Zielgruppensimulation: Können LLMs menschliches Verhalten vorhersagen?

Im Marketing ist die Bewertung, wie genau LLMs menschliches Verhalten vorhersagen, entscheidend für die Beurteilung ihrer Wirksamkeit bei der Antizipation von Zielgruppenbedürfnissen und der Erkennung der Risiken von Fehlausrichtung, ineffektiver Kommunikation oder unbeabsichtigter Beeinflussung.

Die Zielgruppensimulation mit LLMs ermöglicht die Modellierung virtueller Zielgruppen und hilft Organisationen, Reaktionen auf Inhalte oder Produkte vorherzusehen, ohne auf teure Umfragen oder Fokusgruppen angewiesen zu sein.

Wir haben getestet, wie gut KI-Modelle vorhersagen können, welcher von zwei LinkedIn-Beiträgen desselben Autors mehr Engagement (Likes, Kommentare, Shares) erzielt, und simulieren so im Wesentlichen das Verhalten eines menschlichen Publikums.

Ergebnisse des Benchmarks zur Zielgruppensimulation

Gründe für Leistungsunterschiede bei LLMs

LLM zeigen unterschiedliche Genauigkeitsgrade bei der Vorhersage, welcher von zwei LinkedIn-Beiträgen desselben Autors ein höheres Engagement erzielen wird. Diese Unterschiede ergeben sich daraus, wie gut jedes Modell die im Benchmark beschriebenen Eingaben verarbeitet und wie effektiv es die Faktoren identifiziert, die Reaktionen des Publikums beeinflussen.

Verständnis von Engagementsignalen

Der Benchmark verlangt von den Modellen, subtile Hinweise zu bewerten, die Engagement vorhersagen. Leistungsstärkere Modelle neigen dazu, diese Hinweise genauer zu erkennen. Zu diesen Hinweisen gehört, ob der Beitrag:

• Eine persönliche Einsicht oder eine Lektion vermittelt
• Eine direkte Frage stellt
• Für eine breite Zielgruppe nachvollziehbar ist
• Werbend wirkt
• Strukturell die Aufmerksamkeit des Lesers beeinflusst

Modelle wie DeepSeek Chat V3 und Claude Opus 4 schneiden gut ab, weil sie diese Hinweise mit größerer Konsistenz erkennen.

Nutzung kontextueller Informationen

Die Bewertung umfasst mehrere Kontextinformationen für jeden Beitrag, und die Modelle unterscheiden sich darin, wie gut sie diese nutzen. Jedes Modell erhält:

• Beitragstext
• Medientyp wie Text, Bild, Video oder Link
• Follower-Bereich des Autors

Eine genaue Vorhersage erfordert, dass das Modell diese Eingaben kombiniert. Leistungsstärkere Modelle erkennen Muster, wie z. B. geringeres Engagement bei Link-Beiträgen und höheres Engagement bei reflektierenden Erzählungen. Schwächere Modelle behandeln Eingaben oft isoliert oder übersehen deren Wechselwirkungen.

Interpretation menschlichen Verhaltens

Die Vorhersage von Engagement erfordert das Denken über Zielgruppenpräferenzen. Einige wenige Modelle zeigen eine starke Fähigkeit in diesem Bereich. Viele Modelle bleiben nahe der 50 %-Basislinie, weil das Publikumsverhalten variabel ist und von psychologischen Faktoren abhängt, die allein aus Text schwer abzuleiten sind.

Modelle, die etwa 52 % erreichen, zeigen ein teilweisees Verständnis dieser Hinweise. Sie können allgemeine Muster erkennen, haben aber Probleme in Grenzfällen. Modelle mit niedrigen Punktzahlen, wie o1, scheinen gängige Engagement-Treiber falsch einzuschätzen und bevorzugen oft die weniger ansprechende Option.

Einfluss der Trainingsdaten

Es wird festgestellt, dass die Modellausgaben die Daten widerspiegeln, auf denen sie trainiert wurden. Wenn die Trainingsdaten nicht eine breite Palette von Kommunikationsstilen oder demografischen Gruppen abbilden, kann das Modell bestimmte Arten von Inhalten falsch interpretieren. Diese Trainingsunterschiede tragen direkt zur Streuung der Ergebnisse im Benchmark bei.

