Wir haben analysiert, was KI tatsächlich über Käufer in 25 Branchen glaubt. Die Ergebnisse sollten verändern, wie Sie über Content-Strategie denken.
Die meisten Marken erstellen Inhalte auf Grundlage von Annahmen. Interne Workshops bringen drei bis fünf Buyer-Personas hervor, die sich stimmig anfühlen, und diese Personas bestimmen den Content-Kalender für das nächste Jahr. Vielleicht länger.
Das Problem: KI-Systeme, die zunehmend die Recherche von Käufern vermitteln, arbeiten mit einem völlig anderen Modell davon, wer Ihre Käufer sind und was sie wollen. Und dieses Modell entsteht aus Mustern über Millionen von Datenpunkten hinweg, nicht aus einer zweistündigen Stakeholder-Sitzung.
Wir wollten wissen: Was glaubt KI tatsächlich über Käufer? Nicht, was Marketingfachleute annehmen. Nicht, was CRM-Systeme nahelegen. Was zeigt sich, wenn man das Kaufverhalten in großem Maßstab synthetisiert und strukturiert?
Also haben wir den größten jemals veröffentlichten Datensatz an Buyer-Personas aufgebaut. Und die Muster, die er offenlegt, sollten jede Content-Strategin und jeden Content-Strategen dazu bringen, den Funnel neu zu überdenken.
Was wir aufgebaut haben und warum
PersonaGen-593K ist ein Datensatz aus 593.181 KI-generierten Buyer-Personas, der 339 Branchen umfasst (25 primäre Segmente). Jede Persona enthält strukturierte Verhaltensdaten: wer sie sind, wonach sie suchen, welche Fragen sie haben, welche Ziele sie antreiben und was sie frustriert.
Die reinen Zahlen:
| Attribut | Volumen |
|---|---|
| Personas insgesamt | 593,181 |
| Abgedeckte Branchen | 339 (25 primäre Segmente) |
| Extrahierte Suchanfragen | ~3 Millionen |
| Informationsbedarf-Aussagen | ~3 Millionen |
| Zielaussagen | ~1,8 Millionen |
| Pain-Point-Aussagen | ~1,8 Millionen |
Wir sind mit rund 40 Millionen rohen Persona-Beschreibungen aus vier öffentlichen Datensätzen gestartet (NVIDIA, BSC-LT, Orange und Tencent). Durch GPU-beschleunigte Deduplizierung und semantische Filterung haben wir diese auf etwa eine Million eindeutige Beschreibungen reduziert. Anschließend haben wir jede einzelne mit strukturierten Verhaltensattributen über ein großes Sprachmodell angereichert und so letztlich 593.181 vollständige, validierte Personas erzeugt.
Das ist keine Befragung von 500 Personen. Es ist eine strukturierte Synthese dessen, was KI-Modelle über das Kaufverhalten verstehen, und zwar in einem Maßstab, für dessen Annäherung klassische Forschungsmethoden Jahre und Millionen von Dollar bräuchten.
Die Erkenntnis, die Ihre Content-Strategie umschreiben sollte
78,7 % der Käufersuchen sind informationsgetrieben. Nur 4,3 % sind transaktional.
Lesen Sie das noch einmal. Über fast 3 Millionen Suchanfragen im Datensatz hinweg sind fast vier von fünf Fragen wie „Wie bewerte ich X?" oder „Was sind die besten Ansätze für Y?". Es geht nicht um „Kaufe X" oder „Abonniere Y".
Die verbleibenden 17 % sind kommerziell: Vergleichsanfragen wie „Welchen Anbieter soll ich wählen?". Das ist die Consideration-Phase. Wichtig, aber immer noch nicht transaktional.
Was das in der Praxis bedeutet
| Suchintention | Anteil der Anfragen | Was Käufer tun |
|---|---|---|
| Informational | 78,7 % | Lernen, recherchieren, Optionen verstehen |
| Kommerziell | 17,0 % | Anbieter vergleichen, Alternativen bewerten |
| Transaktional | 4,3 % | Kaufbereit, abschlussbereit, anmeldebereit |
Die meisten Content-Strategien sind auf das untere Ende des Funnels ausgerichtet. Produktseiten. Preisvergleiche. Feature-Matrizen. Demo-Anfragen. Das sind die 4,3 %.
Die 78,7 %, also die Fragen, die Käufer tatsächlich stellen, werden oft unterversorgt. Und genau aus diesen Inhalten schöpfen KI-Systeme, wenn sie Empfehlungen bilden.
Wenn Ihre Marke keine starken informativen Inhalte hat, die die Fragen der Käufer beantworten, bevor diese kaufbereit sind, wird KI jemand anderen empfehlen, der das tut.
Fünf Branchenmuster, die Sie kennen sollten
Der Datensatz offenbart deutliche Verhaltenssignaturen über Branchen hinweg. Hier sind die Muster, die für Content- und Marketingverantwortliche am relevantesten sind.
