Quantitativ, qualitativ und wo KI wirklich hingehört

Jahrzehntelang galt die Marktforschung als Entweder-oder. Quantitativ oder qualitativ. Zahlen oder Geschichten. Reichweite oder Tiefe. Das war immer ein falscher Gegensatz, denn beide beantworten unterschiedliche Fragen, und welche Frage zählt, entscheidet sich an der Entscheidung, die Sie treffen wollen, nicht an einer methodischen Vorliebe.

Quantitative Forschung misst, wie verbreitet etwas ist. Sie sagt Ihnen, wie viele Kundinnen und Kunden etwas empfinden, wie sich Segmente unterscheiden und ob eine Veränderung echt ist oder bloß Rauschen. Qualitative Forschung erklärt das Warum. Sie sagt Ihnen, weshalb Menschen so empfinden, welche Worte sie dafür wählen und wonach Sie selbst gar nicht zu fragen gedacht hätten. Ein Zufriedenheitswert, der um zwei Punkte fällt, ist ein quantitativer Befund. Der Grund für den Rückgang steckt in den offenen Antworten.

Die Methode folgt der Entscheidung, nicht der Mode

Die Disziplin besteht darin, von der Entscheidung auszugehen. Verlangt die Frage ein “wie viele”, setzen Sie auf Quantitatives. Verlangt sie ein “warum” oder ein “wie sagt man das”, ziehen Sie Qualitatives hinzu. Die meisten folgenreichen Fragen brauchen beides, eines nach dem anderen. Explorative Interviews fördern Themen und Sprache zutage; eine anschließende Befragung misst, wie verbreitet diese Themen sind, und verknüpft sie mit dem tatsächlichen Verhalten. Oder andersherum: Ein Tracker zeigt ein Segment, das wegbricht, und vertiefende Gespräche erklären den Einbruch, bevor jemand eine Lösung finanziert.

Was sich geändert hat, ist nicht die Logik. Es sind die Kosten. Qualitative Arbeit war immer die teure Hälfte, langsam im Feld und noch langsamer in der Auswertung. Genau diese Hälfte hat die KI neu geschrieben.

KI hat die Frage quantitativ oder qualitativ nicht entschieden. Sie hat die Kosten qualitativer Forschung in der Breite zum Einsturz gebracht.

KI hat die Ökonomie verändert, nicht die Fragestellung

Dass das gerade jetzt zählt, hat strukturelle Gründe. Das aussagekräftigste Signal, das ein Kunde Ihnen gibt, ist unstrukturiert: die offene Antwort, das Support-Transkript, die Rezension, das aufgezeichnete Interview. Und der weitaus größte Teil dessen, was ein Unternehmen über seine Kundinnen und Kunden weiß, liegt genau in solchen Daten.

Die maschinelle Verschlagwortung offener Antworten, das Zusammenfassen von Transkripten und das Auslesen von Stimmungen haben aus der früher manuellen Codierung eine Aufgabe gemacht, die eine Analystin oder ein Analyst beaufsichtigt, statt sie selbst zu erledigen. Das Ergebnis ist qualitative Forschung in quantitativer Größenordnung, und die Branche hat es bemerkt.

Aus dem Vorsprung bei der Einführung wird inzwischen ein Vorsprung bei den Ergebnissen. In der Qualtrics-Studie 2026 mit mehr als 3.000 Forschenden aus 14 Ländern setzten sich jene Teams, die agentische KI mit menschlich geführtem Studiendesign verbanden, klar von den übrigen ab.

Geschwindigkeit ist nicht dasselbe wie Erkenntnis

Hier kommt die Disziplin wieder ins Spiel. KI senkt die Kosten, eine Antwort zu erzeugen, und macht es damit gefährlich leicht, eine selbstbewusste Antwort auf die falsche Frage zu liefern. Am deutlichsten zeigt sich diese Versuchung bei synthetischen Daten: simulierten Befragten, die für echte einstehen. Die Branche bewegt sich schnell, und die meisten Forschenden rechnen damit, dass innerhalb von drei Jahren der Großteil der Arbeit auf synthetischen Antworten fußen wird. Diese Überzeugung eilt der Validierung voraus.

Was eine Forschungsfunktion, die an Einfluss gewinnt, von einer trennt, die ihn verliert, ist nicht, wie viel KI sie einsetzt. Es ist die Frage, ob ein Mensch noch für die Teile geradesteht, die KI nicht kann.

1. Die Fragestellung. KI beantwortet alles, was Sie fragen. Die Entscheidung zu schärfen und die Frage zu formulieren, die sie trägt, bleibt menschliche Arbeit.
2. Die Stichprobe. Synthetische Befragte sind nützlich bei gut dokumentierten Zielgruppen und gefährlich bei neuartigen. Zu erkennen, was wovon zutrifft, ist eine Ermessenssache, kein Knopfdruck.
3. Die Auswertung. Prüfen Sie maschinell erzeugte Themen gegen eine Stichprobe der unbearbeiteten Originalantworten. Drift und Halluzinationen sind real, und eine ungeprüfte Zusammenfassung ist ein Risiko, kein Befund.
4. Die Offenlegung. Sagen Sie den Stakeholdern, wo KI im Spiel war. Erst Transparenz hält eine schnelle Antwort glaubwürdig.

So eingesetzt, ersetzt KI die Analystin oder den Analysten nicht. Sie rückt sie in der Wertschöpfung nach oben, weg vom Codieren der Antworten, hin zur Frage, was die Antworten bedeuten. Die Unternehmen, die diesen Wandel zum Vorteil machen, behandeln Durchsatz und Urteilsvermögen als Ergänzung, nicht als Ersatz füreinander.

Die Frage quantitativ oder qualitativ war demnach immer nur der Platzhalter für eine bessere: Welche Entscheidung treffen wir, und welche Belege würden sie wirklich verändern? Beantworten Sie das, und die Methode ergibt sich von selbst, samt der Rolle, die KI darin spielt.

Wie wir quantitative und qualitative Programme aufsetzen und kritisch abwägen, was KI berühren sollte und was nicht, zeigt unsere Arbeit zu Customer Experience und Brand Performance. Werfen Sie auch einen Blick in unsere Fallstudien.