Klassische Design-Frameworks wie der Double Diamond wurden für eine Welt vor AI gebaut. Erfahre, warum AI-native Produkte kontinuierliches Lernen, adaptive UX und Weiterentwicklung nach dem Launch brauchen, und lerne neue Frameworks wie das Stingray Model und den Triple Diamond kennen.

Design in der AI-nativen Ära: Warum der Double Diamond nicht mehr reicht

Die Designwelt hat ein Problem. Wir nutzen ein Framework aus dem Jahr 2005, um Produkte zu bauen, die erst Ende 2022 im Mainstream angekommen sind. Der Double Diamond mit seinem sauberen Muster aus Divergieren, Konvergieren, Divergieren, Konvergieren war zu seiner Zeit brillant. Aber AI-Produkte haben jede Annahme zerschlagen, auf der er aufgebaut war.

Ich war 13 Jahre im Berliner Startup-Ökosystem unterwegs, unter anderem in den Gründungsteams von Grover und Kenjo. In dieser Zeit habe ich gesehen, wie sich Design-Methoden von Skizzen auf der Serviette zu ausgefeilten Systemen entwickelt haben. Aber nichts hat mich darauf vorbereitet, wie grundlegend AI unsere etablierten Arbeitsweisen aushebeln würde.

Es geht nicht darum, einen Prozess ein wenig anzupassen. Es geht darum zu erkennen, dass sich die Regeln komplett geändert haben.

Der fatale Fehler des Double Diamond

Das Double-Diamond-Framework geht von zeitlich begrenzten Phasen aus. Du verbringst Wochen in der Discovery, gehst dann zur Definition über, dann zur Entwicklung, dann zur Auslieferung. Menschliche Teams machen die Arbeit: Designer gestalten, Researcher forschen, Entwickler entwickeln. Jede Rolle hat ihre Spur.

Dieses Modell funktionierte, weil die Rahmenbedingungen es verlangten. User Research dauerte Wochen. Prototyping erforderte spezielle Fähigkeiten. Testen hieß, Teilnehmer zu rekrutieren, Sessions zu planen und Ergebnisse von Hand auszuwerten. Der sequenzielle Ansatz war nicht nur eine Vorliebe, er war eine praktische Notwendigkeit.

Dann kam AI und hat diese Einschränkungen über Nacht abgerissen.

Laut einer aktuellen Analyse auf Medium folgt das Double-Diamond-Framework per Definition einem linearen Pfad vom Problem zur Lösung. Nicht zu früh in die Lösungsfindung zu springen, ist für Design Thinker fast ein Mantra. Doch mit AI können wir in jeder Phase des Research-Prozesses auf Knopfdruck Ideen und Konzepte erzeugen.

Wenn du Tausende Support-Tickets in Minuten analysieren und Dutzende Lösungskonzepte sofort generieren kannst, wirkt das bedächtige Tempo des klassischen Design Thinking schnell wie unnötige Reibung.

Wo klassisches Design Thinking an seine Grenzen stößt

Die Probleme beim Einsatz des Double Diamond für AI-Produkte gehen tiefer als die Geschwindigkeit.

Die Illusion der Ziellinie

Der Double Diamond suggeriert eine Ziellinie in der Deliver-Phase. Du entdeckst, definierst, entwickelst, lieferst aus, und dann bist du fertig. Weiter zum nächsten Projekt.

AI-Produkte funktionieren so nicht. Sie befinden sich in ständiger Weiterentwicklung. Ein Sprachmodell verbessert sich mit jeder Interaktion. Eine Recommendation Engine passt sich in Echtzeit an verändertes Nutzerverhalten an. Das ausgelieferte Produkt verändert sich noch lange nach dem Launch.

Ein Praktiker hat es so formuliert: AI-Produkte sind nicht statisch. Sie bewegen sich in der chaotischen Mitte zwischen Automatisierung und Konversation, und deshalb müssen sie sich in Echtzeit an die Nutzer anpassen.

