Zum Inhalt springen

Blog

Produktentwicklung & Technologie

Onboarding für KI-Produkte: Nutzer zur ersten guten Antwort führen

Führen Sie Nutzer eines KI-Produkts ein, indem Sie sagen, was es kann und was nicht, Beispiel-Prompts und Beispieldaten anbieten und in der ersten Sitzung eine nützliche Antwort erreichen.

8 Min. Lesezeit
Gedithertes Bild einer Marmorhand, die eine Öllampe über eine Schwelle hinausstreckt, ihre rosa Flamme beleuchtet die ersten Steine eines Mosaikpfads.
Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

Ein KI-Produkt sollte neue Nutzer einführen, indem es sie in der ersten Sitzung zu einer nützlichen Antwort führt. Sagen Sie klar, was das Produkt kann und was nicht, ersetzen Sie das leere Prompt-Feld durch Beispiel-Prompts und Beispieldaten und schlagen Sie eine erste Aufgabe vor, die risikoarm und schnell zu prüfen ist. Erklären Sie den Nutzen, nicht das Modell.

Stellen Sie sich eine kleine Beratung vor, die sich für ein KI-Tool anmeldet, das verspricht, „jedes Kundenmeeting zusammenzufassen“. Der erste Bildschirm ist ein leeres Textfeld mit blinkendem Cursor. Ein Partner tippt „hilf mir mit meinen Meetings“ und bekommt eine generische Liste von Tipps. Ein anderer fügt ein zweistündiges Transkript ein und bekommt eine Zusammenfassung, die die entscheidende Entscheidung verfehlt. Keiner kommt wieder. Das Tool könnte gut gewesen sein. Niemand hat ihnen gezeigt, wie eine gute Anfrage aussieht oder was das Tool von ihnen braucht, um eine gute Antwort zu geben.

Warum ist Onboarding bei KI-Produkten schwerer als bei normaler Software?

KI-Produkte sind schwerer einzuführen, weil Nutzer beschreiben müssen, was sie wollen, statt auf eine Schaltfläche zu klicken, und weil die Ausgabe von Versuch zu Versuch variiert. Ein neuer Nutzer kann die Grenzen des Produkts nicht aus seinen Menüs ablesen und lernt sie daher durch Scheitern.

Jakob Nielsen hat das früh in AI: First New UI Paradigm in 60 Years (Juni 2023) benannt: „Der aktuelle chatbasierte Interaktionsstil leidet auch darunter, dass Nutzer ihre Probleme als Fließtext ausschreiben müssen.“ Herkömmliche Software zeigt ihre Optionen. Ein Prompt-Feld verbirgt sie.

Es gibt ein zweites Problem: Erwartungen. Das People + AI Research Team von Google schreibt in seinem Kapitel zu Mental Models: „Viele Produkte bereiten Nutzer auf Enttäuschung vor, indem sie versprechen, dass ‚KI-Magie‘ ihnen bei ihren Aufgaben hilft.“ Ein Nutzer, der Magie erwartet und eine gewöhnliche erste Antwort bekommt, entscheidet, dass das Produkt nicht funktioniert.

Das Onboarding eines KI-Produkts hat also zwei Aufgaben, die normales Onboarding nicht hat: Menschen beibringen, wie man fragt, und ehrliche Erwartungen an das setzen, was zurückkommt.

Was bedeutet eine „erste gute Antwort“?

Eine erste gute Antwort ist die erste Ausgabe, die ein neuer Nutzer tatsächlich verwenden würde: korrekt, relevant für seine eigene Arbeit und besser oder schneller als das, was er allein getan hätte. Sie ist das KI-Pendant zu einem Aktivierungsereignis, und das Onboarding sollte von ihr aus rückwärts gestaltet werden.

