EY und Aaru sind nun offizielle Partner. Am 30. September 2026 gab EY eine Allianz zwischen Aaru, einem Unternehmen für KI-basierte Verhaltenssimulation, und Ernst & Young LLP (EY US) bekannt, um Kunden dabei zu unterstützen, Entscheidungen vor der Umsetzung an simulierten Populationen zu testen (EY newsroom). Die Partnerschaft folgt auf einen verblindeten Test, bei dem Aaru den EY Global Wealth Research Report 2025 - eine sechsmonatige Erhebung unter 3,600 wohlhabenden Anlegern in über 30 Märkten - an einem einzigen Tag nachbildete. Über 53 Single-Choice-Fragen hinweg erzielte die Simulation eine mittlere Spearman-Rangkorrelation von 0.90 (EY insight). Die folgenden Fakten wurden im Oktober 2026 auf den Webseiten von EY und Aaru überprüft.
Für Einkäufer von Marktforschung stellt sich die Frage, was tatsächlich gemessen wurde, was die Allianz verändert und wie ein Managed-Simulation-Partner im Vergleich zu Self-Service-Tools zu bewerten ist. Diese Seite trennt publizierte Fakten von Marketingsprache. Minds ist eine Plattform für synthetische Forschung und eine Alternative zu Aaru; wir zeigen auf, wo Aarus Modell besser passt.
Im August 2025 forderte das Wealth & Asset Management-Team von EY Aaru heraus, den EY Global Wealth Research Report 2025 nachzubilden, ohne dessen Ergebnisse zu kennen. Die ursprüngliche Studie befragte 3,600 wohlhabende Anleger in über 30 Märkten und erforderte sechs Monate Feldarbeit; die Fallstudie von Aaru beziffert die Kosten für die Feldarbeit auf einen siebenstelligen Betrag (Aaru case study).
Aaru erstellte simulierte Anleger auf Basis demografischer Daten, Verhaltens- und Sentimentdaten aus nationalen Volkszählungen, Finanzinstituten und sozialen Medien; der Durchlauf dauerte einen Tag. Anschließend verglich EY die beiden Datensätze bei 53 übereinstimmenden Single-Choice-Fragen anhand von drei Metriken:
| Metrik | Veröffentlichtes Ergebnis | Bedeutung |
|---|
| Mittlere Spearman-Korrelation | 0.90 | Antwortoptionen wurden in einer sehr ähnlichen Reihenfolge eingestuft |
| Durchschnittliche Differenz pro Frage (RMSE) | 7.1 percentage points | Typischer Abstand zwischen simulierten und befragten Antwortanteilen |
| Durchschnittliche euklidische Distanz | 12.9 | Distanz über mehrgliedrige Antwortmuster hinweg |
| Höchste Übereinstimmung | Vertrauen, Wertwahrnehmung, Personalisierung | Themen, bei denen die Simulation die Befragung widerspiegelte |
| Größte Abweichung | Nachlassplanung (−37.82% correlation), Weiterempfehlungswahrscheinlichkeit, Häufigkeit von Portfolioüberprüfungen | Themen, bei denen Simulation und Befragung voneinander abwichen |
Quelle: EY insight, Oktober 2025.
EY und Aaru argumentieren, dass die Abweichungen die Diskrepanz zwischen Aussagen und tatsächlichem Handeln widerspiegeln. Auf die Frage, ob sie den Berater ihrer Eltern behalten würden, antworteten 82% der Erben in der Befragung mit Ja; die Simulation prognostizierte 43%, während von EY zitierte Branchenstudien die tatsächliche Bindungsquote auf 20% to 30% beziffern. Ebenso gaben 69% der befragten Anleger an, einen einzelnen Finanzdienstleister zu bevorzugen; die Simulation prognostizierte 37%, und laut EY nutzen tatsächlich nur 33% der vermögenden Privatpersonen einen einzigen Berater.
So sind diese Ergebnisse einzuordnen
- Der Test wurde von den beiden beteiligten Unternehmen konzipiert und veröffentlicht; er wurde weder einem Peer-Review unterzogen noch unabhängig repliziert.
- Er umfasste ausschließlich Single-Choice-Fragen; offene Begründungen, preisliche Trade-offs und neue Produktkonzepte waren nicht Gegenstand des Vergleichs.
- Eine mittlere Rangkorrelation von 0.90 bedeutet, dass die Rangfolge der Antworten meist übereinstimmte; die durchschnittliche Differenz von 7.1 Prozentpunkten zeigt besser, wie weit einzelne Prozentwerte abweichen können.
