Die Marktforschungsbranche befindet sich aufgrund der rasanten Fortschritte in den Bereichen generative KI (GenAI) und Large Language Models (LLMs) in einem tiefgreifenden Wandel. Während Marketingabteilungen massiv in KI-Anwendungen zur Content-Erstellung und Personalisierung investieren, zeigen wir, wie LLMs als Partner für die Generierung von Consumer Insights genutzt werden können. Unsere zentrale Idee ist die Entwicklung leistungsstarker „KI-Mensch-Hybride“, die grundlegend verändern, wie Unternehmen ihre Kunden verstehen, Produkte entwickeln und Marketingstrategien gestalten.      

Das Potenzial der KI für die Erkenntnisgewinnung 

In einer neu gedachten Forschungspipeline bleibt der menschliche Forscher unverzichtbar. Er übernimmt die Rolle eines Supervisors, der die KI anleitet, ihre Ergebnisse validiert und ethisch sensible oder neuartige Kontexte behandelt, in denen die KI an Grenzen stößt. Durch die Partnerschaft mit LLMs können Unternehmen den Prozess der Erkenntnisgewinnung effizienter und wirksamer gestalten und dabei agiler agieren. In unserer Forschung analysieren wir, wie KI-Mensch-Hybride den Marktforschungsprozess beschleunigen, Kosten senken und tiefergehende Erkenntnisse gewinnen können (siehe Box 1). Die Ergebnisse aus zwei Studien, in denen wir traditionelle Marktforschungsprojekte KI-gestützt repliziert haben, sind sehr ermutigend. Sie zeigen, dass LLMs in jeder Phase der Forschungspipeline als effektive Assistenten dienen können, von der Entwicklung des Forschungsdesigns über die Datenerhebung und -analyse bis hin zur Aufbereitung von entscheidungsrelevanten Erkenntnissen für die Weiterentwicklung von Geschäftsideen. Im Zuge unseres Projekts haben wir auch eine neuartige Anwendung von LLMs getestet: ihre Fähigkeit, KI-gestützte Personas zu generieren, die als „synthetische Befragte“ an Tiefeninterviews teilnehmen oder Fragebögen beantworten können.

In unserer qualitativen Studie zu „Friendsgiving” funktionierte die KI-Integration in allen Phasen des Projekts sehr gut.

> Generierung von Befragten – Aufbau eines Silicon Samples

Im Bereich der Datengenerierung konnten LLMs die erforderlichen Merkmale für die zu befragende Stichprobe effektiv erstellen. Es gelang ihnen, synthetische Befragte zu generieren, die den Merkmalen der ursprünglichen Stichprobe entsprachen. Zusätzlich zur Nachbildung der Befragtenprofile der ursprünglichen Studie baten wir das LLM, mögliche zusätzlich relevante Gruppen von Befragten vorzuschlagen, die Ideen zum Forschungsthema „Friendsgiving“ beitragen könnten, wobei wir die in Abbildung 1 dargestellten Prompts verwendeten. Als Antwort auf den ersten Prompt erstellte das LLM eine ausführliche Beschreibung potenzieller Befragter. Obwohl die ursprüngliche Studie einen guten Mix aus demografischen Merkmalen der Befragten wie Geschlecht, Alter und ethnische Zugehörigkeit aufwies, entwickelte das LLM zusätzliche Dimensionen und schlug z.B. Personen mit Ernährungseinschränkungen, Minderheiten wie LGBTQ+, Auswanderer und internationale Studenten vor – alles Gruppen, die sehr plausibel ein besonderes Interesse an einer inklusiveren, moderneren Thanksgiving-Feier haben könnten. Als Antwort auf den zweiten Prompt generierte das LLM 10 synthetische Personas entsprechend den zuvor generierten Vorschlägen und verbesserte damit die synthetische Stichprobe.

Im nächsten Schritt führte das LLM als Interviewer ausführliche Interviews durch und moderierte sie. Als Befragter kann das LLM dazu aufgefordert werden, einfach auf die Fragen aus dem Diskussionsleitfaden zu antworten und synthetische Antworten zu geben. Darüber hinaus kann es auch dazu aufgefordert werden, die Tiefe, den Umfang und die Konsistenz der Antworten zu verbessern. Als Bewerter kann ein LLM seine eigenen Antworten anhand wichtiger Forschungsziele und Metriken wie Klarheit und Tiefe weiter bewerten und einen Score vergeben. In seiner Rolle als „Nachhaker” kann es synthetische Befragte bitten, weitere Erläuterungen zu geben, wenn der Score für die Antwort unter einen bestimmten Schwellenwert fällt. Diese zusätzlichen Rollen sind hervorragende Beispiele für neuartige Möglichkeiten, wie ein LLM im Zuge der Datengenerierung einen Mehrwert schaffen kann. In unserer Studie ließen wir menschliche Bewerter die Antworten aus der ursprünglichen Studie und der replizierten Studie vergleichen und wandten mehrere statistische Maße zu deren Beurteilung an. Die vom LLM generierten Antworten waren den menschlichen Antworten sowohl in Bezug auf Tiefe als auch Nachvollziehbarkeit überlegen und boten somit Effizienzgewinne.

> Datenanalyse – Gewinnung von Erkenntnissen und Berichterstattung

Im Bereich der Analyse schnitten die LLMs gleich gut ab wie menschlichen Analysten und konnten mit Experten mithalten, wenn es darum ging, Schlüsselideen zu identifizieren, sie zu Themen zu gruppieren und Informationen zusammenzufassen. Zwar übersahen die LLMs einige Themen, die von Menschen erkannt wurden, aber sie generierten auch neue Themen, die Menschen nicht erkannt hatten.

