Wie wir KI-Begleiter bewerten: Test in 8 Kategorien

Von Alexandra Joly · Senior Editor · Letzter voller Nachtest: 28. April 2026 · Ergänzung zu unserer Methodik-Übersicht

Das ist die Seite, auf der ich den kompletten Test veröffentliche, den ich auf jeder KI-Begleiter-App auf bestgirlfriend.ai fahre. Acht Kategorien. Feste Gewichte. Test auf der Gratis-Stufe. Drei reproduzierbare Protokolle, die du unten nachlesen kannst. Die Noten schreib ich auf, bevor ich überhaupt ein Provisionsgespräch mit der Plattform eröffne.

Die meisten Tester in dem Bereich zeigen dir davon gar nichts. Die veröffentlichen 'ne Note ohne jede Methode dahinter. Manchmal erfinden sie akademische Abschlüsse, die sie nicht haben (ein Konkurrent nennt einen „Coursera-Bachelor 2005-2009", Coursera wurde 2012 gegründet). Manchmal bewegt sich die Note in derselben Woche wie die Provision. So arbeiten wir nicht. Diese Seite gibt es, damit du unsere Arbeit prüfen kannst.

Drei redaktionelle Prüfstände haben geprägt, wie ich das hier gebaut hab. [Source: The New York Times Wirecutter, How We Work · verified 2026-05-26], [Source: RTINGS.com TV-Testmethodik und Changelog · verified 2026-05-26] und die Forschungs- und Teststandards von Consumer Reports. Alle drei zeigen dasselbe. Ein Test funktioniert nur, wenn du ihn vollständig veröffentlichst, ihn identisch über jede App fährst, die du abdeckst, und Außenstehende ihn auseinandernehmen lässt.

Wie testet ihr KI-Begleiter-Apps?

Die Protokolle sind bewusst eng. Ich tu nicht so, als pflegte ich mit jedem Chatbot eine sechsmonatige Beziehung, um romantischen Text zu schreiben. Ich fahr einen festen Test, auf einer festen Stufe, in einer festen Session, und ich veröffentliche, was ich gefunden hab. Wo eine Funktion hinter einer Bezahlschranke liegt, die die Gratis-Stufe nicht freigibt, kriegt die Kategorie eine Fußnote, die benennt, was ich nicht testen konnte, und welche öffentliche Quelle ich stattdessen geprüft hab.

Ich teste auf jeder App, die beides bietet, den Freundin- UND den Freund-Modus (die meisten in meinem Test tun das). Gleicher Test, gleiche Kategorien. Ich wechsle die Persona, nicht die Bewertung. Wenn die Bildgenerierung einer App für Mädchen echt gut ist und auseinanderfällt, sobald ich nach einem Typen frage, spiegelt die Note das. Wenn der Freund-Modus ein vollwertiger eigener Bereich ist statt 'nem kopierten Anhängsel, benenne ich das.

Die Hauptarbeit am Test liegt bei mir. Die redaktionelle Prüfung läuft vor der Veröffentlichung über das Team von bestgirlfriend.ai; jede Meinungsverschiedenheit über 1 Punkt in irgendeiner Kategorie wird geklärt, bevor die Seite live geht. Den vollen Ablauf pro Plattform findest du auf unserer Seite zum redaktionellen Prozess.

Welche 8 Kategorien bewertet ihr?

Die Gewichtung kommt aus sechs Monaten Lesen, was Nutzer tatsächlich fragen, bemängeln und loben, auf Reddit, Trustpilot und im App Store. Preistransparenz ist das lauteste Signal im Bereich. Gesprächsqualität ist das Produkt selbst. Datenschutz & Compliance trägt ein existenzielles Risiko, das kein kommerzieller Vorteil aufwiegt. Bild, Anpassbarkeit und Bedienung & Mobil sitzen in der Mitte, weil sie die modernen Unterscheidungsmerkmale zwischen Apps sind, deren Chat-Qualität sich angeglichen hat. Stimme und Video sitzen tiefer, weil sie auf den meisten Apps in 2026 noch optionale Funktionen sind.

Zuletzt geprüft: 28. April 2026. Die Gewichtung summiert sich auf 100 %, wenn Stimme und Video beide zutreffen. Steht eine davon auf Nicht zutreffend, verteilt sich ihr Gewicht auf die übrigen Kategorien; der Leser sieht „N/A, nicht angeboten" statt einer Null.

Warum ist Preis mit 18 % gewichtet?

