Synthetische Befragte & Persona-Simulation für die Marktforschung

Echte Feldarbeit ist langsam und teuer: Ein Panel zu rekrutieren, eine Umfrage durchzuführen und die Ergebnisse auszuwerten dauert Wochen und kostet pro vollständigem Fragebogen viel, sodass viele Ideen nie getestet werden. Große Sprachmodelle, die auf demografische Hintergrundgeschichten, Segmentdaten oder einzelne Interviewprotokolle konditioniert sind, können als „Befragte" auftreten: Sie beantworten Fragebögen, reagieren auf Konzepte und sitzen in simulierten Fokusgruppen, in Minuten. Richtig eingesetzt, sortiert das viele Varianten günstig vor und schärft die wenigen, die zu echten Kundinnen und Kunden gehen. Falsch eingesetzt, liefert es selbstsichere, zu homogene Antworten, die die Verzerrungen des Modells widerspiegeln. Die Kerndisziplin ist Kalibrierung und Validierung an echten menschlichen Daten.

Problem & Nutzen

• Heute: Konzept-, Aussagen-, Botschafts- und Preistests laufen über Online-Panels (Toluna, Cint, Dynata, YouGov, GfK/NIQ) oder Agenturen; qualitative Arbeit über rekrutierte Interviews und Fokusgruppen. Budgets begrenzen, wie viele Varianten getestet werden können; Nischenzielgruppen im B2B sind schwer zu rekrutieren.
• KI-Nutzen: frühe Vorauswahl vieler Varianten, Fragebogen-Pretests (mehrdeutige Formulierungen vor der Feldphase erkennen), „Boosting" kleiner Segmente, Hypothesen zwischen realen Befragungswellen erkunden und frühere Studien im Dialog abfragen.
• Belege zur Treue (Forschung): Agenten, die aus zweistündigen Interviews mit 1.052 US-Erwachsenen aufgebaut wurden, reproduzierten deren Antworten auf zurückgehaltene Items des General Social Survey zu 83 % (nur Interviews) bis 86 % (Interviews + Umfragen) der eigenen Test-Retest-Konsistenz der Teilnehmenden über zwei Wochen, gegenüber 74 % bei Agenten, die nur Demografie nutzten [1]. Eine Studie von PyMC Labs/Colgate-Palmolive zu 57 Konzeptumfragen im Bereich Körperpflege (9.300 menschliche Antworten) erreichte bei der Kaufabsicht etwa 90 % der menschlichen Test-Retest-Reliabilität, mit realistischen Antwortverteilungen (KS-Ähnlichkeit > 0,85), als Freitextantworten über Embeddings auf Likert-Skalen abgebildet wurden, statt direkt nach Zahlen zu fragen [2].
• Belege zu den Grenzen: In einer Studie in Political Analysis stimmte GPT-3.5 mit Persona-Prompts die Umfragemittelwerte zwar, zeigte aber viel zu wenig Varianz; rund 48 % der Regressionskoeffizienten wichen signifikant von der echten Umfrage ab, rund 32 % davon mit falschem Vorzeichen, und die Ergebnisse veränderten sich mit Modellaktualisierungen [3]. LLMs bilden viele demografische Gruppen auch bei ausdrücklicher Steuerung nicht zutreffend ab [4] und neigen dazu, Identitätsgruppen zu verflachen und zu essenzialisieren [5].
• Herstellerangaben (nicht unabhängig geprüft): z. B. berechnet Synthetic Users für Interviews 2-60 $ je Stück [8]; Lakmoos behauptet > 98 % Genauigkeit über 20 Benchmark-Studien [9]; Aaru nennt einen mittleren Total-Variation-Abstand von 7,62 % über 2.993 Fragen [10]. Betrachten Sie diese als Ausgangspunkte für Ihre eigene Validierung.

