Silicon Sampling

Ursprung

Argyle und Kollegen prägten den Begriff 2023 in der Fachzeitschrift Political Analysis. Sie gaben einem Sprachmodell tausende soziodemografische Hintergrundgeschichten realer Teilnehmender aus US-Umfragen vor und ließen es deren Fragen beantworten. Die Verteilungen der simulierten Antworten lagen für viele Untergruppen nahe an denen der echten Befragung. Die Autoren nannten diese Eigenschaft algorithmische Treue.

Die Studie war bewusst als Machbarkeitsnachweis angelegt: Kann ein Modell als Stellvertreter für bestimmte Bevölkerungsgruppen dienen, etwa um Fragebögen vorzutesten oder Hypothesen zu bilden?

Warum das für Ihre Entscheidung wichtig ist

Wenn Ihnen ein Anbieter synthetische Befragte vorstellt, steckt dahinter meist eine Variante dieses Prinzips. Für Ihre Bewertung ist entscheidend, woran die Übereinstimmung gemessen wurde. Beim Silicon Sampling ist der Maßstab eine Befragung: Das Modell trifft, was Menschen in Umfragen angeben. Ob es trifft, was Menschen tun, wenn ein neues Angebot mit Preis vor ihnen liegt, ist damit nicht geprüft.

Ein Sprachmodell gibt wieder, was Menschen gesagt und geschrieben haben. Für bekannte Themen mit viel Textgrundlage kann das erstaunlich gut funktionieren. Für Angebote, die es noch nicht gibt, fehlt diese Grundlage.

Praktisch heißt das: Silicon Sampling ist ein guter Kandidat, wenn Sie sonst eine schnelle Befragung zu einem bekannten Thema aufgesetzt hätten, etwa um Formulierungen oder Segmente zu prüfen. Es ist ein schwacher Kandidat, wenn die Frage lautet, wie viele Menschen ein neues Angebot zu einem bestimmten Preis wählen.

Beispiel

Ein Telekommunikationsanbieter möchte wissen, wie Haushalte in drei Regionen auf einen Glasfasertarif mit gemietetem Router reagieren. Ein Silicon Sample aus 1.000 synthetischen Profilen liefert in wenigen Minuten: 38 % Interesse insgesamt, höher bei jüngeren Eigentümern. Das ist nützlich, um Segmente und Fragen für den nächsten Schritt zu schärfen.

Ob dieselben Haushalte den Tarif abschließen würden, wenn sie ihn im gewohnten Online-Umfeld neben ihrem bisherigen Anschluss sehen, beantwortet der Wert nicht. Dafür braucht es gemessene Abschlussabsicht realer Menschen.

Abgrenzung

Silicon Sampling ist eine Methode innerhalb der synthetischen Forschung. Synthetische Befragte, KI-Personas und synthetische Konsumenten beschreiben das Ergebnis, also die simulierten Personen. Ein digitaler Zwilling bildet meist eine konkrete Zielgruppe oder Kundenbasis mit eigenen Daten nach. Synthetische Daten im weiteren Sinn umfassen auch künstlich erzeugte Tabellendaten ohne Befragungsbezug.

Grenzen

Folgestudien zeigen, wo das Verfahren an Grenzen stößt. Bisbee und Kollegen fanden 2024 zwar passende Mittelwerte, aber deutlich weniger Streuung als in der echten Befragung, abweichende Zusammenhänge zwischen Merkmalen und spürbare Schwankungen desselben Prompts über drei Monate. Zudem ähneln Modellantworten am stärksten US-amerikanischen und westlichen Mustern, was für Märkte in Europa relevant ist.

Horizon ordnet Silicon Sampling deshalb als Werkzeug der Exploration ein: für Hypothesen, Segmente und eine erste Vorauswahl. Die finalen Varianten kommen vor der Investition in einen Verhaltenstest mit realen Menschen.