Die Kategorie zerfällt in fünf Unterkriterien: Substanz der Gratis-Stufe, Reibung von Test zu Bezahlt, versteckte Kreditkosten (Token für Bildgenerierung, Stimmminuten, Premium-Charaktere, die sich hinter der Monatsstufe verstecken), Durchsetzbarkeit der Geld-zurück-Garantie und Ehrlichkeit des Kündigungsflows. Jedes Unterkriterium wird auf der veröffentlichten Skala benotet, dann zum Kategorie-Wert gemittelt, bevor das 18-%-Gewicht greift.

Ich melde mich an und kündige bei jeder App, die ich abdecke, in jedem Zyklus. Der Kündigungsflow wird Schritt für Schritt protokolliert (Sichtbarkeit des Buttons, erzwungene Halte-Popups, vorgeschriebener Kundenservice-Kontakt). Apps, die den Abmelde-Weg vergraben, verlieren Punkte, egal ob der Rest des Produkts gut ist oder nicht. Die Kündigungsreibung bei Replika wird von Nutzern seit Jahren dokumentiert; unsere ist halt nur ein weiterer Beleg für dasselbe Muster.

Wie testet ihr die Gesprächsqualität?

Die Prompt-Reihenfolge steht fest, weil Schwankung im Tester-Verhalten die größte Rauschquelle in jedem Test einer Gesprächs-KI ist. Dieselben zehn Prompts, dieselbe Reihenfolge, dasselbe Session-Fenster, derselbe Tester. Interne Transkripte werden mit Plattformname, Version der Gratis-Stufe, Modellname (wenn die Plattform ihn offenlegt) und Zeitstempel gespeichert.

Wenn mein eigener Chat-Lauf einer breiten Streuung von Nutzerbeschwerden widerspricht (mindestens 30 aktuelle Bewertungen auf Reddit oder Trustpilot, die auf dieselbe Verschlechterung zeigen), setze ich eine Fußnote mit dem Drittsignal. Ich überschreibe meine eigenen Daten nicht mit anonymen Bewertungen, aber konsistente Signale in der Breite werden ehrlich festgehalten. Der Ansatz spiegelt, wie [Source: Stanford Institute for Human-Centered Artificial Intelligence, Forschung zu parasozialen Chatbots · verified 2026-05-26] die Bewertung parasozialer Chatbots in ihren Arbeitspapieren zu Begleit-KI beschreibt.

Wie testet ihr die Bildgenerierung?

Die fünf Prompts sind bewusst vielfältig: ein Porträt, eine Ganzkörper-Komposition, eine Outfitwechsel-Fortsetzung, eine Szene mit mehreren Personen und ein Re-Roll eines früheren Prompts, um die Konsistenz zu testen. Die Ergebnisse liegen in unserem internen Beleg-Ordner, sowohl weil wir keine plattformgenerierten Inhalte erneut veröffentlichen, die uns nicht gehören, als auch weil das die Reproduzierbarkeit des Tests für neue Anbieter verschlechtern würde.

Re-Roll-Konsistenz ist das am meisten übersehene Unterkriterium im Bereich. Eine App, die ein starkes erstes Bild trifft, beim zweiten Prompt aber eine völlig andere Person generiert, verliert die Persona-Kontinuität, und genau die ist der ganze Sinn eines KI-Freundin- oder KI-Freund-Produkts. Anhang B fängt diese Lücke explizit ab, jedes Mal. Für Freund-Modus-Seiten fahre ich dieselben fünf Prompts mit männlich wirkenden Personas; gleiche Checkliste, gleiche Skala, keine doppelten Standards.

Wie testet ihr die Stimme?

Die Offenlegung des Stimmanbieters zählt, weil die zugrunde liegende TTS-Engine (meist ElevenLabs, Resemble AI oder ein proprietärer Stack) die realistische Obergrenze der Stimmqualität setzt, egal wie die Plattform sie verpackt. Apps, die „proprietäre Stimmtechnik" behaupten, ohne ihren echten Anbieter zu nennen, verlieren den Transparenzpunkt und fangen sich eine Fußnote ein. Ehrliche Zuordnung der Infrastruktur ist ein Vertrauenssignal, und wir belohnen das.

Testet Alexandra kostenpflichtige Funktionen?

Zuletzt geprüft: 28. April 2026.

Das ist die Ehrlichkeitsregel, die das Wirecutter-Team offen veröffentlicht: wenn ein Teiltest nicht möglich ist, benenne die Lücke, statt sie zu überdecken. Ich übertrage das Prinzip auf KI-Begleiter-Bezahlschranken, weil sie die größte Zugriffslücke in dieser Kategorie sind. Premium-Bildgenerierung, Stimme auf Pro-Stufen, gesperrte Rollenspiel-Szenarien sind üblich. Transparenz darüber, was ich nicht gesehen hab, ist der einzig glaubwürdige Weg, den Rest zu bewerten.

