Methodik
Forschung, die du prüfen kannst.
Sieben Prinzipien hinter jeder Studie. Genug, um die Methode zu beurteilen und zu sehen, warum sie trägt.
01Grounded
Auf amtlicher Statistik gebaut.
Jedes synthetische Panel beginnt mit amtlichen Bevölkerungsstatistiken und wird auf deine Zielgruppe quotiert. So sieht es aus wie die Menschen, die tatsächlich in deinem Markt leben.
02Deep
Jeder Befragte bekommt zuerst eine Lebensgeschichte.
Bevor ein synthetischer Konsument deine Studie sieht, bekommt er eine vollständige Lebensgeschichte: Alltag, Haushalt, Gewohnheiten, Geld und Werte. Wenn dein Konzept kommt, hat er eine Geschichte, aus der er antwortet. Der Ansatz baut auf Forschung auf, die zeigt, dass Lebensgeschichten Menschen deutlich besser abbilden als demografische Profile (Park et al., 2026).
03Checked
Jeder Befragte passiert ein Quality Gate.
Eine unabhängige Prüfung kontrolliert jeden Befragten auf Stimmigkeit und filtert Beinahe-Duplikate. Wer durchfällt, wird neu gebaut oder aussortiert.
04Real
Digital Twins echter Menschen.
Wenn eine Studie echte Menschen hinter den Antworten braucht, antworten Digital Twins. Sie bilden reale Konsumentinnen und Konsumenten ab, gebaut aus ausführlichen persönlichen Interviews, und lassen sich über viele Studien hinweg immer wieder befragen. In veröffentlichter Forschung bildeten Agenten auf Basis solcher Interviews reale Menschen deutlich genauer ab als demografische Profile (Park et al., 2026).
05Measured
Die Zahl kommt aus der Antwort.
Fragst du ein Sprachmodell nach einer Bewertung von 1 bis 5, bekommst du verdächtig ordentliche Zahlen. Deshalb tun wir das nicht. Befragte antworten in eigenen Worten, und jede Antwort wird über ihre semantische Ähnlichkeit zu Referenzaussagen, einer je Skalenpunkt, auf der Skala verortet. In veröffentlichter Forschung erreicht diese Methode, Semantic Similarity Rating, 90 % der Test-Retest-Reliabilität echter Befragter (Maier et al., 2025).
06Evidenced
Ohne Halluzinationen in Reports.
Ergebnisse werden aus den Antworten heraus aufgebaut. Jede Zahl verlinkt auf die Antworten dahinter, jedes Zitat wird per Code wörtlich verifiziert. Aussagen ohne Beleg kommen nicht in den Report.
07Transparent
Gekennzeichnet als das, was es ist.
Bei jedem Ergebnis siehst du, auf welchem Panel es beruht und wie es entstanden ist. So ordnest du Ergebnisse richtig ein, kannst sie im Team vertreten und Studien auch Monate später noch vergleichen.
08Semantic Similarity Rating
Wie aus einer Antwort eine Zahl wird.
Fragst du Sprachmodelle nach einer Bewertung, landen sie immer wieder bei denselben wenigen Werten, und die Bandbreite echter Meinungen geht verloren. Semantic Similarity Rating erhält sie. In veröffentlichter Forschung erreicht die Methode 90 % der Test-Retest-Reliabilität echter Befragter (Maier et al., 2025).
01
Antworten in eigenen Worten
Jede befragte Person beantwortet die Skalenfrage frei, zum Beispiel: „Ich bin schon interessiert. Wenn es gut funktioniert und nicht zu teuer ist, probiere ich es vielleicht aus.“ Nach einer Zahl fragt niemand.
02
Vergleich mit Referenzaussagen
Zu jedem Skalenpunkt gibt es eine Referenzaussage, von „auf keinen Fall“ bis „auf jeden Fall“. Antwort und Aussagen werden in Embeddings übersetzt, also Zahlenrepräsentationen ihrer Bedeutung, und verglichen. Pro Frage nutzen wir sechs unterschiedlich formulierte Sets, damit keine einzelne Formulierung entscheidet.
03
Aus Ähnlichkeit wird eine Verteilung
Je näher die Antwort einer Aussage inhaltlich kommt, desto mehr Gewicht bekommt dieser Skalenpunkt. Gemittelt über alle sechs Sets ergibt jede Antwort eine Verteilung über die ganze Skala statt eines erzwungenen Einzelwerts.
04
Aus der Verteilung wird ein Ergebnis
Jede Antwort erhält einen Wert auf der Skala, reproduzierbar aus ihrer Verteilung gezogen. Top-2-Box, Mittelwert und Ergebnisse je Segment werden danach im Code berechnet, und jede Zahl verlinkt auf die Antworten dahinter.
09Offene Antworten
Wie wir offene Antworten codieren.
Offene Antworten zeigen, warum Menschen so reagieren, wie sie reagieren. Wir machen daraus Themen, die du zählen und prüfen kannst, und jedes Thema führt zurück zu den Worten dahinter.
01
Nachfragen
Lässt eine erste Antwort etwas offen, stellt die Studie bis zu zwei Nachfragen, geleitet von den Probing-Anweisungen der Studie. Ist eine Antwort klar, hört sie auf.
02
Befunde mit Beleg
Ein Modell liest die Antworten und hält Befunde fest. Jeder Befund muss auf mindestens eine konkrete Antwort verweisen. Befunde, die nur ein Zitat wiederholen, werden verworfen.
03
Themen aus den Antworten
Die Befunde werden zu bis zu sechs Themen pro Frage gebündelt. Die Themen entstehen aus den Antworten selbst, ohne vorgegebenes Codebuch. Wie häufig ein Thema vorkommt, zählt der Code: die Zahl der unterschiedlichen Antworten dahinter.
04
Geprüfte Zitate
Jedes Zitat wird per Code erneut aus der gespeicherten Antwort ausgeschnitten, Wort für Wort. Ein Thema kommt nur in den Report, wenn jeder Befund darin ein geprüftes Zitat hat.
10Forschung
Die Forschung hinter der Methode.
Unsere Methodik baut auf zwei Studien auf. Beide sind öffentlich zugänglich, damit du die Grundlagen selbst prüfen kannst.
Park et al., 2026
LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals
Joon Sung Park, Carolyn Q. Zou, Jonne Kamphorst et al.
Agenten, die auf zweistündigen Interviews über das Leben der Befragten beruhen, bildeten Einstellungen und Verhalten von 1.052 realen Menschen deutlich genauer ab als Agenten, die nur auf Demografie beruhen.
Grundlage für Lebensgeschichten und Digital Twins
Zum Paper auf arXivMaier et al., 2025
LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings
Benjamin F. Maier et al.
Freie Antworten, die über semantische Ähnlichkeit auf eine Skala übertragen werden, erreichen 90 % der Test-Retest-Reliabilität echter Befragter (Maier et al., 2025), bei realistischen Antwortverteilungen.
Grundlage für Semantic Similarity Rating
Zum Paper auf arXiv
11Der Unterschied
Statistik sagt dir, wer. Interviews sagen dir, warum.
Die meisten synthetischen Ansätze bauen Befragte aus einem statistischen Profil und einem Prompt. Das reproduziert vor allem, was die Statistik ohnehin weiß. Bei uns hat jeder Befragte eine Lebensgeschichte, bevor er antwortet. Die Forschung bestätigt das: Agenten, die auf Interviews über das Leben der Befragten beruhen, bilden einzelne Menschen deutlich genauer ab als Agenten aus reiner Demografie (Park et al., 2026).
| Klassische Marktforschung | Generische KI | Statistische synthetische Panels | theconsumer.ai | |
|---|---|---|---|---|
| Zeit bis zum Ergebnis | 2–6 Wochen | Sekunden | Minuten | Minuten |
| Grundlage | Echte Befragte | Was das Modell gelernt hat | Statistisches Profil und Prompt | Amtliche Statistik und eine Lebensgeschichte je Befragtem |
| Tiefe je Befragtem | Hoch, aber teuer | Keine | Eine Zeile mit Merkmalen | Eine stimmige Lebensgeschichte |
| Echte Menschen dahinter | Ja | Nein | Nein | Optional, mit Digital Twins |
| Skalenantworten | Gemessen | Vom Modell gewählt | Oft vom Modell gewählt | Gemessen mit SSR |
| Nachvollziehbarkeit | Report | Keine | Zusammenfassung | Jede Zahl und jedes Zitat mit ihren Antworten verknüpft |
Vergleich typischer Ansätze, nicht einzelner Anbieter.
Sieh dir die Methode an deiner eigenen Kategorie an.
Wir zeigen dir eine echte Studie, vom Panel bis zur Evidenz.