Fünf Einkäufer, null Gehälter, volle Antwortquote: Das ECC Köln hat eine B2B-Studie mit KI-Personas bestückt. Kein Hackathon, kein Experiment unter Laborbedingungen, sondern ein Testlauf mit echten Forschungsfragen aus der Beschaffung. Marktforschung steht unter Dauerdruck, und synthetische Respondents sind die jüngste Antwort darauf.
KI-Personas in der B2B-Forschung sind keine Kuriosität mehr. Sie versprechen, was echte Panels selten bieten: kurze Interviewzyklen, niedrige Kosten, saubere Stichproben. Spannender wird es bei der anderen Frage: Wie viel Wahrheit steckt in der Simulation? Die Antwort hängt davon ab, wofür Forschende die Personas einsetzen.
Warum KI-Personas in der B2B-Forschung plötzlich dazugehören
B2B-Einkäufer gehören zu den schwer erreichbaren Befragungsobjekten überhaupt. Sekretariate filtern Anfragen, Beschaffungsleiter sitzen in Meetings, und die Teilnahmebereitschaft sinkt mit jeder Woche. Seriöse Interviews kosten oft mehrere Hundert Euro pro Person. Wer eine Zielgruppe von Einkäufern für Industriebedarf befragen will, rechnet mit Wochen Vorlauf.
Ein Chatbot kennt keine Terminkalender. Fünf synthetische Einkäufer stehen in Minuten bereit, kosten Centbeträge und widersprechen niemals aus Lust am Widerstand. Institute wie das ECC Köln testen deshalb, wo KI-generierte Personen echte Panels ergänzen und wo sie ersetzen.
Marktforschung leidet an Response-Raten, die je nach Zielgruppe im einstelligen Prozentbereich liegen. Panelanbieter kämpfen mit Ermüdung, B2B-Teilnehmer mit Zeitknappheit. Synthetische Personas durchbrechen diese Rechnung, weil sie keine Müdigkeit kennen. Genau hier liegt der wirtschaftliche Reiz, aber auch die Gefahr.
Die Ökonomie hinter dem Hype
Kostenfaktor: Fünf echte B2B-Interviews mit Screening, Terminierung und Auswertung kosten schnell 1800 Euro. Fünf synthetische Personas kosten einen Bruchteil, oft unter 50 Euro, wenn Teams bestehende Modelle nutzen. Diese Spanne erklärt, warum Budgetverantwortliche bei Marktforschung nun genau hinschauen.
Wie funktioniert ein synthetischer Einkäufer im Forschungssetup?
Die Methode wirkt simpel. Forschende beschreiben eine Rolle: Branche, Unternehmensgröße, Budgetverantwortung, Entscheidungsgremium, Beschaffungszyklus. Der Chatbot schlüpft in diese Rolle und beantwortet Interviewfragen, oft in Form simulierter Gespräche oder Mini-Gruppendiskussionen. Am Ende stehen Argumentationsmuster, Einwandslisten und genutzte Bewertungskriterien.
Qualität entsteht im Detail. Ein vages Rollenprofil liefert vage Antworten, ein detailliertes Profil mit Einkaufsvolumen und Lieferantenstruktur erzeugt konkretere Aussagen. Seriöse Teams kalibrieren deshalb gegen eine kleine echte Stichprobe, bevor sie Ergebnisse verwenden.
Der Abgleich funktioniert so: Teams interviewen zunächst fünf echte Einkäufer, stellen denselben Fragenkatalog den KI-Personas und vergleichen Argumente, Gewichtungen und Einwände. Weichen die Muster stark ab, liegt das Rollenprofil falsch oder die Fragestellung ist zu spezifisch für ein generisches Modell.
Ein guter Brief enthält Widersprüche. Echte Einkäufer widersprechen sich: Preis wichtig, dann aber Liefertreue bevorzugen. Modelle ohne solche Reibungspunkte klingen zu konsistent. Wer Widersprüche im Prompt einbaut, bekommt ehrlichere Simulationen. Fünf Personas decken dabei verschiedene Beschaffungsrollen ab, von Industriebedarf bis IT-Ausstattung.
Wo fünf KI-Einkäufer tatsächlich helfen
Erkundungsphasen profitieren am meisten. Vor einer großen Studie klären synthetische Personas, welche Themen überhaupt relevant sind. Welche Kriterien gewichten Einkäufer bei der SaaS-Auswahl? Welche Einwände bringen sie bei Langzeitverträgen? Aus fünf Chatbot-Interviews werden Hypothesen, nicht Zahlen. Genau das ist ihr Wert.
