Continuous Discovery bedeutet, jede Woche mit Kunden zu sprechen statt einmal im Quartal. KI-Tools automatisieren heute das komplette Interview: Durchführung, Transkription, Analyse. Der Aufwand sinkt von 15 Stunden pro Interview auf ein paar Stunden pro Woche. Laut dem ProductBoard Product Excellence Report 2024 liefern Teams mit Continuous Discovery doppelt so schnell und erreichen 30 Prozent höhere Adoptionsraten. Dieser Artikel zeigt, wie das funktioniert.
Auf jeden UX-Researcher in einem Unternehmen kommen fünf Leute, die Research brauchen. Diese Zahl stammt aus dem State of User Research Report 2025. Sie erklärt ziemlich viel.
Teams kommen nicht hinterher. Sie schaffen vielleicht die Hälfte der Anfragen, die reinkommen. Der Research-Backlog wächst, aber Deadlines interessiert das nicht. Also werden Produkte trotzdem ausgeliefert. Ohne Erkenntnisse. Ohne zu wissen, ob irgendjemand das braucht, was da gebaut wurde.
Das alte Modell kennt jeder: Einmal im Quartal startet man ein Research-Projekt. Planung, Rekrutierung, Interviews, Analyse, Report. Sechs bis acht Wochen später hat man seine Insights. Nur hat das Produktteam bis dahin längst drei große Entscheidungen getroffen. Aus dem Bauch heraus, weil die Erkenntnisse noch nicht da waren.
Dieses Modell funktioniert nicht mehr. Nicht weil Researcher zu langsam arbeiten. Sondern weil sich die Welt schneller dreht, als Projekte das erlauben.
Was Continuous Discovery eigentlich ist
Teresa Torres hat den Begriff geprägt. Ihr Buch "Continuous Discovery Habits" wurde zum Standardwerk für Produktteams, die nah an ihren Kunden bleiben wollen. Die Idee klingt simpel: Discovery sollte kein Projekt sein. Es sollte ein wöchentlicher Rhythmus sein.
In der Praxis heißt das: mindestens ein Kundengespräch pro Woche. Nicht einmal im Quartal. Jede einzelne Woche. Was man lernt, trägt man in einen Opportunity Solution Tree ein; das ist eine visuelle Methode, um Kundenprobleme mit möglichen Lösungen zu verbinden. Man wählt eine Opportunity aus, entwickelt mehrere Ansätze dafür und testet Annahmen mit kleinen Experimenten, bevor man etwas Großes baut.
Diese Schleife verhindert, dass man sechs Monate lang kein einziges Kundengespräch führt. Sie zwingt einen, Annahmen regelmäßig zu überprüfen, statt sich an die Erkenntnisse vom letzten Jahr zu klammern.
Die Zahlen dazu sind eindeutig: Teams mit Continuous Discovery haben doppelt so schnelle Release-Zyklen und 30 Prozent höhere Feature-Adoption. Keine marginale Verbesserung, sondern der Unterschied zwischen einem Produkt, das wächst, und einem, das stagniert.
Warum das ohne KI nicht funktioniert hat
Hier kommt die unbequeme Rechnung: Ein einzelnes Nutzerinterview kostet zwischen 8 und 15 Stunden Gesamtaufwand. Die meisten Leute unterschätzen das massiv, weil sie nur das Interview selbst zählen. Das dauert vielleicht 45 Minuten. Aber die eigentliche Arbeit passiert überall sonst.
Recruiting frisst zwei bis drei Tage. Man muss passende Teilnehmer finden, sie anschreiben, No-Shows managen, das ganze Hin und Her koordinieren. Dann die Terminabstimmung: einen Zeitpunkt finden, der für beide passt, Kalendereinladungen rausschicken, Erinnerungen. Allein das kann einen halben Tag kosten.
Nach dem Interview braucht man ein Transkript. Wer das manuell macht, sitzt zwei bis drei Stunden an einer 45-Minuten-Aufnahme. Dann kommt die Analyse: Transkript durchlesen, Themen markieren, Antworten codieren, nach Mustern suchen. Das sind vier bis acht Stunden, wenn man gründlich sein will. Und schließlich muss man alles so aufbereiten, dass das Team etwas damit anfangen kann. Noch mal zwei bis vier Stunden für eine ordentliche Zusammenfassung.
Alles zusammen: eine Woche Arbeit für ein einziges Interview. Jetzt stell dir vor, das jede Woche zu machen. Zusätzlich zu allem anderen, was du auf dem Tisch hast. Das ist nicht realistisch. Deshalb macht es fast niemand.
Wie KI das ändert
KI macht Nutzerforschung nicht magisch einfach. Aber sie räumt die Hindernisse aus dem Weg, die Continuous Discovery bisher unmöglich gemacht haben.