1. EdTech dominiert im Volumen und in der Chance
EdTech macht 24,3 % aller Personas im Datensatz aus (36.152). Das liegt nicht daran, dass wir diese Branche überproportional erfasst hätten. Es ergab sich natürlich aus den Ausgangsdaten und spiegelt die schiere Menge und Vielfalt lernorientierten Kaufverhaltens wider.
EdTech-Personas konzentrieren sich rund um Zertifizierungswege, die Flexibilität des Online-Lernens und die Kompetenzentwicklung. Wenn Sie im Bildungstechnologie-Bereich, in angrenzenden Lerndiensten oder in der beruflichen Weiterbildung tätig sind, ist das der größte adressierbare Persona-Pool im Datensatz. Die Content-Chance ist enorm, und das gilt auch für den Wettbewerb um Aufmerksamkeit bei der KI.
2. Consulting hat die höchste kommerzielle Intention
Während der Gesamtdatensatz informationsgetrieben ist, tanzen Consulting-Personas aus der Reihe. Sie zeigen mit 28 % die höchste kommerzielle Suchintention, also fast das Doppelte des Datensatzdurchschnitts von 17 %.
Consulting-Käufer wissen, was sie brauchen. Sie vergleichen Optionen, statt das Konzept zu erkunden. Ihre Pain Points drehen sich um Kundengewinnung und Differenzierung. Das bedeutet: Inhalte, die ihnen bei der Bewertung von Optionen helfen (Benchmarks, Fallstudien, ROI-Frameworks), werden allgemeine Thought Leadership übertreffen.
3. Das Gesundheitswesen steht vor einer besonderen Compliance-Herausforderung
Healthcare-Personas weisen mit 38 % die höchste Konzentration von Compliance-bezogenem Informationsbedarf auf. Sie suchen nach Qualifikationsnachweisen, regulatorischen Anforderungen und evidenzbasierten Verfahren.
Für Marken im Gesundheitswesen oder in gesundheitsnahen Branchen birgt das ein spezifisches Risiko: KI-Systeme, die Empfehlungen zu Gesundheitsthemen erzeugen, müssen einen höheren Genauigkeitsanspruch erfüllen. Inkonsistente oder schlecht strukturierte Gesundheitsinhalte werden zu einem Haftungsrisiko, wenn KI sie in beruflichen Kontexten sichtbar macht.
4. Die Fertigung will Prozesse, keine Vision
Manufacturing-Personas gruppieren sich um operative Effizienz (29 % der Ziele) und kämpfen am meisten mit der Komplexität von Werkzeugen (24 % der Pain Points). Ihre Suchen konzentrieren sich auf Prozessoptimierung und Automatisierung.
Dieses Publikum reagiert nicht auf visionäre Botschaften. Es will Konkretes: Implementierungsleitfäden, Integrationsdokumentation, Vergleichsmatrizen mit technischen Spezifikationen. Inhalte, die die Vision auslassen und direkt zum operativen „Wie" kommen, gewinnen in diesem Segment.
5. Work-Life-Balance ist der universelle Pain Point
Über alle 25 Branchensegmente hinweg zeigte sich Work-Life-Balance als dominanter Pain Point mit 107.000 Nennungen. Sie taucht in 72 % der Branchensegmente als eine der fünf wichtigsten Sorgen auf.
Das ist eine branchenübergreifende Wahrheit, die die meisten B2B-Inhalte vollständig ignorieren. Marken, die die menschliche Dimension beruflicher Entscheidungen anerkennen, also Zeitdruck, kognitive Belastung, konkurrierende Prioritäten, sprechen die Realität an, in der ihre Käufer leben, und nicht nur die Kategorie, in der sie einkaufen.
Die Demografie, die KI annimmt
Der Datensatz zeigt auch, welches demografische Profil KI mit verschiedenen Branchen und Rollen verknüpft:
- Geschlechterverteilung: 52,2 % weiblich, 45,4 % männlich, 2,3 % nicht-binär. Nahezu ausgeglichen, aber nicht einheitlich über die Branchen hinweg.
- Altersmuster: Bimodal, mit Spitzen bei 18-25 (27,9 %) und 55-75+ (zusammen 41,4 %). Die Kohorte mittlerer Karriere, die der Großteil des B2B-Marketings anspricht (25-55), macht nur 30,8 % aus.
- Marktkontext: 71,5 % B2C, 22,5 % B2B, 4,4 % B2B2C, 1,5 % B2G.
Die Altersverteilung ist besonders bemerkenswert. Wenn Ihre Content-Strategie einen 35- bis 50-jährigen Entscheider als Standardkäufer voraussetzt, verknüpfen KI-Modelle Ihre Branche möglicherweise mit einem ganz anderen demografischen Profil. Diese Diskrepanz zwischen Ihrer angenommenen Zielgruppe und der von KI angenommenen Zielgruppe beeinflusst, welche Inhalte sichtbar werden und für wen.
