GenAI-gestützte qualitative Forschung: Ein praktischer Leitfaden (2026)

Geschrieben von Anqi Yu (Ghent University) · Geprüft von Prof. Shubin Yu (HEC Paris) · May 2026 · Aktualisiert: 2026-05-30 · 17 min read

In nur wenigen Jahren ist generative KI von einer Kuriosität zu einem funktionierenden Teil der Werkzeugkästen vieler qualitativ Forschender geworden. Sie kann einen Interviewleitfaden entwerfen, ein Interview führen und transkribieren, Codes über hundert Transkripte hinweg vorschlagen und Themen zusammenfassen — Aufgaben, die früher Wochen verschlangen. Die Frage für Forschende ist nicht mehr, ob sie sich mit ihr befassen, sondern wie sie dies tun, ohne die Strenge und Ethik zu opfern, die qualitative Arbeit glaubwürdig machen.

Dieser Leitfaden ist eine praktische, ausgewogene Landkarte generativer KI über den qualitativen Arbeitsablauf hinweg: wo sie wirklich hilft, wo sie zu kurz greift und wie man sie verantwortungsvoll einsetzt. Er setzt voraus, dass Sie die Grundlagen kennen — falls nicht, beginnen Sie mit Qualitative Forschung 101 und Qualitative Datenanalyse.

Was ist GenAI-gestützte qualitative Forschung?

GenAI-gestützte qualitative Forschung ist die Praxis, generative KI — große Sprachmodelle (LLMs) wie GPT, Claude und Gemini — zur Unterstützung von Aufgaben über den gesamten qualitativen Forschungszyklus hinweg einzusetzen, vom Studiendesign und der Datenerhebung über die Codierung und Analyse bis zum Berichten. Das prägende Prinzip ist Augmentierung, nicht Automatisierung: Die KI beschleunigt die arbeitsintensiven Teile, während die Forschenden die Kontrolle über Design, Interpretation und Verantwortung behalten.

Sie unterscheidet sich von früheren computergestützten Methoden in der Art, nicht nur im Grad. Wo Techniken wie Topic Modeling (behandelt in unserem Leitfaden Computergestützte Textanalyse) Text statistisch behandeln, liest generative KI mit Kontext und Nuance und reagiert auf Anweisungen in einfacher Sprache — und bringt damit etwas, das menschlichem Leseverständnis nahekommt, in den computergestützten Maßstab.

Wo GenAI in den Arbeitsablauf passt

Generative KI kann nahezu jede Phase einer qualitativen Studie unterstützen. Hier ist, wo sie eingesetzt wird und worauf bei jedem Schritt zu achten ist.

Studiendesign und Interviewleitfäden

LLMs können Interviewleitfäden entwerfen, Nachfragen vorschlagen und beim Verfeinern von Forschungsfragen helfen. Sie sind ein schneller Brainstorming-Partner — aber die Forschenden müssen sicherstellen, dass die Fragen nicht suggestiv, theoretisch fundiert und für die Population angemessen sind.

Datenerhebung und KI-moderierte Interviews

Konversationelle KI kann Interviews nun direkt führen — Fragen stellen, zuhören und in Echtzeit nachfragen, im großen Maßstab und in vielen Sprachen. Dies erweitert die Reichweite dramatisch, auch wenn sensible Themen und subtile emotionale Signale weiterhin eine menschliche Interviewperson erfordern können.

Transkription

KI-Sprache-zu-Text erzeugt in Minuten ein nahezu vollständiges Transkript. Es ist der am wenigsten umstrittene und ausgereifteste Einsatz und überlässt es den Forschenden, die Genauigkeit zu überprüfen und bedeutsame nonverbale Details hinzuzufügen.

Codierung

LLMs können induktive Codes aus den Daten vorschlagen oder ein deduktives Codebuch in einem einzigen Durchgang über einen ganzen Datensatz hinweg anwenden. Studien stellen zunehmend fest, dass KI-Codierung bei vielen Aufgaben trainierten menschlichen Codierenden nahekommen kann — vorausgesetzt, eine Forscherin oder ein Forscher überprüft, korrigiert und validiert die Ausgabe.

