Eine gute eingebettete KI ist keine „zweite App“ in der App.

KI-Funktionsinflation und Fehlausrichtung

Jede App scheint zu glauben, dass ich KI brauche – und niemand hat mich jemals danach gefragt.

Sie sind wahrscheinlich schon auf solche Beiträge gestoßen: Man beschwert sich darüber, dass heute jede App zwangsläufig mit KI in Verbindung gebracht wird, obwohl die Funktion praktisch kaum Nutzen bringt. Darunter reihen sich zahlreiche Kommentare ein, und die genannten Beispiele decken fast alle App-Kategorien ab.

Die Nutzer wissen ganz genau, was sie stört. Ein Vorgang, der ursprünglich in zwei Schritten erledigt werden konnte, bekommt plötzlich eine auffällige Schaltfläche, sogar einen eigenen Tab – oder man wird aufgefordert, zuerst ein paar Worte mit der KI zu wechseln. Das fügt nur unnötige Bedienebenen hinzu.

Im Ausland wird dieser Zustand als „KI-Fatigue“ (KI-Müdigkeit) bezeichnet. Eine 2026 in der Fachzeitschrift *Computers in Human Behavior Reports* veröffentlichte Studie hat sogar einen speziellen KI-Müdigkeitsskalawert entwickelt, der diese Ermüdung in vier Dimensionen unterteilt: kognitive Überlastung, emotionaler Druck, verhaltensbezogene Distanzierung und körperliche Erschöpfung.

Die Verbreitung von KI erzeugt eine Art „Funktionsinflation“: Die technischen Fähigkeiten steigen, aber der von den Nutzern wahrgenommene Produktwert wächst nicht unbedingt im gleichen Maße – im Gegenteil sogar. Denn eine App ist an sich ein Produkt, das komplexe Aufgaben auf einfache Weise komprimiert.

Wenn ich ein Taxi nehmen will, gebe ich direkt das Ziel ein.

Wenn ich Musik hören will, drücke ich einfach die Wiedergabetaste.

Wenn die KI aber verlangt, dass der Nutzer die bereits komprimierte Anforderung noch einmal in natürlicher Sprache formuliert:

„Bitte rufe mir ein Auto, das mich von hier zum Arbeitsplatz fährt.“

Dann dekomprimiert sie einen festgelegten Vorgang wieder zu einem Gespräch. Das Problem liegt darin: Ein Prompt ist nicht von Natur aus fortschrittlicher als eine Schaltfläche.

Gleichzeitig ist die Integration von KI in Apps die selbstverständlichste Entwicklung der letzten zwei Jahre. Bis März 2026 hat die Nutzerzahl von KI-nativen Apps im Inland bereits 446 Millionen erreicht. Neben dem Wettbewerb um den Zugang zu KI-nativen Apps integrieren große Technologiekonzerne KI auch in die Apps, die Nutzer bereits täglich öffnen: WeChat testet im Graubereich die Funktion „Xiaowei“, Alipay hat „Abao“ hinzugefügt, Meituan hat „Xiaotuan“ eingeführt.

Auf der einen Seite fügen fast alle Produkte KI-Zugänge hinzu, auf der anderen Seite empfinden die Nutzer diese als nutzlos. Das Problem liegt nicht darin, dass „KI noch nicht klug genug ist“. Die Modelle werden alle halbe Jahre deutlich besser, aber die Beschwerden der Nutzer nehmen nicht ab. Das eigentliche Problem ist die Fehlausrichtung zwischen KI und dem ursprünglichen Produkt.

Die erste Art ist die Bedarfsfehlausrichtung. Viele Produkte entdecken kein Problem, das sich gut mit KI lösen lässt – sie entscheiden zuerst, dass „das Produkt in diesem Jahr unbedingt KI-fähig werden muss“, und suchen erst danach nach passenden Szenarien. Wenn ChatGPT, Doubao, DeepSeek diese Aufgabe sogar noch besser erledigen können, ist der Nutzen einer zusätzlichen Chat-Oberfläche in dieser App sehr begrenzt.