In einem quantitativen Umfeld erstellten die LLMs – die auf ähnliche Weise gepromptet wurden – synthetische Befragte, die den Fragebogen erfolgreich beantworteten. Die Ergebnisse des Basis-LLMs waren jedoch gemischt. Obwohl das LLM die Richtung und die Stärke der Einstellungen der Konsumenten korrekt erfasste, zeigte es zwei wesentliche Schwächen, die bei vielen Standard-KI-Anwendungen zu finden sind. Erstens mangelte es den Antworten an Heterogenität; im Vergleich zu den menschlichen Daten gab es weniger Variationen in den KI-generierten Antworten. Zweitens war deren interne Konsistenz im Vergleich mit menschlichen Befragten geringer; beispielsweise bewertete das LLM KI-Attribute wie „gesunde Zutaten” und „sicherste Lebensmittel” ganz anders als Menschen. Um diese Einschränkungen des Basis-LLM-Modells zu beheben, haben wir zwei effektive Techniken getestet, um Kontext einzubeziehen und die Qualität der synthetischen Umfragedaten zu verbessern.

> Bereitstellung des vorherigen Antwortverlaufs

Bei dieser Methode werden dem LLM seine eigenen früheren Antworten innerhalb derselben Umfrage als Kontext für nachfolgende Fragen zur Verfügung gestellt. Diese einfache Erinnerungshilfe verbessert die Kohärenz der Antworten über alle Fragen einer Umfrage hinweg.

> Erweiterung des Kontextwissens des LLM 

Zusätzlich haben wir das LLM verbessert, indem wir externes Wissen bereitgestellt haben, und zwar mithilfe einer Technik namens Retrieval-Augmented Generation (RAG). Konkret haben wir dem LLM die vorhandenen qualitativen Interviewtranskripte des Unternehmens über Premium-Tiernahrung als externes Wissen zur Verfügung gestellt, bevor es den Fragebogen beantwortete. Durch diese einfache Ergänzung mittels RAG konnte das LLM seine Antworten auf relevantes Konsumentenwissen stützen. Beide Techniken verbesserten die Vielfalt und interne Konsistenz der LLM-Antworten erheblich, sodass sie den Antworten von Menschen stärker ähnelten.  

Die Abbildungen 2 und 3 zeigen Roadmaps und konkrete Vorschläge zur Einbindung von KI in qualitative und quantitative Forschungsprojekte. In beiden Abbildungen stehen die weißen, dunkelgrauen und hellgrauen Blöcke für rein menschliche, rein LLM-basierte und hybride KI-Mensch-Prozesse. Die abgebildeten LLM-gestützten Forschungsprozesse verbessern die Effizienz und Geschwindigkeit der Generierung von Insights sowie die Qualität der Analysen. Da die KI die Datenanalyse erledigt, können Forscher ihre Expertise auf das Erkennen der wertvollsten Insights und die Interpretation der Ergebnisse konzentrieren. Sie können die Insights aus synthetischen und menschlichen Daten zusammenführen, um entscheidungsrelevante Empfehlungen zu formulieren, die das Unternehmen weiterbringen. Die neu gestalteten Prozesse ermöglichen es den Forschern, sich auf geschäftsrelevante Fragen zu konzentrieren, anstatt repetitive Aufgaben zu erledigen. Menschliche Experten können interne Wissensspeicher erstellen, indem sie sowohl menschliche als auch synthetische Daten aufbewahren. Der Vergleich dieser Datensätze im Zeitverlauf kann dabei helfen, institutionelles Wissen über Geschäftskontexte zu schaffen, in denen LLMs am effektivsten sind. Darauf aufbauend kann man Leitlinien für die zukünftige Nutzung entwickeln. 

Mensch-KI-Hybride erzielen bessere Ergebnisse als Menschen oder KI jeweils für sich allein. In qualitativen Studien liefern sie reichhaltigere und aussagekräftigere Erkenntnisse. In quantitativen Umfragen bieten sie eine schnelle und kostengünstige Möglichkeit, die Ergebnisse einer Umfrage zu visualisieren, bevor in ein vollwertiges Projekt investiert wird. Führungskräfte sind gut beraten, jetzt mit Mensch-KI-Hybriden zu experimentieren und KI als strategisch relevanten Geschäftspartner zu begreifen. Dieser Zugang senkt nicht nur Kosten und verkürzt Zeitpläne, sondern führt auch zu besseren Entscheidungen und schärferen strategischen Erkenntnissen. Gleichzeitig müssen Marktforscher wissen, dass die Trainingsdaten ihrer KI-Systeme nicht vorurteilsfrei sind und ethnische, geschlechtsspezifische und kulturbezogene Biases widerspiegeln können. Für die Absicherung von Genauigkeit, Fairness und Vertrauen ist es entscheidend, das Bewusstsein für diese Risiken zu schärfen und menschliche Kontrolle im Forschungsprozess sicherzustellen. Am erfolgreichsten werden die Marktforscher und Unternehmen sein, die das Tempo der KI mit dem Urteilsvermögen menschlicher Expertise am besten verbinden.

Arora, N., Chakraborty, I., & Nishimura, Y. (2025). AI–human hybrids for marketing research: Leveraging large language models (LLMs) as collaborators. Journal of Marketing, 89(2), 43–70. https://doi.org/10.1177/00222429241276529

Blanchard, S. J., Duani, N., Garvey, A. M., Netzer, O., & Oh, T. T. (2025). New tools, new rules: A practical guide to effective and responsible generative AI use for surveys and experiments in research. Journal of Marketing, 89(6), 119–139. https://doi.org/10.1177/00222429251349882

Korst, J., Puntoni, S., & Toubia, O. (2025, May–June). How Gen AI is transforming market research. Harvard Business Review. Harvard Business Review. https://hbr.org/2025/05/how-gen-ai-is-transforming-market-research