Varianten

• Synthetische Umfragepanels / KI-Konsumentenpanels (umfasst das zusammengeführte DATA-019): „Silicon Samples" auf Segmentebene beantworten geschlossene Fragen, kalibriert an realen Referenzstichproben und je Welle neu validiert.
• Persona-Simulation aus Panel- und CRM-Daten (umfasst das zusammengeführte REC-014): „digitale Zwillinge" von Segmenten oder Kunden, gegründet auf eigene Daten, für Pretests von Konzepten, Botschaften, Preisen und Fragebögen; Zwillinge auf Einzelebene erfordern eine ausdrückliche Einwilligung (siehe DSGVO).
• Synthetische qualitative Forschung: KI-Interviews und simulierte Fokusgruppen für Exploration, Persona-Vertiefung und das Testen von UX-Texten (speist die Kodierung nach LANG-019).
• Stichproben-Boosting / -Erweiterung: Imputation von Antworten für unterrepräsentierte Zellen oder zusätzliche Fragen auf einer bestehenden realen Studie — nur mit transparenter Kennzeichnung.
• B2B: simulierte Buying Center (CIO, CFO, Einkauf), um Wertversprechen und Ausschreibungsbotschaften einem Stresstest zu unterziehen.
• Öffentlicher Sektor & Politik: Pretests von Bürgerkommunikation, Formularen und Beteiligungsfragebögen auf Verständlichkeit; kein Ersatz für echte Bürgerbeteiligung (LANG-026) oder Meinungsumfragen.
• KMU / Einzelgründer: schnelle Plausibilitätsprüfungen von Landingpage-Texten oder Produktideen mit allgemeinen Chat-Assistenten und Persona-Prompts — nur für Brainstorming nützlich.

So funktioniert es

1. Forschungsbriefing + Stimulus (Konzept, Anzeige, Preis, Fragebogen)
2. Zielgruppenmodell: Segmente/Quoten aus Zensus-, Panel- oder CRM-Daten
3. Persona-Aufbau (demografische Hintergrundgeschichte | Segmentprofil | individuelles Interview-Gedächtnis per RAG)
4. Befragung: LLM antwortet in Freitext / Interviewrunden (Multi-Agenten für Fokusgruppen)
5. Antwortabbildung (z. B. Embedding-Ähnlichkeit zu Likert-Ankern, Auswahl-Parsing)
6. Aggregation + Kalibrierung (Post-Stratifikation, Modell-Ensembles, Prüfung von Temperatur/Varianz)
7. Validierung an zurückgehaltener realer Stichprobe (Verteilungsabstand, Rangübereinstimmung, Koeffizientenvorzeichen)
8. Bericht mit Unsicherheit + Prüfung durch Forschende
9. entscheiden, welche Varianten ins reale Feld gehen

• Die Verankerung der Personas ist der wichtigste Qualitätshebel: Reine Demografie ist am schwächsten; reiche individuelle Datensätze (Interviews, frühere Antworten) sind am stärksten [1].
• Die Befragungsmethode ist entscheidend: Direkte numerische Bewertungen von LLMs ergeben unrealistische Verteilungen; semantische Ähnlichkeitsbewertung (Semantic Similarity Rating, SSR) und Ensembles mehrerer Modelle mindern das [2].
• Kalibrierungsschicht (tabellarisches ML, Raking/Post-Stratifikation) korrigiert systematische Abweichungen, die aus gepaarten synthetischen/realen Studien gelernt wurden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine forschende Person plant die Studie, beurteilt die Plausibilität und zeichnet jede Entscheidung ab; Go/No-go- und Markteinführungsentscheidungen sollten auf Daten echter Befragter beruhen.

Datenaufbereitung

Synthetische Befragte sind nur so gut wie die realen Daten, mit denen sie verankert und validiert werden. Relevante Quellen: frühere Umfrageergebnisse (Excel, SPSS-Exporte, Umfragewerkzeuge), CRM- und Shop-Daten zu Kundensegmenten, Interviewtranskripte, Support-Tickets und veröffentlichte Marktstudien. Sie liegen typischerweise auf Dateiablagen der Abteilungen, im Umfragewerkzeug und im CRM, oft verstreut über Agenturen.

