KI-Designsystem: So funktioniert ein Human-in-the-Loop-Workflow für Designteams
Olia Brilova18.11.2026
Wie Designteams KI in festen Phasen einsetzen und an jedem Review Gate die Kontrolle behalten
Inhalt
- Was ist ein KI-Designsystem?
- Warum schaden Ad-hoc-KI-Tools der Markenkonsistenz?
- Wo passt KI in den Design-Workflow?
- Welche Aufgaben sollten bei Designer*innen bleiben?
- Wie halten Review Gates KI-Output markenkonform?
- Wie verbindest du KI-Output mit deinem Designsystem?
- Wie pilotierst und skalierst du KI im Designteam?
- Woran erkennst du, dass der Workflow funktioniert?
Das Wichtigste in Kürze
- Verbinde KI erst mit deinem Designsystem, bevor du ihren Einsatz großflächig skalierst.
- Strukturiere deine Arbeitsabläufe in fünf klare Phasen und vier Review-Gates.
- Überlasse der KI das Entwerfen und Prüfen, während Menschen die Richtung vorgeben, Risiken tragen und das System steuern.
- Starte zunächst mit einem einzigen Team und miss die Ergebnisse systematisch an einer Baseline.
Wissen von den Besten: Dieser Artikel stammt von sorgfältig ausgewählten Branchen-Expert*innen. Unser Anspruch: fundierte Insights und praxiserprobte Tipps, die dich und dein Projekt wirklich weiterbringen. Erfahre hier mehr über die Autor*innen.
Ein KI-Designsystem ist ein Designsystem, das KI-Tools lesen und befolgen können. Seine Tokens, Komponenten, Regeln und Dokumentation sind maschinenlesbar aufgebaut, während Menschen die Verantwortung dafür behalten, was freigegeben wird. Ein Human-in-the-Loop-Design-Workflow ist der Prozess drumherum. KI erstellt Entwürfe und prüft Arbeit in festen Phasen, und benannte Personen geben das Ergebnis an festen Review Gates frei.
In diesem Artikel geht es um genau diesen strukturierten Workflow, nicht um Tools, die einfach nur Bilder generieren, auch wenn viele die beiden verwechseln. Ich zeige dir, wo KI hineinpasst, wo menschliches Urteil unverzichtbar bleibt und wie du das Modell mit deinem Team pilotierst.
Was ist ein KI-Designsystem?
Ein KI-Designsystem gibt KI-Tools Zugriff auf dieselben freigegebenen Entscheidungen, mit denen dein Team arbeitet. Es baut auf einem klassischen Designsystem auf, also dem gemeinsamen Set aus wiederverwendbaren Komponenten, Standards und Leitlinien hinter einem Produkt oder einer Marke. Der Unterschied: Seine Regeln sind strukturiert und maschinenlesbar festgehalten, statt nur im Kopf des Teams oder in Fließtext-Dokumenten zu stecken.
Drei Bausteine sind dabei am wichtigsten:
- Design Tokens: Benannte Designentscheidungen für Werte wie Farbe, Typografie und Abstände. Die Design-Tokens-Spezifikation hat im Oktober 2025 ihre erste stabile Version erreicht. Sie gibt Tools ein herstellerunabhängiges Austauschformat.
- Komponentenbibliothek: Freigegebene, wiederverwendbare Interface-Bausteine inklusive ihrer Zustände und Varianten.
- Maschinenlesbare Metadaten: Strukturierte Informationen, die Software sagen, wofür ein Token oder eine Komponente gedacht ist, wann sie eingesetzt wird und ob sie noch aktuell ist.
Ein AI-ready Designsystem hat diese Grundlagen bereits. Wie Design Systems Surf es beschreibt, muss die Logik des Systems explizit sein, weil KI nicht auf die gemeinsame Erfahrung eines Teams zurückgreifen kann. Ein agentisches Designsystem geht noch einen Schritt weiter. Hier können KI-Agenten das System lesen und darin handeln. Agenten sind KI-Tools, die mehrstufige Aufgaben planen und ausführen. Ich sehe das als spätere Reifestufe, nicht als Startpunkt.
Warum schaden Ad-hoc-KI-Tools der Markenkonsistenz?
Ad-hoc-KI-Tools schaden der Markenkonsistenz, weil sie außerhalb der Regeln arbeiten, die deine Marke definieren. Ein einzelner Prompt sieht weder deine freigegebenen Komponenten noch die Gründe dahinter, also füllt das Tool die Lücken mit Vermutungen.
Die öffentlichen Daten zeigen in dieselbe Richtung. Im State of AI in Design Systems 2026 von zeroheight gaben 82 % von 123 Praktiker*innen an, dass ihre Teams KI in irgendeiner Form nutzen. Die Hälfte sagte, dass der KI-Einsatz an anderer Stelle im Unternehmen Probleme verursacht. 59 % berichteten von Benutzeroberflächen, die am Designsystem vorbei entstehen. Die Befragten waren überwiegend Inhouse-Leads im Produktdesign bei mittelgroßen und großen Tech-Unternehmen. Es handelt sich also um eine fokussierte Stichprobe, nicht um einen Marktdurchschnitt.
Generieren allein löst das Problem nicht. Im 2026 Creators' Toolkit Report von Adobe gaben 57 % von mehr als 16.000 befragten Creatorinnen an, dass ihr KI-Output vor dem Teilen in der Regel moderat oder stark überarbeitet werden muss. Das waren Social-first-Creatorinnen und keine Inhouse-Designer*innen, aber die Lücke zwischen schnellem Entwurf und freigegebener Arbeit dürfte dir bekannt vorkommen.
Genau hier trennen sich generatives KI-Design und ein KI-Designsystem. KI-Bildgeneratoren sind nützlich für Moodboards und frühe Konzepte. Ein Bild allein enthält jedoch keine Tokens, keine Komponentenzustände und keine Nutzungsregeln.
Auf OMR Reviews beschreibt die Geschäftsführung von regulaid, wie sie mit innoGPT ein Wirrwarr aus einzelnen KI-Tools durch eine Plattform mit gemeinsamen Standards ersetzt hat. Ich halte das für den richtigen Instinkt, aber eine Plattform löst nur einen Teil des Problems. Der Output muss trotzdem zu deiner Marke und deinem Designsystem passen.
Wo passt KI in den Design-Workflow?
KI kann jede Phase des Design-Workflows unterstützen, aber ihre Aufgabe ändert sich unterwegs. Am Anfang entwirft sie, in der Mitte baut sie aus freigegebenen Teilen zusammen, gegen Ende prüft sie. Ich empfehle diesen KI-Design-Workflow mit fünf Phasen und vier Review Gates:
Phase | Was KI übernimmt | Was Menschen entscheiden | Review Gate |
|---|---|---|---|
1. Rahmen setzen | Fasst Research zusammen, entwirft das Briefing, listet Rahmenbedingungen | Problem, Zielgruppe und Erfolgskriterium | Gate 1: Briefing freigegeben |
2. Erkunden | Generiert Varianten und Alternativen | Welche Richtung zu Strategie und Marke passt | Gate 2: Richtung freigegeben |
3. Bauen | Setzt Layouts aus freigegebenen Tokens und Komponenten zusammen | Wie Sonderfälle gelöst werden und ob ein neues Pattern nötig ist | Gate 3: Systemkonformität |
4. Prüfen | Markiert falsch genutzte Tokens, Kontrastprobleme, fehlende Zustände und Texte, die nicht zur Marke passen | Ob die Arbeit nutzbar, barrierefrei und bereit für den Release ist | Gate 4: Release freigegeben |
5. Übergeben und lernen | Entwirft Dokumentation und Änderungsnotizen, markiert Abweichungen | Was ins Designsystem aufgenommen wird | Feedback ins System |
Abbildung 1: Der Workflow mit fünf Phasen und vier Review Gates (siehe Infografik 01).
Die Dokumentation ist ein sinnvoller Startpunkt. In der zeroheight-Umfrage war Dokumentation der Anwendungsfall, mit dem die Befragten am zufriedensten waren (63 %). Das Generieren von Designs war der größte Ausreißer nach unten, mit einem Netto-Zufriedenheitswert von −53. Deshalb sollte KI für Designer*innen mit klar abgegrenzten, überprüfbaren Aufgaben starten und nicht mit ganzen Screens.
Welche Aufgaben sollten bei Designer*innen bleiben?
Designer*innen sollten jede Entscheidung behalten, die Verantwortung, Kontext oder Geschmack erfordert. KI im Design kann deine Optionen erweitern, aber sie kann nicht die Konsequenzen einer Entscheidung tragen. In meinem Modell bleiben fünf Bereiche bei Menschen:
- Problemdefinition: Entscheiden, was das Team lösen soll und warum.
- Markenrichtung: Beurteilen, ob sich die Arbeit nach deiner Marke anfühlt, nicht nur, ob sie den Regeln folgt.
- Research-Interpretation: Entscheiden, was Nutzerdaten für das Produkt bedeuten.
- Finale Freigabe: Verantwortung für Risiken bei Barrierefreiheit, Recht und Marke übernehmen.
- Systemänderungen: Neue Tokens, Komponenten und Patterns freigeben.
Beim letzten Punkt ziehe ich die klarste Grenze: KI sollte nie ihre eigene Arbeit freigeben oder das Designsystem eigenständig ändern. Sie kann eine Änderung vorschlagen, aber eine benannte Person entscheidet.
Auch Praktikerinnen und Creatorinnen sind hier vorsichtig. In der zeroheight-Umfrage hielten 67 % KI für etwas oder stark überbewertet, und die Qualität des Outputs war die größte Sorge. In der Adobe-Umfrage sagten 85 %, dass die finale kreative Entscheidung immer bei den Creator*innen bleiben sollte. 81 % halten menschliches Urteilsvermögen für unverzichtbar, wenn es um kreativen Geschmack geht.
Wie halten Review Gates KI-Output markenkonform?
Review Gates halten KI-Output markenkonform, indem sie ihn anhand klarer Kriterien prüfen, bevor er weitergeht. Ein Design-Review wird erst dann zum Gate, wenn es eine verantwortliche Person, schriftliche Kriterien und drei mögliche Ergebnisse hat: bestanden, überarbeiten oder stoppen.
- Gate 1, Briefing freigegeben: Design Lead und Product Owner bestätigen Problem, Zielgruppe und Rahmenbedingungen.
- Gate 2, Richtung freigegeben: Design oder Brand Lead prüft strategische Passung und Eigenständigkeit.
- Gate 3, Systemkonformität: Die verantwortliche Person für das Designsystem prüft Tokens, Komponenten, Zustände und eventuelle Ausnahmen.
- Gate 4, Release freigegeben: Eine verantwortliche Führungskraft bestätigt Usability, Barrierefreiheit, Markenpassung und, falls nötig, die rechtliche Prüfung.
Die Tiefe jedes Gates sollte zum Risiko passen. Eine Social-Media-Variante braucht vielleicht einen Check von fünf Minuten, ein neuer Checkout-Flow dagegen ein vollständiges Review. Gate 4 würde ich bei nichts weglassen, was bei Kund*innen ankommt.
Gates schaffen außerdem Vertrauen. Adobe fragte Creator*innen, was sie bereiter machen würde, Agenten mehr Eigenständigkeit zu geben. 44 % wollten jederzeit prüfen, bearbeiten oder rückgängig machen können. 37 % wollten nachvollziehen können, was der Agent tut und warum.
Eine einfache Form davon findet sich schon auf OMR Reviews. Eine Person aus dem Marketing bei Agicap erstellt Creatives in Figma, wo auch die Brand Guidelines hinterlegt sind. Im Zweifel gibt das Brand-Team sie frei. Die KI-Ebene ist neu, das Prinzip bleibt gleich: erst die Regeln, dann die menschliche Entscheidung.
Wie verbindest du KI-Output mit deinem Designsystem?
Du verbindest KI-Output mit deinem Designsystem, indem du Tools direkten Zugriff auf deine Single Source of Truth gibst und das Ergebnis anschließend dagegen prüfst. Screenshots und lange Prompts sind ein schwacher Ersatz für strukturierten Zugriff.
- Benennung angleichen: Nutze für Tokens und Komponenten in Design und Code dieselbe Logik.
- Metadaten ergänzen: Halte für jedes Element Zweck, Status, erlaubte Varianten und Regeln zur Barrierefreiheit fest.
- Tools verbinden: Das Model Context Protocol (MCP) ist eine Standardschnittstelle, über die KI-Agenten mit Datenquellen arbeiten können. Der Figma MCP Server gibt Designkontext an Agenten weiter und kann native Inhalte zurück auf das Canvas schreiben. Mit Code Connect von Figma nutzt generierter Code deine tatsächlichen Komponenten.
- Verantwortung festlegen: Design System Governance regelt, wer welche Teile des Systems freigeben, ändern oder ausmustern darf.
Zugriff ist nicht dasselbe wie Verständnis. In der zeroheight-Umfrage betreiben 48 % bereits einen MCP-Server, aber nur 17 % bewerten ihre Dokumentation als „sehr AI-ready“. Ich würde zuerst die Dokumentation in Ordnung bringen.
Deine KI-Design-Tools decken wahrscheinlich mehr als nur Interfaces ab, deshalb braucht jedes Tool dieselben Markenregeln. Prüf die aktuellen Funktionen jeder Option und lies Bewertungen von Teams mit ähnlichen Anforderungen:
Tool | Rolle im Workflow | Auf OMR Reviews (November 2026) |
|---|---|---|
Design, Komponenten, Figma-AI-Tools und MCP-Kontext | 4,6 aus 178 Bewertungen; Nutzer*innen loben die Zusammenarbeit, berichten aber von Verzögerungen bei großen Dateien | |
KI-Videoautomatisierung mit Brand Kit | 4,8 aus 51 Bewertungen; Nutzer*innen nennen die Templates, bemängeln aber wenig Flexibilität bei Detailänderungen | |
Markenkonforme Texte und Bilder über den Brand Hub | [Rating] aus 932 Bewertungen; [Nutzer-Insight ergänzen] | |
Zentraler Zugang zu mehreren KI-Modellen, mit Fokus auf DSGVO-Konformität | 4,8 aus 56 Bewertungen; Nutzer*innen merken an, dass manche Antworten noch geprüft werden müssen | |
Marketingtexte, Bilder, Videos und Brand Voice | 5,0 aus 4 Bewertungen, also noch eine kleine Stichprobe |
Dieselbe Logik gilt auch außerhalb des Produktdesigns, von Webdesign-Software über Brand Design bis zu KI-Funktionen in Canva. Selbst Canva-Vorlagen für LinkedIn Personal Branding funktionieren besser, wenn jemand für die Regeln dahinter verantwortlich ist.
Wie pilotierst und skalierst du KI im Designteam?
Pilotiere KI mit einem Team, einem Produkt-Flow und einer Komponentenfamilie und skaliere dann nur, was deine Kriterien erfüllt. Ein Pilot über zehn Wochen ist mein empfohlener Startpunkt. Das ist lang genug für echte Projekte und kurz genug, um noch umzusteuern.
- Audit (Woche 1 bis 2): Wähl den Flow, die Komponentenfamilie und die Dokumentationsseite aus. Frag dich, wo KI raten müsste, und schließ die wichtigsten Lücken.
- Regeln festlegen (Woche 2 bis 3): Definiere freigegebene Tools, Datenregeln, Gate-Verantwortliche und Kriterien. Halte eine Baseline aus vergleichbaren Projekten fest.
- Pilot durchführen (Woche 4 bis 9): Setz den Workflow in echten Projekten ein. Dokumentiere jede Gate-Entscheidung und jede Lücke im System.
- Entscheiden (Woche 10): Werte die Ergebnisse aus und entscheide dann: weitermachen, anpassen oder stoppen.
- In Wellen skalieren: Nimm jeweils ein Team oder einen Anwendungsfall dazu. Aktualisiere vor jeder Welle Dokumentation, Prompts und Schulungen.
Mach DesignOps zur verantwortlichen Stelle für diesen Rollout. DesignOps steht für Design Operations, also die Funktion, die Tools, Prozesse und Standards hinter der Designarbeit organisiert. Ohne klare Verantwortung bleibt ein Pilot oft ein Nebenprojekt.
Plane außerdem feste Zeit dafür ein. In der zeroheight-Umfrage war Zeitmangel die häufigste Hürde, genannt von 25 %, während Budget nicht das Hauptproblem war. Die Empfehlung für Teams, die jetzt starten, ist auch eine sinnvolle Reihenfolge: erst Dokumentation, dann MCP, und Qualität vor Verbreitung.
Abbildung 2: Die Pilot-Roadmap über zehn Wochen (siehe Infografik 02).
Woran erkennst du, dass der Workflow funktioniert?
Der Workflow funktioniert, wenn die Qualität stabil bleibt und Nacharbeit sinkt, nicht wenn einfach nur der Output steigt. Vergleich den Pilot mit deiner Baseline anhand weniger Kennzahlen:
Kennzahl | So misst du sie | Gutes Zeichen |
|---|---|---|
First-Pass-Rate an den Gates | Anteil der Arbeit, die ein Gate ohne Überarbeitung besteht, aus deinem Review-Log | Steigend |
Nacharbeitszeit | Erfasste Stunden vom ersten Entwurf bis zur Freigabe | Sinkend |
Systemabdeckung | Anteil der Elemente mit freigegebenen Tokens und Komponenten, aus einem Datei- oder Code-Audit | Steigend |
Durchgerutschte Fehler | Marken- oder Barrierefreiheitsprobleme, die nach Gate 4 auffallen | Sinkend |
Umgehungen des Systems | Screens oder Assets, die ohne freigegebene Komponenten entstehen | Sinkend |
Vertrauen im Team | Kurze Umfrage zu Beginn und am Ende des Pilots | Steigend |
Miss Zeit und Qualität immer zusammen, denn reine Geschwindigkeit kann zusätzlichen Review-Aufwand verdecken. Die Design-System-ROI-Studie von Sparkbox liefert eine einfache Methode, die du übernehmen kannst. Acht Entwickler*innen haben dasselbe Formular zweimal gebaut und dabei ihre Zeit gemessen. Anschließend wurde jedes Ergebnis mit dem Design abgeglichen. Mit Designsystem lag der Median bei 2 Stunden, ohne bei 4,2 Stunden. Die Studie war klein und ohne KI, deshalb ist hier die Methode nützlicher als die Zahl.
Behandle Herstellerangaben und einzelne Bewertungen genauso. Eine Freelancerin berichtet auf OMR Reviews, dass Mozaik die Zeit für ein einfaches geschnittenes Video von 2 bis 3 Stunden auf 20 bis 30 Minuten verkürzt hat. Das ist ein nützliches Signal, aber selbst berichtet und nicht unbedingt auf die Arbeit deines Teams übertragbar.
Meine Empfehlung ist einfach: Bewerte dein KI-Designsystem danach, wie viel gute Arbeit durch die Gates kommt und wie wenig später nachgebessert werden muss.
Noch offen:
- Links: Die OMR-Links zeigen noch auf die englischen Seiten (
/en/). Für die deutsche Version bitte auf die/de/-Entsprechungen umstellen, sofern vorhanden. - neuroflash und regulaid: Platzhalter und Schreibweise wie in der englischen Version noch prüfen.
- Keyword: Ich habe „KI-Designsystem“ gesetzt, aber nicht gegen Suchvolumen geprüft. Falls ihr „AI Design System“ als deutsches Keyword führt, müssten H1 und erster Absatz angepasst werden.
Werde Gastautor*in: Du hast in einem bestimmten Bereich richtig Ahnung und möchtest dein Wissen teilen? Dann schreibe uns einfach an reviews-experten@omr.com und bring deine Expertise ein. Wir freuen uns auf spannende Einblicke direkt aus der Praxis.