Marktforschung ohne echte Kunden? Nader Fadl über KI-generierte Digital Twins

Stell dich bitte kurz vor.

Ich bin Nader, 35 Jahre alt und Mitgründer von experial. Ich habe immer schon einen starken Fokus auf Consumer Research – habe u.a. meine Doktorarbeit über Gamification geschrieben. Meine Mitgründer sind ebenfalls Forscher: Tobi Klinke im Bereich Consumer Research und Nils Rethmeier mit einer Promotion zu NLP und LLMs.

Was macht ihr bei experial? Kann man sagen, ihr baut statistische digitale Zwillinge von ganzen Zielgruppen?

Bei experial entwickeln wir 'Digital Twins' – KI-gestützte Simulationen ganzer Zielgruppen, die mit echten Daten trainiert werden, um realistische Antworten zu liefern. Langfristig wollen wir Marktforschung demokratisieren und auch für kleinere Unternehmen zugänglich machen.

Der Begriff 'digitale Zwillinge' trifft bei uns eher auf ganze Zielgruppen zu, nicht auf Einzelpersonen. Wichtiger ist, mit Gruppen zu interagieren, die bestimmten Merkmalen entsprechen. Statt Einzelmeinungen abzubilden, liefern wir ein breiteres, repräsentatives Bild.

So kann man gezielt Feedback von Hundebesitzern über 40 mit Eigenheim einholen, ohne dass es um einzelne Personen geht. Die Antworten sind realistisch, aber die Methode ist schneller, günstiger und skalierbarer als klassische Marktforschung – da unsere Twins rund um die Uhr verfügbar sind.

Für welche Branchen arbeitet ihr im Schwerpunkt?

Aktuell fokussieren wir uns auf große Unternehmen im Retail- und Consumer-Goods-Bereich, da sie das Budget haben und von Effizienzgewinnen profitieren. Ein weiteres starkes Feld sind Finanzdienstleister, insbesondere Versicherungen, da sie sich in einem Commodity-Markt differenzieren müssen.

Unsere Kunden sitzen meist im Marketing- oder Produktbereich. Besonders spannend ist es, wenn das C-Level eine kundenzentrierte Strategie vorgibt und engagierte Champions im Unternehmen das Thema aktiv vorantreiben.

Was ist die Motivation von euch?

Langfristig geht es uns darum, Marktforschung zu demokratisieren. Derzeit ist sie oft ein Privileg großer Unternehmen mit entsprechenden Budgets. Kleinere Firmen oder Abteilungen können sich umfassende Research-Projekte häufig nicht leisten und müssen sich auf begrenzte Daten oder Bauchentscheidungen verlassen.

Unsere Lösung ersetzt nicht das direkte Gespräch mit Menschen – im Gegenteil, sie ergänzt es. Man kann entweder bestehende qualitative Research-Ergebnisse hochskalieren, um eine größere Stichprobe zu simulieren, oder in Fällen, in denen qualitative Forschung nicht nötig ist, direkt quantitative Insights generieren. Der Schlüssel ist, die Menge an notwendiger menschlicher Interaktion auf ein Minimum zu reduzieren, während die Ergebnisse dennoch repräsentativ bleiben.

Das bedeutet, dass schon wenige echte Gespräche ausreichen können, um eine gesamte Zielgruppe zuverlässig abzubilden.

Wie reagieren Unternehmen und die bestehenden Anbieter und Marktforscher auf eure sehr disruptive Lösung?

Marktforschungsinstitute reagieren oft mit Sorge, weil wir ihre Prozesse stark automatisieren. Wir bauen nicht nur Twins, sondern auch Research Agents, die Unternehmen helfen, schnell die richtigen Fragen und Methoden zu finden.

Unternehmen reagieren unterschiedlich: Marketing-, Vertriebs- und Produktteams sind begeistert, weil sie schneller und günstiger an Insights kommen. Der bisherige Marktforschungsprozess ist für sie oft zu langsam und teuer, sodass viele Entscheidungen nach Bauchgefühl getroffen werden.

Customer-Insights-Abteilungen sind hingegen anspruchsvoller. Sie interessieren sich besonders für die Genauigkeit unserer Twins und wie nah die Antworten an echten Daten sind. Es entsteht ein Spannungsfeld zwischen dem Wunsch nach schneller Entscheidungsfindung und der Sicherstellung hoher Qualität.

Ich denke, ihr stoßt dementsprechend viel auf Skepsis. Wie stellt ihr sicher, dass eure KI-Generierungen mit echten Daten übereinstimmen?

Wir prüfen kontinuierlich, ob synthetische Antworten auf demselben Niveau wie echte Daten liegen. Dazu nutzen wir sowohl menschliche Annotationen als auch KI-gestützte Bewertungen.

Anfangs annotieren Experten wie Tobi und ich die Daten manuell, um eine verlässliche Basis zu schaffen. Langfristig trainieren wir ein LLM darauf, diesen Bewertungsprozess selbstständig durchzuführen – so kann ein Modell die Antworten eines anderen Modells beurteilen.

