11. April 2026
Was passiert, wenn KI dieselben Kundeninterviews auswertet wie ein erfahrenes Team?
Ein echtes Projekt. Dieselben Daten. 6 Jahre Abstand. Das Ergebnis hat uns überrascht — aber anders, als du denkst.
Stell dir vor, du hast gerade vier Kundeninterviews geführt. Nicht irgendwelche Umfragen, sondern richtige Tiefengespräche — jeweils 30 bis 40 Minuten, über echte Kaufentscheidungen. Jetzt hast du vier Transkripte vor dir und die Frage: Was haben wir eigentlich gelernt?
Du könntest die Transkripte in ein KI-Tool kippen. Du könntest sie in ein Miro-Board sortieren. Du könntest sie einem Team geben, das sie in einem Workshop durcharbeitet. Jede Option klingt vernünftig. Jede liefert Ergebnisse. Aber liefern sie dieselben Ergebnisse?
Wir wissen es. Weil wir es ausprobiert haben — mit 6 Jahren Abstand.
Ein LinkedIn-Post, eine Skizze und ein Klingeln an der Tür
März 2020. Erster Corona-Lockdown. Ich sitze zu Hause in Köln und denke über Einzelhändler nach. Nicht abstrakt — ganz konkret. Ihr Geschäftsmodell hat einen einzigen Kundenkanal: die Ladentür. Und die ist gerade zugesperrt.
Ich kritzle eine Skizze auf kariertes Papier. Ein Pfeil von „Ungewissheit“ nach „Gewissheit“. Dazwischen: Kunden-Fokus, Testen, neues Geschäftsmodell. Die Frage, die mich beschäftigt: Was können wir von unseren üblichen JTBD-Research-Projekten radikal eindampfen, damit es unter diesem Druck hilft — in Tagen statt Wochen?
Ich poste die Skizze auf LinkedIn. Der Text dazu: „In 5 Tagen raus aus dem Krisenmodus! Agieren statt reagieren! Die Frage, ob dein Unternehmen überlebt, stellt sich nicht. Vielmehr lautet sie: Schafft ihr es in einen Startup-Modus zu schalten und schnell genug zu lernen, wie ein funktionierendes Business Model aussieht?“
Ein Fahrradhändler aus dem Rheinland sieht den Post. Er schreibt keine DM. Er schickt keine Mail. Er fährt nachmittags zu mir und klingelt an der Haustür.
Sein Problem: Laden zu, Umsatz null — aber das ist nur die Oberfläche. Das eigentliche Problem: Er spürt, dass irgendetwas an seinem Laden besonders ist. Kunden kommen — aber warum? Er kann es nicht benennen. Und wenn er es nicht benennen kann, kann er es nicht systematisieren. Und wenn er es nicht systematisieren kann, hängt sein ganzer Betrieb an einem einzigen guten Verkäufer.
Eine Woche später haben wir Antworten.
Der Sprint: 4 Interviews, eine Woche, komplett remote
Wir bauen einen radikal kompakten Remote-Sprint. Vier Tiefeninterviews mit echten Käufern — Menschen, die in den letzten Monaten ein E-Bike oder Fahrrad bei diesem Händler gekauft haben. Keine Meinungsumfragen, keine Zufriedenheits-Scores. Sondern: Was war der Auslöser? Welche Alternativen standen im Raum? Was hat fast dagegen gesprochen? Was gab den Ausschlag?
Das vierte Interview fügen wir bewusst am Wochenende hinzu: eine junge Mountainbikerin, die online gekauft hat — als Kontrollgruppe. Unterscheidet sich der Kaufprozess, wenn der Laden gar keine Rolle spielt?
Ein Team aus vier Personen wertet die Interviews in Workshops aus, aggregiert Muster, destilliert Erkenntnisse. Alles via Zoom und Mural. Zeitaufwand Auswertung: rund 9 Stunden.
Die Ergebnisse, die alles verändert haben
Drei Erkenntnisse stechen heraus:
Erstens: Der Differenzierungsfaktor ist eine Person, kein Produkt. Kein einziger Kunde hatte wegen Preis, Sortiment oder Standort gekauft. Der entscheidende Faktor war die Beratungsqualität — konkret ein Verkäufer, der erst zuhört, dann fragt, dann berät. Ein Kunde sagte im Interview: „Das ist in meinen Augen fantastisch gut gelaufen… und das ist wichtiger als alles andere.“ Aber: Dieses Erlebnis war an eine einzelne Person gebunden. Nicht standardisiert, nicht skalierbar, nicht bewusst gesteuert.
Zweitens: Die Probefahrt ist der emotionale Kipppunkt. Bei allen Kunden gab es einen konkreten Moment, in dem aus „vielleicht irgendwann“ ein „das will ich“ wurde. Ein Pedelec im Urlaub auf Sylt ausprobiert — „50 km ohne Anstrengung. Da war klar: Das will ich.“ Eine Probefahrt beim Händler. Ein Rad vom Freund geliehen. Immer war es ein körperliches Erlebnis, keine Information. Aber: Die Probefahrt-Route des Händlers war flach. Das stärkste Verkaufsargument — mühelos den Berg hochfahren — wurde nie erlebbar gemacht.
Drittens: Preis ist nicht die Barriere. Drei von vier Kunden sagten sinngemäß: „Wenn es das kostet, dann kostet es das.“ Kein festes Budget. Die eigentliche Barriere war Vertrauen — nicht Geld. Und alle Kunden waren über persönliche Empfehlung oder Hersteller-Händlerverzeichnis plus Google-Bewertungen gekommen. Kein einziger über Werbung.
Der Händler wusste jetzt nicht nur, dass er gut ist — er wusste warum. Und konnte zum ersten Mal konkrete Maßnahmen ableiten: Beratungsleitfaden standardisieren, Probefahrt-Route mit Steigung einrichten, Empfehlungen systematisch aktivieren.
📄 Die komplette Case Study als PDF: Alle Ergebnisse, der KI-Vergleich und die Methode auf 12 Seiten. → Jetzt kostenlos anfordern
6 Jahre später: Dieselben Transkripte, eine KI
2026 haben wir dieselben vier Interview-Transkripte durch ein KI-gestütztes JTBD-Research-System laufen lassen. Vollständig automatisiert, ohne Kenntnis der Originalergebnisse. Das System extrahiert Passage für Passage, kodiert Kräfte, identifiziert Segmente — systematisch und reproduzierbar.
Die Frage war nicht „Ist KI besser?“. Die Frage war: Kommt sie zum gleichen Ergebnis?
Wo die KI stärker extrahiert
Die KI übersieht nichts. Keine Passage wird übersprungen, kein Detail geht verloren. Wo das Team unter Zeitdruck die Post-Purchase-Phase (Was passierte nach dem Kauf?) nur oberflächlich erfasste, extrahierte die KI systematisch auch Service-Erlebnisse, Nachkauf-Zweifel und Weiterempfehlungsmuster.
Die KI fand Prozessschritte, die das Team übergangen hatte: Wie genau suchen Kunden den Händler? Welche Rolle spielen Hersteller-Websites? Wann wird der Partner einbezogen?
Und sie lieferte konsistente Bewertungen — jeder Datenpunkt nach denselben Kriterien kodiert, reproduzierbar, vergleichbar.
Wo der Mensch tiefer sieht
Aber dann wird es interessant.
Das menschliche Team hatte Jobs identifiziert, die die KI schlicht nicht erkannte. Keine Randnotizen — zentrale Kaufmotive:
„Hilf mir dabei, vor anderen Hundebesitzern gut dazustehen.“ Ein sozialer Job. Die Kundin sagt das nicht explizit — es schwingt mit in der Art, wie sie über ihr neues E-Bike spricht. Das Team hörte es. Die KI nicht.
„Hilf mir dabei, mit meinem Fachwissen zu glänzen.“ Ein Kunde, der sich vor dem Kauf intensiv eingelesen hatte und im Beratungsgespräch erlebte, dass der Verkäufer sein Vorwissen respektiert statt ignoriert. Das Team erkannte darin einen eigenständigen emotionalen Job. Die KI ordnete es als Kontextfaktor ein.
„Hilf mir dabei, mich aktiv und integriert zu fühlen.“ Eine Meta-Abstraktion über alle Interviews hinweg — das übergreifende Muster hinter den einzelnen Kaufgründen. Die KI blieb auf der Ebene der Einzelaussagen.
Und dann die Tonfall-Nuancen: Eine Interviewpartnerin erwähnte beiläufig, dass es in einem anderen Laden „nach Rauch roch“ und „Chaos herrschte“. Im Transkript stehen diese Sätze zwischen anderen Sätzen. Die KI abstrahierte sie zu „negative Händlererfahrungen“. Das Team hörte die Emotion dahinter — Ekel, Unsicherheit, sofortige Ablehnung — und erfasste sie als konkrete Angst-Kräfte.
Die eigentliche Überraschung
Die Kernbefunde stimmen überein. Beide Auswertungen — 9 Stunden menschliche Arbeit 2020, 45 Minuten KI-Extraktion 2026 — kommen unabhängig voneinander zu denselben strategischen Mustern:
- Beratungsqualität ist der Differenzierungsfaktor
- Die Probefahrt ist der emotionale Kipppunkt
- Es gibt kein festes Budget
- Empfehlung ist der stärkste Kanal
- Der 5-Phasen-Kaufprozess sieht in beiden Analysen gleich aus
Das ist die eigentliche Pointe. Nicht „KI findet mehr“ und nicht „Menschen sind besser“. Sondern: Ein erfahrenes Team erkennt unter Zeitdruck die richtigen Muster. Und eine KI kann diese Muster 6 Jahre später unabhängig bestätigen.
📄 Diese Case Study als PDF mitnehmen? 12 Seiten mit allen Ergebnissen — kostenlos per E-Mail. → Hier anfordern
Was das für deine Praxis bedeutet
Clayton Christensen schrieb in Competing Against Luck: „Jobs insights are fragile. They’re more like stories than statistics. When we deconstruct coherent customer episodes into binary bits, we destroy meaning in the process.“
Das ist exakt, was wir beobachtet haben. Die KI extrahierte mehr Datenpunkte — aber Datenpunkte sind noch keine Erkenntnis. Die eigentliche Arbeit ist das Verdichten: Aus vielen Einzelbeobachtungen die wenigen echten Jobs herausarbeiten. Verstehen, welcher Fortschritt einem Menschen wirklich wichtig ist. Und welche Kräfte ihn davon abhalten oder dorthin ziehen.
Die KI ist hervorragend darin, vollständig zu extrahieren — kein Detail zu übersehen, konsistent zu kodieren, reproduzierbar zu arbeiten. Sie gibt dir eine lückenlose Datenbasis.
Aber sie verdichtet nicht zu echten Jobs. Sie erkennt keine sozialen Motive, die nur im Tonfall mitschwingen. Sie macht keine mutigen Abstraktionen über Interviews hinweg. Sie versteht nicht, dass „Chaos im Laden“ kein Feature-Feedback ist, sondern ein Vertrauensbruch.
Die KI erspart dir nicht das Denken. Sie gibt dir mehr Zeit dafür.
Die Formel, die funktioniert
KI für die Extraktion. Mensch für die Synthese.
Die KI liefert die vollständige Datenbasis — systematisch, schnell, ohne blinde Flecken. Der Mensch verdichtet zu echten Jobs, erkennt soziale und emotionale Motive, priorisiert, was strategisch hebelt.
Weder das eine noch das andere allein reicht. Die Kombination ist das, was Entscheidungen möglich macht.
Dieser Fahrradhändler brauchte eine Woche, um von Bauchgefühl zu Gewissheit zu kommen. Die Methodik ist dieselbe — unabhängig von Branche oder Unternehmensgröße. Was sich ändert, ist der Kontext. Was bleibt, ist die Frage:
Wissen Sie, warum Ihre Kunden wirklich bei Ihnen kaufen?
Häufig gestellte Fragen
KI-Tools extrahieren mehr Datenpunkte und erkennen Muster in großen Textmengen schneller. Aber die kontextuelle Tiefe — warum ein Kunde wirklich gewechselt hat, welche Emotion den Ausschlag gab — erkennt bisher nur der Mensch zuverlässig. Die beste Kombination: KI für die Extraktion, Mensch für die Synthese.
In diesem Projekt haben vier strukturierte Interviews gereicht, um die entscheidenden Kaufgründe sichtbar zu machen. Generell zeigen sich belastbare Muster nach 8–12 Interviews. Entscheidend ist die Tiefe pro Interview (60–90 Minuten), nicht die Menge.
Normale Befragungen fragen nach Meinungen und Wünschen. JTBD-Interviews rekonstruieren die tatsächliche Kaufentscheidung: Was war der Auslöser? Welche Alternativen wurden geprüft? Was hat den Ausschlag gegeben? Das liefert Fakten statt Hypothesen.
Nein — aber sie kann den Auswertungsprozess erheblich beschleunigen. Die KI in dieser Fallstudie hat mehr Jobs und Kräfte extrahiert als das menschliche Team. Aber sie hat auch falsche Muster erkannt und den historischen Kontext (Corona-Lockdown) nicht verstanden. KI ist ein Werkzeug, kein Ersatz.
Für jedes Unternehmen, das vor einer Produkt-, Strategie- oder Positionierungsentscheidung steht und sichergehen will, dass die Entscheidung auf echtem Kundenverständnis basiert. Der Customer Insights Sprint liefert in vier Wochen belastbare Ergebnisse.
Case Study kostenlos herunterladen
Die vollständige Case Study zu diesem Projekt — mit allen Ergebnissen, der KI-Auswertung und dem direkten Vergleich Mensch vs. Maschine. 12 Seiten, kein Fluff.
Trage dich hier ein und du bekommst die Case Study direkt per E-Mail:
Du bekommst die Case Study per E-Mail. Deine Daten bleiben bei uns — kein Spam, Abmeldung jederzeit. Datenschutzhinweis.