Personas mit KI erstellen: Der Check

 

Zielgruppenverständnis ist das A und O sowohl von erfolgreichem Marketing, Produktentwicklung, Vertrieb, Kundenservice, als auch von gutem Employer Branding. Lang andauernde zufriedene Kunden- und Arbeitsverhältnisse gelingen nur, wenn man weiß, mit wem man es zu tun hat und was diejenigen möchten, brauchen, fühlen, fürchten und was sie abschreckt.

Datenbasierte Personas liefern genau diese Insights. Allerdings benötigt man zu ihrer Erstellung eben genau das: Daten. Die kann man selbst erheben, einkaufen, oder man kann datenbasierte Personas bei qualifizierten Anbietern bestellen.

Selbst denken trotz Revolution

Um Arbeit und/oder Kosten zu sparen, liegt heutzutage die Versuchung nahe, sich Personas zu „erprompten“ – also eine KI darum zu bitten, nach bestimmten Vorgaben Personas für das eigene Unternehmen zu erstellen.
Tatsächlich hat die KI in letzter Zeit die Kundensegmentierung im Marketing revolutioniert. Selbst denken muss man allerdings trotzdem noch immer. Large Language Models (LLMs) wie etwa ChatGPT können eine ganze Menge, aber sie sind nicht die Lösung aller Probleme. Wenn man dort daten- und damit evidenzbasierte Personas herausbekommen möchte, muss man sie mit Daten füttern, womit wir wieder beim Einkauf oder der Erhebung der Daten wären, also keine Arbeit sparen – alles andere bedeutet: Shit in, shit out. Darüber hinaus weiß niemand so genau, was im Innern der LLM eigentlich mit den eingegebenen Daten passiert, also wie die KI sie verarbeitet und gewichtet. Das Ergebnis ist also intransparent.

Wir wollen hier einmal die Methode sowie die Vor- und Nachteile von KI-generierten Personas näher anschauen.

KI-generierte Buyer Personas sind keine Personas, die Chat GPT & Co ausspucken, sondern solche, die mithilfe von KI erstellt werden: KI kann unterstützen, umfangreiche Datensätze zu analysieren, zum Beispiel Online-Verhalten, Präferenzen und Interaktionshistorien. KI kann ebenfalls helfen, aus Daten operationalisierte Handlungsempfehlungen abzuleiten. KI kann auch, z.B. im Fall von Perplexity dazu genutzt werden, Daten zu finden (repräsentative Studien, Daten von statistischen Ämtern, …). KI kann aus Daten heraus auch Personas erstellen – aber KI braucht dafür stichhaltige Daten und eine klare Abfolge von Prompts sowie die menschliche Kontrolle, die eingreift, um sicherzustellen, dass die Ableitungen auch haltbar sind und ggf. gegenlenkt. KI kann auch helfen, Personas erlebbar zu machen – etwa, indem sie sich in Chatbots verwandeln, die in der Rolle der jeweiligen Persona antworten.

KI ist also eine feine Sache – wenn man sie richtig einsetzt: Entscheidend dabei ist Wissen zu den einzelnen Modellen (Was können sie, was nicht?), Erfahrung im Prompt-Engineering und vor allem: das Vorhandensein valider Daten.

Personas mit KI richtig erstellen: So geht´s

Ohne Daten bleibt nur raten – und das ist fatal. Erheben und sammeln Sie also zunächst Daten unterschiedlicher Quellen, z.B. mittels Social-Media-Monitoring-Tools, CRM-Daten, öffentlich zugänglichen oder käuflichen Studien bzw. Statistiken. Online-Interaktionen, Transaktionsverläufe und demografische Informationen könnten das Datenpaket beispielhaft abrunden.

Bevor diese Daten genutzt werden können, müssen sie sorgfältig aufbereitet werden. Dazu gehört, Unstimmigkeiten und Ausreißer zu erkennen, doppelte Einträge zu entfernen und Formate zu vereinheitlichen. Fehlende oder irrelevante Werte sollten entweder ergänzt oder ausgeschlossen werden, damit am Ende ein konsistenter und aussagekräftiger Datensatz entsteht. Durch Normalisierung und Skalierung wird sichergestellt, dass alle Variablen in einem vergleichbaren Verhältnis zueinanderstehen – eine wichtige Voraussetzung, wenn KI-Modelle später verlässliche Ergebnisse liefern sollen.

Machine Learning (Training)

Machine-Learning-Algorithmen, wie z. B. Clustering-Algorithmen zur Segmentierung, Klassifikationsalgorithmen zur Mustererkennung und Assoziationsregeln zur Erkennung von Beziehungen sind der nächste Schritt. Trainieren Sie vorher ausgewählte Algorithmen mit Ihrem vorbereiteten Datensatz, damit sie Muster, Korrelationen und Abhängigkeiten innerhalb der Daten lernen und erkennen können. Dieser Schritt ist entscheidend dafür, dass die Algorithmen später auch neue, bisher unbekannte Daten sinnvoll verarbeiten können. Komplexe Muster kann ein Algorithmus nur dann gut erkennen, wenn relevante Merkmale vorhanden und die Komplexität des Datensatzes genügend reduziert ist.