- Das Argument, die Simulation sei näher am realen Verhalten gewesen, stützt sich auf wenige Einzelfragen und externe Branchenwerte; betrachten Sie dies daher als vielversprechendes Signal, nicht als Beweis.
Die am 30. September 2026 angekündigte Allianz verbindet Aarus Simulations-Engine mit den Branchen- und Fachteams von EY US. Laut EY generiert Aaru Populationen von KI-Agenten, die eine definierte Zielgruppe repräsentieren, während EY US Kunden dabei unterstützt, die Ergebnisse in Strategien zu überführen. Der erste konkrete Schwerpunkt liegt auf Finanzdienstleistungen: Hier testen die beiden Unternehmen Marketingbotschaften, Produkt- und Preisangebote, Vertriebs- und Servicestrategien sowie die Auswirkungen von Fusionen und Übernahmen (EY newsroom).
Für Auftraggeber ändert sich vor allem der Bereitstellungsweg: Unternehmen können Aaru nun im Rahmen eines Beratungsmandats über EY US nutzen, ergänzt um Branchendaten und Beratungsteams von EY rund um die Simulation, alternativ zur direkten Zusammenarbeit mit Aaru.
Aaru beschreibt sich als Plattform für Verhaltenssimulation, die auf realen Verhaltensergebnissen trainiert wurde. In der EY-Studie erstellte Aaru Agenten mit Verhaltensarchitekturen, die Entscheidungsmuster modellieren, platzierte sie in simulierten Umgebungen und stellte ihnen die Fragen der Befragung. Laut Aaru kann dieselbe simulierte Population nach einem Ereignis wie einer Zinsänderung oder einem Wettbewerbervorstoß erneut befragt werden, um Stimmungsveränderungen innerhalb von 24 Stunden zu prognostizieren (Aaru case study).
Aaru veröffentlicht keine Self-Service-Preise; der Zugang erfolgt über den Enterprise-Vertrieb oder nun über die Allianz mit EY US. Einen direkten Vergleich zwischen Aaru und Self-Service-Optionen bieten Minds vs Aaru sowie die Übersicht zu Aaru-Alternativen.
Um eine Plattform für synthetische Forschung objektiv zu bewerten, müssen Teams die statistischen und methodischen Grenzen synthetischer Populationen verstehen. Synthetische Ergebnisse sind richtungsweisend. Sie begründen weder Repräsentativität noch Kausalnachweise, prognostizieren keine Nachfrage oder exakte Zahlungsbereitschaften und ersetzen rekrutierte Teilnehmer für finale, folgenschwere Validierungen nicht.
Simulierte Agenten generieren Antworten aus Mustern in ihren Trainingsdaten, demografischen Vorannahmen und dem bereitgestellten Kontext. Werden sie über mehrere Szenarien hinweg eingesetzt, verdeutlichen sie relative Trade-offs, potenzielle Reibungspunkte in Botschaften und qualitative Begründungen. Diese richtungsweisenden Signale helfen dabei, eine Vielzahl von Ideen einzugrenzen, bevor Budgets für Primärforschung gebunden werden.
In folgenden Bereichen können synthetische Simulationen die empirische Realität jedoch nicht ersetzen:
- Repräsentativität: Sprachmodell-Personas reproduzieren die exakte demografische und psychografische Verteilung einer Zielgruppe nicht in statistisch repräsentativer Form.
- Kausalnachweis: Die Simulation einer Reaktion auf einen isolierten Stimulus isoliert keine Kausalmechanismen und berücksichtigt keine realen Störvariablen.
- Nachfrageprognose: Geäußerte simulierte Präferenzen können tatsächliche Adoptionsraten, Marktdurchdringung oder Absatzvolumina nicht verlässlich vorhersagen.
- Zahlungsbereitschaft: Da synthetische Agenten keinen realen finanziellen Einschränkungen unterliegen, können Preissimulationen keine absolute Preiselastizität ermitteln.
- Finale Absicherung bei kritischen Entscheidungen: Weitreichende strategische Schritte, größere Kapitalallokationen und öffentliche Veröffentlichungen erfordern weiterhin eine Absicherung mit rekrutierten menschlichen Teilnehmern.
