Synthetische Nutzer: Kann KI die Kundenbefragung ersetzen?

Das Versprechen klingt verlockend: tausend Befragte in zehn Minuten, ohne einen einzigen Menschen zu fragen. Man beschreibt die Zielgruppe, ein Sprachmodell schlüpft in ihre Rolle und beantwortet den Fragebogen. Anbieter nennen das synthetische Nutzer, synthetische Befragte oder digitale Zwillinge.

Der Reiz ist nachvollziehbar. Echte Befragungen kosten Zeit, Teilnehmende sind schwer zu bekommen, und bis die Antworten da sind, ist die Entscheidung oft schon gefallen. Die Frage, ob KI diesen Schritt ersetzen kann, verdient deshalb eine ernsthafte Antwort statt eines Reflexes. Seit 2024 gibt es dazu belastbare Studien.

Was sind synthetische Nutzer?

Synthetische Nutzer sind KI-generierte Befragte. Ein Sprachmodell erhält eine Beschreibung einer Person oder Zielgruppe und beantwortet Fragen so, wie es diese Person vermutet. Es gibt drei Bauarten, und der Unterschied zwischen ihnen ist wichtiger, als die Anbieter meist zugeben:

Die erste Bauart ist die, die als schneller Ersatz für eine Befragung verkauft wird. Die beiden anderen setzen voraus, dass die Forschung mit echten Menschen bereits stattgefunden hat.

Was zeigt die Forschung bisher?

Das Muster ist deutlich: Bei Durchschnitten und gut erforschten Effekten liefern Sprachmodelle erstaunlich gute Schätzungen. Bei Streuung, Minderheiten, Details und allem, was nicht in den Trainingsdaten steht, liegen sie daneben.

Die positiven Ergebnisse sind ernst zu nehmen. Sie haben aber eine gemeinsame Voraussetzung: Entweder ging es um Durchschnitte in einer großen, gut dokumentierten Bevölkerung, oder das Modell kannte die Person aus einem echten Interview. Auch der hohe Wert für unveröffentlichte Studien widerspricht dem nicht: Vorhergesagt wurde, wie Menschen allgemein auf eine Botschaft reagieren — Psychologie, die sich aus vielen Texten verallgemeinern lässt. Ob in Ihrem Kundenkonto die Rechnung zu finden ist, lässt sich nicht verallgemeinern. Das ist eine Tatsache über Ihr Produkt, und die kennt nur, wer es benutzt.

Warum passen Produktfragen besonders schlecht?

Ein Sprachmodell kennt, was über Menschen im Allgemeinen geschrieben wurde. Es kennt nicht Ihr Produkt, Ihre Kunden und das, was seit dem letzten Release passiert ist. Genau das ist aber der Stoff, aus dem Produktentscheidungen entstehen. Vier Gründe im Einzelnen:

1. Das Unerwartete fehlt. Der Wert einer Befragung liegt oft in der Antwort, mit der niemand gerechnet hat: Die Rechnung ist im Kundenkonto nicht zu finden, ein Feld im Formular wird missverstanden, ein Wettbewerber hat still die Preise gesenkt. Ein Modell liefert die Gründe, die für Ihre Branche typisch sind — Preis, Versandkosten, Vertrauen. Es kann nicht berichten, was es nie gesehen hat. Das konstruierte Fallbeispiel Checkout spielt genau das durch: Das Team vermutet die Versandkosten, die Befragung der Abbrecher zeigt, dass die Unsicherheit über den Liefertermin schwerer wiegt.

2. Die Streuung fehlt. Synthetische Antworten liegen näher beieinander als echte. Für eine Produktentscheidung ist aber gerade die Gruppe interessant, die anders antwortet als die Mehrheit: die kleine Gruppe, die an einer bestimmten Stelle scheitert, oder die Großkunden, deren Anforderungen sich von denen aller anderen unterscheiden.

3. Das Modell ist gefällig. Sprachmodelle neigen dazu, der fragenden Person zuzustimmen. Bei einem Konzepttest ist das fatal: Fast jede Idee wird positiv bewertet, auch die, die echte Kunden ablehnen würden.

4. Das Ergebnis ist nicht wiederholbar. Wenn derselbe Prompt nach einem Modellupdate andere Antworten liefert, lässt sich keine Kennzahl über die Zeit verfolgen. Ob sich die Bedienbarkeit nach einem Umbau verbessert hat, kann eine synthetische Befragung deshalb grundsätzlich nicht beantworten.

Dazu kommt ein Zirkelschluss: Die genauesten synthetischen Nutzer — digitale Zwillinge — beruhen auf ausführlichen Gesprächen mit genau den Menschen, die sie nachbilden. Sie sind kein Ersatz für Forschung, sondern ein Nebenprodukt davon.