Der Zielkonflikt zwischen Tiefe und Breite

AI ist hervorragend darin, Muster in riesigen Datensätzen zu erkennen. Sie kann Nutzerfeedback in einem Umfang verarbeiten, mit dem kein menschliches Team mithalten kann. Doch genau diese Fähigkeit birgt eine gefährliche Versuchung.

Research von Human8 stellt die entscheidende Frage: Gewinnen wir Breite auf Kosten der Tiefe? AI findet zwar hervorragend Muster in großen Datensätzen, aber kann sie das nuancierte Verständnis erfassen, das aus ausführlichen Nutzerinterviews und Beobachtung entsteht?

Die Antwort ist wichtig. Oberflächliche Erkenntnisse führen zu oberflächlichen Lösungen. Die strukturierten Phasen des Double Diamond haben dafür gesorgt, dass Teams in die Tiefe gingen, bevor sie in die Breite gingen. Ohne diese Disziplin läuft AI-gestütztes Design Gefahr, technisch beeindruckende Produkte hervorzubringen, die grundlegende menschliche Bedürfnisse verfehlen.

Die Annahme klarer Expertise

Klassisches Design Thinking setzt klare Rollengrenzen voraus. Researcher kümmern sich um die Discovery. Designer kümmern sich um die Ideenfindung. Engineers kümmern sich um die Umsetzung. Jede Phase hat ihre Experten.

AI löst diese Grenzen auf. Ein Product Manager mit Zugang zu einem LLM kann Personas erstellen, Wireframes entwerfen, Texte schreiben und Interaktionen prototypen, alles vor dem Mittagessen. Diese Demokratisierung ist mächtig, aber sie entfernt auch die natürlichen Checkpoints, die Teams auf Linie gehalten haben.

Neue Frameworks für AI-natives Design

Die Design-Community hat nicht stillgestanden. Mehrere Frameworks sind entstanden, um diese Herausforderungen anzugehen.

Das Stingray Model

Board of Innovation hat das Stingray Model speziell für AI-gestützte Innovation entwickelt. Seine drei Phasen, Train, Develop, Iterate, tragen der Tatsache Rechnung, dass AI-Produkte grundlegend andere Ansätze brauchen.

Die zentrale Erkenntnis des Modells betrifft den Zeitpunkt, an dem Sicherheit entsteht. Klassische Ansätze validieren spät im Prozess. Das Stingray Model treibt Konzepte weiter voran, kommt schneller zur Validierung und erhöht die Sicherheit bei Innovationsinvestitionen, weil es die Fähigkeit von AI nutzt, Annahmen früh und in großem Maßstab zu testen.

Die drei Phasen funktionieren so:

Train: Ziele und Erfolgskennzahlen definieren. Interne und Marktinformationen sammeln. Das Fundament legen, bevor gebaut wird.

Develop: Lösungen in exponentiellem Maßstab erkunden. Mit AI kannst du eine riesige Zahl an Möglichkeiten gleichzeitig erzeugen und analysieren.

Iterate: Mit AI-Unterstützung testen und bewerten, unter Berücksichtigung von Attraktivität, Machbarkeit und Wirtschaftlichkeit, wofür menschliche Teams Wochen bräuchten.

Koen Burghouts, Vice President of Innovation bei PepsiCo, hat den Wandel auf den Punkt gebracht: In fünf Jahren spricht vielleicht niemand mehr über den Double Diamond.

Der Triple Diamond

Statt den Double Diamond aufzugeben, plädieren manche Praktiker dafür, ihn weiterzuentwickeln. Der Triple Diamond ergänzt eine dritte Phase für AI-getriebene Weiterentwicklung, weil moderne Produkte auch nach dem Launch fortlaufend Aufmerksamkeit brauchen.

Dieser Ansatz denkt Design neu als lebendigen, lernenden Prozess, in dem Menschen und Maschinen auch lange nach der Auslieferung des fertigen Produkts zusammenarbeiten.

