Synthetische Personas

Eine Persona war früher ein Steckbrief auf einem Poster: „Einkaufsleiterin Petra, 48, sucht Verlässlichkeit.“ Synthetische Personas machen daraus ein Gegenüber, mit dem man reden kann. Ein Sprachmodell bekommt ein Profil und beantwortet Fragen so, wie diese Person es vermutlich tun würde.

Das ist verlockend: Feedback in Minuten statt Wochen, ohne Rekrutierung und Incentives. Im Marketing tauchen synthetische Personas inzwischen an zwei Stellen auf, in der Marktforschung und beim Messen der eigenen Sichtbarkeit in KI-Suchen. An beiden Stellen lohnt ein genauer Blick auf das, was sie können.

Aus der Sozialforschung ins Marketing

Die Idee stammt aus der Wissenschaft. 2022 zeigten Forscher um Lisa Argyle, dass GPT-3 die Antwortverteilungen verschiedener Bevölkerungsgruppen in US-Umfragen erstaunlich gut nachbilden kann, wenn man das Modell mit soziodemografischen Hintergrundgeschichten echter Teilnehmer füttert. Sie nannten das „Silicon Samples“.

2023 ließ ein Team aus Stanford und Google 25 sogenannte Generative Agents in einer simulierten Kleinstadt leben, die sich verabredeten, erinnerten und Pläne machten. Spätestens damit war die Vorstellung geboren, man könne Zielgruppen simulieren. Anbieter von Marktforschungs- und Marketing-Software griffen das auf. In Deutschland ist die Nachfrage noch klein, wächst aber: Laut Google-Ads-Daten lag das Suchvolumen für „synthetic personas“ im Juni 2026 bei 190 Anfragen, ein Jahr zuvor bei 30.

Die Anbieter versprechen viel: Befragungen in Minuten, ganze Zielgruppen auf Knopfdruck, teils mit hohen Trefferquoten. Unabhängige Prüfungen dieser Zahlen sind selten. Für Unternehmen heißt das: Die Technik ist real, ihre Aussagekraft muss im Einzelfall belegt werden.

Mittelwert stimmt, Streuung fehlt

Die wichtigste Einschränkung hat eine Studie in der Fachzeitschrift Political Analysis 2024 sauber herausgearbeitet. Bisbee et al. ließen ChatGPT verschiedene Personas annehmen und deren Einstellungen zu elf gesellschaftlichen Gruppen bewerten (Synthetic Replacements for Human Survey Data?). Das Ergebnis:

• Die Durchschnittswerte lagen nah an einer großen echten Umfrage.
• Die Streuung der Antworten war deutlich geringer als bei echten Menschen.
• Zusammenhänge zwischen Merkmalen wichen oft deutlich ab.
• Schon kleine Änderungen am Prompt verschoben die Ergebnisse, und derselbe Prompt lieferte drei Monate später andere Werte.

Für Marketing ist genau die Streuung entscheidend. Die Kunden, die ein Angebot ablehnen, und die, die begeistert sind, verraten mehr als der Durchschnitt. Eine Marketing-Professorin der Kellogg School beschreibt synthetische Antworten im Oktober 2026 entsprechend als „abgerundet“: Es fehlten Unordnung, Widersprüche, Umgebung und spontane Reaktionen (Kellogg Insight).

Wo synthetische Personas im Marketing helfen

Richtig eingesetzt sind sie ein Werkzeug für die Vorbereitung, nicht für die Entscheidung:

• Fragebögen und Interviewleitfäden testen, bevor echte Teilnehmer sie sehen.
• Sich in einen neuen Markt einarbeiten, etwa typische Einwände einer unbekannten Branche sammeln.
• Hypothesen formulieren, die anschließend mit echten Daten geprüft werden.
• Testfragen für KI-Sichtbarkeit erzeugen: Adobe nutzt in seinem Produkt Brand Visibility synthetische Personas, um aus Search-Console-Daten Fragen abzuleiten, die verschiedene Zielgruppen KI-Suchen stellen könnten.

Weniger geeignet sind sie überall dort, wo es auf Überraschungen ankommt: bei Preisbereitschaft, bei neuen Produktideen ohne Vorbild und bei Nischenzielgruppen, über die kaum Texte existieren. Ein Modell kann nur rekombinieren, was es über ähnliche Menschen gelernt hat. Je spezieller Ihre Kunden, etwa Einkäufer für Sondermaschinen, desto dünner die Grundlage und desto stärker füllt das Modell Lücken mit Allgemeinplätzen.

Beispiel: Testfragen für das Prompt-Tracking

Zur Veranschaulichung: Ein Hersteller von Industrietoren lässt drei Personas (Bauleiter, Facility-Managerin, Einkäufer) je 15 Fragen formulieren, die sie an ChatGPT richten würden. Heraus kommen 45 plausible Fragen. Erst der Abgleich mit Search-Console-Anfragen und Notizen aus dem Vertrieb zeigt, welche davon echte Kunden tatsächlich so stellen. Die bestätigten Fragen wandern ins Prompt-Tracking, der Rest bleibt Hypothese. Mehr zur Methode unter Prompt-Recherche.

Regeln für den Einsatz

Drei Regeln verhindern die typischen Fehler. Erstens: Synthetische Ergebnisse immer als solche kennzeichnen, auch intern. Zweitens: Keine Entscheidung über Budget, Preis oder Produkt allein auf synthetische Antworten stützen. Drittens: Prompts und Modellversion dokumentieren, denn wie Bisbee et al. zeigen, ändern sich die Antworten mit beidem.

Vorsicht auch bei der Datengrundlage. Werden Personas mit echten Kundendaten aus CRM oder Interviews angereichert, gelten die üblichen Datenschutzregeln für diese Daten, ebenso die Frage, welches KI-Werkzeug sie verarbeiten darf. Wer prüfen will, welche Quellen KI-Suchen zu seinen Themen heute tatsächlich zitieren, findet echte statt simulierter Antworten mit dem kostenlosen KI-Quellen-Check.