Wenn Teams synthetische Ergebnisse als iterative, explorative Impulse statt als definitive Prognosen betrachten, schützt sie das davor, sich bei Führungsentscheidungen zu sehr auf synthetische Daten zu verlassen.
Bei der Einführung synthetischer Forschung wählen Unternehmenskunden in der Regel zwischen zwei Betriebsmodellen: Managed-Consulting-Projekten und Self-Service-Simulationsplattformen.
Managed-Consulting-Projekte wie die Allianz zwischen EY US und Aaru binden dedizierte externe Teams ein, die maßgeschneiderte Agentenpopulationen konfigurieren, proprietäre Unternehmensdaten einbinden, die Simulation kalibrieren und aufbereitete strategische Berichte liefern. Dieser Ansatz eignet sich für umfassende Unternehmenstransformationen, Szenarioanalysen und komplexe strategische Initiativen, bei denen ein Unternehmen die Modellierung lieber durch einen Beratungspartner steuern lässt.
Self-Service-Softwareplattformen legen die Simulation direkt in die Hände interner Produktmanager, UX-Researcher und Markenverantwortlicher. Interne Teams konfigurieren ihre eigenen Audiences, testen Konzepte bei Bedarf und führen strukturierte Untersuchungen durch, ohne auf Beratungszyklen warten zu müssen. Dieses Modell setzt auf Geschwindigkeit, Autonomie und kontinuierliches Testen entlang des gesamten Produktlebenszyklus.
Die richtige Wahl hängt von der Teamstruktur ab. Organisationen mit internen Researchern, die täglich an Botschaften oder Features feilen, profitieren vom Self-Service-Zugang. Organisationen, die eine ausgelagerte strategische Begleitung suchen, bevorzugen meist beratungsgeführte Managed Services.
| Dimension | Managed Consulting | Self-Service-Plattform |
|---|
| Primäre Nutzer | Führungskräfte (C-Suite), externe Strategieberater | Integrierte Marktforscher, Produktmanager |
| Durchführungstaktung | Projektbasiert, mehrwöchige strategische Zyklen | Kontinuierliche Research-Iterationen auf Abruf |
| Workflow-Kontrolle | Ausgelagerte Konfiguration und Analyse | Direkte Kontrolle der Researcher über Audiences und Studies |
| Idealer Anwendungsfall | Szenarioanalyse, Unternehmenstransformation | Konzept-Screening, Botschaftstests, Prioritäten-Ranking |
Minds ist die End-to-End-Plattform für kommerzielle synthetische Forschung. Sie gibt internen Teams aus Produkt, UX, Service Design, Marktforschung, Voice of Customer, Marketing, Innovation und Agenturen die direkte Kontrolle: von der Zielgruppenerstellung und Studienplanung über das Stimulus-Testing, qualitative und quantitative Methoden bis hin zu Vergleich, Analyse und Export. Als Stimuli können Figma-Dateien (sofern aktiviert), Websites und App-Flows, Bilder, Videos, Texte, Präsentationen, Fragebögen und Konzepte dienen.
In Minds erstellen Teams wiederverwendbare Audiences aus KI-Personas, genannt Minds, und führen Studies mit offenen Fragen, Single-Choice-, Multiple-Choice- und Skalenfragen durch. Forschende können einzelne Minds interviewen oder Rückmeldungen einer gesamten Audience gleichzeitig einholen, wobei der Kontext über Sitzungen hinweg erhalten bleibt.
Für strukturierte quantitative Tests nutzen Studies MaxDiff zur Ermittlung relativer Prioritäten, Conjoint für konfigurierte Trade-offs, Kano zur Einordnung von Features sowie Van Westendorp und Gabor-Granger für die Preisfindung. Ähnlich wie im EY-Test vergleicht Minds simulierte Antworten mit echten Befragungsergebnissen: Audience Validation bewertet jede Audience im Abgleich mit veröffentlichten Studien oder eigenen Umfragedaten, mit einem Score von bis zu 100 Punkten, einem 95%-Konfidenzintervall und dem Ausweis ausgelassener Fragen.
Minds erhebt keinen Anspruch auf repräsentative Ergebnisse. Menschliche Beobachtung, physische oder sensorische Tests, regulatorisch geforderte Nachweise und die finale Validierung kritischer Entscheidungen können diesen Workflow bei Bedarf ergänzen; sie machen Minds nicht zu einer isolierten Einzellösung. Minds funktioniert im Self-Service mit Pay-as-you-go (0,12 $/Response) sowie dem Pro-Tarif für 199 $ pro User und Monat. Aaru ist die passendere Wahl, wenn Sie eine beratungsgeführte Managed Simulation für eine weitreichende strategische Entscheidung benötigen.