Anhand historischer Daten kann man zukünftiges Verhalten von Kunden oder Bewerbenden vorhersagen (vorhersagende Modellierung). Zeitreihenanalysen, Regressionsmodelle oder Klassifizierungsalgorithmen helfen bei der Entwicklung von Modellen, die potenzielle Verhaltensänderungen prognostizieren und so proaktive Strategieanpassungen ermöglichen. Nutzen Sie Validierungs- und Kreuzvalidierungstechniken um, die Vorhersagegenauigkeit der Modelle zu bewerten.

Maschinelles Lernen ermöglicht nicht nur Vorhersagen und Mustererkennung, sondern auch das Erkennen subtiler und komplexer Zusammenhänge, die menschlichen Analysten leicht „durch die Lappen“ gehen können. Zu verstehen, welche Einflüsse den Kunden oder die Bewerbende zu dieser oder jener Reaktion bewegen, sind für ein tieferes Verständnis der Zielgruppenmotivation sehr wichtig und können dem eigenen Unternehmen einen enormen Wettbewerbsvorteil verschaffen.

Persona-Erstellung und Adaption
Sind alle Daten vorhanden, aufbereitet und die Algorithmen trainiert, können Sie detaillierte und differenzierte Personas erstellen. Hier ist es wichtig, dass Sie zuvor ein Framework entwickelt haben, das die relevanten Features der Persona enthält. Kurz gesagt: das detailliert zeigt, was für Sie wichtig ist (z.B. das Mediennutzungsverhalten) und weglässt, was Sie zwar vielleicht wissen, aber nicht relevant ist (z.B. die Schuhgröße). Als Endergebnis möchten Sie eine Persona erhalten, die die Geschichte ihrer Zielgruppe erzählt und das Verhalten sowie die zugrundeliegende Motivation Ihrer Zielgruppe inklusive Vorlieben, Schwachstellen, Wünsche und Ziele widerspiegelt.

Einmal fertig, heißt bei Personas nicht „für immer fertig“, auch nicht bei KI-erstellten. Auch die Algorithmen des maschinellen Lernens müssen kontinuierlich hinzulernen und sich verfeinern, um nicht auf der Strecke zu bleiben. Zu einem solchen iterativen Lernprozess gehört die stetige Aktualisierung der Modelle mit neuen Daten, die Anpassung von Parametern und die Feinjustierung der Algorithmen. Passen Sie Ihre Personas mit automatisierten Updates in Echtzeit an neue Datenpunkte an. So gewährleisten Sie fortlaufende Relevanz und Genauigkeit. Dieser Ansatz ermöglicht einen dynamischen und adaptiven Prozess zur Persona-Erstellung, der sich an verändertes Kundenverhalten, Trends und veränderte oder neue Märkte anpasst.

Um sicherzugehen, dass Ihre Personas die Zielgruppe genau repräsentieren, und um die Trainingsdaten nicht überanzupassen, können Sie die Personas mittels Kreuz- oder Holdoutvalidierung mit realen Kundendaten vergleichen. Hierbei ist es wichtig, die Wirksamkeit der Personas in verschiedenen Szenarien und Situationen zu testen.

Egal ob In-House entwickelt oder eingekauft:  KI-generierte Personas revolutionieren das Verständnis von Bewerbenden oder Kunden durch die Erstellung dynamischer, datenbasierter Profile, die sich in Echtzeit weiterentwickeln. Durch maschinelles Lernen decken sie Muster und Zusammenhänge auf und können Voraussagen treffen, die mit traditionellen Methoden unentdeckt bleiben. Sie bieten praktische und präzise Abbildungen des Kunden- und Bewerbendenverhaltens und ermöglichen so vorteilhaftere Entscheidungen in den Unternehmen.

Personas mit KI erstellen ist aber deutlich komplexer, als ein paar – und seien es auch gute – Prompts zu schreiben.

Und wenn wir es doch mit LLMs versuchen?

