Qualitative Marktforschung und KI: Warum der Mensch im Zentrum bleibt

Qualitative Marktforschung bleibt auch mit leistungsfähiger KI unverzichtbar. Sie erschließt Bedeutung, Kontext und Widersprüche echter Menschen. Ein Sprachmodell kann das nachahmen, aber nicht erheben.

Künstliche Intelligenz (KI, englisch AI) verstehen wir bei CURTH+ROTH als Augmented Intelligence: Sie erweitert menschliches Verstehen, ersetzt es aber nicht.

KI-Tools transkribieren Interviews in Minuten. Sie clustern Aussagen und versprechen „synthetische Befragte“. Die Frage ist deshalb nicht mehr, ob wir KI nutzen. Sondern wofür, und wo ihre Grenzen liegen.

Einen nüchternen Rahmen liefern Arvind Narayanan und Sayash Kapoor in „AI Snake Oil“ (2024). Generative KI wird rasant besser. Vorhersagen über das Verhalten einzelner Menschen bleiben schwierig. Synthetische Befragte verbinden beides: Generative KI soll vorhersagen, wie Menschen reagieren.

Was kann KI in der qualitativen Marktforschung heute leisten?

KI entlastet vor allem bei Routinearbeit. Das schafft Zeit für das eigentliche Verstehen:

• Vorbereitung: Desk Research strukturieren, Leitfäden gegenlesen, Hypothesen sammeln.

• Transkription und Übersetzung: schnelle Rohfassungen, die Forschende prüfen.

• Erste Codierung: Vorschläge für Kategorien. Als Ausgangspunkt, nicht als Ergebnis.

• Synthetische Personas: Ideen für Fragen und Konzeptvarianten, die dann mit echten Menschen getestet werden.

Die Forschung entwickelt sich schnell. Park et al. (2024) bauten KI-Agenten aus zweistündigen qualitativen Interviews mit 1.052 Menschen, geführt von einem KI-Interviewer. Die Agenten trafen deren Antworten in einer großen US-Umfrage zu 85 % so genau, wie die Personen selbst ihre Antworten zwei Wochen später wiederholten.

Ashokkumar, Hewitt et al. (2026, Nature) zeigen: GPT-4 sagt Durchschnittseffekte von Umfrageexperimenten gut vorher. Die Effektgrößen überschätzt es aber systematisch.

Bemerkenswert: In dieser Studie beruhen die Agenten auf qualitativen Interviews. Das deutet darauf hin, dass gute qualitative Daten wichtiger werden, je besser die Modelle werden.

Wo liegen die Grenzen von KI und synthetischen Befragten?

Ein Sprachmodell erzeugt plausible Sprache aus vorhandenen Texten. Qualitative Forschung erhebt, was noch nicht in Texten steht. Daraus folgen fünf Grenzen:

1. Keine Erfahrung aus erster Hand. KI leitet ab, was dokumentiert ist. Neue Alltagspraktiken entdeckt man im Feld.

2. Zu glatte Antworten. Synthetische Antworten streuen weniger als echte. In einer Studie wich fast die Hälfte der Regressionskoeffizienten signifikant ab (Bisbee et al. 2024).

3. Instabile Ergebnisse. Kleine Prompt-Änderungen und Modell-Updates verschieben die Ergebnisse (Bisbee et al. 2024).

4. Verzerrte Gruppen. Modelle stellen Identitätsgruppen falsch dar und flachen sie ab (Santurkar et al. 2023; Wang et al. 2025).

5. Schmale kulturelle Basis. Modelle ähneln am ehesten Menschen aus westlichen, gebildeten und wohlhabenden Gesellschaften. Je größer die kulturelle Distanz zu den USA, desto geringer die Ähnlichkeit (Atari et al. 2023).

6. 
   

Wer antwortet, wer fragt, wer deutet?

„Mensch im Zentrum“ meint drei Rollen. In jeder kann KI etwas anderes leisten.

Rolle	Was KI leisten kann	Was beim Menschen bleibt
Wer antwortet (Befragte)	Hypothesen liefern, Leitfäden und Konzepte pilotieren.	Erfahrungen, Widersprüche und Kontext echter Menschen.
Wer fragt (Moderation)	Strukturierte Fragen in großer Zahl stellen.	Der richtige Moment zum Nachfragen. Tonfall, Pausen, Vertrauen.
Wer deutet (Interpretation)	Transkription, erste Codierung, Entwürfe.	Die Deutung im Kontext und die Verantwortung für Schlüsse.

Ein Beispiel für die Moderation: In einer Studie zu Diabetesmanagement-Systemen hörten wir oft: „Das ist für jüngere Patienten.“ Naheliegend wäre, an Menschen unter 30 zu denken. Wir haben rechtzeitig nachgefragt. Für die Diabetologen in unseren Interviews hieß „jünger“ oft: unter 65.

