Ein Patient vergisst, sein Medikament nachzubestellen. Würde es helfen, ihn früher zu erinnern? Eine freundlichere Formulierung? Oder ein anderer Hinweis auf die Folgen? Üblicherweise müsste ein Gesundheitsunternehmen solche Varianten mit echten Menschen testen – ein langwieriges, teures und bei medizinischen Themen besonders sensibles Verfahren. CVS Health versucht es inzwischen anders: Künstliche Personen simulieren mögliche Reaktionen, bevor die Varianten mit Patienten erprobt werden.
Nach Angaben des beteiligten KI-Unternehmens Simile beruhen diese sogenannten generativen Agenten auf 2,9 Millionen freiwillig abgegebenen Antworten von mehr als 400.000 Menschen aus über 200 Verhaltensszenarien. Sie sollen unter anderem vorhersagen, wie sich unterschiedliche Erinnerungen, Informationsangebote oder Versicherungsleistungen auf die Bereitschaft auswirken, ein Rezept erneut einzulösen. Als endgültiger Beweis gelten die Resultate nicht, wohl aber als Filter: Welche Ideen erscheinen erfolgversprechend genug, um sie anschließend in der Wirklichkeit zu erproben? Recherchequelle: simile.com
Die Milliardenwette auf künstliche Kundschaft
Welchen Wert Investoren dieser neuen Form der Marktforschung beimessen, zeigte sich am 30. Juli 2026. Simile gab bekannt, mehr als 200 Millionen Dollar eingesammelt zu haben; die Geldgeber bewerteten das erst wenige Monate zuvor gestartete Unternehmen mit zwei Milliarden Dollar. Zu den Investoren gehören Greenoaks, Index Ventures, Bain Capital Ventures und CVS Health Ventures. Nach eigenen Angaben hat Simile bereits mehrere zehn Millionen Simulationen für große Unternehmen durchgeführt. Sein Ziel formuliert das Startup mit jener Mischung aus Größenwahn und geschäftlichem Instinkt, die im Silicon Valley als Vision gilt: Es möchte alle acht Milliarden Menschen auf der Erde simulieren – akkurat und ehrlich. Recherchequelle: simile.com
Der kühne Anspruch steht für einen Wandel, der längst nicht nur Simile betrifft. Bislang haben Unternehmen KI vor allem eingesetzt, um Texte zu verfassen, Bilder zu gestalten oder Daten auszuwerten. Jetzt soll sie nicht mehr allein dabei helfen, ein Produkt herzustellen. Sie soll auch voraussagen, ob Menschen es mögen werden.
Wie ein synthetisches Publikum entsteht
Der Kunde selbst betritt dabei kein Geschäft, klickt keine Anzeige an und nimmt an keiner Befragung teil. Stattdessen tritt sein statistischer Stellvertreter auf: eine künstliche Person mit Alter, Beruf, Gewohnheiten, Ansichten und Erinnerungen. Man zeigt ihr eine neue Verpackung, verändert einen Preis oder lässt sie auf eine Werbebotschaft reagieren. Tausende solcher Stellvertreter bilden am Ende ein synthetisches Publikum.
Der Reiz liegt auf der Hand. Eine herkömmliche Studie kostet Zeit und Geld: Teilnehmer müssen gewonnen, Fragebögen erstellt und Termine organisiert werden. Manche Gruppen sind schwer erreichbar, andere antworten nur selten. Virtuelle Befragte hingegen kennen weder Ungeduld noch Feierabend. Morgens können sie einen Joghurt bewerten, mittags über eine Versicherung nachdenken und am Abend in einem simulierten Kaufhaus zwischen zwei Turnschuhen wählen. Auf Wunsch beginnt das gesamte Programm gleich wieder von vorn.
