11. April 2026
Was passiert, wenn KI dieselben Kundeninterviews auswertet wie ein erfahrenes Team?
Lesezeit 9 Min.
Ein echtes Projekt von 2020: vier Käuferinterviews für einen Fahrradfachhändler im ersten Corona-Lockdown. Der Befund damals: Alle drei Ladenkunden wollten wieder mühelos mithalten und wählten einen Händler in der Nähe, zwei ausdrücklich wegen Werkstatt und Service. 2026 haben wir dieselben Transkripte mit KI neu ausgewertet.
Stell dir vor, du hast gerade vier Kundeninterviews geführt. Nicht irgendwelche Umfragen, sondern richtige Tiefengespräche – 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 und eine Skizze
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.“
Am 30. März 2020 beginnt die Arbeit mit einem Fahrradfachhändler aus dem Rheinland: Familienbetrieb mit Werkstatt, sieben Mitarbeitende. Der Laden ist geschlossen, mitten im Saisonstart. Der Frühjahrsprospekt war zwei Tage vor der Schließung verteilt worden. Verkauft wurde bis dahin im Laden – Beratung, Probefahrt, Werkstatt. Warum Kunden gerade zu diesem Händler kommen, ist offen.
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, vom 1. bis 3. April: drei Kunden, die in den Monaten davor bei diesem Händler ein E-Bike gekauft haben, und eine Vergleichsperson. 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 hinzu: eine Mountainbikerin, die ihr Rad ohne diesen Händler gekauft hat – als Vergleichsfall. 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.
Was die Interviews zeigten
Die Käufer suchten kein E-Bike, sondern einen Weg, wieder mühelos mitzuhalten – am Berg, gegen den Wind, mit dem Partner oder mit den Hunden. Das erzählten alle drei Ladenkunden. Mit Corona hatte keiner der drei Käufe zu tun. Den Händler wählten alle drei auch nach der Nähe, zwei ausdrücklich wegen Werkstatt und späterem Service. Den Ausschlag gab bei zweien eine Beratung, die erst zuhörte. Ein Kunde sagte im Interview: „Das ist in meinen Augen fantastisch gut gelaufen und das hat uns bestärkt, das Rad dort zu kaufen.“
Im Workshop am 6. April fragte der Inhaber, ob es Zufall gewesen sei, dass diese Kunden in den Laden kamen. Die Interviews sagten etwas anderes. Wie das Team des Händlers daraus drei Testkarten machte und was danach geschah, steht auf der Fallseite: Ein Fahrradfachhändler im ersten Corona-Lockdown – Mithalten können und wissen, wer hilft.
📄 Die Fallstudie als PDF: Ausgangslage, Befund, Testkarten und was danach geschah – zum Weitergeben an alle, die mitentscheiden. → Jetzt kostenlos anfordern
6 Jahre später: Dieselben Transkripte, eine KI
2026 haben wir dieselben vier Interview-Transkripte durch unser KI-gestütztes JTBD-Research-System laufen lassen. 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 geht jede Passage einzeln durch. 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 formulierte Prozessschritte als eigene Jobs, die das Team als Kräfte notiert hatte – etwa die Suche nach einem kompetenten Händler über Herstellerseiten und Bewertungen.
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. Drei Beispiele:
„Hilf mir dabei, vor anderen Hundebesitzern gut dazustehen.“ Ein sozialer Job. Das Team hörte es. Die KI führte ihn nicht als eigenen Job.
„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 Job. Die KI führte ihn nicht als eigenen Job.
„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 in einem anderen Laden geraucht werde und viel Chaos herrsche. Im Transkript stehen diese Sätze zwischen anderen Sätzen. Die KI abstrahierte sie zu „negative Händlererfahrungen“. Das Team notierte beides als konkrete Angst-Kräfte.
📄 Die Fallstudie zum Projekt als PDF mitnehmen? 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, systematisch zu extrahieren – konsistent zu kodieren, reproduzierbar zu arbeiten. Sie gibt dir eine breite Datenbasis.
Aber sie verdichtete hier nicht zu den übergreifenden Jobs, die das Team formulierte. 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.
Hintergrund: Supply-Side oder Demand-Side?
Die meisten Unternehmen optimieren ihr Angebot – Sortiment, Preise, Features. Das ist Supply-Side Thinking. Dieser Fahrradhändler warb nach Jahresplan, mit Prospekt und Zeitungsanzeige. Die Interviews stellten die Frage der Demand-Side – die Frage, in welcher Situation Kunden wirklich kaufen und welche Kräfte sie antreiben oder zurückhalten.
Die Formel, die funktioniert
KI für die Extraktion. Mensch für die Synthese.
Die KI liefert eine breite Datenbasis – systematisch und schnell. 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.
Bei diesem Fahrradhändler lagen acht Tage zwischen dem Auftakt und dem ersten Test. Die Methodik ist dieselbe – unabhängig von Branche oder Unternehmensgröße. Was sich ändert, ist der Kontext. Was bleibt, ist die Frage:
Weißt du, ob es Zufall ist, dass deine Kunden zu dir kommen? Der Kaufgrund-Befund: ein echter Käufer im Interview, abgeglichen mit deinen Annahmen.
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, 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 den historischen Kontext (Corona-Lockdown) kaum erfasst. 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 belastbare Ergebnisse – in der Regel zwei bis sechs Wochen ab dem ersten Interview.
Case Study kostenlos herunterladen
Die Fallstudie zu diesem Projekt als PDF: Ausgangslage, Befund, die drei Testkarten und was danach geschah – zum Weitergeben an alle, die mitentscheiden.
Trage dich hier ein und du bekommst die Case Study direkt per E-Mail:
Trage dich ein und erhalte den Download per E-Mail (Double-Opt-In).
Du bekommst die Case Study per E-Mail. Deine Daten bleiben bei uns – kein Spam, Abmeldung jederzeit. Datenschutzhinweis.
Neu beim Thema? Starte beim Überblick: Jobs to be Done (JTBD): Methode und Überblick.
Weitere Artikel zu verwandten Themenbereichen: JTBD · Kaufentscheidung · KI · Kundeninterviews · Praxisbeispiel · Wheel of Progress
Kaufgrund-Befund
Warum kaufen unsere Kunden wirklich?
Ein echter Käufer im Interview, abgeglichen mit deinen Annahmen.
1.900 € netto
Geld zurück, wenn nichts Neues gegenüber der Liste
0 € Mehrkosten bei Sprint binnen 30 Tagen
- 30-Min-Kickoff mit Annahmenliste
- Ein Interview (60 Min, Kauf oder Absprung in den letzten zwölf Monaten, Kunde rekrutiert)
- Auswertung mit „Was wir nicht wussten“
- Ergebnisgespräch mit dem Entscheider