Was ist synthetische Forschung?

Synthetische Forschung ist eine Forschungsmethodik, die künstlich generierte Daten, simulierte Befragte oder KI-gestützte Personas nutzt, um Erkenntnisse zu gewinnen, ohne Daten von echten Teilnehmern im traditionellen Sinne zu erheben.

Das Wort „synthetisch" signalisiert, dass die Forschungsinputs generiert oder simuliert und nicht direkt aus echtem menschlichen Verhalten beobachtet werden. Das Ziel ist jedoch dasselbe wie bei traditioneller Forschung: zu verstehen, wie eine definierte Population denkt, sich verhält oder auf einen gegebenen Stimulus reagieren würde.

Synthetische Forschung: Eine vollständige Definition

Synthetische Forschung bezieht sich auf jeden Forschungsansatz, der synthetische (künstlich generierte) Daten oder Teilnehmer nutzt, um Erkenntnisse über eine Zielpopulation zu gewinnen. Dazu gehören:

Synthetische Befragte. KI-Personas, die konfiguriert sind, um spezifische demografische und psychografische Profile zu repräsentieren, beantworten Forschungsfragen auf eine Weise, die simuliert, wie echte Mitglieder dieser Populationen antworten würden.

Synthetische Datengenerierung. Statistische oder KI-basierte Methoden generieren Datensätze, die die statistischen Eigenschaften echter Daten replizieren, ohne echte personenbezogene Informationen zu enthalten. Eingesetzt in Analytik- und quantitativen Modellierungskontexten.

Agentenbasierte Simulation. Computermodelle simulieren, wie Populationen von Individuen mit definierten Eigenschaften sich unter verschiedenen Bedingungen verhalten würden. Eingesetzt in Wirtschaft, Gesundheitswesen und Politikforschung.

KI-Persona-Panels. Mehrere KI-Personas werden zu Forschungspanels zusammengestellt und mit strukturierten Fragen konfrontiert, um die Dynamik von Fokusgruppen- oder Panelforschung zu simulieren.

Im Kontext von Marktforschung und Geschäft bezieht sich „synthetische Forschung" am häufigsten auf die erste und vierte Variante: KI-synthetische Befragte und KI-Persona-Panels für Kundenerkenntnisse.

Die Ursprünge synthetischer Forschung

Synthetische Daten werden in Statistik und Volkswirtschaft seit Jahrzehnten eingesetzt. Die Idee, Daten zu generieren, die statistisch einem echten Datensatz ähneln, ohne individuelle Einträge preiszugeben, ist in Bereichen etabliert, in denen Datenschutz wichtig ist (Gesundheitswesen, Finanzen, staatliche Forschung).

Die neuere Entwicklung, synthetische Befragte für qualitative und Einstellungsforschung, entstand aus Fortschritten bei großen Sprachmodellen (LLMs). Als LLMs in der Lage waren, konsistente Personas aufrechtzuerhalten und kontextuell angemessene Antworten über komplexe Themen zu generieren, wurde es möglich, synthetische Befragte zu erstellen, die sich über ein breites Spektrum von Forschungsfragen plausibel verhalten.

Das ist die Entwicklung, die die aktuelle Welle synthetischer Forschung in Marketing und Geschäft antreibt: KI, die überzeugend simulieren kann, wie bestimmte Menschentypen denken und reagieren.

Wie synthetische Forschung in der Praxis funktioniert

Der typische Workflow synthetischer Forschung für Geschäftsanwendungen:

1. Zielpopulation definieren. Wen untersuchen Sie? Spezifizieren Sie die demografischen und psychografischen Merkmale der Zielgruppe: Alter, Geschlecht, Standort, Jobrolle, Branche, Einstellungen, Verhaltensweisen und relevanten Kontext.

2. KI-Personas konfigurieren. Erstellen Sie KI-Personas, die die Zielpopulation repräsentieren. Auf Plattformen wie Minds beschreiben Sie, wer die Persona sein soll, und die Plattform generiert einen interaktiven KI-Mind basierend auf dieser Beschreibung.

3. Forschungsinstrument entwerfen. Schreiben Sie die Fragen oder Gesprächsstruktur für die Forschungssitzung. Offene Fragen eignen sich gut für qualitative Exploration. Strukturierte Fragen eignen sich für Vergleich und Priorisierung.

4. Forschungssitzung durchführen. Engagieren Sie die KI-Personas im Gespräch oder in strukturierten Sitzungen. Stellen Sie Ihre Fragen, vertiefen Sie interessante Antworten und erkunden Sie das Thema in der Tiefe.

5. Analysieren und synthetisieren. Überprüfen Sie die Sitzungsoutputs, identifizieren Sie Themen und Muster und synthetisieren Sie die Ergebnisse zu handlungsfähigen Erkenntnissen.

6. Zentrale Ergebnisse validieren. Nutzen Sie echte Teilnehmerforschung, um die wichtigsten Erkenntnisse aus synthetischen Sitzungen zu validieren, bevor Sie weitreichende Entscheidungen treffen.

Wofür synthetische Forschung geeignet ist

Synthetische Forschung ist besonders wertvoll in diesen Situationen:

Wenn Geschwindigkeit zählt. Traditionelle Forschung dauert Wochen. Synthetische Forschung liefert direktionale Erkenntnisse in Stunden. Für Teams mit knappen Zeitplänen ist synthetische Forschung oft die einzige praktikable Option.

Wenn das Budget begrenzt ist. Traditionelle Forschung kostet Tausende bis Zehntausende Dollar pro Studie. Synthetische Forschungsplattformen starten bei wenigen Dollar pro Monat. Das macht Forschung in jeder Phase des Entscheidungszyklus praktikabel, nicht nur wenn eine formelle Studie budgetiert ist.

Wenn die Zielpopulation schwer erreichbar ist. Manche Zielgruppen sind wirklich schwer für Forschung zu rekrutieren: vielbeschäftigte Führungskräfte, Nischen-Berufsrollen, internationale Märkte, zukünftige Kundensegmente. Synthetische Personas können diese Populationen sofort repräsentieren.

Wenn Sie viele Iterationen brauchen. Produkt- und Marketingentwicklung beinhaltet viele kleine Forschungsfragen über schnelle Iterationszyklen. Traditionelle Forschung kann nicht mithalten. Synthetische Forschung kann das Entwicklungstempo mitgehen.

Wenn Sie explorieren, nicht validieren. Die frühen Phasen jedes Forschungsprojekts, das Verstehen der Landschaft, das Generieren von Hypothesen, das Identifizieren der richtigen Fragen, sind gut geeignet für synthetische Methoden. Die direktionale Natur synthetischer Forschung ist in dieser Phase ein Feature, kein Bug.

Wofür synthetische Forschung nicht geeignet ist

Synthetische Forschung hat echte Grenzen, die verantwortungsvolle Anwender anerkennen:

Statistische Validierung. Synthetische Forschung kann keine statistisch validierten Populationsschätzungen mit definierten Konfidenzintervallen liefern. Für Forschung, die beweisen muss, dass X % eines Marktes Y denkt, ist echte Teilnehmerforschung erforderlich.

Vorhersage neuartiger Verhaltensweisen. KI-Personas simulieren etablierte Denkmuster. Sie sind keine zuverlässigen Prädiktoren dafür, wie Menschen auf wirklich beispiellose Ereignisse, Produkte oder Situationen reagieren werden.

Kulturelle Spezifität. KI-Personas, die auf englischsprachigen Texten trainiert wurden, repräsentieren möglicherweise die Perspektiven kultureller Gemeinschaften unzureichend, die in diesen Trainingsdaten unterrepräsentiert sind. Validieren Sie kulturspezifische Forschung mit Mitgliedern der Community.

Hochriskante Endentscheidungen. Große Kapitalallokationsentscheidungen, regulatorische Einreichungen und Forschung für rechtliche oder Compliance-Zwecke sollten sich nicht ausschließlich auf synthetische Forschung stützen.

Genauigkeit synthetischer Forschung

Mehrere Studien haben untersucht, wie gut synthetische Forschungsergebnisse mit echter Teilnehmerforschung übereinstimmen. Veröffentlichte Ergebnisse zeigen generell eine Korrelation von 75 bis 92 Prozent zwischen KI-synthetischen Befragtenoutputs und echten Umfrage- oder Fokusgruppen-Antworten, abhängig von Plattform, Fragetyp und Persona-Spezifität.

Dieses Genauigkeitsniveau ist angemessen für direktionale Forschung, sollte aber nicht als gleichwertig mit validierter quantitativer Forschung dargestellt werden. Die angemessene Einordnung ist: Synthetische Forschung liefert verlässliche direktionale Erkenntnisse, die leiten, wo echte Forschungsressourcen investiert werden sollten.

Synthetische Forschung und Datenschutz

Ein unterschätzter Vorteil synthetischer Forschung ist ihr Datenschutzprofil. Da synthetische Personas generiert werden statt auf echten Individuen zu basieren, beinhalten synthetische Forschungssitzungen keine personenbezogenen Daten in der Weise, wie es traditionelle Forschung tut.

Das bedeutet, dass viele der Datenschutzanforderungen, die für traditionelle Forschung gelten (Teilnehmereinwilligung, Datenspeicherungspflichten, DSGVO-Verarbeitungsanforderungen für personenbezogene Daten), für synthetische Forschungssitzungen nicht in gleicher Weise gelten.

Für Organisationen mit strengen Datenschutzanforderungen ist synthetische Forschung oft einfacher einzusetzen als traditionelle teilnehmerbasierte Methoden. Plattformen wie Minds, mit Sitz in Deutschland und DSGVO-konform, sind explizit mit diesen Anforderungen im Blick konzipiert.

Die Zukunft synthetischer Forschung

Synthetische Forschung befindet sich in einem frühen Adoptionsstadium. Mit der Verbesserung von LLM-Fähigkeiten wird die Genauigkeit synthetischer Personas steigen. Mit der Reifung der Plattform-Tools werden Konfiguration, Sitzungsdesign und Erkenntnissynthese einfacher.

Die wahrscheinliche Zukunft ist ein hybrides Forschungsökosystem, in dem synthetische und echte Teilnehmermethoden routinemäßig kombiniert werden, wobei synthetische Methoden die explorativen und iterativen Phasen abdecken und echte Teilnehmermethoden sich auf die endgültige Validierung und die höchstkritischen Fragen konzentrieren.

Organisationen, die jetzt synthetische Forschungsfähigkeiten aufbauen, werden einen bedeutenden Vorsprung in Forschungsgeschwindigkeit, Kosteneffizienz und Zugänglichkeit erlangen, der sich über die Zeit potenziert.

Jetzt mit Minds starten →