Angesichts dessen ist verständlicherweise die Versuchung groß, sich den ganzen Aufwand zu sparen und es doch einmal mit einem LLM zu versuchen. Wir waren selbst neugierig und haben es ausprobiert. So ist es uns ergangen:

Unser Prompt:

Erstelle ein vollständiges Candidate-Persona-Profil für Mitarbeiter im IT-Bereich in einem Versorgungsunternehmen. Das Persona-Profil sollte folgende Abschnitte enthalten: Demografische Daten, politische Einstellung, eine Biografie, einen Abschnitt zu den Bedürfnissen, Schwachstellen und Emotionen der Persona, Interessen, Persönlichkeit, Kommunikationsstrategien und Anzeigentypen. Außerdem Mediennutzungsverhalten, Einstellung zu Innovation, Einstellung zu Werbung, zum Reisen, zur Ernährung und zu Online-Shopping. Des Weiteren brauche ich digitale und analoge Werbe-Touchpoints. Da es sich um eine Candidate-Persona handelt, sind Informationen zu Jobsuche (wo sucht die Persona), Ansprache, Erwartungen an den Job, Erwartungen an den Bewerbungsprozess, Pain Points bei Job und Bewerbung, Pluspunkte für Arbeitgeber sowie Dinge, die die Persona von einer Bewerbung abhalten würden oder schon einmal zum Abbruch einer Bewerbung geführt haben, wichtig. Bitte mache auch hier einen Abschnitt pro genanntem Item.

 

Das Ergebnis:

Candidate Persona: „Martin Weber“ – IT-Systemingenieur im Versorgungssektor

🔹 Demografische Daten

• Alter: 35 Jahre
• Geschlecht: männlich
• Wohnort: mittelgroße Stadt in Süddeutschland (z. B. Ulm)
• Familienstand: verheiratet, zwei Kinder (6 und 9 Jahre)
• Bildung: Bachelor/Master in Informatik oder Wirtschaftsinformatik
• Beruf: IT-Systemingenieur / IT-Security-Spezialist bei einem Energieversorger
• Einkommen: 70.000 – 85.000 € brutto jährlich

🔹 Politische Einstellung

• Tendenz grün-liberal: Befürwortet Nachhaltigkeit, Energiewende und Digitalisierung im öffentlichen Sektor
• Legt Wert auf Datenschutz, Bürgerrechte und technologische Unabhängigkeit

🔹 Biografie

Martin wuchs in einem Vorort auf, war schon früh technikaffin und schraubte als Jugendlicher an Computern. Nach dem Informatikstudium arbeitete er zunächst in einer Softwarefirma, bevor er in den öffentlichen/halböffentlichen Bereich wechselte, um „etwas Sinnvolles“ zu tun – z. B. an stabilen, nachhaltigen Versorgungssystemen mitzuwirken.
Heute arbeitet er in einem kommunalen Energieversorger an IT-Sicherheitsprojekten und der Digitalisierung von Netzinfrastruktur.

🔹 Bedürfnisse

• Sinnvolle Arbeit mit gesellschaftlichem Mehrwert
• Stabile Anstellung mit langfristiger Perspektive
• Moderne Technik und Arbeitsumgebung
• Weiterentwicklungsmöglichkeiten (Fach- und Führungslaufbahn)
• Flexible Arbeitszeiten und Homeoffice-Regelungen
• Transparente Kommunikation und Wertschätzung im Team

🔹 Schwachstellen & Emotionen

• Skeptisch gegenüber Bürokratie und langsamen Entscheidungsprozessen
• Frustriert, wenn Innovationen an Hierarchien scheitern
• Fühlt sich manchmal „zwischen den Stühlen“: will innovativ sein, aber muss stabile Systeme sichern
• Furcht vor Fachkräftemangel und Überlastung

🔹 Interessen

• IT-Sicherheit, Cloud-Technologien, Smart Grids
• Nachhaltigkeit & erneuerbare Energien
• Gaming, E-Mobilität, Heimautomatisierung (Smart Home)
• Fahrradfahren, Technik-Podcasts, Fußball mit den Kindern

🔹 Persönlichkeit (Big Five)

Merkmal	Ausprägung
Offenheit	Hoch (experimentierfreudig, interessiert an neuen Technologien)
Gewissenhaftigkeit	Hoch (verlässlich, strukturiert)
Extraversion	Mittel (kommunikativ im Job, aber kein „Smalltalker“)
Verträglichkeit	Hoch (teamorientiert, hilfsbereit)
Neurotizismus	Niedrig (ruhig, analytisch, sachlich)

 

Kommunikationsstrategien

• Bevorzugt klare, sachliche und transparente Kommunikation
• Reagiert gut auf ehrliche, authentische Arbeitgeberbotschaften
• Mag keine Marketingfloskeln oder übertriebene Emotionalisierung
• Kanalpräferenz: E-Mail, LinkedIn, Fachforen, persönliche Gespräche

📣 Anzeigentypen, die wirken

• Technikorientiert mit Sinnbezug: „Gestalte die IT, die unsere Energieversorgung sichert.“
• Strukturiert, informativ, faktenbasiert – keine bunten Hochglanzkampagnen
• Mit echter Einblick-Komponente: Interviews mit Kollegen, Technik-Stacks, reale Projekte

