Eine synthetische Zielgruppe ist ein Panel aus KI-generierten Personas, gebaut, um die Antworten eines echten Zielsegments zu simulieren. Du befragst es wie ein Umfragepanel oder eine Fokusgruppe, nur dass keine Menschen beteiligt sind.
Du beschreibst eine Zielgruppe, zum Beispiel Frauen zwischen 25 und 40, die Premium-Hautpflege kaufen, und das System erzeugt oder holt eine Reihe von Personas, die zu diesem Profil passen. Dann zeigst du diesen Personas eine Anzeige, eine Botschaft oder eine Landingpage und sammelst vorhergesagte Reaktionen, Rankings und Präferenzen. Der Reiz liegt in Tempo und Kosten im Vergleich zur Rekrutierung eines echten Panels. Der Haken: Eine synthetische Zielgruppe sagt Antworten voraus, statt sie zu messen, und genau diesen Unterschied zu verstehen, ist der Kern der Sache.
Wie eine synthetische Zielgruppe aufgebaut wird
Es gibt zwei grundlegende Bauweisen, und viele Plattformen kombinieren sie.
Reine Persona-Generierung. Das System lässt ein großes Sprachmodell Personas mit einem bestimmten demografischen und psychografischen Profil spielen und befragt diese Personas dann. Das ist schnell und günstig, aber am wenigsten fundiert, weil das Modell plausible Menschen aus seinen Trainingsdaten erfindet statt aus Daten über echte Befragte.
Datenbasierte Agenten. Der andere Ansatz verankert jeden Agenten in echten Interview- oder Umfragedaten über reale Menschen, sodass sich die simulierten Antworten auf beobachtete menschliche Antworten zurückführen lassen statt auf reine Erfindung. Eine Studie von Joon Sung Park und Kollegen ging diesen Weg mit einer landesweiten Stichprobe von 1.052 Amerikanerinnen und Amerikanern. In der aktuellen Fassung des Papers erreichten Agenten, die aus Interviews und Umfragen gebaut waren, bei zurückgehaltenen Fragen des General Social Survey 86 % der Konsistenz, die Menschen mit ihren eigenen Antworten zwei Wochen später zeigen, gegenüber 74 % bei Agenten, die nur demografische Angaben bekamen.
Wenn ein Anbieter eine Genauigkeitszahl nennt, frag, woran sie gemessen wurde: Vergangene aggregierte Muster zu treffen, ist etwas anderes, als die Reaktion auf dein konkretes neues Werbemittel vorherzusagen.
Wann du eine synthetische Zielgruppe einsetzt
Frühe Vorauswahl von Kreationen. Wenn dir die KI-Generierung 40 oder 50 Varianten liefert, kann eine synthetische Zielgruppe sie günstig ranken und gruppieren und dir so helfen, die 10 bis 15 auszuwählen, die echtes Testbudget bekommen. Behandle das Ranking als Shortlist, nicht als Ergebnis.
Konzept- und Botschafts-Screening. Prüfen, ob ein Nutzenversprechen relevant wirkt, welcher von mehreren Ansätzen ankommt oder wie ein Konzept im Vergleich zu Alternativen abschneidet, bevor du Produktion oder Mediabudget festlegst.
Schnelle, günstige Richtungswerte. Wenn ein echtes Panel für die anstehende Entscheidung zu langsam oder zu teuer ist, kann eine synthetische Auswertung eine Richtung liefern. Behandle sie als Hypothese, die du noch bestätigen musst, nicht als Messung.
Grenzen der Aussagekraft
Synthetische Zielgruppen scheitern auf bestimmte, dokumentierte Weise. In einem Verasight-Bericht vom Januar 2026 schnitten von einem LLM imputierte Umfrageantworten bei Mehrfachauswahl-Fragen schlecht ab: "Very often, the LLM imputer would only generate responses for one or two options" (sehr oft erzeugte der LLM-Imputer nur Antworten für eine oder zwei Optionen). Am schlechtesten schnitten Fragen zu persönlichen Erfahrungen und Verhaltensvorlieben ab, die "lack strong demographic predictors" (keine starken demografischen Prädiktoren haben), mit mittleren absoluten Fehlern von 27 % bis 33 % bei den vier Beispielen, die der Bericht nennt; über alle Antwortoptionen lag der Fehler im Schnitt bei 14,5 Prozentpunkten. Derselbe Bericht stellte "a systematic tendency to regress predictions toward the mean" fest (eine systematische Tendenz, Vorhersagen zum Mittelwert hin zu ziehen).
Paglieri und Kollegen (2026) halten fest, dass die meisten Ansätze zur Persona-Generierung detaillierte Daten über die Zielpopulation brauchen und oft "density matching (replicating what is most probable) rather than support coverage (spanning what is possible), leaving long-tail behaviors underexplored" priorisieren (das Wahrscheinlichste nachbilden statt das Mögliche abdecken, sodass Verhalten im Long Tail wenig erforscht bleibt). Eine Übersicht von Batzner und Kollegen über 63 Studien aus den Jahren 2023 bis 2025 ergab, dass nur 35 % erörterten, ob ihre Personas repräsentativ waren, und forderte mehr ökologische Validität.
Die praktische Konsequenz: Wenn ein Panel Antworten zur wahrscheinlichsten hin zieht, kann es ungewöhnliche Reaktionen unterschätzen, und eine ungewöhnliche kreative Idee ist vielleicht genau das, was du testest. Verlass dich nicht darauf, dass es ein kulturelles Missverständnis erkennt, das einem echten Menschen auffallen würde. Nutze es als Filter mit blinden Flecken, nicht als Ersatz für Ergebnisse im Markt.
