KI skaliert nicht automatisch Erkenntnis

KI skaliert nicht automatisch Erkenntnis. Schwache Daten werden durch KI nicht valider – nur überzeugender verpackt.

KI kann qualitative Forschung sinnvoll unterstützen. Sie kann jedoch weder unmotivierte Teilnehmer noch oberflächliche Antworten, problematische Stichproben oder verzerrte Ausgangsdaten in valide Erkenntnisse verwandeln. Werden schwache Daten automatisiert verarbeitet, steigt nicht zwangsläufig die Erkenntnisqualität – häufig steigt zunächst nur die Geschwindigkeit, mit der scheinbar präzise Ergebnisse produziert werden.

Die qualitative Marktforschung erlebt derzeit einen tiefgreifenden technologischen Wandel. Unter Begriffen wie „Qual at Scale“, synthetische Probanden, automatisierte Interviews oder KI-generierte Insights werden Verfahren angeboten, die eine bislang kaum erreichbare Geschwindigkeit und Reichweite versprechen. Tausende Antworten lassen sich in kurzer Zeit sammeln, strukturieren, clustern und in professionell formulierte Ergebnisbilder überführen.

Dieser Fortschritt ist grundsätzlich begrüßenswert. KI kann Transkripte durchsuchen, wiederkehrende Muster identifizieren, große Materialmengen ordnen und Forscher bei der Hypothesenbildung unterstützen. Problematisch wird es jedoch, wenn technische Skalierbarkeit mit methodischer Qualität gleichgesetzt wird. Denn mehr Daten bedeuten nicht automatisch mehr Erkenntnis – und eine sprachlich überzeugende Auswertung ist noch kein Beweis für empirische Belastbarkeit.

In einem Interview mit der BILD weist Prof. Dr. Dennis-Kenji Kipker auf ein allgemeines Risiko datengetriebener KI-Systeme hin: Werden automatisierte Systeme zunehmend mit ungenauen oder qualitativ schwachen Datensätzen gespeist, können Fehlerquoten steigen, vorhandenes Expertenwissen verloren gehen und scheinbar überwundene Probleme erneut auftreten. Zudem seien die mittel- und langfristigen Folgen kurzfristiger Produktivitätsgewinne noch nicht vollständig absehbar.

Die methodische Parallele: Kipker spricht nicht ausdrücklich über Incentives oder Onlinepanels. Seine Warnung beschreibt jedoch denselben Grundmechanismus: Die Qualität eines KI-Ergebnisses bleibt von der Qualität der Daten und des vorhandenen Fachwissens abhängig.

Auf die Marktforschung übertragen bedeutet dies: Wenn die zugrunde liegenden Antworten oberflächlich, unreflektiert, strategisch oder verzerrt sind, kann eine KI diese Defizite nicht nachträglich beseitigen. Sie kann sie lediglich verarbeiten – und unter Umständen so professionell präsentieren, dass ihre Schwächen weniger sichtbar werden.

Besonders kritisch ist die Frage, aus welchen Quellen die Daten stammen, auf denen neue KI-basierte Research-Angebote aufbauen. Viele Verfahren greifen direkt oder indirekt auf standardisierte Onlinebefragungen, Paneldaten, offene Texteingaben oder historisches Befragungsmaterial zurück. Dabei sind mehrere Qualitätsrisiken bekannt:

• geringe Motivation bei sehr niedrigen Incentives,
• Zeitdruck und möglichst schnelles „Durchklicken“,
• unzureichende Aufmerksamkeit beim Lesen der Fragen,
• knappe oder wenig reflektierte offene Antworten,
• strategisches Antwortverhalten zur Qualifikation für weitere Studien,
• professionelle Vielteilnahme, Mehrfachteilnahmen oder Identitätsprobleme,
• sozial erwünschte Antworten sowie fehlender Kontext.

Nicht jeder Teilnehmer verhält sich so, und nicht jede quantitative Studie liefert schwache Daten. Wissenschaftlich und methodisch problematisch wäre daher eine pauschale Abwertung aller Panelteilnehmer. Dennoch ist das Risiko real: Ein Incentive, das vor allem die schnelle Fertigstellung belohnt, fördert nicht automatisch intensive Reflexion. Bei offenen Fragen steigt zudem die Belastung für Teilnehmer, während die Bereitschaft zu differenzierten Texteingaben häufig begrenzt bleibt.

KI-Systeme sind besonders leistungsfähig darin, sprachliche Ordnung zu erzeugen. Sie können fragmentarische Antworten glätten, Themen zusammenfassen und aus vielen Einzeläußerungen ein kohärentes Narrativ formulieren. Genau darin liegt jedoch auch ein epistemisches Risiko: Kohärenz kann mit Wahrheit, sprachliche Präzision mit empirischer Präzision und Häufigkeit mit Bedeutung verwechselt werden.

