürden, weil es gelernte Muster aufgreift – und weile Unterhaltungen in natürlicher Sprache etwas tief menschliches sind. Zugleich stößt Chat an Grenzen, wenn Aufgaben stark formalisiert, oder strukturiertsind, viele Parameter brauchen oder Ergebnisse visuell greifbar werden müssen (Karten, Tabellen, Dokumente).
Ein Chat-Interface wirkt deshalb für viele Use Cases intuitiv – es darf aber keine Ausrede sein, bessere Spezialinteraktionen zu vermeiden.
Wie viel Interface braucht ein gutes Interface?
Genauso wie es in der realen Welt manchmal zielführender ist, Anweisungen konkret zu benennen statt sprachlich auszuformulieren, ist das bei KI-Systemen genauso.
Beispiel einer Suchanfrage: „Schuhgröße 36“ vs. „Schuhe, die meistens von Menschen um die 1,55 cm Körpergröße getragen werden, die naturgemäß relativ kurze und schmale Füße haben“. Oder, wenn ein „Wall of Text“ verhindert werden soll, eine strenge Angabe der Textlänge.
Ein intuitives Chat-Interface ist somit in vielen Fällen förderlich; wenn Use Cases jedoch komplexer werden, muss das Interface oftmals mehr Führung anbieten.
Zwischen rein sprachbasierter Bedienung ohne sichtbare UI (Speech‑to‑Text) und der Abbildung komplexer Eingabemasken wie in SAP‑Anwendungen oder bei API‑Steuerungen liegt ein spannender Gestaltungsraum, in dem die jeweils passende Interaktion situativ gewählt wird.
Wenn Benutzeroberflächen dann tatsächlich eine gewisse Komplexität aufweisen, dann werden Training und Schulung der Mitarbeitenden die effiziente Verwendung des Tools deutlich verbessern.
Kurzfristig bleibt es ein Spannungsfeld: Manche Abläufe funktionieren als Sprachdialog hervorragend, andere erfordern strukturierte Eingaben, präzise Validierungen und Freigaben.
Der richtige Grad an Selbstständigkeit: Assistenz, Agenten, Automation
Gute KI-Systeme finden den richtigen Grad an Selbstständigkeit, abgestimmt auf Aufgabe, Risiko und Verantwortlichkeiten.
Assistenz bedeutet: Die KI unterstützt aktiv, ohne Entscheidungen zu entziehen. Sie schlägt vor, erklärt Alternativen, markiert Unsicherheiten und holt Freigaben ein. Typisch sind hier Aufgaben wie Entwürfe, Zusammenfassungen, Recherche oder die Vorbereitung strukturierter Schritte, die der Mensch mit einem Klick bestätigt. So bleibt die Entscheidung beim Nutzer, während die Maschine Tempo und Breite liefert.
Agenten gehen einen Schritt weiter: Sie bedienen Werkzeuge und Services, führen mehrstufige Abläufe aus oder können auf Ereignisse (z. B. eingehende E-Mails, Zeitpläne, Statusänderungen) reagieren.
Ein robuster Agent ist nicht „magisch“, sondern nachvollziehbar: Er zeigt, was er vorhat, was er getan hat, und wo er sich unsicher ist. So entsteht Vertrauen – und es bleibt klar, an welcher Stelle Menschen eingreifen.
Automation schließlich ist dort sinnvoll, wo das Risiko gering, der Effekt klar und die Schritte reversibel sind. Beispiele sind Benachrichtigungen, Routine-Exporte oder die automatische Klassifikation mit niedriger Tragweite. Hier zählt Verlässlichkeit vor Kreativität: mit Audit-Logs, Rollback, klaren Servicegrenzen und Monitoring.
In professionellen Umgebungen lautet der Grundsatz: so viel Automatisierung wie möglich, so viel menschliche Kontrolle wie nötig. Das reduziert kognitive Last, ohne Verantwortung zu verwässern.
