Der Einsatz von KI in der industriellen Fertigung wird zunehmend wichtiger, um Prozesse zu optimieren und Entscheidungen zu unterstützen. Für die produktive Nutzung spezialisierter KI-Modelle sind neben Daten und Algorithmen geeignete Softwaretools und Workflows erforderlich (MLOps). Aktuelle MLOps-Software richtet sich meist an KI-Expert:innen und ist für Laien schwer zugänglich. Ziel unserer Arbeit ist es, Konzepte und Design Guidelines für MLOps-Systeme zu entwickeln, die auch Domänenexpert:innen ohne tiefe KI-Kenntnisse befähigen, eigene Modelle zu erstellen und zu betreiben. Wir präsentieren drei industrielle Use Cases, die durch Nicht-KI-Expert:innen bearbeitet werden sollen, sowie entwickelte Personas, Aufgabenmodelle und Anforderungen als Grundlage benutzerfreundlicher MLOps-Systeme. Daraus abgeleitete Design Guidelines und erste prototypische Umsetzungen werden vorgestellt.

Wenn KI mit Menschen spricht, zählt jedes Wort. Generative KI-Assistenten sind dann erfolgreich, wenn sie nicht nur funktional, sondern auch sprachlich überzeugen. Der Vortrag zeigt, warum UX-Writing in diesem Kontext mehr umfasst als Microcopy - und warum es unverzichtbar ist, damit LLMs wiedererkennbar und nutzerzentriert kommunizieren.

UX-Writing für KI-Anwendungen ist anders: Sprache ist hier nicht nur unterstützendes, sondern das zentrale Element im User Interface. Neben statischen Texten entstehen dynamische Dialoge. Eine klar definierte Markenstimme gewährleistet eine konsistente User Experience. Diese entsteht idealerweise im Zusammenspiel von Marketing, UX-Writing und weiteren Disziplinen - und vereint Nutzerbedürfnisse und Markenidentität.

Ein Werkstattbericht aus einem laufenden KI-Projekt veranschaulicht, wie das in der Praxis gelingen kann.

In der Presse, auf Webseiten, beim Einkaufen, am Telefon, in der Werbung: Überall begegnen wir künstlichen intelligenten Systemen oder den Artefakten, die durch diese erzeugt wurden. Dabei ist es für uns als handelnde, in der Interaktion investierte Menschen gar nicht so einfach zu erkennen, ob das Gegenüber ein Mensch ist oder ein System, das trainiert wurde, wie ein Mensch zu wirken. Wenn Letzteres der Fall ist: Warum wurde entschieden, ein System so zu konzipieren, dass es als Mensch wahrgenommen wird und nicht als künstliche Entität? Wäre es nicht transparenter und damit auch ethischer, dass wir künstliche Systeme als solche erkennen können? Was bewegt Menschen, die Systeme planen, konzipieren, trainieren, implementieren und betreiben zu der Entscheidung, einen Menschen zu simulieren, anstatt echte Menschen zu beschäftigen? Dieses Positionspapier möchte diese und ähnliche Fragen beleuchten.