Syntetičtí uživatelé: co to je, co umí a co ne

2026-08-13 · 14 min čtení

Syntetičtí uživatelé jsou účastníci výzkumu vytvoření umělou inteligencí: persony založené na jazykovém modelu, definované demografickým a postojovým profilem. Kladete jim otázky, které byste jinak položili reálnému panelu. Nejsou to lidé a nemají vlastní názory. Poskytují rychlou, levnou a směrovou simulaci toho, jak by popsaná populace mohla reagovat — pro některé výzkumné otázky užitečnou, pro jiné přímo zavádějící. Tato stránka vysvětluje, které jsou které.

Klíčová zjištění

• Syntetičtí uživatelé jsou simulovaní respondenti generovaní velkým jazykovým modelem a podmínění popisem populace. Nic z toho, co řeknou, nepochází od člověka.
• Nejsilnější jsou u porovnávacích a směrových otázek, nejslabší u absolutních čísel, nového chování a specializovaných populací. Publikovaná přehledová literatura vede stejnou hranici: shoda mezi křemíkovými a lidskými vzorky se „napříč doménami značně liší", přičemž příslib leží na začátku procesu, v předtestování a pilotních studiích (Sarstedt et al., 2024).
• Kvalitu určují především data, o která se persona opírá, nikoli velikost modelu: už samotné ukotvení ve skupinové demografii dokáže velmi věrně reprodukovat rozdělení reálných průzkumů, byť replikovatelnost kolísá podle skupiny a tématu (Sun et al., 2024).
• Jsou doplňkem reálného výzkumu, ne jeho náhradou — marketingová věda dochází ke stejnému závěru o umělé inteligenci obecně: rozšiřuje schopnosti manažerů lépe, než je nahrazuje (Davenport et al., 2020).

Co jsou syntetičtí uživatelé?

Syntetičtí uživatelé jsou umělí účastníci výzkumu. Vznikají tak, že velký jazykový model dostane pokyn odpovídat v roli člena vymezené populace. Každý má profil — věk, trh, příjem, hodnoty, postoje a mediální návyky — a odpovídá na otázky z rozhovoru, položky dotazníku nebo kreativní podněty tak, jak by daný profil věrohodně odpovídal. Odborná literatura tento konstrukt označuje jako křemíkový vzorek (silicon sample; Sarstedt et al., 2024). Výstup vypadá jako výzkumná data. Ve skutečnosti jde o simulaci.

Tento rozdíl je jádrem celého tématu. Syntetický uživatel si nepamatuje, že by si něco koupil — má jen statistický model toho, jak obvykle zní text o lidech, jako je tento. Někdy jde o dostatečně dobrou aproximaci pro rozhodnutí, často však ne. Pojmy se v celé kategorii používají volně, proto je užitečné nejdřív ustálit slovník.

Syntetičtí uživatelé vs. syntetické persony vs. syntetičtí respondenti

Často se s nimi zachází jako se synonymy, ale přesnější je chápat je jako jednu věc ve třech fázích.

Čtvrtý pojem, digitální dvojče, označuje simulovaný model jednoho konkrétního reálného člověka postavený z jeho vlastních dat. Jde o jinou techniku s podstatně vyššími nároky: Toubia et al. (2025) položili 2 058 lidem 500 otázek, každému v průměru 2,42 hodiny, aby vytvořili veřejný testovací základ pro dvojčata na individuální úrovni. S populačním vzorkováním popsaným zde nemá nic společného.

Jak se profily konstruují, popisuje průvodce syntetickými personami. Tato stránka se věnuje tomu, co se děje, když persona začne odpovídat.

Jak syntetičtí uživatelé vznikají

Jsou to čtyři fáze; právě ve druhé vzniká většina rozdílů v kvalitě jednotlivých nástrojů.

1. Definice populace. Popíšete, koho chcete slyšet — trh, věkové rozpětí, příjem a rysy relevantní k otázce: brief, který byste dali náborové agentuře.

