Was ist synthetische Marktforschung? Definition und Grenzen

Synthetische Marktforschung ist Marktforschung, bei der KI-generierte Befragte anstelle von rekrutierten Personen die Fragen beantworten. Ein Sprachmodell wird auf die Beschreibung der Zielgruppe konditioniert, die Sie untersuchen möchten (Alter, Region, Rolle, Gewohnheiten, Einstellungen, teils auch reale Befragungs- oder Interviewdaten). Jede so konditionierte Instanz beantwortet Fragebogen-Items, reagiert auf ein Konzept oder führt ein Interview. Die Antworten werden anschließend wie Umfrageergebnisse aggregiert oder wie qualitative Transkripte analysiert.

Die Methode ist wertvoll, weil sie schnell und kostengünstig genug ist, um noch vor jeder Feldarbeit eingesetzt zu werden: Sie können viele Konzepte, Botschaften oder Fragebogenentwürfe an einem einzigen Tag testen. Ihre Grenzen liegen darin, dass die Befragten Simulationen sind. Ihre Antworten sind Schätzungen darüber, wie eine Gruppe reagieren könnte, geprägt durch das Modell und die zugrunde liegenden Daten. Sie müssen an echten Menschen überprüft werden, bevor darauf Entscheidungen gestützt werden, deren Rücknahme teuer wäre.

Diese Seite behandelt den Einsatz der Methode in der Marktforschung. Den breiteren Anwendungsbereich, einschließlich UX-Research und Politikfeldanalyse, finden Sie unter synthetische Forschung.

Definition: Was als synthetische Marktforschung gilt

Drei Elemente unterscheiden eine methodische Studie von einem einfachen Chat mit einem KI-Tool:

1. Eine definierte Zielgruppe. Die Studie legt fest, wer simuliert wird, zum Beispiel „Lebensmittelkäufer in Großbritannien im Alter von 25 bis 40 Jahren, die mindestens wöchentlich pflanzliche Milch kaufen“. Jeder synthetische Befragte wird auf Basis dieser Definition konstruiert.
2. Ein Erhebungsinstrument. Die Befragten beantworten dieselben strukturierten Fragen, bewerten dieselben Stimuli oder durchlaufen denselben Interviewleitfaden, sodass die Antworten vergleichbar und aggregierbar sind.
3. Ein Analyse- und Validierungsschritt. Die Ergebnisse werden in Verteilungen, Rankings oder Themen zusammengefasst, und es wird geprüft, wie belastbar sie sind - idealerweise anhand realer Befragungsdaten derselben Zielgruppe.

Viele Anbieter nutzen unterschiedliche Begriffe für denselben Ansatz: synthetische Befragte, synthetische Panels, KI-Personas, digitale Kunden-Zwillinge oder silicon samples. Der akademische Begriff silicon sampling stammt aus der Politikwissenschaft, wo Sprachmodelle auf die Hintergrunddaten realer Befragungsteilnehmer konditioniert wurden. Die Begriffe überschneiden sich; entscheidend sind die drei oben genannten Kriterien. Eine detaillierte Betrachtung der Befragteneinheit selbst finden Sie unter synthetische Befragte und synthetische Panels.

„Synthetische Daten Marktforschung“: eine häufige Verwechslung

Häufig wird nach „synthetische Daten Marktforschung“ gesucht, doch dieser Ausdruck vermengt zwei grundverschiedene Ansätze.

Synthetische Daten bezeichnen jeden künstlich erzeugten Datensatz. Im Analytics-Bereich meint dies meist die statistische Kopie einer realen Tabelle, etwa von Transaktionen oder Kundendatensätzen, die erstellt wird, damit Analysten arbeiten können, ohne personenbezogene Daten offenzulegen. Ihre Aufgabe ist es, die Muster bereits vorhandener Daten zu bewahren.

Synthetische Marktforschung hingegen generiert neue Antworten auf Fragen, die bisher niemandem gestellt wurden: Wie würde diese Zielgruppe auf eine Preisänderung reagieren, welcher dieser drei Claims wirkt am glaubwürdigsten, was würde sie von einem Markenwechsel abhalten. Ihre Aufgabe ist es, Meinungen und Reaktionen zu schätzen, die Ihnen noch nicht vorliegen.

