Von UX zu AX – Warum Agentic AI das Designproblem verschiebt

Maeda greift auf Don Normans klassisches HCI-Modell zurück und reformuliert es für die Ära autonomer Agenten. In der UX-Ära überbrückten Designer den "Gulf of Execution" – sie halfen Menschen, Aufgaben auszuführen. Sie gestalteten Flows, Screens, Menüs und Pfade. In der AX-Ära verschiebt sich das Problem zum "Gulf of Evaluation" und der Frage: Wie helfe ich jemandem zu wissen, ob eine Aufgabe gut erledigt wurde?

Der Unterschied ist fundamental. UX setzt voraus, dass ein Mensch handelt und das Interface ihn dabei führt. AX setzt voraus, dass ein Agent handelt und der Mensch das Ergebnis beurteilt. Statt Klicks zu designen, designen wir Delegation. Statt Flows zu optimieren, gestalten wir Feedback-Loops: Aktion, Ergebnis, Bewertung, Korrektur.

Das ist mehr als ein neues Textfeld mit KI dahinter. Chatbot-Design und Conversational UI bleiben Teilmengen von UX – der Nutzer tippt, das System antwortet. AX beginnt dort, wo der Agent eigenständig entscheidet, in welcher Reihenfolge er welche Schritte ausführt, welche Tools er nutzt und wann er den Menschen einbezieht. Die Aufgabe des Designers verschiebt sich vom Screen zum System, vom Interface zur Orchestrierung.

Wenn Agenten autonom handeln, brauchen Nutzer neue Kontrollmechanismen. Victor Yocco – UX-Researcher bei ServiceNow und Autor des kommenden Fachbuchs Designing Agentic AI Experiences – hat im Smashing Magazine das bisher konkreteste Pattern-Framework veröffentlicht. Sechs Patterns, organisiert entlang dreier Phasen: Pre-Action, In-Action, Post-Action. Drei davon verdienen besondere Aufmerksamkeit.

Intent Preview – der Agent zeigt seinen Plan, bevor er handelt. Keine technische Logausgabe, sondern eine menschenlesbare Vorschau: „Ich werde Flug AA123 nach San Francisco stornieren." Der Nutzer hat drei Optionen: zustimmen, den Plan anpassen oder die Aufgabe selbst übernehmen. Das klingt nach einer Kleinigkeit. Tatsächlich ist es der entscheidende Moment, in dem Vertrauen entsteht oder scheitert. Yocco beschreibt den Intent Preview als bewusste Verlangsamung – eine Designentscheidung gegen Effizienz und für Kontrolle. Yoccos Richtwert: Liegt die Akzeptanzrate des vorgeschlagenen Plans unter 85 Prozent, stimmt etwas mit dem Agenten nicht – dann braucht das KI-Modell ein Update, nicht das Interface.

Autonomy Dial – ein Regler, der definiert, was der Agent eigenständig tun darf. Nicht global, sondern pro Aufgabentyp. Vier Stufen: beobachten und vorschlagen, planen und vorlegen, vorbereiten und bestätigen lassen, autonom handeln. Entscheidend ist die Granularität. Ein Nutzer, der dem Agenten erlaubt, Kalendereinträge zu verschieben, will ihm deshalb nicht die Berechtigung geben, Verträge zu kündigen. Yoccos Warnung: Ein einziger Fehler auf der falschen Autonomiestufe führt dazu, dass Nutzer den Agenten vollständig aufgeben – statt die Berechtigungen zurückzudrehen.

Action Audit & Undo – ein chronologisches Protokoll aller Agentenaktionen mit zeitlich begrenzten Rückgängig-Fenstern. Das wirksamste Vertrauenselement überhaupt. Die Möglichkeit, eine Agentenaktion rückgängig zu machen, senkt die Hemmschwelle für Delegation stärker als jede Erklärung. Yocco verweist auf das Service Recovery Paradox: Ein Nutzer, der einen Fehler erlebt und eine reibungslose Korrektur erfährt, kann loyaler werden als ein Nutzer, der nie einen Fehler gesehen hat. Schwellenwert: Liegt die Reversion Rate bei einem Aufgabentyp über fünf Prozent, sollte die Automation dort deaktiviert werden.

Parallel zu diesen Patterns hat Microsoft Design ein Prinzipien-Framework veröffentlicht, das einen bemerkenswerten Perspektivwechsel vollzieht. Statt Unsicherheit zu kaschieren, erhebt Microsoft sie zum inhärenten Designelement: Ein gewisses Maß an Unsicherheit sei bei Agenten zu erwarten – und genau deshalb müssen Reasoning und Konfidenzniveau sichtbar sein.

