Synthetische Nutzer: Kann KI echte User Research ersetzen?

„User research. Without the users.“ Mit diesem Versprechen warb das Start-up Synthetic Users auf seiner Website. Forschung ohne Rekrutierung, ohne Terminabsprachen, ohne Aufwandsentschädigungen: Du beschreibst deine Zielgruppe, und eine KI liefert in Sekunden fertige Interviews. Klingt zu schön, um wahr zu sein? Genau darum geht es in diesem Artikel.

Synthetische Nutzer gehören zu den umstrittensten KI-Themen im UX-Design. Die einen sehen darin die Abkürzung, auf die alle gewartet haben, die anderen den Anfang vom Ende echter Nutzerforschung. Zeit für einen nüchternen Blick: Was sind synthetische Nutzer, was zeigen Vergleichsstudien, und wo können sie trotzdem helfen?

Was sind synthetische Nutzer?

Ein synthetischer Nutzer ist ein von KI erzeugtes Profil, das eine bestimmte Nutzergruppe nachahmen soll. Die Nielsen Norman Group (NN/g) beschreibt ihn als künstliches Profil, das simulierte Gedanken, Bedürfnisse und Erfahrungen äußert, ohne dass je ein echter Mensch befragt wurde. Du kannst ihn „interviewen“, ihm Umfragen vorlegen oder ein Konzept zeigen, und er antwortet so, als wäre er ein Mensch mit eigener Geschichte.

Technisch steckt dahinter ein großes Sprachmodell (Large Language Model, kurz LLM) wie ChatGPT oder Claude. Solche Modelle wurden mit riesigen Textmengen trainiert und können deshalb überzeugend formulieren, wie eine Pflegekraft, ein Steuerberater oder eine Shop-Betreiberin vermutlich denkt. Dafür reicht schon ein einfacher Prompt nach dem Muster „Stell dir vor, du bist …“. Daneben gibt es spezialisierte Tools, die ganze Interviewreihen samt Zusammenfassung automatisch erzeugen.

Auf den ersten Blick ähneln synthetische Nutzer klassischen Personas. Der entscheidende Unterschied: Eine gute Persona fasst Erkenntnisse aus echter Forschung zusammen. Ein synthetischer Nutzer beruht auf Wahrscheinlichkeiten, also darauf, welche Antwort statistisch am besten zur Frage passt.

Warum die Idee so verlockend ist

Wer schon einmal User Research geplant hat, kennt die Hürden: Teilnehmende finden, Termine abstimmen, Aufwandsentschädigungen zahlen, Gespräche auswerten. Das kostet Zeit und Geld, zwei Dinge, die gerade in kleinen Teams und frühen Projektphasen knapp sind.

Synthetische Nutzer versprechen, genau diese Hürden zu beseitigen. Sie sind jederzeit verfügbar, werden nie müde und antworten ausführlich auf jede Frage. Und genau da beginnt das Problem.

Was die Forschung sagt

Inzwischen gibt es mehrere Studien, die synthetische und echte Teilnehmende direkt vergleichen. Drei davon zeigen besonders gut, wo die Grenzen liegen.

Nielsen Norman Group: zu flach, zu positiv

Die NN/g, eine der bekanntesten UX-Beratungen der Welt, hat für drei bereits abgeschlossene Interviewstudien synthetische Nutzer erzeugt, einmal mit ChatGPT und einmal mit dem Tool Synthetic Users. Das Ergebnis war ernüchternd.

In einer Studie zu Online-Kursen gaben echte Teilnehmende offen zu, viele Kurse abgebrochen zu haben, etwa weil ein neuer Job keine Zeit mehr ließ. Die synthetischen Nutzer behaupteten dagegen, alle Kurse abgeschlossen zu haben. Diskussionsforen, die echte Lernende als gekünstelt und wenig hilfreich empfanden, bewerteten die synthetischen Nutzer ausgesprochen positiv. Und als das Team eine eher abenteuerliche Idee vorstellte, nämlich Warenproben per Drohne auszuliefern, bekam es begeisterte Zustimmung.

