AI průzkum trhu: co skutečně nahrazuje (a co ne)

2026-08-13 · 10 min čtení

AI průzkum trhu je využití strojového učení — v praxi především velkých jazykových modelů — k realizaci nebo urychlení částí výzkumu: návrhu nástroje, výběru respondentů, sběru odpovědí či analýzy výsledků. Pod jedním názvem se ale skrývají tři zásadně odlišné věci: AI analýza dat od skutečných lidí, rozhovory s lidmi moderované AI a plně syntetičtí respondenti, kteří data sami generují.

Většina neproduktivních sporů vzniká jejich směšováním. Když výzkumný ředitel řekne „AI už používáme“, často myslí automatické shrnutí dotazníku. Dodavatel tím může myslet studii bez jediného člověka. Tento průvodce jednotlivé přístupy odděluje, abyste vybírali podle otázky, nikoli podle nástroje, který zrovna vlastníte.

Klíčová zjištění

• Jde o spektrum, ne jednu produktovou kategorii: od shrnutí lidských odpovědí přes AI moderování až po syntetické respondenty.
• Přístup určuje otázka, ne rozpočet. Simulace je vhodná pro porovnávání a orientaci; ne pro absolutní čísla, prožitou zkušenost ani regulovaná tvrzení.
• Ekonomika se liší podstatou. Panel má vysoké mezní náklady na respondenta, simulace téměř ploché náklady. Mění se tím, které otázky se vyplatí položit, nikoli přesnost odpovědí.
• Syntetičtí respondenti nejsou osobní údaje. Odpadá část povinností při zpracování dat, ale také přímé ukotvení ve skutečných lidech. Proto doplněk, ne náhrada.

Co pojem „AI průzkum trhu“ skutečně znamená

Stejné označení se používá pro čtyři úrovně a srovnání nástrojů je často nevědomky míchají.

Úroveň 0 — AI funkce ve stávajících nástrojích. Platforma seskupí otevřené odpovědi, napíše shrnutí nebo navrhne graf. Respondenti i data jsou skuteční; AI urychluje poslední krok, ale nemění cenu ani délku terénu.

Úroveň 1 — AI asistovaná analýza ve velkém měřítku. Kódování tisíců odpovědí, extrakce témat z tiketů, recenzí či přepisů a syntéza více zdrojů. AI dělá práci analytika rychleji, ale stále pracuje s lidskými daty. Timoshenko a Hauser v Marketing Science ukázali, že strojově vybraný uživatelský obsah může být nejméně stejně hodnotným zdrojem potřeb jako profesionální rozhovory a produktivnějším na jednotku práce.

Úroveň 2 — výzkum s lidmi moderovaný AI. Model vede rozhovor, doplňuje otázky a přizpůsobuje scénář. Respondenty stále musíte najít, odměnit a čekat na terén. Šetříte čas moderátora a zvládnete větší vzorek. Není však ustálené, zda lidé automatizovanému protějšku odpovídají stejně jako člověku; metaanalýza 943 efektů od Gelbrich a kolegů ukazuje, že výsledek závisí na kontextu.

Úroveň 3 — syntetičtí respondenti. Neúčastní se žádný člověk. Model vytvoří respondenty podmíněné demografickými a postojovými profily a nechá je odpovídat. Náklady na nábor klesnou na nulu a terén na minuty, ale vazba na realitu je pouze tak silná jako data, jimiž byly persony ukotveny. Sarstedt a kolegové zjistili mezi obory velké rozdíly a doporučují metodu hlavně pro předtestování a piloty, ne hlavní studie.

Pojmy syntetický průzkum trhu a syntetická data v průzkumu trhu často označují úroveň 3, přestože druhý může znamenat také statisticky podobnou kopii existujícího datasetu. Jedno simuluje respondenty, druhé anonymizuje data, která už máte.

Výzkumný proces krok za krokem

AI nejvíc zkracuje nábor a terén — přesně ty fáze, které dělají výzkum pomalým a drahým. Fázi rozhodující o smyslu studie ale nemění. Caruso a kolegové ve výzkumu 227 marketérů zjistili, že samotná realizace výzkumu nezaručovala úspěšnější redesign obalu; některé běžné metody byly dokonce spojeny s horšími výsledky.

Jak vybrat přístup podle otázky

Vzorec: simulace je silná při šíři, rychlosti a porovnávání a slabá při kalibraci, pozorování a obhajitelnosti.

Kam zapadají syntetičtí respondenti

Syntetický respondent je persona vytvořená jazykovým modelem a vyzvaná odpovídat v roli. Rozdíl mezi užitečnou a bezcennou personou tvoří ukotvení (grounding): zda profil vymyslel model, nebo byl vzorkován ze skutečných populačních dat.