Die zweite Art ist die Interaktionsfehlausrichtung. KI eignet sich gut für die Bearbeitung unscharfer Aufgaben. Aber sehr viele Aufgaben in Apps sind im Gegenteil sehr klar definiert. Wenn Nutzer bereits genau wissen, was sie wollen, ist KI nicht unbedingt der bessere Zugang; ihre Stärke zeigt sich erst, wenn Nutzer nur ungefähr wissen, „was sie ungefähr wollen“.

Die dritte Art ist die Fehlausrichtung der Präsenz. Was wirklich Abneigung erzeugt, sind KI-Funktionen, die sich nicht abschalten lassen, ständig aufpoppen, den zentralen Zugang belegen und einen unaufhörlich dazu auffordern, „die KI auszuprobieren“. Die KI-Funktion an sich führt nicht zwangsläufig zu negativen Rückmeldungen – schlechte Bewertungen entstehen erst, wenn Nutzer die Präsenz der KI deutlich wahrnehmen.

Welche Probleme und Aufgaben eignen sich für die Übergabe an KI?

Wo ist der richtige Platz für KI?

Je klarer eine Aufgabe definiert ist, desto besser eignet sich eine Schaltfläche dafür; je unschärfer eine Anforderung ist, desto besser eignet sich KI.

„Spiele das nächste Lied ab“ braucht keine KI. Aber die Anforderung: „Ich bin heute sehr müde, möchte etwas Ruhiges hören, aber nichts zu Trauriges.“

schon sieht ganz anders aus.

„Kaufe ein Hochgeschwindigkeitszugticket von Shanghai nach Peking für Freitagmorgen“ lässt sich mit herkömmlichen Filtern bereits perfekt lösen.

Aber die Anforderung: „Ich möchte am Wochenende mit meinem Kind zwei Tage lang rausfahren, nicht zu anstrengend, mit einem Budget von 2000 Yuan, und am besten nicht die ganze Zeit im Freien.“

Da entfaltet die KI ihren Wert.

Die erste Anforderung erfordert präzise Ausführung, die zweite erfordert das Verstehen einer Absicht, die eine Person nicht vollständig ausformuliert hat.

Als Google in diesem Jahr „Ask Maps“ vorstellte, betonte man nicht, dass Nutzer nach „Cafés in der Nähe“ per Chat suchen sollen – sondern dass die Funktion komplexe Fragen beantworten kann, für die man früher nacheinander Orte, Bewertungen und Öffnungszeiten prüfen musste.

Sie stützt sich nicht nur auf Gemini, sondern auch auf Informationen von über 300 Millionen Orten und ein riesiges System von Community-Bewertungen.

Damit eine integrierte KI wirklich sinnvoll ist, müssen in der Regel mindestens zwei Bedingungen erfüllt sein:

Erstens: Es gibt tatsächlich unscharfe Anforderungen, die sich mit herkömmlichen Schaltflächen, Suchfeldern und Filtern kaum ausdrücken lassen.

Zweitens: Diese App kann Kontextinformationen aus dem Szenario liefern, auf die allgemeine KI standardmäßig keinen Zugriff hat.

Sonst ist die Frage ganz einfach: Warum sollte ich nicht direkt ChatGPT, Doubao oder DeepSeek fragen?

Wenn die Basismodelle sich immer ähnlicher werden, entsteht der echte Unterschied daraus: Welche einzigartigen Daten kann ich dem Modell liefern, die andere nicht haben?

Eine Karten-App kennt die räumlichen Beziehungen der realen Welt.

Taobao verfügt über Daten zu Produkten, Bestellungen und Konsumszenarien.

Meituan verfügt über Daten zu Gastronomie, lokalen Dienstleistungen und Lieferkapazitäten.