Themenentwicklung und Synthese

Über die Codierung hinaus kann generative KI Codes zu Themenkandidaten clustern, Widersprüche zutage fördern und analytische Zusammenfassungen entwerfen — ein starker erster Entwurf, den die Forschenden hinterfragen und verfeinern, niemals eine fertige Analyse.

Berichten

KI kann Erkenntnisse zusammenfassen, Abschnitte entwerfen, veranschaulichende Zitate auswählen und die Sprache für unterschiedliche Zielgruppen anpassen — wobei die Forschenden für die Genauigkeit und für die Überprüfung jedes Zitats anhand der Quelle verantwortlich sind.

Synthetische Teilnehmende — mit Vorsicht

Ein aufkommender Einsatz ist das Generieren synthetischer Teilnehmender oder Fokusgruppen, um Instrumente zu pilotieren und Hypothesen vor der Feldarbeit zu erkunden. Diese können zur Probe und Gestaltung nützlich sein, aber synthetische Antworten sind kein Ersatz für echte menschliche Daten und dürfen niemals als solche dargestellt werden.

GenAI vs. traditionelle computergestützte Methoden

Aspekt	Generative KI (LLMs)	Traditionelle computergestützte Methoden
Wie sie Text liest	Kontextbezogen, nuanciert, anweisungsbefolgend	Statistisch (Wortzählungen, Verteilungen)
Einrichtung	Prompts in einfacher Sprache	Parameter, Training oder gekennzeichnete Daten
Flexibilität	Bewältigt offene, vielfältige Aufgaben	Eng, aufgabenspezifisch
Transparenz	Niedriger — die Argumentation ist undurchsichtig	Höher — die Methoden sind explizit
Hauptrisiko	Halluzination und Verzerrung	Übervereinfachung, fehlender Kontext

Das Human-in-the-Loop-Prinzip

Jeder verantwortungsvolle Einsatz generativer KI in der Forschung teilt eine Struktur: Die KI schlägt vor, der Mensch entscheidet. Das Modell erledigt die schnelle, skalierbare Arbeit — eine Erstcodierung, eine entworfene Themenkarte, eine Zusammenfassung — und die Forschenden validieren, korrigieren und interpretieren und bleiben für die veröffentlichten Erkenntnisse voll verantwortlich.

Generative KI verändert, wohin die Anstrengung der Forschenden fließt, nicht, ob sie nötig ist. Die einst für einen ersten Codierdurchgang aufgewendeten Stunden verlagern sich auf das Überprüfen, Hinterfragen und Interpretieren der KI-Ausgabe. Das Urteilsvermögen bleibt menschlich; nur die mühsame Arbeit wird delegiert.

Fähigkeiten und Grenzen

Was sie gut kann: Transkription, Erstcodierung im großen Maßstab, Zusammenfassung, mehrsprachige Arbeit, rasche Erkundung großer Datensätze und konsistente Anwendung eines Codebuchs.

Wo sie Mühe hat:

Halluzination — sie kann plausible, aber falsche Aussagen erzeugen, einschließlich erfundener Zitate.
Verzerrung — sie kann Verzerrungen reproduzieren, die in ihren Trainingsdaten vorhanden sind.
Tiefer Kontext — Ironie, kultureller Subtext und emotionale Nuance können ihr entgehen.
Undurchsichtigkeit — ihre Argumentation ist schwer zu inspizieren, was Transparenz erschwert.
Nicht-Determinismus — derselbe Prompt kann unterschiedliche Ausgaben liefern, was für die Reproduzierbarkeit gehandhabt werden muss.