Neukotvené persony konvergují. Deset odpovědí bývá deset verzí stejného průměru z tréninkových dat. Lin uvádí u AI zprostředkovaného textu výrazně větší homogenitu než u lidského; mizí právě okraje distribuce, kde se nachází ambivalence a extrémní postoje. Valenzuela a kolegové tento mechanismus nazývají parametric reductionism.

Ukotvené persony mohou vycházet například z European Social Survey a Eurobarometru. Sun a kolegové ukázali, že podmínění modelu skupinovými demografickými distribucemi může vytvořit odpovědi podobné reálným průzkumům, ale reprodukovatelnost se liší podle skupiny a tématu. Nesouhlas v panelu je signál; jednomyslnost varování.

Mechaniku podrobněji vysvětlují články o syntetických uživatelích a syntetických personách.

Praktický workflow od začátku do konce

1. Definujte publikum. Napište brief jako pro náborovou agenturu: trh, věk, příjem a dvě či tři důležité postojové vlastnosti. „Čeští online nakupující 25–55 let, rozdělení podle citlivosti na cenu“ funguje. „Spotřebitelé“ ne.

2. Vygenerujte panel. Systém vzorkuje persony z ukotvených distribucí. Kvalitativní výzkum používá tři až osm detailních person; kvantitativní 50 až 250 respondentů, protože potřebuje distribuce, ne příběhy.

3. Spusťte nástroj. Kvalitativní studie využívá hloubkové rozhovory. Kvantitativní používá nejvýše pět otázek a každý respondent odpovídá nezávisle. Simulovaná focus group tíhne ke konsenzu jako skutečná, ale bez reálného odporu menšiny.

4. Čtěte výstup správně. Témata a citace u kvalitativního výzkumu, distribuce a segmenty u kvantitativního, relativní skóre u A/B. Každé číslo čtěte jako porovnání, nikdy jako předpověď.

5. Validujte. Jedno zjištění porovnejte s předchozím výzkumem, prodejem nebo známým rozdílem mezi segmenty. Rozhodnutí, která přežijí, ověřte s lidmi.

Vyzkoušejte třetí krok: kvantitativní modul zvládne 250 syntetických respondentů a mediální modul hodnocení kreativy.

Kolik to stojí

Panel a simulace nemají jen jinou cenu; mají jiný tvar nákladů.

Panel má vysoké mezní náklady na respondenta. Cena roste s velikostí vzorku, incidencí a délkou rozhovoru. Běžné spotřebitelské publikum v jedné evropské zemi stojí při několika stovkách odpovědí tisíce eur, úzká B2B cílovka násobně víc.

Simulace má téměř ploché mezní náklady. SynthFolk používá veřejně uvedené kredity:

Plány stojí 9,99 € za 75 kreditů, 24,99 € za 250 a 79,99 € za 750 kreditů měsíčně. Kompletní rozpis je na stránce cen. Nízké mezní náklady umožňují testovat otázky, které by tým jinak vyřešil debatou — proto je validace důležitější, nikoli méně důležitá.

AI spotřebitelské insighty: co lze a nelze vyvodit

Lze vyvodit směr. Které sdělení funguje lépe, který koncept obstojí u skeptika a která námitka se opakuje. Relativní pořadí bývá užitečné.

Nelze vyvodit velikost efektu. Pokud syntetický panel hlásí 63% nákupní záměr, číslo není kalibrované na populaci. Neexistuje univerzální korekční faktor; shoda s lidskými daty se mění podle domény.

Málo lze vyvodit o řídkých populacích. Data jsou nejřidší u malých menšin, vzácných klinických skupin a úzkých profesí. Simulované podskupiny se posouvají k většinovému průměru a znějí přesvědčivě i tehdy, když se mýlí. Věrohodnost není validita.

Přesnost syntetických respondentů shrnuje publikované validační práce i selhání metody.

Osobní údaje, GDPR a Akt o AI

Běžná studie zpracovává osobní údaje při screeningu, kontaktu, odměně, záznamu rozhovorů a spojování odpovědí s identitou. To přináší právní základ, minimalizaci, retenční lhůty, práva účastníků a zvláštní opatrnost u citlivých údajů.

Syntetická studie nesbírá údaje od účastníků: není zde subjekt údajů, souhlas, odměna ani přeshraniční přenos respondentových dat. Ukotvení person využívá publikované agregované statistiky, nikoli individuální záznamy.

Neodstraňuje to všechny povinnosti. Vstupy uživatele se stále počítají — nahrání zákaznické citace či nezveřejněné kreativy je samostatné rozhodnutí o zpracování. V reportu je třeba transparentně uvést, že respondenti byli syntetičtí. Stránka GDPR vysvětluje, jak SynthFolk nakládá s poskytnutými daty. Nejde o právní poradenství.

