Persona-Foto, Name, drei Sätze zu Hobbys, fertig. So sieht das Ergebnis oft aus, wenn schnell eine Persona für das nächste Sprint-Planning gebraucht wird. Das Problem: Eine Persona ohne echte Nutzerdaten ist keine Persona. Es ist eine Meinung mit Gesicht.

Kurz und knapp: Eine forschungsbasierte Persona in der UX-Forschung entsteht aus echten Interviews, Beobachtungen oder Nutzungsdaten und bildet wiederkehrende Verhaltensmuster ab, nicht Wunschvorstellungen über eine Zielgruppe. Der Unterschied zwischen einer erfundenen und einer echten Persona liegt nicht in der Form der Karte. Er liegt in der Herkunft der Daten.

Sogar der Erfinder der Methode musste das irgendwann klarstellen. Alan Cooper beschrieb Personas 1999 in seinem Buch „The Inmates Are Running the Asylum“ als Werkzeug, das aus echter Feldforschung entsteht. Bei seiner Design-Firma Cooper wurden Personas aus Interviews synthetisiert, um Ziele und Motivationen realer Nutzer:innen greifbar zu machen. Als Microsoft die Methode übernahm, passierte laut Cooper etwas anderes: Personas wurden nicht aus Nutzerdaten abgeleitet, sondern nachträglich erfunden, um Features zu rechtfertigen, die die Entwicklerteams längst entschieden hatten. Cooper selbst nennt das eine 180-Grad-Umkehrung der Realität.

Diese Umkehrung passiert heute noch. Nur seltener bei Microsoft, häufiger im eigenen Sprint-Planning.

Das Wichtigste in Kürze

• Eine Persona in UX Research basiert auf echten Interviews, Beobachtungen oder Nutzungsdaten, nicht auf Annahmen

• Schon der Erfinder der Methode, Alan Cooper, warnte vor Personas, die nachträglich erfundene Features rechtfertigen sollen

• Laut einer NN/G-Erhebung basierten rund 54 % der untersuchten Personas auf echter empirischer Forschung

• Forschungsbasierte Personas kosten mehr Zeit, bis zu 222 % mehr als rein annahmebasierte Varianten

• Personas sind kein einmaliges Dokument, sondern ein Prozess mit Validierungsschleifen

• Kritik an Personas entsteht meist aus fehlerhafter Anwendung, nicht aus der Methode selbst

• KI-generierte Personas sind nur eine von mehreren Spielarten nicht-forschungsbasierter Personas

  
  

Was ist eigentlich noch eine Persona, wenn niemand sie befragt hat?

Eine Persona ist im Kern ein Verhaltensarchetyp. Sie fasst zusammen, wie eine bestimmte Gruppe von Nutzer:innen mit ähnlichen Zielen, Frustrationen und Verhaltensmustern tatsächlich agiert. Nicht, wie das Team sich diese Gruppe vorstellt.

Genau das war Coopers ursprüngliche Idee: Personas als Kondensat aus Feldforschung, nicht als Steckbrief aus dem Bauchgefühl. Sobald die Datenbasis fehlt, bleibt nur noch die Hülle übrig. Ein Name, ein Alter, ein Stockfoto. Die Karte sieht professionell aus. Der Inhalt ist Fiktion mit Layout.

Das heißt nicht, dass jede Persona ohne eigene neue Studie wertlos ist. Auch Annahmen und vorhandenes Team-Wissen können eine erste, brauchbare Version liefern, solange sie später an echten Daten überprüft wird. Der entscheidende Punkt ist die Bereitschaft, die eigene Annahme zu widerlegen. Wer eine Persona baut und sie nie mit echten Nutzer:innen abgleicht, hat keine Persona. Er hat eine Behauptung.

Woran erkennst du eine erfundene Persona?

Die Grenze zwischen Marketing-Persona und Persona in der UX-Forschung verläuft nicht immer offensichtlich. Ein paar Merkmale helfen bei der Einordnung.

Eine Persona, die seit zwei Jahren unverändert in der gleichen Slide-Deck-Version existiert, ist ein Warnsignal. Eine Persona, die ausschließlich aus demografischen Angaben besteht, aber keine Verhaltensmuster benennt, ist ein zweites. Und eine Persona, die im Konferenzraum entstanden ist, ohne dass jemand im Team je mit einer echten Nutzerin gesprochen hat, ist das deutlichste.