Das Framework gliedert sich in drei Prinzipien: Transparenz – Nutzer wissen, dass KI beteiligt ist, wie sie funktioniert und wie sie Feedback geben können. Kontrolle – Nutzer können Präferenzen setzen und das System anpassen, einschließlich der Möglichkeit, Daten löschen zu lassen. Konsistenz – die Experience funktioniert über Geräte und Modalitäten hinweg mit vertrauten UI-Elementen.

In der Praxis zeigt sich das bereits in Copilot Cowork, Microsofts agentischem Arbeitsmodus innerhalb von Microsoft 365. Komplexe Anfragen werden in mehrstufige Aufgaben zerlegt, der Fortschritt ist sichtbar, der Nutzer kann jederzeit nachsteuern. Mitarbeiter interagieren mit dem Agenten wie mit einem Kollegen – in Teams-Chats, nicht in einem separaten Tool. Die Grenze zwischen Delegation an einen Menschen und Delegation an einen Agenten verschwimmt bewusst.

Die Rollenverschiebung ist bereits sichtbar. Maeda formuliert es so: Der Designer der Zukunft ist weniger Ausführender und mehr Kritiker, Editor und Richter. Das bedeutet nicht, dass jeder Designer programmieren muss. Aber jeder Designer muss verstehen, wie Systeme, Loops und Feedback-Mechanismen funktionieren.

Figmas Daten machen die Lücke greifbar, die AX schließen soll: 78 Prozent der Designer sagen, KI mache sie effizienter – aber nur 32 Prozent vertrauen dem KI-Output. Diese Diskrepanz ist kein Kommunikationsproblem. Sie ist das Designproblem, für das AX die Antwort liefert.

Ein praktisches Planungsinstrument dafür liefert das Autonomie-Framework von Feng, McDonald und Zhang (University of Washington), publiziert im Knight First Amendment Institute. Es definiert fünf Level – von Operator (Nutzer hat jederzeit Kontrolle) bis Observer (Agent operiert unabhängig, Nutzer beobachtet nur). Die zentrale Erkenntnis: Autonomie ist eine Designentscheidung, keine Fähigkeitsfrage. Ein hochfähiger Agent kann bewusst für niedrige Autonomie designt werden – weil der Kontext es erfordert. Wer an einem Kundenportal arbeitet, sollte heute schon die Frage stellen: Auf welchem Level operiert der Agent in diesem Workflow? Die Antwort bestimmt, welche Patterns implementiert werden müssen.

Das Zeitfenster erinnert an 2008, als die ersten Teams mobile UX ernst nahmen, oder an 2012, als Responsive Design vom Experiment zum Standard wurde. Wer jetzt AX-Patterns etabliert, definiert, wie die nächste Generation digitaler Produkte mit Delegation, Vertrauen und Autonomie umgeht.

Aber die Euphorie hat Grenzen. Gartner prognostiziert, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 scheitern werden – wegen eskalierender Kosten, unklarem Mehrwert oder fehlender Governance. KPMGs Q1 2026 AI Pulse zeigt: 63 Prozent der Unternehmen verlangen bereits menschliche Validierung von Agentenoutputs – gegenüber nur 22 Prozent ein Jahr zuvor. Der Trend geht nicht Richtung blindes Vertrauen. Er geht Richtung strukturiertes Misstrauen.

Und genau hier liegt der Gestaltungsauftrag. AX ohne Trust-Design wird nicht skalieren. Agenten, die keine nachvollziehbaren Entscheidungen treffen, keine Rückgängig-Optionen bieten und kein abgestuftes Autonomiemodell haben, werden nicht angenommen – egal wie leistungsfähig sie technisch sind.

Mit Agentic Experience hat sich das Designproblem verschoben – von der Ausführung zur Bewertung, vom Interface zum System, vom Klick zur Delegation. Diese Verschiebung ist nicht reversibel. Die Frage ist nicht, ob sie digitale Produkte betrifft, sondern wie schnell Teams darauf reagieren. Drei Schritte, die jetzt sinnvoll sind: Erstens – bestehende Produkte auf Aufgaben überprüfen, die sich für Delegation eignen. Zweitens – Trust-Patterns wie Intent Preview, Autonomy Dial und Action Audit in den Backlog von Design Systems aufnehmen. Drittens – Autonomie-Level als bewusste Designentscheidung, nicht als technisches Nebenprodukt definieren. Wer diese Patterns jetzt verankert, schafft Produkte, denen Nutzer Aufgaben anvertrauen – und erschließt damit ein Effizienz- und Automatisierungspotenzial, das mit klassischen Interfaces nie erreichbar war.

Sie wollen KI-Agenten in Ihre digitalen Produkte integrieren? 21TORR verbindet UX-Expertise mit KI-Strategie – von der Autonomie-Analyse bis zum Trust-Pattern-Design. Lassen Sie uns darüber sprechen, was AX für Ihr nächstes Projekt bedeutet.