Hurra, wir haben eine gemeinsame Idee — aber ist sie auch gut?

Der große Moment am Ende eines anstrengenden Design-Studio-Workshops

Wer je einen Design-Studio-Workshop geplant und durchgeführt hat, kennt den Moment am Ende, in dem alle vollkommen erschöpft und glücklich sind. Stunden oder sogar Tage gemeinsamer Arbeit haben die Teilnehmenden zu einem Team gemacht, das eine gemeinsame Idee entwickelt hat und zu Recht stolz darauf ist. Professionell angewandt und engagiert moderiert schafft es die Methode, die Ideen aller Beteiligten über mehrere Runden auf einen gemeinsamen Nenner zu bringen.

Genau darin liegt die Stärke von Design Studio. Ein Workshop erzeugt Motivation und Verbindlichkeit; statt Überzeugungsarbeit entsteht Buy-in durch Beteiligung. Der große Vorteil: Wer dabei war, hat beigetragen, weiß, wie die Idee entstanden ist, kennt die Idee selbst und muss nicht mehr überzeugt werden. Design Studio eignet sich hervorragend dafür, gemeinsame Ideen und Visionen zu entwickeln und Buy-in bei Kolleginnen und Kollegen in sehr unterschiedlichen Rollen und über alle Hierarchien hinweg zu erzeugen — nur sieht die Methode selbst keinen Realitätscheck vor.

Ein Workshop beantwortet die Frage: Können wir uns auf diese Richtung einigen? Ein Realitätscheck beantwortet eine andere: Was passiert, wenn Menschen mit der Lösung konfrontiert werden, die an diesem gemeinsamen kreativen Prozess nicht beteiligt waren? Dieser Unterschied ist der Kern der Sache. Design-Studio-Workshops erzeugen Ownership. Belege erzeugen sie nicht automatisch.

Einigkeit zählt für Organisationen — aber wie gut ist die Qualität der Lösung?

Wenn Teams nach einem Workshop von „der besten Idee“ sprechen, lohnt eine andere Frage: beste Idee in welcher Hinsicht?

Ein Blick in die Forschung zur Ideenentwicklung zeigt, dass Ideenqualität mehrdimensional ist. Dean, Hender, Rodgers und Santanen haben Bewertungsmodelle für Ideen untersucht und beschreiben vier Dimensionen: „novelty, workability, relevance, and specificity“ (Dean et al., 2006). Eine Idee kann also neu sein, aber nicht tragfähig; sie kann machbar sein, aber kaum relevant; sie kann relevant sein und trotzdem zu vage bleiben. Genau diese Unterscheidung ist für Design-Studio-Workshops entscheidend.

Der typische Workshop erzeugt oft starke Resonanzsignale: Die Gruppe versteht die Idee, kann sie nacherzählen und findet sie plausibel. Resonanz ist aber nur eine Dimension. Eine Idee kann innerhalb des Workshops überzeugen und außerhalb trotzdem scheitern — an fehlender Konkretheit, an falschen Annahmen oder an zu viel Alltagsreibung.

Dazu kommt ein zweites Problem: Auch die Auswahl kreativer Ideen ist alles andere als trivial. In ihrer frei zugänglichen Studie zur Auswahl kreativer Ideen fassen Zhu, Ritter und Dijksterhuis zusammen, dass Menschen dazu neigen, „select mainstream ideas at the expense of creative ideas“ (Zhu et al., 2021). Das heißt nicht, dass jede konsensfähige Idee schlecht wäre. Es heißt: Die Dynamik, die Einigkeit erzeugt, begünstigt nicht automatisch die mutigste, die relevanteste oder die am Ende erfolgreichste Lösung.

Für Workshops ist das besonders relevant, weil dort nicht nur Ideen entstehen, sondern häufig auch verdichtet und priorisiert wird. Die Phase, in der aus vielen Möglichkeiten eine gemeinsame Richtung wird, ist sozial hoch aufgeladen. Menschen wollen konstruktiv sein. Sie wollen nicht als Blockierer dastehen. Sie suchen eine Lösung, die unter den gegebenen Rahmenbedingungen machbar wirkt. So kann sich eine Gruppe auf etwas einigen, das sehr gut klingt, aber zu wenig Widerstand aus der Realität erfahren hat.

Das Problem ist also nicht der Workshop. Das Problem ist, wenn der Workshop mit der Realität verwechselt wird.

Was dabei außen vor bleibt

Im Rückblick sehen viele technische Produkte so aus, als wären sie schon lange plausibel gewesen, bevor sie wirklich alltagstauglich waren. Google Glass hat früh gezeigt, dass technische Möglichkeit und soziale Akzeptanz nicht dasselbe sind. Metaverse-Visionen klangen in Strategiepräsentationen groß, scheiterten aber an banalen und deshalb entscheidenden Fragen: Wer setzt sich dafür regelmäßig ein Headset auf? Für welche Situation ist der Nutzen so stark, dass die Reibung in Kauf genommen wird? Auch bei Spatial-Computing-Produkten wie der Apple Vision lautet die zentrale Frage nicht nur, ob die Technik beeindruckt, sondern ob sie zu menschlichen Arbeitsweisen, Routinen, sozialen Situationen und zur Zahlungsbereitschaft passt.

Solche Beispiele sollte man nicht einfach als Fehlschläge abtun. In ihnen steckt enorme technische Leistung. Genau das macht sie interessant. Sie zeigen, dass sich ein Produkt nicht allein an seiner Machbarkeit messen lässt. Ein Produkt muss in das Leben von Menschen und zu ihren tatsächlichen Bedürfnissen passen.

Ein Workshop kann diese Frage nur begrenzt beantworten. Teilnehmende können sagen, dass sie ein Konzept hilfreich finden. Sie können eine Journey plausibel finden. Sie können eine Idee verteidigen, weil sie an ihrer Entstehung beteiligt waren. In diesem Moment nutzen sie die Lösung aber nicht unter realen Bedingungen. Sie bezahlen nicht dafür. Sie integrieren sie nicht in ihren Arbeitstag. Sie müssen nicht mit den sozialen Nebenwirkungen leben.

Deshalb braucht die beste gemeinsame Idee einen Schritt, der sie mit der Realität konfrontiert.

Können Prototypen und frühe Nutzertests beim Realitätscheck helfen?

Ein Prototyp stellt eine andere Frage als eine Ideenskizze aus dem Workshop. Die Skizze fragt: Kannst du dir vorstellen, dass diese Idee sinnvoll ist? Der Prototyp fragt: Was tust du, wenn du ihr begegnest?

Diese Verschiebung ist entscheidend. Im konzeptionellen Gespräch reagieren Menschen auf Beschreibungen. Im Prototypentest reagieren sie auf Reibung. Sie klicken an die falsche Stelle. Sie übersehen etwas. Sie deuten Begriffe anders. Sie geben auf. Sie suchen Informationen, die das Konzept nie vorgesehen hat. Sie nutzen eine Funktion anders als geplant. Oder sie verstehen sofort etwas, das im Workshop noch kompliziert wirkte.

Camburn et al. definieren einen Prototyp als „pre-production representation of some aspect of a concept or final design“ (Camburn et al., 2017). Das ist eine hilfreiche, nüchterne Definition: Ein Prototyp ist nicht die fertige Lösung. Er ist eine Vorform, die einen bestimmten Aspekt überprüfbar macht.

Genau darin liegt sein Wert. Ein guter Prototyp muss nicht alles können. Er muss die riskanteste Annahme sichtbar machen. Liegt die größte Unsicherheit darin, ob Nutzende die Navigation verstehen, reicht womöglich ein Klickdummy. Liegt sie in einer sozialen Situation, braucht es ein Szenario oder einen Wizard-of-Oz-Test. Liegt sie im körperlichen Verhalten, genügt ein Bildschirmprototyp nicht.

Auch die Forschung zu Low-Fidelity-Prototypen stützt diese differenzierte Sicht. In zwei Experimenten stellten Virzi, Sokolov und Karis fest, dass Prototypen mit niedrigem und hohem Detailgrad „substantially the same sets of usability problems“ zutage förderten (Virzi et al., 1996). Das ist ein starkes Argument gegen die Vorstellung, ein Realitätscheck sei erst mit einem nahezu fertigen Produkt möglich.

Dieselbe Quelle mahnt aber auch zur Vorsicht. Selbst ein Prototyp mit hohem Detailgrad kann eine „noisy approximation of the actual way“ sein, wie Menschen ein Produkt nutzen (Virzi et al., 1996). Ein Test ist also kein Orakel. Er ist eine kontrollierte Begegnung mit der Realität, nicht die Realität selbst.

Der Realitätscheck ist möglich und belastbar, aber begrenzt

Damit wird das Argument genauer: Frühe Nutzertests mit Prototypen können einen belastbaren Realitätscheck liefern, wenn klar ist, welche Frage sie beantworten sollen. Besonders stark sind sie bei Verständnis, Orientierung, Bedienbarkeit, wahrgenommener Relevanz und sichtbarer Reibung. Schwächer sind sie bei Zahlungsbereitschaft, langfristiger Nutzung, Gewohnheitsbildung und kultureller Akzeptanz.

Das ist keine Schwäche, solange man es weiß. Gefährlich wird es erst, wenn Teams aus einem kleinen Test viel zu große Schlüsse ziehen. Ein Prototypentest kann zeigen, dass Menschen eine Idee missverstehen. Er kann zeigen, dass eine zentrale Aufgabe nicht funktioniert. Er kann zeigen, dass ein vermeintlicher Nutzen nicht ankommt. Er beweist aber nicht, dass ein Produkt erfolgreich sein wird.

Der Realitätscheck nach einem Workshop sollte deshalb nicht fragen: Funktioniert diese Idee insgesamt? Er sollte fragen: Welche Annahme ist so riskant, dass wir sie vor der Entwicklung testen müssen?

Diese Annahme könnte lauten:

• Nutzende verstehen den Nutzen innerhalb der ersten Minute.
• Eine Aufgabe lässt sich ohne Erklärung erledigen.
• Die Lösung passt in eine bestehende Arbeitssituation.
• Die soziale Reibung ist akzeptabel.
• Der wahrgenommene Nutzen ist größer als der Aufwand.

Erst wenn die Annahme klar ist, ergibt der Prototyp Sinn. Sonst baut man nur ein hübscheres Argument.

Kann KI helfen?

Früher war der Schritt vom Workshop zum überprüfbaren Artefakt oft teuer und langwierig. Nach dem Workshop gab es Skizzen, Fotos, ein Board, vielleicht ein Konzeptdeck und viel Energie. Daraus einen realistischen Prototyp zu machen, kostete Zeit, Designkapazität, Entwicklung, Inhalte, Daten und Abstimmung. Deshalb blieb der Realitätscheck oft abstrakt. Getestet wurden Präferenzen statt Verhalten. Gezeigt wurden Folien statt Situationen.

KI verändert diesen Übergang. Sie macht es leichter, Workshop-Ergebnisse schnell in etwas Überprüfbares zu verwandeln: klickbare Oberflächen, realistische Beispielinhalte, simulierte Daten, Chatverläufe, Service-Journeys, Rollensimulationen, einfache Werkzeuge oder Varianten eines Konzepts. Camburn et al. beschreiben Prototyping-Techniken ebenfalls als Mittel zum „lowering of cost and time“ (Camburn et al., 2017). Genau darin liegt die praktische Relevanz von KI: Sie senkt die Schwelle, eine Idee früher in Kontakt mit Nutzenden zu bringen.

Das heißt nicht, dass KI die Realität ersetzt. Im Gegenteil: Wird KI nur dazu benutzt, intern noch überzeugendere Konzeptbilder zu erzeugen, verstärkt sie das alte Problem. Sie macht Ideen dann nicht überprüfbarer, sondern nur glatter.

Der sinnvollere Einsatz liegt im schnelleren Testen. KI kann aus der besten Workshop-Idee eine Hypothese machen, aus der Hypothese einen Prototyp, aus dem Prototyp ein Testszenario und aus Beobachtungen eine neue Iteration. Der Satz nach dem Workshop lautet dann nicht: Das ist die Lösung. Sondern: Das ist unsere beste Annahme. Lasst sie uns so bauen, dass Nutzende ihr widersprechen können.

Der Forschungsstand zu KI im Produktentwicklungsprozess stützt diese Richtung, aber mit Vorbehalt. In ihrem frei zugänglichen Überblick zeigen Witkowski und Wodecki, dass es weiterhin eine „underutilization of AI in concept testing“ gibt. Zugleich sehen sie weniger Studien zu „product testing, validation, and post-launch optimization“ (Witkowski & Wodecki, 2025). Für diesen Artikel heißt das: Die Aussage, dass KI den Prototypenbau beschleunigt, ist plausibel und gut belegt. Die Aussage, dass KI-gestützte Prototypen den Markterfolg bereits zuverlässig vorhersagen, wäre zu stark.

Vom Buy-in zur überprüfbaren Annahme

Der wichtigste Schritt nach einem Design-Studio-Workshop ist deshalb nicht die sofortige Umsetzung, sondern die Übersetzung.

• Aus „Wir bauen ein persönliches Onboarding“ wird: Neue Nutzende verstehen ohne Erklärung, was sie als Nächstes tun sollen.
• Aus „Wir schaffen eine neue Kollaborationsplattform“ wird: Menschen sind bereit, ihre bestehende Routine zu verlassen, weil der neue Ablauf schneller oder klarer ist.
• Aus „Wir entwickeln ein immersives Erlebnis“ wird: Der Nutzen ist so groß, dass Menschen die körperliche und soziale Reibung des Mediums akzeptieren.

Solche Sätze sind weniger inspirierend als Workshop-Plakate. Aber sie sind wertvoller, weil man ihnen widersprechen kann. Und nur Ideen, denen man widersprechen kann, ermöglichen Lernen.

Ein guter KI-gestützter Realitätscheck besteht deshalb aus fünf Schritten:

• Die beste Workshop-Idee wird nicht als Lösung, sondern als Hypothese formuliert.
• Die riskanteste Annahme wird ausdrücklich benannt.
• Der Prototyp wird nur so realistisch gebaut, wie es diese Annahme verlangt.
• Echte Nutzende arbeiten mit dem Prototyp an einer möglichst relevanten Aufgabe.
• Das Team entscheidet nicht nach Vorliebe, sondern nach beobachteter Reibung.

So bleibt der Wert des Workshops erhalten, ohne überschätzt zu werden. Beteiligung erzeugt Energie. Der Prototyp bringt Widerstand. Beides ist nötig.

Der erste Realitätscheck ist keine Kür

Design-Studio-Workshops sind stark, weil sie Menschen ins Denken bringen. Sie machen Perspektiven sichtbar, schaffen eine gemeinsame Sprache und erzeugen Ownership. In Organisationen ist das weder weich noch nebensächlich. Ohne Buy-in sterben viele gute Ideen, bevor sie eine Chance bekommen.

Buy-in ist aber nicht dasselbe wie Lösungsqualität. Eine Idee kann gemeinsam entwickelt, gut erklärt und intern breit getragen sein und im tatsächlichen Gebrauch trotzdem scheitern. Nicht weil der Workshop schlecht war, sondern weil Workshops soziale Räume sind. Sie erzeugen soziale Signale. Nutzung entsteht erst draußen.

KI macht den nächsten Schritt leichter. Sie kann helfen, schneller von einem gemeinsamen Konzept zu einem überprüfbaren Prototyp zu kommen. Sie beweist aber nichts von allein. Der Realitätscheck findet erst statt, wenn echte Menschen einem hinreichend konkreten Artefakt in einer hinreichend realen Aufgabe begegnen.

Die beste Formel für moderne Produktentwicklung lautet deshalb nicht: mehr Workshops oder mehr KI. Sie lautet: eine bessere Verbindung zwischen beidem.

Design-Studio-Workshops erzeugen Ownership. KI-gestützte Prototypen können den Kontakt mit der Realität früher möglich machen. Gute Produktentwicklung braucht beides: Beteiligung und Zustimmung im Workshop — und Widerspruch aus der Welt.