GPT Astra im Geschmackstest
Wer „Astra“ hört, denkt in Deutschland schnell an Bier.
Diese Verknüpfung kommt nicht von ungefähr. Über Jahre hat sich die gleichnamige Hamburger Biermarke durch eine provokante, eigenwillige und humorvolle Kommunikation in den Köpfen festgesetzt. Das Bier selbst ist dabei fast schon zweitrangig. Hängen bleibt vor allem die Marke. Mit Selbstironie, klarer Haltung und dem Anspruch, nicht jedem gefallen zu müssen.
Wer heute Astra hört, denkt vielleicht nicht mehr nur an Bier, sondern auch an OpenAIs neustes Sprachmodell GPT Astra. Die Namensähnlichkeit war für uns ein willkommener Anlass, beide Welten in einem Centigrade LowCoder Workshop zusammenzubringen: Bier als zentrales Thema und GPT Astra als Werkzeug. Mehrere Teams sollten eine App entwickeln, die Nutzern spontane Ausflugstipps zu Brauerei-Events liefert. Als Datengrundlage diente die Open Brewery Database, deren Daten über einen n8n-Workflow automatisiert verarbeitet wurden.
Die Ausgangslage war ideal für kreative Vielfalt: dieselbe Nutzeranforderung, dieselben Daten und dasselbe KI-Werkzeug.
Exploration auf Fast Forward
Das Ergebnis überraschte. Statt sechs unterschiedlicher Produktideen entstanden sechs erstaunlich ähnliche Anwendungen. Karte, Filter, Eventliste, generiertes Branding. Die Lösungen wirkten souverän, funktionierten auf den ersten Blick und entstanden in bemerkenswert kurzer Zeit.
Innerhalb weniger Minuten erzeugte GPT Astra Logos, Claims, Farbwelten und erste UI-Konzepte. Was früher mehrere Workshops, Moodboards und Designschleifen erforderte, lag plötzlich als klickbarer Entwurf vor. Für die frühe Exploration ist das ein enormer Gewinn: Ideen werden schneller sichtbar, vergleichbar und diskutierbar.
Gleichzeitig stellte sich die Frage, wenn ein Werkzeug mit nahezu unbegrenzten Möglichkeiten so viele Lösungswege eröffnen kann, warum entstanden daraus dennoch so ähnliche Ergebnisse? Mit dem User Need, spontane Brauerei-Events für einen Ausflug zu entdecken, wären schließlich deutlich mehr Richtungen denkbar gewesen.
Branding von der Stange
Die Entwürfe bewegten sich gestalterisch auffallend nah beieinander. Markenidentität, Typografie und UI folgten weitgehend etablierten Mustern: neutrale Textschrift, kontrastierende freundliche Serifenschrift für Headlines und generische Bier- oder Stern-Signets als vermeintliche Markenanker, die letztlich doch sehr austauschbar blieben.
Die Farbgebung bewegte sich erwartungsgemäß im Spektrum hopfiger Grüntöne sowie Biernuancen von Senfgelb bis Rostrot. Weniger überzeugend waren die gestalterischen Details. Wiederholt traf weiße Schrift auf helle Flächen, wodurch wichtige Kontraste verloren gingen. Gleichzeitig erzeugten inkonsistente Radien einen Bruch in der visuellen Einheit einzelner Komponenten. Das sind keine bloßen Schönheitsfehler. Zu geringe Kontraste beeinträchtigen die Barrierefreiheit, während uneinheitliche Formen die Oberfläche unruhig und stellenweise unfertig wirken lassen.
Obwohl die Lösungen ansonsten überwiegend solide wirkten, fehlte es insgesamt an einer klaren Differenzierung oder einem konsistenten, durchdachten System. Im Interface verdichtete sich dies zur immer gleichen Informationsarchitektur aus Karte, Filtermechanik und Eventliste. Die KI optimierte auf Bekanntes statt auf Eigenständigkeit.
Was fehlte, war Reibung. Eine Idee, an der man hängen bleibt. Im Designprozess hilft oft eine zentrale Metapher als visueller Kompass. Ohne klare gestalterische Leitplanken erzeugt auch die KI selten die spannendste Lösung. Sie erzeugt die wahrscheinlichste.
Der Prozess beginnt vor dem ersten Prompt
Die meisten Teams nutzten GPT Astra früh als Generator für Screens, statt zunächst Anforderungen, Annahmen und die Qualität der Datenbasis zu hinterfragen. Dabei zeigte sich, dass viele konzeptionelle Fragen bereits vor dem ersten Interface hätten geklärt werden können.
Aus meiner Sicht liegt darin der spannendere Anwendungsfall von KI. Nicht als Designer oder Experte, sondern als Sparringspartner, der Informationslücken, Widersprüche und unsichere Annahmen sichtbar macht. Je klarer die Ausgangslage definiert ist, desto weniger muss das Modell improvisieren.
Interessant wurde der Vergleich vor allem dort, wo sich die Ergebnisse trotz ähnlicher Ausgangslage deutlicher voneinander absetzten. Diese Unterschiede entstanden nicht aus den Daten oder Anforderungen, sondern dort, wo Teilnehmer bewusst eigene Ideen ergänzten und Bestehendes weiterentwickelten. Ein kleiner Button mit dem Audiotrack „Hopfenwalzer“ war dafür ein gutes Beispiel. Keine zentrale Funktion, aber ein Detail mit Charakter. Im Vergleich zu den anderen Entwürfen blieb dieser Ansatz im Gedächtnis, weil er eine eigene Geschichte erzählte und dem Produkt Persönlichkeit verlieh.
Fazit: KI beschleunigt das Exploring. Umso wichtiger wird das Thinking.
Astra ist nicht deshalb eine starke Marke, weil sie allen gefällt. Sie ist eine starke Marke, weil über Jahre entschieden wurde, wem sie nicht gefallen muss.
Ein Sprachmodell trifft solche Entscheidungen nicht. Ohne klare Richtung landet es meist beim wahrscheinlichsten Ergebnis. Die spannendsten Ideen des Workshops entstanden deshalb dort, wo Menschen bewusst vom Erwartbaren abgewichen sind.
KI kann heute innerhalb von Minuten Logos, Branding, Prototypen und Interfaces erzeugen. Dadurch verschiebt sich der Engpass im Designprozess: weg von der Herstellung des Prototyps, hin zur Gestaltung des Prozesses, der dem vorausgeht.
Für Designer bedeutet das nicht weniger Verantwortung, sondern mehr. Gute Gestaltung entsteht nicht durch den nächsten optimierten Prompt, sondern durch klare Anforderungen, durchdachte Systeme und bewusst gesetzte Leitplanken. KI ersetzt diese Arbeit nicht. Sie macht die Defizite sichtbarer.
Dieser Prozess ist im Kern die eigentliche Designarbeit. Er bringt nicht nur konsistentere Ergebnisse hervor, sondern schärft die Fähigkeit, sie zu beurteilen. Dieses Urteilsvermögen entsteht durch Recherche, Diskussion, Vergleiche und bewusste Abwägungen. Durch die Auseinandersetzung mit dem Problem, bevor überhaupt eine Lösung entsteht.
Wer diesen Teil überspringt, spart Zeit bei der Herstellung, überspringt aber auch den Teil, in dem man lernt, warum eine Lösung funktioniert, wann sie scheitert und woran man gute Gestaltung erkennt.
Die besten Interfaces entstehen deshalb nicht aus besseren Prompts. Sie entstehen aus einem besseren Prozess vor dem ersten Prompt.