Bild: Mit KI generiert

Die Nutzer:in gibt einen Befehl. Der KI-Agent plant Schritte, ruft externe Tools auf, trifft Entscheidungen und führt mehrstufige Workflows aus — mit minimalem menschlichem Eingriff. Am Ende liegt ein Ergebnis vor, das aus zahlreichen Entscheidungen entstanden ist, die die Nutzer:in weder getroffen noch gesehen hat.

Das ist nicht nur ein Engineering-Problem. Es ist auch ein Design-Problem.

Agentic AI UX beschreibt die Praxis, Interfaces für Systeme zu gestalten, in denen KI-Agenten autonom handeln. Diese Systeme unterscheiden sich strukturell von klassischen Interfaces: Statt auf Nutzerinteraktion zu warten, planen sie selbstständig, entscheiden selbstständig und handeln selbstständig. Für Designer:innen bedeutet das eine Verschiebung der Kernaufgabe: von der Gestaltung einzelner Interaktionen zur Gestaltung von Transparenz, Kontrolle und Vertrauen in autonome Systeme.

In diesem Artikel erfährst du, was Agentic AI UX von klassischem Interface Design unterscheidet, welche Designprobleme in autonomen Systemen strukturell neu entstehen und welche Prinzipien helfen, Nutzer:innen in agentic Systems orientiert und in Kontrolle zu halten.

Was Agentic AI UX von klassischem Interface Design unterscheidet

In klassischen Interfaces ist die Beziehung zwischen Nutzerhandlung und Systemreaktion meist stärker vorstrukturiert: Eine Aktion löst eine definierte Systemreaktion aus. Viele der dazwischenliegenden technischen Prozesse bleiben auch hier unsichtbar – sie sind jedoch in der Regel stärker deterministisch und vorgegeben.

In agentic Systems ist diese Direktheit aufgebrochen. AI-Agenten sind Systeme, die autonom planen, Entscheidungen treffen und Aufgaben ausführen. Sie reagieren nicht nur auf Befehle, sondern interpretieren Ziele und wählen eigenständig den Weg dorthin. Die Nutzer:in formuliert eine Absicht. Was daraus wird, hängt von Entscheidungen ab, die der Agent trifft — über Schrittfolgen, Tool-Auswahl, Datenquellen und Ausgabeformat.

Das erzeugt drei strukturell neue Designprobleme:

Unsichtbarkeit des Prozesses. In einem klassischen Interface passiert alles sichtbar. In einem agentic System passiert das Meiste unsichtbar: Der Agent sucht, filtert, synthetisiert, schreibt, ohne dass die Nutzer:in den Prozess verfolgen kann. Das Ergebnis erscheint, ohne dass der Weg dahin nachvollziehbar ist.

Nicht-Determinismus. Derselbe Prompt kann zu unterschiedlichen Zeitpunkten zu unterschiedlichen Ergebnissen führen, etwa weil sich Kontext, Datenquellen, Tool-Ergebnisse oder der vom Agenten gewählte Prozess unterscheiden. Das klassische Interface-Prinzip der Konsistenz gilt hier eingeschränkt. 

Verlagerung von Entscheidungen. In agentic Systems verlagert sich, wo Produktentscheidungen stattfinden: von sichtbaren Interfaces in Koordinationsschichten, die für Nutzer:innen nicht direkt zugänglich sind. Design muss diese Schichten sichtbar machen. Nicht technisch, aber konzeptuell.

Das Transparenz-Problem: Die unsichtbaren Entscheidungen

Die Interface-Design-Herausforderung in agentic Systems lautet: Die Nutzer:in hat eine Anweisung gegeben, aber der Agent hat zahlreiche Entscheidungen getroffen, die sie nie gesehen hat.

Das ist kein theoretisches Problem. Wenn ein KI-Agent für eine Nutzer:in einen Recherchebericht erstellt, hat er entschieden: welche Quellen zu konsultieren, welche Informationen als relevant zu gewichten, welche Perspektiven einzubeziehen, wie Widersprüche aufzulösen sind und welches Ausgabeformat am sinnvollsten ist. Jede dieser Entscheidungen beeinflusst das Ergebnis — und keine ist für die Nutzer:in ohne explizites Interface-Design sichtbar.

Transparency by Default ist das entsprechende Designprinzip: Jede autonome Aktion, die der Agent ausführt, sollte für die Nutzer:in sichtbar sein. Nicht in einem Log-Tab, den niemand öffnet.

Für die Designpraxis bedeutet das konkret:

Aktive Statusanzeige statt passives Warten. Ein agentic System, das arbeitet, ohne Feedback zu geben, erzeugt Unsicherheit. Nutzer:innen wissen nicht, ob der Agent noch arbeitet, ob etwas schiefgelaufen ist oder ob das Ergebnis bereits vorliegt. Progressive Statusanzeigen — die nicht nur „wird bearbeitet" anzeigen, sondern aktuelle Schritte benennen — reduzieren diese Unsicherheit erheblich.

Entscheidungen nachvollziehbar machen. Ein Agent, der einen Bericht erstellt, sollte zeigen können, auf welchen Quellen er basiert, welche Schritte er ausgeführt hat und wo er unsicher war. Das ist keine technische Anforderung an den Agenten; es ist eine Designanforderung an das Interface.

Granularität der Transparenz anpassen. Nicht jede Nutzer:in braucht dieselbe Detailtiefe. Power User möchten möglicherweise jeden Schritt des Agents verfolgen. Gelegenheitsnutzer:innen brauchen eine Zusammenfassung. Progressive Disclosure — die detaillierte Entscheidungshistorie optional zugänglich zu machen — ist hier eine angemessene Lösung.