Modelle, die auf breiteren oder dialogorientierteren Datensätzen trainiert wurden, können Nutzerreaktionen tendenziell besser annähern. Modelle, die auf engeren Datensätzen trainiert wurden, stützen sich häufig auf oberflächliche Merkmale, die nicht gut mit dem tatsächlichen Engagement korrelieren.

Generalisierung über Autoren hinweg

Der Datensatz enthält Beiträge von 50 Autoren mit unterschiedlichen Followerzahlen, Medienpräferenzen und Schreibstilen. Modelle müssen über diese Unterschiede hinweg generalisieren. Stärkere Modelle bilden konsistente Erwartungen darüber, was Engagement unabhängig vom Autor antreibt.

Schwächere Modelle wenden inkonsistente Kriterien auf verschiedene Autoren und Beiträge an.

Siehe unsere Methodik, um zu verstehen, wie wir diese Messungen berechnen.

Was ist Zielgruppensimulation?

Zielgruppensimulation ist die Praxis, synthetische, modellgetriebene Populationen – manchmal auch als virtuelle Zielgruppen bezeichnet – zu nutzen, um vorherzusagen, wie reale Menschen auf Inhalte, Produkte oder politische Ideen reagieren könnten, bevor diese veröffentlicht werden. Anstatt Live-Tests mit teuren Umfragen oder Fokusgruppen durchzuführen, können Organisationen Personas erstellen, die ihre Zielgruppe repräsentieren, und deren simulierte Reaktionen beobachten.

Die Technik baut auf Methoden der agentenbasierten Modellierung, großen Sprachmodellen und Persona-Simulation auf. Jeder simulierte Agent oder jede Persona wird mit Attributen wie Demografie, Präferenzen oder Verhaltenstendenzen gestaltet. Together interagieren diese Personas und erzeugen synthetische Daten, die das Verhalten einer Gruppe realer Kunden oder Bürger in derselben Situation annähern.

Wie funktionieren Tools zur Zielgruppensimulation?

Die Mechanismen der Zielgruppensimulation hängen von den verwendeten Tools ab, aber die meisten Ansätze teilen gemeinsame Komponenten:

• Persona-Design: Forscher definieren Personas auf der Grundlage spezifischer demografischer, psychografischer oder Marktsegmente. Diese Personas können von einfachen regelbasierten Agenten bis hin zu detaillierten KI-Personas reichen, die mit Biografien und Konversationsfähigkeiten angereichert sind.
• Synthetische Datengenerierung: LLM helfen, Dialoge, Umfrageantworten oder Posting-Verhalten zu simulieren. Beispielsweise betreibt Artificial Societies 100–300 KI-Personas, die LinkedIn-Beiträge lesen, darauf reagieren und sie erneut teilen, um Netzwerkdynamiken zu simulieren.
• Interaktionsmodellierung: Personas handeln nicht isoliert. Sie interagieren, beeinflussen sich gegenseitig und bilden Muster wie Echokammern, Wellen von Reposts oder Verschiebungen der öffentlichen Meinung. Dies ermöglicht es Simulationen, sowohl individuelle Reaktionen als auch Phänomene auf Gruppenebene zu erfassen.
• Szenariotests: Durch Variation von Eingaben wie Nachrichtenformulierung, Medientyp oder Umfragefragen können Organisationen beobachten, wie simulierte Zielgruppen auf diese Variationen reagieren. Diese Szenarien helfen, Hypothesen zu generieren und Ideen in einer sicheren Übungsphase zu testen, bevor mit echten Menschen interagiert wird.
• Datenanalyse: Die Ergebnisse werden mithilfe von Techniken wie Wortwolken, Sentimentanalyse und Genauigkeitsbewertung analysiert. Die Ergebnisse können wahrscheinliche Gewinner zwischen zwei Beitragsvarianten, häufige Themen im Feedback oder die Perspektive einer Persona aufzeigen, warum eine Idee mehr Anklang findet als eine andere.

Praxisbeispiel: Generative Agentensimulationen der Stanford University

Ein Forschungsteam der Stanford University entwickelte eine Agentenarchitektur, die qualitative Interviewdaten in LLM-gestützte Repräsentationen realer Individuen umwandelt.

