---
title: "KI-Marktforschung: Was Sprachmodelle über deine Kunden wissen können"
description: "KI-Marktforschung für kleine Teams: was Studien zu simulierten Befragten zeigen, wo KI beim Fragebogen hilft und warum echte Kunden unersetzlich bleiben."
author: "Felix Schmitz"
author_url: https://felixshmtz.de/ueber-mich/
published: 2026-10-23
category: "KI & Automation"
canonical: https://felixshmtz.de/artikel/ki-marktforschung/
language: de
---

# KI-Marktforschung: Was Sprachmodelle über deine Kunden wissen können

Von Felix Schmitz, Digital Growth Hacker aus Köln: Gründer und Geschäftsführer der quik UG, Gründer von ai-website.com, baut den KI-Workspace quik OS.

## Kurz gesagt

- KI-Marktforschung nutzt große Sprachmodelle, um Fragen zu entwerfen, Antworten auszuwerten und teils sogar Befragte zu simulieren.
- In einer Studie aus Spanien lieferten vier Sprachmodelle brauchbare Näherungen an eine echte Umfrage, konnten sie aber nicht vollständig ersetzen und schwankten in ihren Ergebnissen.
- Simulierte Befragte treffen oft die Richtung, verzerren aber Größenordnungen und Unterschiede zwischen Menschen, wie Studien aus Japan und zu Zahlungsbereitschaften zeigen.
- Am sichersten hilft KI vor und nach der Befragung: beim Sammeln von Hypothesen und Formulierungen und beim Sortieren offener Antworten.
- Für kleine Teams gilt: KI für Tempo und Breite nutzen, die Entscheidung aber auf Antworten echter Kunden stützen.

KI-Marktforschung bedeutet, große Sprachmodelle in die Marktforschung einzubinden: beim Entwerfen von Fragen, beim Auswerten von Antworten und zunehmend auch als simulierte Befragte. Die Forschung zeigt bisher, dass KI diese Arbeit schneller und billiger macht und oft die richtige Richtung trifft. Echte Kunden ersetzt sie noch nicht verlässlich, weil simulierte Antworten Größenordnungen und Unterschiede zwischen Menschen verzerren.

Das Thema liegt mir nahe. In der Business Intelligence bei Snipes habe ich gelernt, wie viel Arbeit in einer belastbaren Zahl steckt und wie schnell eine Zahl überzeugt, die nur gut aussieht. Genau diese Gefahr sehe ich bei KI in der Marktforschung. Ein Sprachmodell antwortet in Sekunden, flüssig und mit Prozentwerten, wenn du danach fragst. Das fühlt sich an wie Wissen über deine Kunden.

Für Gründer und kleine Teams ist die Versuchung groß. Eine richtige Befragung kostet Zeit, Geld und Überwindung. ChatGPT zu fragen, was deine Zielgruppe denkt, kostet nichts. Ich habe mir deshalb Studien angesehen, die genau diesen Vergleich anstellen: KI gegen echte Befragte.

## Was KI-Marktforschung umfasst

Marktforschung lässt sich grob in vier Phasen teilen: Planung, Datenerhebung, Auswertung und Bericht. KI kann in jeder Phase mitarbeiten. Das Risiko ist aber sehr unterschiedlich verteilt.

| Phase | Was KI übernehmen kann | Was beim Menschen bleibt |
|---|---|---|
| Planung | Hypothesen sammeln, Fragen und Antwortoptionen entwerfen | Entscheiden, welche Frage das Geschäft wirklich weiterbringt |
| Datenerhebung | Befragte simulieren, Interviews führen, Nachfragen stellen | Echte Menschen erreichen und ihre Antworten ernst nehmen |
| Auswertung | Offene Antworten gruppieren, Muster vorschlagen | Prüfen, ob die Gruppen stimmen und was fehlt |
| Bericht | Ergebnisse zusammenfassen und gliedern | Schlüsse ziehen und dafür geradestehen |

Die heikelste Zeile ist die zweite. Wenn ein Sprachmodell nicht nur Fragen schreibt, sondern auch die Antworten liefert, misst du am Ende das Modell und nicht deinen Markt. In der Forschung heißt dieser Ansatz Silicon Sampling oder synthetische Befragte. Drei Studien haben ihn sich genauer angesehen.