Der Unterschied ist entscheidend. Bei Menschen unter 30 wird Diabetes seltener diagnostiziert. Mit dem falschen Verständnis wäre der Markt zu klein erschienen, und das Produkt wäre nicht weiterentwickelt worden.

Ein Beispiel für die Deutung: In Studien zu Luxusprodukten wollen Teilnehmende uns oft beeindrucken. Sie testen unser Wissen über die Kategorie und inszenieren Status. Dieses Verhalten ist selbst ein Befund. Im Transkript geht es teilweise verloren, in einem KI-Interview zeigt es sich womöglich gar nicht. In einer Studie gaben Menschen einem vermeintlichen Computer mehr preis, weil sie sich weniger bewertet fühlten (Lucas et al. 2014). Bei sensiblen Themen ist das ein Vorteil. Wo Selbstdarstellung zum Thema gehört, kann dann ein Teil der Daten fehlen.

Was zeigt die Praxis?

Der Whiskey-Test: Was zwischen den Zeilen steht

Im Oktober 2026 haben wir eine ältere Studie von Claude auswerten lassen. Die KI bekam Transkripte und Animatics. Es ging um Whiskey und ein uramerikanisches Motiv: Rodeo.

Die KI erkannte richtig, dass Rodeo ein etabliertes Klischee ist. Was sie nicht erkannte: Genau dieses Klischee aktivierte den Markenkern. Die KI sah, was gesagt wurde. Sie verkannte, was es bedeutete.

Das ist kein Einzelfall. Hill et al. (2025, Preprint) verglichen ChatGPT-5 und Claude verblindet mit menschlichen Analysten. Beim Zuordnen zu vorgegebenen Codes waren die Modelle so gut wie Menschen. Beim Entwickeln eigener Themen schnitten sie schwächer ab, vor allem dort, wo Tonfall und Kontext zählten.

Das Licht, das niemand wollte

Wir haben Staubsauger mit Licht am Saugkopf getestet. Damals hatten nur einige Premium-Modelle ein Licht. Die Teilnehmenden waren sich einig: ein Gimmick, keinen Aufpreis wert.

Tonfall und Emotionalität passten aber nicht zur Ablehnung. Dahinter lagen drei Motive: Man wollte den letzten Kauf nicht infrage stellen, kannte das Feature nicht aus eigener Erfahrung und sorgte sich um den Preis. Wir haben das Licht empfohlen. Heute ist es weit verbreitet.

Ein Motorrad muss nach Benzin riechen

In einer ethnografischen Studie mit Home-Visits, Ride-Alongs und Online-Community lehnten Motorradfahrer E-Motorräder zunächst ab. Ein Teil der Ablehnung war berechtigt: kurze Reichweiten, hohe Preise. Ein anderer Teil betraf die Identität: Sound und Geruch.

Wir haben untersucht, was Motorradfahren emotional bedeutet: Selbstbild, Flow, Community. Ein Ergebnis: Das Gefühl von Souveränität, unbändige Kraft auf Abruf, lässt sich auf dem E-Motorrad genauso erleben, wenn nicht stärker. Wir haben die Identität der Fahrer nicht bekämpft. Wir haben an sie angeknüpft.

Enduro-Fahrer schätzten die Beschleunigung früh. Von dieser Nische aus wächst die Akzeptanz. 2025 war eine Enduro das meistverkaufte E-Motorrad in Deutschland. Serge Moscovici hat beschrieben, wie konsequente Minderheiten so Einstellungen verändern.

Staubsauger und Motorrad zeigen: Ablehnung ist nicht immer das letzte Wort. Aber nicht jede Ablehnung ist eine Schutzbehauptung. Die Kunst liegt im Unterscheiden. So schützen wir Kunden vor falsch negativen und falsch positiven Befunden.

Warum braucht gute Markenstrategie Menschen?

KI arbeitet mit vorhandenen Daten. Das tun Menschen auch, denn Erfahrung ist gesammeltes Wissen. Der Unterschied: KI zieht zum Durchschnitt.

Doshi und Hauser (2024) zeigen das an kurzen Geschichten. Mit KI-Hilfe wurden sie einzeln kreativer, untereinander aber ähnlicher. Nutzen alle dieselben Modelle, gleichen sich auch Marken an.

Marken, die in Erinnerung bleiben, überraschen oft mit gekonnten Regelbrüchen. Ideen dafür kann auch eine KI liefern. Schwer ist die Auswahl: Welchen Regelbruch trägt die Marke?