Die Antworten einer synthetischen Studie stellen zwar eine Form synthetischer Daten dar, die methodische Herausforderung liegt jedoch nicht im Erzeugen von Tabellenzeilen. Sie besteht darin, die Zielgruppe präzise zu definieren, neutrale Fragen zu stellen und einschätzen zu können, wie belastbar die Antworten sind.

Wie synthetische Marktforschung funktioniert

Eine typische Studie durchläuft fünf Schritte.

1. Entscheidung eingrenzen. Halten Sie schriftlich fest, was sich je nach Ergebnis ändert, beispielsweise „wir führen Claim A oder Claim B ein“, und welches Maß an Konfidenz Sie benötigen.
2. Zielgruppe aufbauen. Beschreiben Sie das Segment und generieren Sie Befragte, die innerhalb dieses Rahmens variieren. Ausgereiftere Systeme stützen jeden Befragten auf reale Evidenz: veröffentlichte Statistiken, öffentliche Quellen, Ihre eigene Kundenforschung oder Befragungsdateien. Ein Befragter, der ausschließlich auf einem demografischen Label basiert, neigt zu stereotypen Antworten.
3. Instrument ausspielen. Stellen Sie geschlossene Fragen (Single Choice, Multiple Choice, Skalen, Rankings, Forced-Choice-Designs wie MaxDiff) und offene Fragen, oder zeigen Sie Stimuli wie Konzepte, Werbeanzeigen, Verpackungsentwürfe, Landingpages oder Prototypen.
4. Analysieren. Aggregieren Sie geschlossene Antworten zu Verteilungen und vergleichen Sie Segmente; codieren Sie offene Antworten nach Themen; achten Sie auf Widersprüche und auf Antworten, die zu generisch klingen.
5. Validieren und entscheiden. Vergleichen Sie eine Stichprobe der Ergebnisse mit realen Daten, sofern vorhanden, kennzeichnen Sie den Output als richtungsweisend und legen Sie fest, welche Erkenntnisse in einer Humanstudie vertieft werden sollen.

Die Art und Weise der Antworterhebung fällt stärker ins Gewicht, als es zunächst scheint. In den von Minds veröffentlichten Befragungsreplikationen senkte die Erhebung von Wahrscheinlichkeiten über Antwortoptionen hinweg, anstatt eine Einzelauswahl zu erzwingen, den Verteilungsfehler über vier öffentliche Datensätze hinweg um 12.47 bis 19.72 Prozentpunkte (Minds research). Das Erzwingen einer einzigen Antwort pro Befragtem eliminiert die Ungewissheit, die realen Populationen eigen ist.

Praxisbeispiel: synthetische Forschung mit einer realen Befragung prüfen

Ein Ergebnis synthetischer Marktforschung sollte Population, Fragen, reale Referenz und Fehler offenlegen. Dieses Beispiel stammt aus einer bereits veröffentlichten Produktvalidierung, nicht aus einem illustrativen Datensatz.

Bei der Food-and-You-2-Replikation vom 18. August 2026 beantworteten 301 persistente Minds im Alter von 16–24 Jahren dieselben drei Fragen zur Mahlzeitenhäufigkeit wie die veröffentlichte Befragung der britischen Food Standards Agency. Die synthetische Kohorte umfasste England, Wales und Nordirland. Die reale Referenzbasis betrug 257 Personen je Frage. Jede Frage hatte sieben Antwortoptionen; alle 903 geplanten Mind-Frage-Antworten wurden abgeschlossen.

Eine Originalfrage lautete sinngemäß: „Wie oft essen Sie zum Abendessen auswärts oder kaufen Essen zum Mitnehmen?“ Verglichen wurde der Anteil jeder Antwortoption, nicht die korrekte Vorhersage einer einzelnen Person. Die realen Prozentwerte waren zur Laufzeit zurückgehalten. Da die Quelle öffentlich ist, lässt sich eine frühere Aufnahme durch Vortraining oder gespeichertes Wissen nicht ausschließen.

Der mittlere Gesamtfehler betrug 6.01 Prozentpunkte; niedriger ist besser. Die veröffentlichten „93.99% Approximation“ entsprechen 100 minus diesem Fehler und nicht 93.99% korrekt vorhergesagten Personen. Beim Abendessen war die mittlere Abweichung am größten; der Gesamtwert darf die Unterschiede zwischen den Fragen nicht verdecken.

