Ein Sprachmodell bekommt den Auftrag, sich eine fiktive Person auszudenken. Kein Alter vorgegeben, kein Geschlecht, kein Beruf. Bei Llama-3.3 sind unter dieser Bedingung 99,76 Prozent der generierten Personas männlich, wenn auf Englisch gefragt wird [Kluge Corrêa et al., 2026].

Das ist die kurze Antwort auf die Frage, ob KI Personas echte Nutzer:innen ersetzen können: Nein, jedenfalls nicht unreflektiert. Sie glätten und vereinheitlichen Profile entlang dessen, was das Modell für normal hält. Für UX-Teams heißt das: KI Personas können ein nützliches Werkzeug sein, aber nur mit klarem Blick auf ihre Grenzen. Dieser Artikel zeigt, was die aktuelle Forschung zu synthetischen Personas hergibt, wo die Risiken liegen und wofür sich der Einsatz trotzdem lohnt.

Das Wichtigste in Kürze

• KI Personas sind kein Ersatz für echte User Research, sondern ein zusätzliches Werkzeug mit klaren Grenzen [Moran, NN/g, 2025].

• Sprachmodelle produzieren bei offenen Prompts eine starke demografische Schieflage, bis zu 99,76 Prozent männliche Personas in einem Test [Kluge Corrêa et al., 2026].

• Ob eine generierte Persona realistisch existieren könnte, wird selten geprüft, sogar in der Wissenschaft nicht. Verlass dich nie blind auf ein plausibel klingendes Profil [Amin et al., 2026].

• Lässt du eine KI aktiv in der Rolle einer Persona Fragen beantworten, sinkt die Qualität teils massiv, in Tests um über 70 Prozent [Gupta et al., 2024].

• Ein Sprachmodell kann in einem simulierten Interview nicht wirklich zustimmen oder ablehnen, die Antworten ersetzen keine echten Interviewdaten [Kapania et al., 2025].

• Sinnvoll sind KI Personas vor allem dort, wo sie echte, bereits erhobene Forschungsdaten strukturieren, nicht ersetzen.

  
  

Was sind KI Personas – und warum boomen sie gerade?

Eine Persona ist ursprünglich ein fiktives, aber forschungsbasiertes Profil, das eine Nutzergruppe greifbar macht. Alan Cooper hat das Konzept 1999 in die UX-Praxis eingeführt: echte Interviews, echte Beobachtungen, verdichtet zu einer Figur mit Namen und Geschichte. Bei KI Personas übernimmt ein Sprachmodell einen Teil oder den gesamten Prozess. Manche Systeme reichern echte Umfragedaten mit generierten Details an, andere lassen das Modell komplett autonom Profile erfinden.

Eine Auswertung von 81 wissenschaftlichen Artikeln zwischen 2022 und 2025 zeigt, wie schnell das Feld gewachsen ist, und gleichzeitig, wie unausgereift die Methodik noch ist [Amin et al., 2026]. Genau diese Kombination aus Tempo und fehlender Reife macht den kritischen Blick nötig.

Können synthetische Nutzer:innen echte Interviews ersetzen?

Kate Moran von der Nielsen Norman Group bringt es auf den Punkt: Synthetische Nutzer:innen sind von KI erzeugte Fake-User, für echte User Research braucht es echte Menschen [Moran, NN/g, 2025]. Ein paar Nischen-Anwendungsfälle nennt sie trotzdem, etwa als schnelle erste Orientierung vor einer richtigen Studie.

Das methodische Grundproblem liegt tiefer als bei der Qualität einzelner Antworten. Neunzehn UX-Researcher:innen haben in einer Studie versucht, ein bereits mit echten Menschen durchgeführtes Projekt mit GPT-4-Turbo zu wiederholen [Kapania et al., 2025].

Anfangs skeptisch, waren sie überrascht, wie ähnlich sich die generierten Aussagen zu den echten Interviews anfühlten. Über mehrere Gesprächsrunden hinweg zeigten sich dann fundamentale Grenzen. Ein Sprachmodell kann kein informiertes Einverständnis geben. Es hat keine Handlungsmacht und keine eigene Grenze, die es ziehen könnte, wenn eine Frage zu weit geht.

