„Können wir die Konsumentenforschung nicht einfach komplett der KI geben?” Den Satz höre ich gerade in fast jedem Gespräch mit Marketing- und Produktleuten.
Nachvollziehbar ist er ja. Eine ordentliche Studie kostet Wochen und ein hübsches Budget, und irgendwann sitzt du im Reporting und denkst: zumindest die erste Hälfte davon muss doch schneller gehen.
Ging mir genauso.
Nur: In der Frage stecken heimlich zwei völlig verschiedene Dinge. Ersetzen wir die Forschung durch KI, oder stauchen wir mit KI nur den Vorlauf zusammen? Sieht gleich aus, braucht aber ganz andere Genauigkeit und ganz andere Spielregeln.
Damit uns dieser Unterschied nicht durchrutscht, legen wir die drei gängigen Ansätze mal nebeneinander und schauen, wo man sich mit welchem am wenigsten die Finger verbrennt.
Ansatz 1: Die KI spielt den Befragten
Wer diese Idee mit richtig viel Aufwand durchgezogen hat, ist ein Team um Park (R1). Grundlage waren Interviewdaten von 1.052 Personen, aus denen für jede einzelne ein KI-Agent gebaut wurde.
Und was kam raus? Die Agenten trafen die Antworten ihrer echten Vorlage zu 85 %. Auf die nackte Zahl geschaut: ziemlich stark.
Aber der Trick liegt im Input. Diese Genauigkeit hängt an den dicken, echten Interviews dahinter. Eine dünne Persona aus Alter und Beruf trägt das nicht (stell dir vor, jemand drückt dir drei Zeilen Profil in die Hand und sagt: „So, jetzt sei mal sein bester Freund”).
Heißt, der sichere Platz für KI-Befragte ist der Vorlauf: Botschaften vorsortieren, Hypothesen abklopfen. Nicht die Entscheidung selbst.
Ansatz 2: Die KI schreibt die Fragen
Der zweite Ansatz setzt eine Stufe früher an. Mburu und Kollegen (R2) haben mit einem Rahmenwerk namens SQRA gezeigt, wie sich KI-generierte Fragen systematisch prüfen lassen.
Das Tempo ist im Alltag echt verlockend, denn eine Frage auf den jeweiligen Kontext zu drehen, dauert bei der KI Sekunden.
Nur berichtet dieselbe Arbeit auch die Kehrseite: Die Entwürfe kommen gern langatmig raus, und es rutschen Fragen rein, die zwei Themen in einen Satz packen.
Sprich: KI-Fragebogen sind ein Werkzeug, um Arbeitsstunden zu sparen. Ein Ersatz für die Qualitätssicherung sind sie nicht. Das Ding funktioniert nur, wenn vor dem Versand ein Mensch drübergeht.
Ansatz 3: Echte Prompts als Forschungsmaterial nehmen
Der dritte Weg dreht die Sache um: Statt Antworten zu erzeugen, schaut man auf das, was Leute ohnehin tippen. Otterly AI hat echte ChatGPT-Prompts ausgewertet (R3) und fand sie länger, persönlicher und problemorientierter als das, was man sich so vorstellt.
Der Wert dahinter ist beträchtlich. Du siehst nicht, was Leute in einem Fragebogen ankreuzen, sondern wie sie ihr Anliegen wirklich formulieren, wenn keiner zuschaut.
Ein Vorbehalt gehört aber dazu. Ist die der gesammelten Daten schwach, ist auch die Schlussfolgerung schief. Denn eine Stichprobe, die nur die lautesten Nutzer einfängt, erzählt dir eben deren Geschichte.
Also: kein Orakel, sondern ein Zusatzsignal neben der bestehenden Forschung.
Fazit: Nicht die Methode wählen, sondern die Stelle im Ablauf
Der größte Takeaway aus allen dreien: KI-Befragte, KI-Fragebogen und echte Verhaltensdaten konkurrieren gar nicht um denselben Job. Keines davon ersetzt die Forschung als Ganzes, aber jedes greift an einer anderen Stelle im Ablauf. Hypothesen aufmachen, den ersten Fragebogen-Entwurf hinstellen, ein zusätzliches Verhaltenssignal reinholen.
Die erste Entscheidung ist deshalb nicht „welche Methode nehmen wir”, sondern „an welcher Stelle setzen wir sie ein”. Hypothesen vorsortieren übernehmen die KI-Befragten, den Fragebogen-Entwurf die KI-Generierung, und für die echte Entscheidung gehst du zurück zu Menschen.
Und dann brauchst du genau ein gemeinsames Tor davor, an dem ein Mensch drei Dinge abhakt: Ist der Input dick genug? Hält jede Frage genau ein Thema? Bildet die Stichprobe deine Kunden ab? Das ist die billigste Versicherung gegen Zahlen, die gut aussehen und nichts sagen.
Tempo und Sicherheit schließen sich hier nicht aus. Man muss nur aufhören, die KI als Ersatz zu denken, und anfangen, sie als Werkzeug für eine bestimmte Stelle zu sehen.
Quellen
- [R1] Park et al. (Stanford / Google DeepMind), „Generative Agent Simulations of 1,000 People”, arXiv:2411.10109, 2024, Link
- [R2] Mburu et al., „Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 2025, Link
- [R3] Thomas Peham (Otterly AI), „Real vs Estimated Prompts: I Analyzed 100s of Real ChatGPT Queries”, 2026-02-03, Link