Zur Einordnung: Die eingefrorene generische Prompt-Baseline erreichte 6.68 Fehlerpunkte, eine Gleichverteilungs-Baseline 7.00. Diese Baselines waren historisch und wurden nicht gleichzeitig erneut ausgeführt. Es handelt sich um eine Wiederholung mit einer bestehenden Kohorte und drei verwandten Fragen, nicht um eine neue unabhängige Populationsstudie oder Fehlergarantie für Ihre nächste Umfrage. Ein Unsicherheitsintervall der realen Stichprobe wurde nicht geschätzt. Die Food Standards Agency hat die Minds-Studie weder finanziert noch geprüft oder befürwortet.

Prüfen Sie Fragebogen, Zielgruppe und Einzelergebnisse, den Baseline-Vergleich und Studienkontext sowie den Originaldatensatz Food and You 2, Wave 10. Wiederholen Sie diese Prüfung für Ihre Entscheidung mit einer passenden Zielgruppe und einem passenden Fragebogen, bevor Sie sich auf das Ergebnis stützen.

Was die Evidenz zur Genauigkeit zeigt

Es gibt keinen pauschalen Genauigkeitswert für synthetische Marktforschung. Ein Anbieter, der eine Zahl nennt, ohne den Datensatz, die Fragen und die Vergleichsmethode offenzulegen, liefert keine belastbare Information. Die wissenschaftliche Evidenz weist in zwei Richtungen.

Belege für die Funktionsfähigkeit:

• Argyle und Kollegen konditionierten GPT-3 auf Tausende soziodemografische Hintergrunddaten realer US-Befragungsteilnehmer und stellten fest, dass das Modell die Antwortverteilungen zahlreicher Subgruppen nachbilden konnte. Sie bezeichneten diese Eigenschaft als „algorithmic fidelity“ und die resultierenden Stichproben als silicon samples (Political Analysis, 2023).
• Ein von Stanford geleitetes Forschungsteam erstellte Agenten für 1,052 US-Amerikaner auf Basis zweistündiger Interviews, Befragungen oder beidem. Bei zurückgehaltenen Items des General Social Survey erreichten die Agenten 83%, 82% und 86% der individuellen Test-Retest-Reliabilität der echten Probanden nach zwei Wochen, verglichen mit 74% bei Agenten, die rein demografische Angaben erhielten (arXiv, 2024). Die Verankerung in echten Selbstauskünften übertraf bloße demografische Labels deutlich.

Belege für die Grenzen:

• Bisbee und Kollegen befragten ChatGPT mittels Personas zu Feeling-Thermometer-Scores und verglichen diese mit der American National Election Study. Die Mittelwerte stimmten eng überein, doch die synthetischen Antworten wiesen eine geringere Varianz auf als die realen. Regressionskoeffizienten wichen häufig ab, Ergebnisse veränderten sich bei minimalen Formulierungsanpassungen und derselbe Prompt lieferte im Abstand von drei Monaten abweichende Ergebnisse (Political Analysis, 2024).
• Santurkar und Kollegen wiesen deutliche Abweichungen zwischen den von Sprachmodellen geäußerten Meinungen und denen von 60 US-amerikanischen demografischen Gruppen nach. Diese Verzerrungen blieben selbst dann bestehen, wenn das Modell explizit auf eine Gruppe ausgerichtet wurde; bestimmte Gruppen, wie Personen über 65 Jahren, wurden nur unzureichend abgebildet (ICML 2023).
• Speziell in der Konsumentenforschung stellten Brand, Israeli und Ngwe fest, dass Schätzungen zur Zahlungsbereitschaft aus Sprachmodell-Antworten mitunter zwar an Humanstudien heranreichten, häufig jedoch ungenau waren und in einigen Fällen das falsche Vorzeichen aufwiesen. Ein Fine-Tuning auf frühere Befragungsdaten derselben Kategorie verbesserte die Übereinstimmung für neue Features innerhalb dieser Kategorie, nicht jedoch für völlig neue Produktkategorien (HBS working paper, SSRN).

