Heute hat die künstliche Intelligenz einen tiefgreifenden Wandel angestoßen. Tatsächlich zählt der UX-Sektor zu den Vorreitern bei der Einführung von KI: Eine Studie der Nielsen Norman Group (NN/g), die eine Million Konversationen auf Claude.ai untersuchte, ergab, dass UX-Fachkräfte – obwohl sie weniger als 0,01 % der Erwerbsbevölkerung in den USA ausmachen – für einen beachtlichen Anteil der KI-Interaktionen verantwortlich sind: exakt 7,5% der analysierten Prompts.

Zu den naheliegendsten Einsatzfeldern von KI im UX Research gehören die sekundenschnelle Transkription von Audio-Interviews oder die automatisierte Personalisierung von Einwilligungserklärungen, Testplänen und Screener-Fragen anhand von Teilnehmendenprofilen. Das Potenzial reicht jedoch weit darüber hinaus. Algorithmen des verstärkenden Lernens (Reinforcement Learning) können Fragebögen in Echtzeit anpassen, indem sie Fragen basierend auf dem Engagement, Zögern oder den vorherigen Antworten der Testperson umformulieren oder neu anordnen. Darüber hinaus ermöglicht die computergestützte Sprachverarbeitung (Natural Language Processing, NLP) das unmittelbare Erkennen unklarer, widersprüchlicher oder themenfremder Angaben und fordert die Person noch während der laufenden Sitzung auf, ihre Gedanken zu präzisieren. Während sich KI immer tiefer in Forschungsabläufe integriert, entsteht eine neue Herausforderung: genau zu unterscheiden, wo Automatisierung die Praxis tatsächlich bereichert – und wo sie droht, das menschliche Feingefühl zu untergraben, das die Glaubwürdigkeit der Ergebnisse garantiert.

KI imUX-Research: Eine Bestandsaufnahme

In der Studie „Revolutionizing Survey Data Collection with AI Powered Automation in Sample Selection and Response Quality“ stellt Akintola fest, dass KI-gestützte Umfragetools eine beachtliche Abschlussquote von 94,2 % erzielen – verglichen mit 78,6 % in der Kontrollgruppe. Für UX-Researcher, deren Kernkompetenz darin besteht, feinste Nuancen im Feedback herauszuarbeiten, erweist sich KI zudem als wertvolles Werkzeug zur Steigerung der linguistischen Diversität: Dieselbe Studie belegt eine Type-Token-Ratio von 0,72 gegenüber 0,58 bei traditionellen Umfragen.

Spezialisierte KI-Agenten sind heute in der Lage, hunderte Seiten an Transkripten und Screenshots zu durchforsten, um detaillierte, mehrseitige Berichte zu verfassen, die präzise auf die Forschungsziele und Interviewleitfäden abgestimmt sind. Die Zeitersparnis ist enorm – zumal einige Agenten diese Aufgabe mit Bravour meistern, während andere in die bekannte Falle generativer Modelle tappen: Wissenslücken mit erfundenen oder unüberprüften Daten zu füllen.

Die Grenzen automatisierter Erkenntnisse

Sobald es um die Teilnehmenden selbst geht, ändert sich das Bild grundlegend. Zwar kann KI das prädiktive Sampling erleichtern – Machine-Learning-Modelle analysieren historische Verhaltens- und Demografiedaten, um verlässliche Probanden zu rekrutieren, die mit höherer Wahrscheinlichkeit schlüssige und vollständige Antworten liefern. Ebenso können diese Tools Vorarbeiten leisten, indem sie Archetypen skizzieren und antizipierte User Journeys visualisieren, um den Kontext der Studie abzustecken. Dennoch können sie echte menschliche Teilnehmende keinesfalls ersetzen. Auch wenn KI die analytische Ebene im UX-Research im Eiltempo erweitert, löst sie das grundlegendste Element für hochwertige Erkenntnisse nicht: die menschliche Quelle, von der UX-Fachkräfte lernen.

Trotz des technologischen Fortschritts bestimmen vier anhaltende Herausforderungen die Belastbarkeit der Ergebnisse: 

  1. die vielschichtige Komplexität menschlichen Verhaltens, die über rein beobachtbare Daten hinausgeht; 
  2. die wachsende Abhängigkeit von Self-Service-Methoden, die die methodische Qualität verwässern kann; 
  3. das Risiko, dass KI vages Userfeedback zu scheinbar autoritativen Schlüssen aufbläht; 
  4. und die inhärenten Grenzen simulierter Nutzer gegenüber realem Verhalten.

