MatrAIx: 8,3 Milliarden Kunstmenschen und das Ende der klassischen Marktforschung?

Es gibt Zahlen, die man zweimal lesen muss. 8,3 Milliarden – so viele Menschen leben derzeit auf der Erde, und exakt so viele künstliche Personas enthält ein System, das 93 Forscher:innen unter Federführung von Harvard und MIT am 4. August 2026 auf arXiv vorgestellt haben. Der Titel des Papers ist Programm: „MatrAIx: Simulating the World with 8.3 Billion Persona Agents“. Jede dieser Personas ist in 1.290 Merkmalen beschrieben – von Alter und Beruf über Sprachkenntnisse bis zur Risikobereitschaft – und soll als simulierter Nutzer Umfragen ausfüllen, mit Chatbots streiten, Websites durchklicken und Apps bedienen, bevor je ein echter Mensch das Produkt sieht. Marktforschung ohne Menschen: Ist das die Zukunft der Werbe- und Kreativbranche – oder ihr Ende?

Der Name ist natürlich eine Anspielung, und sie ist gewollt. Wer bei MatrAIx an die Simulationstheorie denkt, liegt nicht falsch. Doch hinter dem Wortspiel steckt ein nüchternes Ingenieursproblem, das jeder kennt, der je ein Produkt getestet hat.

Das Problem, das MatrAIx lösen will

Nutzertests mit echten Menschen sind langsam, teuer und klein. Wer wissen will, ob seine Kundschaft eine Preiserhöhung von zwei Euro auf das Sixpack Bier mitträgt, rekrutiert ein Panel, bezahlt es und wartet Wochen auf Ergebnisse. Die Folge: Die meisten Teams testen selten, spät oder gar nicht. Automatisierte Benchmarks sind billiger, messen aber nur, ob eine Aufgabe korrekt gelöst wurde – nicht, wie sich das Produkt für unterschiedliche Menschen anfühlt. Das Paper bringt es auf ein einfaches Beispiel: Ein Programmier-Assistent kann jeden Test bestehen und trotzdem die Hälfte seiner Nutzer frustrieren, weil der Anfänger Erklärungen und kleine Schritte will, der Profi aber zwei knappe Zeilen und keine Bevormundung. Ein Durchschnittswert verbirgt beide.

„Before release, simulate diverse users, then validate against reality.“ – aus dem Schlusskapitel des MatrAIx-Papers, Harvard/MIT, August 2026

Genau hier setzt MatrAIx an: Bevor ein Produkt auf echte Menschen trifft, soll es auf simulierte treffen. Die Idee selbst ist nicht neu. Stanford-Forscher um Joon Sung Park bevölkerten 2023 mit „Generative Agents“ eine virtuelle Kleinstadt mit 25 KI-Bewohnern, 2024 folgte eine Studie, in der 1.052 echte Amerikaner:innen als KI-Agenten nachgebildet wurden – sie beantworteten Umfragen mit rund 85 Prozent Genauigkeit so wie ihre Vorbilder. Tencent legte im selben Jahr mit Persona Hub eine Milliarde synthetischer Personas vor. Neu an MatrAIx ist die Kombination: Bevölkerung, Testumgebung und Aufgabenbibliothek in einem System – und ein Maßstab, der sich an der Weltbevölkerung orientiert.

Woher 8,3 Milliarden Menschen kommen, die es nicht gibt

Das Herzstück heißt Persona 8B. Eine Persona ist dabei kein einzeiliger Charakter-Steckbrief, sondern ein Datensatz aus 1.290 Kategorien, gruppiert in Hintergrund, Psychologie, Fähigkeiten, Verhalten und Lebensstil. Die Forscher gehen zwei Wege. Rund 600.000 der veröffentlichten Datensätze sind aus Spuren echter Menschen extrahiert: Wikipedia-Biografien, Amazon-Rezensionshistorien, der Stack Overflow Developer Survey, die amerikanische General Social Survey, das PRISM-Alignment-Projekt sowie 355 Freiwillige, die einen Fragebogen ausgefüllt haben. Namen und Kontaktdaten werden entfernt; übrig bleibt, wie es die Autoren formulieren, die Form eines Lebens – was jemand weiß, schätzt, kauft und womit er kämpft.

Der Rest wird synthetisch erzeugt, und zwar nicht per Würfel. Wer jedes Merkmal unabhängig auslost, bekommt den pensionierten Chirurgen mit 19 Jahren. MatrAIx zieht die Merkmale deshalb der Reihe nach entlang eines Abhängigkeitsgraphen: Der Bildungsgrad hängt vom Alter ab, die Englischkenntnisse von Region und Muttersprache, unmögliche Kombinationen werden gestrichen, bloß ungewöhnliche bleiben erlaubt – weil echte Bevölkerungen ungewöhnliche Menschen enthalten. Die Wahrscheinlichkeiten stammen aus öffentlichen Statistiken wie den UN World Population Prospects, Weltbank-Indikatoren oder Daten der Internationalen Arbeitsorganisation. Eine typische Persona liest sich dann so: „Rachel Bennett, 35 bis 44, Nordamerika. Berufstätige Mutter, zwei schulpflichtige Kinder, knappes Haushaltsbudget. Preissensibel und pragmatisch.“ Zu einem Persona-Agenten wird sie erst, wenn ein Sprachmodell die Rolle übernimmt.