Wird in Unternehmen zu wenig getestet, weil es zu aufwendig ist?

Leider ja, selbst große Unternehmen müssen genau abwägen, welche Fragen sie stellen, weil klassische Marktforschung zu teuer und langsam ist. Oft gibt es nur monatliche Omnibus-Umfragen, bei denen jede Abteilung drei Fragen einreichen darf – das liefert kaum echte Insights.

Unsere Methode ermöglicht es, extrem spezifische Fragen sofort zu beantworten. Statt Wochen auf Ergebnisse zu warten, könnten Unternehmen in Meetings direkt Antworten erhalten und darauf aufbauend weitere Fragen stellen.

Ist klassische Marktforschung zu langsam und unflexibel für spezifische, schnelle Entscheidungen?

Wenn eine dringende Frage in einem Meeting aufkommt, dauert es mit klassischer Marktforschung Wochen, um Antworten zu bekommen. Mit LLMs könnten Unternehmen sofort Antworten erhalten und sogar direkt Folgefragen stellen.

Verbindet ihr perspektivisch echte Fokusgruppen mit quantitativer Forschung, um tiefere Insights zu geringeren Kosten zu ermöglichen?

Unsere Methode kombiniert quantitative Skalierbarkeit mit den tiefen Insights von Fokusgruppen. So lassen sich datengetriebene Entscheidungen treffen, ohne auf wertvolle qualitative Erkenntnisse echter Menschen zu verzichten.

Ein gutes Beispiel ist der NPS-Score – er gibt eine Zahl vor, aber nicht das 'Warum' dahinter. Spannend wird es erst, wenn man qualitative Antworten hinzufügt: Warum gibt jemand eine 7 oder eine 3?

Warum habt ihr eure Plattform zuerst mit Low Code entwickelt?

Anfangs war Low Code für uns der schnellste Weg, um unsere Plattform nutzbar und iterativ verbesserbar zu machen. Aber mit der Weiterentwicklung unserer Lösung – insbesondere unserem Research Canvas – stießen wir an die Grenzen von Low Code.

Deshalb sind wir mittlerweile auf eine High-Code-Lösung umgestiegen, die uns mehr Flexibilität für interaktive und visuelle Features bietet. Trotzdem nutzen wir weiterhin visuelle Builder wie Langflow, um Prototypen extrem schnell zu entwickeln und zu testen, bevor wir sie in eine produktionsreife API überführen.

Das Problem der Durchschnittswerte – zieht ihr auch Insights aus Randmeinungen?

Ja. Wir schauen uns auch gezielt die Ränder an, weil dort oft spannende Insights stecken. Ein Large Language Model würde standardmäßig auf die Mehrheitsperspektive optimieren und Extremwerte abschneiden.

Technologisch arbeiten wir daran, sowohl die Mehrheitsmeinungen als auch Randmeinungen sichtbar zu machen. So können wir nicht nur die großen Trends einer Zielgruppe abbilden, sondern auch seltene, aber potenziell wertvolle Perspektiven für spezifische Fragestellungen identifizieren.

Nutzt ihr bestehende LLMs oder entwickelt ihr eigene Modelle?

Wir setzen aktuell auf leistungsstarke LLMs, planen aber langfristig eigene Open-Source-Modelle. Ein Problem bei GPT ist, dass wir keinen Zugriff auf Embeddings haben, weshalb ein eigenes Modell irgendwann nötig wird.

Wichtiger als reines Fine-Tuning ist für uns die Evaluation der Antworten. Wir setzen stark auf menschliche Daten, um sicherzustellen, dass unsere Twins realistisch bleiben. Jede Antwort erhält einen Score, der zeigt, wie nah sie an echten menschlichen Verteilungen liegt. Wenn eine Antwort zu stark abweicht, können wir gezielt mit echten Menschen nachjustieren.

Wie läuft der Trainingsprozess eurer Twins ab – validiert ihr eure Antworten mit echten Daten?

Wir fokussieren uns vor allem darauf, die Verteilung einer Zielgruppe abzubilden. Ein Beispiel: Wir haben 1.000 Personen in Deutschland zu Versicherungsthemen und Persönlichkeitsmerkmalen befragt. Diese Daten nutzen wir, um Twins zu erstellen, die repräsentativ für Deutschland sind.

Wenn wir Fragen an dieses Twin-Panel stellen, prüfen wir, ob die Antworten die gleiche Verteilung haben wie die echten Daten. Es geht nicht darum, einzelne Aussagen exakt zu reproduzieren, sondern ein realistisches Gesamtbild zu erzeugen.

