KI-Marktforschung: Was KI leisten kann – und was nicht

2026-08-13 · 11 Min. Lesezeit

KI-Marktforschung bezeichnet den Einsatz maschinellen Lernens – in der Praxis meist großer Sprachmodelle –, um Teile einer Studie durchzuführen oder zu beschleunigen: Instrumente entwickeln, Stichproben ziehen, Antworten erfassen und auswerten. Gemeint sind drei grundverschiedene Dinge: KI-Analyse echter Daten, KI-moderierte Gespräche mit echten Menschen und vollständig synthetische Befragte, die die Daten selbst erzeugen.

Fast jede unproduktive Debatte entsteht, weil diese drei Dinge vermischt werden. Wenn eine Forschungsleitung sagt, sie betreibe bereits KI-Marktforschung, meint sie oft, dass die Umfrageplattform eine Zusammenfassung schreibt. Ein Anbieter kann damit meinen, dass niemand interviewt wurde. Dieser Leitfaden trennt die Fälle, damit Sie nach Frage statt nach vorhandener Software entscheiden.

Wichtigste Erkenntnisse

• Ein Spektrum, keine Produktkategorie: von KI-Zusammenfassungen menschlicher Antworten bis zu vollständig synthetischen Befragten, mit KI-moderierten Interviews dazwischen.
• Die Frage bestimmt den Ansatz, nicht das Budget. Vergleichende und richtungsweisende Fragen passen zur synthetischen Simulation; absolute Zahlen, gelebte Erfahrung und regulierte Claims nicht.
• Die Kostenstruktur unterscheidet sich grundsätzlich. Panel-Forschung hat hohe Grenzkosten pro Befragtem, Simulationen haben nahezu konstante Kosten – das verändert, welche Fragen sich lohnen, nicht die Genauigkeit der Antworten.
• Synthetische Befragte verarbeiten keine personenbezogenen Daten. Das entfernt für EU- und UK-Teams eine Klasse von Pflichten, aber auch die Verankerung in echten Menschen: Ergänzung, kein Ersatz.

Was „KI-Marktforschung“ tatsächlich bedeutet

Vier Ebenen tragen dasselbe Etikett, und die meisten Toolvergleiche vergleichen sie stillschweigend miteinander. Davenport et al. unterscheiden in der Journal of the Academy of Marketing Science formell zwischen Intelligenzniveau und Aufgabentyp und folgern, dass KI Management besser erweitert als ersetzt.

Ebene 0 – KI-Funktionen in bestehenden Tools. Ihre Umfrageplattform clustert offene Antworten, schreibt eine Zusammenfassung oder schlägt eine Grafik vor. Echte Befragte, echte Daten, KI am Ende des Prozesses: schnellere Analyse, unveränderte Kosten und Feldzeit.

Ebene 1 – KI-gestützte Analyse im großen Maßstab. Dazu gehören die Codierung Tausender offener Antworten, die Themenextraktion aus Tickets, Reviews oder Transkripten und die Synthese über mehrere Quellen hinweg. Die Daten bleiben menschlich; die KI erledigt Analysearbeit schneller. Hier ist die Automatisierung der Marktforschung am besten belegt: Timoshenko und Hauser fanden in Marketing Science, dass maschinell ausgewählte nutzergenerierte Inhalte mindestens ebenso wertvolle Quellen für Kundenbedürfnisse sind wie professionelle Interviews und pro Analyseaufwand produktiver.

Ebene 2 – KI-moderierte Forschung mit echten Menschen. Ein Modell führt das Interview, fragt nach und passt den Leitfaden an. Sie rekrutieren und vergüten weiterhin und warten auf die Feldarbeit; Sie sparen Moderationszeit und Terminplanung. Ob Menschen einem automatisierten Gegenüber wie einer Person antworten, hängt vom Kontext ab: Gelbrich et al.s Meta-Analyse von 943 Effektgrößen aus 327 Studien findet Skepsis gegenüber automatisierten Agenten, während Kund:innen unter bestimmten Bedingungen ähnlich kaufen. Diese Bedingungen lassen sich jedoch nicht zwischen Robotern, Chatbots und Algorithmen verallgemeinern.

Ebene 3 – synthetische Befragte. Keine Menschen nehmen teil. Ein Modell erzeugt Personas, konditioniert auf demografische und einstellungsbezogene Profile, und sie beantworten Ihre Fragen. Rekrutierungskosten fallen auf null, Feldzeit auf Minuten, und die Verbindung zu einer realen Person wird indirekt. Sarstedt et al. berichten bei Vergleichen von Silicon- und Human-Samples erheblich schwankende Übereinstimmung und sehen das Potenzial in vorgelagertem Pretesting und Piloten statt Hauptstudien.

Synthetische Marktforschung und Marktforschung mit synthetischen Daten beziehen sich beide auf Ebene 3; letzteres umfasst zudem statistisch ähnliche Kopien eines bereits vorhandenen Datensatzes. Das eine simuliert Befragte, das andere anonymisiert Daten, die Sie schon besitzen.

Der Forschungsablauf, Schritt für Schritt

KI komprimiert Sampling und Feldphase am stärksten – genau die Stufen, die Forschung langsam und teuer machen. Die Stufe, die entscheidet, ob die Studie die Mühe wert war, bleibt unberührt. Caruso et al. befragten 227 Marketer zu ihrem letzten Packungs-Redesign: Forschung war keine Garantie für ein besseres Ergebnis; Fokusgruppen und Markenattituden waren mit weniger erfolgreichen Redesigns verbunden, während Forschung zu bereits markengebundenen Designelementen mit mehr Erfolg verbunden war.

Den Ansatz nach Forschungsfrage wählen

Beginnen Sie mit der Frage, nicht mit dem Tool.

Das Muster: Synthetische Simulation ist stark, wenn Sie Breite, Geschwindigkeit und Vergleich brauchen, und schwach bei Kalibrierung, Beobachtung oder Verteidigungsfähigkeit. Der Stimulusvergleich in Zeile zwei entspricht Caruso et al.s Verpackungsstudie von 2026: 484 US- und 491 UK-Konsumenten bewerteten 48 überarbeitete Packungen. Synthetisch können Sie Kandidaten vergleichend priorisieren, nicht die daraus abgeleitete Kaufabsicht messen.

Wo synthetische Befragte passen

Sie sind keine billige Variante eines Panels, sondern ein anderes Instrument. Nutzen Sie sie für frühe Exploration, Hypothesengenerierung, Konzept- und Botschafts-Screenings, Fragebogenpilotierungen, Kreativ-Pretests mit Rangfolgen, erste Marktvergleiche und das Sammeln von Einwänden. Verwenden Sie sie nicht für endgültige Go-/No-Go-Entscheidungen, Preis- und Zahlungsbereitschaftsforschung, sensible oder seltene Populationen, regulierte Claims, Prozentwerte für Vorstandsvorlagen, Usability, beobachtetes Verhalten oder gelebte Erfahrungen.

Für die Mechanik lesen Sie unsere Leitfäden zu synthetischen Nutzern und synthetischen Personas.

Ein praktischer Ablauf von Anfang bis Ende

1. Entscheiden Sie, welches Ergebnis Sie benötigen. Eine Rangfolge, eine Liste von Einwänden oder eine Hypothese sind gute synthetische Ergebnisse. Ein Marktanteil, eine Umsatzprognose oder ein Claim für Regulierungsbehörden sind es nicht.

2. Formulieren Sie die Frage und Stimuli so, wie Sie sie Menschen vorlegen würden. Synthetische Befragte retten keine suggestive Frage. Testen Sie Reihenfolge, Labels und Formulierungen: Prompt-Architektur kann Antworten dominieren.

3. Führen Sie einen ersten Vergleich durch. SynthFolks quantitatives Modul führt in einem Durchlauf eine KI-Umfrage mit bis zu 250 synthetischen Befragten durch; das Medienmodul übernimmt dies für Kreativmaterial.

4. Prüfen Sie die Form, nicht nur den Gewinner. Haben Untergruppen plausible Unterschiede? Gibt es Ränder in den Verteilungen? Einstimmigkeit ist ein Bericht über das Modell, nicht über den Markt.

5. Wiederholen Sie die Prüfung. Wiederholen Sie die Studie zunächst unverändert, dann mit anderer Reihenfolge und umformulierten Fragen. Tauschen A und B bei einer anderen Reihenfolge die Plätze, war der Unterschied nie belastbar. Halten Sie die Modellversion fest: Ein Durchlauf auf einer neuen Version ist eine neue Studie.

6. Bestätigen Sie mit Menschen. Der synthetische Durchlauf entfernt schlechte Kandidaten und verbessert Fragen; die Entscheidung verbleibt beim Menschen.

Was es kostet

Simulation macht nicht jede Forschungsfrage gratis. Sie entfernt die Grenzkosten von Rekrutierung und Feldzeit, nicht die Kosten für gute Fragestellung, Stimuli oder menschliche Bestätigung.

Die Tarife betragen monatlich €9.99 für 75 Credits, €24.99 für 250 und €79.99 für 750 Credits. Eine Umfrage mit 250 Befragten benötigt also ein Fünftel des mittleren Kontingents. Die vollständige Aufschlüsselung einschließlich Medienauswertungen finden Sie auf der Preisseite.

KI-Verbraucherinsights: Was Sie ableiten können und was nicht

Aus Ebene 0 und 1 können Sie belastbare Muster in menschlichen Daten ableiten, sofern die Daten diese tragen. Ebene 3 liefert Prioritäten, Vergleichshypothesen und Einwandmuster, aber keine Schätzung, die Sie als Bevölkerungsanteil ausgeben dürfen. Der Fehler liegt nicht darin, KI einzusetzen, sondern eine Schlussfolgerung zu behaupten, die die Datenquelle nicht trägt. Wie genau synthetische Befragte sind fasst die Validierungsliteratur und ihre dokumentierten Fehler zusammen.

Personenbezogene Daten, DSGVO und EU AI Act

Synthetische Befragte sind keine natürlichen Personen; ihre Antworten sind keine personenbezogenen Daten, und die Studie rekrutiert, profiliert oder kontaktiert niemanden. Für Teams in der EU und im Vereinigten Königreich entfällt damit eine ganze Prozessklasse, aber nicht jede Überlegung. Eigene Eingaben bleiben relevant: Ein wörtliches Kundenzitat oder ein unveröffentlichtes Kreativmaterial hochzuladen ist selbst eine Verarbeitung. Transparenz ist auch bei der Methodenbeschreibung nötig: Berichten Sie klar, dass die Befragten synthetisch waren. Hardcastle, Vorster und Brown zeigen bei KI-vermittelten personalisierten Journeys, dass Menschen KI nach Autonomie und Offenlegung beurteilen, nicht nach Effizienz. Unsere DSGVO-Seite beschreibt, wie SynthFolk die von Ihnen bereitgestellten Daten behandelt.

Was KI-Marktforschung nicht ersetzt

Sie ersetzt weder den Kontext noch die Verantwortung des Forschenden. Keine Ebene ersetzt gute Problemformulierung, echte Beobachtung von Verhalten, eine belastbare Stichprobe für absolute Zahlen, regulatorische Nachweise oder die Rechenschaft dafür, wie eine Entscheidung getroffen wurde. Sie kann Analyse, Moderation und Exploration beschleunigen; sie kann nicht den Realitätsbezug einer Frage herbeisimulieren.

Wie Sie ein Tool auswählen

Fragen Sie nicht zuerst, ob ein Tool KI nutzt. Fragen Sie: Welche Ebene? Woher stammen die Daten? Wird ein Mensch befragt? Welche Aussage darf ich aus dem Output ableiten? Wie kann ich die Antwort gegen eine bekannte Humanstudie testen? Wenn eine Antwort diese Fragen verwischt, verwischt sie wahrscheinlich auch die Grenze zwischen Simulation und Messung.

Häufig gestellte Fragen

Ist KI-Marktforschung zuverlässig?

Das hängt von der Ebene ab. Analyse echter menschlicher Daten auf Ebene 0–1 ist so zuverlässig wie die zugrunde liegenden Daten. Synthetische Befragte auf Ebene 3 sind für richtungsweisende und vergleichende Fragen zuverlässig, nicht für absolute Zahlen, dünne Populationen und neue Kategorien. Lesen Sie zuerst die Validierungsevidenz.

Was kostet KI-Marktforschung?

Die Kosten reichen von KI-Funktionen in bestehenden Tools bis zu den Rekrutierungskosten realer Panels. Bei SynthFolk beginnt eine Studie mit drei Personas bei 6 Credits, eine Umfrage mit 250 Befragten kostet 50 Credits. Das senkt die Kosten eines ersten Vergleichs, nicht die Kosten einer belastbaren Bestätigung mit Menschen.

Können synthetische Befragte ein Panel ersetzen?

Nein. Sie ersetzen vor allem Studien, die Sie sonst gar nicht durchgeführt hätten. Wo Messung, Regulierung, Sensibilität oder beobachtetes Verhalten zählt, gibt es keinen Ersatz für echte Menschen.

Ist synthetische Marktforschung DSGVO-konform?

Synthetische Antworten sind keine personenbezogenen Daten, doch Ihre eigenen Uploads können personenbezogene Daten oder vertrauliche Informationen enthalten. Behandeln Sie diese Uploads als eigenständige Verarbeitungsentscheidung und beschreiben Sie im Bericht transparent, dass die Befragten synthetisch waren.

Wie viele synthetische Befragte brauche ich?

Nicht die Zahl macht aus einer Simulation eine Stichprobe. Nutzen Sie genug Personas, um relevante Vergleichs- und Segmentmuster zu sehen, lesen Sie die Ausgabe aber nicht als Fehlermarge oder Bevölkerungsanteil. Testen Sie die Stabilität durch Wiederholung und bestätigen Sie Entscheidungen mit Menschen.

Führen Sie selbst einen Test durch. Eine Studie mit drei Personas beginnt bei 6 Credits, eine Umfrage mit 250 Befragten kostet 50; neue Accounts starten mit genügend Credits für einen Durchlauf. Öffnen Sie das Dashboard und vergleichen Sie eine Frage mit einer realen Studie aus dem letzten Jahr. Das ist der schnellste Test der Methode.

Literaturverzeichnis

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. https://doi.org/10.1177/14707853241296656

Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., Saeed, R., & Williams, J. (2026). The packaging redesign modernisation dilemma: The relationship with familiarity, likeability, and its effect on purchase intent. Journal of Retailing and Consumer Services, 92, 104800. https://doi.org/10.1016/j.jretconser.2026.104800

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24–42. https://doi.org/10.1007/s11747-019-00696-0

European Social Survey ERIC. (n.d.). European Social Survey. https://www.europeansocialsurvey.org/

European Union. (n.d.). Eurobarometer. https://europa.eu/eurobarometer/

Fernandez, K., Berner, L. A., & Shevlin, B. R. K. (n.d.). The threat of synthetic respondents extends to clinical mental health screening. Submitted manuscript, University of California, Los Angeles, and Icahn School of Medicine at Mount Sinai.

Gelbrich, K., Roschk, H., Miederer, S., & Kerath, A. (2026). Automated versus human agents: A meta-analysis of customer responses to robots, chatbots, and algorithms and their contingencies. Journal of Marketing, 90(2), 1–26. https://doi.org/10.1177/00222429251344139

Hardcastle, K., Vorster, L., & Brown, D. M. (2025). Understanding customer responses to AI-driven personalized journeys: Impacts on the customer experience. Journal of Advertising, 54(2), 176–195. https://doi.org/10.1080/00913367.2025.2460985

Lin, Z. (n.d.). Synthetic respondents and the illusion of human data. Preprint, Department of Psychology, Yonsei University.

Ong, D. C. (2024). GPT-ology, computational models, silicon sampling: How should we think about LLMs in cognitive science? arXiv:2406.09464. https://arxiv.org/abs/2406.09464

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. https://doi.org/10.1002/mar.21982

Sun, S., Lee, E., Nan, D., Zhao, X., Lee, W., Jansen, B. J., & Kim, J. H. (2024). Random silicon sampling: Simulating human sub-population opinion using a large language model based on group-level demographic information. arXiv:2402.18144. https://arxiv.org/abs/2402.18144

Tanusondjaja, A., Romaniuk, J., Nenycz-Thiel, M., Sakashita, M., & Viswanathan, V. (2023). Examining Pareto Law across department store shoppers. International Journal of Market Research (advance online publication). https://doi.org/10.1177/14707853221145851

Timoshenko, A., & Hauser, J. R. (2019). Identifying customer needs from user-generated content. Marketing Science (Articles in Advance). https://doi.org/10.1287/mksc.2018.1123

Valenzuela, A., Puntoni, S., Hoffman, D., Castelo, N., De Freitas, J., Dietvorst, B., Hildebrand, C., Huh, Y. E., Meyer, R., Sweeney, M. E., Talaifar, S., Tomaino, G., & Wertenbroch, K. (2024). How artificial intelligence constrains the human experience. Journal of the Association for Consumer Research, 9(3). https://doi.org/10.1086/730709