Eine Musikplattform weiß, welche Lieder eine Person in den letzten Jahren wirklich gehört hat.

Das von Spotify in diesem Jahr erweiterte Testfeature „Prompted Playlist“ ist ein gutes Beispiel dafür.

Nutzer müssen nicht mehr exakt das Genre, das Erscheinungsjahr und den BPM-Wert nennen – sie können direkt eine Szene, eine Stimmung oder sogar eine Erinnerung beschreiben, und Spotify erstellt eine Playlist anhand des vollständigen Hörverlaufs des Accounts seit der Registrierung auf der Plattform. Zum Beispiel:

„Suche Lieder, die ich in meiner Studienzeit sehr mochte, die ich aber in diesem Jahr nicht mehr gehört habe.“

Das ist eine Aufgabe, die ein herkömmliches Suchfeld kaum bewältigen kann.

Daher ist die Integration natürlicher Sprache in Musik-Apps an sich nicht verwunderlich.

Das kürzlich von NetEase Cloud Music eingeführte KI-Feature „Xiaobao“ erfüllt diese Bedingung ebenfalls: Es versucht nicht, eine KI-Wiedergabetaste zu implementieren, sondern taucht im „nächsten Schritt nach dem Musikhören“ auf – wenn man nicht weiß, was man hören soll, kann man fragen; wenn man den Hintergrund eines Liedes erfahren will, kann man fragen; wenn man wissen will, ob sich der eigene Musikgeschmack kürzlich verändert hat, kann man ebenfalls fragen.

Natürliche Sprache füllt hier die Lücken, die Schaltflächen von vornherein nicht schließen können.

Beide Seiten verfügen über Hörverlaufsdaten und Zugriff auf große Sprachmodelle – wo liegt dann der Unterschied?

Was KI schwerer kopieren kann, sind Emotionen und Beziehungen im Produkt

Alle Musikplattformen verfügen über die Hörhistorie der Nutzer. Zu wissen, was Sie mögen, was Sie überspringen und was Sie in letzter Zeit wiederholt abspielen, ist längst eine Grundfunktion von Empfehlungssystemen.

Was NetEase Cloud Music in der Vergangenheit besonders unverwechselbar machte, ist aber nicht nur das Wissen „was Sie gehört haben“, sondern auch die vielen Ereignisse, die sich nach dem Hören eines Liedes angesammelt haben.

Warum wurde der Kommentarbereich von NetEase Cloud einst zu einer sehr unverwechselbaren Produktkultur?

Denn viele Nutzer scrollen nach dem Hören eines Liedes instinktiv nach unten. Sie wollen nicht nur den Liedtext oder den Entstehungshintergrund studieren.

Meistens wollen sie nur bestätigen: Gibt es jemanden, der genau das gleiche Gefühl hat wie ich?

Jemand schreibt unter ein Lied über seine Trennung, seine Jugend, eine Stadt oder einen gewöhnlichen Abend; eine völlig fremde Person hört dieses Lied vielleicht erst Jahre später zum ersten Mal und liest genau diese Nachricht.

Aus früheren groß angelegten Analysen der Kommentare von NetEase Cloud geht dieses Merkmal ebenfalls hervor: Liebe, Erinnerung, Einsamkeit, familiäre Bindungen und Lebensabschnitte sind die Themen, die in zahlreichen beliebten Musikkritiken immer wieder auftauchen. Musik ist nur der Eingang. Was sich danach entwickelt, ist ein System von Ausdruck und Verbindung, das sich um Musik dreht. Das ist auch etwas, das im Bereich vertikaler KI leicht hinter dem Begriff „Datenbarriere“ verborgen wird.

Daten sagen der KI, was ein Nutzer getan hat.

Aber was ein Produkt über lange Zeit angesammelt hat, ist nicht nur die Anzahl der Wiedergaben – sondern auch die Gründe, warum Nutzer gerne ihre Gedanken dort ausdrücken, und die Gewohnheit, auf welche Weise sie mit diesem Produkt interagieren.