2. Ukotvení a vzorkování. Systém sestaví profily odpovídající briefu. Nechat je vymyslet model zní plynule, má to však konkrétní vadu: ze 14 psychologických replikací, které Sarstedt et al. (2024) prošli, jich šest vykázalo „efekt správné odpovědi“ — model odpovídal velmi jednotně, prakticky bez rozptylu. Alternativou je vzorkovat atributy z reálných populačních dat. Sun et al. (2024) ukazují, proč je to rozhodující: model ukotvený pouze ve skupinových demografických distribucích vytvořil rozdělení odpovědí „pozoruhodně podobná skutečným americkým průzkumům veřejného mínění“. SynthFolk ukotvuje persony v datech z European Social Survey a Eurobarometru napříč pěti kulturními regiony, takže důvěra persony v instituce nebo její citlivost na cenu odráží naměřenou distribuci, nikoli dojem modelu.

Následující pravidlo je naše, nikoli publikované zjištění, ale přímo vyplývá z mechanismu: signálem je neshoda. Jednomyslnost vypovídá o výchozím nastavení modelu, ne o rozptylu na trhu.

3. Nezávislé dotazování. Každý syntetický uživatel se generuje a dotazuje zvlášť, nikoli v jednom společném kontextovém okně při hraní rolí. Text zprostředkovaný jazykovým modelem je už sám o sobě homogennější než lidský — 45% podobnost u úloh na shrnování oproti 27 % u lidských shrnutí (Lin) — takže sdílený kontext jen posiluje tah k průměru. Skupinový formát je slabým nástrojem i u reálných lidí: mezi 227 posledními redesigny obalů zjistili Caruso et al. (2025), že focus groups patří k metodám spojeným s méně úspěšnými výsledky, zatímco výzkum zjišťující, které designové prvky si spotřebitelé se značkou už spojují, byl spojen s úspěšnějšími výsledky. Jde o asociaci v jedné kategorii, ne o zákon, pro simulování skupinové diskuse je to však slabý argument.

4. Agregace. U kvalitativní práce vznikají témata a citace, u kvantitativní distribuce a členění, u A/B podnětů porovnávací skóre.

Z druhé fáze plyne ještě jedna úvaha — jde opět o úvahu, nikoli o měření: menší, lépe ukotvený panel by měl překonat větší neukotvený. Více respondentů z téže slité distribuce přidává jistotu, ne informaci.

Kvalitativní modul SynthFolku promění popis publika běžnou řečí na 3–8 podložených person.

K čemu se syntetický uživatelský výzkum používá

Syntetický výzkum má své místo tam, kde je hodnotou šířka, rychlost a porovnání, nikoli objevování. Sarstedt et al. (2024) jeho příslib umisťují do „počátečních částí výzkumného procesu, jako je kvalitativní předtestování a pilotní studie“, a použití v hlavní studii hodnotí výrazně kritičtěji.

Předvýběr konceptů. Jedenáct pozičních tvrzení, rozpočet na dvě. Syntetický panel vám nabídne pořadí, o němž lze diskutovat — dost na rozhodnutí, co postoupí do reálného testování. Většina týmů dnes stejnou volbu uzavírá debatou v zasedačce.

Porovnání sdělení a kreativy. A/B porovnání titulků, hodnotových propozic nebo reklamní kreativy této metodě vyhovuje lépe: relativní soud je vůči problému kalibrace méně zranitelný než absolutní. Nenahrazuje reálný test, ale vytváří užší výběr pro něj — dostatečně silná studie podnětů vypadá jako Caruso et al. (2026), kde 484 amerických a 491 britských spotřebitelů hodnotilo 48 redesignovaných obalů. Modul pro média v SynthFolku nabízí tento předvýběr v režimu A/B.

Pilotování dotazníku a rozhovoru. Než utratíte peníze za nábor, vyzkoušejte svůj nástroj se syntetickými respondenty. Nejednoznačné otázky naruší syntetické odpovědi stejně jako lidské a špatné položky odhalíte během jednoho odpoledne.

První průchod napříč trhy. Dvanáct trhů je s reálnými panely nedostupných, se syntetickými však triviálních. Čísla za jednotlivé trhy nejsou obhajitelná — Sun et al. (2024) zjistili, že replikovatelnost kolísá podle demografické skupiny a tématu, což přičítají společenským zkreslením v modelech. Vzorec rozdílů proto čtěte jako hypotézu o tom, kde je potřeba terénní sběr.

Mapování námitek. Otázka, co by různorodý panel od nákupu odradilo, rychle vytvoří soupis námitek. Neukáže, jak častá je každá z nich, ale zajistí, že vás žádná později nezaskočí.