MeasuringU: zu gut, um echt zu sein

Das Team um Jeff Sauro ließ ChatGPT einen Tree-Test absolvieren. Mit dieser Methode wird geprüft, ob Menschen Inhalte in einer Navigationsstruktur finden. Im Experiment war das die Menüstruktur der US-Steuerbehörde. ChatGPT fand fast alle Ziele, während die 33 menschlichen Teilnehmenden im Schnitt nur etwa die Hälfte der Aufgaben lösten. Was nach einem guten Ergebnis klingt, ist für die Forschung wertlos: Wenn die Testperson jede Aufgabe löst, zeigt der Test keine Schwachstellen in der Informationsarchitektur.

Interessant ist ein Nebenbefund: Wie schwer Menschen eine Aufgabe empfinden, konnte ChatGPT recht gut einschätzen. Als Ersatz für echtes Verhalten taugte das Modell trotzdem nicht.

Erste Klicks: auch neuere Ansätze helfen kaum

Eine Studie eines Forschungsteams um Eduard Kuric aus dem Jahr 2026 verglich zwölf First-Click-Tests aus echten Projekten mit insgesamt 3.431 Teilnehmenden mit simulierten Ergebnissen von GPT. In 53 Prozent der Aufgaben unterschied sich die Klickverteilung der KI signifikant von der echten. Auch die Begründungen, die das Modell für seine Klicks lieferte, passten nicht zu den Denkmustern der echten Teilnehmenden.

Besonders aufschlussreich: Weder Personas noch schrittweises Nachdenken des Modells (Chain-of-Thought) noch veränderte Einstellungen verbesserten die Ergebnisse spürbar. Sie machten die Antworten vor allem glaubwürdiger, aber nicht richtiger.

Die vier Kernprobleme synthetischer Nutzer

1. Sie wollen gefallen

Sprachmodelle sind darauf trainiert, hilfreich und angenehm zu sein. Fachleute nennen diese Tendenz Sycophancy, frei übersetzt: Gefallsucht. Für einen Chatbot ist das oft praktisch, für Nutzerforschung fatal. Echte Menschen sagen dir, wenn eine Idee keinen Sinn ergibt. Synthetische Nutzer finden fast alles gut.

2. Ihnen ist alles wichtig

Fragst du einen synthetischen Nutzer, was ihm an einem Produkt wichtig ist, bekommst du eine lange, ordentliche Liste. In der NN/g-Studie zählte ein synthetischer Nutzer auf die Frage nach guten Online-Kursen gleich sieben Faktoren auf. Echte Menschen haben dagegen klare Prioritäten: Eine Sache nervt sie gewaltig, drei andere sind ihnen egal. Genau diese Gewichtung braucht ein Team, um zu entscheiden, woran es als Nächstes arbeitet.

3. Sie haben nichts erlebt

Ein synthetischer Nutzer hat nie dein Produkt benutzt, nie in der Warteschleife gehangen, nie ein Formular frustriert abgebrochen. Er kann nur beschreiben, wie solche Erfahrungen typischerweise klingen. Verhalten lässt sich so nicht beobachten, und gerade das Verhalten verrät oft mehr als das, was Menschen über sich selbst erzählen.

4. Sie kennen nur, was schon bekannt ist

Ein Sprachmodell gibt im Kern den Durchschnitt dessen wieder, was über eine Gruppe geschrieben wurde. Bei breiten Zielgruppen klingt das oft plausibel. Bei Nischen, etwa einer speziellen Branche oder einem regionalen Markt, wird es schnell lückenhaft. Und die wertvollsten Erkenntnisse aus User Research sind meist die, mit denen niemand gerechnet hat. Genau die kann ein synthetischer Nutzer nicht liefern.