KI-gestützte Forschung streng halten

Die Glaubwürdigkeit KI-gestützter Arbeit beruht auf denselben Vertrauenswürdigkeitsstandards wie jede qualitative Studie, plus einigen KI-spezifischen Schutzvorkehrungen:

Menschliche Validierung — die KI-Ausgabe an den Quelldaten überprüfen; niemals unverifizierte Ergebnisse veröffentlichen.
Mensch-KI-Übereinstimmungsprüfungen — die KI als Codierperson behandeln und die Übereinstimmung mit menschlichen Codierenden an einer Stichprobe messen, genau wie bei der Inter-Rater-Reliabilität.
Prompt- und Modelltransparenz — die verwendeten Prompts, das Modell und die Version festhalten, sodass die Analyse verstanden und wiederholt werden kann.
Triangulation — KI-abgeleitete Erkenntnisse gegen andere Daten, Methoden oder Analysierende bestätigen.
Prüfpfad — dokumentieren, wo und wie KI in jeder Phase eingesetzt wurde.
Stichprobenprüfung im großen Maßstab — wenn KI Tausende von Elementen codiert, eine repräsentative Stichprobe überprüfen und die Fehlerquote berichten.

Ethik und verantwortungsvoller Einsatz

Generative KI bringt reale ethische Verpflichtungen über die gewöhnliche Forschungsethik hinaus mit sich:

Informierte Einwilligung — Teilnehmenden mitteilen, ob KI ihr Interview führen oder analysieren wird.
Datenschutz — verstehen, wohin Teilnehmendendaten gehen, wenn sie an ein Modell gesendet werden; vermeiden, sensible Daten Diensten auszusetzen, die sie speichern oder darauf trainieren könnten, und datenschutzfreundliche Optionen bevorzugen.
Verzerrung und Fairness — aktiv prüfen, dass die KI bestimmte Gruppen oder Dialekte nicht systematisch falsch liest.
Transparenz und Offenlegung — den KI-Einsatz in Ihrem Methodenteil offenlegen; viele Zeitschriften und Förderer verlangen das nun.
Verantwortlichkeit — eine menschliche Forscherin oder ein Forscher bleibt für jede Aussage verantwortlich; „die KI hat es so gesagt“ ist niemals eine Rechtfertigung.
Datenintegrität — niemals synthetische oder KI-generierte Antworten als echte Teilnehmendendaten ausgeben.

Best Practices

Mit der Frage beginnen, nicht mit dem Werkzeug — KI dort einsetzen, wo sie wirklich hilft, nicht überall.
Bei jedem interpretativen Schritt einen Menschen in der Schleife halten.
Alles validieren — Zitate, Codes und Themen an der Quelle überprüfen.
KI-Einsatz dokumentieren — Prompts, Modelle, Versionen und Phasen als Teil Ihres Prüfpfads.
Teilnehmendendaten schützen — Werkzeuge mit angemessenen Datenschutzgarantien wählen.
Transparent offenlegen — angeben, wie KI eingesetzt wurde, wenn Sie veröffentlichen.
Verantwortlich bleiben — die Erkenntnisse verantworten; die KI ist eine Assistenz, keine Autorin.

Ein durchgearbeitetes Beispiel

Angenommen, Sie untersuchen Patientenerfahrungen mit Telemedizin, mit 60 Interviews.

Design — einen Interviewleitfaden mit KI-Unterstützung entwerfen und dann kritisch überarbeiten.
Erheben — Interviews führen (einige KI-moderiert), automatisch transkribieren und jedes Transkript überprüfen.
Codieren — ein LLM schlägt induktive Codes über alle 60 Transkripte hinweg vor; zwei menschliche Codierende überprüfen eine 20-%-Stichprobe und messen die Übereinstimmung mit der KI.
Thematisieren — die KI clustert Codes zu Themenkandidaten; das Team hinterfragt, führt zusammen und benennt sie um.
Validieren — mit Feldnotizen triangulieren, mit Patient:innen ein Member-Checking durchführen und die KI-Codiergenauigkeit stichprobenartig prüfen.
Berichten — Erkenntnisse mit verifizierten Zitaten und einem transparenten Hinweis darauf verschriftlichen, wie KI eingesetzt wurde, einschließlich Prompts und Modellversionen.

