KI-Personas sind keine Kundenforschung

Kernaussage

KI-Personas können Hypothesen erzeugen, Varianten prüfen und die Vorbereitung echter Forschung beschleunigen. Sie sollten jedoch nicht als Ersatz für Kundeninterviews, Befragungen, Vertriebsrückmeldungen, Nutzungsdaten oder Marktbeobachtung behandelt werden.

Eine im Oktober 2026 veröffentlichte Studie in Nature Human Behaviour macht diese Grenze besonders deutlich. Die Forschenden ließen Sprachmodelle wirtschaftliche Präferenzen von 67.201 realen Befragten aus 74 Ländern simulieren. Untersucht wurden unter anderem Risikobereitschaft, Geduld, Vertrauen und Altruismus. Die Modelle erkannten manche demografischen Muster, bildeten kulturelle Unterschiede aber deutlich schwächer ab. Die Autoren kommen zu dem Ergebnis, dass simulierte Antworten noch keine verlässlichen Stellvertreter für repräsentative länderübergreifende Befragungen oder politische Wirkungsanalysen sind.^[1]

Für Unternehmen folgt daraus keine pauschale Absage an KI-Personas. Es folgt eine klare Trennung zwischen Ideenquelle und Marktbeleg.

Warum überzeugende Antworten leicht überschätzt werden

Plausibilität ist nicht Repräsentativität

Ein Sprachmodell erzeugt eine sprachlich passende Fortsetzung auf Grundlage seiner Trainingsdaten und der Eingabe. Wenn es die Rolle einer Einkaufsleiterin, eines Konstrukteurs oder eines Praxisinhabers erhält, kann es eine nachvollziehbare Antwort formulieren.

Diese Antwort zeigt zunächst, was das Modell für wahrscheinlich hält. Sie zeigt nicht, wie häufig eine Haltung im Zielmarkt vorkommt, welche Kundengruppen anders entscheiden oder welche reale Zahlungsbereitschaft besteht.

Der Unterschied ist geschäftlich relevant. Eine überzeugende Aussage wie „Entscheidend ist für mich die einfache Integration“ kann eine gute Interviewfrage auslösen. Sie darf aber nicht ohne weitere Evidenz zur Grundlage für Positionierung, Produktentwicklung oder Budgetverteilung werden.

Mittelwerte können stimmen, obwohl die Entscheidungslogik falsch ist

Bereits eine 2024 in Political Analysis veröffentlichte Studie verglich synthetische ChatGPT-Antworten mit Daten der American National Election Study. Manche Durchschnittswerte lagen nahe an den menschlichen Vergleichsdaten. Gleichzeitig zeigten die simulierten Antworten zu wenig Streuung, andere Zusammenhänge zwischen Merkmalen und Antworten und eine Empfindlichkeit gegenüber kleinen Promptänderungen sowie Modelländerungen über die Zeit.^[2]

Das ist ein wichtiger Warnhinweis. Ein Ergebnis kann auf der Oberfläche plausibel wirken und dennoch die Unterschiede verfehlen, die für Segmentierung und Entscheidung entscheidend sind.

Das Modell kennt keine unbekannte Marktwahrheit

Unternehmen nutzen Forschung häufig gerade deshalb, weil die Antwort noch nicht bekannt ist. Sie möchten verstehen, warum Interessenten abspringen, welche Alternative Kunden tatsächlich vergleichen oder welches Problem intern anders beschrieben wird als im Markt.

Eine KI kann vorhandene öffentliche Muster verdichten. Sie kann aber keine neue Kundenerfahrung erzeugen, die nie erhoben wurde. Wenn das Modell lediglich bekannte Annahmen variiert, entsteht leicht eine Rückkopplung: Das Unternehmen gibt seine Sichtweise ein und erhält sie in professioneller Sprache zurück.

Wofür KI-Personas sinnvoll sein können

Die Grenze gegen Scheinforschung schließt produktive Anwendungen nicht aus. KI-Personas können vor einer Erhebung helfen, den Denkraum zu strukturieren.