In ONTEC AI sind Assistenten rollenspezifisch vorkonfiguriert und bewegen sich in klar definierten Daten- und Werkzeugräumen. Für Automationszonen gelten klar definierte Guardrails. Alle Pfade – Assistenz, Agent, Automation – schreiben mit, was geschah, damit Teams prüfen, auditieren und lernen können.
In vielen Fällen ist es von besonderer Bedeutung, den Menschen nicht aus der Verantwortung zu entlassen – beispielsweise beim Umgang mit besonders sensiblen Daten und bei komplexen Entscheidungen.
Hochwertige Ausgaben entstehen, wenn Systeme Belege und Zwischenschritte zeigen, Unsicherheit markieren und bewusste Freigaben ermöglichen.
Der Mensch bleibt Entscheider – das System unterstützt, erklärt und protokolliert.
Für die UX bedeutet das, Nutzer werden stärker einbezogen und informiert: Wie kommt ein Ergebnis zustande? Woher hat die KI die Informationen? Wie hat sie die Informationen verarbeitet?
Bei ONTEC AI kombinieren wir eine vertraute Gesprächsebene mit einer Handlungsebene (Agenten). Die KI darf Prozesse anstoßen – aber mit klaren Prüfpunkten. Wenn der Agent strukturierte Eingaben braucht, meldet er dies an den Nutzer.
Gezielte Nicht-Nutzung von KI
Paradox, aber wirksam: Die einfachste Form der Fehlerprävention besteht häufig darin, Teile der KI bewusst nicht zu nutzen – und dort, wo Präzision zählt, selbst die Führung zu übernehmen. Warum?Top of Form
Oft wissen Nutzer im Arbeitsalltag ganz genau, welches Werkzeug sie brauchen: „Suche in der Wissensdatenbank X“ oder „Nutze das Spezialtool Y“.
Ein Beispiel: Wenn der Nutzer „Suche mir Dokumente zum Thema ISO“ eingibt, dann weiß die KI zunächst nicht, ob es um allgemeine Dokumente aus dem Internet oder firmenspezifische Dokumente aus dem Intranet geht. Wenn diese Wahl aber im Interface offensichtlich getroffen werden kann, erhält der Nutzer mit großer Wahrscheinlichkeit genau, wonach er sucht.
Diese bewusste Wahl ist gewissermaßen „Manual Tool Calling“: die KI gezielt führen, statt sie frei interpretieren zu lassen. Dementsprechend kann diese Entscheidung vom Menschen vorab getroffen und somit das Ergebnis verbessert werden.
No-Agent-Pfade als einfache Fehlerprävention: Wer bei ONTEC AI bereits weiß, welches Werkzeug das richtige ist, kann es direkt starten. Als Bild ist es so, als würde man dem KI-Kollegen einen Aktenordner hinlegen, in dem er suchen soll, anstelle in das gesamte Büro -oder die ganze Stadt- durchsuchen zu lassen.
Sinnvolle Multimodalität
In der Praxis kommen strukturierte Daten, Dateien und Bilder ebenso vor wie mehrstufige Abläufe, die eine Klarstellungsfrage erfordern.
Gute UIs erkennen diese Vielfalt und wählen bewusst das passende Medium: Für strukturierte Eingaben sind dynamische Formulare und Validierungen besser als freier Text; bei komplexen Prozessen helfen gezielte Rückfragen, um Parameter eindeutig zu erfassen.
Dasselbe gilt für die Ausgabe: Viele Ergebnisse lassen sich nicht sinnvoll als Fließtext darstellen. Karten, Diagramme, interaktive Tabellen oder direkt bearbeitbare Dokumente (z. B. Excel, Word, PDF) machen Informationen schneller prüfbar und Entscheidungen belastbarer.