Ein qualitatives Interview lebt dagegen nicht nur von Antworten, sondern vom Prozess der Erkenntnisgewinnung: Ein guter Moderator erkennt Widersprüche, fragt nach Beispielen, prüft Begriffe, reagiert auf Unsicherheit und vertieft unerwartete Aussagen. Diese Interaktion erzeugt Kontext. Wo dieser Kontext bei der Erhebung nicht entstanden ist, kann er später nur noch geschätzt oder simuliert werden.

Bei synthetischen Probanden verschärft sich die Problematik. Ein synthetischer Proband verfügt weder über eigene Erfahrungen noch über tatsächliche Bedürfnisse, Erinnerungen, Emotionen oder Kaufentscheidungen. Er erzeugt eine statistisch oder sprachlich plausible Antwort auf Basis vorhandener Daten und Modellannahmen.

Damit können synthetische Zielgruppen für Ideengenerierung, Szenarien, frühe Hypothesen oder methodische Vorstudien nützlich sein. Sie sollten jedoch nicht mit empirisch befragten Menschen gleichgesetzt werden. Die Plausibilität einer Antwort sagt nichts darüber aus, ob reale Menschen in einer konkreten Lebenssituation tatsächlich so denken, fühlen oder handeln.

Das größte Risiko ist nicht, dass synthetische Ergebnisse offensichtlich falsch klingen. Das größte Risiko ist, dass sie überzeugend klingen, obwohl ihre empirische Grundlage schwach ist.

Der Begriff „Qual at Scale“ suggeriert, qualitative Tiefe lasse sich durch große Fallzahlen und automatisierte Auswertung nahezu beliebig vervielfachen. Dabei besteht die Gefahr einer methodischen Begriffsverschiebung. Eine große Menge offener Antworten ist nicht automatisch qualitative Forschung. Qualitative Qualität entsteht nicht allein durch Textmenge, sondern durch Auswahl, Beziehung, Gesprächsführung, Kontextualisierung, Interpretation und die Bereitschaft, Ambivalenzen auszuhalten.

KI kann Skalierung ermöglichen – etwa bei der Sichtung umfangreicher Materialien oder bei der systematischen Vorbereitung menschlicher Analyse. Sie sollte jedoch nicht darüber hinwegtäuschen, dass die Qualität am Anfang der Forschungskette entsteht: bei der Zielgruppendefinition, Rekrutierung, Identitätsprüfung, Motivation, Incentivierung, Gesprächsführung und methodischen Kontrolle.

Wer KI-basierte Research-Lösungen bewertet, sollte deshalb nicht nur nach Geschwindigkeit, Fallzahl und visueller Qualität der Outputs fragen. Entscheidend sind vielmehr transparente Nachweise zur Entstehung und Qualität der Daten:

• Woher stammen die zugrunde liegenden Daten?
• Wie wurden Teilnehmer rekrutiert und identifiziert?
• Wie hoch und wie angemessen war die Incentivierung?
• Wie wurden Aufmerksamkeit, Ernsthaftigkeit und Mehrfachteilnahmen kontrolliert?
• Welche Aussagen beruhen auf realen Teilnehmerdaten und welche auf Modellannahmen?
• Wo fand menschliche methodische Prüfung statt?
• Wie werden Unsicherheit, Gegenbeispiele und widersprüchliche Befunde sichtbar gemacht?

Diese Fragen richten sich nicht gegen KI. Im Gegenteil: Sie schaffen die Voraussetzung dafür, KI verantwortungsvoll und produktiv einzusetzen. Technologie entfaltet ihren größten Nutzen dort, wo sie hochwertige Forschung ergänzt – nicht dort, wo sie Qualitätsdefizite verdeckt.

Die Warnung von Prof. Dr. Dennis-Kenji Kipker lässt sich sinnvoll auf die aktuelle Entwicklung in der Marktforschung übertragen. Seine Aussage ist keine direkte Kritik an „Qual at Scale“, synthetischen Probanden oder niedrigen Incentives. Sie liefert jedoch den übergeordneten Bezugsrahmen: Automatisierung und kurzfristige Produktivitätsgewinne dürfen nicht dazu führen, dass Datenqualität, Fachwissen und methodische Sorgfalt an Bedeutung verlieren.

KI ist in erster Linie ein Verstärker. Sie kann gute Daten schneller erschließen, gute Forscher wirksamer unterstützen und hochwertige Erkenntnisse besser zugänglich machen. Sie kann aber ebenso oberflächliche Daten skalieren, Verzerrungen reproduzieren und Scheingenauigkeit erzeugen.

KI skaliert nicht automatisch Erkenntnis. Unter schlechten Voraussetzungen skaliert sie lediglich die Illusion von Erkenntnis.

Einordnung und Transparenz: Dieser Fachbeitrag basiert auf einem bereitgestellten Interviewtranskript und überträgt die dort formulierte allgemeine Warnung vor ungenauen Datensätzen und Wissensverlust auf methodische Fragen der Marktforschung. Die konkrete Kritik an Incentivierung, Panelqualität und synthetischen Probanden ist eine fachliche Interpretation des Autors und kein wörtliches Statement von Prof. Dr. Dennis-Kenji Kipker.