• Patagonia schaltete am Black Friday 2011 die Anzeige „Don’t Buy This Jacket“. Die Marke brach eine Regel des Handels, aber nicht die Regel der eigenen Marke. Der Umsatz stieg danach laut einer IMD-Fallstudie um rund 30 %. Die Ursache ist allerdings nicht belegt.

• Tropicana gab seinem Orangensaft 2009 eine neue Verpackung ohne die vertrauten Erkennungszeichen. In zwei Monaten sank der Absatz um rund 20 %. Die Marke kehrte zum alten Design zurück.

Für diese Auswahl braucht es geschultes Bauchgefühl und die Bereitschaft, es zu prüfen. Intuition ist nur dort verlässlich, wo man aus Rückmeldung lernen kann (Kahneman & Klein 2009). In der Markenführung kommt diese Rückmeldung oft spät.

Deshalb gilt für uns: Bauchgefühl liefert die Hypothese. Qualitative Forschung zeigt, ob sie trägt.

Welche Verzerrungen drohen beim KI-Einsatz?

Verzerrungen gibt es auch in klassischer Forschung. KI kann sie aber verstärken und schwerer sichtbar machen, weil ihre Ergebnisse so überzeugend klingen.

Bias	Beim KI-Einsatz	Gegenmittel
Bestätigungsfehler	Prompts fragen nach dem, was man hören will. Das Modell liefert passende Zitate.	KI gezielt nach widersprechenden Belegen fragen.
Framing-Effekt	Kleine Prompt-Änderungen verschieben Ergebnisse messbar.	Prompts gegenlesen lassen, Varianten testen.
Selektionsverzerrung	Trainingsdaten bilden vor allem westliche, online präsente Gruppen ab.	Synthetische Daten nicht für unterrepräsentierte Gruppen einsetzen.
Kleine-Zahlen-Fehlschluss	Hunderte synthetische Antworten wirken wie eine große Stichprobe, beruhen aber auf einem Modell.	Synthetisches „N“ nie als Stichprobe darstellen.
Halo-Effekt	Eine flüssige KI-Zusammenfassung wirkt kompetenter, als sie belegt ist.	Jede Kernaussage auf Originalzitate zurückführen.

Fazit: Was heißt das für Auftraggeber?

KI macht qualitative Forschung schneller, und die Modelle werden besser. Das sehen wir als Chance.

In unseren Projekten hätte eine KI einige zentrale Einsichten nach unserer Einschätzung aber nicht liefern können. Gerade diese Einsichten sind wichtig für ein differenzierendes, erfolgreiches Marketing.

• Eher geeignet für synthetische Daten: Leitfäden und Konzepte pilotieren, Hypothesen sammeln, Varianten vorsortieren.

• Eher ungeeignet: Fragen, bei denen Identität eine Rolle spielt. Internationale Studien und kleine Zielgruppen. Neue Kategorien ohne dokumentierte Erfahrungen.

Unsere Leitlinien:

1. Mensch im Zentrum: KI liefert Entwürfe, keine Befunde.

2. Synthetisch heißt Hypothese: Wir prüfen sie mit echten Befragten.

3. Rückverfolgbarkeit: Jede Kernaussage lässt sich auf Originalmaterial zurückführen.

4. Bias-Check als Routine: Leitfäden, Prompts und Zusammenfassungen werden systematisch geprüft.

5. Datenschutz: Interviewmaterial geht nur mit Einwilligung in KI-Tools.

6. Transparenz: Wo KI eingesetzt wurde, sagen wir es, inklusive ihrer Grenzen.

Bei CURTH+ROTH liegen Projekte von der Planung bis zur Auswertung in der Hand von Senior-Researchern. KI nutzen wir dort, wo sie uns schneller macht. Das Verstehen bleibt bei uns.

Wie setzen Sie KI in Ihrer Marktforschung ein? Sprechen Sie uns an: research@curth-roth.de oder +49 (0) 40 3600690.

Häufige Fragen

Können synthetische Befragte echte Interviews ersetzen?

Nein. Sie liefern Hypothesen und helfen beim Pilotieren. Die Erfahrungen, Widersprüche und den Kontext echter Menschen bilden sie nicht verlässlich ab.

Wofür eignet sich KI in der qualitativen Marktforschung?

Für Vorbereitung, Transkription, Übersetzung und erste Codierung. In einer aktuellen Vergleichsstudie war sie beim Zuordnen zu bekannten Kategorien so gut wie Menschen. Beim Entdecken neuer Bedeutungen fiel sie zurück.

Wie verhindert man Verzerrungen beim KI-Einsatz?

Mit Gegenhypothesen, geprüften Prompts und Rückverfolgbarkeit jeder Kernaussage auf Originalzitate. Synthetische Ergebnisse werden immer als Hypothesen gekennzeichnet.