Wofür synthetische Nutzer trotzdem taugen

Als Vorstufe einer echten Studie können synthetische Nutzer Zeit sparen, als Ersatz nicht. Die Nielsen Norman Group nennt eine Handvoll sinnvoller Einsätze, und sie haben alle gemeinsam, dass danach noch echte Menschen gefragt werden:

Die dritte Zeile ist in der Praxis die nützlichste: Ein Sprachmodell, das einen Fragebogen probehalber „ausfüllt“, kann auf mehrdeutige Formulierungen hinweisen, bevor echte Menschen sie sehen. Das ersetzt nicht den Pretest mit echten Teilnehmenden, macht ihn aber kürzer.

Die Kehrseite: KI-Agenten füllen echte Umfragen aus

Das gleiche Problem kommt auch ungebeten: Antworten, die aussehen wie von Menschen, aber von einer KI stammen. Sean Westwood (Dartmouth) hat im November 2025 in den Proceedings of the National Academy of Sciences gezeigt, wie weit das inzwischen geht. Sein KI-Agent beantwortete Online-Umfragen in der Rolle einer erfundenen Person und bestand in 6.000 Durchläufen 99,8 Prozent der üblichen Aufmerksamkeitsprüfungen — auch Logikaufgaben und Fragen, die gezielt Maschinen entlarven sollen. Er simulierte Lesezeiten passend zum angeblichen Bildungsstand, bewegte die Maus wie ein Mensch und tippte Freitexte Zeichen für Zeichen, samt Tippfehlern.

Eine solche Antwort kostete rund 5 US-Cent. Ein bezahlter menschlicher Teilnehmer kostet typischerweise etwa 1,50 US-Dollar. Und schon 10 bis 52 gefälschte Antworten hätten nach Westwoods Berechnung die Prognose in sieben großen Umfragen vor der US-Wahl 2024 gedreht.

Für Unternehmensbefragungen folgt daraus vor allem eines: Prüffragen und Zeitmessung allein schützen nicht mehr. Wie groß das Risiko im Einzelfall ist, hängt davon ab, wer die Umfrage erreichen kann und ob sich das Ausfüllen lohnt:

Die Einschätzung in dieser Tabelle ist unsere Ableitung aus Westwoods Befund, keine gemessene Größe: Wer Umfragen automatisiert fälscht, tut das dort, wo es sich bezahlt macht.

Was hilft:

• Eine bekannte Grundgesamtheit befragen. Kunden aus dem eigenen System, eingeladen per E-Mail an die hinterlegte Adresse oder im Produkt nach dem Login. Wer die Einladung bekommt, bestimmen Sie.
• Keine Prämie für offene Links. Wenn Sie einen Anreiz setzen, dann über eine Verlosung unter bekannten Kunden, nicht als Bezahlung je ausgefülltem Bogen.
• Antworten gegen eigenes Wissen prüfen. Nennt jemand einen Tarif, den es nicht gibt, oder eine Funktion, die er in seinem Paket gar nicht hat, stimmt etwas nicht.
• Die Rücklaufkurve im Blick behalten. Ein plötzlicher Sprung in der Zahl der Antworten, der zu keiner Einladung passt, ist ein Warnsignal.

Wie usabiq echte Antworten schneller macht

Synthetische Nutzer verkaufen sich über Tempo. Die bessere Antwort darauf ist, echte Befragungen schneller zu machen: mit KI beim Aufbau und bei der Auswertung, und mit Antworten, die von Menschen kommen. So verteilt sich das in usabiq, jeweils mit der Grenze, die dazugehört:

usabiq vermittelt kein Panel. Sie befragen die Menschen, die Sie selbst erreichen — nach Westwoods Befund eher ein Vorteil: Wo niemand für das Ausfüllen bezahlt wird, gibt es wenig Grund, Antworten zu fälschen. Auch der Preisvorteil synthetischer Befragungen schrumpft, wenn die echte nichts kostet: Free Discovery enthält dauerhaft eine aktive Umfrage mit 25 Antworten im Monat, allerdings ohne KI-Funktionen.

Eines tut usabiq nicht: Antworten erzeugen. Jede Zahl in der Auswertung Ihrer Umfragen stammt von einer Person, die teilgenommen hat. Die einzige Ausnahme sind die zwei Beispielumfragen, mit denen ein neuer Workspace startet. Sie sind als „Beispiel“ gekennzeichnet, mit Zufallswerten gefüllt und lassen sich löschen.

Wo KI in der Auswertung verlässlich ist und wo nicht, steht ausführlich in Kann man einer KI-Auswertung von Kundenfeedback trauen?

Das Fazit in einem Satz

Die Antwort auf zu langsame Forschung ist nicht erfundene Forschung, sondern schnellere echte — mit KI beim Aufbau und bei der Auswertung, und mit Menschen, die tatsächlich geantwortet haben.