Der eigentliche Wert von UX Research liegt in der unmittelbaren Beobachtung von Menschen – im Erfassen ihrer Verhaltensweisen, Reflexe und Frustrationspunkte, um daraus Ableitungen zur Verbesserung von Produkten oder Dienstleistungen zu treffen. Diese Fähigkeit droht Schaden zu nehmen, wenn sich Researchteams blind auf automatisierte Interpretationen verlassen. Es gibt feine menschliche Zwischentöne, die KI-Tools nicht einmal bemerken, geschweige denn deuten können. Begriffe wie „enttäuschend“ oder „zufriedenstellend“ werden von Systemen zwar präzise erfasst, doch es braucht menschliche Präsenz und Interaktion, um zu begreifen, was sich hinter solchen Floskeln verbirgt – insbesondere dann, wenn die Körpersprache dem Gesagten widerspricht. Gerade solche Diskrepanzen sind für UX Researcher oft eine Goldgrube. Aus diesem Grund wird es immer echte Teilnehmende brauchen, um tiefgründige Insights zutage zu fördern, und versierte UX Researcher, um diese in all ihren Facetten einzuordnen.

Interessanterweise stellten Gale M. Lucas et al. (2017) fest, dass Militärangehörige gegenüber virtuellen Interviewern mehr posttraumatische Belastungssymptome offenbarten als in anonymen Formularen. Tamir Mendel et al. (2024) wiederum zeigten, dass Personen eher bereit sind, medizinische Informationen mit einer KI zu teilen, wenn der Faktor Vertrauen kontrolliert wird. Das ist keineswegs ein Widerspruch, sondern liefert wertvolle Einblicke darüber, wie die Bereitschaft zur Selbstoffenbarung je nach Kontext variiert. Ist das Sampling fundiert, lässt sich KI an den passenden Stellen des Research-Prozesses nahtlos einbinden. Es liegt in der Verantwortung der UX Researcher, die Hintergründe der Studie zu verstehen und das Protokoll entsprechend auszurichten. Sensible Themen rechtfertigen bisweilen den punktuellen Einsatz von KI, während andere Phasen eine direkte menschliche Moderation verlangen. Dies hängt nicht zuletzt von der Empfindsamkeit der Teilnehmenden ab und davon, wie wohl sie sich dabei fühlen, sich einem Menschen statt einer Maschine anzuvertrauen. Derartige Abwägungen sind für UX Researcher keineswegs neu – sie treffen sie seit Jahrzehnten. Die KI bringt lediglich neue Werkzeuge in einen bereits vertrauten Prozess ein.

Der Aufstieg der Self-Service-Forschung

Die sogenannte Self-Service-Forschung hat UX demokratisiert, indem sie es auch anderen Berufsgruppen ermöglicht, eigenständig Studien durchzuführen: Digitale Testabläufe lassen sich im Handumdrehen aufsetzen und Teilnehmende remote befragen. Für viele Designer, Marketingverantwortliche und Produktmanager ist dies die Möglichkeit schnell und praktisch Konzepte und Ideen zu validieren. Allerdings werden viele dieser Remote-Plattformen – und die darauf aufgesetzten Studien – weder von professionellen UX Researchern  konzipiert noch moderiert, die in wissenschaftlicher Methodik geschult sind (Schirra et al., 2023). Das führt zu nachlassender Wachsamkeit gegenüber methodischer Strenge und kann  die Qualität der Ergebnisse gefährden.

Fehlt einer Studie das methodische Fundament, verliert das Sampling rasch jeden Wert. Hinzu kommt, dass ungeübte Augen fehlerhafte Links, streikende Prototypen oder missverständliche Instruktionen leicht übersehen. Das ist weit gravierender als ein bloßer Konfigurationsfehler: Es verzerrt unmittelbar das Antwortverhalten der Teilnehmenden. Technische Hürden stiften Frust, während repetitive oder unklare Fragestellungen die Verlässlichkeit der Antworten untergraben. 

Unter ethischen Gesichtspunkten merken Schirra et al. an, dass das Übergehen der Qualitätssicherung darauf hinausläuft, den Befragten Mehrarbeit aufzubürden, wenn diese versuchen, solche Mängel zu umgehen. Kurz gesagt: Ein mangelhaftes Versuchsdesign gepaart mit minderwertigen Eingangsdaten führt unweigerlich zu fehlerhaften Resultaten. Die Gefahr wiegt umso schwerer, als diese Ergebnisse nicht folgenlos bleiben: Die daraus abgeleiteten Annahmen pflanzen sich oft über ganze Teams und Organisationen hinweg fort. Jede erfahrene UX-Fachkraft weiß, dass verzerrte Schlussfolgerungen schnurstracks zu Lösungen führen, die an der Realität der Nutzer vorbeigehen.