Zur Validierung: Für öffentliche Daten wie Wahlumfragen können wir unsere Modelle gut validieren, indem wir sie auf bestehende Ergebnisse mappen. Aber spannend wird es bei spezifischen Fragen, für die keine Trainingsdaten existieren. Hier kombinieren wir bestehende Kundendaten mit kleinen, gezielten Befragungen. Falls die Abweichung zu groß ist, erheben wir mehr Daten, bis zusätzliche Antworten kaum noch einen Unterschied machen – so optimieren wir unsere Modelle iterativ.

In welchen Bereichen bleibt der Mensch unersetzbar, trotz KI-gestützter Automatisierung?

Je mehr KI Prozesse übernimmt, desto stärker wird die Gegenbewegung sein. Ich kann mir vorstellen, dass Menschen bereit sind, mit KI-Agenten zu interagieren – etwa für Angebote oder Dokumente. Aber bevor sie eine finale Entscheidung treffen, wollen sie oft mit einem echten Menschen sprechen.

Wenn es um Beziehungen und Vertrauen geht, bleibt der Mensch essenziell. KI kann Abläufe optimieren, aber echte, zwischenmenschliche Verbindungen sind nicht automatisierbar.

Worin liegt für dich der eigentliche Wert der Marktforschung?

Die spannende Arbeit in der Marktforschung liegt in der Nutzung der Ergebnisse, nicht im Erheben, Auswerten oder Reporten. Ich will eine Frage stellen, schnell eine Antwort bekommen und direkt darauf aufbauen – sei es mit einer tiefergehenden Analyse oder einer konkreten Entscheidung.

Marktforschung – egal ob mit echten Menschen oder synthetisch – dient meist der Risikominimierung. Eine KI-gestützte Marktforschung könnte diesen Prozess beschleunigen, indem sie schnell grobe Tendenzen aufzeigt und potenzielle Fallstricke sichtbar macht. Oft erkennt man problematische Assoziationen, wie ein ungewolltes Symbol im Logo oder eine ungünstige Verpackungsgestaltung, erst wenn jemand anderes darauf aufmerksam macht.

Welche Tipps hast du für Unternehmen, die KI und Testing besser nutzen wollen?

Erstens: Nimm dir regelmäßig Zeit, um KI-Tools auszuprobieren. LLMs wie ChatGPT oder Custom GPTs können viele Aufgaben erleichtern – vom Schreiben von User Stories bis hin zu E-Mail-Antworten.

Zweitens: Nutze KI als Sparringspartner. Egal ob für Produktentwicklung, Texte oder Entscheidungen – KI kann helfen, schneller zu besseren Ergebnissen zu kommen.

Drittens: Automatisiere, wo es sinnvoll ist. Viele Prozesse wie Accounting oder E-Mails können zu 90 % automatisiert werden, sodass du dich auf die wirklich wichtigen Aufgaben konzentrieren kannst.

Wie sieht der perfekte Onlineshop der Zukunft aus?

Der Shop der Zukunft ist hyperpersonalisiert – ähnlich wie ein Social-Media-Feed. Plattformen wie TikTok zeigen, wie Inhalte individuell auf Nutzer zugeschnitten werden. Genau das wird auch im E-Commerce passieren: Statt einer festen Shop-Seite bekommt jeder Nutzer eine individuell optimierte Version zu sehen.

Amazon macht das bereits effizient, aber KI wird es bald auch kleineren Shops ermöglichen. So werden nicht nur einzelne Produktvorschläge personalisiert, sondern das gesamte Shopping-Erlebnis – was die Conversion Rate deutlich steigern kann.

Wo siehst du noch Potenzial im E-Commerce in deinem Segment?

Meinungsforschung ist nur ein Teil des Bildes. Noch spannender wird es, wenn synthetische Twins sich realistisch verhalten – also nicht nur sagen, was sie tun würden, sondern es tatsächlich simulieren.

Statt klassischem A/B-Testing könnten wir Varianten durchspielen, ohne Werbebudget zu verbrennen. Die KI erstellt und testet selbst Landingpages, die für jede Zielgruppe optimiert sind. So sieht jeder Nutzer eine personalisierte Version des Shops, was die Conversion Rate steigern kann.

Viele Unternehmen holen sich gar kein Feedback ein. Dabei ist jede Art von Rückmeldung besser als gar keine. Selbst wenn die Antworten nicht perfekt sind, helfen sie, erste Erkenntnisse zu gewinnen und Anpassungen vorzunehmen.

Schlussfrage: Was ist dein wichtigster Tipp für Unternehmen in der digitalen Welt?

Sei schnell! Ob mit Low Code, No Code oder klassischem Coding – das Wichtigste ist, schnell Prototypen zu bauen, zu testen und anzupassen. Unternehmen, die agil arbeiten und sich iterativ verbessern, haben einen riesigen Vorteil im Markt.

Jede Landingpage, jeder Text, jedes Design ist nur die erste Version. Feedback – ob von echten Menschen oder synthetischen Teilnehmern – ermöglicht es, gezielt zu optimieren. Damit dieser Prozess funktioniert, müssen Unternehmen einfache Tools haben, um schnell und effizient zu testen.