KI in der qualitativen Forschung: Werkzeug, kein Wunder

Von Thorsten Weber — Geschäftsführer von WMM – Weber Marketing- und Marktforschung GmbH, Hamburg. Er forscht seit über zwanzig Jahren qualitativ.

Es gibt einen Moment in qualitativen Interviews, den kein Transkript einfängt. Ein Teilnehmer zögert. Eine halbe Sekunde zu lang. Die Antwort kommt dann — glatt, fertig, sozial akzeptabel. Aber das Zögern war der eigentliche Befund. Ein erfahrener Moderator spürt das. Er fragt nach. Nicht weil der Leitfaden es vorsieht, sondern weil irgendetwas im Raum nicht stimmt. Was dann kommt, verändert manchmal die gesamte Richtung der Analyse.

Eine KI fragt nicht nach. Sie hat kein Bauchgefühl. Sie registriert kein Schweigen, kein Augenrollen, keine Körperhaltung, die dem Gesagten widerspricht. Sie verarbeitet, was gesagt wird — und übersieht systematisch, was gemeint ist.

Das ist keine Kritik an künstlicher Intelligenz. Es ist eine Beschreibung dessen, was sie ist: ein außerordentlich leistungsfähiges Werkzeug zur Mustererkennung in Sprache. Nicht mehr. Und auch nicht weniger.

Die Debatte um KI in der qualitativen Marktforschung leidet an einem grundlegenden Kategorienfehler. Sie verwechselt Analyse mit Interpretation.

Analyse zählt, clustert, kategorisiert. Sie beantwortet die Frage: Was ist hier? KI leistet das gut — und bei großen Datenmengen besser als jeder Mensch. Transkription, Erstcodierung, thematisches Clustering über vierzig Interviews hinweg, Erkennung von Mustern in mehrsprachigen Datensätzen: Das sind reale Stärken, die echte Zeit sparen.

Interpretation beantwortet eine andere Frage: Was bedeutet das — für wen, warum, jetzt? Diese Leistung erfordert Kategorienwissen, Projekterfahrung, den Kontext des Gesprächs, das Gedächtnis dafür, wie jemand klang, als er ein bestimmtes Wort aussprach. Sie erfordert Empathie. Und sie erfordert die Bereitschaft, einen unerwarteten Befund als Befund zu behandeln — und nicht als Fehler.

„Die KI erkennt, dass vierzehn von zwanzig Teilnehmern das Wort Vertrauen negativ verwendeten. Die Frage, warum das Vertrauen erodiert ist, beantwortet kein Algorithmus.“

Nehmen wir ein konkretes Beispiel aus unserer Praxis. Ein Kunde liefert einen Screener mit der Frage, ob Teilnehmer lieber günstig oder teuer kaufen — auf einer Skala von eins bis fünf. Eine scheinbar klare Frage.

Was unsere Recruiter in den Gesprächen merkten: Die Teilnehmer zögerten. Antworteten zu schnell. Etwas stimmte nicht. Die Auflösung: Das Wort teuer bedeutete für den Kunden alles über 25 Euro. Für die meisten Teilnehmer begann teuer erst bei 250 Euro oder mehr.

Ein menschlicher Recruiter spürt solche Diskrepanzen — aus einem Tonfall, einem kurzen Moment der Verwirrung, einer Antwort, die zu glatt kommt. Er flaggt das Problem, bevor es den gesamten Datensatz kontaminiert. Eine KI verarbeitet die Antwort, die sie erhält. Sie bemerkt nicht, dass die Frage das Problem war.

Das ist kein Argument gegen KI in der Rekrutierung. Für standardisierte Konsumgüterstudien, einfache Screenings, große Bewerberzahlen: Die Effizienzgewinne sind real. Aber je spezifischer, sensibler oder nuancierter die Studie — bei Luxusstudien, bei medizinischen Themen, bei allem, wo das Ungesagte so viel zählt wie das Gesagte — desto unersetzlicher wird der menschliche Recruiter.

Es gibt eine zweite Debatte, die in der Branche zu leise geführt wird: die Frage nach den Daten.

In qualitativen Interviews sprechen Menschen über Gesundheit, Geld, Familie, über Dinge, die sie öffentlich nie sagen würden. Sie tun es, weil der Forschungsrahmen Vertrauen schafft. Was passiert mit diesem Vertrauen, wenn das Transkript in ein Cloud-System wandert, das drei Unterlieferanten weiter niemand mehr kennt? Hat der Teilnehmer dem zugestimmt? Weiß er überhaupt, dass es passiert?

Datenschutz, informierte Einwilligung, Verarbeitungstransparenz: Das sind keine bürokratischen Pflichtübungen. Es sind die Bedingungen, unter denen Menschen bereit sind, ehrlich zu sprechen. Wer sie als lästige Compliance-Aufgabe behandelt, setzt das Fundament seiner Forschung aufs Spiel.

„Ungeprüfte KI ist gefährlicher als schlechte KI. Ein Ergebnis, das gut aussieht und trotzdem falsch liegt, wird seltener hinterfragt.“

Die Frage ist also nicht: KI oder kein KI. Die Frage ist: Wofür, und mit welchem Anspruch?

Ein Maßanzug kostet mehr als Konfektionsware. Ein Architektenhaus kostet mehr als ein Fertighaus. Beides ist legitim. Der Unterschied liegt nicht in der Qualität des Materials, sondern in dem, was man wirklich braucht — und ob man bereit ist, das ehrlich zu beantworten.

Bei WMM bieten wir beides an. Für die Simultanübersetzung in einem internationalen Forschungsprojekt können wir eine lizenzierte Dolmetscherin vermitteln — für rund 200 Euro pro Stunde, ausgezeichnete Qualität, nichts geht verloren. Oder wir nutzen KI-gestützte Übersetzung für eine Pauschale von 25 Euro, die für viele Zwecke vollkommen ausreicht. Dieselbe Grundfrage, zwei legitime Antworten. Die Aufgabe des Forschungspartners ist es, zu verstehen, welche davon passt.

Kunden fragen uns selten nach KI. Sie fragen nach Lösungen. Was sie wirklich brauchen — manchmal wissen sie es selbst nicht. Diese Frage zu stellen, ehrlich zu beraten und transparent über Trade-offs zu sprechen: Das ist keine Technologiefrage. Es ist eine Beratungsaufgabe.

KI verändert, wie qualitative Forschung durchgeführt wird. Sie verändert nicht, wozu sie da ist.

Qualitative Marktforschung existiert, um echte Menschen zu verstehen, die echte Entscheidungen treffen — mit all den Widersprüchen, Zögerungen und unausgesprochenen Dingen, die dazugehören. Kein Algorithmus der Welt wird einen Moderator ersetzen, der merkt, dass der ruhigste Teilnehmer im Raum gerade am meisten zu sagen hat.

Das größte Risiko ist nicht, dass KI qualitative Forschung obsolet macht. Das größte Risiko ist, dass sie mittelmäßige qualitative Forschung leichter produzierbar — und schwerer von guter zu unterscheiden macht.

Das ist die Herausforderung, der sich die Branche stellen muss. Nicht irgendwann. Jetzt.