Anstatt Personas allein aus demografischen Labels zu konstruieren, ist jeder Agent in einem zweistündigen Interview mit der Person verankert, die er repräsentiert. Getestet anhand des General Social Survey, stimmten die Antworten der Agenten nahezu so gut mit denen ihrer Quellindividuen überein wie diese Individuen mit ihren eigenen Antworten bei einer erneuten Befragung zwei Wochen später.

Die Architektur zeigte auch eine geringere Vorhersageverzerrung über rassische und ideologische Gruppen hinweg im Vergleich zu demografiespezifischen Persona-Ansätzen, was darauf hindeutet, dass sie vielfältige Populationen treuer modellieren kann als einfachere Methoden.¹

Anwendungsfälle der Zielgruppensimulation

Marketing und Werbung

Marken können Kampagnenslogans, Visuals oder Produktpositionierungen mit einem virtuellen Publikum testen, bevor sie in großflächige Verteilung investieren. Anstatt sich ausschließlich auf traditionelle Umfrageantworten zu verlassen, können sie synthetische Daten aus KI-Personas generieren und die Leistung über Gruppen hinweg vergleichen.

Beispielsweise können Vermarkter feststellen, ob ein Produkt bei der Gen Z mehr Anklang findet als bei älteren Fachkräften, und ihre Kreativstrategie entsprechend anpassen. Diese Fähigkeit, Kampagnen in der Testphase zu validieren, führt zu Kosteneinsparungen und präziserem Targeting.

Praxisbeispiel: Focus Agent

Forscher der KU Leuven entwickelten ein Multi-Agenten-System, das die Struktur einer traditionellen Fokusgruppe vollständig in Software nachbildet, einschließlich der Teilnehmer- und der Moderatorenrolle.

Das System wurde validiert, indem fünf echte Fokusgruppensitzungen mit 23 menschlichen Teilnehmern zu denselben Diskussionsthemen durchgeführt und die Ergebnisse dann mit denen verglichen wurden, die allein von KI-Teilnehmern generiert wurden. Die KI-generierten Meinungen stimmten eng mit denen der menschlichen Befragten überein.

Neben dem Ersatz der Teilnehmer bot der LLM-Moderator auch praktische Vorteile gegenüber menschlicher Moderation, wie konsistentere Themenlenkung und Zeitmanagement.²

Medien und Verlagswesen

Medienunternehmen können simulieren, wie verschiedene Inhaltsformate (z. B. kurze Posts, Langformartikel, Video-Erklärungen) bei ihren Zielgruppen ankommen werden.

Die Persona-Simulation ermöglicht auch, zu testen, wie Schlagzeilen die Klickraten beeinflussen oder wie der Ton die Shares beeinflusst. Durch die Antizipation von Reaktionen können Redakteure Geschichten priorisieren, die mit höherer Wahrscheinlichkeit verbreitet werden, anstatt auf Metriken nach der Veröffentlichung zu warten.

Öffentliche Politik und Forschung

Regierungen und Denkfabriken können die Zielgruppensimulation nutzen, um politische Forschungsideen zu testen. Synthetische Populationen, die nach spezifischen demografischen Merkmalen modelliert sind, können veranschaulichen, wie verschiedene Gemeinschaften auf eine neue Steuer, Gesundheitsregulierung oder Klimainitiative reagieren könnten. Forscher haben generative Simulationen eingesetzt, um Themen wie Polarisierung und Fehlinformationen zu untersuchen.

Dieser Ansatz erleichtert die Hypothesengenerierung und bietet eine sicherere Umgebung, um unbeabsichtigte Konsequenzen zu antizipieren, bevor mit echten Menschen interagiert wird.

Produktentwicklung

Unternehmen können simulieren, wie Personas, die bestimmte demografische Gruppen repräsentieren, über eine neue Funktion oder ein neues Gerät sprechen. Ein Technologieunternehmen könnte beispielsweise vergleichen, ob Kleinunternehmer, Studenten oder Unternehmensmanager mehr Wert in einem neuen Software-Update sehen.

Erkenntnisse aus der Simulation können Designentscheidungen beeinflussen und das Risiko mindern, Funktionen zu veröffentlichen, die bei der beabsichtigten Zielgruppe nicht ankommen.

