Interviewtranskripte in Research-Themen verwandeln
Nach einer Runde mit 8 bis 12 Nutzerinterviews sitzen Sie vor Hunderten Seiten Transkripten, und der Readout ist für Freitag angesetzt. NN/gs Forschungsagenda nennt das Extrahieren von Themen aus qualitativen Daten als einen der klarsten Bereiche, in denen KI hilft, und Figmas Report 2025 fand heraus, dass Designer sie in der Discovery-Phase bereits einsetzen. KI kann Beobachtungen schneller zu Kandidaten-Themen clustern als Klebezettel an einer Wand — als ersten Durchgang prüfen Sie das Ergebnis dann gegen die Originalzitate.
Du bist Research-Analyst für UX und hilfst mir, eine Runde von Nutzerinterviews zu synthetisieren. Mein Forschungsziel: {{research_goal}}. Produktkontext: {{product_context}}. Ich füge unten deidentifizierte Transkripte ein, jeder Teilnehmer ist mit einer Nummer gekennzeichnet: {{transcripts}} Erstelle eine Synthese im Affinity-Stil: 1. 5 bis 8 Kandidaten-Themen, jeweils mit einer Einzeiler-Beschreibung. 2. Für jedes Thema 2 bis 3 stützende Zitate, WÖRTLICH aus den Transkripten kopiert, jeweils mit der von mir verwendeten Teilnehmernummer versehen. 3. Eine grobe Häufigkeit pro Thema (bei wie vielen Teilnehmern es auftaucht) sowie einen Vertrauenshinweis (starkes Muster / frühes Signal / Einzelstimme). 4. Einen Abschnitt „Widersprüche und Ausreißer" — Zitate, die den Hauptthemen widersprechen. Verwirf diese nicht. 5. Offene Fragen, die die Daten nicht beantworten. Feste Vorgaben: Verwende AUSSCHLIESSLICH die Transkripte, die ich liefere. Erfinde, paraphrasiere oder beschönige keine Zitate — wenn du kein wörtliches Zitat findest, das ein Thema stützt, schreibe [ZITAT FEHLT] und senke das Vertrauensniveau. Leite keine Demografie, Emotionen oder Absichten ab, die Teilnehmer nicht geäußert haben. Rekonstruiere niemals Namen. Dies ist eine erste Synthese, die ich vor jedem Readout gegen die Original-Transkripte prüfen werde.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
**Thema 1 — Onboarding stockt beim Team-Setup (starkes Muster, 7/9).** „Ich kam zu dem Teil, wo nach meinen Teamdaten gefragt wurde, und ich habe einfach ... geschlossen. Das hatte ich noch nicht." (P3) „Das Setup fühlte sich an, als sei es für jemanden gemacht, der sich schon entschieden hat." (P7) **Thema 4 — Power-User wollen weniger Bestätigungen (frühes Signal, 3/9).** [ZITAT FEHLT] für zwei der drei — nur P2 hat das explizit geäußert. **Widersprüche:** P5 lobte genau den Setup-Flow, den Thema 1 kritisiert: „Ehrlich gesagt haben mich die Leitplanken gerettet." Sollte vor einem Redesign genauer untersucht werden.
Der komplette Arbeitsablauf
- Deidentifizieren Sie die Transkripte zuerst: Entfernen Sie Namen, Arbeitgeber, E-Mail-Adressen und alles, was eine Re-Identifizierung von Teilnehmenden ermöglichen könnte.
- Fügen Sie die Transkripte ein und führen Sie den Synthese-Prompt aus.
- Prüfen Sie jedes Thema gegen die Originalzitate und streichen Sie alles, was mit [ZITAT FEHLT] markiert ist.
- Ziehen Sie die Widersprüche und Ausreißer selbst heraus — sie sind meist am wichtigsten.
- Bauen Sie den Readout auf den verifizierten Themen auf, nicht auf dem KI-Entwurf.
Worauf Sie achten sollten
Teilnehmerdaten sind personenbezogene Daten: Namen, Aufnahmen und identifizierbare Transkripte fallen unter DSGVO und CCPA/CPRA, und Ihre Einwilligungserklärung muss die KI-Verarbeitung abdecken. Deidentifizieren Sie vor dem Einfügen, oder nutzen Sie eine freigegebene Enterprise- oder Zero-Retention-Lösung — fügen Sie niemals rohe Forschungsdaten in ein Consumer-Tool ein, das damit trainieren könnte.
KI glättet Ausreißer und formuliert wacklige Muster mit großer Sicherheit; das Zitat, das einem Thema widerspricht, ist oft die eigentliche Erkenntnis. Behandeln Sie die Synthese als ersten Durchgang und prüfen Sie sie gegen die Quelle, bevor sie eine Entscheidung beeinflusst.
Woher das stammt
Jeder Anwendungsfall auf dieser Website beruht auf echten Berichten, die UX-Designer aus der Praxis geteilt haben — nichts davon ist von uns erfunden.