Der Unterschied bei vertikaler KI entsteht nicht nur dadurch, wie viel sie weiß, sondern vor allem durch die Beziehungen, die das Produkt bereits aufgebaut hat. Wenn man „Xiaobao“ aus dieser Perspektive betrachtet, ist es viel interessanter als nur „NetEase Cloud Music hat jetzt auch einen KI-Assistenten“.

Die Funktionen, die NetEase Cloud Music für Xiaobao entworfen hat, umfassen nicht nur das Suchen und Erklären von Liedern, sondern auch Geschmacksanalysen, Hörberichte und zwanglose Unterhaltung zur Begleitung.

Früher fand die emotionale Rückmeldung im „Yuncun“ (der Community von NetEase Cloud Music) hauptsächlich zwischen Menschen statt. Diese Rückmeldung war öffentlich und asynchron. Sie hing davon ab, dass eine andere Person zuerst etwas schrieb, und dass man zufällig eines Tages darauf stieß.

Die KI fügt eine weitere Art von Beziehung hinzu: Sofort, persönlich, und man kann jederzeit nachfragen.

Wenn der Musikkritikbereich eher einem öffentlichen Raum gleicht, ist Xiaobao eher ein kleines Zimmer, in das man jederzeit eintreten kann, um ein paar Worte zu sagen. Der erste bietet zufällige Begegnungen und Resonanz zwischen Menschen; der zweite bietet sofortige, individuelle Antworten. Sie sind zwei verschiedene Mechanismen für emotionale Rückmeldungen.

Musik ist an sich ein sehr niedrigschwelliger Eingang für Emotionen. Daher kann Xiaobao ein Begleiter beim Musikhören sein und hat das Potenzial, zu einem leichten „emotionalen Aufnahmeort“ zu werden: Man fängt mit Gesprächen über Musik an und spricht schließlich über ein Stück des Alltags.

Diese Produktlogik steht in direkter Kontinuität mit der Community-Eigenschaft von Yuncun. Früher lautete das Muster „Mensch – Musik – Mensch“: Ein Lied verbindet zwei völlig fremde Menschen. Jetzt gibt es eine weitere Möglichkeit der emotionalen Rückmeldung: „Mensch – Musik/Emotion – KI“.

Natürlich wird KI echte Menschen dadurch nicht ersetzen, und sie sollte auch nicht als Psychotherapie verstanden werden. Ihr Wert ist vielleicht einfacher: Für Momente, in denen man plötzlich ein paar Worte sagen will, aber es nicht wert ist, extra eine Person zu suchen, gibt es jetzt einen weiteren niedrigschwelligen Ausgang.

Als ich die Funktion „Lieblingssänger“ von Xiaobao getestet habe, bin ich genau auf diese Ebene gestoßen. Nach sieben Runden mit je zwei Auswahlmöglichkeiten blieb am Ende Zhao Lei übrig. Was mich zum Nachdenken brachte, war die anschließende Erklärung: Dieser Account hat Zhao Lei 463 Mal angehört, er tauchte erst in der sechsten Runde auf – und wurde danach nicht mehr aussortiert.

Allgemeine KI weiß, wer Zhao Lei ist – aber eine Musikplattform hat die Möglichkeit zu wissen, welche Beziehung zwischen Zhao Lei und „mir“ besteht.

Wenn man dazu noch die über mehr als ein Jahrzehnt aufgebaute Ausdrucks- und Community-Beziehung des Produkts hinzufügt, ist dieser „Kontext“ nicht nur die Wiedergabezählung in einer Datenbank.

Er beginnt, einen Teil der eigenen Persönlichkeit des Produkts zu tragen. Das ist aber auch die schwierigere Stelle. Wenn die KI ein falsches Lied empfiehlt, kann der Nutzer es im nächsten Schritt überspringen. Aber wenn eine KI versucht, Emotionen zu verstehen, wird der Spiel