KI-Fokusgruppen: Menschliche Diskussion oder simulierte Interviews?
„KI-Fokusgruppe“ kann eine KI-unterstützte Diskussion realer Menschen, einzelne menschliche Interviews durch einen KI-Moderator oder simulierte Teilnehmer bedeuten. Klären Sie das Format vor der Interpretation. Nur die erste Variante enthält eine beobachtete Gruppendiskussion; in der dritten nehmen keine Menschen teil.
Der Unterschied baut auf unserer Erklärung synthetischer Nutzer auf. Hier geht es um die praktische Konsequenz: ein Format wählen, das die benötigten Informationen liefert, und simulierte Interviews zur Vorbereitung von Fragen nutzen, statt vermeintliche Zeugenaussagen herzustellen.
Was macht eine Fokusgruppe zur Gruppe?
In einer menschlichen Fokusgruppe hören Teilnehmer einander und reagieren aufeinander. Eine Bemerkung kann Wiedererkennen, Widerspruch, eine Korrektur oder eine sonst unerzählte Geschichte auslösen. Diese Interaktion gehört zum Material. Mehrere unabhängige Interviews können verwandte Fragen beantworten, beobachten jedoch nicht denselben Prozess.
Ebenso beobachtet ein Sprachmodell keine Interaktion von fünf Menschen, wenn es einen Dialog zwischen fünf benannten Personas schreiben soll. Der Dialog ist eine Ausgabe des erzeugenden Systems. Separate Gespräche je Persona können die Simulation verändern, belegen aber keine unabhängigen menschlichen Perspektiven.
Das ist relevant bei Fragen zu sozialer Aushandlung, gemeinsamer Terminologie oder der Äußerung von Widerspruch. Eine plausible synthetische Unterhaltung kann Forschern helfen, Möglichkeiten vorauszudenken. Sie zeigt nicht, wie eine tatsächliche Gruppe damit umging.
Bestimmen Sie vor dem Einkauf das Format
| Format | Wer liefert die Antworten? | Was ist überprüfbar? | Zentrale Grenze |
|---|---|---|---|
| Menschliche Gruppe mit KI-Unterstützung | Menschen in einer Gruppeninteraktion | Aufzeichnungen, Transkripte und KI-Analysen | Rekrutierung, Moderation und Interpretation bleiben prüfbedürftig |
| KI-moderierte Einzelinterviews | Menschen, die getrennt antworten | Fragen, Nachfragen und individuelle Antworten | Keine beobachtete Interaktion zwischen Teilnehmern |
| Unabhängige synthetische Interviews | Ein durch Persona-Eingaben bedingtes Modell | Briefings, generierte Antworten und Modellinformationen | Keine Beobachtung tatsächlicher Lebenserfahrungen dieser Menschen |
| Simulierter Gruppendialog | Ein Modell oder koordinierter Modellprozess | Generiertes Gespräch und dessen Aufbau | Zustimmung und Konflikt sind erzeugt, nicht sozial beobachtet |
Outset beschreibt beispielsweise KI-moderierte Forschung mit Menschen. Der qualitative Ablauf von SynthFolk erzeugt simulierte Interviews. Diese Beschreibungen benennen die Evidenzquelle; sie vergleichen nicht die Wirksamkeit der Produkte.
Lassen Sie sich einen tatsächlichen Weg von Eingabe zu Ausgabe zeigen und klären Sie, wo Menschen beteiligt sind. Leiten Sie menschliche Teilnahme nicht aus Namen, Avataren, Transkriptgestaltung oder natürlicher Gesprächssprache ab.
Nutzen Sie simulierte Interviews für eine begrenzte Vorbereitungsaufgabe
Ein vertretbarer Einstieg ist die Prüfung eines Interviewleitfadens. Die Simulation kann Fragen beantworten, mehrdeutige Formulierungen aufzeigen und Annahmen für einen menschlichen Pilottest markieren. Sarstedt und Kollegen (2024) nennen vorbereitende Pretests und Pilotstudien als vielversprechende Einsatzgebiete; sie behaupten nicht, dass synthetische Gespräche die gesamte qualitative Forschung ersetzen.
Definieren Sie die erwartete Ausgabe eng. Fragen Sie statt „Was denken unsere Kunden?“ nach möglichen Interpretationen des Angebots, fehlenden Informationen und Untersuchungsfragen. Unsicherheit soll sichtbar bleiben. Unbelegte Tatsachenbehauptungen über den Markt gehören auf eine Prüfliste.
Unterscheiden Sie einen untersuchenswerten Einwand von einem nachweislich bei Kunden vorhandenen Einwand. Diese Unterscheidung muss in Präsentationen erhalten bleiben. Ein im Transkript als „simulierte Antwort“ markiertes Zitat darf auf der Managementfolie nicht zu „Kundenfeedback“ werden.
Schreiben Sie einen Leitfaden, der Widerspruch zulässt
Beginnen Sie mit der Interpretation der befragten Person, bevor Sie Ihre Erklärung geben. In einer hypothetischen Studie über ein Fahrradreparaturabo ist „Was verstehen Sie als enthalten?“ für das Verständnis informativer als „Würden Sie den Komfort unbegrenzter Reparaturen genießen?“ Die zweite Frage liefert bereits einen Vorteil und eine womöglich irreführende Beschreibung.
