KI-Interviews: Was sagt die Forschung über die neue Form qualitativer Datenerhebung?

Ein wesentlicher Unterschied zeigt sich im Vergleich zu Online-Umfragen mit offen gestellten Fragen. Geiecke und Jaravel (2026) zeigen, dass Befragte in einem KI-Interview rund zweieinhalbmal so viele Informationen liefern wie Personen, die zum gleichen Thema lediglich ein offenes Textfeld ausfüllen. In direkten Vergleichen bewerten unabhängige Gutachter die KI-Interviews zudem in drei von vier Fällen als informativer. Chopra et al. (2026) kommen zu einem ähnlichen Ergebnis: KI-Interviews machen pro Thema etwa fünfmal so viele unterschiedliche Gründe für gegebene Antworten sichtbar wie eine einzelne offene Frage – ein Effekt, den sie vor allem auf die dynamischen Nachfragen des KI-Interviewers zurückführen. Dass es sich dabei um kein neues Phänomen der aktuellen LLM-Generation handelt, zeigt bereits eine frühere Studie von Xiao et al. (2020): Schon ein einfacher Umfrage-Chatbot lieferte dort über mehr als 5.200 Antworten hinweg informativere, relevantere und spezifischere Antworten als ein klassisches Webformular.

Dieser zusätzliche Informationsgehalt ist besonders dort wertvoll, wo standardisierte Antwortkategorien nur einen Teil der zugrunde liegenden Argumentation erfassen. Zwei Personen können auf einer Skala sehr ähnliche Antworten geben, obwohl sich die Gründe für ihre Einschätzung deutlich unterscheiden. Wuttke et al. (2026) finden entsprechend Unterschiede in den verwendeten Argumenten zwischen Anhängern verschiedener Parteien, obwohl sich deren Antworten auf standardisierten Bewertungsskalen teilweise ähneln. Auch Austin et al. (2026) bestätigen das in einem Experiment mit mehr als 2.200 Personen: Ergänzt man eine standardisierte Umfrage um KI-gestützte Nachfragen, werden die Antworten deutlich umfangreicher und spezifischer.

Auch im Vergleich mit menschlich geführten Interviews schneiden KI-Interviews gut ab. Geiecke und Jaravel (2026) ließen qualitativ geschultes wissenschaftliches Personal Interviewtranskripte im Blindvergleich bewerten. Dabei wurden sprachbasierte KI-Interviews nahezu genauso gut bewertet wie persönliche Interviews mit menschlichen Interviewern. Ähnliche Studien finden ebenfalls keinen grundlegenden Qualitätsunterschied zwischen KI- und menschlich geführten Interviews (Wuttke et al., 2025; Guven et al., 2025). Das lässt sich auch dadurch erklären, dass sich aktuelle Forschung zu KI-Interviewern bei der Prompt-Gestaltung explizit an klassischen Gütekriterien qualitativer Interviewführung orientiert (Helfferich, 2011).

Interessant sind dabei die Unterschiede in der Gesprächsführung selbst: Während menschliche Interviewer laut Wuttke et al. (2025) teilweise dazu neigen, Befragte in eine bestimmte Richtung zu lenken, reagieren KI-Systeme neutraler auf die gegebenen Antworten. Das schlägt sich auch in der Wahrnehmung der Befragten nieder: Wuttke et al. (2026) zeigen, dass KI-Interviews als motivierender und ansprechender wahrgenommen werden und Befragte stärker das Gefühl haben, dass ihre eigene Sichtweise erfasst wird. Allerdings gilt: Ein menschlicher wirkendes Gespräch ist nicht automatisch ein qualitativ besseres Interview. Cuevas et al. (2025) zeigen, dass ein LLM-basierter Interviewer zwar zu höherer Zufriedenheit bei den Befragten führt, die Qualität der gewonnenen Antworten dadurch aber nicht besser ausfällt als bei einem einfachen Bot, der lediglich vorgegebene Fragen stellt. Insgesamt fällt die Wahrnehmung positiv aus: Über mehrere Studien hinweg geben zwischen 42 und 71 Prozent der Befragten an, bei einem zukünftigen Interview lieber wieder mit einer KI sprechen zu wollen. Nur etwa 18 bis 22 Prozent bevorzugen einen menschlichen Interviewer, der Rest ist indifferent (Chopra et al., 2026; Geiecke & Jaravel, 2026).

Der vielleicht größte Vorteil von KI-Interviews liegt in ihrer Skalierbarkeit. Menschlich geführte Interviews erfordern erhebliche zeitliche und personelle Ressourcen, während KI-Systeme eine große Zahl von Interviews parallel durchführen können. Geiecke und Jaravel (2026) zeigen, dass sich auf diese Weise Tausende von Interviews innerhalb weniger Stunden realisieren lassen.

Das ist besonders dann relevant, wenn es nicht nur darum geht, welche Themen und Argumente auftreten, sondern auch, wie häufig sie vorkommen, wie sie zusammenhängen oder wie sie sich zwischen Bevölkerungsgruppen unterscheiden. Chopra et al. (2026) zeigen zwar, dass bereits nach rund 25 Interviews bei gleichem Fragebogen nur noch wenige neue Themen hinzukommen – für belastbare Aussagen über Gruppenunterschiede oder die Verbreitung einzelner Argumente sind aber deutlich größere Stichproben nötig, die erst durch die Skalierbarkeit von KI-Interviews praktikabel werden. Insbesondere in explorativ gestalteten Interviews, also in solchen, in denen nicht in jedem Gespräch dieselben Fragen gestellt werden, liefert jede zusätzliche Interviewrunde auch über die Themensättigung hinaus zusätzlichen Kontext und Tiefe.

Die Skalierbarkeit betrifft dabei nicht nur die Erhebung, sondern auch die Auswertung: Nachdem relevante Themen aus einer Stichprobe von Interviews identifiziert und systematisch definiert wurden, kann ein LLM große Mengen an Interviewmaterial anhand dieser Kategorien codieren. Geiecke und Jaravel (2026) vergleichen ein solches LLM-basiertes Coding mit menschlichen Codierungen: Die Übereinstimmung zwischen KI und menschlichen Codern erreicht rund 86 Prozent der Übereinstimmung, die zwei Menschen untereinander erzielen. Zwei unterschiedliche LLMs stimmen dabei stärker miteinander überein als zwei menschliche Coder. Zu einem ähnlichen Ergebnis kommen Wuttke et al. (2026), die mit demselben Ansatz über 16.000 Statement-Einheiten aus 571 Interviews codierten.

So vielversprechend die bisherigen Ergebnisse sind, bedeuten sie nicht, dass KI-Interviews unabhängig von ihrer technischen Umsetzung automatisch zuverlässig funktionieren.

Ein erster Punkt betrifft die Abhängigkeit von Modell und Prompt. Wuttke et al. (2025; 2026) zeigen, dass sowohl ein Wechsel von GPT-4o zu GPT-5 als auch vergleichsweise kleine Änderungen am Prompt das Interviewverhalten beeinflussen und teilweise verschlechtern können. Auch zwischen verschiedenen LLMs bestehen deutliche Unterschiede: Panfilova et al. (2026) finden Abweichungen hinsichtlich Empathie, Geschwindigkeit und der Entscheidung, wann eine Nachfrage überhaupt sinnvoll ist. Das betrifft nicht nur die Ergebnisqualität einzelner Interviews, sondern auch ein zentrales Gütekriterium qualitativer Sozialforschung: die Nachvollziehbarkeit und intersubjektive Nachprüfbarkeit des Forschungsprozesses (Bohnsack, 2005). Verändert sich das Modellverhalten durch ein Update oder eine kleine Prompt-Anpassung, wird die Reproduzierbarkeit der Erhebung zusätzlich erschwert.

Eine zweite Grenze liegt in der Qualität der Nachfragen selbst. Mehrere Studien zeigen, dass KI-Systeme bei interessanten, überraschenden oder unklaren Antworten teilweise zu früh zum nächsten Punkt übergehen, anstatt gezielt weiter nachzufragen (Wuttke et al., 2025; Lang & Eskenazi, 2025; Tirumala et al., 2025). Hinzu kommen technische Herausforderungen bei sprachbasierten Interviews. Transkriptionsfehler, die Erkennung von Emotionen und die Gesprächsführung in Echtzeit erschweren den Einsatz zusätzlich (Tirumala et al., 2025).

Diese Punkte zeigen vor allem eines: KI-Interviews liefern nicht automatisch verlässliche Ergebnisse, sondern ihre Qualität hängt maßgeblich davon ab, wie sorgfältig sie konfiguriert werden – welches Modell, welcher Prompt, welche Transkriptions- und Auswertungspipeline für die jeweilige Fragestellung am besten geeignet ist. Für den praktischen Einsatz heißt das, dass KI-Interviews kein universeller Ersatz für menschliche Interviewer sind, sondern eine eigenständige Methode, die sorgfältig an Ziel, Stichprobe und Informationsbedarf der jeweiligen Untersuchung angepasst werden muss.