Was verändert Silicon Sampling tatsächlich?
Die entscheidende Veränderung ist ökonomisch, nicht methodisch. Eine klassische Befragung mit 500 Teilnehmern bindet Budget und mehrere Wochen Feldzeit. Deshalb wird sie einmal durchgeführt, am Ende des Prozesses, zur Absicherung einer bereits gefallenen Entscheidung. Sinkt der Aufwand auf Minuten, verschiebt sich der Einsatzzeitpunkt nach vorn: Es wird gefragt, solange Alternativen noch offen sind.
Die Information, die in GPT-3 steckt, geht weit über Oberflächenähnlichkeit hinaus; sie ist nuanciert, vielschichtig und spiegelt das komplexe Zusammenspiel von Ideen, Einstellungen und soziokulturellem Kontext.
Argyle et al., Political Analysis, 2023
Wie groß ist der Kostenunterschied wirklich?
Bei einer klassischen Online-Befragung entfallen die größten Posten auf Recruiting, Incentives und Feldkoordination. Genau diese Posten verschwinden bei einer synthetischen Erhebung vollständig. Übrig bleiben Rechenkosten, die nicht linear mit der Stichprobengröße ins Gewicht fallen. Ob 200 oder 2.000 simulierte Befragte antworten, macht im Budget kaum einen Unterschied, im klassischen Design dagegen einen erheblichen.
- Entfällt: Recruiting und Panelzugang
- Entfällt: Incentives pro Teilnehmer
- Entfällt: Feldzeit und Nachfassen bei Abbrechern
- Bleibt: Studiendesign, Fragebogenqualität und Auswertung
Was bleibt unverändert?
Die anspruchsvollste Arbeit in der Marktforschung war nie das Einsammeln der Antworten, sondern die Frage danach, was man überhaupt wissen will und wie man es fragen muss. Ein schlecht formulierter Fragebogen liefert synthetisch genauso wertlose Daten wie bei realen Befragten, nur schneller und in größerer Menge. Silicon Sampling automatisiert den Erhebungsschritt, nicht das Denken davor.
- Studiendesign und Hypothesenbildung bleiben menschliche Arbeit
- Ein unsauberer Fragebogen erzeugt unsaubere Daten, synthetisch wie real
- Die Interpretation der Ergebnisse braucht weiter Fachurteil
Wo wird die Methode überschätzt?
Der häufigste Fehlschluss ist, eine flüssig formulierte Antwort für eine belastbare zu halten. Ein Sprachmodell erzeugt immer eine plausible Antwort, auch dort, wo es keine Grundlage hat. Anders als ein realer Befragter sagt es nie, dass es die Frage nicht versteht oder zu dem Thema keine Meinung hat. Diese fehlende Unsicherheitsanzeige ist die eigentliche methodische Schwäche, nicht die Genauigkeit im Einzelfall.
Wie sieht der methodisch vertretbare Einsatz aus?
Das Muster, das sich 2026 in der Praxis durchgesetzt hat, ist hybrid: synthetisch vorne, menschlich an der Entscheidungsstelle. Die Simulation dient dazu, aus zwanzig Varianten die drei aussichtsreichen herauszufiltern. Diese drei gehen anschließend in eine reale Befragung. Der Gewinn liegt nicht darin, die reale Erhebung zu sparen, sondern darin, sie auf die richtigen Kandidaten anzusetzen.
- Synthetisch: breites Feld verengen, Hypothesen prüfen, Fragebogen testen
- Real: die verbleibenden Kandidaten absichern
- Immer: das synthetische Ergebnis gegen bekannte reale Daten kalibrieren
Silicon Sampling ist keine Revolution der Erkenntnis, sondern eine Revolution des Preises. Genau das macht die Methode folgenreich: Was fast nichts kostet, wird öfter gemacht, und was öfter gemacht wird, verändert die Arbeitsweise. Wer die Technik als billigen Ersatz für die Hauptstudie versteht, nutzt sie falsch. Wer sie als Vorschaltstufe versteht, gewinnt Geschwindigkeit, ohne Belastbarkeit aufzugeben.
Häufige Fragen
Nein. Die Methode automatisiert das Einsammeln von Antworten, nicht das Studiendesign und nicht die Interpretation. Institute, die ihren Wert über Methodenkompetenz definieren, gewinnen durch die Technik eher an Bedeutung.
Begriffe in diesem Beitrag
Quellen
- [1]Argyle et al., Out of One, Many: Using Language Models to Simulate Human Samples, Political Analysis 31(3), 2023, Seite 337 bis 351
- [2]Qualtrics, Synthetic Data for Market Research FAQ
- [3]PyMC Labs, Synthetic Consumers in Market Research: A Practical Guide
- [4]Richards und Paulus, AI-evolved marketing research methods, Marketing Education Review, 2025