Každé z těchto použití je filtrovací úloha před skutečným rozhodnutím, nikoli rozhodnutí samo. Zároveň tím vymezuje hranici vůči širší kategorii AI market research, kde se analýza s podporou AI a AI moderované rozhovory se skutečnými lidmi zaměňují za plně syntetickou práci.

Argumenty proti syntetickým uživatelům

Nejčtenější texty na toto téma nepíší dodavatelé. Kritika syntetických uživatelů od Nielsen Norman Group (2024) tvrdí, že nedokážou nahradit to, co přináší studium reálných lidí, a že často vracejí povrchní nebo příliš příznivou zpětnou vazbu. Papangelis (2025) v ACM Interactions rozvíjí příbuzný argument o „klamu syntetické persony“: prodávat statistický rozpoznávač vzorců jako simulovanou mysl znamená vypůjčit si autoritu výzkumu a opustit jeho standardy. Kvantitativní UX praktici to říkají nejpřímočařeji — simulované odpovědi nejsou data, protože se nic neměřilo.

Tři části této kritiky platí a žádná míra ukotvení je nenapraví.

1. Neprobíhá měření. Syntetická distribuce je vygenerovaná, nikoli pozorovaná; vykazovat ji podle konvencí intervalů spolehlivosti z dotazníkového výzkumu je kategoriální chyba. Ani koherence vás nezachrání: Lin dokládá, že autonomní AI agenti prošli 99,8 % z 6 000 kontrol pozornosti a přitom produkovali psychometricky solidní data k nerozeznání od pečlivé lidské práce.
2. Modely mají systematická zkreslení odpovědí. Sun et al. (2024) přičítají selhání replikovatelnosti u podskupin společenským zkreslením v modelech. Lin je ostřejší: sanitizace „usekává přesně ty konce rozdělení — projevy předsudků, ambivalence, extrémní názory“. Valenzuela et al. (2024) mechanismus označují jako parametrický redukcionismus — reprezentujete člověka několika parametry a ztrácíte vše, co neobsahují.
3. Substituce je reálné institucionální riziko. Selháním není špatná studie, ale výzkumný rozpočet tiše nahrazený předplatným a tým, který přestal s kýmkoli mluvit.

Poctivou reakcí není tuto kritiku vyvracet, ale navrhnout systém, který s ní počítá. Jak dobře ukotvené persony odpovídají reálným respondentům, řeší text o tom, jak přesní syntetičtí respondenti jsou.

Kdy sáhnout po reálných uživatelích

Za touto tabulkou stojí pět zásadních limitů:

Absolutní čísla. Syntetický panel, který vykáže 63% nákupní záměr, produkuje číslo bez jakékoli kalibrace na realitu. Nakolik syntetické řádky posunou odhad, není hypotetická otázka: v Linových simulacích amerických prezidentských průzkumů z roku 2024 stačilo vložit 10–52 syntetických respondentů do vzorků o velikosti 1 600, aby se změnilo, kdo vede. Distribuce čtěte porovnávacím způsobem, nikdy jako předpověď.

Skutečně nové produkty. Ukotvující data předcházejí modelu a trénovací data nejsou k nahlédnutí — otevřený problém, na který Ong (2024) upozorňuje u výzkumu využívajícího jazykové modely jako zástupce lidí. Tam, kde žádná postojová distribuce neexistuje, model sebejistě interpoluje; čím dál je produkt od zavedeného chování, tím méně výstup znamená.

Nedostatečně zastoupené a specializované populace. Ukotvující data jsou nejtenčí přesně tam, kde na přesnosti záleží nejvíc, a výsledná fikce je přesvědčivá — což je ta nebezpečná část. Fernandez et al. vygenerovali 2 106 syntetických person ze 13 diagnostických profilů odvozených z DSM a nechali je projít sedmi validovanými psychiatrickými screeningovými nástroji; z pouhých stručných popisů model vyprodukoval klinicky diferencovaná skóre citlivá na závažnost. Konzistentní odpovídání překračující prahy už není zástupným ukazatelem autentické účasti. Vaší kontrolou nemůže být věrohodnost.