Das Risiko der KI-gestützten Verzerrungsverstärkung

In Fortführung dieser Beobachtungen liegt ein wesentlicher Gefahrenpunkt in der Fähigkeit von KI-Systemen, Lücken derart überzeugend zu schließen, dass Schwachstellen unbemerkt bleiben. Ganz gleich, wie ausgefeilt ein generierter Bericht auf den ersten Blick wirken mag: Ein geschulter UX Researcher sollte stets einen gesunden, methodischen Zweifel bewahren. Heutige Werkzeuge sind primär darauf getrimmt, selbstbewusste, bestimmende Antworten zu liefern. Anstatt fehlende Informationen transparent auszuweisen, neigen diese generativen Modelle dazu, das Vakuum mit erfundenen oder unbelegten Details zu füllen. Auch hier erinnert Akintola daran, dass solche Module versuchen, drei oft widersprüchliche Ziele auszubalancieren: die Maximierung der Abschlussquoten, die inhaltliche Anreicherung der Antworten und die Reduzierung kognitiver Ermüdung. Während Letzteres essenziell ist, um die Aufmerksamkeit der Befragten aufrechtzuerhalten, verleihen die beiden erstgenannten Faktoren dem Abschlussbericht oft eine trügerische Illusion von Vollständigkeit.

Paradoxerweise ist KI zwar brillant darin, erkannte Lücken nahtlos zu stopfen, tut sich jedoch weitaus schwerer damit, Leerstellen im Gesamtkontext überhaupt als solche zu identifizieren. UX Researcher müssen sich dessen bewusst sein und sicherstellen, dass sie in ihren Prompts und ihrem Studiendesign jede Facette des Problems abdecken. Andernfalls müssen sie die Stärken der KI gezielt nutzen, indem sie das Modell ausdrücklich anweisen, nach potenziellen blinden Flecken zu suchen. In einem OpenAI-Video zur Demonstration von GPT-4 sollte das Modell einen Raum und die sprechende Person analysieren. Später im Verlauf trat eine dritte Person ins Bild und machte hinter dem Sprecher heimlich „Hasenohren“. Das System bemerkte dies erst, als es explizit danach gefragt wurde. Für UX-Researcher bedeutet das: Es zahlt sich aus, die KI gezielt anzuweisen, nach den sprichwörtlichen „Hasenohren“ Ausschau zu halten, die sich in den Antworten verbergen könnten.

Synthetische Nutzer und die Grenzen der Simulation

Ein weiterer bedeutender Fortschritt – und zweifellos das kontroverseste Terrain der aktuellen UX-Forschung – ist das Aufkommen „digitaler Zwillinge“ und synthetischer Nutzer. In der Theorie sind diese Systeme darauf ausgelegt, menschliche Verhaltensweisen, Einstellungen und Reaktionen im großen Maßstab zu simulieren – ganz ohne Rekrutierungsaufwand, Vergütung oder logistische Hürden. Das Versprechen klingt verlockend, und der Ansatz birgt durchaus Potenzial. In der Praxis können diese Systeme reale Probanden jedoch nicht verdrängen. Sie bilden lediglich eine abgeleitete Schicht, die vollständig von Daten aus der realen Welt abhängt. Mit anderen Worten: Um Menschen durch hochwertige synthetische Nutzer zu ersetzen, bedarf es eingangs erst recht authentischer Daten realer Menschen.

Zur Veranschaulichung: Eine Stanford-Studie aus dem Jahr 2024 (Park et al., 2024), in der Forschende digitale Zwillinge zur Nachbildung menschlicher Umfrageantworten entwickelten, erreichte eine Genauigkeit von rund 85%. Auf den ersten Blick wirkt dieser Wert überzeugend und unterstreicht die beachtliche Fähigkeit synthetischer Nutzer, reale Menschen zu imitieren. Diese Detailtreue ließ sich jedoch nur dadurch erzielen, dass die Profile mit reichhaltigen, tiefgehenden Daten gefüttert wurden, die in aufwendiger Vorarbeit mit echten Teilnehmenden erhoben worden waren: zweistündige qualitative Tiefeninterviews mit über 1.000 Personen. Sobald versucht wurde, diese Profile lediglich auf Basis einfacher synthetischer Personas oder allgemeiner soziodemografischer Merkmale zu generieren, brach die Treffsicherheit eklatant ein. Ein fundiertes Verständnis realer Nutzer bleibt das unverzichtbare Fundament für die Erstellung jedes brauchbaren synthetischen Nutzers.

