Abstract
Die Evaluation von User Interfaces durch menschliche Nutzertests ist im agilen Produktentwicklungsprozess oft der zeitliche und finanzielle Flaschenhals. Der Predictive Usability Optimizer (PreUO) setzt hier als rein analytisches Werkzeug an, um Interfaces noch vor dem ersten echten Nutzertest schnell und kosteneffizient zu evaluieren. Das Tool richtet sich gleichermaßen an UX/UI-Designer sowie an Entwickler ohne Design-Expertise.
Als primäre Desktop-Anwendung konzipiert, emuliert PreUO vertraute Design-Strukturen und kombiniert komplexe algorithmische Analysen mit einem radikalen Fokus auf Transparenz und Nutzerkontrolle (User Agency). Durch den Einsatz von maßgeschneiderten Silicon Personas simuliert das System Interaktionspfade, deckt blinde Flecken im Design auf und macht die analytischen Denkprozesse der KI visuell greifbar.
Problemstellung & Reflexion
In der modernen Softwareentwicklung kollidieren schnelle Release-Zyklen mit dem hohen Aufwand qualitativer Nutzertests. Designer und Entwickler arbeiten oft so lange an einem Interface, bis sie „betriebsblind“ werden. Man versteht die eigene Logik blind, weiß aber nicht, ob ein unvoreingenommener Nutzer das Design ebenso intuitiv begreifen würde.
Das fundamentale Learning (KI vs. Mensch):
Im Zuge der Domain Research und Konzeption kristallisierte sich eine fundamentale Erkenntnis heraus: Synthetische KI-Agenten können und werden den echten menschlichen Nutzertest niemals komplett ersetzen. Sie verhalten sich hochgradig pragmatisch, rational und deterministisch. Sie können exakt berechnen, ob ein Element auffindbar ist oder wie schnell ein Pfad absolviert wird. Emotionale Nuancen wie Joy of Use, subtile Frustration oder demografisch geprägte Design-Biases und Halluzinationen lassen sich jedoch kaum simulieren.
PreUO versteht sich daher nicht als Allheilmittel, sondern als Werkzeug für die frühe Phase („Early Stage“). Er dient dazu, in schnellen, iterativen Zyklen erste grobe Fehler im Interface aufzudecken, Denkblockaden der Macher zu lösen und Kosten zu sparen, bevor das Design an echten Menschen getestet wird.
Fokus auf zerstörungsfreie Analyse:
Da es sich bei PreUO um eine fast ausschließlich analytische Anwendung von KI handelt, generiert das System keine eigenen UI-Inhalte, sondern kommentiert, bewertet und validiert lediglich bestehende Strukturen. Für den Nutzer hat dies einen entscheidenden Vorteil im Workflow: Es besteht keinerlei Gefahr, das eigene Design oder den zugrundeliegenden Code durch die KI zu beschädigen oder „kaputtzumachen“. Der Fokus liegt ganz auf der Transparenz der Bewertung und der Kontrolle durch den Nutzer, Fehler der KI einfach zu ignorieren oder zu korrigieren.
Lösung & Interface
Die Anwendung wurde gezielt als Desktop-Interface entwickelt, um sich nahtlos in die Arbeitsumgebung der Zielgruppe einzufügen. Da das Tool primär analytisch statt generativ arbeitet (es erschafft keine eigenen Inhalte, sondern bewertet und kommentiert bestehende Strukturen), steht maximale Transparenz im Vordergrund.
Vertrautheit und Variantenvergleich (Die Tab-Struktur)
Das Layout orientiert sich bewusst an etablierten Tools wie Figma oder Visual Studio Code. Über eine obere Tab-Leiste können Nutzer parallel zwischen verschiedenen Projekten und Testlauf-Iterationen wechseln.
Die Tab-Logik als Sicherheitsnetz:
Diese Struktur löst nicht nur das Bedürfnis nach einem direkten Variantenvergleich (z. B. nach einer minimalen Änderung am Design), sondern fungiert auch als funktionales Sicherheitsnetz. Da die KI rein analytisch arbeitet und jeder Testlauf isoliert in einem eigenen Tab stattfindet, lädt das Interface zum völlig angstfreien Experimentieren ein. Nutzer können verschiedene Parameter hochdrehen, ohne Sorge zu haben, den vorherigen Arbeitsstand zu überschreiben oder zu korrumpieren.
Flexibler Input & Test-Modi
Beim Erstellen eines Projekts können sowohl visuell verknüpfte Figma-Prototypen als auch Code-Skripte hochgeladen werden. Danach stehen zwei Testarten zur Auswahl:
Einfache UI-Analyse: Filtergestützte Untersuchung von Layout und Konsistenz.
Mission-based Agent Test: Die erweiterte Verhaltensanalyse durch autonome KI-Agenten.
Umsetzung & KI-Usability (Fokus PAIR / HAX)
Das Interfaces wurde nach den Design-Prinzipien für KI-Applikationen (Google PAIR & Microsoft HAX) entworfen:
User Agency & Control: Parametrisierung statt Black Box
Um dem deterministischen Charakter der KI entgegenzuwirken, behält der Nutzer die volle Kontrolle. Vor dem Test definiert er den Happy Path (den idealen Zielweg).