Zentrale Erkenntnisse

GenAI-gestützte qualitative Forschung nutzt LLMs, um die Forschenden über den gesamten Arbeitsablauf hinweg zu erweitern — nicht zu ersetzen.
Sie unterstützt Design, Datenerhebung, Transkription, Codierung, Themenentwicklung und Berichten, jeweils mit Vorbehalten.
Anders als statistische Textmethoden liest generative KI mit Kontext und Nuance, kann aber halluzinieren und Verzerrungen aufnehmen.
Strenge hängt von menschlicher Validierung, Mensch-KI-Übereinstimmungsprüfungen, Prompt-Transparenz, Triangulation und Prüfpfaden ab.
Ethik erfordert Einwilligung, Datenschutz, Verzerrungsprüfungen, Offenlegung und unerschütterliche menschliche Verantwortlichkeit.

Häufig gestellte Fragen

Was ist GenAI-gestützte qualitative Forschung?

Es ist der Einsatz generativer KI, etwa großer Sprachmodelle, zur Unterstützung qualitativer Forschungsaufgaben — Leitfäden entwerfen, Interviews führen und transkribieren, Daten codieren und Themen entwickeln —, während die Forschenden die Kontrolle über Design und Interpretation behalten.

Kann generative KI qualitative Daten genau codieren?

KI kann ein Codebuch anwenden oder induktive Codes über einen ganzen Datensatz hinweg schnell vorschlagen, und Forschung zeigt, dass sie bei vielen Aufgaben trainierten menschlichen Codierenden nahekommen kann. Die Genauigkeit muss dennoch validiert werden, indem die Mensch-KI-Übereinstimmung gemessen und Ergebnisse stichprobenartig geprüft werden.

Ist es ethisch, KI in der qualitativen Forschung einzusetzen?

Ja, bei verantwortungsvollem Einsatz: informierte Einwilligung für die KI-Beteiligung einholen, die Privatsphäre der Teilnehmendendaten schützen, auf Verzerrungen prüfen, den KI-Einsatz bei der Veröffentlichung offenlegen und einen Menschen für alle Erkenntnisse verantwortlich halten. Niemals KI-generierte Antworten als echte Daten darstellen.

Wird KI qualitativ Forschende ersetzen?

Nein. Generative KI automatisiert arbeitsintensive Schritte, kann aber nicht das Urteilsvermögen, die theoretische Rahmung, die ethische Verantwortung oder die interpretative Einsicht der Forschenden ersetzen. Das verlässliche Modell ist Human-in-the-Loop-Augmentierung.

Wie halte ich KI-gestützte Analyse streng?

Validieren Sie die KI-Ausgabe an den Quelldaten, messen Sie die Mensch-KI-Übereinstimmung wie eine Inter-Rater-Reliabilität, halten Sie Ihre Prompts und Modellversionen fest, triangulieren Sie Erkenntnisse und pflegen Sie einen Prüfpfad darüber, wo KI eingesetzt wurde.

Muss ich offenlegen, dass ich KI verwendet habe?

Zunehmend ja. Viele Zeitschriften und Förderer verlangen nun eine Erklärung, die beschreibt, wie KI in einer Studie eingesetzt wurde. Transparente Offenlegung in Ihrem Methodenteil ist unabhängig davon Best Practice.

Was ist mit dem Datenschutz beim Einsatz von KI-Werkzeugen?

Verstehen Sie, wohin Teilnehmendendaten gehen, wenn Sie sie an ein Modell senden, und ob sie gespeichert oder zum Training verwendet werden könnten. Bevorzugen Sie datenschutzfreundliche Werkzeuge, anonymisieren Sie, wo möglich, und vermeiden Sie es, sensible Daten Diensten ohne angemessene Schutzvorkehrungen auszusetzen.