So überzeugend synthetische Nutzer nach außen wirken mögen, so auffällig mangelt es ihren Antworten an Diversität. Ihre Daten spiegeln menschliches Verhalten zwar an der Oberfläche, erweisen sich jedoch als erstaunlich arm, sobald man die sprachliche Variabilität und die Vielfalt der Perspektiven genauer unter die Lupe nimmt. Eine Fallstudie aus dem Jahr 2023 (Hämäläinen) verglich reale Erfahrungsberichte über Kunst in Videospielen mit Texten, die von GPT-3 generiert wurden. Die Ergebnisse waren verblüffend: Während menschliche Befragte eine breite Palette an Titeln nannten, bezog sich die KI sage und schreibe 151 Mal auf ein einziges populäres Spiel – Journey –, verglichen mit lediglich 7 Erwähnungen bei den realen Testpersonen. Dieses Phänomen, treffend als „Journey-Bias“ bezeichnet, verdeutlicht die Neigung von KI, sich auf einen allgemeinen Konsens zu versteifen, anstatt die spontane Vielfalt abzubilden, die Individuen mit unterschiedlichen Hintergründen und Kulturen auszeichnet.

Diese Verzerrung setzt sich auf linguistischer Ebene fort. Ein synthetischer Datensatz kann vom Umfang her fünfmal größer sein als ein von Menschen stammender, dabei aber 2.000 einzigartige Wörter weniger enthalten (Meyer, 2022). Konstruktionsbedingt greifen KI-Werkzeuge auf ein Vokabular mit hoher semantischer Dichte zurück, um kohärent und strukturiert zu wirken. Dieser Hang zu einem gestochen scharfen Sprachregister erzeugt zwar formvollendete Texte, raubt ihnen jedoch die natürliche Lebendigkeit menschlicher Sprache. Typische Sprachgewohnheiten, Zögern, Brüche, Unberechenbarkeiten – und der gesamte Erkenntniswert, der darin liegt – werden auf diese Weise aus den Datensätzen getilgt.

Große Sprachmodelle werden mit riesigen Mengen an Daten trainiert und verdichten die darin wiederkehrenden Muster. Das verschafft ihnen Zugriff auf ein gewaltiges Repertoire an Erfahrungen und Weltanschauungen. Dennoch können synthetische Nutzer gelebte Realitäten nicht authentisch transportieren. Sie leiten lediglich globale Trends ab; sobald es darum geht, die konkrete Lebenswirklichkeit eines Individuums greifbar zu machen, stößt die Technologie an ihre Grenzen. So zeigte sich bei der Generierung synthetischer Nutzer für das Gesundheitscoaching, dass Basismodelle, die lediglich mit demografischen Variablen gefüttert wurden, Eigenschaften wie reflexionsbasierte Motivation überrepräsentierten, während soziale oder umweltbedingte Hürden schlicht unter den Tisch fielen (Yun, 2025). Noch schwieriger gestaltet sich das Unterfangen bei persönlichkeitsbasierten Simulationen, in denen Nutzer oft „unberechenbar“ reagieren – eine Dynamik, die aktuelle Modelle kaum verlässlich abbilden können.

Trotz dieser Vorbehalte behalten synthetische Nutzer einen echten Nutzwert, sofern sie mit Bedacht eingesetzt werden. Auf taktischer Ebene haben sie ihre Berechtigung vor allem in frühen oder rein technischen Phasen: beim Testen von Prototypen, dem Debuggen von Analyse-Pipelines oder der Durchführung grundlegender Funktionstests (Smoke Tests), bevor eine Studie ins Feld geht. Dank ihrer Schnelligkeit und Effizienz dienen sie als nützlicher Vorfilter, um Probleme bereits vor den eigentlichen Testsitzungen zu vermeiden.

Kurzum: Synthetische Nutzer  entfalten ihren größten Wert als Ergänzung – nicht als Ersatz für die Tiefe echter Probanden. Zwar markieren sie einen bedeutenden Meilenstein für unsere Disziplin, doch ihre Aussagekraft steht und fällt mit dem Fundament vorausgegangener menschlicher Forschung. Das Wesen der UX-Forschung liegt in der Kunst, die feinen Nuancen menschlichen Verhaltens aufzuspüren. Diese springen selten sofort ins Auge, sondern verbergen sich tief in unseren kognitiven und emotionalen Mustern. Genau deshalb bleibt die Beteiligung echter Menschen durch nichts zu ersetzen.