Training und Bildung

Universitäten und Unternehmen können Simulationen nutzen, um Übungsumgebungen zu schaffen, in denen Lernende mit KI-Personas interagieren. Ein angehender Verhandlungsführer könnte mit simulierten Gegenübern üben, oder ein Medizinstudent könnte Kommunikationsstrategien mit synthetischen Patienten testen.

Diese Trainingsszenarien bieten eine realistische Bandbreite an Reaktionen und ermöglichen es den Lernenden, ihre Fähigkeiten zu verfeinern, bevor sie auf echte Individuen treffen.

Marktforschungsagenturen

Traditionelle Umfragefragen und Fokusgruppen können kostspielig und langsam sein. Marktforschungsagenturen können sie durch Zielgruppensimulation ergänzen, um synthetische Daten zu generieren, die schnelle richtungsweisende Erkenntnisse liefern.

Obwohl Simulationen das Engagement mit echten Kunden nicht ersetzen, können sie die Abhängigkeit von teuren Panels verringern und Tests in der Frühphase beschleunigen.

Tools zur Zielgruppensimulation

Wenn Sie ein dediziertes Tool für die Zielgruppensimulation suchen, anstatt LLMs zu verwenden, hier sind einige Optionen:

Artificial Societies

Artificial Societies ermöglicht es Benutzern, eine Zielgruppe in einfacher Sprache zu beschreiben oder eine auf der Grundlage von Social-Media-Interaktionen zu generieren. Es konstruiert dann eine „Gesellschaft“ von Personas und führt KI-gesteuerte Simulationen durch.

Jede Simulation umfasst automatische A/B-Tests, die Variationen einer Nachricht im Stil des Benutzers generieren und sie gegen die Zielgruppe testen. Die Ergebnisse werden mit Punktzahlen, Kommentaren und Zusammenfassungen präsentiert, was eine schnelle Interpretation ermöglicht. Die Anwendungsfälle umfassen PR, Produktentwicklung, Branding, Marketing, Journalismus und soziale Medien.

Abbildung 1: Dashboard der Simulation von Artificial Societies.

Praxisbeispiel: Teneo

Teneo, ein PR-Unternehmen, bereitete die Einführung einer neuen Technologiestrategie vor und musste testen, ob seine Botschaften bei wichtigen Stakeholdern ankommen würden, bevor es sie öffentlich bekannt gab. Das Unternehmen stand jedoch vor mehreren Einschränkungen:

• Die Strategie war vertraulich, was traditionelle Forschungsmethoden einschränkte.
• Der Zeitplan war kurz, was groß angelegte Umfragen erschwerte.
• Wichtige Zielgruppen wie politische Entscheidungsträger, Branchenführer und spezialisierte Stakeholder waren über herkömmliche Marktforschungspanels kaum erreichbar.

Um diese Herausforderungen zu bewältigen, ging Teneo eine Partnerschaft mit Artificial Societies ein. Der Prozess umfasste:

• Erstellung von KI-Personas: Über 5.000 KI-Personas wurden generiert. Diese Personas basierten auf echten demografischen und psychografischen Profilen, die durch Social Listening und qualitative Forschung informiert waren.
• Aufbau spezialisierter „Gesellschaften“: Separate KI-Gesellschaften repräsentierten verschiedene Stakeholder-Gruppen, darunter:
  • Verbraucher
  • Branchenkollegen
  • Politische Entscheidungsträger, Lobbyisten und politische Influencer.
• Testen von Botschaftsnarrativen: Forscher testeten sechs konkurrierende Technologienarrative mithilfe von Umfragen und Experimenten innerhalb jeder KI-Gesellschaft.
• Analyse der Reaktionen: Die Antworten wurden sowohl auf aggregierter als auch auf individueller Persona-Ebene analysiert, was dem Team ermöglichte, Reaktionen über Zielgruppensegmente hinweg zu vergleichen.

Die Simulation lieferte schneller umfangreiche Erkenntnisse als traditionelle Forschungsmethoden. Zu den wichtigsten Ergebnissen gehörten:

• 189.756 eindeutige Antworten, die aus den KI-Simulationen generiert wurden.
• Erkenntnisse basierend auf 30 tiefgehenden Forschungsfragen zu sechs Narrativen.
• Identifikation des wirksamsten Narrativs und maßgeschneiderte Botschaften für jedes Zielgruppensegment.
• Bereitstellung der Ergebnisse über eine interaktive Analyseplattform und einen schriftlichen Bericht.³

Ask rally

Ask Rally ist ein virtueller Zielgruppensimulator, der es Benutzern ermöglicht, Fragen, Inhalte und Ideen mit KI-Personas zu testen, die echten Zielgruppen ähneln sollen.