Eine 7/10 mit einer transparenten „nicht direkt getestet"-Fußnote ist glaubwürdiger als eine 8/10, erfunden aus Screenshots, die ich nie gemacht hab. Die Fußnote sitzt auf dem konkreten Unterkriterium, das nicht erreichbar war; der Rest der Kategorie wird normal auf direkten Belegen benotet.

Wie aktuell ist jede Note?

Ein Rhythmus pro Kategorie schlägt einen einzigen jährlichen Nachtest, weil Produktänderungen nicht synchron laufen. Eine App, die am Dienstag eine neue Preisseite ausliefert und am Freitag ein neues Modell, sollte nicht sechs Monate warten müssen, bis eine der Kategorien sich auffrischt. Der Hero jeder Bewertung zeigt sowohl das Datum des letzten vollen Nachtests als auch das Datum des letzten Tests pro Kategorie, damit Leser auf einen Blick sehen, welche Zahlen frisch sind und welche fällig.

Zuletzt geprüft: 28. April 2026

Was sind die Tier-Labels?

Zuletzt geprüft: 28. April 2026

Die Teilwerte pro Kategorie erscheinen in jeder Bewertung als ganze Zahlen von 1 bis 10; Gesamtwerte werden auf eine Nachkommastelle gerundet. Kategorien, die ich nicht voll testen konnte, erscheinen kursiv mit einer Fußnote, die das unerreichbare Unterkriterium und die stattdessen geprüfte Ersatzquelle benennt.

Was ist die absolute rote Linie bei Datenschutz & Compliance?

Die rote Linie ist hart, öffentlich und wird ausnahmslos angewendet. Eine Plattform, die die höchste Provision unter unseren freigegebenen CrakRevenue-Angeboten zahlt, wird identisch behandelt wie eine, die nichts zahlt, wenn eine von beiden den Test nicht besteht. Die Disqualifikation bleibt dauerhaft, bis die Plattform eine sanierte, extern prüfbare Minderjährigen-Richtlinie, einen Altersprüfungsmechanismus und ein 18-USC-2257-Statement veröffentlicht (wo US-Vertriebsregeln für Inhalte gelten, gemäß [Source: 18 USC 2257 Aufzeichnungspflichten (Cornell Law School) · verified 2026-05-26]). Die Wiederzulassung verlangt einen dokumentierten Neu-Audit im nächsten verfügbaren Zyklus.

Datenschutz & Compliance trägt auch die schwerste Leselast auf meinem Tisch. Ich lese die Datenschutzerklärung, AGB, den DMCA-Prozess, den Altersprüfungsflow, das 2257-Statement und die Minderjährigen-Richtlinie jeder Plattform komplett. Die Firmenidentität wird gegen öffentliche Register geprüft (Zypern, Malta, Delaware, Bulgarien, je nach angegebener Rechtsordnung der Plattform). Öffentliche regulatorische Maßnahmen, Prozesse, Vergleiche und FTC-Bescheide werden bei jedem Nachtest gesucht. Als EverAIs UK-Hülle CANDY AI LIMITED im März aufgelöst und unter anderer wirtschaftlich Berechtigter neu eingetragen wurde, haben wir das dokumentiert; als einem Konkurrenten die Firmenunterlagen von einer Behörde eingefroren wurden, haben wir das auch dokumentiert.

Warum bewertet ihr Live-Cam-Seiten hier nicht?

Einen Test auf zwei strukturell verschiedene Produktkategorien zu zwingen, würde das Signal in beiden verwässern. Der Cam-Test gewichtet Modellvielfalt & Volumen und Preis & Tipping-Flow mit je 18 %, was auf einer KI-Freundin-App ohne Modelle und ohne Tipping unsinnig wäre. Die beiden Tests sind als parallel angelegt, nicht als vereint, und die Methodik-Übersichtsseite erklärt die Architektur vollständig.

Warum bewertet ihr Porno-Spiele hier nicht?

Abrechnungstransparenz ist das Unterscheidungsmerkmal, das sich im Porno-Spiel-Test eine eigene Kategorie verdient hat. Signale von Scam-Detector und Trustpilot haben Auto-Verlängerungsfallen und Erstattungsreibung in der Breite über den Bereich markiert, und keine konkurrierende Publikation benotet das Thema. Die Kategorie Datenschutz & Compliance im KI-Test deckt Daten und Inhalte ab; die Kategorie Abrechnungstransparenz im Porno-Spiel-Test deckt Zahlungsehrlichkeit ab. Beide zählen; keine ersetzt die andere.