Hypothesen und Gegenhypothesen entwickeln

Ein Team kann ein Modell bitten, mögliche Gründe für eine Entscheidung zu sammeln und anschließend Gegenargumente oder alternative Situationen zu formulieren. Das Ergebnis ist eine Hypothesenliste, kein Befund.

Sinnvoll ist die Kennzeichnung jeder Aussage als zu prüfende Annahme. Dazu gehört direkt die Frage, welche reale Quelle die Annahme bestätigen oder widerlegen könnte.

Interviewleitfäden vorbereiten

Aus simulierten Einwänden lassen sich offene Fragen für Kundeninterviews ableiten. Aus „Der Implementierungsaufwand wirkt zu hoch“ wird beispielsweise nicht die Feststellung eines Markthindernisses, sondern die Frage: „Welche Aufwände oder Abhängigkeiten beeinflussen Ihre Entscheidung besonders?“

Die KI unterstützt die Vorbereitung. Die Erkenntnis entsteht erst aus den Antworten realer Gesprächspartner und ihrer Einordnung.

Konzepte auf offensichtliche Lücken prüfen

Ein Modell kann verschiedene Rollen einnehmen und auf fehlende Informationen, unklare Begriffe oder widersprüchliche Versprechen hinweisen. Das eignet sich als frühe Redaktions- oder Konzeptprüfung, bevor echte Nutzer Zeit investieren.

Auch hier bleibt die Aussage begrenzt. Ein gefundener Schwachpunkt ist ein Prüfhinweis. Ein nicht gefundener Schwachpunkt ist kein Beleg für Verständlichkeit oder Markttauglichkeit.

Befragungen und Tests effizienter machen

Fragevarianten, Antwortoptionen und Reihenfolgen lassen sich vorab durchspielen. Dadurch können doppeldeutige Formulierungen früher auffallen. Die endgültige Erhebung benötigt trotzdem reale Teilnehmer aus der relevanten Zielgruppe.

Wofür simulierte Kundenantworten nicht ausreichen

KI-Personas sollten allein nicht verwendet werden, um:

• Marktgröße oder Nachfrage zu quantifizieren;
• Zahlungsbereitschaft zu schätzen;
• Segmentanteile oder Abschlusswahrscheinlichkeiten abzuleiten;
• kulturelle Unterschiede zwischen Ländern zu bewerten;
• eine Positionierung als validiert zu bezeichnen;
• Kundeninterviews oder Nutzertests vollständig zu ersetzen;
• hohe Investitionen oder irreversible Produktentscheidungen zu begründen.

Je größer die wirtschaftliche Folge, desto wichtiger werden reale Beobachtungen, überprüfbare Daten und eine dokumentierte Methodik.

Ein Handlungsrahmen für Unternehmen

1. Die Entscheidungsfrage festlegen

Vor dem Einsatz muss klar sein, welche Entscheidung vorbereitet wird. Geht es um eine erste Ideensammlung, die Formulierung eines Interviewleitfadens oder eine belastbare Marktentscheidung? Nur im ersten und zweiten Fall kann eine Simulation allein sinnvoller Arbeitsstand sein.

2. Die Evidenzebene kennzeichnen

Trennen Sie mindestens drei Ebenen:

Diese Trennung verhindert, dass ein sprachlich ausgearbeiteter Entwurf unbemerkt zum vermeintlichen Marktwissen wird.

3. Zielgruppe und Kontext konkretisieren

Eine Rolle wie „B2B-Entscheider“ ist für Forschung zu breit. Relevante Unterschiede können Funktion, Branche, Unternehmensgröße, Einsatzsituation, bestehendes System, Risiko, Land oder Kaufphase betreffen.

Die Konkretisierung verbessert die Simulation, macht aber aus ihr noch keine repräsentative Stichprobe. Sie hilft vor allem dabei, reale Gesprächspartner und Vergleichsgruppen sinnvoll auszuwählen.

