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 dir 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. Schauen wir uns an, was synthetische Nutzer eigentlich sind, was Studien über sie herausgefunden haben und wo sie dir trotzdem helfen können.

Was sind synthetische Nutzer?

Ein synthetischer Nutzer ist ein von KI erzeugtes Profil, das eine bestimmte Nutzergruppe nachahmen soll. Du kannst ihn „interviewen“, ihm Umfragen vorlegen oder ihm ein Konzept zeigen und er antwortet so, als wäre er ein echter Mensch mit Bedürfnissen, Erfahrungen und Meinungen.

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 sehr überzeugend formulieren, wie eine Pflegekraft, ein Student oder eine Shop-Betreiberin vermutlich denkt. Dafür reicht schon ein einfacher Prompt („Stell dir vor, du bist …“). Es gibt aber auch spezialisierte Tools, die ganze Interviewreihen samt Auswertung automatisch erzeugen.

Auf den ersten Blick ähneln synthetische Nutzer klassischen UX-Personas. Der entscheidende Unterschied: Eine gute Persona basiert auf Daten aus echter Forschung. Ein synthetischer Nutzer basiert 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 einige Studien, die synthetische und echte Nutzer direkt miteinander vergleichen. Drei davon zeigen besonders gut, wo die Grenzen liegen.

Nielsen Norman Group: zu flach, zu positiv

Die Nielsen Norman Group, eine der bekanntesten UX-Beratungen der Welt, hat drei bereits abgeschlossene Studien mit synthetischen Nutzern wiederholt, einmal mit ChatGPT, 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, zu wenig Zeit, andere Prioritäten. Die synthetischen Nutzer dagegen behaupteten, alle Kurse abgeschlossen zu haben. Diskussionsforen, die echte Lernende als gekünstelt und wenig hilfreich empfanden, fanden die synthetischen Nutzer großartig. Und als das Team eine eher abenteuerliche Konzeptidee vorstellte: Warenproben per Drohne ausliefern, bekam es begeisterte Zustimmung.

MeasuringU: zu gut, um echt zu sein

Das Forschungsteam um Jeff Sauro ließ ChatGPT einen Tree-Test absolvieren. Mit dieser Methode prüft man, ob Nutzer Inhalte in einer Navigationsstruktur finden. ChatGPT schnitt deutlich besser ab als die meisten echten Menschen. Was nach einem guten Ergebnis klingt, ist für die Forschung wertlos: Wenn der Testteilnehmer jede Aufgabe löst, findest du keine Schwachstellen in deiner Informationsarchitektur.

UXtweak: Auch neuere Modelle helfen kaum

Eine umfangreiche Studie aus dem Jahr 2026 verglich zwölf First-Click-Tests aus echten Projekten mit insgesamt 3.431 Teilnehmenden mit simulierten Ergebnissen von ChatGPT. Bei rund der Hälfte der Aufgaben wich die Klickverteilung der KI deutlich von der echten ab. Außerdem klickte die KI viel einheitlicher: Ihre Klicks verteilten sich im Schnitt auf etwa fünf verschiedene Elemente, die der echten Menschen auf neun. Gerade die überraschenden Fehlklicks, die im Usability-Testing so wertvoll sind, fehlten fast komplett.

Besonders spannend: Weder ein neueres Modell mit „Reasoning“ noch detailliertere Personas 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 deine 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. Echte Menschen haben dagegen klare Prioritäten: Eine Sache nervt sie gewaltig, drei andere sind ihnen egal. Genau diese Gewichtung brauchst du, um zu entscheiden, woran dein Team 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 das Wichtigste: Die wertvollsten Erkenntnisse aus User Research sind die, mit denen niemand gerechnet hat. Genau die kann ein synthetischer Nutzer nicht liefern.

Wo synthetische Nutzer trotzdem helfen können

Heißt das, synthetische Nutzer sind komplett nutzlos? Nicht ganz. Richtig eingesetzt, können sie dir die Vorbereitung echter Forschung erleichtern:

• Einarbeitung in ein neues Thema: Wenn du für eine Branche gestaltest, die du nicht kennst, bekommst du schnell einen ersten Überblick über typische Abläufe und Fachbegriffe.

• Interviewleitfaden testen: Bevor du mit echten Menschen sprichst, kannst du prüfen, ob deine Fragen verständlich sind und das Gespräch einen sinnvollen Fluss hat.

• Hypothesen sammeln: Synthetische Antworten liefern Ideen, welche Themen du im echten Interview ansprechen solltest, 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 dir dabei, bessere Fragen zu stellen. Die Antworten holst du dir bei echten Menschen.

So nutzt du synthetische Nutzer verantwortungsvoll

• Kennzeichne die Herkunft: Präsentiere synthetische Ergebnisse nie als echte Forschung. Schreib immer dazu, woher eine Erkenntnis stammt.

• Behandle alles als Hypothese: Jede Aussage eines synthetischen Nutzers muss mit echten Menschen überprüft werden, bevor sie eine Entscheidung beeinflusst.

• Finger weg bei Nischen: Je spezieller deine Zielgruppe, desto unzuverlässiger die Antworten.

• Keine Konzepttests: Ob deine Idee ankommt, kann dir eine KI, die fast alles gut findet, nicht sagen.

• Mach den Ehrlichkeits-Test: Frag dich vor jedem Einsatz: Würden wir auf Basis dieser Antworten handeln, ohne sie zu prüfen? Wenn ja, ersetzt du gerade Forschung – und genau das solltest du nicht.

Meine Meinung: Besser als nichts?

Die spannendste Frage ist eigentlich nicht, ob synthetische Nutzer echte ersetzen können, denn das können sie definitiv nicht. Spannender ist: Sind sie besser als gar keine Forschung? Auf den ersten Blick schon. Irgendetwas über seine Nutzer zu lernen, klingt besser als nichts.

Das Problem ist nur: Ein Teil dessen, was du lernst, ist falsch und ohne echte Forschung merkst du nicht, welcher Teil. Noch gefährlicher finde ich den 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 echten Menschen aus deiner Zielgruppe bringen dir oft mehr als hundert synthetische Interviews. Genau diese pragmatische Haltung steckt auch hinter Lean UX: schnell lernen, aber von echten Menschen.

Fazit

KI ist ein großartiges Werkzeug im UX-Prozess, zum Recherchieren, Strukturieren, Zusammenfassen und Vorbereiten. Als Ersatz für echte Nutzer taugt sie nicht. Synthetische Nutzer sind zu positiv, zu oberflächlich und zu vorhersehbar, um dir zu zeigen, was deine Nutzer wirklich brauchen. Nutze sie, um bessere Fragen zu stellen. Die Antworten findest du bei echten Menschen.

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