Diese Aussicht dürfte mit erklären, warum Simile nur fünf Monate nach seiner ersten Finanzierungsrunde über 100 Millionen Dollar weiteres Kapital anziehen konnte. Das Unternehmen verkauft simulierte Nutzer für Produktentwicklung und Marketing. Zu den Köpfen dahinter gehört der Stanford-Forscher Joon Sung Park. In einer seiner früheren Arbeiten lebten und planten virtuelle Figuren gemeinsam in einer kleinen digitalen Stadt und organisierten sogar Feste. Recherchequelle: techcrunch.com
Der digitale Zwilling im Praxistest
Das Verfahren erschöpft sich nicht in hübsch ausformulierten Personas. Für eine viel beachtete Untersuchung ließen Park und sein Team 1.052 Menschen jeweils rund zwei Stunden lang über ihr Leben, ihre Überzeugungen und Erfahrungen sprechen. Aus diesen Interviews entstanden individuelle KI-Agenten. Anschließend beantworteten sowohl die Menschen als auch ihre Simulationen Fragen aus sozialwissenschaftlichen Erhebungen.
Beim häufig zitierten Ergebnis lohnt sich ein genauer Blick: Die Agenten erzielten keine schlichte Trefferquote von 85 Prozent. Vielmehr reproduzierten sie die Antworten ihrer menschlichen Vorbilder mit 85 Prozent jener Zuverlässigkeit, mit der diese Menschen zwei Wochen später ihre eigenen Antworten wiederholten. Schließlich sind auch Menschen keine unveränderlichen Datensätze. Sie zögern, erinnern sich anders oder haben ihre Meinung inzwischen geändert. Recherchequelle: arxiv.org
Darin zeigt sich zugleich ein Grundproblem klassischer Befragungen. Schon kleine Änderungen an einer Frage können große Unterschiede hervorrufen. Zudem sagen Menschen nicht immer, was sie tatsächlich tun. Eine Person kann von gesunder Ernährung überzeugt sein und trotzdem nachts Schokolade kaufen. Ein synthetischer Zwilling könnte theoretisch ein breiteres Bild einbeziehen als eine einzelne Antwort: frühere Entscheidungen, ausführliche Interviews und typische Verhaltensmuster.
Wo die Simulation den Menschen verfehlt
Doch aus Daten entsteht noch kein Mensch.
Wie deutlich diese Grenze verläuft, zeigt eine Untersuchung des Nürnberg Instituts für Marktentscheidungen. Die getesteten virtuellen Befragten erkannten zwar allgemeine Muster, bewerteten bekannte Marken jedoch systematisch positiver als reale Teilnehmer. Zugleich ähnelten ihre Antworten einander stärker. Damit bildeten die virtuellen Befragten ausgerechnet die Vielfalt menschlicher Vorlieben schlechter ab, die Märkte so unberechenbar macht. Die Modelle zeichneten das Bild eines plausiblen Publikums – allerdings eines mit geglätteten Konturen. Nach Einschätzung der Forschenden eignen sich solche Verfahren derzeit eher für frühe Konzepttests und weniger riskante Entscheidungen als für den vollständigen Ersatz realer Erhebungen. Recherchequelle: nim.org
Noch kritischer fällt das Ergebnis einer am 28. Juli 2026 veröffentlichten Vorabstudie aus. Die Autoren verglichen vier Sprachmodelle anhand amerikanischer Sozialdaten und internationaler Wertestudien. Auf individueller Ebene übertraf keines der Modelle die stärkste konventionelle Vergleichsmethode. Vor allem überschätzten die Systeme den Einfluss demografischer Merkmale. Aus Alter, Geschlecht oder Herkunft leiteten sie übermäßig eindeutige Einstellungen ab.