Was das für Ihre Marke bedeutet
Wenn Sie im Bereich EdTech oder berufliche Weiterbildung tätig sind
Sie bewegen sich im am dichtesten besetzten Persona-Raum. Differenzierung erfordert Spezifität. Nicht „wir helfen Menschen beim Lernen", sondern „wir helfen UX-Designern in der Karrieremitte beim Wechsel ins Instructional Design mit von Arbeitgebern anerkannten Zertifikaten". Die Personas zeigen, dass Zertifizierungswege und flexible Zeitplanung die dominanten Suchauslöser sind. Generische Lerninhalte werden nicht durchdringen.
Wenn Sie im Bereich Consulting oder professionelle Dienstleistungen tätig sind
Ihre Käufer haben die höchste kommerzielle Intention im Datensatz. Sie vergleichen Angebote, sie stöbern nicht. Investieren Sie in Inhalte, die die Bewertung unterstützen: transparente Preis-Frameworks, Methodenvergleiche, Kundenergebnisdaten mit konkreten Zahlen. Der Ansatz „Thought Leadership zuerst", der in anderen Segmenten funktioniert, könnte hier schwächer abschneiden, weil Ihre Käufer die Awareness-Phase bereits hinter sich haben.
Wenn Sie im Bereich Fertigung oder Industrie tätig sind
Lassen Sie die Vision weg. Führen Sie mit operativen Details. Die Personas zeigen, dass die Komplexität von Werkzeugen die primäre Frustration und die Prozessoptimierung das primäre Ziel ist. Inhalte, die messbare Effizienzgewinne mit klaren Implementierungsschritten belegen, passen zu der Art, wie KI die Kaufintention in der Fertigung charakterisiert.
Wenn Sie im Gesundheitswesen tätig sind
Strukturieren Sie Ihre Inhalte auf Genauigkeit und Compliance. KI-Systeme sind bei gesundheitsbezogenen Empfehlungen besonders vorsichtig, und die Persona-Daten bestätigen, dass Ihre Käufer Qualifikationsnachweisen und regulatorischen Informationen Priorität einräumen. Unstrukturierte oder mehrdeutige Inhalte werden von KI in diesem Segment eher zurückgestuft als in jedem anderen.
Woher diese Forschung stammt
PersonaGen-593K wurde von Forschenden der Estonian Entrepreneurship University of Applied Sciences (EUAS) und von Rankfor.AI entwickelt und als begutachtete Publikation in der Zeitschrift Discover Artificial Intelligence von Springer veröffentlicht.
Die Methodik umfasste die Zusammenführung von vier öffentlichen Persona-Datensätzen (~40 Millionen rohe Beschreibungen), die Anwendung GPU-beschleunigter Deduplizierung zur Entfernung von 89,5 % der Duplikate und anschließend den Einsatz semantischer Embedding-Modelle, um weitere 76,2 % der Beinahe-Duplikate zu eliminieren. Die verbleibende Million eindeutiger Beschreibungen wurde mit strukturierten Verhaltensattributen angereichert und durch statistische Analyse validiert.
Der vollständige Datensatz, die Methodik und der Analysecode sind öffentlich zur unabhängigen Überprüfung verfügbar.
Die praktische Erkenntnis
Kaufverhaltensdaten in diesem Maßstab erzählen eine konsistente Geschichte: Die meisten Käufer stellen Fragen, statt kaufen zu wollen. Die Marken, die KI-Empfehlungen gewinnen, sind diejenigen, deren Inhalte diese Fragen klar, spezifisch und in der Sprache beantworten, die Käufer tatsächlich verwenden.
Wenn 78,7 % Ihrer potenziellen Käufer im Lernmodus sind und Ihre Content-Strategie 80 % der Ressourcen für produktfokussiertes Material am unteren Ende des Funnels einsetzt, besteht eine strukturelle Diskrepanz zwischen dem, was Sie produzieren, und dem, was KI empfiehlt.
Diese Lücke zu schließen ist kein Problem der Content-Menge. Es ist ein Problem der Ausrichtung. Und der erste Schritt besteht darin zu verstehen, was KI glaubt, dass Ihre Käufer wollen.
Prüfen Sie, wie KI die Buyer-Personas Ihrer Marke wahrnimmt. Nutzen Sie den Persona Matcher, um Ihre angenommenen Personas mit dem zu vergleichen, was KI für Ihre Branche tatsächlich empfiehlt. Oder lassen Sie Ihre Marke durch den AI Visibility Monitor laufen, um zu sehen, wo Sie stehen.
Basierend auf „PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" von Dmitrij Zatuchin (EUAS) und Daniil Dzemesjuk (Rankfor.AI), Preprint, eingereicht bei Springer Discover Artificial Intelligence, 2026.