Was wäre, wenn wir Nutzer:innen simulieren könnten – glaubhaft, differenziert, jederzeit verfügbar? Wenn wir Interviews führen könnten, ohne zu rekrutieren?  Wenn wir Feedback auf Prototypen erhielten, noch bevor jemand den Prototyp gesehen hat? 

Diese Fragen klingen nach Science-Fiction – aber genau in diese Richtung bewegt sich die aktuelle Forschung rund um generative Agenten. Ein Trend, der auch in der Welt von UX & User Research zunehmend an Bedeutung gewinnt. 

Was ist Generative Agent-Based Modeling (GABM)? 

Generative Agent-Based Modeling, kurz GABM, verbindet zwei Entwicklungen: 

1. Agentenbasierte Modellierung (ABM) – das sind Simulationen, bei denen einzelne Einheiten (Agenten) einfache Regeln befolgen und durch ihre Interaktionen komplexe Phänomene erzeugen. Das kennt man z. B. aus Stadtplanung, Verkehrsmodellen oder Epidemieforschung. 

2. Generative KI (LLMs) – z. B. ChatGPT, Claude oder Gemini – Systeme, die Text generieren, Fragen beantworten oder sich wie Menschen verhalten können. 

In klassischen ABMs definieren Modellierer:innen die Entscheidungslogik. In GABM jedoch trifft ein Large Language Model diese Entscheidungen – auf Basis von Sprache, Kontext und Persönlichkeit. Der Agent wird dadurch generativ: Er entscheidet nicht nach festen Regeln, sondern situativ, kontextsensitiv, manchmal überraschend menschlich. 

Forschung trifft Realität 

Zwei wissenschaftliche Arbeiten geben derzeit den Ton an: 

• 🧪 Virginia Tech (Ghaffarzadegan et al., 2024) zeigt, wie man mithilfe von GPT soziale Systeme modelliert – z. B. wie sich soziale Normen in Organisationen ausbreiten. Das LLM wird Teil eines Entscheidungsprozesses im Modell: Agenten lesen morgens eine „Nachricht“ über den Pandemiestatus und entscheiden dann via ChatGPT, ob sie zur Arbeit gehen oder zu Hause bleiben. 

• 🧑‍🤝‍🧑 Stanford (Park et al., 2024) hat über 1.000 reale Menschen interviewt, daraus generative Agenten gebildet und dann geprüft, wie gut diese Agenten die Einstellungen, Werte und Verhaltensweisen der realen Menschen vorhersagen können. Ergebnis: beeindruckende Übereinstimmungen, teilweise auf dem Niveau der Selbstkonsistenz echter Personen zwei Wochen später. 

Und was hat das mit UX zu tun? 

Ziemlich viel. Denn was diese Studien zeigen, ist Folgendes: Wir können heute realistisch simulierte Menschen erzeugen – mit psychologischem Profil, Hintergrundgeschichte, Verhaltenslogik – und sie in unterschiedlichste Situationen bringen. 

In der UX-Welt sind das z. B.: 

• Prototyp-Tests 

• Persona-Validierung 

• Frühe Hypothesenbildung 

• Simulierte Interviews 

• Konzeptreaktionen 

Erste Tools und Ansätze im UX-Kontext 

Hier eine Auswahl von Tools und Methoden, die heute schon verfügbar oder im Entstehen sind: 

Generative Personas mit LLMs 

Diese Tools erzeugen individuelle, glaubwürdig wirkende Nutzer:innen – oft auf Basis von Zielgruppensegmenten, Interviewdaten oder Prompt-Bausteinen: 

• UXPin Persona AI: Generiert dynamische Personas mit Zielen, Ängsten und Verhaltensweisen. 

• ChatGPT mit Prompt-Vorlagen: Durch strukturierte Prompts lassen sich auf Knopfdruck Personas erzeugen („Erstelle eine 35-jährige Mutter mit geringer Technikaffinität, die eine Banking-App nutzt“). 

• Fictive Kin's Synthetic Users: Open-Source-Ansatz zur Erzeugung von KI-basierten Testpersonen. 

  
  

🟢 Nützlich für: Ideenfindung, Team-Alignment, Workshop-Simulationen 

🔴 Einschränkungen: oft generisch, abhängig vom Prompting, keine echten Daten 

Simulierte Usability-Tests 

Einige experimentelle Tools versuchen, das Verhalten von Nutzer:innen direkt zu simulieren – z. B. wie sie durch eine App navigieren oder auf UI-Elemente reagieren: 

• Figma Plug-ins mit GPT: Agent „klickt“ sich durch Screens, kommentiert Verständlichkeit. 

• SimulAItor (Forschung): GPT-basierte Agenten analysieren Prototypen und geben Verbesserungsvorschläge. 

• Forethought AI: Kombiniert historische UX-Daten mit prädiktiven LLMs. 

🟢 Nützlich für: Frühes Design-Feedback, Verständlichkeitsprüfung 

🔴 Einschränkungen: Keine realen kognitiven Prozesse oder motorischen Interaktionen 

AI als Interviewpartner:in 

LLMs können so trainiert werden, dass sie sich wie Nutzer:innen verhalten – inkl. Antworten auf Leitfragen, Spontanreaktionen und Follow-ups. 

• AI-basierte Interview-„Bots“: Spielen realistische Gesprächssituationen nach. 

• KI-Coaching für UX Researcher: Interviewtraining mit simulierten Zielgruppen. 

• OpenPrompt-Projekte: Sammlung von Prompts für spezifische Zielgruppenverhalten. 

  
  

🟢 Nützlich für: Interviewtraining, Leitfaden-Validierung, schnelle Reaktionsszenarien 

🔴 Einschränkungen: Emotionale Tiefe und situative Kontextualisierung noch begrenzt 

Verhaltenssimulation mit Agentennetzwerken 

Ähnlich wie bei GABM werden hier nicht Einzelpersonen simuliert, sondern ganze Gruppen – z. B. um Netzwerkdynamiken, Meinungsänderung oder Feature-Adoption zu beobachten. 

• Marktdiffusions-Modelle mit GPT-Agenten (z. B. in Python, NetLogo oder AnyLogic): Wie verbreitet sich ein neues Feature in einer Nutzerbasis? 

• AI-Simulationen für Service Design: Simulierte Kund:innen reagieren auf unterschiedliche Touchpoints. 

🟢 Nützlich für: strategische UX-Entscheidungen, Feature-Rollout-Planung 

🔴 Einschränkungen: Hohe Komplexität, erfordert gute Modellierungskenntnisse 

Zwischenfazit: Keine Konkurrenz, sondern Ergänzung 

Wird generative KI UX Research ersetzen? Nein. Wird sie es erweitern, beschleunigen, vielleicht auch zugänglicher machen? Ja, absolut. 

Diese Tools sind keine Alternative zu echten Nutzer:innen, aber sie sind ein wertvoller Baustein: 

• Für Phasen, in denen keine echten Interviews möglich sind. 

• Für frühe Explorationen, wenn es noch keine konkreten Hypothesen gibt. 

• Für Diskussionen im Team, wenn man sich dem Nutzerbild nähern will. 

Ausblick: Was jetzt schon geht – und was (bald) kommt 

🔍 Du kannst heute schon: 

• mit generativen Personas brainstormen 

• Interviewfragen an simulierte Nutzer:innen testen 

• erste Reaktionen auf Prototypen von synthetischen „Usern“ erhalten 

🚀 Bald möglich: 

• automatisierte UX-Tests mit simulierten Nutzern 

• „lebendige“ Personas, die sich weiterentwickeln 

• virtuelle Fokusgruppen mit unterschiedlichen Agententypen 

Fazit: Jetzt ist der richtige Moment zum Einsteigen 

Für uns UX-Menschen ist es der perfekte Zeitpunkt, sich spielerisch und kritisch mit diesem Thema auseinanderzusetzen. Wer heute ein bisschen ausprobiert, versteht morgen, was diese Technologie kann – und was nicht. Und vor allem: was sie im eigenen Kontext nützen kann. 

Denn am Ende geht es wie immer darum: Menschen besser zu verstehen, Entscheidungen zu verbessern – und die richtige Balance aus Empirie, Empathie und Effizienz zu finden.