Benutzer erstellen oder bearbeiten Personas oder klonen sie aus vorhandenen Daten wie Interviews oder Umfragen. Nach der Definition einer Zielgruppe können sie Fragen stellen und Antworten erhalten, die von Personas generiert werden, die von 5 bis 100 reichen. Die Plattform aggregiert Antworten, liefert wichtige Erkenntnisse und ermöglicht es Agenten, über Optionen abzustimmen.

Zu den wichtigsten Funktionen gehören:

• Multi-Agenten-Antworten mit aggregierten Zusammenfassungen und Erkenntnissen.
• Mem0-gestütztes Persona-Gedächtnis ermöglicht es Personas, Kontext und Verhaltensmuster zu behalten, was hilft, konsistentere und realistischere Zielgruppenreaktionen zu simulieren.
• Vierstufige Zielgruppenkomplexität erlaubt es Benutzern, Zielgruppen mit unterschiedlichem Fachwissen oder Vertrautheit mit einem Thema zu modellieren.
• Videoreaktionssimulation ermöglicht es Teams zu testen, wie Zielgruppen auf Videoinhalte wie Anzeigen, Kampagnenmaterialien oder Präsentationen reagieren könnten.
• API-Zugang ermöglicht es Teams, den Simulator in Forschungsworkflows, interne Tools oder automatisierte Testpipelines zu integrieren.
• Testumgebungen für Websites, Kampagnen und Medien.
• Zusätzliche Fähigkeiten wie digitale Zwillinge, Simulatorumgebungen und Kalibrierung anhand realer Daten.
• Kostenloser Plan für Experimente und frühe Tests.

Generative Audiences von Dentsu

Generative Audiences ist ein KI-Marketing-Intelligence-Tool, das simulierte Verbraucherzielgruppen aus echten Daten erstellt. Es hilft Marken, die Zielgruppenansprache, Mediaplanung und Kampagnenleistung zu verbessern, indem es Marketingfachleuten ermöglicht, mit diesen KI-Personas zu interagieren und ihre Antworten zu analysieren.⁴

• Deterministische und KI-gesteuerte Daten: Kombiniert personenbezogene deterministische Daten mit KI-gesteuerten Verhaltenssignalen, um das Zielgruppenverhalten genau zu modellieren.
• Interaktive Verbrauchererkenntnisse: Marketingfachleute können mit simulierten Personas interagieren, um Motivationen und Verhaltensweisen zu erkunden, z. B. um zu testen, wie Zielgruppen auf neue Botschaften, Produktideen oder aktuelle Ereignisse reagieren könnten.
• Multi-Source-Datenintegration: Synthetisiert mehrere Datenquellen (statisch und in Echtzeit) und integriert sich mit vorhandenen Kundendaten.
• Mediaplanung und -aktivierung: Erkenntnisse aus den KI-Zielgruppen können verwendet werden, um gezielte Medienstrategien zu entwickeln und Kampagnen zu aktivieren.
• Datenschutzbewusste Zielgruppenmodellierung: Da es statistische Simulationen verwendet, anstatt sich stark auf persönliche Identifikatoren zu stützen, kann die Lösung die Zielgruppenansprache skalieren und gleichzeitig datenschutzkonformer bleiben.

Electric Twin

Electric Twin ist eine Plattform für synthetische Zielgruppen, die digitale Populationen aus realen Daten erstellt.⁵

• Synthetische Zielgruppenmodellierung: Erstellt digitale Populationen, die echte demografische Gruppen repräsentieren und menschliches Verhalten simulieren.
• Echtzeit-Zielgruppenfeedback: Benutzer können Fragen stellen und sofortige Antworten von simulierten Personas erhalten, anstatt Umfragen durchzuführen.
• Szenario- und Botschaftstests: Teams können Produktkonzepte, Kampagnen, Preisstrategien und politische Vorschläge bewerten, bevor sie launchen.
• Umfragen und simulierte Fokusgruppen: Unterstützt schnelle Umfragen, Interviews und Diskussionen im Stil von Fokusgruppen mit KI-Personas.
• Benutzerdefinierte und vorgefertigte Zielgruppen: Organisationen können Zielgruppen mit eigenen Umfragedaten aufbauen oder fertige demografische Populationen aus mehreren Ländern verwenden.
• Vorhersage-Engine: Benchmarkt Ergebnisse mit realen Umfragedaten, um wahrscheinliche Verbraucherreaktionen zu schätzen.
• Datenschutzfreundliche Forschungsumgebung: Synthetische Populationen ermöglichen das Testen von Ideen, ohne sensible oder personenbezogene Daten preiszugeben.

Simile KI

Entwickelt von Forschern aus Stanford, zielt Simile darauf ab, große Gruppen oder sogar ganze Gesellschaften zu simulieren, um vorherzusagen, wie Menschen auf Produkte, Richtlinien oder Unternehmensentscheidungen reagieren könnten.⁶

• Digitale Zwillings-Personas: Erstellt KI-Agenten, die reale Individuen basierend auf Verhaltensdaten und Interviews repräsentieren.
• Groß angelegte Simulationen menschlichen Verhaltens: Modelliert Interaktionen zwischen Tausenden von Agenten, um Verbraucherentscheidungen oder soziale Ergebnisse vorherzusagen.
• Szenarioprognose: Unternehmen können Ereignisse wie Veränderungen in der Verbrauchernachfrage oder Analystenfragen während Bilanzpressekonferenzen antizipieren.
• Generative Agentenarchitektur: KI-Agenten planen Aktionen, bilden Meinungen und interagieren miteinander, um realistische Verhaltensdynamiken zu erzeugen.

Methodik des Benchmarks zur Zielgruppensimulation

Unsere Forschungsfrage für diesen Benchmark lautete: „Können KI-Modelle vorhersagen, welcher LinkedIn-Beitrag vor seiner Veröffentlichung mehr Engagement erhalten wird?“ Zu diesem Zweck haben wir bewertet, wie gut KI-Modelle vorhersagen können, welcher von zwei LinkedIn-Beiträgen desselben Autors innerhalb von 7 Tagen nach der Veröffentlichung ein höheres Gesamtengagement (Likes + Kommentare + Shares) erzielen wird.

Wir verwendeten Beiträge von 50 Autoren für unseren Datensatz. Jede Zeile enthält ein Beitragspaar desselben Autors mit diesen Merkmalen:

• Beitragsinhalt: Rohtext beider Beiträge
• Medientyp: Text/Bild/Video/Link für jeden Beitrag
• Autorenkontext: Follower-Bereich (z. B. „1k-5k“, „5k-20k“)
• Grundwahrheit: Tatsächliche Engagementzahlen und Gewinner-Label (A oder B)

Beispieldaten:

Beitrag A (Gewinner – 156 Engagement): „Nach drei gescheiterten Startups, hier ist, was ich mir gewünscht hätte, dass mir jemand über Product-Market-Fit gesagt hätte: Hör auf, Funktionen zu bauen, die deine fünf Beta-Nutzer angefragt haben. Fang an, dich auf das Problem zu konzentrieren, mit dem 95 % deines Zielmarktes tatsächlich konfrontiert sind. Ich habe diesen Fehler 2 Jahre lang gemacht. Wiederhole ihn nicht. Was ist die größte Produktlektion, die du auf die harte Tour gelernt hast?“

• Medientyp: Text
• Follower: 5k-20k

Beitrag B (84 Engagement): „Freue mich, unser neues KI-gestütztes Analyse-Dashboard vorzustellen! Schauen Sie sich die Demo an und lassen Sie uns wissen, was Sie denken.“

• Medientyp: Link
• Follower: 5k-20k

Analyse: Beitrag A hat gewonnen, weil er spezifische, umsetzbare Ratschläge aus persönlichem Scheitern bietet, eine ansprechende Frage stellt und nachvollziehbare Inhalte liefert. Beitrag B ist eine allgemeine Werbung mit geringerem Engagementpotenzial.

Bewertung des Benchmarks zur Zielgruppensimulation

In der Bewertung erhält jedes Modell diese Informationen für beide Beiträge:

• Beitragstext
• Medientyp
• Followeranzahl-Bereich des Autors

Mit diesen Informationen sollen die Modelle vorhersagen, ob Beitrag A oder B der Leistungsstärkere ist. Sie können uns ihre Begründung zeigen, aber wir haben ihre Begründung in diesem Benchmark nicht bewertet.

Da die Modelle eine 50 %-Chance haben, den besseren Beitrag korrekt zu identifizieren (es gibt zwei Auswahlmöglichkeiten), ziehen wir in Betracht, in Zukunft die „Verbesserung gegenüber Zufall (Genauigkeit minus 50 %, was der Basislinie für zufälliges Raten entspricht)“ als Basislinie zu verwenden.

Dennoch haben wir in diesem Datensatz kein zufälliges Raten beobachtet; alle Modelle erklärten ihre Überlegungen, unabhängig davon, ob ihre Antworten richtig oder falsch waren.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Was sind die potenziellen Herausforderungen der Zielgruppensimulation?

Trotz ihres Potenzials muss die Zielgruppensimulation mit Vorsicht angegangen werden.

Validierung anhand echter Kunden

Vorhersagen virtueller Zielgruppen müssen mit tatsächlichen Ergebnissen verglichen werden. Ohne Benchmarks können Ergebnisse falsches Vertrauen schaffen. Die Validierung ist entscheidend, um sicherzustellen, dass synthetische Personas das Verhalten realer Menschen genau widerspiegeln.

Verzerrung in Sprachmodellen

KI-Personas werden durch die Daten geprägt, auf denen die zugrunde liegenden Sprachmodelle trainiert wurden. Wenn diese Daten bestimmte Gruppen unterrepräsentieren, können die resultierenden Personas verzerren, wie spezifische demografische Gruppen dargestellt werden. Dies kann sich darauf auswirken, wie Umfrageantworten oder die öffentliche Meinung simuliert werden.

Interpretierbarkeit

Obwohl Persona-Gespräche oder Wortwolken gemeinsame Themen zeigen können, ist nicht immer klar, warum bestimmte Ergebnisse entstehen. Die Komplexität von LLM-Antworten kann es schwierig machen, das Zielgruppenverhalten zu erklären oder zu validieren.

Ethische Richtlinien

Die Verwendung synthetischer Daten für die Kundenforschung oder Politikforschung erfordert Transparenz. Organisationen müssen sicherstellen dass sie Simulationen nicht als Ersatz für echte Kunden darstellen und ethische Grenzen bei der Definition von Personas respektieren.

Generalisierbarkeit

Simulationen hängen stark vom Umfang des Persona-Designs ab. Ein Modell, das auf US-amerikanischen Tech-Gründern trainiert wurde, kann nicht automatisch Reaktionen von Gen Z in Asien vorhersagen. Eine Übergeneralisierung ist ein Risiko, wenn Ergebnisse auf Populationen ausgeweitet werden, die in der Simulation nicht repräsentiert waren.

Rechenaufwand

Die Durchführung detaillierter Simulationen mit Tausenden von Personas kann erhebliche Ressourcen erfordern. Obwohl KI-Tools die Effizienz verbessern, erfordern groß angelegte Experimente immer noch Zeit, technisches Wissen und Infrastruktur.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{ermut2026,
  author = {Ermut, Sıla and Alper, Şevval},
  title  = {{Zielgruppensimulation: Können LLMs menschliches Verhalten vorhersagen?}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/audience-simulation}},
  note   = {AIMultiple. Abgerufen am 28. April 2026}
}

Referenzlinks

1.

https://arxiv.org/pdf/2411.10109

2.

https://arxiv.org/pdf/2409.01907

3.

Artificial Societies

Artificial Societies

4.

Dentsu Launches Generative Audiences: AI-Powered Growth Intelligence That Thinks Like Consumers  | News | dentsu

5.

Electric Twin - Synthetic Audiences for Instant Consumer Insights

Electric Twin

6.

Home | Simile

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab. Ihre Forschung konzentriert sich überwiegend auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Zuvor war sie als Recruiterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale Beziehungen.

Vollständiges Profil anzeigen

Recherchiert von

Şevval Alper

KI-Forscher

Folgen auf

Şevval ist Branchenanalystin bei AIMultiple und spezialisiert auf KI-Codierungswerkzeuge, KI-Agenten und Quantentechnologien.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten