AI fokusní skupiny: lidská diskuse, nebo simulované rozhovory?
„AI fokusní skupina“ může znamenat diskusi skutečných lidí s pomocí AI, samostatné lidské rozhovory vedené AI moderátorem nebo soubor simulovaných účastníků. Před interpretací zjištění určete, co služba poskytuje. Pouze první možnost obsahuje pozorovanou skupinovou diskusi; třetí neobsahuje žádné lidské účastníky.
Rozlišení navazuje na naše vysvětlení syntetických uživatelů. Tento průvodce se zaměřuje na praktický důsledek: volbu formátu schopného dodat potřebné informace a využití simulovaných rozhovorů k přípravě otázek místo výroby svědectví.
Co dělá z fokusní skupiny skupinu?
V lidské fokusní skupině se účastníci navzájem slyší a reagují na sebe. Poznámka může vyvolat rozpoznání, nesouhlas, opravu nebo příběh, který by jinak nikdo neřekl. Interakce je součástí materiálu. Několik nezávislých rozhovorů může odpovídat na související otázky, ale nepozoruje stejný proces.
Podobně požadavek, aby jazykový model napsal dialog pěti pojmenovaných person, nepozoruje interakci pěti lidí. Dialog je výstupem generujícího systému. Samostatná konverzace pro každou personu může změnit fungování simulace, ale neprokazuje nezávislé lidské pohledy.
To je důležité u otázek sociálního vyjednávání, sdílené terminologie nebo způsobu vyjadřování nesouhlasu. Věrohodná syntetická konverzace může výzkumníkovi pomoci předvídat možnosti. Neukazuje, jak problém řešila skutečná skupina.
Před nákupem služby určete formát
| Formát | Kdo poskytuje odpovědi? | Co lze zkontrolovat | Hlavní omezení |
|---|---|---|---|
| Lidská skupina s podporou AI | Lidé ve skupinové interakci | Nahrávky, přepisy a analýza vytvořená AI | Nábor, moderování a interpretace stále vyžadují kontrolu |
| Individuální rozhovory moderované AI | Lidé odpovídající samostatně | Otázky, doplňující otázky a jednotlivé odpovědi | Chybí pozorovaná interakce účastníků |
| Nezávislé syntetické rozhovory | Model podmíněný vstupy person | Zadání, generované odpovědi a údaje o modelu | Nejde o pozorování prožité zkušenosti těchto lidí |
| Simulovaný skupinový dialog | Model nebo koordinovaný proces modelů | Generovaná konverzace a její nastavení | Zdánlivá shoda či konflikt jsou generované, nikoli sociálně pozorované |
Například Outset popisuje výzkum s lidmi moderovaný AI. Kvalitativní postup SynthFolk vytváří simulované rozhovory. Popisy určují zdroj podkladů; neporovnávají účinnost produktů.
Požádejte dodavatele o ukázku skutečné cesty od vstupu k výstupu a určení míst, kde se účastní lidé. Lidskou účast neodvozujte ze jmen, avatarů, rozvržení přepisu ani přirozeného konverzačního jazyka.
Využijte simulované rozhovory pro vymezený přípravný úkol
Obhajitelným výchozím úkolem je kontrola scénáře rozhovoru. Simulaci můžete nechat odpovídat na otázky, hledat nejasné formulace a zaznamenávat předpoklady k prověření v lidské pilotáži. Sarstedt a kolegové (2024) označují přípravné testy a pilotáže za slibné využití syntetických vzorků; netvrdí, že syntetické konverzace nahrazují veškerý kvalitativní výzkum.
Vymezte úzký požadovaný výstup. Místo „řekněte nám, co si zákazníci myslí“ žádejte možné interpretace dodané nabídky, chybějící informace a otázky ke zkoumání. Vyžadujte viditelné zachování nejistoty. Pokud simulace přidá nepodložené faktické tvrzení o trhu, přesuňte je na seznam k ověření.
Rozlišujte námitku hodnou prozkoumání a námitku, o níž víte, že existuje mezi zákazníky. Toto rozlišení musí přežít i prezentaci. Citát označený v přepisu jako „simulovaná odpověď“ se na snímku pro vedení nesmí změnit v „zákaznickou zpětnou vazbu“.
Napište scénář umožňující nesouhlas
Začněte interpretací respondenta před vlastním vysvětlením. V hypotetické studii předplatného oprav jízdních kol poskytne otázka „Co je podle vás zahrnuto?“ více informací o porozumění než „Líbilo by se vám pohodlí neomezených oprav?“ Druhá otázka dodává přínos i potenciálně zavádějící popis.