Der dritte Diamant deckt ab, was das ursprüngliche Framework ignoriert hat: kontinuierliche Verbesserung, Denken auf Systemebene und Graceful Degradation. Er umfasst Konzepte wie Desistence, also die kontinuierliche Bewertung, wann Features eingestellt werden sollten, um übermäßige Komplexität zu vermeiden.

Speziell für AI-Produkte betont der Triple Diamond, dass die Define-Phase ethische Grenzen setzt, während eine neue Govern-Phase sie durchsetzt. Designer werden zu AI-Editoren, die Trainingsdaten hinterfragen und Ausgaben prüfen, statt nur Interfaces zu gestalten.

Das Systemic Design Framework des Design Council

Der britische Design Council, die Organisation, die den Double Diamond ursprünglich bekannt gemacht hat, ist selbst darüber hinausgegangen. Sein Systemic Design Framework behält die Grundidee von divergentem und konvergentem Denken bei, erkennt aber an, dass die Arbeit an komplexen Herausforderungen nicht linear verläuft.

Die Phasen wurden bewusst umbenannt: explore, reframe, create, catalyse statt discover, define, develop, deliver. Noch wichtiger: Das Framework wurde um die unsichtbaren Aktivitäten rund um den Designprozess erweitert: Orientierung und Visionsfindung, Verbindungen und Beziehungen, Führung und Storytelling sowie die Fortsetzung der Reise.

Das Framework erkennt an, was AI-native Produkte offensichtlich gemacht haben: Design endet nicht mit der Auslieferung. Das System entwickelt sich weiter, und der Design-Ansatz muss sich mitentwickeln.

Was AI-natives Design wirklich braucht

Über Frameworks hinaus verlangt AI-natives Design andere Fähigkeiten und eine andere Denkweise.

Eine Architektur für kontinuierliches Feedback

Design Systems in der AI-Ära sind keine statischen Bibliotheken. Sie sind lebendige Produkte, die sich durch kontinuierliches menschliches Urteil weiterentwickeln. Dafür müssen Feedback-Mechanismen vom ersten Tag an ins Produkt eingebaut werden, nicht als Nachgedanke.

Die besten AI-Produkte behandeln Korrekturen und Präferenzen der Nutzer als Trainingsdaten. Jede Interaktion wird zur Chance, besser zu werden. Das funktioniert aber nur, wenn die Architektur es unterstützt. Feedback-Loops nachträglich in Produkte einzubauen, die ohne sie gestaltet wurden, ist teuer und oft unmöglich.

MVPs mit Blick auf den Produktivbetrieb

Eine der wichtigsten Lehren der letzten Jahre ist, dass AI-gestützte MVPs nach dem Launch teuer umzubauen sind. Sobald Daten-Pipelines, Embeddings, Inferenzlogik und Feedback-Loops in Geschäftsabläufe integriert sind, lassen sich architektonische Abkürzungen nur schwer und oft gar nicht mehr rückgängig machen.

Das heißt: MVPs müssen von Anfang an Observability, Versionierung, Zugriffskontrolle und planbare Kosten berücksichtigen. Kein Overhead auf Enterprise-Niveau, sondern bewusster Minimalismus: nur bauen, was nötig ist, das aber richtig.

Adaptive UX als Systemverhalten

Wenn AI intern eingebettet ist, wird die User Experience zwangsläufig adaptiv. Interfaces müssen mit Unsicherheit, teilweiser Zuverlässigkeit und alternativen Ergebnissen elegant umgehen.

Adaptive UX ist kein visuelles Feature. Sie ist ein Systemverhalten, das aus dem Zusammenspiel von Frontend, Backend und AI-Komponenten entsteht. Ohne dieses Zusammenspiel verlieren AI-getriebene Produkte schnell das Vertrauen der Nutzer.