Fang beim Recruiting an. Der alte Weg war manuelles Anschreiben, E-Mail-Ping-Pong, Terminakrobatik. Der neue Weg sieht komplett anders aus: Du teilst einen Link. Auf deiner Website, im Newsletter, in Social Media, wo auch immer deine Nutzer sind. Wer mitmachen will, klickt drauf und führt das Interview durch, wann immer es gerade passt. Keine Terminabstimmung, keine No-Shows, kein Koordinationsaufwand. Der Teilnehmer bestimmt selbst, wann er Zeit hat.
Dann das Interview selbst. Bei QUALLEE führt die KI das Gespräch. Sie versteht den Kontext, stellt adaptive Nachfragen, geht tiefer, wo es interessant wird. Und weil das asynchron passiert, können Dutzende Interviews parallel laufen. Du schläfst, und deine Forschung macht weiter.
Transkription war früher ein Flaschenhals. Heute passiert sie in Echtzeit. Whisper und ähnliche Modelle erreichen über 95 Prozent Genauigkeit bei klarem Audio. Ein 45-Minuten-Interview wird in Minuten zu Text.
Die Analyse ist der Bereich, in dem große Sprachmodelle richtig glänzen. Sie können Themen über Hunderte von Interviews hinweg codieren und erreichen dabei etwa 81 Prozent Übereinstimmung mit menschlichen Codern. Das ist nah an der Übereinstimmung zwischen zwei Menschen, die liegt bei 87 Prozent laut der British Election Study von 2024. Nicht perfekt, aber gut genug, um Muster zu erkennen, die man sonst übersehen würde. Laut Loop11 reduziert KI die Zeit für qualitative Analyse um bis zu 80 Prozent.
McKinseys Analyse von 2024 ergab, dass KI die Product-Discovery-Zeit um 40 bis 60 Prozent reduziert. Und das war 2024. In KI-Maßstäben ein Zeitalter. Heute geht noch mehr.
Der Opportunity Solution Tree wird praktikabel
Teresa Torres' Opportunity Solution Tree ist ein einfaches, aber mächtiges Framework. Ganz oben steht das gewünschte Ergebnis: was man als Unternehmen erreichen will. Darunter die Opportunities, also Kundenbedürfnisse und Pain Points, die dabei helfen könnten. Unter jeder Opportunity potenzielle Lösungen. Und darunter die Experimente, mit denen man testet, ob eine Lösung funktioniert.
Das Problem war immer die Pflege. Nach jedem Interview sollte man seinen Tree überprüfen, neue Opportunities eintragen, alte streichen, Prioritäten anpassen. In der Realität bleibt das liegen, sobald es hektisch wird.
KI verändert das. Tools wie Vistaly extrahieren automatisch Opportunities aus Gesprächen und schlagen vor, wo sie im Tree hingehören. Selbst mit einfacheren Tools kann man Transkripte in Claude einfügen und in Minuten ein Opportunity-Mapping bekommen. Die Pflege, die früher Stunden gefressen hat, schrumpft auf ein paar Klicks.
Teresa Torres selbst baut gerade KI-Tools für Discovery. In ihrer Roadmap für 2026 spricht sie von einer Zukunft, in der KI "mühsame Aufgaben automatisiert, die kognitiv anspruchsvollsten Aufgaben unterstützt und sogar einige Dinge übernimmt, die man für rein menschlich hielt." Diese Zukunft ist schneller da, als die meisten erwartet haben.
Wie ein realistischer Workflow aussieht
Mit KI-gestützten Interviews ändert sich der Rhythmus komplett. Statt Wochen für ein einzelnes Interview brauchst du nur noch ein paar Stunden pro Woche für einen kontinuierlichen Erkenntnisfluss.
Der Startpunkt ist einfach: Du erstellst ein Interview-Projekt mit deinen Forschungsfragen und teilst den Link. Ab jetzt können Teilnehmer jederzeit mitmachen, per Text oder Spracheingabe, wann immer es ihnen passt. Die KI führt das Gespräch, stellt Nachfragen, geht in die Tiefe. Du musst dabei nicht anwesend sein.
Einmal pro Woche schaust du rein, was reingekommen ist. Die Transkripte sind da, die Themen bereits getaggt, erste Muster erkennbar. Du scannst die Zusammenfassungen, markierst, was wichtig erscheint, korrigierst, wo die KI daneben lag. Das dauert vielleicht eine Stunde.
Dann aktualisierst du deinen Opportunity Solution Tree. Wo passen die neuen Erkenntnisse hin? Welche Annahmen wurden bestätigt, welche widerlegt? Die KI macht Vorschläge, du entscheidest. Noch mal eine halbe Stunde.
Freitags teilst du die wichtigsten Insights mit dem Team. Die KI hat eine Executive Summary generiert, du fügst Kontext hinzu, ihr diskutiert, was das für die Roadmap bedeutet. Dreißig Minuten im Sync-Meeting.
Das sind drei bis vier Stunden pro Woche. Dafür hast du einen kontinuierlichen Strom an Kundenerkenntnissen, statt alle paar Monate einen verstaubten Report.