Silicon Personas: Über vordefinierte Presets oder feingranulare Prompts lassen sich bis zu drei verschiedene Agenten-Typen konfigurieren, um menschliche Diversität ansatzweise abzubilden.
Erweiterte Einstellungen (Power User Settings): Hier können Parameter wie maximale Klickzahl, Abbruchbedingungen und der Denkaufwand (Auswahl der KI-Modelle) feinjustiert werden. Um potenziell unendliche Schleifen im System abzufangen, lässt sich hier auch definieren, ob Agenten Loops laufen oder rückläufig zurückspringen dürfen.
Autonomiegrad: Nutzer können einstellen, ob die KI völlig autonom agiert oder ob im „Step-by-Step“-Modus jeder Klick einzeln vom Menschen bestätigt werden muss.
Trust Calibration: Transparentes Laden
Je nach gewähltem KI-Modell und Komplexität nimmt die Simulation Zeit in Anspruch. PreUO löst das klassische Black-Box-Problem beim Laden durch ein duales System: Ein Fortschrittsbalken (Progress Bar) liefert eine verlässliche Zeiteinschätzung, während ein parallel laufender originaler Denkprozess-Log die analytischen Schritte der KI in Echtzeit mitlesbar macht.
Error & Hallucination Handling: Direktes Feedback & Pfad-Verwerfung
Ein absolutes Kernfeature des Interfaces ist die Möglichkeit für den Nutzer, fehlerhafte KI-Entscheidungen sofort zu korrigieren:
Micro-Feedback (Daumen hoch / runter): Beim Hovern über eine Agenten-Entscheidung kann diese direkt bewertet werden. Ein optionaler Kommentar-Slot signalisiert dem Nutzer: „Das hilft beim Training, dieser Fehler wird beim nächsten Mal vermieden.“
Radikales Verwerfen: Erkennt der Nutzer, dass eine Entscheidung der KI völlig unrealistisch oder unlogisch ist, kann er den gesamten Pfad oder spezifischen Klick mit einem Klick verwerfen.
Echtzeit-Berechnung: Sobald ein Pfad verworfen wird, ignorieren die Algorithmen diesen Datensatz. Alle Erfolgsquoten im Dashboard, der Node-Ansicht und der Screen-Ansicht passen sich automatisch und sofort an. Der Nutzer behält die absolute Oberhoheit über die Validität der Daten.
Die Ergebnisräume: Node & Screen-Ansicht
Nach der Simulation spaltet sich das Interface in zwei komplementäre Ergebnisräume:
A. Die Node-Ansicht (Tree View)
Ein dynamisches visuelles Netzwerk zeigt den Weg der Agenten: Der vordefinierte Happy Path leuchtet in der Primärfarbe, während nicht zielführende Abzweigungen dunkelgrau dargestellt werden. Die Dicke der Verbindungslinien symbolisiert den prozentualen Anteil der Agenten. Mittels KI-Zusammenfassungen und Hover-Effekten wird die analytische Beurteilung an jedem Knotenpunkt sofort aufgeschlüsselt.
B. Die strukturierte Screen-Ansicht (Praxisbeispiel: swaxi App)
Als konkretes Testobjekt für den Prototypen wurde die Augsburger On-Demand-Ridepooling-App „swaxi“ herangezogen. Diese eignet sich hervorragend, da sie im aktuellen Zustand deutliche Schwachstellen in den Bereichen visuelle Überladung und Misalignment aufweist.
In der Screen-Ansicht lassen sich die Fehler über drei logische Rubriken filtern:
KI-Agenten-Simulation: Visualisierung von zielführenden vs. nicht zielführenden Klicks sowie eine allgemeine Click Confidence via Heatmaps. Bei der swaxi App zeigt sich hier exakt, wo Agenten aufgrund visueller Überflutung die Orientierung verlieren.
UI & Layout Analysen: Technische Überprüfung von Alignment, Grid-Systemen, Abständen und simulierten Eye-Tracking-Verläufen (macht das Misalignment der App messbar).
Barrierefreiheit (Accessibility): Prüfung von Kontrasten, Schriftgrößen und Screenreader-Konformität.
Fazit & Reflexion
Kritische Momente & das Problem der Datenkomplexität:
Interfaces neigen theoretisch zu extrem komplexen, sich selbst schließenden Kreisläufen. Lädt ein Nutzer eine riesige Anwendung mit hunderten Screens und komplett ineinander verzahnten Verläufen hoch, explodiert die visuelle Komplexität in der Node-Ansicht.
Ehrlich gesagt war dies die größte Herausforderung beim Design des interaktiven Prototypen: Die Darstellung von unendlichen Agenten-Loops und Rücksprüngen wäre ohne eine echte, algorithmische Engine rein händisch in Figma visuell schlicht nicht mehr darstellbar gewesen. Für die Validität des UI-Prototypen wurde diese Funktion in den erweiterten Einstellungen für das swaxi-Szenario daher bewusst deaktiviert. Das Interface zeigt so jedoch, dass es genau für diese Komplexität ausgelegt ist, indem es dem Nutzer die Möglichkeit gibt, solche Schleifen per Klick ein- oder auszuschalten, um die Visualisierung lesbar zu halten.