Das wiederkehrende Muster dieser Studien: Synthetische Antworten sind am verlässlichsten bei gut dokumentierten Einstellungen in Populationen, die in den Trainingsdaten stark vertreten sind, und wenn die Befragten auf fundierten Belegen über die repräsentierten Personen aufbauen. Am wenigsten verlässlich sind sie bei Varianz, Subgruppenunterschieden, neuen Kategorien, Preissensitivität und allen Aspekten, die auf real erlebter physischer Erfahrung beruhen.

Wie Minds an die Validierung herangeht

Minds versteht Validierung als Kernbestandteil des Produkts und nicht als bloßes Marketingversprechen. Zwei Aspekte sind hierbei zentral.

Audience Validation. Eine Audience in Minds kann gegen reale, veröffentlichte Befragungen, gegen von Ihnen hochgeladene Befragungsdateien (PDF, Excel, CSV oder Word) oder gegen beides validiert werden. Minds behält nur diejenigen Fragen bei, deren publizierte Antworten einen fairen Vergleichsmaßstab für diese Audience darstellen, stellt seinen Minds alle diese Fragen in einem einzigen Durchlauf und weist jede ausgeschlossene Frage samt Begründung aus. Jede Befragung erhält einen Score von bis zu 100 mit einem 95%-Bereich, ihre Quelle und Angaben zur untersuchten Stichprobe. Neue Audiences werden nach dem Training automatisch validiert, und jede Audience lässt sich später erneut prüfen. So erhalten Sie eine Prüfung für genau die Zielgruppe, mit der Sie arbeiten werden - was deutlich aufschlussreicher ist als allgemeine Aussagen zur Modellgenauigkeit.

Veröffentlichte Replikationen. Minds hat Replikationsstudien zu fünf öffentlichen Datensätzen publiziert: GSS 2024, ANES 2024, Canadian Election Study 2024, PISA 2022 und die Food and You 2-Befragung der britischen Food Standards Agency. Der mittlere Verteilungsfehler lag zwischen 4.72 und 8.33 Prozentpunkten (vollständige Ergebnisse). Da die Studien unterschiedliche Instrumente nutzen und eine davon gewichtet ist, sollten sie nicht zu einem einzigen Genauigkeitswert zusammengefasst werden. Derselbe Bericht hält fest, dass bei den Fragen von Food and You bereits eine Gleichverteilungs-Baseline einen Fehler von 7.00 Punkten erzielte; ein niedriger Fehlerwert allein ist somit noch kein Beweis für einen substanziellen Vorteil. Details zur Methodik finden Sie unter wie Minds-Forschungspanels aufgebaut werden.

Was dies nicht belegt: Die veröffentlichten Prozentwerte einer Befragung zu treffen ist nicht gleichbedeutend damit, jedes Individuum fehlerfrei zu simulieren. Gute Ergebnisse bei einer Umfrage lassen sich zudem nicht automatisch auf eine andere Zielgruppe oder einen anderen Fragetyp übertragen. Aus diesem Grund sollte die Validierung direkt an Ihrer spezifischen Zielgruppe und nah an Ihrer Fragestellung erfolgen.

Synthetische Marktforschung im Vergleich zu anderen Methoden

Diese Methoden entfalten ihren größten Nutzen im Zusammenspiel. Synthetische Forschung grenzt den Optionsraum ein, eine Befragung oder qualitative Studie bestätigt die engere Auswahl, und ein Live-Test klärt finale Verhaltensfragen.

Wann synthetische Marktforschung funktioniert

Die Methode überzeugt dort, wo Geschwindigkeit oder Reichweite wichtiger sind als absolute Präzision:

• Frühes Konzept- und Botschaften-Screening, wenn mehr Optionen vorliegen, als das Budget für die Feldarbeit zulässt.
• Fragebogenentwicklung: Identifizieren unklarer Fragen, fehlender Antwortoptionen und suggestiver Formulierungen vor dem kostspieligen Feldstart.
• Exploration schwer erreichbarer oder teurer Zielgruppen, etwa spezialisierter B2B-Entscheider, als erste Orientierung vor gezielten Tiefeninterviews.
• Iteration von Positionierungen, Verpackungstexten oder Onboarding-Flows, bei denen jede Testrunde sonst Wochen beanspruchen würde.
• Vorbereitung humaner Forschung: Aufstellen von Hypothesen, Auswahl der zu befragenden Segmente und Ausarbeitung des Gesprächsleitfadens.

Speziell für die Konzeptarbeit siehe auch KI-Konzepttests.

Grenzen: Wann synthetische Marktforschung nicht eingesetzt werden sollte

Setzen Sie stattdessen auf rekrutierte Personen, beobachtetes Verhalten oder etablierte Messverfahren, wenn:

• Sie eine repräsentative Schätzung benötigen: Marktgröße, Penetration, Marktanteile oder die exakte Kaufabsicht in Prozent.
• Sie Preiselastizitäten oder die Zahlungsbereitschaft an konkreten Preispunkten ermitteln müssen, um Preise festzulegen.
• Die Aussage veröffentlicht, reguliert oder auditiert wird, einschließlich werberechtlich relevanter Claims mit Nachweispflicht, klinischer oder gesundheitsbezogener Aussagen sowie Wahlprognosen.
• Das Produkt physisch berührt, geschmeckt, gerochen oder verwendet werden muss.
• Die Zielgruppe, die Kategorie oder das Verhalten neu ist und kaum verlässliche Daten dazu vorliegen, oder wenn die Zielgruppe in öffentlich verfügbaren Texten unterrepräsentiert ist (die oben genannten Studien weisen insbesondere auf ältere Menschen und andere Minderheiten hin).
• Die Entscheidung schwer revidierbar ist und Sie die synthetische Audience für diesen Fragetyp noch nicht anhand realer Daten validiert haben.

Synthetische Ergebnisse weisen zudem korrelierte Fehler auf: Da alle Befragten aus demselben Basismodell stammen, können sie systematisch in dieselbe Richtung abweichen. Echte Befragte machen voneinander unabhängige Fehler; simulierte Befragte tun dies nicht zwingend.

Wie man ein Tool für synthetische Marktforschung evaluiert

Fordern Sie von Anbietern konkrete Belege statt Schlagworte:

1. Welche öffentlichen Datensätze wurden mit welchen Fragen repliziert und wie hoch war der Fehler? Wird eine Baseline ausgewiesen?
2. Kann ich meine eigene Audience gegen reale Befragungsdaten validieren und sehe ich transparent, welche Fragen warum ausgeschlossen wurden?
3. Wie werden die Befragten verankert: rein über demografische Labels oder über Quellen, Statistiken und eigene Forschungsdaten?
4. Welche Fragetypen werden unterstützt (offen, Single Choice, Multiple Choice, Skalen, MaxDiff) und wie werden geschlossene Antworten erhoben?
5. Für welche Einsatzzwecke rät der Anbieter explizit vom Einsatz seines Tools ab?

Einen detaillierten Anbietervergleich finden Sie in unserem Guide zu Tools für synthetische Marktforschung, und einen grundlegenden Methodenvergleich unter synthetische Forschung vs. traditionelle Marktforschung.

Wo sich Minds einordnet

Minds ist eine Plattform für die durchgängige Durchführung synthetischer Marktforschung: Erstellen Sie eine Audience aus Minds, gestützt auf Quellen und eigene Dateien; führen Sie Studies mit offenen und geschlossenen Fragen oder MaxDiff durch; testen Sie Stimuli wie Konzepte, Bildmaterial, Websites und Texte; analysieren und exportieren Sie die Ergebnisse; und validieren Sie die Audience gegen reale Befragungen. Minds wurde für richtungsweisende Entscheidungen entwickelt. Die Plattform macht eine synthetische Studie nicht per se statistisch repräsentativ. Für verlässliche Hochrechnungen, regulierte Nachweise oder physische Produkttests bleiben echte Befragte weiterhin unerlässlich.

Quellen

• Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C. and Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351.
• Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. and Larson, J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401-416.
• Brand, J., Israeli, A. and Ngwe, D. (2023). Using LLMs for Market Research. Harvard Business School working paper, SSRN 4395751.
• Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P. and Hashimoto, T. (2023). Whose Opinions Do Language Models Reflect? Proceedings of the 40th International Conference on Machine Learning.
• Park, J. S. and colleagues (2024). LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals, first released as "Generative Agent Simulations of 1,000 People". arXiv 2411.10109.
• Minds (2026). We Tested Synthetic Audiences Against Reality.

Weitere Ratgeber

• Die besten Tools für synthetische Marktforschung 2026: 12 Anbieter im Vergleich