Eine qualitätsgeprüfte Kernmenge von knapp einer Million Personas – 599.847 menschlich fundierte und 400.000 synthetische – steht als Datensatz auf Hugging Face frei zur Verfügung, der Code liegt unter MIT-Lizenz auf GitHub.

Vier MatrAIx Spielwiesen: Umfrage, Chatbot, Web und App

In der zweiten Komponente, dem MatrAIx Playground, werden die Kunstmenschen losgelassen. Vier Umgebungen stehen zur Wahl:

• • Survey: Personas füllen Fragebögen aus und begründen ihre Antworten – Konzepttests, Preissensibilität, Marktprognosen.

• • AI Chatbot: Personas führen echte Gespräche mit einem Assistenten oder Support-Bot. Machen Nutzer weiter, nachdem der Bot halluziniert und sich korrigiert hat? Wie sehr schadet eine langsame Antwort der Zufriedenheit?

• • Web: Personas surfen auf realen Websites, vergleichen und wählen aus – etwa beim Laptop-Kauf mit knappem Budget.

• • App: Personas bedienen Desktop- und Mobile-Apps mit Maus, Tastatur und Touch, in einer Linux-Sandbox, auf macOS oder im iOS-Simulator. Findet man die neue Funktion? Findet man die Datenschutzeinstellungen?

Dazu kommt eine Bibliothek von 1.010 fertigen Studiendesigns aus mehr als 25 Branchen – 621 Umfragen, 371 Chatbot-Szenarien, zwölf Web- und sechs App-Aufgaben – von Handel über Software und Finanzen bis Gesundheit. Für das Paper wurden 18.189 Durchläufe in acht repräsentativen Aufgaben gefahren, angetrieben von drei Sprachmodellen: Claude Opus 4.8, GPT 5.5 und Claude Haiku 4.5. Jede Persona bearbeitet ihre Aufgabe unabhängig, jeder Durchlauf wird protokolliert – was die Persona dachte, sagte und tat, wie lange sie brauchte und ob eine automatische Prüfung das Ergebnis akzeptiert hat.

Wie eine solche Studie in der Praxis abläuft – von der Produktfrage über die Persona-Kohorte bis zum auditierbaren Report – zeigt das offizielle Demo-Video des MatrAIx-Teams:

Bleiben die Kunstmenschen in ihrer Rolle?

Die entscheidende Frage lautet aber nicht, ob Sprachmodelle plausible Antworten geben – das können sie längst –, sondern ob eine Persona, die als „ungeduldig“ angelegt ist, sich auch ungeduldig verhält, und eine geduldige eben nicht. Dafür haben die Autoren eine kontrollierte Studie mit 400 Durchläufen aufgesetzt: zehn Verhaltensmerkmale, jeweils fünf Personas mit der einen und fünf mit der gegenteiligen Ausprägung, in allen vier Umgebungen. In 366 Fällen, also 91,5 Prozent, zeigte sich das zugewiesene Verhalten – oder blieb korrekt aus. Umfragen, Chats und Web-Aufgaben lagen bei 92 bis 96 Prozent, die Bedienung kompletter Desktop-Apps war mit 83 Prozent die schwierigste Disziplin. Sechs menschliche Gutachter bewerteten zudem, ob die aus Wikipedia und Co. extrahierten Personas ihren Quellen entsprechen: im Schnitt 4,135 von 5 Punkten.

Bemerkenswert ist, wie ehrlich das Paper mit seinen eigenen Zahlen umgeht. In einer Studie mit einem Ernährungs-Chatbot gaben „Empty Nester“ zu 66 Prozent an, den vorgeschlagenen Essensplan befolgen zu wollen, Menschen im Berufswechsel nur zu 46 Prozent – ein Unterschied, der nach statistischer Korrektur nicht mehr signifikant war. Die Autoren nennen solche Ergebnisse deshalb Hinweise für eine größere Studie, keine belegten Persona-Effekte. Man wünscht sich diese Nüchternheit in mancher Pressemeldung, die aus den 93 Autoren des Papers inzwischen „über 200 Wissenschaftler“ gemacht hat.

Der Haken: Das Modell spielt mit

Das für mich interessanteste Experiment steht im Anhang. In einer Einkaufsumgebung wird den Personas eine Preiserhöhung präsentiert, gemessen wird, wie viele zögern. Dieselbe Kohorte, dieselbe Aufgabe, drei Modelle – und drei Welten: 98,3 Prozent der von GPT 5.5 gespielten Personas zögern, 83,3 Prozent der Haiku-Personas, aber nur 27 Prozent jener, die von Claude Opus 4.8 verkörpert werden. Die Autoren ziehen daraus die einzig richtige Konsequenz: Das Persona-Modell ist Teil jeder Studienkonfiguration, wichtige Befunde sollen mit mehreren Modellen gegengeprüft und bis zu den einzelnen Interaktionen zurückverfolgt werden. Wo ein Persona-Merkmal einen klaren Bezug zur Aufgabe hatte – etwa das zugewiesene Vertrauensniveau in einer Finanzrecherche-Aufgabe –, ordneten immerhin alle drei Modelle die Gruppen gleich.

Wer 8,3 Milliarden simulierte Menschen befragt und in Stunden eine Antwort bekommt, hat nicht die Menschheit befragt. Er hat ein Sprachmodell gefragt, was es von der Menschheit hält. – Michael Katzlberger

Was das für Marketing und Kreativbranche bedeutet

Für Agenturen und Marketingabteilungen ist das Versprechen verlockend: Claims, Preismodelle, Landingpages oder Chatbot-Dialoge über Nacht an tausend unterschiedlichen Zielgruppen testen, bevor ein Euro Mediabudget fließt – und das nicht nur für Konzerne, sondern auch für das EPU mit einer Idee. Dass der Ansatz auch in Europa ernst genommen wird, zeigt das Fraunhofer IAO, das mit „Mindset Twins“ synthetische Befragte für die Marktforschung entwickelt und validiert. Wenn man die Entwicklung nüchtern betrachtet, zeichnen sich zwei Lesarten ab:

1.) Die Demokratisierung der Nutzerforschung. Was bisher Wochen und fünfstellige Budgets kostete, wird zum Werkzeug im kreativen Alltag – ähnlich, wie Bildgeneratoren die Skizze am Anfang eines Projekts verändert haben. Schlechte Ideen sterben früher, gute bekommen schneller eine Chance, und Randgruppen, die kein Panel je rekrutiert hätte, tauchen zum ersten Mal in Testergebnissen auf.

2.) Die Echokammer. Wenn alle ihre Produkte an derselben simulierten Menschheit testen, optimieren am Ende alle auf das, was ein Modell für menschlich hält – Vorurteile und Glättungen inklusive. Die Forschung kennt das Problem: Sprachmodelle nivellieren Unterschiede innerhalb von Gruppen und verstärken Stereotype. Der Politikwissenschaftler Sean Westwood von der Dartmouth-Universität warnte zudem bereits im Herbst 2025, dass KI-Agenten in Online-Umfragen gängige Erkennungsmethoden umgehen und kaum noch von echten Befragten zu unterscheiden sind – die Simulation sickert also längst in die reale Marktforschung ein, ob man es will oder nicht.

Simulierte Nutzer ersetzen keine echten, sie sortieren vor. Sie finden Probleme früher, häufiger und bei mehr Menschentypen, als ein rekrutiertes Panel je abdecken könnte. Für Entscheidungen mit Folgen bleibt der Mensch Pflicht.

MatrAIx – Wenn die ganze Menschheit zur Fokusgruppe wird

Bleibt die Frage, was passiert, wenn die Simulation bequemer wird als die Wirklichkeit. Persona-Agenten werden nicht müde, verlangen kein Honorar, sagen keine Termine ab und widersprechen nur, wenn ihr Modell es vorsieht. Genau das sollte uns stutzig machen. Der wahre Wert von MatrAIx liegt nicht in der Zahl 8,3 Milliarden, sondern im Protokoll: In jedem Durchlauf kann man nachlesen, warum eine bestimmte Art von Mensch abgesprungen ist – ein Luxus, den keine Klickrate bietet. Wer dieses Werkzeug als Frühwarnsystem nutzt und die Antworten anschließend mit echten Menschen abgleicht, wird bessere Produkte bauen. Wer es als Ersatz für die Wirklichkeit nimmt, testet am Ende nur noch, ob sein Produkt einem Sprachmodell gefällt.

Ich gehe davon aus, dass wir in den nächsten Jahren beides sehen werden. Und dass die interessanteren Fälle jene sein werden, in denen die Kunstmenschen anders entscheiden als die echten  – denn dort lernen wir etwas über beide.

Weiterführende Links

• • MatrAIx: Simulating the World with 8.3 Billion Persona Agents (arXiv:2608.04205) – das Paper im Original, inklusive der Validierungsstudien im Anhang

• • Simulating the World with 8.3 Billion Personas – MatrAIx Research – die allgemeinverständliche Zusammenfassung des Teams mit Screenshots und Demo-Video

• • MatrAIx-Persona-8B auf GitHub – der Code unter MIT-Lizenz

• • Persona 1M auf Hugging Face – der veröffentlichte Datensatz mit knapp einer Million Personas

• • LLM agents grounded in self-reports enable general-purpose simulation of individuals (Park et al., Stanford 2024) – die Vorläuferstudie mit 1.052 nachgebildeten Menschen

• • KI-generierte Nutzende und Personas für Marktforschung und Innovationsprozesse – Fraunhofer IAO – der europäische Blick auf synthetische Befragte

• • Zwischen KI-Apokalypse, Simulationstheorie und der Suche nach dem menschlichen Funken – mein Artikel zur Simulationstheorie auf katzlberger.ai