Ptejte se na praktické podmínky, alternativy a důvody odmítnutí. Nevkládejte požadovanou odpověď do zadání persony: „cenově citliví cyklisté, kteří chtějí předplatné“ vybírá zájem už před začátkem studie. Širší zadání může rozlišovat časté a příležitostné jezdce i lidi, kteří si kola udržují sami.
V lidském rozhovoru může popis nedávné opravy dodat užitečný kontext. V simulaci je údajná nedávná oprava fiktivní, pokud není založena na dodaných důkazech; zacházejte s ní jako se scénářem, nikoli vybavenou událostí.
Šablonou výzkumného zadání oddělte známá fakta, předpoklady o publiku a rozhodnutí. Otázky pro testování konceptů nabízejí formulace pro porozumění a překážky.
Rozpracovaný přípravný postup
Nejprve napište nabídku předplatného s jasnými výlukami a požádejte simulovaný rozhovor o parafrázi. Pokud odpověď předpokládá zahrnutí náhradních dílů, přestože zahrnuty nejsou, prověřte, zda k tomu popis nevybízí. Podle potřeby jej upravte.
Dále se ptejte na situace, kdy by nabídka byla nepohodlná. Odpověď o dojezdové vzdálenosti navrhuje otázku pro lidský výzkum: jak daleko jsou relevantní cyklisté ochotni a schopni cestovat kvůli opravě? Syntetická odpověď tuto vzdálenost neměří.
Poté cvičení opakujte se stejným zadáním a změněným pořadím otázek. Uchovejte všechny běhy. Závisí-li výraznost námitky na tom, který přínos zazněl první, vykazujte citlivost místo výběru nejpřesvědčivějšího přepisu.
Nakonec předložte upravený scénář relevantním lidem. Zaznamenejte, které očekávané problémy se skutečně objevily, které ne a co simulace přehlédla. Cyklistický příklad je ilustrační; netvrdíme žádná zákaznická zjištění ani výsledky výkonnosti.
Nezaměňujte stabilní dialog za validovaný poznatek
Ong (2024) rozebírá problémy vyvozování závěrů a reprodukovatelnosti při používání LLM včetně dokumentace promptů a postupů. V aplikované studii uchovejte dostupnou identifikaci modelu, datum, zadání, přesné otázky a podnět. Záznamy umožňují diagnostikovat nesoulad; nezajišťují správnost výstupu.
Opakovaná shoda simulovaných person může odrážet podobné předpoklady modelu. Nemá se interpretovat jako důkaz rozšířenosti názoru. Stejně tak záměrně vyvolaný nesouhlas person může vytvořit zajímavější přepis, aniž by zvýšil reprezentativnost rozporů.
Užitečnost posuzujte externími referenčními podklady. Jde-li o hledání možných nedorozumění, porovnejte zkoušku s lidským předběžným testem. Jde-li o předpověď pořadí, hodnotíte vůči odděleným lidským odpovědím. Validační protokol tyto cíle rozlišuje.
Co důkazy o lidských fokusních skupinách neříkají
Caruso a kolegové (2025) v průzkumu mezi marketéry zjistili souvislost použití fokusních skupin s méně úspěšnými vykázanými výsledky redesignu obalů. Studie má důležitou hranici: nepřiřazovala metody náhodně, nezkoumala všechna využití fokusních skupin ani nesrovnávala lidské skupiny s AI simulacemi.
Proto nemůže odůvodnit tvrzení, že AI fokusní skupiny překonávají lidské. Užitečné poučení spočívá v prověření souladu metody a měření s rozhodnutím. Konverzace o líbivosti obalu a úkol měřící jeho rozpoznání nejsou zaměnitelné jen proto, že obojí lze nazvat spotřebitelským výzkumem.
Využijte simulaci ke zlepšení dalšího rozhovoru s lidmi. Připravte vymezený úkol, zkontrolujte aktuální ceny a zahajte kvalitativní cvičení. Generované podklady zachovejte označené během celého předávání výzkumu.
Zdroje a redakční metoda
Postup s cyklistickým předplatným je náš navržený příklad, nikoli vykázaná studie. Popisy produktů byly ověřeny v září 2026. Akademické zdroje podporují metodická rozlišení a nevalidují SynthFolk.
- Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing. DOI: 10.1002/mar.21982.
- Ong, D. C. (2024). GPT-ology, Computational Models, Silicon Sampling: How should we think about LLMs in Cognitive Science? arXiv:2406.09464, version 1.
- Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., & Williams, J. (2025). The role of market research in pack redesign performance. International Journal of Market Research, 67(1), 17–32. DOI: 10.1177/14707853241296656.
- Outset: product description.