Synthetische Personas in der Marktforschung: Abkürzung oder Sackgasse?

Eine KI kann heute die Umfrageantworten eines konkreten Menschen mit 83 bis 86 Prozent der Verlässlichkeit reproduzieren, mit der dieser Mensch sich selbst nach zwei Wochen wiederholt (Stanford, Park et al. 2024). Im selben Jahr zeigte die Forschung das Gegenstück: Werden synthetische Befragte als Ersatz für echte repräsentative Erhebungen eingesetzt, kollabiert ihre Varianz, und fast die Hälfte der statistischen Zusammenhänge verschiebt sich (Bisbee et al. 2024).

Beide Befunde stimmen. Welcher für Sie zählt, hängt von genau zwei Dingen ab: wofür Sie synthetische Personas einsetzen — und wie Sie sie bauen. Dieser Artikel trennt die seriöse Anwendung von der fahrlässigen. (Stand: Juni 2026.)

Was sind synthetische Personas — und was unterscheidet sie von einer Annahme?

Der Begriff klingt nach Science-Fiction, beschreibt aber eine nüchterne Methode: Ein großes Sprachmodell wird so konditioniert, dass es nicht „irgendeine" Antwort gibt, sondern die Antwortverteilung einer realen Personengruppe nachbildet. Die Forschung nennt das „silicon samples" und die zugrunde liegende Eigenschaft „algorithmic fidelity" — die Beobachtung, dass ein Modell, richtig konditioniert, die Einstellungsmuster verschiedener Bevölkerungsgruppen erstaunlich treffend emuliert (Argyle et al., Political Analysis 2023, peer-reviewed).

Der Sprung der letzten Jahre liegt nicht im Begriff, sondern in der Datenbasis. Eine simple „Proto-Persona" ist eine Annahme in Foliengestalt. Eine datenbasierte synthetische Persona ist ein Agent, der auf echten Profilen, psychologischen Modellen und Verhaltensdaten beruht — und der planen, antworten und auf Nachfragen reagieren kann. Genau diese Datenfundierung entscheidet später über Wert oder Wertlosigkeit.

Wie verlässlich sind synthetische Personas — was die Forschung zeigt

Die Evidenz für den seriösen Einsatz ist stärker, als Skeptiker oft annehmen — solange man genau hinsieht, was gemessen wurde.

Dazu kommt der Hebel, der Entscheider überhaupt erst hellhörig macht: Tempo und Kosten. Eine klassische Zielgruppenstudie dauert Wochen und kostet vier- bis fünfstellige Beträge. Eine datenbasierte synthetische Persona liefert eine erste, strukturierte Reaktion auf eine Anzeige, eine Landingpage oder eine Produktidee in Minuten — für den Preis eines Mittagessens. Der Wert liegt nicht darin, die echte Forschung zu ersetzen, sondern darin, mit zehn fundierten Hypothesen in die echte Forschung zu gehen statt mit einer ungetesteten.

Wann werden synthetische Personas gefährlich?

Genauso klar muss aber die andere Seite benannt werden — und sie ist gut dokumentiert. Als die österreichische Meinungsforschung über den Einsatz synthetischer Umfragen diskutierte, fielen ungewöhnlich harte Worte.

„Nach jetzigem Forschungsstand ist das Quacksalberei, und es wäre höchst fahrlässig, die Methode anzuwenden. Die große Gefahr ist, dass sie statt der ehrlichen Antwort, etwas nicht zu wissen, eine Pseudosicherheit vermittelt."

— Christoph Hofinger, Meinungsforscher (Foresight), in ORF.at, 2026

Sein Kollege Jakob-Moritz Eberl (Universität Wien) benennt die eigentliche Schwachstelle: „Ausgerechnet in jenen Momenten, in denen Meinungsforschung besonders wichtig ist – bei Dynamik, Unsicherheit und Wandel –, sind synthetische Antworten besonders nutzlos." Und Informatiker Stefan Szeider (TU Wien) erinnert daran, dass „der Teufel im Detail steckt", weil Trainingsdaten nicht für alle Bevölkerungsgruppen gleich verfügbar sind. (Alle drei: ORF.at, 2026.)

Diese Skepsis ist messbar, nicht nur rhetorisch:

In der Praxis wird daraus dreierlei: Wahlprognosen auf Basis synthetischer Stichproben „largely fail" und sind über Länder und Sprachen hinweg ungleich verlässlich (von der Heyde et al. 2024). Minderheiten und schwer erreichbare Gruppen — etwa über 65-Jährige oder Verwitwete — werden systematisch unterrepräsentiert (Santurkar et al., „OpinionQA", 2023). Und in der qualitativen Forschung neigen synthetische Nutzer zur Gefälligkeit: Sie loben, was reale Nutzer abgebrochen hätten — bis hin zu Teilnehmern, die einen Kurs als „abgeschlossen" beschrieben, den echte Menschen mittendrin aufgaben (Nielsen Norman Group, 2024). Die NN/g-Bilanz ist unmissverständlich: Forschung ohne echte Nutzer ist keine Forschung.

Nur: Der Durchschnitt war nie das Problem. Die strukturellen Defekte bleiben — und wachsen mit der Modellgröße teilweise sogar.

Dasselbe Muster bei der Gefälligkeit: Über aktuelle Modelle hinweg (GPT-4o, Claude, Gemini) wurden in einer Auswertung 58 % der Antworten als sycophantisch eingestuft (SycEval 2025); selbst ein GPT-5-Klasse-Modell lag in einem anderen Test noch bei 29 %. Und ein Bericht aus 2026 fand bei einem Modell der GPT-5-Generation weiterhin eine zu flache Verteilung (Varianz-Steigung 0,82 statt 1,0) — extreme Anteile werden zu schwach abgebildet (Verasight, 2026). Die Defekte stecken in den geteilten Trainingsdaten und im Feintuning-Prozess, nicht in der Rechenkraft. Deshalb gilt: Skalierung löst es nicht — die Methode schon.

Die entscheidende Frage: wofür — und wie?

Die Trennlinie verläuft also auf zwei Ebenen: entlang des Anwendungsfalls (Exploration ja, repräsentative Inferenz nein) und entlang der Methode (datenbasiert und validiert ja, „sag der KI, sie sei ein Kunde" nein). Wer beide Achsen respektiert, gewinnt Tempo, ohne die Wahrheit zu verlieren.

Synthetisch, klassisch oder hybrid?

Die ehrlichste Antwort ist selten ein Entweder-oder. Drei Wege stehen offen, und sie schließen sich nicht aus. Klassische Forschung — Fokusgruppen, Panels, repräsentative Umfragen — bleibt der Goldstandard für belastbare, repräsentative Aussagen: langsam und teuer, aber wahr. Synthetische Personas sind unschlagbar dort, wo Tempo und Exploration zählen: zehn Varianten einer Kampagne über Nacht testen, eine Idee vor dem Konzeptbudget prüfen, sich einer schwer erreichbaren Zielgruppe annähern. Hybrid — synthetisch früh im Prozess, menschlich an den Entscheidungspunkten — ist in der Praxis fast immer die richtige Architektur; selbst Anbieter wie Qualtrics empfehlen ausdrücklich die Kombination: Synthetik für Geschwindigkeit und Hypothesen, echte Menschen für die finale Validierung. Die Frage ist also nie „ob synthetisch", sondern „an welcher Stelle des Prozesses".

Anbietervergleich: Wer auf echten Daten aufbaut — und wer nur eine Rolle spielt

Der Markt 2026 ist unübersichtlich, und fast jeder Anbieter wirbt mit einer beeindruckenden Prozentzahl. Zwei Fragen trennen seriös von riskant: Worauf stützen sich die simulierten „Befragten" — und wer hat die Genauigkeit unabhängig geprüft? Wichtig zur Einordnung: Bis auf eine Ausnahme sind alle hier aufgeführten Genauigkeitszahlen Anbieterangaben, keine unabhängig geprüften Befunde.

Das Muster ist eindeutig. Am methodisch solidesten arbeitet, wer echte Daten ergänzt statt Meinungen zu erfinden. Eine Stufe darunter stehen die Anbieter, die auf echten Panels aufbauen, deren synthetische Befragte ihr Signal aus Millionen realer Antworten beziehen. Unabhängig validiert ist bislang praktisch nur ein einziger Anbieter — über eine publizierte, extern validierte Methode. Andere Anbieter — darunter Radical Personas — kompensieren das mit Transparenz über die psychologischen Modelle, auf denen sie aufbauen, und klaren Nutzungsgrenzen. Am riskantesten ist das generische LLM-Rollenspiel mit aufgesetzter Persönlichkeit und das Blackbox-Forecasting, dessen Kalibrierung niemand offenlegt. Die ehrliche Prüffrage an jeden Anbieter lautet schlicht: In wessen echten Daten ist das geerdet — und können Sie es zeigen?

Wie setzt man synthetische Personas richtig ein?

Aus der Evidenz lassen sich fünf Prinzipien ableiten, die seriöse von fahrlässiger Praxis trennen — jedes mit einer konkreten Handlung: 1. Auf echten Daten aufbauen. Verlangen Sie von jedem Anbieter Transparenz über die Datenbasis: Stammen die Personas aus echten Panels, Profilen und validierten psychologischen Modellen — oder „spielt" nur ein Sprachmodell eine Rolle? Keine Datenbasis, kein Vertrauen. 2. Gegen Menschen kalibrieren. Prüfen Sie synthetische Ergebnisse regelmäßig gegen echte Stichproben. Eine einmalige Validierung genügt nicht — Modelle ändern sich, und mit ihnen die Antworten. 3. Mensch im Loop. Nutzen Sie Synthetik, um den Suchraum zu verengen, nicht um ihn zu schließen. Die finale Entscheidung gehört zu echten Menschen. 4. Ergänzen, nicht ersetzen. Setzen Sie synthetische Personas früh im Prozess ein — Screening, Pretests, Hypothesen — und echte Forschung dort, wo Budget und Risiko hoch sind. 5. Transparenz. Geben Sie synthetische Ergebnisse nie als echte Befunde aus. Dokumentieren Sie, welche Methode welche Frage beantwortet hat — und wo sie an ihre Grenzen stößt.

Genau an diesen Prinzipien haben wir Radical Personas ausgerichtet. Statt ein Modell einfach in die Kundenrolle zu versetzen, bauen wir Personas aus acht Schichten — Biografie, Psychologie (Big Five), kognitive Biases, emotionaler Zustand, Kulturkontext (Hofstede), Verhalten, Anti-Patterns und Sprache —, fundiert auf etablierter psychologischer Forschung (Big Five, Prospect Theory, Hofstede) und transparent als das positioniert, was sie sind: ein schnelles, wissenschaftlich fundiertes Ergänzungsinstrument für frühe Entscheidungen, gehostet in der EU, ab €29. Ausdrücklich kein Ersatz für die zweistündigen Interviews der Stanford-Studie — und damit auch kein Anspruch auf deren Reliabilitätswert, sondern die konsequente Umsetzung der Prinzipien der Datenfundierung und Ergänzung, die die Forschung als entscheidend identifiziert. → Radical Personas in der Praxis ansehen

Was Praktiker dazu sagen

Synthetische Personas sind kein Ersatz für echte Forschung — und genau deshalb sind sie so wertvoll. Wer sie als das einsetzt, was sie sind — ein schnelles, datengeerdetes Reaktions-Instrument für frühe Entscheidungen —, gewinnt Tempo, ohne die Wahrheit zu verlieren. Wer sie als Volkszählung missversteht, kauft teure Pseudosicherheit.

— Martin Kocijaz, Gründer & CEO, Radical Innovators

Als Innovationsmanager frage ich nicht zuerst, ob eine Idee gefällt — sondern wie schnell ich die schwachen aussortiere, bevor sie Budget binden. Datengeerdete Personas sind dafür ein scharfes Werkzeug im frühen Innovationstrichter: Sie ersetzen die Marktforschung nicht, sie sorgen dafür, dass nur belastbare Ideen überhaupt bis zur teuren Validierung kommen. In der Marktforschung war Geschwindigkeit immer der Feind der Gründlichkeit — datengeerdete Personas verschieben diese Grenze, aber nur, wenn die Methode hält. Die Frage ist nie ‘Mensch oder KI’, sondern: an welcher Stelle des Innovationsprozesses, mit welcher Validierung?

— Thomas Kasper, Business-Model- & Innovationsexperte, Radical Innovators