## Synthetische Befragte: was eine Studie aus Spanien zeigt

Die umfassendste Studie in meiner Auswahl stammt von Estevez, Ballestar und Sainz (2025), erschienen im Journal of Innovation & Knowledge. Die Autoren haben eine Umfrage zum Bierkonsum in Spanien durchgeführt. Sie deckte den ganzen Weg zum Kauf ab, von der Markenbekanntheit bis zum Kauf selbst. Dann haben sie dieselbe Umfrage mit vier Sprachmodellen nachgestellt: ChatGPT, Gemini, Claude und Llama. Die Ergebnisse der Modelle wurden mit statistischen Verfahren mit der echten Umfrage verglichen.

Das Ergebnis ist gemischt, und genau das macht die Studie für mich wertvoll. Die Autoren halten die Modelle für nützlich und sehen in ihnen brauchbare Näherungen an echte Befragte. Marktforschung werde dadurch zugänglicher und günstiger, auch für kleine Unternehmen. Gleichzeitig schreiben sie, dass die Modelle traditionelle Methoden nicht vollständig nachbilden. Die Ergebnisse schwanken, und die Fehler in den erzeugten Daten sind schwer abzuschätzen, solange du keinen Vergleich mit echten Daten hast.

Den letzten Punkt halte ich für den wichtigsten. Die Forscher konnten die Qualität der KI-Antworten nur beurteilen, weil sie die echte Umfrage danebengelegt haben. Wer nur die KI fragt, hat diesen Maßstab nicht. Du weißt dann nicht, ob du gerade eine gute oder eine schlechte Näherung vor dir hast.

Wie genau die Abweichungen pro Stufe aussahen, geht aus dem Abstract nicht hervor. Auch welches der vier Modelle am besten abschnitt, steht dort nicht. Ich lese die Studie deshalb als Beleg für eine Größenordnung: KI kann eine erste Skizze des Marktes liefern, die nicht völlig danebenliegt. Mehr nicht.

## Wo simulierte Antworten danebenliegen

Zwei weitere Studien zeigen, an welchen Stellen die Skizze verrutscht. Kitadai, Ogawa und Nishino (2024) haben auf einer IEEE-Konferenz untersucht, wie gut Sprachmodelle japanische Befragte ersetzen. Sie fanden deutliche Abweichungen zwischen Modell und echten Teilnehmern, die sie auf eingebaute Verzerrungen der Modelle zurückführen. Wenn die Modelle auf bestimmte Personas zugeschnitten wurden, wurden die Antworten zum Teil genauer, aber eben nur zum Teil.

Die Autoren betonen, dass die Zuverlässigkeit außerhalb der USA besonders unsicher ist. Für uns im deutschsprachigen Raum ist das ein relevanter Hinweis. Die Modelle haben viel mehr Text aus manchen Ländern und Kulturen gesehen als aus anderen. Eine Zielgruppe im Sauerland ist für ein Sprachmodell vermutlich schwerer zu treffen als ein Durchschnittskunde in Kalifornien. Ob das so ist, hat die Studie für Deutschland nicht geprüft. Ich würde es aber als Arbeitshypothese mitnehmen.

Die zweite Studie ist genauer. Wang, Kim, Wang und Cheng (2026) haben für 452 echte Umfrageteilnehmer je einen KI-Agenten gebaut, der auf das Profil genau dieser Person zugeschnitten war. Die Agenten aus drei Modellfamilien bearbeiteten dieselben Auswahlkarten wie die Menschen. Es ging um Zahlungsbereitschaften in einer Bewertungsstudie außerhalb klassischer Märkte, also um die Frage, wie viel Menschen bestimmte Verbesserungen wert sind.

