Customer Journey Mapping für KI: Onboarding, das Vertrauen aufbaut

Die KI-Journey beginnt vor dem ersten Prompt

Klassisches Journey Mapping fragt: Wo klickt der Nutzer, wo hakt es? Bei KI-Features kommt eine emotionale Schicht dazu, die es bei Buttons nie gab: Erwartung und Misstrauen. Die KPMG-Studie mit der Universität Melbourne beziffert die Ausgangslage – nur 46 Prozent der Menschen weltweit vertrauen KI-Systemen, in einkommensstarken Ländern 39 Prozent. Dein Nutzer kommt also nicht neutral. Er kommt neugierig und skeptisch zugleich, und deine Journey entscheidet, welche der beiden Haltungen gewinnt.

Den verlässlichsten Designrahmen dafür liefern Microsofts «Guidelines for Human-AI Interaction» (Amershi et al., CHI 2019): 18 Richtlinien entlang des Interaktionszyklus – von «mach klar, was das System kann» über «zeige, warum es das tat» bis «mache Korrekturen leicht». Sie sind sieben Jahre alt und passen auf GenAI-Produkte besser denn je, weil generative Systeme genau dort scheitern, wo die Guidelines ansetzen: an Erwartung, Erklärbarkeit und Fehlertoleranz.

Die vier Momente, die über Adoption entscheiden

Moment 1: Erste Begegnung. Bevor jemand tippt, formt sich die Erwartung. Sag konkret, was das Feature kann («fasst Tickets zusammen, beantwortet Fragen zu deinen Projekten») und wo die Grenzen liegen. Überversprechen rächt sich beim ersten Fehler doppelt.

Moment 2: Erste Eingabe. Das leere Feld ist eine Prüfung, die viele nicht antreten. Beispiel-Prompts aus dem echten Arbeitskontext, Vorlagen und Ein-Klick-Starts senken die Hürde – der erste Erfolg muss in der ersten Session passieren.

Moment 3: Erster Fehler. Er kommt garantiert. Entscheidend ist das Geländer: Quellen zum Prüfen, sichtbare Unsicherheit, ein Korrektur- oder Verwerfen-Weg ohne Reue. So wird aus dem Fehler ein kontrollierter Moment statt eines Vertrauensbruchs.

Moment 4: Gewohnheit. Vom Ausprobieren zum Workflow: Das Feature muss dort auftauchen, wo die Arbeit ohnehin stattfindet – im Ticket, im Editor, im Review – statt in einem separaten Chat-Tab, den man besuchen muss. Kontextuelle Präsenz schlägt Destination.

Transparenz ist ein Feature, keine Fussnote

In der EU ist Kennzeichnung von KI-Interaktion und KI-generierten Inhalten Transparenzpflicht unter dem AI Act – aber die Pflicht ist die niedrigste Messlatte. Gut gemachte Transparenz ist Conversion-Arbeit: Quellenangaben machen Antworten prüfbar, Konfidenz-Hinweise kalibrieren Erwartungen, und ein sichtbares «von KI erstellt, von dir freigegeben» verwandelt den Kontrollverlust in Kontrollgefühl. Gerade im DACH-B2B ist diese Sichtbarkeit ein Verkaufsargument im Procurement.

Der Lackmustest für deine Journey: Kann ein skeptischer Erstnutzer in fünf Minuten erleben, dass das Feature ihm Arbeit abnimmt, ohne ihm Kontrolle zu nehmen? Wenn ja, hast du Onboarding für die 54 Prozent gebaut, die KI misstrauen – und nicht nur für die Early Adopters, die ohnehin alles ausprobieren.

Empfehlungen

• Designe den ersten Fehler. Schreibe das Fehler-Szenario als User Story mit Akzeptanzkriterien: Quelle sichtbar, Korrektur möglich, Fallback definiert. Der erste Fehler ist ein Feature, kein Edge Case.
• Töte das leere Eingabefeld. Drei kontextuelle Beispiel-Prompts pro Einstiegspunkt, aus echten Use Cases. Miss, wie viele Erstnutzer innerhalb einer Session einen Erfolg erleben.
• Zeige Unsicherheit aktiv. Quellen, Konfidenz-Hinweise, Prüf-Aufforderungen bei heiklen Ausgaben. Kalibrierte Erwartung ist der billigste Vertrauensschutz, den es gibt.
• Bring die KI zur Arbeit, nicht die Arbeit zur KI. Integriere ins bestehende Workflow-Umfeld statt einen weiteren Chat-Tab zu bauen. Gewohnheit entsteht aus Nähe zur Aufgabe.

Einordnung & Grenzen

• Die KPMG-Vertrauenszahlen messen Grundhaltungen, nicht das Verhalten in deinem Produkt – nutze sie als Designannahme («Nutzer starten skeptisch»), nicht als Conversion-Prognose.
• Zu viel Unsicherheits-Kommunikation kann ein gutes Feature schwächer wirken lassen, als es ist. Kalibriere die Dosis am Risiko des Use Case: Brainstorming braucht weniger Geländer als Rechnungsdaten.

Passende Use Cases aus der Bibliothek

Vom Beitrag direkt in die Praxis: Diese Use Cases setzen die Konzepte mit Teklens um.