Bei der Evaluierung von Software für synthetische Forschung oder Anbietern von Managed Simulations sollten Einkaufs- und Insights-Teams einen Rahmenplan anhand von vier operativen Säulen anwenden.
| Evaluierungssäule | Zentrale Prüfanforderungen |
|---|
| 1. Managed Consulting vs self-serve platform | Interne Kompetenzen, Bedarf an externen Dienstleistungen und Erwartungen an Durchlaufzeiten definieren |
| 2. Methodology and study configuration | MaxDiff und Conjoint, strukturiertes Studiendesign und Trennung von Chat und methodischen Durchläufen prüfen |
| 3. Evidence inspection and auditability | Prompts der Agenten, vollständige Antwortverteilungen und versionierte Persona-Definitionen einsehen können |
| 4. Human validation path | Rekrutierung für finale Prüfungen festlegen und kritische Entscheidungen an Live-Daten koppeln |
Säule 1: Abstimmung des Bereitstellungsmodells
Auftraggeber müssen entscheiden, ob sie strategische Beratung oder eine kontinuierliche Research-Befähigung benötigen. Managed Services eignen sich für punktuelle, übergeordnete Bewertungen, bei denen Führungskräfte ein schlüsselfertiges Ergebnis erwarten. Self-Service-Plattformen eignen sich für integrierte Teams, die kontinuierliches Konzept-Screening, Text- und Botschaftsiterationen sowie direkte Interaktion mit Personas benötigen.
Säule 2: Strukturierte Research-Methoden
Explorativer Chat allein reicht für quantitative Trade-off-Entscheidungen nicht aus. Prüfen Sie, ob eine Plattform formale Designs wie MaxDiff zur Priorisierung von Features und Conjoint für mehrdimensionale Eigenschaftsbündel unterstützt und ob informelle Abfragen klar von experimentellen Designs getrennt bleiben.
Säule 3: Nachprüfbarkeit und Auditierbarkeit
Enterprise Governance verlangt Transparenz darüber, wie synthetische Schlussfolgerungen zustande kommen. Prüfen Sie, ob Sie Persona-Prompts, demografische Annahmen und Rohprotokolle einsehen können und ob der Anbieter die Definition seiner Genauigkeitsmetriken offenlegt, so wie es EY mit Spearman-Korrelation, RMSE und euklidischer Distanz getan hat.
Säule 4: Protokolle zur Validierung mit echten Probanden
Betrachten Sie synthetische Simulationen als Filter im frühen Trichter, nicht als Ersatz für Feldarbeit. Dokumentieren Sie genau, wann eine Erkenntnis auf Basis richtungsweisender synthetischer Daten weiterverfolgt werden kann und wann eine Validierung mit menschlichen Panels zwingend ist. Risikoreiche Markteinführungen, regulatorische Einreichungen und wesentliche Preisänderungen sollten stets zuerst eine Validierung mit rekrutierten Probanden durchlaufen.
Ein ausgereifter Research-Stack verlässt sich nicht auf einen einzelnen Anbieter oder eine einzige Methode. Er positioniert synthetische Forschung als vorgelagerten Beschleuniger, der die nachgelagerte Rekrutierung menschlicher Probanden zielgerichteter macht.
In der Discovery-Phase nutzen Forschende KI-Personas, um die Sprache der Kunden zu analysieren, Einwände zu erfassen und Value Propositions zu entwickeln. Beim Konzept-Screening wenden Teams strukturierte Methoden wie MaxDiff oder Conjoint auf synthetische Audiences an, um Dutzende von Konzepten auf eine Auswahlliste zu reduzieren.
Die ausgewählten Konzepte gehen anschließend in Nutzertests mit rekrutierten Panels. Da schwache Optionen und missverständliche Botschaften bereits vorab aussortiert wurden, wird die Feldarbeit mit Menschen kosteneffizienter und kann sich voll auf die Bestätigung der Ergebnisse konzentrieren.
Indem Insights-Teams realistische methodische Grenzen wahren und Self-Service-Tools wie Minds mit disziplinierter menschlicher Validierung kombinieren, beschleunigen sie ihre Forschung bei voller Entscheidungssicherheit. Teams, die strukturierte synthetische Forschung testen möchten, können sich hier registrieren.