Wo synthetische Nutzer trotzdem helfen können

Komplett nutzlos sind synthetische Nutzer nicht. Richtig eingesetzt, erleichtern sie die Vorbereitung echter Forschung. Auch die NN/g sieht hier sinnvolle Einsatzfelder:

• Einarbeitung in ein neues Thema: Wer für eine unbekannte Branche gestaltet, bekommt schnell einen ersten Überblick über typische Abläufe und Fachbegriffe, ähnlich wie bei einer Desk Research.
• Interviewleitfaden testen: Vor dem ersten echten Gespräch lässt sich prüfen, ob die Fragen verständlich sind und das Gespräch einen sinnvollen Fluss hat.
• Hypothesen sammeln: Synthetische Antworten liefern Ideen, welche Themen im echten Interview zur Sprache kommen sollten. Als Hypothesen, nicht als Ergebnisse.
• Proto-Personas: Als erster Entwurf, der nach echter Forschung überarbeitet wird, können KI-generierte Profile einen Startpunkt bieten.

Kurz gesagt: Synthetische Nutzer helfen dabei, bessere Fragen zu stellen. Die Antworten kommen von echten Menschen.

So setzt du synthetische Nutzer verantwortungsvoll ein

• Herkunft kennzeichnen: Synthetische Ergebnisse nie als echte Forschung präsentieren. Bei jeder Erkenntnis steht dabei, woher sie stammt.
• Alles als Hypothese behandeln: Jede Aussage eines synthetischen Nutzers wird mit echten Menschen überprüft, bevor sie eine Entscheidung beeinflusst.
• Finger weg bei Nischen: Je spezieller die Zielgruppe, desto unzuverlässiger die Antworten.
• Keine Konzepttests: Ob eine Idee ankommt, kann eine KI, die fast alles gut findet, nicht beantworten.
• Ehrlichkeits-Test machen: Vor jedem Einsatz die Frage stellen: Würde das Team auf Basis dieser Antworten handeln, ohne sie zu prüfen? Wenn ja, ersetzt es gerade Forschung, und genau das sollte es nicht.

Besser als gar keine Forschung?

Die spannendste Frage ist eigentlich nicht, ob synthetische Nutzer echte ersetzen können. Das können sie nicht. Spannender ist, ob sie besser sind als gar keine Forschung. Auf den ersten Blick schon: Irgendetwas über die eigene Zielgruppe zu lernen, klingt besser als nichts.

Das Problem: Ein Teil dessen, was du lernst, ist falsch, und ohne echte Forschung merkst du nicht, welcher Teil. Die NN/g warnt außerdem vor einem Gewöhnungseffekt. Wenn ein Team erst einmal erlebt hat, wie schnell und billig „Forschung“ sein kann, wird es schwer, Budget für echte Interviews zu rechtfertigen. Synthetische Nutzer fühlen sich an wie Research, ohne Research zu sein.

Dabei muss echte Nutzerforschung gar nicht aufwendig sein. Ein paar kurze Gespräche mit Menschen aus der Zielgruppe bringen oft mehr als hundert synthetische Interviews. Genau diese pragmatische Haltung steckt hinter Lean UX: schnell lernen, aber von echten Menschen. Wie das auch ohne eigene Research-Abteilung funktioniert, zeigt das Buch Lean UX für kleine Teams.

Fazit

KI ist ein starkes Werkzeug im UX-Prozess: zum Recherchieren, Strukturieren, Zusammenfassen und Vorbereiten. Echte Nutzerforschung ersetzt sie nicht. Synthetische Nutzer sind zu positiv, zu oberflächlich und zu vorhersehbar, um zu zeigen, was Menschen wirklich brauchen. Nutze sie, um bessere Fragen zu stellen. Die Antworten findest du bei echten Menschen. Was zu dieser Arbeit alles gehört, beschreibt der Artikel Was macht ein UX Researcher?

Quellen

• Maria Rosala, Kate Moran: Synthetic Users: If, When, and How to Use AI-Generated „Research“, Nielsen Norman Group, 2024
• Jeff Sauro, Will Schiavone, Jim Lewis: Using ChatGPT in Tree Testing: Experimental Results, MeasuringU, 2024
• Eduard Kuric, Peter Demcak, Matus Krajcovic: What Would GPT Click, arXiv, 2026