🧠 Mediennutzungsverhalten

• Liest täglich heise.de, Golem, t3n, ComputerBase
• LinkedIn 2–3x pro Woche aktiv, privat nutzt er YouTube und Reddit
• Fernsehen kaum, Streaming (Netflix, Prime Video) abends mit Familie
• Print: gelegentlich Fachmagazine oder Stadtwerke-News

⚙️ Einstellung zu Innovation

• Positiv, solange sie praktischen Nutzen bringt
• Hält „Innovation um der Innovation willen“ für Zeitverschwendung
• Unterstützt Digitalisierung, wenn sie Prozesse vereinfacht

📺 Einstellung zu Werbung

• Skeptisch gegenüber klassischer Werbung
• Reagiert auf authentische und informative Inhalte (z. B. Fallstudien, Mitarbeitervideos)
• Mag keine aggressiven Recruiting-Kampagnen

✈️ Einstellung zu Reisen

• Dienstreisen nur bei Notwendigkeit
• Privat: bevorzugt Familienreisen innerhalb Europas, Auto oder Bahn

🥗 Einstellung zu Ernährung

• Bewusst, aber nicht dogmatisch
• Achte auf Qualität und Regionalität
• Kantinenessen okay, solange es ausgewogen ist

🛒 Einstellung zu Online-Shopping

• Kauft regelmäßig Technikprodukte online (Amazon, notebooksbilliger.de)
• Kleidung lieber im Laden, Technik online
• Datenschutz ist ihm wichtig

📍 Digitale Werbe-Touchpoints

• LinkedIn Sponsored Posts
• Google Ads zu IT-Weiterbildung oder Versorgungs-IT
• YouTube Pre-Roll bei Tech-Videos
• Jobportale: StepStone, heise Jobs, Indeed, LinkedIn Jobs
• Fachforen & IT-Security-Communities

📇 Analoge Werbe-Touchpoints

• Jobmessen (z. B. Connecticum, bonding, regionale Karrieretage)
• Fachzeitschriften (IT Administrator, LANline)
• Infoveranstaltungen bei Versorgern
• Empfehlungen durch Kollegen (Employee Referral)

🔍 Jobsuche

• Aktiv auf StepStone, heise Jobs, LinkedIn
• Beobachtet kommunale Karriereportale
• Nutzt selten Personalvermittler
• Hört sich gern über Kollegen und Bekannte um („leises“ Suchen)

🗣️ Ansprache

• Technisch kompetent, aber ohne Übertreibung
• Glaubwürdigkeit vor Coolness
• Stichworte wie Sicherheit, Stabilität, gesellschaftlicher Nutzen, moderne IT-Infrastruktur wirken gut

💼 Erwartungen an den Job

• Sicherer Arbeitsplatz, unbefristet
• Sinnvolle Aufgaben mit gesellschaftlichem Mehrwert
• Weiterbildungsmöglichkeiten, neue Technologien
• Flexible Arbeitszeiten, Homeoffice, Familienfreundlichkeit

🧾 Erwartungen an den Bewerbungsprozess

• Kurze Reaktionszeiten
• Transparenter Ablauf, keine Blackbox
• Klare Ansprechpartner
• Technisches Gespräch mit IT-Kollegen, nicht nur HR
• Feedback – auch bei Absage

⚠️ Pain Points bei Job und Bewerbung

• Zu viel Bürokratie
• Langsame Entscheidungen
• Unklare Aufgabenbeschreibung
• Mangelnde Kommunikation nach Bewerbungseingang

✅ Pluspunkte für Arbeitgeber

• Kommunaler oder nachhaltiger Auftrag
• Stabilität und moderne Technologien
• Transparente Führung und respektvolle Kultur
• Weiterbildungsbudget und Homeoffice-Regelung

🚫 Was ihn von einer Bewerbung abhält

• Unpersönliche Massenkommunikation („Sehr geehrter Bewerber“)
• Unklare oder generische Stellenausschreibungen
• Intransparente Gehaltsstrukturen
• Bewerbungsplattformen mit kompliziertem Upload-Prozess

⛔ Was schon einmal zum Abbruch einer Bewerbung geführt hat

• Kein Feedback nach Wochen
• HR konnte keine technischen Fragen beantworten
• Schlechte Bewertungen auf Kununu
• Zu viele Pflichtfelder und Passwortregistrierung im Bewerbungsportal 

Klingt überzeugend, oder? Fanden wir auch. Und genau das ist das Problem. Denn: Einen Tag später haben wir den gleichen Prompt nochmal eingegeben. Nein, nicht bei der Konkurrenz, sondern wieder bei Chat GPT. Und heraus kam:

 

Candidate Persona: Tobias Keller – IT-Systemadministrator bei einem kommunalen Versorger