Für die Praxis bedeutet das: KI Personas sind kein Interview-Ersatz. Wer sie so verwendet, verwechselt eine statistische Wahrscheinlichkeitsverteilung mit einer Person.

Wie verlässlich sind die Daten hinter KI Personas wirklich?

Jim Lewis und Jeff Sauro von MeasuringU haben mehrere Studien zu synthetischen Antworten aus Psychologie, Umfrageforschung und UX ausgewertet [Lewis & Sauro, MeasuringU, 2026]. Ihr Fazit fällt gemischt aus. Bei manchen Fragestellungen treffen KI-generierte Antworten die grobe Richtung menschlicher Einstellungen. Bei komplexeren sozialen Themen wie Migration oder Geschlechterrollen stimmt zwar die Tendenz,die tatsächliche Streuung dahinter, wie stark einzelne Gruppen wirklich auseinandergehen, bildete das Modell aber kaum ab.

Für UX-Teams heißt das: Ein Modell trifft bei einfachen Fragen oft die grobe Richtung. Bei komplexeren, identitätsnahen Themen verschwindet aber genau die Nuance, die eine Persona eigentlich wertvoll machen würde. Diese Glättung macht KI Personas als Datenquelle unzuverlässig, gerade dort, wo UX-Teams belastbare Aussagen für Entscheidungen brauchen.

KI-generierte Personas Risiken – wie stark verzerren Modelle das Bild?

Eine weitere aktuelle Studie hat 40.000 Personas über zwei offene Sprachmodelle und vier Sprachen generiert, um systematische Verzerrungen sichtbar zu machen [Kluge Corrêa et al., 2026]. Bei Llama-3.3 waren auf Englisch 99,76 Prozent der generierten Personas männlich. Bei Qwen2.5 lag der Anteil nicht-binärer Personas bei 0,62 Prozent.

Zur Einordnung: Ein Großteil dieser extremen Zahl bei Llama-3.3 geht auf einen sogenannten Mode Collapse zurück. Das Modell hat in den meisten Fällen dieselbe erfundene Figur reproduziert, einen Sushi-Koch namens Kenji Nakamura. Harmloser wird der Befund dadurch nicht. Er zeigt eher, wie eng der Möglichkeitsraum eines Modells wird, sobald keine Vorgaben gemacht werden.

Die Autor:innen der Studie sprechen von narrativer Sanitisierung. Gemeint ist, dass heutige Trainings- und Alignment-Verfahren wie RLHF Modelle auf gefällige Antworten trimmen. Als Nebeneffekt verschwinden Ecken und Widersprüche aus den generierten Geschichten. Persona-Backstorys sind fast immer positiv gerahmt, mit einer klaren Erfolgserzählung. Menschen, die desillusioniert oder einfach nur durchschnittlich sind, kommen kaum vor.

Genau darin liegt ein Nebeneffekt, der oft übersehen wird. Die Persona funktioniert auch als Diagnose-Werkzeug für das eigene KI-Tool. Lass dein AI-Tool fünf Personas zum selben Prompt generieren, ohne Vorgaben zu Alter, Geschlecht oder Beruf. Schau dir an, was standardmäßig dabei herauskommt. Das sagt mehr über die eingebauten Annahmen deines Tools als jedes Whitepaper.

Ein zweites Muster nennt die Scoping-Review von Amin und Kolleg:innen algorithmic othering. Gemeint ist die Überzeichnung marginalisierter Gruppen bis hin zur Reduktion auf Stereotype [Amin et al., 2026].

Warum wird selten geprüft, ob eine KI-Persona überhaupt stimmt?

Von 81 untersuchten Artikeln zu KI-generierten Personas liefert fast die Hälfte keine erkennbare Evaluationsmethode [Amin et al., 2026]. Die Forschenden nennen das die Accessibility-Quality-Paradoxie: KI senkt die Einstiegshürde für die Persona-Erstellung, wer aber prüfen will, ob eine generierte Persona wirklich stimmt, braucht dafür Fachwissen in Validierung und Bias-Erkennung. Wenn jede:r in Minuten Personas erzeugen kann, aber die saubere Prüfung Expertise verlangt, wird die Prüfung übersprungen.