Welche Datenquellen braucht eine forschungsbasierte Persona?

Realistischerweise mischen die meisten Teams beides. Laut einer NN/G-Erhebung unter 216 UX-Professionals (Stand: 2015er Erhebung) basierten rund 54 % der Personas auf empirischer Forschung, unabhängig davon, ob es sich um kleine oder große Unternehmen handelte. Der Rest stützte sich überwiegend auf vorhandenes Team-Wissen und Annahmen.

Für den empirischen Anteil kommen typischerweise diese Quellen zusammen:

Qualitative Interviews liefern die Tiefe: Warum verhält sich jemand so, wie sie sich verhält? Welche Frustration steckt hinter einem Support-Ticket? Beobachtungen und Feldstudien zeigen, was Menschen tatsächlich tun, nicht nur, was sie berichten. Nutzungsdaten und Analytics ergänzen das Bild mit Häufigkeiten und Mustern über eine größere Stichprobe. Support-Tickets und Kundenfeedback liefern zusätzlichen Kontext, besonders für Frustrationspunkte, die im Interview nicht spontan genannt werden.

Wichtig ist nicht die Menge der Quellen, sondern die Konsistenz der Muster über mehrere Quellen hinweg. Eine Persona, die nur auf fünf Interviews beruht, aber in allen fünf Gesprächen dasselbe Verhalten zeigt, ist belastbarer als eine Persona aus zwanzig Interviews mit völlig widersprüchlichen Aussagen.

Wie baust du eine Persona Schritt für Schritt aus echten Daten?

Der Prozess lässt sich in vier Schritten beschreiben, unabhängig davon, wie viel Budget und Zeit zur Verfügung stehen.

1. Daten erheben

Interviews, Beobachtungen oder vorhandene Nutzungsdaten sammeln. Kein Mindestmaß an Interviews garantiert Qualität, aber ein klares Ziel hilft: genug Gespräche, bis sich Muster wiederholen, nicht neue Überraschungen auftauchen.

2. Muster clustern

Wiederkehrende Ziele, Frustrationen und Verhaltensweisen gruppieren. Wer löst welches Problem auf welchem Weg? Wo unterscheiden sich die Nutzer:innen tatsächlich in ihrem Verhalten, nicht nur in ihrer Demografie?

3. Verhaltensarchetyp formulieren

Aus dem Cluster wird eine Persona: Name, ein zentrales Ziel, die größte Frustration, ein typisches Szenario. Demografische Details nur, wenn sie das Verhalten tatsächlich beeinflussen, nicht als Dekoration.

4. Im Team validieren

Die Persona den Personen zeigen, die täglich mit Nutzer:innen zu tun haben (Support, Sales, Research). Passt das Bild zu ihrer Erfahrung? Widerspricht etwas?

Dieser Prozess braucht Zeit, und das ist kein Zufall. Laut derselben NN/G-Erhebung erhöhte ein überwiegend empirischer Ansatz den Zeitaufwand um 86 % bei großen Unternehmen und um 222 % bei kleinen Unternehmen, verglichen mit rein annahmebasierten Personas. Der größte Teil dieser Zeit fließt in Schritt 1, die Datenerhebung, nicht in das hübsche Layout der fertigen Karte.

Für die Datenerhebung und -auswertung lohnt sich ein Blick auf quantitative UX-Methoden, besonders wenn die Personas später mit größeren Stichproben abgeglichen werden sollen.

Wie oft muss eine Persona validiert oder aktualisiert werden?

Eine Persona ist kein Ergebnis, sondern ein Zwischenstand. Nutzerverhalten ändert sich, Produkte entwickeln sich weiter, neue Zielgruppen kommen hinzu. Eine Persona, die beim Erstellen exzellent war, kann zwei Jahre später an der Realität vorbeigehen.

Ein fester Rhythmus hilft mehr als ein einmaliges „fertig“. Sinnvoll ist eine Überprüfung immer dann, wenn sich das Produkt strukturell verändert (neue Zielgruppe, neues Kernfeature) oder wenn im Team wiederholt Zweifel an der Aktualität der Persona aufkommen. Wer ohnehin fortlaufend mit Nutzer:innen im Austausch ist, etwa über Continuous Discovery, bekommt diese Validierung fast nebenbei mitgeliefert, statt sie als separates Projekt einplanen zu müssen.

