KI-Personas: Wenn die Zielgruppe zurückfragt

Nutzerfeedback hilft Entwicklungsteams, ihre Entscheidungen an den Bedürfnissen der Zielgruppe auszurichten. Doch wer soll das leisten, wenn es keine UX-Abteilung gibt? Gerade kleinere und mittelständische Softwareunternehmen stehen genau vor diesem Problem. Das Fraunhofer-Institut für Experimentelles Software Engineering IESE entwickelt deshalb KI-Personas: digitale Gesprächspartner, die auf Basis großer Sprachmodelle Auskunft über bestimmte Nutzergruppen geben. Sie sollen Teams dort unterstützen, wo eine echte Rückmeldung gerade nicht zu bekommen ist.

Vom Steckbrief zum Dialog

Personas bündeln Erkenntnisse aus Nutzerinterviews zu typischen Nutzerprofilen und geben Teams ein gemeinsames Bild davon, für wen sie eigentlich entwickeln. »Stakeholder sind relativ weit weg vom Entwickler-Team«, sagt Matthias Koch, Leiter der Abteilung Digital Innovation Design am Fraunhofer IESE. Er beschäftigt sich seit 2012 mit den frühen Phasen der Softwareentwicklung. Als Large Language Models (LLM) verfügbar wurden, stellte sich für das Institut eine naheliegende Frage: Lässt sich vorhandenes Wissen über Nutzergruppen so aufbereiten, dass Teams nicht nur Profile lesen, sondern Personas befragen können?

Der Datenhunger dafür ist geringer als erwartet. Für einen ersten Einstieg genügen laut Koch oft zwei bis drei Interviews pro Nutzergruppe. Dazu kommt, was im Unternehmen längst vorliegt: Support-Anfragen, Kundenbefragungen, Erfahrungswissen aus dem Vertrieb. Entscheidend ist weniger die Menge als der Zuschnitt. Denn große Sprachmodelle verarbeiten nur eine begrenzte Informationsmenge gleichzeitig – wird das Kontextfenster überladen, leidet die Qualität der Antworten. Bei einer Frage zur Schnittstelle zwischen zwei Systemen kann es daher klüger sein, bewusst nur eine Perspektive einzubeziehen, statt alle.

Praxistest im ländlichen Raum – und was es technisch braucht

Ein Anwendungsbeispiel liefert das Forschungsprojekt »Smarte.Land.Regionen«, das bis 2024 digitale Lösungen für den ländlichen Raum untersuchte – von Mobilität über Bildung bis zur medizinischen Versorgung. Die Bevölkerung auf dem Land ist alles andere als homogen, und je nach Fragestellung verschieben sich die Bedürfnisse. Das Projektteam arbeitete deshalb mit Gruppenchats, in denen jeweils passende Personas vertreten waren. So ließen sich etwa für die Planung ehrenamtlich organisierter Bürgerbusfahrten mehrere Perspektiven gleichzeitig einholen.

Entwickelt werden solche Prototypen im Auftrag – oder gemeinsam mit den Unternehmen. Das Institut bringt seine Erfahrung im Requirements Engineering und mit großen Sprachmodellen ein, die Unternehmen ihr Domänenwissen. Letzteres ist unverzichtbar, denn kein Sprachmodell bringt es von allein mit. Für erste Prototypen nutzt das Fraunhofer IESE eigene Hardware und zunehmend lokal gehostete Open-Source-Modelle: relevant vor allem für Unternehmen, die ihre Daten nicht an kommerzielle Anbieter übermitteln wollen. Bewährt sich der Ansatz, kann die Lösung später auf firmeneigene oder bei Fraunhofer zentral betriebene Infrastruktur umziehen. Ein Pilotprojekt startet so, ohne dass vorab eigene Server oder KI-Lizenzen angeschafft werden müssen.

Der Unterschied zwischen Auskunft und Antwort

KI-Personas ersetzen keine echten Stakeholder – aber sie holen deren Perspektiven früher an den Tisch. Natürlich könnte man auch einfach einen beliebigen Chatbot fragen, was Kund*innen, Pflegekräfte oder Einkaufsleitungen wohl brauchen. Die Antwort klingt dann meist überzeugend. Und bleibt doch allgemein. Denn ein Sprachmodell beschreibt typische Bedürfnisse, kennt ohne entsprechende Informationen aber weder die Abläufe im eigenen Haus noch die Eigenheiten der eigenen Branche. Genau hier liegt der Unterschied zwischen einer schnellen Auskunft und einer methodisch aufgebauten Persona: Wer Rollenprofile, internes Erfahrungswissen und belastbare Daten sauber einspeist, bekommt Antworten, die zum eigenen Unternehmen passen – nicht zu irgendeinem. Je spezieller die Rolle, desto mehr Vorarbeit ist nötig, und ohne passende Daten oder Zugang zu Fachleuten stößt auch die beste Methode an ihre Grenzen. Deshalb forscht das Fraunhofer IESE daran, die Qualität der Antworten messbar zu machen und Unsicherheiten offenzulegen. Das Ziel: KI-Aussagen nicht ungeprüft übernehmen, sondern ihre Tragfähigkeit realistisch einschätzen.

---