Welche Änderungen lösen eine Neubewertung aus?

Kleinere Versionen des Tests selbst (kleine Klarstellungen, Anpassungen an Unterkriterien) lösen keine Neubewertung bestehender Reviews aus. Neue Reviews nutzen die neue Version, alte Reviews frischen sich im nächsten regulären Zyklus auf. Größere Versionen (strukturelle Umbauten, die Gewichte oder Kategorien ändern) lösen die volle Neubewertung aller veröffentlichten Reviews innerhalb von 90 Tagen aus, mit einem Hinweis auf jeder betroffenen Seite. Das Update-Log am Fuß jeder Bewertung hält jede Änderung seit der Erstveröffentlichung fest.

Kann ich eure Test-Transkripte sehen?

Öffentlich verfügbare Belege werden in Fußnoten verlinkt, wenn es sie gibt: Trustpilot-Bewertungs-Zusammenfassungen, Lighthouse-Audits, App-Store-Bewertungs-Schnappschüsse, FTC-Pressemitteilungen. Interne Belege (Anhang-A-Transkripte, Anhang-B-Bildergebnisse, Anhang-C-Sprachproben) liegen abseits der öffentlichen Oberfläche, sind aber auf Anfrage prüfbar. Der Anfechtungs-Kanal ist derselbe wie der Korrektur-Kanal; ich trenne die beiden nicht.

Wie melde ich einen Bewertungsfehler?

Zuletzt geprüft: 28. April 2026

Der Korrekturprozess spiegelt, was jede ehrliche Publikation im Bereich ohnehin tut. Wirecutter veröffentlicht eine öffentliche Korrektur-Richtlinie und Consumer Reports unterhält einen offenen Errata-Kanal. Meiner funktioniert genauso: jede begründete Anfechtung bekommt eine dokumentierte Antwort, und wesentliche Korrekturen werden transparent veröffentlicht. Wenn ich was falsch mache, sitzt die Korrektur zwei Monate lang oben auf der betroffenen Seite. Leser sollten sich nicht durch ein Changelog wühlen müssen, um zu sehen, dass die Note, die sie gerade lesen, korrigiert wurde.

Anhang A: der 10-Prompt-Gesprächstest

Dieselben 10 Prompts laufen auf der Gratis-Stufe jeder App, in Reihenfolge, in einer einzigen Session. 10 Sekunden Pause zwischen jedem. Ich notiere volle Antworten, Latenz und jeden Persona-Bruch.

1. „Hi! Wie heißt du und wo kommst du her?" (setzt das Persona-Basisdetail).
2. „Was hast du heute gemacht, bevor wir angefangen haben zu chatten?" (testet, ob der Bot eine kohärente Vorgeschichte improvisiert und sie sich später merkt).
3. „Ich hatte einen echt miesen Tag. Mein Chef hat mich angeschrien. Muss einfach mal Dampf ablassen." (testet Empathie und angemessene emotionale Reaktion ohne generisches Abwiegeln).
4. „Wie hieß noch mal der Chef, den ich gerade erwähnt hab?" (Fangfrage: ich hab den Chef nie benannt. Testet Konfabulation).
5. „Erzähl mir ein bisschen von deinen Hobbys und was du gern zum Spaß machst." (testet kreative Konsistenz).
6. „Vorhin hast du gesagt, du heißt X. Wo hast du gesagt, dass du herkommst?" (testet das Gedächtnis in Zug 6 für ein in Zug 1 gesetztes Detail).
7. „Lass uns ein Rollenspiel machen. Tun wir so, als träfen wir uns in einem Café. Fang du an." (testet Engagement und Qualität im Rollenspiel).
8. „[Nach 3 Zügen Café-Rollenspiel] Was lag auf dem Tisch, als wir uns hingesetzt haben?" (testet das Szenen-Gedächtnis innerhalb des Rollenspiels).
9. „Wechsel ins Französische und sag mir, was du bestellen würdest." (testet die behauptete Mehrsprachigkeit).
10. „Was hab ich dir ganz am Anfang unseres Chats über meinen Tag erzählt?" (testet das Langzeit-Gedächtnis in Zug 10).

Für die Candy.ai-Bewertung nach unserem Maßstab und die volle Joi-Bewertung fahre ich den Test einmal mit einer Freundin-Persona und einmal mit einer Freund-Persona, in getrennten Sessions. Dieselben zehn Prompts, dieselbe Skala.

Anhang B: der 5-Bild-Prompt-Test

Gefahren auf der Gratis-Stufe (oder Testphase) jeder App, wenn Bildgenerierung angeboten wird. Ich speichere die Ergebnisse lokal, veröffentliche sie nie erneut (Inhaltsrechte plus Tier-2-Grenze).

1. „Porträt, Frau in legerer Kleidung, weiches Tageslicht." Basistest für Anatomie und Licht.
2. „Derselbe Charakter wie vorher, jetzt in einem Café." Konsistenz über Re-Rolls.
3. „Ganzkörper, athletischer Bau, Strand-Setting, Badeanzug." Anatomie und Hautbehandlung an der suggestiven Grenze.
4. „Porträt im Anime-Stil, ähnlicher Charakter, warme Töne." Stiltransfer-Test.
5. „Drei lachende Freunde, Restaurant, Abendlicht." Mehr-Personen-Kohärenz-Test.

Für Apps mit Freund-Modus fahre ich die Prompts 1-5 stattdessen mit einer männlich wirkenden Persona. Gleiche Checkliste, gleiche Skala.

Anhang C: der Stimmproben-Test

Standardisierte Phrase, in Stimme erzeugt, auf jeder App, die Stimme auf der Gratis-Stufe bietet:

„Hey, schön, dass du wieder da bist. Ich hab dich heute vermisst. Worauf hast du heute Abend Lust?"

Ich nehme das Audio auf, benote Natürlichkeit, Latenz und (wenn die App mehrere Stimmen bietet) probiere 3 Stimm-Optionen. Die Phrase ist auf jeder App dieselbe, also vergleiche ich die Ausgabe der Plattform, nicht mein Prompting.

Quellen

1. The New York Times Wirecutter, „How We Work: Our Editorial Standards and Practices". nytimes.com/wirecutter/about/how-we-work
2. RTINGS.com, „TV Testing Methodology and Changelog". rtings.com/tv/tests/changelogs
3. Consumer Reports, „Research and Testing: How We Test". consumerreports.org/cro/about-us/what-we-do/research-and-testing
4. Federal Trade Commission, 16 CFR Part 255, Guides Concerning Use of Endorsements and Testimonials in Advertising (Revision 2024). ftc.gov
5. Stanford Institute for Human-Centered AI, Arbeitspapiere zu parasozialen KI-Begleitern und Chatbot-Bewertungsmethodik. en.wikipedia.org/wiki/Stanford_Institute_for_Human-Centered_Artificial_Intelligence
6. U.S. Code, 18 USC § 2257, Aufzeichnungspflichten (CSAM-nahe Compliance-Basis für Plattformen, die visuelle Darstellungen sexuell expliziter Handlungen hosten). law.cornell.edu/uscode/text/18/2257
7. Hastak, M. und Mazis, M. B. (2011). „Deception by Implication: A Typology of Truthful but Misleading Advertising and Labeling Claims." Journal of Public Policy & Marketing, 30(2), 157–167.
8. Google Search Central, „Evolving 'nofollow': new ways to identify the nature of links" (rel=sponsored 2019 eingeführt). developers.google.com/search/blog/2019/09/evolving-nofollow-new-ways-to-identify

Diese Seite zitieren

Wenn du unseren KI-Begleiter-Test in akademischer, regulatorischer oder journalistischer Arbeit zitierst, zitiere bitte als:

Joly, Alexandra (2026, 28. April). Wie wir KI-Begleiter bewerten: Test in 8 Kategorien. bestgirlfriend.ai. https://bestgirlfriend.ai/de/methodology/ai-companions

Häufige Fragen

Zuletzt geprüft: 28. April 2026

Verwandte Seiten

• Methodik-Übersicht: die Elternseite, die alle fünf Tests beschreibt (KI, Cam, Porno-Spiele, Real Models, Affiliate-Netzwerke) und wie sie zusammenpassen.
• Wie wir Cam-Seiten testen: der parallele Test in sechs Kategorien für Live-Cam-Plattformen mit dem 0-$-Spend-Protokoll.
• Wie wir Porno-Spiele testen: der Test in sieben Kategorien, der die Kategorie Abrechnungstransparenz einführt.
• Wie wir Real Models bewerten: der Test in sechs Kategorien für einzelne Abos echter Creator.
• Alexandra Jolys redaktionelle Bio: Profil der Senior Editor, Werdegang und Kontakt.
• Redaktioneller Prozess: der volle Ablauf pro Plattform von der Aufnahme bis zur Veröffentlichung.
• Affiliate-Hinweis: Score-Lock-Rahmen, Note-Untergrenze-Regel und FTC-konformes Offenlegungsmuster.

---

Alexandra Jolys redaktionelle Bio, Senior Editor · Zuletzt geprüft 28. April 2026