Beispiele
Ein Variantenbündel eingrenzen (Beispiel zur Veranschaulichung). Ein Growth-Team generiert 50 Anzeigenvarianten für ein neues Serum. Es schickt alle 50 durch eine synthetische Zielgruppe, die auf seine Käuferinnen kalibriert ist und die Hooks rankt und nach vorhergesagter Wirkung gruppiert. Die unteren 35 fliegen raus, die oberen 15 gehen in einen Meta-Test mit kleinem Budget. Der synthetische Schritt hat nicht den Gewinner ausgewählt; er hat den echten Test bezahlbar gemacht, indem er das Feld verkleinert hat.
Eine Positionierungszeile screenen (Beispiel zur Veranschaulichung). Eine B2B-Marke testet vier Formulierungen ihres Nutzenversprechens an einem synthetischen Panel aus IT-Entscheiderinnen und -Entscheidern. Drei liegen in der vorhergesagten Relevanz dicht beieinander, eine fällt deutlich ab. Die Marke streicht die schwächste und nimmt die anderen drei in Live-Tests, statt die Kampagne allein auf das synthetische Ranking zu setzen. Das Panel hat die Auswahl verkleinert; der Markt hat sie bestätigt.
Häufige Fragen
Kann eine synthetische Zielgruppe einen echten Test ersetzen? Nein. Nutze sie, um ein Bündel einzugrenzen, und bestätige dann mit echtem Budget oder echten Befragten.
Bietet 8frame synthetische Zielgruppen an? Nein. 8frame generiert die Bild- und Videovarianten; das synthetische Panel ist ein separates Tool.
Was kostet es, ein Bündel aus 50 Varianten auf 8frame zu generieren? Fünfzig Standbilder mit Nano Banana 2 in 1K kosten 550 Credits (etwa 5,50 US-Dollar zum Paketpreis); Videovarianten kosten mehr, zum Beispiel 86 Credits für einen 5-Sekunden-Clip mit Kling v3 Standard mit Ton, erstellt aus einem Startbild.
Verwandte Begriffe
- Anzeigen mit synthetischen Zielgruppen vortesten (auf Englisch) ist der vollständige Leitfaden zu Workflow und Vorbehalten: breit generieren, per Vortest eine Shortlist bilden, mit Budget bestätigen und das Panel mit der Zeit an deinen echten Ergebnissen kalibrieren.
- Workflow zum Testen von KI-Anzeigenvarianten (auf Englisch) liefert das breite Bündel, das eine synthetische Zielgruppe filtern soll. Ohne Volumen am Eingang hat das Panel nichts auszusortieren.
Quellen
- Park et al., "LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals" (erstmals im November 2024 als "Generative Agent Simulations of 1,000 People" veröffentlicht; aktuelle Fassung überarbeitet am 2026-06-28; 1.052 Teilnehmende; bei zurückgehaltenen Fragen des General Social Survey 83 %, 82 % und 86 % der Zwei-Wochen-Test-Retest-Konsistenz der Teilnehmenden für Agenten nur aus Interviews, nur aus Umfragen und aus beidem, gegenüber 74 % für Agenten nur mit demografischen Angaben): https://arxiv.org/abs/2411.10109, geprüft am 2026-10-02
- Verasight, "Can Large Language Models Replicate Survey Data Across Topics?" (G. Elliott Morris und Benjamin Leff, 2026-01-13; Mehrfachauswahl-Antworten beschränkt auf "one or two options", eine oder zwei Optionen; schlechteste genannte Beispiele mit 33 %, 30 %, 29 % und 27 % mittlerem absolutem Fehler; insgesamt 14,5 Prozentpunkte; "systematic tendency to regress predictions toward the mean", eine systematische Tendenz, Vorhersagen zum Mittelwert hin zu ziehen): https://www.verasight.io/reports/synthetic-omnibus-survey, geprüft am 2026-10-02
- Paglieri et al., "Persona Generators: Generating Diverse Synthetic Personas for Arbitrary Contexts" (eingereicht am 2026-02-03): https://arxiv.org/abs/2602.03545, geprüft am 2026-10-02
- Batzner et al., "Whose Personae? Synthetic Persona Experiments in LLM Research and Pathways to Transparency" (63 begutachtete Studien, 2023 bis 2025; nur 35 % erörterten die Repräsentativität; fordert mehr ökologische Validität): https://arxiv.org/abs/2512.00461, geprüft am 2026-10-02
- Preise von Nano Banana 2 und Kling v3, Startbild-Pflicht bei Kling v3, Wert eines Credits zum Paketpreis und das Fehlen jedes Tools für synthetische Zielgruppen: Tool-Registry von 8frame, Definitionen der MCP-Tools und Abrechnungskatalog, gelesen am 2026-10-02
Eine synthetische Zielgruppe braucht Varianten, die sie beurteilen kann. Generiere sie auf 8frame und lies dann den vollständigen Workflow für synthetisches Vortesten (auf Englisch), um sicher zu filtern und Budget einzusetzen.
Probier es ohne Anmeldung aus: Du landest direkt auf einem echten Board. Der 8frame-Canvas ist kostenlos und unbegrenzt; die Generierung ist kostenpflichtig ab 19 US-Dollar im Monat.