Für Marketingabteilungen ist das keine akademische Kleinigkeit. Bei einer simulierten Auswahl von Zielgruppen vergrößerten die Modelle die Unterschiede zwischen Bevölkerungssegmenten auf das Zwei- bis Vierfache. In der Hälfte der amerikanischen Fälle und bei den meisten länderübergreifenden Vergleichen hätten sie deshalb die falsche Zielgruppe empfohlen. Die Systeme bilden also nicht bloß vorhandene Kundentypen ab. Sie können Gruppen erfinden, die nur in ihren Berechnungen so geschlossen denken. Recherchequelle: arxiv.org
Gallups kontrollierter Versuch mit künstlichen Befragten
Gallup geht entsprechend vorsichtig vor. Gemeinsam mit Simile entwickelt das Meinungsforschungsinstitut Agenten, die auf ausführlichen Gesprächen und Befragungen von rund 1.000 Mitgliedern eines repräsentativ rekrutierten US-Panels beruhen. Bei Fragen, die eng an die ursprünglichen Interviews angelehnt waren, ergaben erste Tests teilweise ähnliche Antwortverteilungen wie bei echten Menschen. Doch mit jedem Schritt weg von diesem Ausgangsmaterial dürfte die Simulation unsicherer werden.
Gallup will synthetische Antworten daher weder für veröffentlichte Bevölkerungsschätzungen noch als Ersatz für seine laufenden Befragungen verwenden. Künstliche und menschliche Antworten seien nicht austauschbar und müssten klar voneinander getrennt ausgewiesen werden. Sinnvoll könnten die Agenten zunächst beim Entwerfen von Fragebögen, beim Entwickeln von Hypothesen oder bei Vorversuchen sein. Recherchequelle: gallup.com
Proberaum statt Orakel
Vorerst liegt darin wohl der größte Nutzen: Die Simulation ist kein Orakel, sondern ein Proberaum. Ein Unternehmen kann hundert Varianten durchspielen und die drei überzeugendsten anschließend in Tests mit Kunden prüfen. So spart die Simulation Feldarbeit, ohne den Menschen aus der Forschung zu entfernen.
Problematisch wird es, sobald die Ergebnisse dieses Zwischenschritts unbemerkt als Wahrheit gelten. Ein Diagramm mit präzisen Prozentwerten sieht schließlich auch dann eindrucksvoll aus, wenn kein einziger Mensch befragt wurde. Und je günstiger künstliche Zielgruppen werden, desto größer ist die Versuchung, auf die mühsame Begegnung mit echten Personen ganz zu verzichten.
Dann würden Unternehmen ihre Kunden nicht mehr fragen, was sie wollen. Sie würden eine Maschine fragen, was sie über diese Kunden zu wissen glaubt. Dieser Unterschied lässt sich in keinem Balken eines Marktforschungsdiagramms abbilden. Dennoch könnte er über ganze Produktlinien entscheiden.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
Unite.AI – Simile erhält über 200 Millionen Dollar bei einer Bewertung von 2 Milliarden Dollar, um menschliches Verhalten zu simulieren
Der Beitrag erläutert konkret, wie CVS Health Simile-Agenten auf Basis von 2,9 Millionen freiwilligen Antworten für Medikamententreue, Patientenzufriedenheit und vorgeschaltete Konzepttests einsetzt.
https://www.unite.ai/de/simile-raises-more-than-200-million-at-a-2-billion-valuation-to-scale-human-behavior-simulations/
IBM – Lernen Sie Ihren KI-Zwilling kennen: Er verhält sich genau wie Sie
Der Artikel erklärt die interviewbasierte Erzeugung von 1.052 KI-Agenten und ordnet ihre Zuverlässigkeit von 85 Prozent gegenüber menschlichen Wiederholungsantworten ein.
https://www.ibm.com/de-de/think/news/ai-simulations-stanford-research
alphaXiv – Wenn synthetische Nutzer versagen: Ein domänenübergreifender Benchmark von LLM-simulierten menschlichen Umfrageantworten
Die Studienaufbereitung zeigt, wie vier Sprachmodelle demografische Unterschiede überzeichnen, Segmentabstände vervielfachen und dadurch häufig falsche Zielgruppen empfehlen.
https://www.alphaxiv.org/de/abs/2607.26348