Zwei der drei Modellfamilien trafen die Reihenfolge: Sie bewerteten die Merkmale in der richtigen Rangfolge und lagen besser als der Zufall. Bei den Größenordnungen lagen sie daneben. Sie stauchten einen Teil der Zahlungsbereitschaften zusammen, überschätzten durchgehend den Wert eines verbesserten Zugangs und bildeten die Unterschiede zwischen Menschen nur teilweise ab. Die dritte Modellfamilie lag nahe am Zufall. Das Fazit der Autoren: Für vorläufige Analysen taugen solche Agenten, als Ersatz für echte Befragungsdaten noch nicht.

![Vergleichsgrafik zur KI-Marktforschung: synthetische Befragte sind schnell und günstig und treffen oft die Richtung, verzerren aber Größenordnungen und Unterschiede, echte Befragte sind langsamer, liefern aber den Maßstab](https://felixshmtz.de/grafiken/ki-marktforschung/ki-marktforschung-synthetische-vs-echte-befragte.webp)

*Synthetische und echte Befragte im Vergleich: Simulierte Antworten eignen sich für die erste Skizze, die Entscheidung braucht den Abgleich mit echten Menschen.*

Für Gründer ist das Muster aus beiden Studien entscheidend. Die Richtung stimmt oft, die Größenordnung selten. Leider hängt fast jede Geschäftsentscheidung an der Größenordnung. Ob 20 % oder 60 % deiner Zielgruppe ein Problem haben, ist der Unterschied zwischen Nische und Fehlinvestition. Wie du Zahlungsbereitschaft mit echten Menschen misst, beschreibe ich im Artikel [Zahlungsbereitschaft ermitteln](https://felixshmtz.de/artikel/zahlungsbereitschaft-ermitteln/).

## KI beim Fragebogen: mehr Ideen, gleiche Prüfung

Viel weniger umstritten ist KI vor der Befragung. Keane und McNaughton (2026) beschreiben im International Journal of Market Research, wie generative KI bei der Entwicklung von Messskalen helfen kann. Eine Skala ist eine Reihe von Aussagen, mit denen du etwas Abstraktes misst, etwa Vertrauen in eine Marke oder unternehmerisches Denken. Die Autoren haben ihr Vorgehen genau an diesem zweiten Beispiel durchgespielt.

Ihr Ablauf kombiniert KI und Mensch an festen Entscheidungspunkten. Die KI erweitert die Sammlung möglicher Aussagen schnell, findet doppelte Formulierungen und schlägt alternative Wörter vor. Fachleute prüfen anschließend, ob die Aussagen wirklich das messen, was sie messen sollen. Die Autoren empfehlen außerdem, offen zu dokumentieren, wo KI im Prozess eingesetzt wurde.

Für ein kleines Team übersetze ich das so. Die KI ist ein guter Sparringspartner für den Fragebogen. Sie liefert dir zehn Formulierungen, wo du zwei gefunden hättest, und zeigt dir Suggestivfragen, die du übersehen hast. Welche Fragen am Ende in die Umfrage kommen, entscheidest du. Wie du Fragen ohne Suggestion stellst, steht im Artikel [Kundengespräche führen](https://felixshmtz.de/artikel/kundengespraeche-fuehren/).

## KI-Marktforschung für kleine Teams in fünf Schritten

Aus den Studien ergibt sich für mich ein Ablauf, der die Stärken der KI nutzt und ihre Schwächen abfedert. Angenommen, eine Physiotherapeutin überlegt, einen Online-Kurs für Rückentraining anzubieten.

1. **Hypothesen mit KI sammeln.** Sie lässt sich von einem Sprachmodell aufschreiben, welche Gründe für und gegen einen solchen Kurs sprechen könnten. Das Ergebnis behandelt sie als Liste von Vermutungen, die sie prüfen will.
2. **Fragen mit KI schärfen.** Sie formuliert einen Fragebogen und lässt die KI Suggestivfragen markieren und Alternativen vorschlagen.
3. **Echte Menschen befragen.** Sie schickt die Umfrage an 40 Patientinnen und Patienten und führt mit fünf davon ein kurzes Gespräch.
4. **Auswertung mit KI vorsortieren.** Die offenen Antworten lässt sie von der KI in Themen gruppieren und prüft jede Gruppe stichprobenartig.
5. **Selbst entscheiden.** Sie vergleicht die echten Antworten mit den Hypothesen aus Schritt eins. Wo beides auseinandergeht, liegt die eigentliche Erkenntnis.