Die wachsende Komponentenbibliothek von ONTEC AI umfasst Tabellen mit Inline-Validierung, Vorschau- und Bearbeitung von Office-Dokumenten sowie Bild-Tools und Karten-Widgets. Der Chat bleibt Hub – die Komponenten liefern Präzision und Übersicht.
Transparenz ohne Überforderung: Informationsarchitektur für LLM-Zeiten
Transparenz ist kein Selbstzweck – sie soll Entscheidungen verbessern, nicht Menschen mit Informationen erschlagen. Die passende Tiefe hängt von Rolle, Kontext und Risiko ab.
Moderne KI-Assistenten erzeugen enorme Mengen an Zwischenergebnissen. Die Kunst liegt darin, Transparenz so zu gestalten, dass Menschen informierte Entscheidungen treffen können, ohne im Detailrauschen zu ertrinken.
In der Praxis bewährt sich ein progressives Transparenzmodell. Dieses trennt drei Ebenen:
Entscheidend für die Freigabe: In der Standardansicht sieht man Kernaussage, eine kurze Begründung und die wichtigste Quelle oder Messgröße. Das reicht für viele Freigaben und hält die Oberfläche ruhig
Nützlich für die Nachvollziehbarkeit: Wer mehr wissen muss, klappt Details auf: verwendete Daten, Zwischenschritte, Parameter
Bei ONTEC AI priorisieren wir Relevanz: Standardansichten liefern Kernaussage, Begründung in einem Satz und die wichtigste Quelle. Bei risikoreicheren Aktionen ist die Freigabe durch den Menschen Pflicht (Guardrails); unkritische, reversible Schritte laufen automatisch. Wir markieren Unsicherheiten. Kritische Workflows sind durch Prüfpunkte segmentiert. So entsteht ein System, das mitwächst – ohne die Nutzer aus der Verantwortung zu entlassen.
Wie viel Transparenz für wen?
Unterschiedliche Nutzergruppen haben unterschiedliche Bedürfnisse, zum Beispiel:
Entscheiderinnen wollen knappe Zusammenfassungen mit klar benannten Risiken und einer Empfehlung.
Fachexpertinnen verlangen Belegstellen, Annahmen, Schwellenwerte und die Möglichkeit, Parameter anzupassen.
Admins und Compliance-Teams brauchen lückenlose Nachvollziehbarkeit und Exportfunktionen.
Gute Systeme respektieren diese Unterschiede, ohne die Bedienung zu fragmentieren. Wichtig ist auch die Art der Darstellung. Statt massenhaft Roh-Logs zu zeigen, helfen strukturierte Erklärungen: Warum kam diese Empfehlung zustande? Welche Alternativen wurden verworfen – und warum? Wo ist das Modell unsicher?
Werden diese Informationen klar, knapp und an der richtigen Stelle präsentiert, erkennen Menschen Halluzinationen schneller, verifizieren effizienter und bleiben handlungsfähig.
Transparenz bedeutet nicht alles zeigen, sondern das Richtige und Wichtige zeigen – und den Weg zur Tiefe offenhalten.
Florian Schwegel, AI Developer & Designer bei ONTEC AI
Standardmäßig präsentiert ONTEC AI die Kernaussage mit der zentralen Begründung und der relevantesten Quelle. Ein Klick öffnet die nächsttiefere Ebene: verwendete Tools, Parameter, Zwischenergebnisse. Bei hoher Modellunsicherheit oder hohem Risiko erhöhen wir automatisch den Detailgrad und verlangen eine Freigabe. Vollständige Protokolle stehen für Audits bereit, inklusive Kosten- und Laufzeitdaten. So bleibt die Oberfläche schlank – und doch transparent, wenn es darauf ankommt.
Wer darf was – und wann? Kontrolle, Rollen, Governance
Gute KI-Systeme verknüpfen Bedienbarkeit mit Governance. Rollen- und Rechtemodelle regeln, welche Daten und Werkzeuge Assistenten nutzen dürfen. Kritische Aktionen gehören hinter klare Freigaben; Kosten- und Laufzeitgrenzen verhindern Überraschungen. Eskalationspfade und Undo-Möglichkeiten stärken Vertrauen.
