Was KI-Personas leisten und was nicht
Vor zwei Jahren habe ich die Plattform Notionsmith.ai ausprobiert. Damals war sie ein neuartiges Tool, das auf Basis einer Produkt-URL automatisch Buyer Personas erzeugt. Kostenfrei, KI-basiert, schnell. Ich war neugierig, wie gut das funktionieren kann.
Notionsmith gibt es noch. Das Angebot hat sich allerdings kaum weiterentwickelt. Der aktuelle Screenshot zeigt dieselbe Oberfläche, dieselben Funktionen und ähnliche Ergebnisse wie beim ersten Test. Das ist Anlass genug für einen Rückblick und eine kritische Einordnung.
Was Notionsmith kann
Notionsmith generiert in Sekundenschnelle zehn Buyer Personas, basierend auf der eingegebenen Produktseite. Im Test nutzte ich die URL einer Naturseife aus dem Sortiment von „Die Gute Seife“. Die Personas wirken auf den ersten Blick gut strukturiert. Name, Alter, Lebenssituation, Aussagen zum Produkt, kleine Impulse für die Kommunikation sind enthalten.
Man kann mit den Personas sogar chatten. Diese Funktion kann hilfreich sein, wenn es darum geht, verschiedene Denkweisen zu simulieren oder Gesprächsansätze im Team zu diskutieren. Für erste Impulse oder als Einstieg in einen Kreativprozess kann das durchaus nützlich sein.

2 von 10 Buyer Personas, erstellt mit Notionsmith.ai
Was fehlt
Je genauer man hinsieht, desto deutlicher werden die Grenzen des Konzepts.
Alle zehn Personas in meinem Test waren weiblich, berufstätig und Anfang bis Mitte dreißig. Die Aussagen variierten geringfügig, blieben inhaltlich aber sehr ähnlich. Der Eindruck einer künstlich homogenen Zielgruppe ließ sich nicht vermeiden. Vielfalt, Segmentierung oder unterschiedliche Konsummotive waren kaum erkennbar.
Auch die inhaltliche Qualität war durchwachsen. Die KI erwähnte etwa eine fehlende Refill-Option für feste Seife oder kritisierte eine nicht nachhaltige Verpackung. Beides entspricht nicht den realen Gegebenheiten. Die Seifen werden nachhaltig verpackt verschickt, und eine Refill-Option für ein Stück Seife ist schlicht nicht praktikabel. Im Chat erklärte mir die Persona „Sophie Müller“ dennoch sehr überzeugt, wie das funktionieren könnte. Die Argumentation klang sicher, war aber realitätsfern.
Solche Effekte sind bei KI-gestützten Systemen bekannt. Sie entstehen immer dann, wenn Aussagen ohne konkreten Datenbezug generiert werden. Die Modelle liefern plausible Formulierungen, aber keine verlässlichen Informationen.

Diesen bekannten Effekt von KI lässt sich am Anfang durch detailliertere Informationen, die man der KI zur Verfügung stellt, umgehen. Dennoch sollte man immer wachsam sein, was die KI so vorschlägt.
Was daraus folgt
Tools wie Notionsmith können in der Persona-Entwicklung eine erste Orientierung bieten. Sie erzeugen Vorschläge, mit denen man weiterarbeiten kann. Sie beantworten aber keine kontextbezogenen Fragen und ersetzen auch keine strukturierte Auseinandersetzung mit den tatsächlichen Zielgruppen.
Für die Praxis heißt das: Der Einsatz solcher Tools kann sinnvoll sein, wenn die Ergebnisse nicht als Wahrheit verstanden werden, sondern als Arbeitsmaterial. Der Vergleich mit internem Wissen ist entscheidend. Stimmen einzelne Aussagen mit realen Beobachtungen überein? Welche Annahmen passen nicht? Welche Aspekte fehlen?
KI als Anlass, nicht als Abkürzung
Buyer Personas entfalten nur dann Wirkung, wenn sie im Unternehmen verstanden und genutzt werden. Dafür reicht es nicht, ein KI-Tool zu füttern. Entscheidend ist, wie das Wissen über Kund*innen zustande kommt, wie es dokumentiert wird und wie es in Entscheidungen einfließt.
Auch zwei Jahre nach dem ersten Test bleibt der Befund: Notionsmith ist ein praktisches Instrument für erste Ideen. Es ersetzt aber weder Analyse noch Reflexion. Und es verändert nichts an der Verantwortung, Personas so zu entwickeln, dass sie im Alltag tragfähig sind.
Hinweis in eigener Sache
Die Entwicklung fundierter Buyer Personas erfordert mehr als automatisierte Vorschläge. Wer sich tiefer mit Zielgruppenarbeit im Handel beschäftigen möchte, findet auf meiner Plattform innector passende Angebote.
Weitere Informationen zum kostenfreien Webinar und den Kursen zur Entwicklung von Buyer Personas
Bild von HANSUAN FABREGAS auf Pixabay





Nathan Dumlao/Unsplash.de




Advanced Language Models arbeiten über die Ersetzung von Worten und anderen Sprachelementen. Insofern bin ich nicht verwundert. Den Komtext versteht die KI (noch) nicht. Insofern überraschen mich die Ergebnisse nicht. Zudem gilt zu beachten, die Modelle können ihre eigenen Ergebnisse nicht prüfen. Insofern kann das Ergebnis auch inhaltlich total falsch sein.