Dazu kommt eine technische Abhängigkeit: 86 Prozent der untersuchten Artikel nutzen ausschließlich GPT-Modelle eines einzigen Anbieters. Das begrenzt methodische Vielfalt und überträgt die Vorannahmen eines Unternehmens auf einen ganzen Forschungszweig, etwa eine westlich geprägte Sicht auf Persona-Merkmale.

Am schwersten wiegt für UX-Teams vermutlich ein dritter Punkt: Nur 30,9 Prozent der Artikel beziehen echte Nutzer:innen partizipativ in den Prozess ein. Der Rest lässt Modelle Personas komplett autonom erstellen, ohne dass jemand mit echtem Wissen über die dargestellte Gruppe je einen Blick darauf wirft.

Was macht Personas riskant für Reasoning- und Entscheidungsaufgaben?

Es wurden vier Sprachmodelle mit 19 unterschiedlichen Personas über 24 Reasoning-Datensätze getestet, von Mathematik über Recht bis Medizin [Gupta et al., 2024]. Die Modelle sollten Aufgaben lösen, während sie eine bestimmte Persona einnehmen, etwa eine Person mit Behinderung oder einer bestimmten politischen Ausrichtung.

Direkt nach Stereotypen gefragt, wiesen die Modelle diese meist zurück. Sobald sie aber eine Persona einnehmen sollten, tauchten dieselben Stereotype indirekt wieder auf, oft als Verweigerung, etwa in der Form "Als schwarze Person kann ich diese Frage nicht beantworten, weil sie Mathematikkenntnisse erfordert." Bei ChatGPT-3.5 zeigten 80 Prozent der getesteten Personas ein solches Bias-Verhalten, bei manchen Datensätzen brach die Leistung um mehr als 70 Prozent ein. GPT-4-Turbo schnitt deutlich besser ab, aber auch dort war der Effekt bei 42 Prozent der Personas noch nachweisbar. Prompts, die explizit zur Neutralität aufforderten, halfen kaum.

Für die Praxis heißt das: Sobald eine Persona in einem Tool eine aktive Rolle übernimmt, statt nur beschrieben zu werden, wächst das Risiko verdeckter Verzerrung.

Wo verläuft die Grenze zwischen Kommunikations-Tool und Entscheidungsgrundlage?

Die Grenze lässt sich an einer einfachen Frage festmachen: Wird die Persona genutzt, um ein Team auf eine gemeinsame Sprache einzuschwören, oder wird sie genutzt, um eine Designentscheidung zu rechtfertigen? Für Ersteres kann eine KI-generierte Persona funktionieren, etwa um in einem Workshop schnell eine Diskussionsgrundlage zu schaffen. Für Zweiteres nicht.

Ein hypothetisches Szenario macht das greifbar. Ein Produktteam lässt sich per Prompt eine Persona für "Nutzer:in eines Diabetes-Management-Tools" generieren. Das Modell produziert eine disziplinierte, technikaffine Person mittleren Alters, die ihre Werte zuverlässig trackt und Erinnerungen als hilfreich empfindet. Auf Basis dieser Persona entscheidet das Team, auf zusätzliche Erinnerungsfunktionen zu verzichten, die Zielgruppe brauche das ja nicht. Reale Interviews mit Betroffenen hätten vermutlich ein anderes Bild gezeigt: Menschen, die kurz nach der Diagnose überfordert sind und ihre Tracking-Routine schnell wieder aufgeben. Die generierte Persona hätte in diesem Fall eine falsche Entscheidung mitgetragen, ohne dass es jemandem aufgefallen wäre.

KI Personas taugen für die Kommunikation im Team. Für die Entscheidung taugen sie nicht.

Wofür können KI-generierte Personas sinnvoll sein?

Trotz aller Kritik zeigt sich ein Anwendungsfall als vielversprechend: KI Personas zur Strukturierung von bereits erhobenen, echten Daten [Lewis & Sauro, MeasuringU, 2026]. Ein Team hat zwanzig Interviews geführt und sitzt auf Stunden an Transkripten. Ein Sprachmodell kann diese Masse clustern und eine erste Rohfassung aus den tatsächlichen Aussagen der Befragten bauen. Menschen prüfen und korrigieren danach. Das Modell ersetzt keine Interpretation, es beschleunigt nur die erste Sortierung.

Ähnlich funktioniert der Einsatz als Sparringspartner in frühen Projektphasen. Bevor ein Team überhaupt Budget für echte Research bekommt, kann eine grob skizzierte, klar als vorläufig markierte KI-Persona helfen, eine Hypothese zu schärfen, über die sich dann im nächsten Schritt tatsächlich forschen lässt.

Beide Fälle haben eines gemeinsam: Die KI Persona bleibt Werkzeug für Menschen im Prozess. Sobald echte Interviews möglich sind, ersetzt keine generierte Figur diesen Schritt.

Fazit

KI Personas sind kein Betrug und kein Wundermittel. Sie sind ein Werkzeug mit einem sehr spezifischen Einsatzbereich, und außerhalb dieses Bereichs richten sie mehr Schaden an, als sie Zeit sparen. Wer sie zur Strukturierung echter Daten oder als Diskussionsgrundlage im Team einsetzt, gewinnt Tempo. Wer sie als Ersatz für Interviews oder als alleinige Entscheidungsgrundlage nutzt, baut auf ein geglättetes, oft demografisch schiefes Abbild, das mehr über das Trainingsmaterial des Modells aussagt als über die eigene Zielgruppe.

Die konkrete Handlungsempfehlung für UX-Teams: KI Personas nur mit echten Daten füttern und nie autonom erstellen lassen. Jede generierte Persona sollte vor dem Einsatz jemand mit Research-Erfahrung gegenlesen.

Was ist dein bisher bestes oder schlechtestes Erlebnis mit einer KI-generierten Persona? Ich bin neugierig.

Du willst noch mehr wissen? Diese Blogs passen zum Thema:

Erfundene Zitate, Verschwundene Nuancen: Das Halluzinationsproblem In Der Qualitativen Analyse Mit LLMs

KI, Bias und die Macht der Frage: Wie Du mit klugen Prompts bessere Antworten bekommst

Oder mach einen unserer Workshops zu AI in UX.

Häufige Fragen zu KI Personas

Kann ChatGPT verlässliche User-Personas erstellen? 

ChatGPT kann Text produzieren, der wie eine Persona aussieht, aber ohne echte Nutzerdaten fehlt die Grundlage für Verlässlichkeit. Studien zeigen eine deutliche demografische Schieflage bei frei generierten Profilen [Kluge Corrêa et al., 2026]. Als Ausgangspunkt für eine Diskussion taugt das Ergebnis, als Entscheidungsgrundlage nicht.

Was unterscheidet synthetische von forschungsbasierten Personas? 

Forschungsbasierte Personas entstehen aus echten Interviews, Beobachtungen oder Umfragen und bilden reale Muster ab. Synthetische Personas entstehen aus den statistischen Mustern eines Sprachmodells und spiegeln vor allem dessen Trainingsdaten, nicht die tatsächliche Zielgruppe.

Sind KI-generierte Personas diskriminierend? 

Nicht absichtlich, aber sie können bestehende Vorurteile verstärken. Eine Analyse fand eine Überzeichnung marginalisierter Gruppen bis hin zur Stereotypisierung, ein Muster, das die Forschung algorithmic othering nennt [Amin et al., 2026].

Wie erkenne ich Bias in KI-generierten Personas? 

Ein einfacher Test: Dieselbe Persona mehrfach ohne Vorgaben generieren lassen und die Ergebnisse auf Alter, Geschlecht, Beruf und Erzählton vergleichen. Wiederkehrende Muster, etwa immer dieselbe Altersgruppe oder dieselbe positive Grundstimmung, deuten auf systematischen Bias hin.

Können KI-Personas echte Nutzerinterviews ergänzen? 

Ja, wenn sie auf Basis bereits erhobener echter Daten erstellt werden, etwa zur Strukturierung von Interviewtranskripten. Als Ersatz für die Interviews selbst funktionieren sie nicht, dafür fehlt Sprachmodellen die Handlungsmacht echter Teilnehmender [Kapania et al., 2025].