Um sie für Ihr Produkt zu definieren, beantworten Sie drei Fragen:

  1. Mit welcher Aufgabe kommt ein neuer Nutzer am wahrscheinlichsten? Nicht die beeindruckendste Aufgabe, die häufigste.

  2. Was braucht das Modell, um diese Aufgabe gut zu erledigen? Kontext, eine Datei, ein verbundenes Konto, eine klare Anweisung.

  3. Woran erkennt der Nutzer, dass die Antwort stimmt? Wenn er sie nicht schnell prüfen kann, wird er ihr nicht vertrauen, auch wenn sie korrekt ist.

Die Antworten zeigen meist, dass die erste Sitzung enger sein sollte als das Produkt. Ein Tool, das jedes Dokument analysieren kann, sollte mit einer Art Dokument und einer Art Frage beginnen.

Wie helfen Beispiel-Prompts und Beispieldaten neuen Nutzern?

Beispiel-Prompts zeigen Nutzern, wie eine gute Anfrage aussieht, und Beispieldaten lassen sie ein echtes Ergebnis sehen, bevor sie etwas Eigenes hochgeladen haben. Zusammen ersetzen sie das leere Feld durch einen ersten Schritt, der wahrscheinlich funktioniert.

Zwei Marmorfingerspitzen drücken eine geschnitzte Holzform in weichen Ton und hinterlassen einen sauberen rosa Abdruck

Richtlinie 1 von Microsoft für die Mensch-KI-Interaktion, Make clear what the system can do, listet Muster genau dafür auf, darunter „Mögliche Systemeingaben demonstrieren“ und „Eine Reihe von Systemausgaben zeigen“. Die Hinweise der Nielsen Norman Group zum Gestalten leerer Zustände gehen in dieselbe Richtung: „Nutzen Sie leere Zustände für Lernhinweise“ und „Nutzen Sie leere Zustände, um direkte Wege zu zentralen Aufgaben zu bieten“.

Was einen guten Beispiel-Prompt ausmacht

  • Er ist auf die Aufgabe des Nutzers zugeschnitten. „Fasse dieses Verkaufsgespräch zusammen und liste die nächsten Schritte mit Verantwortlichen auf“ lehrt mehr als „Fasse ein Meeting zusammen.“

  • Er zeigt die Form einer guten Anfrage. Nehmen Sie Kontext, Aufgabe und gewünschtes Rückgabeformat auf, damit Nutzer das Muster kopieren, nicht nur die Worte.

  • Er funktioniert jedes Mal. Testen Sie jedes Beispiel gegen das aktuelle Modell. Ein Beispiel, das beim ersten Klick scheitert, schadet mehr als gar keines.

  • Er ändert sich mit dem Nutzer. Wenn Sie die Rolle oder Branche des Nutzers aus der Anmeldung kennen, zeigen Sie Beispiele für diese Rolle.

Wann Beispieldaten einsetzen

Beispieldaten sind eine fertige Datei, ein Workspace oder ein Datensatzbestand, der mit dem Produkt ausgeliefert wird, damit neue Nutzer es risikofrei ausprobieren können. Nutzen Sie sie, wenn der Wert des Produkts von den eigenen Daten des Nutzers abhängt, etwa Dokumenten, einem CRM oder einer Tabelle, und das Anbinden dieser Daten Aufwand oder Genehmigung erfordert. Kennzeichnen Sie sie klar als Beispieldaten und machen Sie den Schritt von „an unseren probieren“ zu „an Ihren probieren“ zu einer einzigen, offensichtlichen Aktion.

Was sollte die erste Sitzung enthalten?

Die erste Sitzung sollte eine kurze Aussage enthalten, was das Produkt kann und was nicht, eine vorgeschlagene Aufgabe, die der Nutzer in Minuten abschließen kann, ein Ergebnis, das er prüfen kann, und einen klaren nächsten Schritt. Alles andere kann warten, bis der Nutzer es braucht.

Diese Checkliste ist eine praktische Art, eine erste Sitzung zu überprüfen:

  • Eine einzeilige Aussage, was das Produkt gut kann, formuliert als Nutzen, nicht als Technologie.

  • Ein schlichter Hinweis, was es noch nicht kann, vor der ersten Anfrage gezeigt, nicht nach dem ersten Scheitern.

  • Zwei bis vier Beispiel-Prompts für die häufigste Einstiegsaufgabe, wo möglich auf die Rolle des Nutzers zugeschnitten.

  • Beispieldaten, wenn das Produkt die Daten des Nutzers braucht, um seinen Wert zu zeigen.

  • Eine vorgeschlagene Aufgabe, die risikoarm und umkehrbar ist.

  • Eine Antwort, die ihre Quellen oder ihren Lösungsweg zeigt, damit der Nutzer sie prüfen kann.

  • Eine Möglichkeit, Feedback zur Antwort zu geben, etwa eine Bewertung oder ein „Das ist falsch“-Button.

  • Ein klarer nächster Schritt, etwa die eigenen Daten anbinden oder das Ergebnis speichern.

Die PAIR-Hinweise von Google stützen das meiste davon. Sie raten Teams, „bei der ersten Interaktion des Nutzers offen zu sagen, was Ihr Produkt kann und was nicht“, „eine risikoarme oder umkehrbare Aktion vorzuschlagen, die sie sofort ausprobieren können“, und beim Sprechen über die KI, „sich darauf zu konzentrieren, wie sie konkret einen Teil der Erfahrung verbessert oder neuen Wert liefert“.

Wie erklären Sie, was ein KI-Produkt nicht kann, ohne Nutzer zu verschrecken?

Erklären Sie Grenzen als konkrete, praktische Fakten in dem Moment, in dem sie zählen, nicht als Liste von Warnungen auf dem ersten Bildschirm. Nutzer vertrauen einem Produkt mehr, wenn seine Grenzen klar sind und das Produkt sich innerhalb davon verhält.

Das PAIR-Kapitel zu Mental Models bietet dafür ein einfaches Nachrichtenmuster: „Im Moment kann es nicht“, gefolgt von der Hauptbeschränkung. Koppeln Sie jede Grenze mit dem, was man stattdessen tun kann. „Es kann gescannte Bilder noch nicht lesen; laden Sie ein Text-PDF hoch oder fügen Sie den Text ein“ ist eine Grenze und ein Weg nach vorn in einem Satz.

Drei Gewohnheiten helfen:

  • Grenzen im Kontext zeigen. PAIR vermerkt, dass „Menschen besser lernen, wenn kurze, explizite Informationen genau dann erscheinen, wenn sie sie brauchen“. Sagen Sie Nutzern, dass ein Dateityp nicht unterstützt wird, wenn sie ihn hochladen wollen, nicht in einer Willkommenstour, die sie überspringen.

  • Unsicherheit sichtbar machen. Wenn die Antwort unvollständig oder das Modell unsicher ist, sagen Sie es in der Antwort selbst und zeigen Sie, woher die Informationen stammen.

  • Marketing und Produkt in Einklang halten. Wenn die Landingpage mehr verspricht, als die erste Sitzung einlöst, beginnt das Onboarding mit einem gebrochenen Versprechen. PAIR rät Teams, mit dem Marketing an „angemessener und konsistenter Kommunikation“ zu arbeiten.

Woran erkennen Sie, ob Ihr KI-Onboarding funktioniert?

Ihr Onboarding funktioniert, wenn die meisten neuen Nutzer in ihrer ersten Sitzung die von Ihnen definierte erste gute Antwort erreichen und wiederkommen, um es erneut zu tun. Messen Sie die Antwort, nicht die Tour.

Ein Marmorunterarm und eine Hand ziehen einen randvollen Eimer Glyphenwasser aus einem steinernen Brunnen hoch, die Oberfläche rosa beleuchtet

Was Sie erfassen sollten

  • Erste gute Antwort erreicht: der Anteil neuer Nutzer, die die definierte erste Aufgabe abschließen und das Ergebnis behalten, kopieren oder speichern.

  • Zeit bis zur ersten guten Antwort: wie lange es ab der Anmeldung dauert und wo Menschen stocken.

  • Nutzung von Beispielen und Beispieldaten: ob Nutzer mit einem Beispiel-Prompt oder Beispieldaten beginnen und ob diese Nutzer besser abschneiden als Menschen, die mit einem leeren Feld beginnen.

  • Negatives Feedback zu ersten Antworten: welche ersten Anfragen Antworten erzeugen, die Nutzer als falsch markieren.

  • Zweite Sitzung: ob Nutzer zurückkehren und das Produkt mit ihren eigenen Daten ausprobieren.

Was Sie in Nutzertests beobachten sollten

Führen Sie eine Handvoll Sitzungen mit Menschen durch, die Ihrem Zielnutzer entsprechen, geben Sie ihnen keine Anleitung über das Produkt selbst hinaus und beobachten Sie die ersten zehn Minuten. Notieren Sie, was sie zuerst tippen, wo sie zögern und den Moment, in dem sie entscheiden, ob das Produkt nützlich ist. Dieser Moment ist das, was das Onboarding verbessern soll.

So gehen wir bei Vizio AI vor

Wir gestalten Onboarding als Teil des Produkts, ausgehend von der ersten guten Antwort statt von Screens. Mit dem Gründerteam wählen wir die eine Aufgabe, mit der ein neuer Nutzer am wahrscheinlichsten kommt, definieren, wie eine nützliche Antwort darauf aussieht, und arbeiten heraus, was das Modell vom Nutzer braucht, um dorthin zu kommen.

Dann bauen wir die erste Sitzung rund um diese Aufgabe: Beispiel-Prompts, geschrieben für die Zielrolle, Beispieldaten, wo die eigenen Daten des Nutzers langsam anzubinden sind, und Grenzen, die vor der ersten Anfrage klar benannt werden. Wir testen sie früh mit echten Zielnutzern, oft solange der Rest des Produkts noch ein Prototyp ist, und ändern Beispiele und Texte anhand dessen, was Menschen tatsächlich tippen. Dasselbe Schleifendenken, das wir für Agenten nutzen und das in Design für KI-Agenten mit Freigaben und Rückgängig-Funktion behandelt ist, gilt auch hier: die Arbeit zeigen und den nächsten Schritt offensichtlich machen.

So baut unser Venture Studio KI-Produkte. Wenn Sie die Kernaufgabe noch nicht bestätigt haben, beginnen Sie mit dem Validieren einer Startup-Idee vor dem Bauen. Wenn das Produkt kurz vor dem Start auf Mobilgeräten steht, behandelt ein mobiles MVP ausliefern, das die Store-Prüfung besteht den nächsten Schritt.

Quellen

FAQs.

01

02

03

04

05

Mehr lesen.

Dithered illustration of two marble hands pulling a mason's line taut between stakes across bare ground at dawn, the first course of stones laid along it and a pink knot at the nearest stake.
Your First 30 Days With a Product Studio: What Happens Week by Week
7 Min.

The first 30 days with a product studio: week one sets access and goals, week two tests the riskiest assumption, weeks three and four ship a first slice.

Dithered illustration of a marble hand opening the case of a bracket clock to show a dense hidden mechanism, one small gear deep inside glowing red.
What Does an AI Agent Cost to Run? Tokens, Tools and the Hidden Line Items
6 Min.

An AI agent's running cost is model tokens across every step, plus retries, tool and search fees, hosting, monitoring and human review. Budget per task, not per token.

Dithered illustration of a fragmented marble face looking down at a jeweller's tray where gems are sorted by size, the largest stone glowing amber under a brass lamp.
AI Lead Scoring in Your CRM: Start With the Rules You Already Trust
7 Min.

Add AI lead scoring by writing down the rules sales already trusts, cleaning CRM data, then testing the AI score against those rules before reps use it.

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen