--- title: "Wann synthetische Zielgruppen generische Foundation-Modelle übertreffen" description: "Ein Vergleich anhand zurückgehaltener Interviewdaten prüft, wann Teilnehmerprofile und Memory synthetische Antworten gegenüber generischen GPT-, Claude- und Gemini-Prompts verbessern." canonical_url: "https://getminds.ai/research/de/synthetic-audiences-vs-foundation-models" last_updated: "2026-09-08T17:11:15.014Z" --- # Wann synthetische Zielgruppen generische Foundation-Modelle übertreffen Ein Foundation-Modell kann eine plausible Antwort auf eine Interviewfrage formulieren. Genau zu reproduzieren, was eine bestimmte Person sagen würde, ist jedoch eine weitaus spezifischere Aufgabe. Die bisherigen Erfahrungen, Werte und Beweggründe dieser Person wiegen oft schwerer als die Fähigkeit des Modells, eine flüssige allgemeine Antwort zu generieren. Wir haben diesen Unterschied anhand von 66 zurückgehaltenen Interviewantworten von 22 Personen getestet. Ein synthetischer Respondent mit kompaktem Teilnehmerprofil und abgerufenen früheren Evidenzen schnitt bei einem verblindeten Participant-Fit-Gesamtwert besser ab als generische Antworten von GPT-5.4 und Claude Sonnet 5. Der primäre Vorteil lag bei 25.49 Punkten gegenüber GPT und 30.05 Punkten gegenüber Claude. Eine zweite Judge-Version reproduzierte diese positiven Vergleiche. Der Vergleich stützt einen spezifischen Anwendungsfall synthetischer Zielgruppen: relevante Teilnehmerevidenz in Fragestellungen einzubringen, die auf genau diese Evidenz angewiesen sind. Die generischen Modelle erhielten keine Teilnehmerhistorie. Es handelt sich hierbei also um einen Vergleich eines geerdeten Workflows mit generischem Prompting - und nicht um ein Ranking von Modellfähigkeiten unter identischem Kontext. ## Der Test: frühere Evidenz, spätere Antworten Der Benchmark nutzte zwei öffentliche Interview-Korpora zu den Themen Laserzahnheilkunde und Ernährungsunsicherheit bei Geflüchteten. Frühere Interviewevidenzen wurden in kompakte Profile und abrufbare Erinnerungen überführt. Drei spätere Antworten pro Person wurden für die Auswertung zurückgehalten, woraus sich 66 Zielantworten von 22 Personen ergaben. Für jede Zielfrage gab es vier anonymisierte Antwortkandidaten: Profil plus Retrieval, eine generische Antwort desselben zugrunde liegenden Modells der Gemini-Familie, generisches GPT-5.4 und generisches Claude Sonnet 5. Die Antwortkandidaten wurden vor der Bewertung versiegelt, und die Judges bewerteten sie ohne Angabe der Versuchsbedingung. Das Bewertungsschema prüfte die Übereinstimmung mit der realen Antwort, Standpunkte und Werte, Begründungen, Spezifität, Passung von Tonfall und Länge sowie Generizität und unbelegte persönliche Fakten. Dies sind Dimensionen des Participant-Fit. Sie stellen keine Messwerte für Werbekonversion, allgemeine Intelligenz oder den Prozentsatz korrekt simulierter Menschen dar. ## Der gemessene Vorteil
Vergleich mit Profil plus Retrieval Primärer Gesamtlift Auf Teilnehmerebene geclustertes 95%-Bootstrap-Intervall Lift beim zweiten Judge
Generische Gemini-Antwort desselben Modells +32.42 Punkte +23.93 bis +40.52 +32.83 Punkte
Generisches GPT-5.4 +25.49 Punkte +15.99 bis +34.56 +26.13 Punkte
Generisches Claude Sonnet 5 +30.05 Punkte +21.86 bis +38.12 +30.68 Punkte
Unter dem primären Judge erreichte die geerdete Bedingung einen Gesamtwert von 67.66, verglichen mit 42.17 für generisches GPT, 37.61 für generisches Claude und 35.24 für die generische Antwort desselben Modells. Beide Korpora zeigten unter beiden Judge-Versionen im Durchschnitt positive Vorteile gegenüber den genannten GPT- und Claude-Bedingungen. Die beiden Judge-Versionen stimmten bei 81.8% der Items hinsichtlich des Gewinners überein. Da beide Judges Modelle der Gemini-Familie waren, prüft dies die Versionssensitivität innerhalb dieser Familie und nicht die Übereinstimmung zwischen unabhängigen menschlichen Ratern oder nicht verwandten Judge-Familien. ## Warum Grounding helfen kann Die direkteste Erklärung liegt im Zugriff auf relevante Evidenz. Ein generisches Modell muss fehlenden persönlichen Kontext anhand allgemeiner Muster ergänzen. Ein geerdeter Respondent kann stattdessen auf erfasste Erfahrungen und Präferenzen zurückgreifen. Bei einer Frage zu einer beruflichen Entscheidung können frühere Evidenzen die Einschränkungen, Vorerfahrungen und Gründe einer Person dafür offenlegen, warum sie eine Option einer anderen vorzieht. Die Antwort kann dann genau diese Spezifika widerspiegeln, anstatt allgemeingültige, vernünftige Ratschläge zu erteilen. Im Benchmark erzielte die geerdete Bedingung höhere Werte für Spezifität sowie Begründungen und wurde als weniger generisch bewertet. Der Vergleich mit dem generischen Ansatz desselben Modells ist hier aufschlussreich. Indem die zugrunde liegende Modellfamilie konstant gehalten und nur die Profil-und-Retrieval-Bedingung variiert wurde, zeigt sich für diese Aufgabe ein Vorteil des ergänzten Grounding-Workflows. Dies isoliert jedoch nicht, welcher Teil dieses Workflows wie viel zu diesem Zuwachs beigetragen hat. Profile, Retrieval, zusätzlicher Kontext und das zugehörige Prompting wurden gemeinsam verändert. Die Ergebnisse stützen den Wert von relevantem Memory. Sie belegen jedoch nicht, dass mehr Kontext grundsätzlich hilft oder dass jeder gespeicherte Fakt in jeder Antwort auftauchen muss. ## Wann der Vorteil am plausibelsten ist Diese Evidenz ist dann am unmittelbarsten relevant, wenn eine Forschungsfrage von der persönlichen Vorgeschichte, einer zuvor geäußerten Präferenz, einer konkreten Erfahrung oder den Beweggründen für eine Entscheidung abhängt. Folgeinterviews und Untersuchungen dazu, warum Zielgruppenmitglieder dieselbe Botschaft unterschiedlich interpretieren, passen genau in dieses Muster. Ein nützlicher Praxistest ist die Frage, ob die Kenntnis früherer Antworten dieser spezifischen Person das Ergebnis wesentlich verändern würde. Wenn ja, kann geerdete Evidenz wertvoll sein. Erfordert eine Frage lediglich allgemeines Faktenwissen, belegt dieses Experiment keinen Vorteil einer synthetischen Zielgruppe gegenüber einem leistungsfähigen generischen Modell. Selbst innerhalb des Interview-Benchmarks war der Vorteil nicht universell. Im explorativen Teilbereich der reflektierenden Fragen erzielte GPT 10.75 Punkte mehr als die geerdete Bedingung. Dieser Teilbereich umfasste lediglich fünf Items von drei Personen und ist daher zu klein, um ein verlässliches Aufgaben-Ranking abzuleiten. Dennoch schließt er aus, dass der durchschnittliche Vorteil als Gewinn bei jeder Art von Fragestellung interpretiert werden kann. ## Umfragen erfordern eine gesonderte Betrachtung Die [Against Reality-Umfrageübersicht](/research/synthetic-audiences-reality-benchmark-2026) zeigte, dass eine wahrscheinlichkeitsbasierte Antwortenerfassung die aggregierten Verteilungen gegenüber Forced-Choice-Antworten konsistent verbesserte. Detaillierte Profile verbesserten diese Verteilungen über demografisch abgeglichene Wahrscheinlichkeits-Prompts hinaus jedoch nicht konsistent. Das ist entscheidend für einen fairen Vergleich von Foundation-Modellen. Vergleicht man eine wahrscheinlichkeitsbasierte Zielgruppe mit einem generischen Forced-Choice-Modell, vermischen sich der Effekt des Groundings und der Effekt des Antwortformats. Beide sollten dieselbe Antwortvereinbarung erhalten, wenn das Ziel darin besteht, den inkrementellen Mehrwert des Groundings zu messen. Der [Gen-Z-Lebensmittelumfrage-Test](/research/synthetic-gen-z-food-survey-validation-2026) liefert ein enger gefasstes quantitatives Beispiel. Dessen späterer Produktionslauf wies einen Fehler von 6.01 Punkten auf, verglichen mit 6.68 Punkten bei einer eingefrorenen generischen Wahrscheinlichkeits-Baseline. Die Differenz von 0.67 Punkten ist deskriptiv, da die generische Baseline historisch war. Sie rechtfertigt keine pauschale Behauptung, dass synthetische Zielgruppen Foundation-Modelle bei Umfragen generell übertreffen. ## Was dieser Vergleich offenlässt Die Studie ist klein: zwei Korpora, 22 Personen und 66 Antworten. Einige Interviews wurden ins Englische übersetzt, was Auswirkungen auf Tonfall und Stil hat. Modellversionen und Sampling-Parameter variierten, und die genannten generischen Modelle verfügten über keinerlei Teilnehmerevidenz. Ein Vergleich unter gleichen Kontextbedingungen müsste jedem Modell dasselbe zulässige Ausgangsmaterial bereitstellen, die Antwortvereinbarung konstant halten und sowohl die resultierenden Kosten als auch die Qualität ausweisen. Die Bewertung griff zudem auf denselben Datensatz an Interviewevidenzen aus einer früheren Validierung zurück. Jener frühere Vergleich und diese Vier-Bedingungen-Evaluation stellen somit keine zwei voneinander unabhängigen Stichproben dar. Künftige Replikationen sollten neue Teilnehmende, andere Themengebiete, unabhängige menschliche Bewertungen sowie strengere Kontrollen darüber umfassen, welche Informationen jedes System einsehen kann. Die Aussage, die diese Studie stützt, ist wertvoll, ohne allgemeingültig zu sein: Bei diesen zurückgehaltenen Interviewfragen lieferte eine teilnehmerbezogen geerdete synthetische Zielgruppe Antworten, die besser zu den realen Personen passten als generische Antworten der getesteten Modellversionen. Relevante Evidenz war der entscheidende Faktor für diesen Vorteil. Den Workflow hinter dem Audience-Grounding finden Sie unter [Wie Minds-Panels aufgebaut werden](/research/methodology). Die [Validierungs-Checkliste](/research/synthetic-audiences-validation-checklist) beschreibt, wie ein synthetisches Ergebnis mit der für eine Entscheidung erforderlichen Evidenz verknüpft wird. ## Referenzdaten [De-identified, English Transcripts of 36 interviews](https://figshare.com/articles/dataset/De-identified_English_Transcripts_of_36_interviews/29318549) [Transcription Data](https://figshare.com/articles/dataset/Transcription_Data/28456946) [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)