📊 Demografische Daten

• Name: Tobias Keller
• Alter: 36 Jahre
• Geschlecht: Männlich
• Familienstand: Verheiratet, 1 Kind (5 Jahre)
• Wohnort: Mittelgroße Stadt in Süddeutschland
• Bildung: Bachelor in Informatik
• Berufserfahrung: 12 Jahre in der IT (Schwerpunkt Systemadministration, IT-Sicherheit)
• Branche: Energieversorgung / Infrastruktur
• Position: IT-Systemadministrator, Teamleitung
• Gehalt: ca. 72.000 € brutto jährlich

🗳️ Politische Einstellung

• Eher grün-sozial eingestellt
• Umweltbewusst, befürwortet Digitalisierung in öffentlicher Hand
• Kritisch gegenüber Großkonzernen, befürwortet Datenschutz & Open Source

📖 Biografie

Tobias ist in einer Kleinstadt aufgewachsen und hat nach dem Abitur eine Ausbildung zum Fachinformatiker gemacht, später berufsbegleitend ein Informatik-Studium absolviert. Seit über einem Jahrzehnt arbeitet er in der IT eines kommunalen Energieversorgers. Er schätzt die Sicherheit und Planbarkeit seines Jobs, wünscht sich aber oft modernere Strukturen und Prozesse. In seiner Freizeit engagiert er sich im örtlichen Sportverein und programmiert kleinere Open-Source-Projekte.

💡 Bedürfnisse, Schwachstellen & Emotionen

• Bedürfnisse:
• Stabilität & Sicherheit im Job
• Klare Strukturen, aber auch Entwicklungsmöglichkeiten
• Vereinbarkeit von Beruf und Familie
• Sinnvolle, nachhaltige Arbeit
• Schwachstellen:
• Veränderungsresistenz bei langjähriger IT-Arbeit in der öffentlichen Versorgung
• Frust bei schlechter technischer Ausstattung oder Entscheidungsblockaden
• Emotionen:
• Frustration über Legacy-Systeme
• Stolz auf Beitrag zur öffentlichen Daseinsvorsorge
• Sicherheit gibt ihm ein gutes Gefühl, aber gelegentlich auch Langeweile

🎯 Interessen

• IT-Sicherheit, Automatisierung, Linux
• Energiepolitik & nachhaltige Technologien
• Heimwerken, E-Bike-Touren
• Podcasts & Tech-YouTube-Kanäle
• Open-Source-Projekte

🧠 Persönlichkeit

• Introvertiert bis ambivertiert
• Pragmatisch, detailorientiert
• Geduldig, aber ungeduldig bei unnötiger Bürokratie
• Teamfähig, übernimmt gerne Verantwortung, aber ungern im Rampenlicht

📣 Kommunikationsstrategien

• Tonfall: Klar, direkt, ohne Marketing-Geschwurbel
• Kanäle: E-Mail, LinkedIn, Fachforen, Tech-Blogs
• Wertschätzung & Transparenz sind zentral in der Kommunikation
• Authentizität statt Hochglanz-Kampagnen

📺 Anzeigentypen

• Textanzeigen mit klarer Aufgabenbeschreibung
• Technisch detaillierte Jobangebote (z.B. welche Systeme genutzt werden)
• Video-Testimonials von Mitarbeitenden mit ähnlichem Profil
• Green-IT & Nachhaltigkeit als Aufhänger

📱 Mediennutzungsverhalten

• Beruflich: Heise, Golem, Stack Overflow, LinkedIn
• Privat: Reddit (de & tech), YouTube (Tech-Kanäle), Podcast-Plattformen
• Wenig Social Media außer LinkedIn & YouTube
• Nutzt RSS-Feeds, Tech-Newsletter

💡 Einstellung zu Innovation

• Offen gegenüber Innovation, wenn sinnvoll und gut durchdacht
• Skepsis gegenüber Hype-Themen ohne realen Mehrwert
• Legt Wert auf Open Source und IT-Sicherheit
• Möchte mit modernen Tools arbeiten, aber mit gesundem Pragmatismus

📢 Einstellung zu Werbung

• Ablehnend gegenüber aufdringlicher Werbung
• Akzeptiert Werbung, wenn sie informativen Mehrwert bietet
• Bevorzugt technisch relevante, sachliche Inhalte

✈️ Einstellung zu Reisen

• Dienstreisen nur wenn notwendig, bevorzugt Remote-Arbeit
• Privat gerne Kurzurlaube mit Familie, keine Fernreisen
• Nachhaltigkeitsbewusst: bevorzugt Zug statt Flugzeug

🥗 Einstellung zu Ernährung

• Flexitarier mit Tendenz zu vegetarisch
• Legt Wert auf regionale & nachhaltige Produkte
• Kantinenangebote wichtig bei Arbeitgeberwahl

🛒 Einstellung zu Online-Shopping

• Nutzt Online-Shopping regelmäßig (Amazon, notebooksbilliger.de, etc.)
• Schätzt Preisvergleichsportale & Kundenbewertungen
• Unterstützt auch lokale Händler, wenn möglich