![Grafik mit fünf Schritten zur KI-Marktforschung für kleine Teams: Hypothesen mit KI sammeln, Fragen mit KI schärfen, echte Menschen befragen, Auswertung mit KI vorsortieren und selbst entscheiden](https://felixshmtz.de/grafiken/ki-marktforschung/ki-marktforschung-fuenf-schritte.webp)

*KI-Marktforschung in fünf Schritten: Die KI arbeitet vor und nach der Befragung, die Daten in der Mitte kommen von echten Menschen.*

Der dritte Schritt ist der, den viele weglassen wollen. Ich halte ihn für nicht verhandelbar. Er ist auch der Schritt, der dir den Vergleich liefert, den Estevez und Kollegen für die Bewertung der KI brauchten. Ohne ihn hast du am Ende eine gut formatierte Vermutung.

## Typische Fehler bei KI in der Marktforschung

Vier Fehler halte ich nach der Lektüre für die häufigsten, gerade wenn wenig Zeit und Budget da sind:

- **Prozentwerte aus dem Chat übernehmen.** Wenn du ein Modell fragst, wie viele Menschen etwas wollen, bekommst du eine Zahl. Sie stammt aus keiner Messung. Genau bei Größenordnungen lagen die Modelle in den Studien am deutlichsten daneben.
- **Eine Persona für alle.** Ein zugeschnittenes Profil machte die Antworten bei Kitadai und Kollegen nur teilweise genauer. Die Vielfalt deiner echten Kunden geht dabei leicht verloren.
- **Die eigene Hoffnung in den Prompt schreiben.** Wer fragt, warum seine Zielgruppe ein Angebot lieben wird, bekommt Gründe dafür. Formuliere neutral und frag ausdrücklich nach Gegenargumenten.
- **Keine Dokumentation.** Keane und McNaughton empfehlen, festzuhalten, wo KI im Prozess mitgearbeitet hat. Für ein kleines Team reicht eine Zeile pro Schritt. So weißt du später, welche Erkenntnis von Menschen kam und welche vom Modell.

## Wie ich KI in der Marktforschung einsetzen würde

Aus quik connect, meiner CRM-App, die ich mit Claude Code in zwei Wochen gebaut habe, habe ich ein Learning mitgenommen, das hier genau passt: KI ändert das Tempo, nicht das Verstehen. Sie hat mir beim Bauen enorm Zeit gespart. Ob Menschen die App wollen, konnte sie mir nicht sagen. Das haben mir erst die ersten echten Nutzer gezeigt.

> Eine simulierte Zielgruppe sagt dir, was ein Modell über Menschen wie deine Kunden gelesen hat. Was deine Kunden wirklich denken, erfährst du nur von ihnen.

Ich würde KI-Marktforschung deshalb in drei Rollen einsetzen und in einer nicht:

- **Als Ideengeber.** Hypothesen, Einwände und Fragen sammeln, bevor ich mit Menschen spreche.
- **Als Lektor.** Fragebögen auf Suggestion und unklare Begriffe prüfen.
- **Als Sortierer.** Viele offene Antworten in Themen gruppieren, die ich danach selbst kontrolliere.
- **Nicht als Ersatz.** Für Preise, Marktgrößen und die Frage, ob jemand bezahlt, will ich echte Antworten.

Ein zweiter Grund für Vorsicht ist psychologisch. Eine KI-Antwort kommt mit großer Selbstsicherheit daher. Wir neigen dazu, solchen Ausgaben mehr zu glauben, als sie verdienen. Das hat einen Namen, und ich habe ihm einen eigenen Artikel gewidmet: [Automation Bias](https://felixshmtz.de/artikel/automation-bias/). Gerade bei Marktforschung, wo du ein Ergebnis oft insgeheim schon erhoffst, verstärken sich beide Effekte.