Warum scheitern Personas im Teamalltag, obwohl sie richtig gemacht wurden?

Eine aktuelle Studie hat sich genau diese Frage gestellt. Nielsen und Madsen analysierten 2026 drei LinkedIn-Diskussionen mit insgesamt 75 UX-Praktiker:innen über ihre realen Erfahrungen mit Personas. Das Ergebnis: Personas unterstützen nachweislich nutzerzentrierte Entscheidungen im Design-Prozess. Die Kritikpunkte, vor allem schlechte Datenqualität und Missverständnisse über die Methode, resultierten aber überwiegend aus einer fehlerhaften Anwendung, nicht aus der Methode selbst.

Das deckt sich mit meiner eigenen Beobachtung aus vielen Projekten: Wenn Teams sagen „Personas bringen bei uns nichts“, frage ich als erstes, wie die Persona entstanden ist. Fast immer lautet die Antwort: im Workshop, ohne neue Interviews, vor drei Jahren. Das ist kein Versagen der Methode. Das ist eine Methode, die nie die Chance bekommen hat, zu funktionieren.

Kurzer Exkurs: Was ist mit KI-generierten Personas?

KI-Tools können Personas heute in Minuten erzeugen, meist auf Basis von Trainingsdaten oder vorhandenen Texten, nicht auf Basis eigener Nutzerforschung. Das macht sie zu einer weiteren Spielart der nicht-forschungsbasierten Persona, neben dem klassischen Bauchgefühl im Marketing-Meeting. Die Risiken dabei unterscheiden sich von den hier beschriebenen deutlich genug, dass sie einen eigenen Artikel verdienen: KI Personas: Was sie können, was sie nicht können sollten.

Fazit

Eine Persona in UX Research ist kein Deliverable, das man einmal abhakt. Sie ist ein Verdichtungsprozess aus echten Nutzerdaten, der immer wieder überprüft werden muss. Der Unterschied zwischen einer guten und einer erfundenen Persona zeigt sich nicht auf der Karte, sondern in der Frage, wer je mit echten Nutzer:innen gesprochen hat, um sie zu erstellen.

Wer diesen Prozess systematisch statt einmalig angehen will: Im Workshop „Die Grundlagen erfolgreicher Continuous Discovery“ zeigen wir, wie sich fortlaufende Nutzerforschung so in den Team-Alltag integrieren lässt, dass Personas (und andere Research-Artefakte) nie wieder zwei Jahre lang unangetastet bleiben.

Wo steht ihr gerade: Habt ihr Personas, die noch nie mit echten Nutzer:innen abgeglichen wurden? Oder ist bei euch das Gegenteil das Problem, zu viel Aufwand für zu wenig Nutzung im Alltag?

FAQ

Was unterscheidet eine Marketing-Persona von einer Persona in der UX-Forschung?

Eine Marketing-Persona basiert meist auf Annahmen und demografischen Wunschbildern der Zielgruppe. Eine Persona in der UX-Forschung basiert auf echten Interviews, Beobachtungen oder Nutzungsdaten und beschreibt Verhalten statt Demografie.

Wie viele Interviews braucht eine belastbare User Persona in der UX-Forschung?

Es gibt keine feste Zahl. Entscheidend ist, ob sich Verhaltensmuster über mehrere Gespräche wiederholen. Sobald neue Interviews keine neuen Muster mehr liefern, ist die Datenbasis meist ausreichend.

Kann eine Persona in UX Research auch ohne große Studie entstehen?

Ja, mit vorhandenem Team-Wissen als Startpunkt. Wichtig ist, diese erste Version klar als vorläufig zu kennzeichnen und sie zeitnah mit echten Nutzer:innen abzugleichen.

Wie oft muss eine Persona in der User Experience aktualisiert werden?

Immer dann, wenn sich das Produkt oder die Zielgruppe strukturell verändert, oder wenn im Team wiederholt Zweifel an der Aktualität aufkommen. Ein Fixtermin allein reicht selten aus.

Ersetzen KI-Tools die Nutzerforschung für Personas?

Nein. KI-generierte Personas basieren meist nicht auf eigener Nutzerforschung und bringen eigene Risiken mit. Mehr dazu im Artikel zu KI Personas.