📍 Digitale und analoge Werbe-Touchpoints

Digitale:

• LinkedIn Ads (Jobangebote mit techn. Details)
• Newsletter auf Heise, Golem
• YouTube Pre-Roll Ads bei Tech-Channels
• Stack Overflow & GitHub Sponsored Jobs
• XING (eingeschränkt)
• Reddit-Kampagnen in r/de & r/sysadmin

Analoge:

• Fachzeitschriften (z. B. c’t, iX)
• Plakate/Anzeigen in Kantinen von Versorgungsunternehmen
• Hochschulkooperationen (duale Studiengänge, Abendveranstaltungen)
• Meetups, Barcamps, lokale IT-Stammtische

🔍 Jobsuche

📌 Wo sucht die Persona?

• LinkedIn & Stack Overflow Jobs
• Heise Jobs, Golem Karrierewelt
• Karriereseiten von Stadtwerken und Versorgern
• Empfehlung von Kollegen / Netzwerk
• Karriereevents (IT-Fachmessen, Barcamps)

📣 Ansprache

• Technisch fundiert, aber verständlich
• Keine HR-Buzzwords (z. B. „Rockstar“, „Nerd“)
• Betonung von Stabilität, aber auch Modernisierung
• Hinweise auf sinnstiftende Arbeit & Nachhaltigkeit

✅ Erwartungen an den Job

• Stabile, langfristige Anstellung
• Moderne IT-Systeme oder Wille zur Erneuerung
• Einfluss auf technische Entscheidungen
• Weiterbildungsmöglichkeiten
• Familienfreundliche Arbeitszeiten / Homeoffice

⏳ Erwartungen an den Bewerbungsprozess

• Klare, transparente Kommunikation
• Technisch orientierte Gespräche mit realistischen Aufgaben
• Keine überzogenen Assessment Center
• Schnelle Rückmeldungen, idealerweise innerhalb 2 Wochen
• Möglichkeit für informelles Kennenlernen mit dem Team

🚧 Pain Points bei Job & Bewerbung

• Veraltete Technik & Systeme
• Kein Gehör für Verbesserungsvorschläge
• Unstrukturierte Bewerbungsprozesse
• Langsame Rückmeldungen
• Unflexible Arbeitszeitmodelle
• Entscheidungsträger mit wenig technischem Verständnis

💚 Pluspunkte für Arbeitgeber

• Moderne technische Ausstattung
• Transparente Unternehmenskultur
• Flexible Arbeitszeitmodelle / Homeoffice
• Weiterbildung & Zertifizierungen
• Nachhaltigkeit & gesellschaftlicher Beitrag des Unternehmens
• Familienfreundlichkeit

🚫 Dinge, die von Bewerbung abhalten

• Unklare Aufgabenbeschreibungen
• „Wir suchen einen IT-Ninja“-Rhetorik
• Intransparente Gehaltsangaben
• Kein Homeoffice möglich
• Kein echter technischer Ansprechpartner im Bewerbungsprozess
• Langwierige oder unprofessionelle Bewerbungstools
• Arbeitgeberbewertungen auf Kununu < 3,0

😤 Gründe für Abbruch einer Bewerbung

• Bewerbungssystem mit Pflichtregistrierung oder Fehlern
• Keine Rückmeldung nach 2 Wochen
• Unprofessionelle Kommunikation
• Gesprächspartner ohne technisches Verständnis
• Falsche oder geschönte Darstellung der Technik im Unternehmen

Wenngleich Martin und Tobias unbestreitbare Ähnlichkeiten aufweisen sind sie zwei verschiedene Personas. Die Big Five- Analyse, die wir bei Martin erhalten haben, wurde uns bei Tobias vorenthalten. Und noch schlimmer: Bei einer dritten Eingabe des gleichen Prompts, lernen wir Markus kennen:

💼 CANDIDATE-PERSONA-PROFIL: “Markus – Der sicherheitsorientierte IT-Spezialist”

📊 1. Demografische Daten

• Name: Markus Schröder
• Alter: 38 Jahre
• Geschlecht: Männlich
• Familienstand: Verheiratet, 2 Kinder (7 und 10 Jahre alt)
• Wohnort: Stadtrand eines mittelgroßen deutschen Ballungsraums (z. B. Mannheim)
• Bildung: Diplom-Informatiker (FH)
• Berufserfahrung: 12 Jahre in der IT, davon 5 Jahre im Bereich IT-Infrastruktur bei einem Versorgungsunternehmen
• Beschäftigungsstatus: Festangestellt in ungekündigter Stellung

Die weiteren Ergebnisse zu Markus sprengen hier den Rahmen, weichen aber deutlich von den anderen beiden ab. Sie verstehen, worum es hier geht: Bei einer vierten Anfrage treffen wir auf Thomas aus Stuttgart…

Das hat uns dazu veranlasst, bei Chat-GPT einmal nachzufragen, worauf die Personas beruhen.