Typische Lücken: keine einheitlichen Segmentdefinitionen, Umfragedateien mit unbeschrifteten Variablen, kleine oder verzerrte Stichproben, Interviewnotizen nur auf Papier oder in persönlichen Ordnern sowie unklare Einwilligung zur Weiterverwendung von Kundendaten. Schritte der Aufbereitung: (1) vorhandene Studien und ihre Stichprobengrößen sammeln und auflisten (siehe PREP-001); (2) Tabellen in saubere Datentabellen mit Codebuch umbauen (siehe PREP-011); (3) Segmente und ein Glossar der Begriffe definieren (siehe PREP-012); (4) einen Validierungsdatensatz echter Umfrageantworten aufbauen, um sie mit simulierten zu vergleichen (PREP-018); (5) Daten auf Kundenebene pseudonymisieren (PREP-022) und die Rechtsgrundlage für die Weiterverwendung prüfen (PREP-025).

Werkzeuge: Excel oder Python/pandas für die Bereinigung, der Export des Umfragewerkzeugs, ein einfacher Vektorspeicher für Interviewtranskripte. Grober Anteil am Aufwand: 25-35 Prozent, hauptsächlich Codebuch und Validierungsdatensatz.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A — ausgereifte Werkzeuge für synthetische Panels und Personas gibt es zu KMU-Preisen, und die Nutzung ist eine Standardaufgabe der Marktforschung.
• enterprise: Weg B — Forschungsteams wollen Personas, die auf ihren eigenen Umfrage- und CRM-Daten beruhen, und brauchen Kontrolle über Prompts und Validierung.
• developer: Weg C — Open-Weight-Modelle erlauben reproduzierbare Simulationsläufe und günstiges Massen-Sampling ohne Kosten je Token.
• public: Weg B — auf in der EU gehosteten APIs für statistische Ämter oder Forschungseinrichtungen, wo Methoden dokumentiert sein müssen und kein Produkt dafür zertifiziert ist.

Weg A — Kaufen (Standardsoftware)

• Plattformen für synthetische Zielgruppen / Simulation: Simile (individuell verankerte Simulationen; genannte Kunden sind u. a. CVS Health, Gallup und Deloitte) [6], Aaru [10], Electric Twin (UK, DSGVO-tauglich, baut Zielgruppen aus Kundendaten auf) [7], Synthetic Users (KI-Interviews, regionale Infrastruktur in EU und USA, AVV) [8], Lakmoos (Tschechien, EU) mit individuellen privaten Panels auf Kundendaten und einem Pilot zum Festpreis [9].
• Etablierte Forschungssuiten: große Anbieter von Panels und Forschungssoftware (z. B. Qualtrics, Toluna, Ipsos, Kantar) haben synthetische Panels/Personas und „Talk to your data"-Funktionen auf ihren menschlichen Panels ergänzt — nützlich, weil sie an ihren eigenen realen Stichproben validieren können.
• A wählen, wenn: Marketing-/Insights-Teams ohne ML-Personal schnell Konzepte vorsortieren wollen. Fragen Sie jeden Anbieter nach Validierungsmethodik, Benchmarks je Kategorie, Fixierung der Modellversion und EU-Datenverarbeitung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Spitzen-LLMs mit EU-Datenresidenz — Mistral (Mistral Large/Medium, EU-Anbieter), Claude, GPT und Gemini über EU-Regionen (AWS Bedrock Frankfurt, Azure OpenAI EU Data Zone, Vertex AI europe-west). Nutzen Sie mehrere Modellfamilien als Ensemble, um die Verzerrung einzelner Modelle zu verdünnen.
• Embeddings für die Likert-Abbildung nach SSR und das Abrufen von Personas (z. B. Mistral Embed, OpenAI text-embedding-3, Cohere Embed); Vektor-DB (pgvector, Qdrant) für individuelle Gedächtnisse.
• Orchestrierung: Python mit TinyTroupe (Microsoft, MIT) für Personas und simulierte Fokusgruppen [11] oder Concordia (Google DeepMind, Apache-2.0) für soziale Multi-Agenten-Simulation [12]; Modellversionen fixieren und Prompts/Seeds zur Reproduzierbarkeit protokollieren.
• B wählen, wenn: Sie über reichhaltige eigene Forschungsdaten verfügen und einen eigenen, validierten Simulator wollen, der in Ihre Umfrageplattform integriert ist.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie Qwen3, Llama 3.x/4, Mistral Small/Magistral, gpt-oss-120b oder DeepSeek, betrieben mit vLLM oder SGLang; mehrere Familien verbessern die Vielfalt.
• Stack: TinyTroupe oder Concordia, pgvector/Qdrant, ein Embedding-Modell (z. B. BGE-M3, multilingual-e5) sowie Python/R für Gewichtung und Validierungsstatistik.
• Hardware: HW3 (eine GPU mit 80-141 GB) für Modelle mit ~70-120B, die spürbar besser bei der Persona-Treue sind; HW2 genügt für Prototypen mit kleinen Modellen. Tausende Personas × Fragen zu verarbeiten ist Stapelarbeit — auf den Durchsatz kommt es an, nicht auf die Latenz.
• Warum: volle Kontrolle über Modellversionen (ein zentrales Reproduzierbarkeitsproblem [3]) und keine Übermittlung von Kunden-/Paneldaten an Dritte.

