Immer mehr Studien ergänzen echte Befragte um KI-generierte Personas, jüngst das ECC Köln mit fünf synthetischen B2B-Einkäufern. Vergleichsstudien zeigen, wo solche Personas brauchbare Richtungen liefern und wo sie systematisch danebenliegen.
Der datengetriebene Effizienz-Einkäufer, der konservative Beziehungs-Einkäufer, der Digital Native, der risikoaverse Sicherheits-Einkäufer und der transaktionale Preis-Jäger: Diese fünf Typen hat das ECC Köln für seine ECC CLUB Studie 2026 nicht befragt, sondern erzeugt. Laut Pressemitteilung wurden die Personas „KI-gestützt entwickelt“ und über einen eigens gebauten Chatbot zu zentralen Fragen des B2B-Vertriebs interviewt. Ihre Antworten fließen neben den Einschätzungen von 25 Führungskräften und früheren ECC-Studien in die Ergebnisse ein.
Nach Angaben des ECC beruhen die Personas auf früheren empirischen Studien von IFH und ECC zum Einkaufsverhalten im B2B. Daraus seien Agenten entwickelt worden, die über Rollenprofil, Unternehmenskontext, Prioritäten, Pain Points und Antwortregeln gesteuert werden. Welches Sprachmodell dahintersteht und ob die Antworten mit echten Einkäuferinnen und Einkäufern abgeglichen wurden, will das ECC in den kommenden Tagen beantworten.
In den Key Insights der Studie kennzeichnet das ECC die Persona-Aussagen ausdrücklich als „KI-generiert, kein Originalzitat einer realen Person“. Sie stehen dort neben echten Befragungsergebnissen, etwa zu den Informationskanälen von Einkäuferinnen und Einkäufern. Prozentwerte werden den Personas nicht zugeordnet; laut ECC sollen sie unterschiedliche Erwartungen „explorativ sichtbar“ machen.
Was Vergleichsstudien zeigen
Wie belastbar synthetische Befragte sind, hat das Nürnberg Institut für Marktentscheidungen (NIM) getestet. Die Forschenden stellten jeweils 500 realen US-Konsumentinnen und Konsumenten 500 KI-Befragte auf Basis von GPT-4 gegenüber, ausgestattet mit denselben demografischen Profilen. Bei allgemeinen Kaufkriterien wie Preis oder Material lagen Mensch und Maschine nah beieinander. Bei Softdrinks wichen die Antworten jedoch bei 75 Prozent der Fragen ab, bei Sportbekleidung bei 80 Prozent. Die KI überschätzte demnach große Marken, unterschätzte kleine und antwortete mit weniger Streuung. Das NIM hält synthetische Befragte für ein Werkzeug für Richtungsaussagen, nicht für einen Ersatz. Besonders schwach seien sie bei Nischenmärkten.
Zu einem ähnlichen Schluss kommt eine Studie von James Bisbee und Kolleg:innen in der Fachzeitschrift Political Analysis (2024). Die von ChatGPT erzeugten Antworten trafen die Durchschnittswerte einer großen US-Wahlstudie recht gut, streuten aber deutlich weniger als echte Antworten. Bei rund 48 Prozent der geprüften Zusammenhänge wichen die synthetischen Daten signifikant ab, in 32 Prozent dieser Fälle sogar mit umgekehrtem Vorzeichen. Derselbe Prompt lieferte im April, Juni und Juli 2023 unterschiedliche Ergebnisse.
Was das für B2B heißt
Eine Validierungsstudie speziell für B2B-Einkäuferinnen und Einkäufer hat die Redaktion nicht gefunden. B2B-Einkäufe in Nischensortimenten, mit Rahmenverträgen und mehreren Beteiligten sind allerdings genau die Konstellation, die das NIM als schwierig beschreibt.
Die Personas der ECC-Studie sind deshalb als Hypothesen über Einkäufertypen zu lesen, nicht als Messung. Wer Studien mit synthetischen Befragten auswertet oder in Auftrag gibt, kann vier Punkte prüfen: welches Modell genutzt wurde, auf welchen Daten die Personas beruhen, ob ihre Antworten mit echten Befragten abgeglichen wurden und ob Persona- und Menschenantworten in den Ergebnissen getrennt ausgewiesen sind.
Auch auf der Gegenseite gibt es Vorbehalte. In einer Befragung realer Panelteilnehmender, die Hariet Köstner (TH Augsburg) und Michael Schiller (Payback) im Jahrbuch der Marktforschung vorstellen, äußerten viele die Sorge, synthetische Befragte gefährdeten Authentizität und Vertrauen.
Anlass dieses Beitrags ist die Pressemitteilung des ECC Köln zur ECC CLUB Studie 2026 vom 8. Oktober 2026. Zusätzlich lagen der Redaktion die Key Insights der Studie und schriftliche Auskünfte des ECC Köln vor.