Bei echten Daten kommt hinzu, dass Kunden dir Dinge sagen, die du nicht erwartet hast. Ein Sprachmodell liefert dir eher das Erwartbare, weil es aus dem Durchschnitt vieler Texte schöpft. Die Überraschung ist aber oft das Wertvollste an einer Befragung. Wie du solche Rückmeldungen systematisch nutzt, beschreibe ich im Artikel über [Kundenfeedback](https://felixshmtz.de/artikel/kundenfeedback-nutzen/).

## Fazit

KI-Marktforschung macht die Vorbereitung und die Auswertung schneller, und das ist für kleine Teams ein echter Gewinn. Die Studien zeigen aber auch die Grenze: Simulierte Befragte treffen oft die Richtung und verfehlen die Größenordnung, und ohne echte Vergleichsdaten weißt du nicht, wie weit sie danebenliegen. Für Entscheidungen über Preis, Angebot und Zielgruppe brauchst du deshalb weiterhin Antworten von Menschen.

Mein Vorschlag für den Anfang: Lass dir von einer KI zehn Hypothesen über deine Zielgruppe aufschreiben. Prüf sie danach mit fünf echten Gesprächen und notiere, wo die KI richtig lag und wo nicht. Dieses Verhältnis ist dein persönlicher Maßstab für jede weitere KI-Auswertung. Was ich selbst mit solchen Experimenten lerne, teile ich in den [Unternehmer Thoughts](https://felixshmtz.de/unternehmer-thoughts/).

## Häufige Fragen

### Kann KI eine Kundenbefragung ersetzen?

Nach heutigem Stand nicht. Studien zeigen, dass Sprachmodelle die Richtung echter Antworten oft treffen, Größenordnungen und Unterschiede zwischen Menschen aber verzerren. Als Vorstufe, um Hypothesen zu schärfen, sind simulierte Antworten nützlich.

### Was sind synthetische Befragte?

Synthetische Befragte sind von einem Sprachmodell erzeugte Antworten, die so tun, als stammten sie von Menschen mit einem bestimmten Profil. In der Forschung heißt der Ansatz auch Silicon Sampling. Er ist schnell und billig, aber ohne Abgleich mit echten Daten schwer zu bewerten.

### Wofür eignet sich KI in der Marktforschung am besten?

Am besten eignet sie sich für Arbeitsschritte, die ein Mensch leicht prüfen kann: Fragen und Antwortoptionen entwerfen, Formulierungen variieren, offene Antworten gruppieren und Berichte vorstrukturieren. Je schwerer ein Fehler zu entdecken ist, desto mehr menschliche Kontrolle braucht der Schritt.

### Wie zuverlässig sind KI-generierte Umfrageergebnisse?

Das lässt sich nur mit einem Vergleich gegen echte Daten sagen. Die Studie von Estevez und Kollegen weist darauf hin, dass die Fehler simulierter Antworten ohne einen solchen Abgleich kaum abzuschätzen sind. Plane deshalb immer eine kleine echte Stichprobe ein.

## Quellen

- [Estevez, Ballestar, Sainz (2025): Market research and knowledge using Generative AI: the power of Large Language Models. Journal of Innovation & Knowledge](https://doi.org/10.1016/j.jik.2025.100796)
- [Kitadai, Ogawa, Nishino (2024): Examining the Feasibility of Large Language Models as Survey Respondents. IEEE International Conference on Big Data (BigData)](https://doi.org/10.1109/BigData62323.2024.10825497)
- [Wang, Kim, Wang et al. (2026): LLM Agents for Simulating Human Stated-Choice Behavior. International Conference on Machine Learning and Applications (ICMLA)](https://doi.org/10.1109/ICMLA69890.2026.00093)
- [Keane, McNaughton (2026): Using Generative AI to Enhance Psychometric Scale Development in Market Research. International Journal of Market Research](https://doi.org/10.1177/14707853251384769)

Quelle: https://felixshmtz.de/artikel/ki-marktforschung/