ChatGPT lobte uns für die kritische Nachfrage und nannte für Martin eine erstaunliche Menge an Studien und Quellen – von denen einige sogar tatsächlich existieren, so zum Beispiel die ARD/ZDF-Onlinestudie 2024 oder die Engpassanalyse der Bundesagentur für Arbeit. Bei anderen Quellen blieb ChatGPT eher vage und nannte uns nur „ PwC & EY Studien zur digitalen Transformation in der Energie- und Versorgungswirtschaft“ oder „VDI/VDE Studien zu IT im Energiesektor (Smart Grids, OT/IT-Sicherheit)“, ohne zu sagen welche genau – so sie denn existieren. Auf den Hinweis, dass eine genannte Quelle, die „Universum Talent Survey 2024“ nicht existiert, bekamen wir als Antwort:

„Ich habe “Universum Talent Survey 2024” als Sammelbegriff verwendet, aber in Wirklichkeit gibt es solche Umfragen meist regionalspezifisch, nicht unbedingt eine Umfrage, die exakt “International Talent Survey 2024” heißt und flächendeckend für alle Zielgruppen veröffentlicht wurde. Es gibt aber vergleichbare Daten und Rankings von Universum aus 2023/2024, z. B. spezifisch für einzelne Länder oder Studentengruppen. Meine Persona basiert auf einer Mischung solcher Quellen – also teilweise extrapoliert.“

Des Weiteren sollte Martin auf „Typischen Rückmeldungen aus Bewerberinterviews und Employee-Value-Proposition-Projekten im öffentlichen und halbstaatlichen Umfeld“ basieren. Gefragt, woher ChatGPT diese kennt, meldet es uns:

“Ich habe keinen Zugriff auf echte, personenbezogene Bewerbungsdaten oder vertrauliche Interviews, und ich erhebe oder speichere natürlich auch keine davon.

Wenn ich in dem Satz „typische Rückmeldungen aus Bewerberinterviews und EVP-Projekten“ erwähne, meine ich etwas anderes:

Ich stütze mich auf öffentliche, aggregierte oder sekundär veröffentlichte Ergebnisse aus solchen Projekten – also keine Originalinterviews, sondern veröffentlichte Erkenntnisse und Muster, die aus vielen solchen Projekten stammen.

Ich habe diese typischen Muster in meinem Training und Wissensstand gelernt — also nicht über konkrete personenbezogene Daten, sondern durch:

• Veröffentlichte Trendanalysen
• Fachliteratur und Studienauswertungen
• Allgemein zugängliche Branchenbeispiele“

Heißt auf deutsch: Ich lese alle möglichen verfügbaren Studien und Artikel, in denen jemand etwas über IT-Angestellte im Versorgungsbereich geschrieben hat, schmeiße alles in einen Topf, rühre einmal um und erfinde dann, was Martin wahrscheinlich über Bewerbungen denkt.“

Auch zum Thema Big Five erklärt sich ChatGPT:
„Ich „rechne“ sinngemäß mit Wahrscheinlichkeiten:

Wenn jemand in einem sicherheitsrelevanten Beruf arbeitet, sich für Nachhaltigkeit interessiert und technikaffin ist, dann ist es plausibel, dass er in Modellen X und Y so und so verortet wäre.“

Was dabei herauskommt, sind nette Anhaltspunkte, aber in keinem Fall eine echte Persona.

Bei der gleichen Nachfrage zu Tobias gibt ChatGPT nach der Nennung von generischen, teils nicht existenten, aber für Unbedarfte sehr überzeugend klingenden Quellen zu:

„Diese Persona ist eine synthetisch-generierte Idealtypisierung, die sich an realistischen und verallgemeinerten Mustern orientiert – keine echte Person, sondern eine fiktive Zielgruppenrepräsentation, wie sie im Employer Branding oder Recruiting zur Segmentierung und gezielten Ansprache verwendet wird.“

Wenn datenbasierte Personas eines nicht tun, dann ist das „verallgemeinern“. Verallgemeinerung ist das genaue Gegenteil von datenbasiert und daher für die richtige Zielgruppenansprache weder im Recruiting noch im Marketing hilfreich. Personas sind viel mehr dazu da, von der Verallgemeinerung zur Personalisierung überzugehen, um maßgeschneiderte Erlebnisse für Bewerbende und Kunden zu erreichen.