Weg D — Eigenes Training

Lohnt sich für Forschungsagenturen und große Marken mit langen Umfragehistorien: ein offenes Modell auf Paaren (Befragtenprofil → Antwort) aus früheren Studien feintunen, damit es reale Antwortverteilungen und Varianz lernt, oder ein Kalibrierungsmodell auf gepaarten synthetischen/realen Ergebnissen trainieren. Es braucht zehntausende historische Antworten mit eingewilligten, pseudonymisierten Profilen sowie einen strikt zurückgehaltenen realen Testdatensatz je Kategorie.

Stand der Technik (2026)

• Von demografischen Prompts zu verankerten Agenten: „Silicon Samples", die auf Umfrage-Hintergrundgeschichten konditioniert sind [13], wurden abgelöst von Agenten, die auf individuellen Interviews und Verhaltensdaten beruhen [1], und von kommerziellen Simulatoren, die an realen Ergebnisdaten trainiert wurden [6][10].
• Bessere Befragungsmethoden: SSR und verwandte Verfahren zur Anpassung der Verteilung beheben das Problem „jedes LLM antwortet 4 von 5" bei Skalen zur Kaufabsicht [2].
• Validierungskultur: Seriöse Anbieter berichten inzwischen Verteilungsabstände oder Reliabilitätsquoten gegenüber realen Stichproben; Benchmarks wie OpinionQA [4] dienen dazu, die Übereinstimmung mit Bevölkerungsgruppen zu messen.
• Fortbestehende Fehlerbilder: zu wenig Varianz und überzogene Unterschiede zwischen Untergruppen [3]; Stereotype und Verflachung von Minderheiten und älteren Menschen [4][5]; schwache Leistung bei wirklich neuen Kategorien, sensiblen Themen und künftigem Verhalten (geäußerte ≠ gezeigte Präferenz); Drift bei Änderungen des zugrunde liegenden Modells; Kontamination (das Modell „kennt" womöglich veröffentlichte Umfrageergebnisse). Synthetische Ergebnisse eignen sich am besten für das relative Ranking von Varianten und die Hypothesenbildung, am schwächsten für die absolute Marktgrößenschätzung.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer LLM-, Embedding- und Vektor-DB-Stack mit LANG-019 (qualitative Kodierung realer und synthetischer Interviews), LANG-013 (Feedbackanalyse — liefert Verankerungsdaten), LANG-017 (Marktbeobachtung) und LANG-026 (Analyse von Beteiligungen).
• Natürliche Pipeline: LANG-001 erzeugt Textvarianten → LANG-027 sortiert sie vor → DATA-027 testet die Finalisten per A/B-Test mit echten Nutzenden → Segmente aus REC-004 speisen die Persona-Definitionen.
• DATA-005 (synthetische Tabellendaten) teilt Datenschutztechniken und Validierungsmetriken; bei OPT-004 (Preisgestaltung) kann simulierte Zahlungsbereitschaft nur als früher Anhaltspunkt dienen.
• EDU-010 (Rollenspiel-Training) nutzt dieselbe Persona-Engine (Typ TinyTroupe/Concordia).
• Hardware: Ein HW3-Inferenzserver mit einem offenen 70-120B-Modell kann dies zusammen mit anderen Batch-LLM-Lasten der Familie LANG bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis zu ersten Ergebnissen; Pilotpreise im niedrigen fünfstelligen Bereich sind üblich (z. B. Lakmoos Ein-Monats-Pilot für 10.000 € [9]); Unternehmenslizenzen sind oft Pauschalen mit unbegrenzten Abfragen [7].
• Weg B: 1-3 Monate für einen validierten Simulator; die Kosten werden von der Arbeitszeit der Forschenden für Validierungsstudien dominiert, nicht von Tokens.
• Weg C: 2-4 Monate plus GPU-Server; Weg D: 3-6+ Monate mit einem Data-Science-Team.
• Kennzahlen: Übereinstimmung mit zurückgehaltenen realen Stichproben (Rangkorrelation der Konzepte, Total-Variation-/KS-Abstand der Verteilungen, Vorzeichenübereinstimmung der Treiber), Varianzverhältnis synthetisch/real, Anteil der vor der Feldarbeit ausgesonderten Varianten, Zeit und Kosten je Erkenntnis und — am wichtigsten — Trefferquote der Markteinführungsentscheidungen, die später durch reale Daten bestätigt wurden.