Nutzer müssen verstehen, warum eine AI eine bestimmte Empfehlung gegeben hat. Sie brauchen klare Wege, Fehler zu korrigieren. Sie brauchen die Gewissheit, dass das System aus ihrem Feedback lernt. Diese Anforderungen verlangen eine enge Verzahnung von Design, Engineering und Data Science, die klassischen Silos halten dem nicht stand.

Ethik als zentrale Infrastruktur

2026 ist AI-Ethik von der Philosophie zur Compliance-Anforderung geworden. Wenn eine AI-native Kreditplattform einen Kredit ablehnt, sollte der Nutzer die genaue Argumentationskette sehen können, die der Agent verwendet hat. Diese Explainable AI (XAI) ist in vielen Rechtsordnungen nicht nur gesetzlich vorgeschrieben, sie ist auch ein enormes Unterscheidungsmerkmal für B2B-Plattformen.

Design-Teams müssen schon ab der ersten Skizze an Transparenz denken. Wie verstehen Nutzer, was die AI tut? Wie können sie Entscheidungen anfechten, mit denen sie nicht einverstanden sind? Wie zeigt das System, dass es aus Korrekturen lernt? Diese Fragen lassen sich nicht erst im letzten Feinschliff beantworten.

Die Rolle von Designern in der AI-Ära

Der Wandel schafft Designer nicht ab. Er verändert, was Design bedeutet.

Während sich Product Design weiterentwickelt, verlagert sich die Arbeit weg von statischen Interfaces hin zur Orchestrierung von Systemen, die Absichten umsetzen. Mit zunehmend generativen Erlebnissen liegt der Einfluss von Designern weniger darin, wo jedes Pixel sitzt, und mehr darin, die Richtung festzulegen, in die ein System lernen soll.

Das ist eine grundlegende Neuausrichtung. Klassische Designer haben Artefakte gestaltet: Screens, Flows, Interaktionen. AI-native Designer definieren Parameter, Rahmenbedingungen und Lernziele. Sie sind weniger Illustratoren als Gärtner, die Bedingungen für Wachstum schaffen, statt exakte Ergebnisse vorzugeben.

Forschung der Harvard Business School zeigt, dass AI es ermöglicht, frühere Grenzen bei Umfang, Reichweite und Lernfähigkeit menschlich geprägter Designprozesse zu überwinden. Im Kontext von AI-Fabriken können Lösungen nutzerzentrierter und kreativer sein und durch Lerniterationen über den gesamten Produktlebenszyklus fortlaufend aktualisiert werden.

Die Konsequenz ist klar: Designer, die an pixelgenauer Kontrolle festhalten, werden an Relevanz verlieren. Wer lernt, in Systemen, Parametern und kontinuierlicher Weiterentwicklung zu denken, wird wertvoller als je zuvor.

Praktische Schritte für Design-Teams

Theorie zählt nur, wenn du sie anwenden kannst. So beginnst du, deinen Ansatz zu verändern.

Starte mit Feedback-Loops

Bevor du ein neues Feature baust, frag dich: Wie lernt es von den Nutzern? Wenn die Antwort lautet, dass es das nicht tut, überdenke, ob AI die richtige Lösung ist. Statische AI ist meist nur komplizierte Software mit Wartungsproblemen.

Skizziere, wie Nutzerinteraktionen zu Trainingssignalen werden. Gestalte die Interfaces, um explizites Feedback zu sammeln. Bau Dashboards, um implizite Signale zu beobachten. Mach das Lernen für Nutzer sichtbar, damit sie darauf vertrauen, dass das System besser wird.

Prototypen auf Systemebene

Hör auf, Screens zu prototypen. Fang an, Systeme zu prototypen.

Ein AI-Feature umfasst Daten-Pipelines, Inferenzlogik, Fallback-Verhalten und Lernmechanismen. Ein Figma-Mockup, das zeigt, dass hier AI-Vorschläge erscheinen, sagt dir nichts darüber, ob das System tatsächlich funktioniert.

