87 Prozent schneller, 90 Prozent günstiger — und trotzdem skeptisch. So lässt sich der Umgang großer Mediaagenturen mit synthetischen Zielgruppen gerade zusammenfassen. Synthetic Audiences, also KI-generierte Konsumenten-Panels, die Umfragen beantworten und Kaufentscheidungen simulieren, haben das Experimentierstadium hinter sich. Agenturen wie Ogilvy, Dentsu oder Stagwell bauen sie in echte Kundenprojekte ein. Aber niemand, der bei Verstand ist, ersetzt damit die klassische Marktforschung. Der Konsens, der sich herausbildet, ist unspektakulär und deshalb interessant: hybrid oder gar nicht.
Für den deutschen Markt ist das mehr als eine Randnotiz. Hierzulande hängen Budgets für Marktforschung traditionell an Instituten wie GfK, Kantar oder Ipsos, deren Panels seit Jahrzehnten den Referenzrahmen liefern. Wer in der DACH-Region einem CMO erklärt, dass 2.000 simulierte Verbraucher die nächste Kampagnenidee vorab bewerten, erntet zu Recht Nachfragen. Genau deshalb verfolgen Agenturen jetzt einen Ansatz, der beide Welten verbindet — und dabei die Schwächen jeder einzelnen Methode korrigiert.
Was steckt hinter Synthetic Audiences wirklich?
Synthetische Zielgruppen sind keine Chatbots, die man nach Meinungen fragt. Dahinter stehen auf Sprachmodellen aufbauende Personas, die mit realen Daten trainiert oder kalibriert wurden: Paneldaten, CRM-Daten, Social Listening, Transaktionshistorien. Das Modell erzeugt daraus Populationen, die statistisch einer echten Zielgruppe ähneln — Alter, Einkommen, Mediennutzung, Kaufverhalten. Auf diese Populationen lassen sich dann klassische Forschungsfragen werfen: Konzepttests, Preissensitivität, Werbewirkung, Segmentgrößen.
Die Anbieterlandschaft wächst entsprechend. Unternehmen wie Synthetic Users, Evidenza oder Aaru versprechen Studien, die statt in sechs Wochen in zwei Tagen fertig sind — und das zu einem Bruchteil der Kosten. Evidenza etwa berichtet von validierten Übereinstimmungen mit klassischen B2B-Umfragen im Bereich von 90 Prozent, gemessen an realen Panels. Solche Zahlen erklären, warum Agenturen nicht mehr nur experimentieren, sondern synthetische Module in ihre Research-Stacks integrieren.
Warum setzen Agenturen auf hybride Modelle statt auf Vollautomatisierung?
Die Antwort liegt in einem strukturellen Problem, das kein Prompt-Engineering löst: Sprachmodelle glätten. Sie reproduzieren Wahrscheinlichkeiten, keine echten Menschen. Wer ein synthetisches Panel nach einer kontroversen Werbekampagne fragt, bekommt selten die Empörung, die ein echtes Panel liefern würde — sondern den statistisch plausiblen Mittelwert. Für Exploration ist das gut genug. Für Go/No-Go-Entscheidungen bei einem siebenstelligen Mediabudget ist es das nicht.
Der hybride Workflow, den Agenturen deshalb etablieren, sieht in der Praxis so aus: Zuerst laufen fünf, sechs Kampagnenrouten durch das synthetische Panel. Kostenpunkt: wenige hundert Euro, Dauer: Stunden. Die zwei vielversprechendsten Routen gehen danach in eine klassische Befragung mit 300 bis 500 echten Teilnehmern. Erst deren Ergebnis entscheidet. Die KI übernimmt also die Verwerfung — das teure Wegschneiden schlechter Ideen —, der Mensch behält die Entscheidung.
Die zweite Begründung ist juristisch. Im DACH-Raum sitzt die Datenschutz-Grundverordnung jedem Research-Projekt im Nacken. Synthetische Panels haben hier einen echten Vorteil: Es werden keine personenbezogenen Daten erhoben, weil niemand befragt wird. Für Branchen mit sensiblen Zielgruppen — Gesundheit, Finanzen, Versicherungen — ist das ein handfestes Argument. Allianz-Tochterunternehmen und deutsche Pharma-Konzerne testen nach Branchenangaben bereits Konzepte an synthetischen Patienten- und Kundenpopulationen, weil die Compliance-Hürden klassischer Panels dort besonders hoch sind.
Wo synthetische Daten an ihre Grenzen stoßen
Drei Schwachstellen sind inzwischen gut dokumentiert. Erstens: Seltene Segmente. Sprachmodelle kennen den Durchschnittsverbraucher auswendig, aber nicht die Käuferin eines 4.000-Euro-E-Bikes mit Recumbent-Antrieb. Je nischiger die Zielgruppe, desto dünner das Trainingsmaterial, desto unzuverlässiger die Simulation. Für viele Mittelständler in der DACH-Region, deren Geschäft gerade auf solchen Nischen beruht, ist das der entscheidende Einwand.
Zweitens: Kulturelle Drift. Die großen Modelle sind überproportional auf US-amerikanische Daten trainiert. Ein synthetisches Panel „deutsche Online-Shopper, 35 bis 50“ antwortet deshalb tendenziell amerikanischer, als es sollte — etwa bei Preissensitivität, Datenschutzeinstellungen oder der Bewertung von Direktwerbung. Wer diese Panels für den deutschen Markt nutzt, muss sie gegen lokale Referenzdaten kalibrieren, sonst misst er eine Zielgruppe, die es so nicht gibt.
„Ein synthetisches Panel sagt dir, was ein durchschnittlicher Verbraucher wahrscheinlich denkt. Es sagt dir nicht, was dein Kunde heute Morgen entschieden hat — und genau dieser Unterschied entscheidet über Kampagnenbudgets.“
Drittens: Validierung ist Pflicht, nicht Kür. Die seriösen Anwendungen deshalb folgen alle demselben Muster — synthetische Ergebnisse werden regelmäßig gegen reale Stichproben gespiegelt, um Drift früh zu erkennen. Anbieter, die diese Kalibrierung nicht transparent machen, sollte man aus dem Vendor-Raster streichen.
Wie verändert das die Arbeit von Media- und Werbeagenturen?
Der eigentliche Umbruch ist organisatorisch. Klassische Marktforschung war ein Projekt: Briefing, Feldzeit, Auswertung, Präsentation — sechs bis zehn Wochen, fünfstellige Beträge. Das synthetische Modell macht Research zu einem Dauerzustand. Agenturen beschreiben das als „always-on audiences“: Statt einmal pro Quartal eine Studie zu beauftragen, testet das Team wöchentlich Botschaften, Claims und Creative-Varianten an der simulierten Zielgruppe.
Für E-Commerce-Unternehmen ist das besonders relevant, weil dort ohnehin Datenflüsse existieren, aus denen sich synthetische Panels speisen lassen. Ein Shop mit 200.000 Bestellungen im Jahr sitzt auf Verhaltensdaten, die jedes Meinungsforschungspanel schlagen. Wenn diese Daten — sauber anonymisiert — in ein synthetisches Modell fließen, entsteht eine Kundensimulation, die deutlich näher an der eigenen Realität ist als jedes externe Panel. Einige Agenturen bauen genau das als Produkt: kundeneigene synthetische Panels, trainiert auf First-Party-Daten, die für Creative-Tests, Sortimentsfragen und Preisexpreimente genutzt werden.
- Exploration: Viele Ideen billig vorfiltern, bevor echtes Budget fließt.
- Validierung: Die Finalisten an echten Panels verifizieren, mindestens stichprobenartig.
- Kalibrierung: Synthetische Ergebnisse laufend gegen reale Daten spiegeln — besonders bei DACH-Zielgruppen.
40 bis 60 Prozent der Research-Kosten lassen sich nach Angaben von Agenturen, die das Modell bereits fahren, aus klassischen Studien herauslösen — ohne dass die Entscheidungsqualität messbar leidet. Das ist keine Utopie, sondern Kostenrechnung: Die Großstudie bleibt, aber sie beantwortet nur noch die Fragen, die sie wirklich beantworten muss.
Was heißt das für Händler und Brands in Deutschland?
Wer heute mit Agenturen zusammenarbeitet, sollte drei Fragen stellen. Erstens: Nutzt ihr synthetische Panels — und wenn ja, für welche Entscheidungen? Zweitens: Gegen welche realen Daten kalibriert ihr sie? Drittens: Welche Schlussfolgerungen dürft ihr aus synthetischen Ergebnissen ziehen, und wo ist eure rote Linie? Agenturen, die auf diese Fragen keine präzisen Antworten haben, experimentieren auf Kundenkosten.
Ehrlicherweise gehört zur Debatte auch die Schattenseite: Wenn synthetische Research billig wird, wird sie inflationär. Die Gefahr ist eine Research-Flut, in der jede Kleinigkeit simuliert wird, ohne dass jemand die Ergebnisse noch hinterfragt. Ein Panel, das immer antwortet, erzeugt die Illusion von Kundennähe — und Illusionen sind teurer als jede GfK-Studie.
Der hybride Ansatz wird sich durchsetzen, weil er ökonomisch unvermeidbar ist. Die spannende Frage ist eine andere: Wenn jede Agentur auf dieselben Sprachmodelle zugreift, konvergieren dann auch die Erkenntnisse? Fünf Agenturen, die dieselbe Zielgruppe auf demselben Basismodell simulieren, werden verdächtig ähnliche Empfehlungen ausspucken. Differenzierung entsteht dann nicht mehr durch bessere Daten, sondern durch bessere Kalibrierung — und durch den Mut, dem Panel gelegentlich zu widersprechen. Genau dort wird sich in den nächsten zwei Jahren zeigen, wer Research versteht und wer nur Automatisierung gekauft hat.