Co AI průzkum trhu nenahrazuje

• Pozorované chování. Váhání před kliknutím, obcházení procesu ani reálný nákup nemají syntetickou náhradu.
• Skutečně nové kategorie. Pokud chování neexistovalo při vzniku ukotvovacích dat, model jen sebevědomě interpoluje.
• Absolutní obchodní čísla. Prognózy poptávky, cenotvorbu a velikost trhu měřte na lidech.
• Regulační a bezpečnostní riziko. Podložení tvrzení, medicínská či finanční rozhodnutí vyžadují skutečný důkaz.
• Kontakt se zákazníkem. Část hodnoty výzkumu spočívá v tom, že někdo ve firmě tento měsíc mluvil se zákazníkem.

Syntetický výzkum je doplněk, ne náhrada. Zlevňuje otázky, které byste jinak nepoložili, a čistí slepé uličky před dražším výzkumem. Zrušit výzkumnou funkci a koupit simulaci znamená koupit si efektivní způsob potvrzování vlastních domněnek.

Jak vybrat nástroj

1. Veřejná cena. Bez ceny před obchodním hovorem nelze srovnávat.
2. Pojmenovaná ukotvovací data. Ptejte se na konkrétní datasety. „Proprietární“ často znamená vymyšlené modelem.
3. Transparentní model. Výsledky se při změně modelu mění; potřebujete vědět, který je vytvořil.
4. Nezávislí respondenti. Mají být vzorkováni a dotazováni odděleně, ne hráni v jednom kontextovém okně.
5. Zpracování a umístění dat. Kam vstupy jdou, jak dlouho se uchovávají a zda trénují model.
6. Export a jazyky. Zjištění, která nelze exportovat nebo použít na cílových trzích, nevyužijete.

Často kladené otázky

Je AI průzkum trhu spolehlivý?

Záleží na úrovni. Analýza reálných dat na úrovni 0–1 je tak spolehlivá jako její vstupy. Syntetičtí respondenti na úrovni 3 jsou užiteční u směrových a srovnávacích otázek, nikoli u absolutních čísel, řídkých populací a nových kategorií.

Kolik stojí AI průzkum trhu?

AI analýza bývá funkcí stávajícího softwaru. Syntetický výzkum v SynthFolk začíná na 6 kreditech za tři persony a 50 kreditech za průzkum s 250 respondenty. Panel se oceňuje projektově.

Mohou syntetičtí respondenti nahradit panel?

Při screeningu, prioritizaci a pilotování nahradí předběžnou panelovou studii. Při rozhodnutí založeném na absolutním čísle ne. Synteticky zúžit, lidsky potvrdit.

Je syntetický průzkum trhu v souladu s GDPR?

Syntetičtí respondenti nejsou lidé, takže se od účastníků nesbírají osobní údaje. Vlastní vstupy uživatele jsou samostatná otázka a metodu je třeba transparentně označit. Nejde o právní poradenství.

Kolik syntetických respondentů potřebuji?

U kvalitativního výzkumu stačí tři až osm dobře ukotvených person. U kvantitativního 250 umožní čitelné demografické členění; pro jednoduché porovnání dvou možností může stačit 50.

Nejrychlejší test je zopakovat otázku, kterou jste loni zodpověděli skutečným výzkumem, a výsledky porovnat. Studie se třemi personami začíná na 6 kreditech a průzkum s 250 respondenty stojí 50. Otevřete dashboard a otestujte metodu na ní samotné.

Reference

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. https://doi.org/10.1177/14707853241296656

Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., Saeed, R., & Williams, J. (2026). The packaging redesign modernisation dilemma. Journal of Retailing and Consumer Services, 92, 104800. https://doi.org/10.1016/j.jretconser.2026.104800

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24–42. https://doi.org/10.1007/s11747-019-00696-0

Gelbrich, K., Roschk, H., Miederer, S., & Kerath, A. (2026). Automated versus human agents. Journal of Marketing, 90(2), 1–26. https://doi.org/10.1177/00222429251344139

Hardcastle, K., Vorster, L., & Brown, D. M. (2025). Understanding customer responses to AI-driven personalized journeys. Journal of Advertising, 54(2), 176–195. https://doi.org/10.1080/00913367.2025.2460985

Ong, D. C. (2024). GPT-ology, computational models, silicon sampling. arXiv:2406.09464. https://arxiv.org/abs/2406.09464

Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research. Psychology & Marketing. https://doi.org/10.1002/mar.21982

Sun, S., et al. (2024). Random silicon sampling. arXiv:2402.18144. https://arxiv.org/abs/2402.18144

Tanusondjaja, A., et al. (2023). Examining Pareto Law across department store shoppers. International Journal of Market Research. https://doi.org/10.1177/14707853221145851

Timoshenko, A., & Hauser, J. R. (2019). Identifying customer needs from user-generated content. Marketing Science. https://doi.org/10.1287/mksc.2018.1123

Valenzuela, A., et al. (2024). How artificial intelligence constrains the human experience. Journal of the Association for Consumer Research, 9(3). https://doi.org/10.1086/730709