Menschen & Veränderung

Geschäftsleitung und die Leitung von Forschung oder Marketing legen die Fragestellung fest und bestimmen, wie weit simulierte Antworten Entscheidungen beeinflussen dürfen. Binden Sie Anwendende (Analysten, Produktverantwortliche) früh ein, damit sie lernen, wo die Methode schwach ist, und die IT für Konten und Datenzugriff. Die oder der Datenschutzbeauftragte wird gebraucht, wenn echte Kundendaten die Personas verankern: Prüfen Sie die Rechtsgrundlage für die Weiterverwendung und schließen Sie mit jedem Anbieter einen AVV; eine DSFA ist bei aggregierten, pseudonymisierten Segmentdaten meist nicht erforderlich, aber im Einzelfall zu prüfen.

Betriebsrat: In der Regel keine Mitbestimmung, da das System Märkte analysiert, nicht das Verhalten von Beschäftigten; wird die Nutzung pro Person protokolliert (§ 87 Abs. 1 Nr. 6 BetrVG gilt nach objektiver Eignung), informieren Sie den Betriebsrat und vereinbaren eine kurze Regelung. Informieren Sie ihn ohnehin über geänderte Arbeitsabläufe (§ 90 Abs. 1 Nr. 3).

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer kurzen Einheit zu Verzerrung, Selbstüberschätzung und dazu, warum synthetische Antworten Hypothesen sind, keine Belege (KI-Verordnung (AI Act) Art. 4 in der geänderten Fassung). Kommunizieren Sie, dass die Simulation echte Forschung vorbereitet und eingrenzt, sie aber nicht ersetzt. Starten Sie mit einer Produktfrage und führen Sie parallel eine reale Umfrage durch, um zu messen, wie nah die Ergebnisse beieinanderliegen. Das typische Bedenken ist trügerische Sicherheit: Begegnen Sie ihm mit verpflichtender Validierung an realen Daten, gekennzeichneten Ausgaben („synthetisch") und einer menschlichen Freigabe vor Entscheidungen.

