Früher brachten Kunden zum Erstgespräch einen Stapel ausgedruckter Websites mit, die ihnen gefielen. Heute kommen sie mit einem ChatGPT-Export. Darin stehen Empfehlungen zu Navigationsstruktur, Farbpsychologie und Core Web Vitals, manchmal sogar mit konkreten Hex-Codes. Das verändert die Ausgangslage für jedes Briefing grundlegend.
Was Kunden mitbringen, hat sich verschoben
Der Unterschied ist nicht nur optischer Natur. Wer früher Referenzseiten zeigte, kommunizierte Geschmack. Wer heute KI-Outputs vorlegt, glaubt, Anforderungen zu kommunizieren. Das ist ein semantischer Sprung mit praktischen Konsequenzen: Kunden formulieren präziser, aber nicht unbedingt richtiger. Sie verwenden Fachbegriffe wie „kontrastreiche Call-to-Action-Elemente“ oder „semantisches HTML“, ohne das Konzept dahinter wirklich durchdrungen zu haben.
Das zwingt Designer und Projektleiter dazu, im Briefing-Gespräch eine neue Rolle einzunehmen. Weniger Übersetzer zwischen Laienwunsch und Fachsprache, mehr kritischer Gesprächspartner, der KI-generierte Anforderungen hinterfragt und einordnet.
Wo KI-Empfehlungen im Briefing nützen
Es wäre falsch, den Trend pauschal als Problem zu behandeln. Kunden, die sich vorab mit KI-Tools beschäftigt haben, kommen oft mit einer klareren Vorstellung davon, was sie wollen, und mit einem Vokabular, das Gespräche beschleunigt. Wenn ein Kunde sagt, er möchte eine „mobile-first Struktur mit reduzierten Ladezeiten“, erspart das eine halbstündige Erklärung über responsive Design.
Außerdem bringen KI-Systeme manchmal Aspekte auf den Tisch, die im klassischen Briefing untergehen würden: Barrierefreiheit nach WCAG, strukturierte Daten für Suchmaschinen oder Ladezeit-Benchmarks. Wenn ein Kunde diese Punkte explizit einfordert, weil eine KI sie empfohlen hat, ist das keine Bedrohung für die Fachkompetenz des Designers, sondern eine Chance, diese Punkte verbindlich im Projekt zu verankern.
Die Schattenseite: Generische Empfehlungen als Briefing-Basis
Das eigentliche Problem liegt woanders. KI-Sprachmodelle generieren Empfehlungen auf Basis von Wahrscheinlichkeiten und trainierten Mustern. Was dabei entsteht, ist per Definition generisch. Eine KI empfiehlt einer Steuerberatungskanzlei und einem Streetwear-Label annähernd dieselben Designprinzipien, weil beide „professionell und vertrauenswürdig“ wirken sollen.
Kunden, die solche Empfehlungen unhinterfragt ins Briefing übernehmen, übergeben damit implizit die strategische Designentscheidung an ein Sprachmodell. Das Ergebnis: Briefings, die sich lesen wie Checklisten aus einem Conversion-Optimierungs-Blogpost von 2019. Konkrete Markenidentität, Zielgruppennuancen und Wettbewerbskontext bleiben außen vor.
Laut einer Studie zu KI-Empfehlungen in 2026 orientieren sich bereits mehr als 40 Prozent der befragten Unternehmen bei strategischen Kommunikationsentscheidungen an KI-generierten Outputs, ohne diese systematisch zu validieren. Das betrifft auch Designvorgaben.
Briefing-Prozesse neu denken
Agenturen und Freelancer, die mit dieser Realität produktiv umgehen wollen, müssen ihre Briefing-Vorlagen anpassen. Es reicht nicht mehr, nach Zielgruppe, Budget und Wettbewerbern zu fragen. Zwei neue Fragen gehören heute in jedes Erstgespräch:
- Haben Sie vorab KI-Tools für Ihre Anforderungen genutzt? Falls ja: Welche Empfehlungen wurden daraus abgeleitet?
- Welche dieser Empfehlungen haben Sie bereits selbst hinterfragt oder verworfen? Das zeigt, wie reflektiert der Kunde mit dem Output umgegangen ist.
Die Antworten offenbaren schnell, ob jemand die KI als Denkwerkzeug genutzt oder deren Output einfach kopiert hat. Im zweiten Fall beginnt die eigentliche Briefing-Arbeit erst nach dem Aussortieren.
Was Webdesigner jetzt konkret ändern sollten
Ein strukturiertes Vorgehen hilft, KI-geprägte Briefings zu kanalisieren, ohne Kunden zu verunsichern oder zu bevormunden. In der Praxis haben sich drei Schritte bewährt:
- KI-Output explizit sichten lassen: Bitten Sie den Kunden, die KI-Empfehlungen vor dem Gespräch schriftlich zusammenzufassen. So entsteht ein gemeinsames Arbeitsdokument statt mündlicher Unklarheiten.
- Kontextualisieren statt widersprechen: Statt „Das empfiehlt die KI falsch“ lieber fragen: „Wie passt diese Empfehlung zu Ihrer Zielgruppe von 50- bis 65-Jährigen?“ Das öffnet einen sachlichen Korrekturdialog.
- Eigenständige Designbegründung dokumentieren: Alle Abweichungen von KI-Empfehlungen im Projektdokument begründen. Das schützt vor späteren Rückfragen und macht die Fachkompetenz sichtbar.
Qualitätsstandards bleiben Menschensache
Was KI-Tools nicht leisten können, ist das Abwägen von Prioritäten unter realen Projektbedingungen. Eine KI weiß nicht, dass das Budget in Woche drei gekürzt wurde, dass der Kunde Barrierefreiheit theoretisch will, aber keinen Testaufwand einplanen wird, oder dass das Backend-System des Kunden bestimmte Animationen faktisch unmöglich macht.
Grundlegende Qualitätsdefinitionen für Webprojekte, etwa zum Thema Zugänglichkeit, werden institutionell gepflegt. Das Deutsche Institut für Normung entwickelt und aktualisiert entsprechende Standards kontinuierlich, unabhängig davon, was gerade in KI-Modellen als Best Practice auftaucht. Diese normativen Grundlagen sollten in keinem professionellen Briefing fehlen, egal ob der Impuls dazu vom Kunden oder von einer KI kommt.
KI-Empfehlungen sind kein Briefing-Ersatz. Sie sind ein Vorfilter, der manchmal nützlich ist und manchmal Arbeit erzeugt. Der Unterschied zwischen beidem liegt darin, wie konsequent der Designprozess diese Inputs einordnet statt einfach abnickt. Wer das als Agentur oder Freelancer versteht, hat gegenüber Kolleginnen und Kollegen, die sich von KI-Outputs treiben lassen, einen echten Wettbewerbsvorteil.