Žitá zkušenost a pozorované chování. Syntetičtí uživatelé generují to, co by popsaný člověk mohl říct. Neukážou vám řešení, které si někdo vymyslel, ani zaváhání před kliknutím. Ze stejného důvodu jsou mimo jejich dosah dvě třídy měření. Frekvence chování pochází ze záznamů o chování: Tanusondjaja et al. (2023) odvozují distribuce nejtěžších nakupujících z více než 550 milionů transakcí v obchodních domech, nikoli z dotazování. Konstrukty založené na paměti patří do paměťové sítě kupujícího v nákupní situaci, ne do textu o značce; brand salience je proto problém měření, nikoli otázka pro model (Romaniuk & Sharp, 2004).

Regulatorní, bezpečnostní nebo právní expozice. Pokud špatná odpověď vede ke stažení produktu, pokutě nebo újmě, použijte lidi.

Závěr je jasný: syntetický výzkum je doplněk, ne náhrada. Mění ekonomiku otázek, na které byste rozpočet stejně nedali, a zpřesňuje reálný výzkum tím, že nejprve odstraní zjevné slepé uličky. Tým, který zruší výzkumnou funkci a koupí si syntetický panel, si kupuje způsob, jak potvrzovat vlastní přesvědčení.

Syntetičtí uživatelé v praxi

První studie by měla být malá, porovnávací a ověřitelná.

Nastavení. Kvalitativní modul. Publikum popište běžnou řečí — nakupující potravin ve věku 30–50 let na dvou evropských trzích se smíšenou úrovní příjmů. Tři persony jsou nejmenší panel, který se může neshodnout. Cena začíná na 6 kreditech a je zveřejněná na stránce s ceníkem.

Nástroj. Položte čtyři nebo pět otevřených otázek k rozhodnutí, které jste už udělali, a přidejte jednu sondu, jejíž odpověď neznáte.

Co dostanete zpět. Přepis za každou personu a syntézu: opakující se témata, místa, v nichž se persony rozcházejí, a citace k jednotlivým tématům. Nejdřív si přečtěte rozpory. Pokud všechny tři odpověděly stejně jen jiným jazykem, byla vaše otázka návodná nebo popis publika příliš úzký — obojí opravíte v dalším běhu, nikoli až po šesti týdnech terénního sběru.

Kontrola, na které záleží. Vyberte otázku, kterou jste loni zodpověděli reálným výzkumem, spusťte ji synteticky a podívejte se, zda panel zjištění zopakuje. Vážný test z toho dělají dvě věci. Vlastní porovnání na vlastním jevu vytváří skutečné poznání, nikoli slabší náhražku obecné teorie přesnosti (Golder et al., 2023). Měřítkem navíc není přesná shoda: ani lidé neodpovídají dvakrát stejně, proto Toubia et al. (2025) do své studie zařadili opakovanou vlnu pro stanovení základny test–retest. Ani lidská srovnávací skupina už navíc není čistá — zhruba 34 % respondentů na Prolificu a až 73 % na MTurku uvádí, že při otevřených otázkách používají AI (Lin).

Týmy, které z metody dlouhodobě těží, se drží jedné smyčky: rozšířit záběr synteticky, prověřit nástroj synteticky, ověřit s lidmi to, co obstálo, a pak zkontrolovat vlastní kalibraci podle výsledků reálné studie. Čtvrtý krok odděluje seriózní použití od stroje na racionalizaci a nikdo jej za vás neudělá.

Časté dotazy

Jsou syntetičtí uživatelé skuteční lidé?

Ne. Jsou to simulace jazykového modelu ukotvené v populačních statistikách: nereprezentují žádného konkrétního člověka, nezpracovávají osobní údaje a žádnou odpověď nedal člověk. Nástroj, který naznačuje opak, metodu zkresluje.

Jsou syntetičtí uživatelé přesní?

Jedno číslo přesnosti neexistuje a přehledová literatura otevřeně vysvětluje proč: shoda s lidskými vzorky se mezi doménami značně liší (Sarstedt et al., 2024) a replikovatelnost kolísá podle skupiny a tématu i tam, kde se agregované distribuce přibližují skutečnosti (Sun et al., 2024). Výsledky se navíc mění podle znění promptu a verze modelu — dosud nevyřešených „hyperparametrů“ této práce (Ong, 2024). Výstup proto berte jako směrový a nekalibrovaný; důkazy shrnuje náš text o přesnosti.

Kolik syntetičtí uživatelé stojí?