Siehe GUIDE-008, GUIDE-009 und GUIDE-007.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei typischer Nutzung — interne Forschungsunterstützung steht nicht in Anhang III, und Ausgaben werden der Öffentlichkeit nicht als menschliche Inhalte gezeigt. KI-Kompetenz (Art. 4) gilt. Werden synthetische Zitate oder „Verbraucher"-Erfahrungsberichte veröffentlicht, greifen die Transparenzpflichten nach Art. 50 und das Verbraucherschutzrecht (UGP-Richtlinie) — simulierte Antworten als echte Kundenmeinungen darzustellen, ist irreführend. Würde man die Persona-Simulation zur Unterstützung von Entscheidungen über Einzelpersonen (Kredit, Einstellung) nutzen, fiele sie in Hochrisiko-Kategorien und wäre hier nicht abgedeckt.
• DSGVO: Segment-Personas aus aggregierten oder anonymisierten Daten betreffen kaum personenbezogene Daten; digitale Zwillinge auf Einzelebene, die aus CRM, Transkripten oder Panelprofilen aufgebaut werden, sind Profiling personenbezogener Daten — sie brauchen eine Rechtsgrundlage (Einwilligung oder sorgfältig geprüftes berechtigtes Interesse), eine Prüfung der Zweckvereinbarkeit (Art. 6 Abs. 4) bei Weiterverwendung von Daten, die für andere Zwecke erhoben wurden, eine DSFA bei Profiling in großem Umfang sowie AVVs mit Anbietern. Löschanträge sind in den Persona-Gedächtnissen zu beachten.
• Forschungsethik & Standards: Die Grundsätze von ICC/ESOMAR verlangen Transparenz über Methoden; kennzeichnen Sie synthetische Daten in jedem Bericht deutlich und mischen Sie sie nie stillschweigend mit realen Stichproben.
• Politische Nutzung: Die Simulation von Wählerreaktionen ist legal, aber sensibel; Regeln zu Targeting und Transparenz für politische Werbung (Verordnung (EU) 2024/900) gelten weiterhin für daraus entstehende Kampagnen.
• Gegenmaßnahmen: Modellversionen fixieren, Modelle im Ensemble einsetzen, je Kategorie validieren, Unsicherheit berichten, vor Entscheidungen mit hohem Einsatz ein Tor mit realer Feldarbeit beibehalten.

Erste Schritte

1. Wählen Sie einen Entscheidungstyp (z. B. frühe Konzeptauswahl), für den Sie 3-5 frühere Studien mit realen Ergebnissen haben.
2. Führen Sie diese Studien synthetisch erneut durch (Anbieter-Pilot oder TinyTroupe + LLM in EU-Region) und messen Sie Rangübereinstimmung, Verteilungsabstand und Varianz gegenüber den realen Daten.
3. Legen Sie Akzeptanzschwellen fest; nutzen Sie synthetische Ergebnisse nur dort, wo sie bestehen, und kennzeichnen Sie sie.
4. Verankern Sie Personas nach einer DSGVO-Prüfung in Ihren eigenen Daten (zuerst aggregiert, individuelle Zwillinge nur mit Einwilligung).
5. Behalten Sie für jede Markteinführungsentscheidung eine Validierungswelle mit echten Befragten bei und führen Sie sie in die Kalibrierung zurück.

Quellen

1. Park et al. — LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals (arXiv 2411.10109) — https://arxiv.org/abs/2411.10109
2. Maier et al. — LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings (arXiv 2510.08338) — https://arxiv.org/abs/2510.08338
3. Bisbee et al. — Synthetic Replacements for Human Survey Data? The Perils of Large Language Models, Political Analysis 32(4), 2024 — https://www.cambridge.org/core/journals/political-analysis/article/synthetic-replacements-for-human-survey-data-the-perils-of-large-language-models/B92267DC26195C7F36E63EA04A47D2FE
4. Santurkar et al. — Whose Opinions Do Language Models Reflect? (OpinionQA, arXiv 2303.17548) — https://arxiv.org/abs/2303.17548
5. Wang, Morgenstern, Dickerson — LLMs that replace human participants can harmfully misportray and flatten identity groups (arXiv 2402.01908) — https://arxiv.org/abs/2402.01908
6. Simile — product page — https://www.simile.com/
7. Electric Twin — product page — https://www.electrictwin.com/
8. Synthetic Users — product page — https://www.syntheticusers.com/
9. Lakmoos — product page — https://www.lakmoos.com/
10. Aaru — product page — https://aaru.com/
11. Microsoft TinyTroupe — https://github.com/microsoft/TinyTroupe
12. Google DeepMind Concordia — https://github.com/google-deepmind/concordia
13. Argyle et al. — Out of One, Many: Using Language Models to Simulate Human Samples (arXiv 2209.06899) — https://arxiv.org/abs/2209.06899
14. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj