Ist Ihr Testteilnehmer wirklich ein Mensch?

Ein Teilnehmer erfüllt im Online-Screener jedes Kriterium. Alter stimmt. Beruf stimmt. Produkterfahrung stimmt. Die Antworten auf offene Fragen wirken ausführlich und plausibel.

Also ein perfekter Kandidat?

Vielleicht.

Denn generative KI verändert gerade ein Problem, das die qualitative Marktforschung schon länger kennt: Es wird immer schwieriger festzustellen, ob hinter einer Bewerbung tatsächlich die Person steht, die sie vorgibt zu sein – und ob ihre Antworten auf eigenen Erfahrungen beruhen.

Das ist kein theoretisches Zukunftsszenario mehr. Aktuelle wissenschaftliche Arbeiten beschäftigen sich ausdrücklich mit Imposter Participants, betrügerischer Studienteilnahme und dem Einsatz generativer KI durch Teilnehmer. Eine 2026 veröffentlichte Untersuchung zu Online-Rekrutierung dokumentiert erhebliche Mengen verdächtiger Kontakte und Bewerbungen. Eine weitere aktuelle Untersuchung berichtet unter anderem über ungewöhnliche E-Mail-Muster, auffällige Telefonnummern, widersprüchliche Angaben und verdächtige Teilnehmer in Online-Fokusgruppen. Die Konsequenz: verstärktes Screening, der Abgleich verschiedener Angaben und – wo angemessen – zusätzliche Identitätsprüfungen.

Ein guter Screener reicht nicht mehr

Ein klassischer Screener basiert auf einer einfachen Annahme: Wir stellen die richtigen Fragen – und anhand der Antworten erkennen wir die richtigen Teilnehmer.

Genau diese Annahme wird zunehmend problematisch. Wer weiß oder errät, welche Zielgruppe gesucht wird, kann versuchen, die erwarteten Antworten zu geben. Generative KI macht es leichter, auch offene Fragen überzeugend zu formulieren.

Aktuelle wissenschaftliche Arbeiten beschäftigen sich deshalb ausdrücklich mit der Nutzung generativer KI durch Teilnehmer von Online-Studien und dem Risiko, dass KI-generierte Antworten die Authentizität und Validität der Forschung beeinträchtigen können.

Das bedeutet nicht, dass jeder Teilnehmer unter Generalverdacht gestellt werden sollte. Es bedeutet aber, dass wir Qualifikation nicht mehr ausschließlich mit einem Online-Fragebogen feststellen können.

Bei Insight Fox unterscheiden wir deshalb zwischen zwei Fragen: „Erfüllt diese Person formal die Kriterien?“ und „Haben wir ausreichend Grund zu der Annahme, dass diese Person tatsächlich diejenige ist, die wir für diese Studie benötigen?“ Das ist ein wichtiger Unterschied.

Der Mensch hinter dem Screener

Insight Fox rekrutiert nicht erst seit ChatGPT Testpersonen. Unser Team macht das seit mehr als 20 Jahren. In dieser Zeit haben sich Rekrutierungskanäle, Technologien und Methoden erheblich verändert. Eine Sache ist jedoch gleich geblieben: Qualitative Forschung funktioniert nur mit den richtigen Menschen.

Deshalb endet unsere Rekrutierung nicht mit dem ausgefüllten Screener. Potenzielle Teilnehmer, die die formalen Kriterien erfüllen, werden zusätzlich persönlich geprüft. Dazu gehört insbesondere das Gespräch mit einem Recruiter.

Dabei geht es nicht darum, die Antworten aus dem Fragebogen einfach noch einmal vorzulesen. Wir wollen verstehen: Passt die Person wirklich zur Zielgruppe? Kann sie ihre Erfahrungen nachvollziehbar beschreiben? Sind ihre Angaben konsistent? Versteht sie das Thema? Hat sie tatsächlich die Erfahrung, die sie angibt? Und kann sie sich so ausdrücken, dass ein qualitatives Interview Erkenntnisse liefern kann?

Gerade der letzte Punkt wird häufig unterschätzt. Ein Teilnehmer kann sämtliche demografischen und sachlichen Kriterien erfüllen und trotzdem für ein einstündiges Tiefeninterview ungeeignet sein.

Qualifikation auf dem Papier ist nicht automatisch qualitative Eignung.

KI macht schlechte Rekrutierung skalierbar

Fraud in der Marktforschung ist nicht neu. Mehrfachteilnahmen, falsche Angaben oder professionelle Studienteilnehmer gab es lange vor generativer KI. Neu ist die Skalierbarkeit.

Ein Mensch kann heute mit relativ geringem Aufwand unterschiedliche Identitäten verwalten, Antworten optimieren oder sich Wissen über Produkte, Berufe und Situationen beschaffen, das er selbst möglicherweise gar nicht besitzt.

Deshalb ist es gefährlich, Fraud Prevention auf einen einzelnen technischen Mechanismus zu reduzieren. IP-Adressen können geprüft werden. Duplikate können erkannt werden. Geräteinformationen können Hinweise liefern. Identitäten können je nach Studie zusätzlich verifiziert werden. All das kann sinnvoll sein.

Aber keine einzelne Maßnahme beantwortet zuverlässig die entscheidende Frage: „Sitzt am Ende der richtige Mensch im Interview?“

B2B-Recruiting macht das Problem noch größer

Besonders relevant wird die Frage bei B2B-Studien. Bei einem „Head of Procurement eines Unternehmens mit mehr als 1.000 Mitarbeitern, der in den vergangenen zwölf Monaten an der Auswahl eines bestimmten Softwaresystems beteiligt war“ reicht der Jobtitel nicht aus.

Der Global Data Quality Benchmarking Report der Insights Association für das erste Halbjahr 2026 beschreibt B2B Research als besonders anspruchsvolles Umfeld hinsichtlich Datenqualität.

Bei Insight Fox prüfen wir deshalb bei B2B-Rekrutierungen – soweit für das jeweilige Projekt erforderlich – zusätzliche öffentlich verfügbare Informationen. Existiert das Unternehmen? Passt die genannte Position? Ist die angegebene berufliche Rolle plausibel? Und vor allem: Hat die Person tatsächlich die Entscheidungs- oder Nutzungserfahrung, die für die Forschungsfrage relevant ist?

Ein LinkedIn-Titel allein macht noch keinen qualifizierten B2B-Teilnehmer.

Recruitment ist keine Logistik

Rekrutierung wird häufig als organisatorischer Schritt betrachtet, der vor der eigentlichen Forschung stattfindet. Screener erstellen. Teilnehmer finden. Termine vereinbaren. Fertig.

Wir sehen das anders.

Rekrutierung ist Teil der Forschungsmethodik.

Der beste Moderator kann aus einem falschen Teilnehmer keine richtigen Erkenntnisse herausholen. Und der beste Discussion Guide kann fehlende reale Erfahrung nicht ersetzen.

Mehr Kontrolle bedeutet nicht mehr Misstrauen

Research Quality darf nicht dazu führen, jeden Menschen als potenziellen Betrüger zu behandeln. Ungewöhnliches Verhalten ist nicht automatisch Fraud. Eine ausgeschaltete Kamera, ungewöhnliche Formulierungen oder Unsicherheiten können legitime Ursachen haben. Zu aggressive Fraud Prevention kann echte Teilnehmer ausschließen.

Gute Verifikation bedeutet deshalb nicht: „Wir glauben niemandem.“ Sie bedeutet: „Wir verlassen uns nicht auf ein einziges Signal.“

Technische Auffälligkeiten, Screening-Antworten, persönliche Gespräche, Plausibilität und – wenn erforderlich – zusätzliche Verifikation ergeben zusammen ein Bild.

Transparenz wird zum Qualitätskriterium

Für Auftraggeber ergibt sich daraus eine Konsequenz, die über Fraud Prevention hinausgeht. Sie sollten wissen, woher ihre Teilnehmer kommen und wie diese geprüft wurden.

Die Insights Association veröffentlichte im August 2026 ein Sample Supply Transparency Framework. Es behandelt unter anderem Herkunft der Teilnehmer, Duplicate Prevention, Identity Verification, Behavioral Fraud Detection, automatisierte Angriffe, KI-unterstützte Antworten, Incentives und Qualitätskontrollen.

Für Auftraggeber qualitativer Forschung bedeutet das: Fragen Sie Ihren Recruiting-Partner nicht nur: „Wie schnell könnt ihr zehn Teilnehmer liefern?“ Fragen Sie auch: „Woher kommen diese zehn Menschen – und woher wisst ihr, dass es die richtigen sind?“ Die zweite Frage ist für die Qualität Ihrer Forschung wahrscheinlich wichtiger.

Fazit: KI ersetzt den Recruiter nicht. Sie macht gute Rekrutierung wichtiger.

Generative KI wird qualitative Forschung verändern. Sie kann Researchern helfen, Informationen schneller auszuwerten, Interviewleitfäden zu entwickeln, Hypothesen zu strukturieren und große Mengen qualitativer Daten zu bearbeiten.

Aber sie verändert gleichzeitig die Anforderungen an die Teilnehmerrekrutierung. Je leichter überzeugende Antworten künstlich erzeugt werden können, desto weniger darf Qualität ausschließlich daran gemessen werden, ob jemand im Online-Screener die richtigen Kästchen angekreuzt hat.

Technologie wird deshalb ein wichtiger Teil moderner Fraud Prevention sein. Aber Technologie allein reicht nicht. Wir brauchen technische Prüfungen, durchdachte Screener, Plausibilitätschecks, angemessene Verifikation – und Menschen, die mit Menschen sprechen.

Denn am Ende wollen wir in qualitativer Forschung keine perfekten Antworten. Wir wollen echte Erfahrungen von echten Menschen.