Fragen Sie nach praktischen Bedingungen, Alternativen und Ablehnungsgründen. Verankern Sie die gewünschte Antwort nicht im Persona-Briefing: „preisbewusste Radfahrer, die ein Abo wollen“ wählt das Interesse bereits vor Studienbeginn aus. Ein breiteres Briefing kann häufige Fahrer, Gelegenheitsfahrer und Menschen mit eigener Fahrradwartung unterscheiden.
Im menschlichen Interview können Berichte über eine kürzliche Reparatur nützlichen Kontext liefern. In einer Simulation ist eine angebliche kürzliche Reparatur fiktiv, sofern sie nicht auf bereitgestellter Evidenz beruht. Behandeln Sie sie als Szenario, nicht als erinnerte Begebenheit.
Die Briefingvorlage trennt bekannte Fakten, Zielgruppenannahmen und Entscheidung. Die Konzepttest-Fragen bieten Formulierungen zu Verständnis und Hindernissen.
Ein ausgearbeiteter Vorbereitungsablauf
Schreiben Sie zuerst das Aboangebot mit klaren Ausschlüssen auf und lassen Sie es im simulierten Interview umschreiben. Unterstellt die Antwort enthaltene Ersatzteile, obwohl diese ausgeschlossen sind, prüfen Sie, ob die Beschreibung diese Lesart nahelegt. Ändern Sie sie bei Bedarf.
Fragen Sie zweitens nach Situationen, in denen das Angebot unpraktisch wäre. Eine Antwort über die Entfernung legt eine Frage für menschliche Forschung nahe: Wie weit können und wollen relevante Radfahrer für Reparaturen fahren? Die synthetische Antwort misst diese Entfernung nicht.
Wiederholen Sie drittens die Übung mit identischem Briefing und anderer Fragenreihenfolge. Behalten Sie alle Läufe. Hängt die Bedeutung eines Einwands davon ab, welcher Vorteil zuerst genannt wurde, berichten Sie diese Empfindlichkeit, statt das überzeugendste Transkript auszuwählen.
Testen Sie viertens den überarbeiteten Leitfaden mit relevanten Menschen. Dokumentieren Sie erwartete Probleme, die tatsächlich auftraten, solche, die ausblieben, und Auslassungen der Simulation. Das Fahrradbeispiel ist illustrativ; es beansprucht keine Kundenergebnisse oder Leistungswerte.
Verwechseln Sie stabilen Dialog nicht mit validierten Erkenntnissen
Ong (2024) diskutiert Probleme von Schlussfolgerungen und Reproduzierbarkeit bei LLMs, einschließlich der Dokumentation von Prompts und Verfahren. Bewahren Sie in angewandten Studien verfügbare Modellidentifikation, Datum, Briefing, genaue Fragen und Stimulus auf. Diese Aufzeichnungen machen Abweichungen diagnostizierbar; sie machen die Ausgabe nicht richtig.
Wiederholte Zustimmung simulierter Personas kann ähnliche Modellannahmen widerspiegeln. Sie belegt nicht, dass eine Ansicht verbreitet ist. Ebenso kann absichtlich erzeugter Widerspruch ein interessanteres Transkript schaffen, ohne die Meinungsunterschiede repräsentativer zu machen.
Bewerten Sie die Nützlichkeit anhand externer Referenzen. Geht es um mögliche Missverständnisse, vergleichen Sie die Probe mit menschlichen Pretests. Geht es um die Vorhersage einer Rangfolge, nutzen Sie zurückgehaltene menschliche Antworten. Das Validierungsprotokoll behandelt dies als unterschiedliche Ziele.
Was die Evidenz zu menschlichen Fokusgruppen nicht aussagt
Caruso und Kollegen (2025) fanden in ihrer Befragung von Marketingverantwortlichen einen Zusammenhang zwischen Fokusgruppen und weniger erfolgreichen berichteten Verpackungsüberarbeitungen. Die Grenze ist wichtig: Die Studie wies Methoden nicht zufällig zu, untersuchte nicht sämtliche Fokusgruppennutzungen und verglich menschliche Gruppen nicht mit KI-Simulationen.
Sie rechtfertigt daher nicht die Behauptung, KI-Fokusgruppen seien menschlichen Gruppen überlegen. Nützlich ist die Frage, ob Methode und Messgrößen zur Entscheidung passen. Ein Gespräch über das Gefallen einer Verpackung und eine Aufgabe zur Messung ihrer Wiedererkennung sind nicht austauschbar, nur weil beides Verbraucherforschung heißt.
Nutzen Sie die Simulation, um das nächste Gespräch mit Menschen zu verbessern. Definieren Sie eine begrenzte Aufgabe, prüfen Sie die aktuellen Preise und starten Sie eine qualitative Übung. Kennzeichnen Sie das generierte Material während der gesamten Forschungsübergabe.
Quellen und redaktionelle Methode
Der Fahrradabo-Ablauf ist unser vorgeschlagenes Beispiel, keine berichtete Studie. Produktbeschreibungen wurden im September 2026 geprüft. Die wissenschaftlichen Quellen stützen methodische Unterscheidungen und validieren SynthFolk nicht.
- Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing. DOI: 10.1002/mar.21982.
- Ong, D. C. (2024). GPT-ology, Computational Models, Silicon Sampling: How should we think about LLMs in Cognitive Science? arXiv:2406.09464, version 1.
- Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., & Williams, J. (2025). The role of market research in pack redesign performance. International Journal of Market Research, 67(1), 17–32. DOI: 10.1177/14707853241296656.
- Outset: product description.