Wann Continuous Discovery nicht passt
Continuous Discovery ist nicht immer der richtige Ansatz. Es gibt Situationen, in denen man etwas anderes braucht.
Frühe Exploration ist so ein Fall. Wenn du noch nicht weißt, wer dein Kunde überhaupt ist, helfen wöchentliche Interviews mit zufälligen Leuten wenig. Du brauchst erst Grundlagenarbeit: Marktanalyse, Wettbewerbsrecherche, breitere ethnografische Studien. Continuous Discovery setzt voraus, dass du ein Produkt und Nutzer hast, mit denen du reden kannst.
Große strategische Pivots sind ein anderer Fall. Wenn du einen fundamentalen Richtungswechsel erwägst, reichen schnelle wöchentliche Check-ins nicht. Du brauchst tiefere, längere Studien über Wochen oder Monate. Continuous Discovery ist großartig für Iteration. Für Neuerfindung ist es weniger geeignet.
Und dann gibt es die organisatorische Realität: Wenn das Leadership eigentlich gar nicht hören will, was Kunden sagen, wird Continuous Discovery zur frustrierenden Übung. Die Praxis funktioniert nur, wenn echtes Interesse an Kundenerkenntnissen da ist.
Der beste Ansatz ist oft hybrid: Continuous Discovery für laufende Iteration, dedizierte Research-Projekte für grundlegende Fragen und große strategische Entscheidungen.
Die eigentliche Frage
Die Frage ist nicht, ob du Zeit für Research hast. Die Frage ist, ob du es dir leisten kannst, blind zu bauen.
Jede Produktentscheidung ohne Kundeninput ist ein Glücksspiel. Manchmal gewinnt man. Öfter baut man Features, die niemand braucht, löst Probleme, die niemand hat, verwendet Wörter, die niemand versteht. Die Kosten dieser Fehler übersteigen bei Weitem die paar Stunden pro Woche, die es braucht, um Kunden zuzuhören.
KI hat die Hürde für Continuous Discovery dramatisch gesenkt. Was früher ein Vollzeit-Research-Team erforderte, kann heute ein einzelner Product Manager mit den richtigen Tools aufrechterhalten. Die Ausreden werden dünn.
Teresa Torres bringt es auf den Punkt: Wöchentlich mit Kunden zu sprechen sollte eine Grundgewohnheit sein, kein Nice-to-have. Die Teams, die diesen Muskel aufbauen, werden schneller lernen und besser performen als die, die es nicht tun.
Selbst erleben
Neugierig, wie sich ein KI-geführtes Interview aus Teilnehmersicht anfühlt? Wir führen gerade eine Studie darüber durch, wie Menschen im Alltag mit KI interagieren. Du bist eingeladen.
In 10 bis 15 Minuten erlebst du, wie QUALLEE Erkenntnisse erfasst, die kein Dashboard jemals liefern könnte. Und du hilfst uns, etwas zu lernen.
Häufig gestellte Fragen
Was ist Continuous Discovery und warum ist es wichtig?
Continuous Discovery ist ein Produktentwicklungsansatz, bei dem Teams mindestens einmal pro Woche mit Kunden sprechen statt gelegentliche Research-Projekte durchzuführen. Erkenntnisse bleiben frisch, Annahmen werden regelmäßig getestet, und Produkte entwickeln sich basierend auf echten Kundenbedürfnissen statt auf veralteter Forschung von vor Monaten.
Wie viel Zeit kostet Continuous Discovery pro Woche?
Mit KI-Unterstützung etwa drei bis vier Stunden. Ohne KI kann ein einzelnes Interview 8 bis 15 Stunden Aufwand bedeuten. KI automatisiert Durchführung, Transkription und Erstanalyse, was wöchentliche Rhythmen erst nachhaltig macht.
Kann KI menschliche Researcher ersetzen?
KI übernimmt die repetitiven Aufgaben: Interviews führen, transkribieren, erste Themen identifizieren. Menschen liefern Urteilsvermögen, Empathie und strategisches Denken. Die Kombination ist mächtiger als beides allein und macht Continuous Discovery für Teams ohne dediziertes Research-Personal skalierbar.
Was ist ein Opportunity Solution Tree?
Ein visuelles Framework von Teresa Torres, das Geschäftsziele mit Kundenopportunities, Lösungsideen und Experimenten verbindet. Es hilft Teams, den Überblick zu behalten und sicherzustellen, dass jedes Experiment auf ein echtes Kundenbedürfnis zurückgeht.
Wann sollte ich Continuous Discovery nicht nutzen?
Bei früher Exploration, wo du deinen Kunden noch nicht kennst. Bei großen strategischen Pivots, die tiefe Forschung brauchen. In stark regulierten Umgebungen mit formalen Genehmigungsprozessen. Und wenn dein Leadership eigentlich gar keine Kundenerkenntnisse will.
Der Abstand zwischen Teams, die zuhören, und Teams, die raten, wird größer. Wöchentliche Interviews sind kein Luxus mehr, sondern die Baseline.