Auch Fragebogenpreviews funktionieren gut. Bevor ein Panel knapp 500 Euro kostet, testen Forschende Frageformulierungen an synthetischen Einkäufern. Vertriebsteams nutzen die Personas als Sparringspartner. Ein KI-Einkäufer übt Einwände, bis der Vertriebler seine Argumente schärft. Message-Tests für ABM-Kampagnen laufen genauso ab, kostengünstig und ohne Ausfallrisiko.
Preisforschung ist ein Sonderfall. KI-Einkäufer nennen plausible Preisgrenzen, etwa 8 bis 12 Prozent Rabatt bei Jahresverträgen. Solche Zahlen klingen belastbar, sind aber Durchschnittswerte ohne Bezug zum konkreten Markt. Wer daraus Preislisten ableitet, handelt fahrlässig.
Denkbar ist folgendes Szenario: Ein B2B-Händler für Verpackungsmaterial will wissen, ob Einkäufer CO2-Daten im Angebot erwarten. Statt vier Wochen Panel schaltet das Team drei KI-Einkäufer frei und hat am Nachmittag Argumente für den Vertrieb. Richtungsweisend, nicht repräsentativ. Als Startpunkt taugt das, als Grundlage für eine Millioneninvestition nicht.
Wo synthetische Einkäufer systematisch danebenliegen
Modelle mitteln über Trainingsdaten. Ein Chatbot-Einkäufer kennt die typischen Kriterien einer Branche: Preis, Lieferzeit, Service, Vertragslaufzeit. Was er nicht kennt, sind interne Realitäten: der gescheiterte Vorstandsbeschluss, das Budget, das erst im Dezember freigegeben wird, der Lieferant, mit dem der Einkäufer seit zehn Jahren streitet.
Vergleichsstudien zeigen ein klares Muster. Bei allgemein dokumentierten Kriterien liegen KI-Personas richtig, bei unternehmensspezifischen Tradeoffs daneben. Sie erfinden dabei keine falschen Zahlen aus böser Absicht. Sie erfinden plausible Zahlen, weil Plausibilität ihre Stärke ist.
Zudem fehlen Ausreißer. Strategie entsteht oft in den Extremfällen: dem Einkäufer, der auf Nachhaltigkeitszertifikate besteht, oder dem CPO, der Preis gar nicht wiegt. Ein durchschnittliches Modell glättet genau die Fälle weg, die eine Strategie ausmachen.
Wer im Prompt andeutet, Preis sei kritisch, bekommt preisgetriebene Antworten. Chatbots neigen dazu, die Framing-Vorgaben des Befragers zu übernehmen. Ein Interviewer mit These produziert Bestätigung, kein Wissen. Das ist kein Absichtseffekt, sondern Architektur.
Datenschutz rückt ins Spiel. Echte Interviewdaten unterliegen strengen Regeln, synthetische Ausgaben nicht. Doch wer interne Kundendaten in Prompts füttert, um Personas realistischer zu machen, öffnet ein anderes Problem. Die Grenze zwischen Simulation und Datenmissbrauch verläuft mitten im Studiendesign.
Ein KI-Einkäufer erzählt, was ein Einkäufer durchschnittlich sagen könnte. Er sagt nie, was der Vorstand letzte Woche beschlossen hat.
Wie setzen E-Commerce-Teams KI-Personas richtig ein?
Die Antwort lautet: hybrid. Synthetische Personas für Breite, echte Befragte für Tiefe. Drei Prüfungen halten das Verfahren ehrlich:
- Kalibrierung: Abgleich gegen mindestens fünf echte Interviews, bevor Ergebnisse in Entscheidungen einfließen.
- Blindstellencheck: Wer fehlt in der Stichprobe? Kreative Verweigerer und Querdenker simuliert kein Chatbot freiwillig.
- Grenzziehung: Nie synthetische Antworten als Marktdaten zitieren. Hypothesen ja, Zahlen nein.
Kosteneinsparung lockt. Ein Fünf-Persona-Setup kostet Bruchteile eines klassischen Panels. Doch Einsparung bei der Validierung wird teuer, wenn eine Produktentscheidung auf generischen Antworten steht.
Reifegrad ist das zentrale Kriterium. Erste Anwender experimentieren, Folgeprojekte standardisieren. Wer KI-Personas heute ohne Protokoll einsetzt, sammelt Anekdoten. Wer ein Kalibrierungsverfahren aufbaut, baut einen Vorsprung auf, den Wettbewerber später nur schwer kopieren.
Zwei Entwicklungen zeichnen sich ab. Anbieter von Panels werden synthetische Samples als Ergänzung ins Portfolio aufnehmen, mit klaren Kennzeichnungen. Und Prüfungsstandards für KI-Befragungen werden entstehen, ähnlich wie damals bei Online-Panels. Wer heute fünf Chatbot-Einkäufern vertraut, spart Geld. Wer ihnen Budgets anvertraut, verliert es.