4. Gegen reale Daten validieren

Prüfen Sie zentrale Annahmen gegen verfügbare Quellen. Dazu können strukturierte Vertriebsrückmeldungen, Suchanfragen, Websitepfade, Supportfälle, Angebotsverluste, Interviews und Tests gehören.

Das National Institute of Standards and Technology empfiehlt für KI-Evaluationen, Testdaten, Messgrößen und Grenzen zu dokumentieren, relevante Populationen abzubilden und Ergebnisse gegen neue Grundwahrheiten zu prüfen, sobald diese verfügbar werden. Für die Unternehmenspraxis bedeutet das: Eine Simulation ist erst dann entscheidungsnäher, wenn ihre Aussagen kontrolliert mit realen Beobachtungen verglichen wurden.^[3][4]

5. Prompt, Modell und Zeitpunkt dokumentieren

Wenn simulierte Antworten in einem Arbeitsprozess verwendet werden, sollten mindestens Modell, Version, Datum, Prompt, verwendeter Kontext und Auswertung festgehalten werden. Ergebnisse können sich durch Formulierungen oder Anbieteränderungen verschieben.

Die Dokumentation macht eine Simulation nicht wahr. Sie macht aber nachvollziehbar, wie eine Annahme entstanden ist und ob spätere Wiederholungen vergleichbar sind.

6. Eine Stopplinie festlegen

Definieren Sie vorab, welche Entscheidung ohne reale Kundenevidenz nicht getroffen wird. Diese Grenze kann etwa für Preis, Positionierung, Markteintritt, Produktumfang oder größere Kampagnenbudgets gelten.

So bleibt KI ein Werkzeug der Vorbereitung und wird nicht unbemerkt zum Ersatz für den Markt.

Was Unternehmen nicht tun sollten

Eine große Zahl generierter Antworten ist keine große Stichprobe. Tausend Ausgaben desselben Modells sind keine tausend unabhängigen Kunden. Auch unterschiedliche Persona-Prompts erzeugen nicht automatisch die Vielfalt realer Erfahrungen.

Unternehmen sollten außerdem keine Scheingenauigkeit erzeugen. Prozentwerte, Ranglisten oder Segmentgrößen aus unvalidierten Simulationen wirken messbar, obwohl ihre Grundgesamtheit nur aus Modellantworten besteht.

Schließlich sollte das Modell nicht zugleich Hypothese, Datenquelle und Prüfinstanz sein. Eine unabhängige Gegenprüfung fehlt dann vollständig.

Konsequenz für Unternehmen

KI-Personas sind wertvoll, wenn sie bessere Fragen hervorbringen. Sie werden riskant, wenn ihre Antworten als bereits erhobene Kundenrealität behandelt werden.

Der wirtschaftlich sinnvolle Einsatz liegt deshalb vor allem in der Vorbereitung: Annahmen explizit machen, Gegenhypothesen sammeln, Interviewfragen verbessern und offensichtliche Lücken erkennen. Für Entscheidungen über Markt, Angebot, Preis und Investition bleiben reale Kunden, reale Nutzung und belastbare Daten unverzichtbar.

Die entscheidende Frage lautet nicht: „Klingt diese simulierte Antwort plausibel?“ Sie lautet: „Welche reale Evidenz benötigen wir, bevor wir danach handeln?“

Fachlicher Anschluss

Von der Annahme zur prüfbaren Entscheidungsgrundlage

Eine SDC Discovery kann Entscheidungsfrage, vorhandene Evidenz, offene Annahmen und einen angemessenen Prüfweg strukturieren. Dabei wird festgelegt, wo KI zur Vorbereitung dient und welche Aussagen durch reale Daten oder Gespräche abgesichert werden müssen.

Ausgangslage in einer SDC Discovery klären

Weiterführende Insights

1. KI-Ergebnisse prüfen: Wer kontrolliert was und wann?
2. Marketing messen: Erst die Entscheidung, dann das Dashboard
3. KI im Mittelstand: Business Case statt Tool-Hype