Nutze leichtgewichtige Tools, um den gesamten Loop zu prototypen: Nutzeraktion, AI-Antwort, Korrektur durch den Nutzer, Anpassung des Systems. Teste den Loop früh. Die meisten AI-Features scheitern, weil der Loop nicht funktioniert, nicht weil das Interface falsch ist.

Bilde bereichsübergreifende Pods

Das klassische Übergabemodell von Research zu Design zu Entwicklung erzeugt Lücken, in denen Kontext verloren geht. AI-Produkte können sich diese Lücken nicht leisten.

Bilde stattdessen kleine Pods mit überlappenden Fähigkeiten. Eine Designerin, die Daten-Pipelines versteht. Ein Engineer, der Nutzerinterviews führen kann. Eine Data Scientist, der Interface Design wichtig ist. Solche hybriden Praktiker sind selten, aber genau sie liefern Produkte, die wirklich funktionieren.

Plane die Weiterentwicklung nach dem Launch ein

Dein Designprozess sollte nicht mit dem Launch enden. Plane Zeit und Ressourcen für den dritten Diamanten ein: kontinuierliche Bewertung und Verbesserung.

Richte das Monitoring vor dem Release ein. Definiere Kennzahlen, die zeigen, dass das System lernt. Schaffe Prozesse für regelmäßige Modell-Updates. Schule Support-Teams für AI-spezifische Probleme. Betrachte den Launch als Beginn einer Beziehung, nicht als Ende eines Projekts.

Der Weg nach vorn

Der Double Diamond hat uns zwei Jahrzehnte lang gute Dienste geleistet. Er hat Struktur ins Chaos gebracht und unzähligen Teams geholfen, sinnvolle Lösungen zu liefern. Sein Erbe zu würdigen, heißt aber nicht, sich an ihn zu klammern, während AI unser Feld verändert.

Die Frameworks, die jetzt entstehen, Stingray, Triple Diamond, Systemic Design, sind keine Ersatzlösungen. Sie sind Weiterentwicklungen. Sie bewahren, was funktioniert hat (divergentes und konvergentes Denken, Fokus auf den Menschen, iterative Verfeinerung), und ergänzen, was AI verlangt (kontinuierliches Lernen, Denken auf Systemebene, Weiterentwicklung nach dem Launch).

Design-Teams, die sich anpassen, werden ihren Einfluss wachsen sehen. Statt Oberflächen zu polieren, gestalten sie Systeme, die täglich Millionen Interaktionen prägen. Statt Artefakte abzuliefern, legen sie Lernziele fest, die sich kontinuierlich verbessern.

Teams, die sich sträuben, werden feststellen, dass ihre Methoden beeindruckende Mockups von Produkten hervorbringen, die im Produktivbetrieb scheitern, oder schlimmer: Produkte, die technisch funktionieren, aber durch undurchsichtiges, statisches Verhalten das Vertrauen der Nutzer untergraben.

Die Frage ist nicht, ob du dich veränderst. Die Frage ist, ob du den Wandel anführst oder ihm folgst.

Über den Autor

Behrad Mirafshar ist Gründer und CEO von Bonanza Studios, wo er Ideen in 4 bis 12 Wochen in funktionsfähige MVPs verwandelt. Mit 13 Jahren in der Berliner Startup-Szene war er Teil der Gründungsteams von Grover (Unicorn) und Kenjo (führende HR-Plattform im DACH-Raum). CEOs holen ihn für Projekte, die ihre Teams nicht anfassen können oder wollen, denn er baut Produkte, keine PowerPoints.

Vernetz dich mit Behrad auf LinkedIn

Bereit, AI-native Produkte zu gestalten, die wirklich live gehen? Bonanza Studios hilft Unternehmen, in 90 Tagen vom Konzept in den Produktivbetrieb zu kommen, ohne das Kerngeschäft zu stören. Buch ein Strategiegespräch und lass uns über deine Transformations-Roadmap sprechen.