SynthFolk účtuje v kreditech a ceny zveřejňuje: kvalitativní studie se třemi personami začíná na 6 kreditech, větší panely a kvantitativní vzorky o 50–250 respondentech stojí úměrně více. Srovnejte to s panelovou studií s náborem pro stejnou otázku: obvykle znamená týdny práce a čtyřcifernou částku.

Nahradí syntetičtí uživatelé testování použitelnosti?

Ne — to je nejjasnější hranice celé metody. Testování použitelnosti měří, co lidé pod pozorováním dělají; syntetičtí uživatelé generují, co by někdo mohl říct. Pozorování člověka, který nemůže najít tlačítko, nic nenahradí.

Které jazyky a trhy jsou podporované?

SynthFolk běží ve 12 jazycích rozhraní a pracuje s personami ukotvenými v pěti evropských kulturních regionech, což umožňuje praktický první průchod napříč trhy. Pokrytí odpovídá podkladovým výzkumným datům — tam, kde jsou slabší, berte výstup s větší rezervou.

Vyzkoušejte si to. Studie se třemi personami začíná na 6 kreditech a nové účty dostávají kredity zdarma — dost na ověření metody na otázce, jejíž odpověď už znáte. Otevřete dashboard: rozhodující benchmark je, zda panel dokáže zopakovat to, co už víte.

Použitá literatura

• 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: The relationship with familiarity, likeability, and its effect on purchase intent. 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
• Eurobarometer. Public opinion surveys of the European Commission. https://europa.eu/eurobarometer/
• European Social Survey. https://www.europeansocialsurvey.org/
• Fernandez, K., Berner, L. A., & Shevlin, B. R. K. The threat of synthetic respondents extends to clinical mental health screening. Submitted manuscript, University of California, Los Angeles, and Icahn School of Medicine at Mount Sinai (undated).
• Golder, P. N., Dekimpe, M. G., An, J. T., van Heerde, H. J., Kim, D. S. U., & Alba, J. W. (2023). Learning from data: An empirics-first approach to relevant knowledge generation. Journal of Marketing, 87(3), 319–336. https://doi.org/10.1177/00222429221129200
• Lin, Z. Synthetic respondents and the illusion of human data. Preprint, Department of Psychology, Yonsei University (undated).
• Nielsen Norman Group. (2024, June 21). Synthetic users: If, when, and how to use AI-generated "research". https://www.nngroup.com/articles/synthetic-users/
• Ong, D. C. (2024). GPT-ology, computational models, silicon sampling: How should we think about LLMs in cognitive science? arXiv:2406.09464. https://arxiv.org/abs/2406.09464
• Papangelis, K. (2025, December 17). The synthetic persona fallacy: How AI-generated research undermines UX research. ACM Interactions (blog). https://interactions.acm.org/blog/view/the-synthetic-persona-fallacy-how-ai-generated-research-undermines-ux-research
• Romaniuk, J., & Sharp, B. (2004). Conceptualizing and measuring brand salience. Marketing Theory, 4(4), 327–342. https://doi.org/10.1177/1470593104047643
• 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, 41, 1254–1270. https://doi.org/10.1002/mar.21982
• Sun, S., Lee, E., Nan, D., Zhao, X., Lee, W., Jansen, B. J., & Kim, J. H. (2024). Random silicon sampling: Simulating human sub-population opinion using a large language model based on group-level demographic information. arXiv:2402.18144. https://arxiv.org/abs/2402.18144
• Tanusondjaja, A., Romaniuk, J., Nenycz-Thiel, M., Sakashita, M., & Viswanathan, V. (2023). Examining Pareto Law across department store shoppers. International Journal of Market Research. https://doi.org/10.1177/14707853221145851
• Toubia, O., Gui, G. Z., Peng, T., Merlau, D. J., Li, A., & Chen, H. (2025). Twin-2K-500: A dataset for building digital twins of over 2,000 people based on their answers to over 500 questions. arXiv:2505.17479. https://arxiv.org/abs/2505.17479
• Valenzuela, A., Puntoni, S., Hoffman, D., Castelo, N., De Freitas, J., Dietvorst, B., Hildebrand, C., Huh, Y. E., Meyer, R., Sweeney, M. E., Talaifar, S., Tomaino, G., & Wertenbroch, K. (2024). How artificial intelligence constrains the human experience. Journal of the Association for Consumer Research, 9(3). https://doi.org/10.1086/730709