Fazit

In dem Maße, wie künstliche Intelligenz Einzug in Research-Abläufe hält, wächst auch die Verantwortung der UX-Praxis: Es gilt trennscharf zu beurteilen, was den Erkenntnisgewinn tatsächlich bereichert und was droht, ihn zu verwässern. KI kann Transkription, Analyse und Datenverarbeitung dramatisch beschleunigen. Sie ist jedoch nach wie vor unfähig, menschliche Zwischentöne, methodische Strenge, die Repräsentativitat der Testpersonen und das Verständnis für komplexe Kontexte verlässlich zu verkörpern.

Im gesamten Artikel veranschaulichen verschiedene Risiken diese Herausforderungen deutlich: die Limitierungen automatisierter Interpretationen, der methodische Verfall durch unreflektierten Self-Service-Gebrauch, die Verstärkung schwacher Signale durch trügerisch selbstsicher auftretende KI-Ausgaben und die Verlockung synthetischer Nutzer, die letztlich doch auf Gedeih und Verderb von der realen Welt abhängen.

Strategisch klug dosiert, stärkt KI die Researchprozesse ungemein. Das Fundament glaubwürdiger Erkenntnisse bleibt jedoch unberührt: Es sind und bleiben reale menschliche Teilnehmende, die als lebendige Quelle jenes Verständnisses dienen, das UX Researcher freizulegen versuchen.

Literaturverzeichnis

  • Akintola, A. F. & Akanji, A. R. (2025). Revolutionizing survey data collection with AI powered automation in sample selection and response quality. International Journal of Advanced Statistics and Probability, 12(1), 40–51. https://doi.org/10.14419/8m5jht86
  • Hämäläinen, P., Tavast, M. & Kunnari, A. (2023). Evaluating large language models in generating synthetic HCI research data: A case study. In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (CHI ’23) (Artikel 237, S. 1–19). ACM. https://doi.org/10.1145/3544548.3580688
  • Lucas, G. M., Rizzo, A., Gratch, J., Scherer, S., Stratou, G., Boberg, J. & Morency, L.-P. (2017). Reporting mental health symptoms: Breaking down barriers to care with virtual human interviewers. Frontiers in Robotics and AI, 4, 51. https://doi.org/10.3389/frobt.2017.00051
  • Ma, C., Xu, Z., Ren, Y., Hettiachchi, D. & Chan, J. (2025). PUB: An LLM-enhanced personality-driven user behaviour simulator for recommender system evaluation. In Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’25) (S. 1–5). ACM. https://doi.org/10.1145/3726302.3730238
  • Mendel, T., Nov, O. & Wiesenfeld, B. (2024). Advice from a doctor or AI? Understanding willingness to disclose information through remote patient monitoring to receive health advice. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW2), Artikel 386. https://doi.org/10.1145/3686925
  • Meyer, S., Elsweiler, D., Ludwig, B., Fernández-Pichel, M. & Losada, D. E. (2022). Do we still need human assessors? Prompt-based GPT-3 user simulation in conversational AI. In 4th Conference on Conversational User Interfaces (CUI 2022) (S. 1–6). ACM. https://doi.org/10.1145/3543829.3544529
  • Yun, T., Yang, E., Safdari, M., Lee, J. H., Kumar, V. V., Mahdavi, S. S., Aharony, R., Michaelides, A., Schneider, L., Galatzer-Levy, I., Jia, Y., Canny, J., Gretton, A. & Matarić, M. (2025). Sleepless nights, sugary days: Creating synthetic users with health conditions for realistic coaching agent interactions. Preprint.
  • Zhang, Y., Atiq, A. & Chow, W. (2024). Exploring the role of AI in UX research: Challenges, opportunities, and educational implications. In T. Cochrane, V. Narayan, E. Bone, C. Deneen, M. Saligari, K. Tregloan, & R. Vanderburg (Hrsg.), Navigating the Terrain: Emerging Frontiers in Learning Spaces, Pedagogies, and Technologies. Proceedings ASCILITE 2024 (S. 556–560). ASCILITE. https://doi.org/10.14742/apubs.2024.1341

Dieses Whitepaper wurde gemeinsam mit Charbel Geagea, Texter bei TestingTime, verfasst und ursprünglich im Mai 2026 für das Merlien Institute veröffentlicht.