Der Kontroll-Gradient: Von vollständiger Autonomie zu Human-in-the-Loop

Agentic AI ist kein binäres System zwischen „Agent entscheidet alles" und „Nutzer:in entscheidet alles". In der Praxis existiert ein Gradient von Autonomiegraden, den Designer:innen bewusst gestalten müssen:

Vollständige Autonomie: Der Agent führt alle Schritte aus, ohne Rückfrage. Geeignet für niedrig-riskante, wiederholbare Aufgaben: etwa automatische Kategorisierung von Support-Tickets oder Generierung von Standard-Berichten aus definierten Datenquellen.

Bestätigungspunkte: Der Agent arbeitet autonom, hält aber an definierten Punkten inne und fragt nach Bestätigung, bevor er kritische Aktionen ausführt. Geeignet für Aufgaben, bei denen einzelne Schritte erhebliche Konsequenzen haben: etwa das Versenden von E-Mails, das Aktualisieren von Datenbankeinträgen oder das Veröffentlichen von Inhalten.

Human-in-the-Loop: Der Agent schlägt vor, die Nutzer:in entscheidet bei jedem Schritt. Geeignet für kreative oder urteilsbasierte Aufgaben, bei denen menschliches Ermessen unverzichtbar ist.

Die Wahl des Autonomiegrades ist keine technische Entscheidung. Sie ist eine Designentscheidung, die von der Risikotoleranz der Aufgabe, den Konsequenzen möglicher Fehler und dem Vertrauenslevel der Nutzer:in gegenüber dem System abhängt. Das verbindet Agentic AI UX direkt mit der Grundlage, die AI Driven Design Methods als Kurs legt: KI nicht als autonomes System zu behandeln, sondern als Werkzeug, dessen Autonomiegrad bewusst gestaltet wird.

Error States in agentic Systems: Ein neues Designproblem

Klassische Error States beschreiben, was schiefgegangen ist und was die Nutzer:in tun kann, um es zu beheben. In agentic Systems ist beides schwieriger.

Was schiefgegangen ist, ist oft nicht unmittelbar klar, weil der Fehler irgendwo in einer Kette von autonomen Entscheidungen entstanden ist, die für die Nutzer:in nicht vollständig sichtbar war.

Was die Nutzer:in tun kann, ist oft unklar, weil das Eingreifen in einen laufenden agentic Workflow andere Konsequenzen haben kann als das Abbrechen einer einzelnen Aktion.

Drei Designprinzipien für Error Handling in agentic Systems:

Fehler früh sichtbar machen. Ein Agent, der einen Fehler am Ende eines langen Workflows meldet, hat die Nutzer:in Ressourcen investieren lassen, die verloren sind. Frühzeitige Fehlererkennung mit sofortiger Sichtbarkeit ist besser als späte Vollständigkeit.

Wiederherstellbarkeit explizit gestalten. Welche Schritte kann die Nutzer:in rückgängig machen? Was ist bereits unwiderruflich ausgeführt? Diese Information gehört in das Error-Interface, nicht in die Dokumentation.

Alternativen anbieten, nicht nur Fehler melden. Ein agentic System, das in eine Sackgasse läuft, sollte möglichst einen alternativen Pfad vorschlagen — nicht nur mitteilen, dass es gescheitert ist.

Vertrauen als Designvariable

Vertrauen in agentic Systems ist keine statische Größe. Es entsteht durch wiederholte positive Erfahrungen, akkurate Selbsteinschätzung des Systems und konsistentes Verhalten — und es kann durch einzelne unerwartete Entscheidungen schnell erschüttert werden.

Für Designer:innen bedeutet das: Vertrauen ist keine Emotion, die nach dem Produktlaunch entsteht. Es ist eine Designvariable, die durch konkrete Interface-Entscheidungen gesteuert wird.

Kalibrierte Unsicherheit kommunizieren. Ein Agent, der immer mit derselben Zuversicht antwortet — unabhängig davon, ob er eine faktisch gesicherte Aussage oder eine Schätzung formuliert — kalibriert das Vertrauen der Nutzer:in falsch. Interfaces, die kommunizieren, wenn ein Agent sich unsicher ist, helfen Nutzer:innen, angemessenes Vertrauen zu entwickeln.

Grenzen explizit machen. Für was ist der Agent zuständig, für was nicht? Was fällt außerhalb seines Kompetenzbereichs? Diese Grenzen zu kommunizieren, bevor sie durch Fehler sichtbar werden, ist effektiver als nachträgliche Fehlermeldungen.

Konsistenz im Verhalten. Nutzer:innen bauen Erwartungen auf. Ein Agent, der ähnliche Anfragen sehr unterschiedlich behandelt, macht es schwer, stabile mentale Modelle zu entwickeln. Konsistenz im Prozess, auch wenn das Ergebnis variiert, ist eine unterschätzte Vertrauensvariable.

Die konzeptionellen Grundlagen dafür liegen im Usability Engineering: Heuristische Evaluation von agentic Interfaces muss neben klassischen Nielsen-Heuristiken auch Transparenz, Kontrollierbarkeit und kalibriertes Vertrauen als Bewertungsdimensionen einschließen.

Take Away Message

Agentic AI UX ist keine Erweiterung klassischen Interface Designs. Es ist eine eigenständige Disziplin mit neuen Kernproblemen. Transparenz, Kontroll-Gradient, Error Handling und Vertrauen in autonome Systeme sind Designaufgaben, für die klassische UI-Prinzipien nur bedingt Antworten liefern. Designer:innen, die agentic Systems gestalten, müssen nicht nur Interfaces entwerfen: sie müssen entscheiden, wie viel Autonomie das System haben darf, was sichtbar sein muss und wie Nutzer:innen in Kontrolle bleiben, auch wenn das System selbst entscheidet.