LLMs sind für vieles wunderbar – aber nur bedingt für datenbasierte Personas

Chat GPT – und auch seine „Kollegen“ Gemini, Claude und Co. können also Personas „zaubern“, die auf den ersten Blick überzeugend klingen. Bei genauerem Hinsehen offenbaren sich ohne selbst bereitgestellt Daten jedoch schnell Ungenauigkeiten, Widersprüche und Übergeneralisierungen, die zu fehlgeleiteten Strategien führen können. Ein großes Problem dabei ist, dass LLMs nicht nur falsche Personas erstellen, sondern auch falsche, aber sehr überzeugend klingende Quellen nennen. Des Weiteren verallgemeinern sie Erlerntes oder halluzinieren schlicht. Warum? Weil LLMs Sprachmodelle sind: Sie berechnen, wie hoch die Wahrscheinlichkeit ist, dass ein Buchstabe neben dem anderen steht und erstellt basierend darauf Texte – extrem vereinfacht gesagt.  

LLMs sind wunderbare Werkzeuge zur Inspiration, für Brainstorming, Textoptimierung, sogar Programmierung, oder dafür, Personas zum Leben zu erwecken oder Muster in Daten zu erkennen.

Wer sich allerdings blind auf KI verlässt, erhält Personas, die nicht funktionieren oder endet im schlimmsten Fall in einer Situation wie die Unternehmensberatung Deloitte, die sich vor kurzem in Australien bei einem großen Auftrag der Regierung auf Chat GPT und dessen plausibel klingende Quellen verlassen hatte und dann Fehler eingestehen und Bußgeld zahlen musste – vom Reputationsverlust ganz zu schweigen.

Wer alle Quellen, die die KI angibt, genau nachprüfen möchte, muss diese oftmals erst mühsam bei der LLM erfragen und dann eine nach der anderen darauf überprüfen, ob die erstens existiert und zweitens relevant ist. Damit ist die Arbeitsersparnis im Vergleich dazu, es „richtig zu machen“ nahe Null.
Besonders dann, wenn darüber hinaus das LLM nicht mit den für die gewünschte Persona relevanten, selbst erhobenen Daten „gefüttert“ wurde. Das heißt, selbst wenn alle Quellen existieren und mit dem Thema zu tun haben, ist die resultierende Persona zwar datenbasiert aber noch immer nicht zu 100% evidenzbasiert, denn hier und da werden sich immer noch Verallgemeinerungen von Sekundärquellen finden lassen, was zwar immerhin besser ist als reines Bauchgefühl, aber eben nicht so evidenzbasiert wie First-Party-Data zu nutzen.  

Herausforderungen der KI-basierten Persona-Erstellung

Richtig eingesetzt, hilft uns KI, bessere, tiefere und lebendigere Personas zu kreieren, als wir es „per Hand“ bzw. per menschlichem Arbeits-, Denk- und Analyseaufwand je schaffen könnten. Doch auch, wenn wir alles richtig machen, unsere KI mit genug und den richtigen Daten füttern und sie nach Lehrbuch trainieren, gibt es trotzdem noch einige Fallstricke, derer wir uns bewusst sein müssen:

 

• Wir müssen unsere KI mit Daten trainieren, die so aktuell wie möglich sind, sonst könnten unsere Ergebnis-Personas schon bald der Wirklichkeit hinterherhinken. Auch große LLMs stehen vor diesem Problem. Iteratives Lernen bei der Persona-Erstellung und ständige Anpassung in Echtzeit wirken dem entgegen.
• Historische Daten, die zum KI-Training verwendet werden, haben noch ein weiteres Problem: Sie können bestehende gesellschaftliche Vorurteile widerspiegeln. Dadurch könnten Stereotypen verstärkt oder die gesellschaftliche Vielfalt der nicht genau abgebildet werden. Die Identifizierung solcher Verzerrungen in großen Datenmengen, damit die Personas am Ende die Zielgruppe fair und genau abbilden, sind nicht einfach.
• Quantitative und qualitative Daten sollten gleichermaßen in die Persona einfließen. KI ist besonders gut darin, große Mengen quantitativer Daten auszuwerten, aber der qualitative Anteil darf nicht zu kurz kommen, da gerade hier die feinen Nuancen von Emotionen, Wünschen und Bedürfnissen ersichtlich werden, die die tiefe einer guten Persona ausmachen.
• Datenschutzgesetze gelten auch und gerade für Big Data. Die Arbeit an Personas muss zu jedem Zeitpunkt datenschutzkonform sein.
• Kulturelle Eigenheiten von Personas sind ebenso wichtig. Was in einer Kultur ein veritabler Wutausbruch ist, ist in einer anderen nur eine klare Ansage, die niemanden erschreckt. Um Personas kultursensibel zu gestalten, sollten die Daten aus der betreffenden Region stammen, in der die Persona eingesetzt wird. Ebenso ist es wichtig, die Persona im richtigen Kontext zu sehen: Eine Bankangestellte tickt anders als ein Physiotherapeut und anders als eine Studentin, auch wenn auf den ersten Blick viele Ähnlichkeiten vorhanden sind.