Bei ONTEC AI sind Assistenten rollenspezifisch vorkonfiguriert (Werkzeuge, Datenräume, Freigaben). Admins erhalten volle Auditability; Fachnutzer sehen Belege; Entscheider bekommen kompakte Zusammenfassungen mit klaren Risiken – je nach Rolle unterschiedlich tief.
Fehler und Feedback
Auch KI macht Fehler, das ist praktisch unvermeidbar: Wo der menschliche Input nicht korrekt oder ideal war, wird auch die KI nur unzulängliche Ergebnisse liefern können. Mit RAG-Systemen lassen sich Fehler minimieren, jedoch nie vollständig umgehen.
In der Entwicklung betrachten wir Fehler als Lernsignale – entscheidend ist, sie knapp, strukturiert und nachvollziehbar zu behandeln. Allgemein bewährt sich: nach Schweregrad und Häufigkeit priorisieren, vom System früh validieren lassen (Pflichtfelder, Plausibilitäten), klare und handlungsorientierte Hinweise geben.
Ziel ist ein geschlossener Feedback-Kreis: vermeiden, erkennen, erklären, korrigieren, dokumentieren – ohne die Produktivität zu bremsen.
Bei ONTEC AI gibt es ein Feedback-Modul, anhand dessen Nutzer ihre Zufriedenheit detailliert festhalten können. Diese Daten können wiederum zur weiteren Optimierung herangezogen werden – von der IT-Abteilung des Kunden bzw. vom ONTEC AI Team. Im Übrigen hat unser Team umfassende Evaluierungsmaßnahmen implementiert, beispielsweise zur Erfassung der Performance unterschiedlicher KI-Modelle in unterschiedlichen Anwendungsbereichen.
Trends in KI Interfaces
Leistungsfähigere Modelle, mehr Informationen – Transparenz gezielt dosieren Größere Kontexte und agentische Abläufe erzeugen mehr Zwischenschritte und Outputs, als Menschen sinnvoll überblicken können. Statt „alles zeigen“ braucht es klare Entscheidungen: Was ist für die Freigabe relevant, was gehört in die Detailansicht, was nur ins Protokoll? Progressive Transparenz hält Nutzer handlungsfähig.
Verstärkte Usage Patterns UX beginnt vor der UI: Die Nutzerreise startet längst vor der sichtbaren Oberfläche – bei Integrationen, Rechten, Datenzugriff, Monitoring und Kostenkontrolle. Menschen kommen mit wachsendem Vorwissen (und Erwartungen) aus anderen Tools zur UI; diese muss vertraute Muster aufgreifen, ohne notwendige Spezialisierungen zu scheuen. UI/UX‑First und Governance‑by‑Design sind damit UX‑Themen, nicht nur Technik.
Wachsende Kraft von Prompts Das LLM sieht oft nur wenig vom Nutzerinput: In großen Kontextfenstern konkurriert der Nutzerbeitrag mit System‑ und Tool‑Prompts; häufig prägen letztere das Verhalten stärker als die eigentliche Chat-Nachricht. Deshalb sind klare, versionierte System Prompts, Guardrails, Rollenrahmen und vor allem eine Context Management Strategie entscheidend – inklusive Sichtbarkeit dafür, was „unter der Haube“ wirksam ist. Auch hier gilt eine sorgfältige Abwägung, inwiefern der Nutzer in das Kontext Management eingreifen können soll – und wie er über den Kontext Zustand informiert wird.
Context Management Strategie
LLM-Anfragen sind naturgemäß zustandslos: Das Modell kennt weder die Konversation noch den Kontext; bei jeder Anfrage muss sämtlicher relevanter Inhalt erneut übermittelt werden. Ein Beispiel, ein Gespräch mit der KI über ein Buch: Zunächst wird gefragt, was auf Seite 27 steht, anschließend auf Seite 38 und schließlich auf Seite 300. Bei jeder dieser Anfragen wird das gesamte Buch erneut übertragen; bei der dritten Anfrage sind zudem die Antworten der ersten beiden enthalten – es entsteht also mehrfache Redundanz. Eine Context Management Strategie fragt: Welche Teile der Verlaufshistorie sollten entfernt werden, welche sind essenziell? Beispielsweise kann zwischendurch eine Zusammenfassung erstellt werden, um die Zeichenanzahl zu reduzieren und dennoch den Kontext zu bewahren.
Rückkehr zu Kontrollübernahme: Viele Kunden wünschen sich wieder ein Benutzerinterface, welches sie miterfinden, und steuern können. Buttons, Drop-downs, Felder zur Dateneingabe.
Zusammenfassung und Key Take Aways
Tatsächlich sind viele der besprochenen Fragestellungen oft gar nicht so eindeutig zu beantworten. Im ONTEC AI Team zeigt sich das an einem regen Austausch zwischen Frontend, Backend und Product Teams, oftmals auch in philosophischer Form.
Fest steht:
LLMs / KI ist selbst ein Benutzerinterface. Und zwar eines, wo ein Button überflüssig sein kann, weil man in natürlicher Sprache Befehle geben kann. Man muss keine Software mehr steuern lernen/können, weil man in natürlicher Sprache seine Anliegen kommunizieren kann – das ist, was Agenten ermöglichen.
Chat ist der Einstieg, nicht das Ziel: Vertraute Konversation senkt Hürden, aber Präzision entsteht durch spezialisierte UI‑Komponenten und Multimodalität (Formulare, Tabellen, Karten). Wo es sinnvoll ist, führen Nutzer Tools bewusst manuell – „No‑AI“-Pfade sind oft die beste Fehlerprävention.
Verifikation vor Autopilot: Transparenz wird progressiv dosiert („Relevantes zuerst, Drill‑down bei Bedarf“), rollen- und risikobasiert. Der Mensch bleibt verantwortlich; Agenten arbeiten mit Guardrails und Freigaben, damit Ergebnisse prüfbar und sicher sind.
UX beginnt vor der UI: API‑First und Governance‑by‑Design (Rechte, Kosten, Monitoring) prägen die Nutzung, noch bevor jemand die Oberfläche sieht. Assistenten/Agenten sind modular und durch System Prompts gerahmt – das LLM sieht oft nur wenig vom Nutzer, daher sind klare Leitplanken und Integrationen entscheidend.
Die größte Herausforderung sind nicht bunte Oberflächen, sondern verlässlich korrekte Resultate.
FAQs
Was macht ein gutes KI‑Interface aus?
Ein gutes KI‑Interface nutzt Chat als vertrauten Einstieg, setzt für präzise Aufgaben aber auf spezialisierte Komponenten (Formulare, Tabellen, Karten) und Multimodalität. Transparenz ist progressiv dosiert: Kernaussage und wichtigste Quelle zuerst, Details bei Bedarf; Agenten arbeiten mit Guardrails, der Mensch bleibt im Loop. API‑First und Governance‑by‑Design (Rechte, Kosten, Monitoring) sorgen dafür, dass die UX schon vor der UI stimmt.
Wie erhöhe ich die Nutzung von KI durch Mitarbeitende mit einem KI‑Interface?
Vertraute Muster senken Hürden, schnelle Erfolgserlebnisse und klare Sprache schaffen Vertrauen; Schulung erfolgt gezielt dort, wo Prozesse komplex oder reguliert sind. Sichtbare Kontrolle (Belege, Unsicherheiten, Freigaben), rollenbezogene Sichten und die Option, Tools bewusst manuell zu wählen, erhöhen Akzeptanz – unterstützt durch einen integrierten Feedback‑Loop.
