Czym są syntetyczne persony? Kompletny przewodnik (2026)

2026-08-13 · 15 min czytania

Najważniejsze wnioski

• Syntetyczne persony to respondenci generowani przez sztuczną inteligencję, ugruntowani w profilach demograficznych i postawach zaczerpniętych z rzeczywistych badań populacyjnych; odpowiadają na pytania badawcze, pozostając w roli.
• Najlepiej sprawdzają się w porównaniach, wstępnej selekcji i badaniach o dużym zasięgu; najgorzej — w liczbach bezwzględnych, nowych kategoriach i populacjach specjalistycznych.
• Górny pułap jakości wyznaczają dane bazowe, a nie wielkość modelu: to warunkowanie na rzeczywistych rozkładach populacyjnych zbliża wyniki syntetyczne do wyników prawdziwych sondaży (Sun et al., 2024).
• Uzupełniają badania z udziałem ludzi i nigdy ich nie zastępują. Stanowisko literatury recenzowanej umieszcza je na wcześniejszym etapie procesu — w pretestach i badaniach pilotażowych — a nie w badaniu, które rozstrzyga decyzję (Sarstedt et al., 2024).

Czym jest syntetyczna persona?

Syntetyczna persona to symulowany uczestnik badania: duży model językowy ugruntowany w profilu demograficznym i psychograficznym, proszony następnie o odpowiadanie w roli na pytania wywiadu, pozycje kwestionariusza lub materiały kreatywne. W odróżnieniu od persony tradycyjnej — statycznego dokumentu opisującego typ klienta — jest interaktywna: można zadać jej pytanie, którego profil w ogóle nie przewidywał, i otrzymać odpowiedź.

Ta interaktywność jest sednem sprawy i zarazem źródłem sporu. Syntetyczna persona nie ma własnych opinii; operuje rozkładem prawdopodobieństwa tego, co ktoś pasujący do tego profilu mógłby wiarygodnie powiedzieć, wyuczonym z tekstu. To, czy wynik jest wystarczająco bliski rzeczywistej populacji, by wesprzeć decyzję, zależy od sposobu zbudowania persony i od tego, o co się ją pyta. Przegląd opublikowany w 2024 roku w Psychology & Marketing, porównujący próby krzemowe z próbami ludzkimi, wykazał, że zgodność wyraźnie różni się między dziedzinami, a potencjał metody umieścił na wcześniejszym etapie procesu — w pretestach jakościowych i badaniach pilotażowych (Sarstedt et al., 2024). Szerszą kategorię omawiamy w tekście o syntetycznych użytkownikach.

Termin wszedł do języka biznesu szybciej niż pojawiły się dowody. Nielsen Norman Group zestawiła syntetycznych użytkowników z trzema własnymi badaniami, uznała ich wyniki za powierzchowne i nadmiernie przychylne oraz stwierdziła, że mogą wspierać research zza biurka, ale nigdy nie zastąpią prawdziwych użytkowników (Moran, 2024). Pismo Interactions ACM poszło dalej w tekście „The Synthetic Persona Fallacy", zarzucając całej kategorii, że zapożycza autorytet badań, jednocześnie porzucając ich standardy (Papangelis, 2025). Obie krytyki trafnie opisują sposób sprzedaży tych narzędzi; użyteczne zastosowanie leży wcześniej w procesie decyzyjnym.

Syntetyczne persony a persony tradycyjne

Persony tradycyjne są wytworem syntezy: badacz przeprowadza dwanaście wywiadów, znajduje trzy wzorce i spisuje je jako nazwane postacie. Syntetyczne persony są wytworem doboru próby.

Persona tradycyjna z 2022 roku wisząca na ścianie w roku 2026 nie jest prawdziwsza od syntetycznej — myli się wolniej i z mniej widoczną pewnością siebie. Żadna z nich nie waliduje się sama ani nie rozstrzyga strategii: wyniki segmentacji mają charakter opisowy, a nie strategiczny (Sharp, Dawes & Victory, 2024), a ponowna analiza najbardziej znanych eksperymentów z targetowaniem psychologicznym wykazała, że nie dowiodły one przewagi targetowania nad zwykłą reklamą (Sharp, Danenberg & Bellman, 2018).

Syntetyczne persony, syntetyczni respondenci i cyfrowe bliźniaki

Syntetyczna persona to pojedyncza, bogato opisana postać do pracy jakościowej — długich wywiadów, pytań otwartych, pogłębiania. Uruchamia się ich kilka, bo chodzi o głębię. Syntetyczny respondent to jednostka cieńsza, używana na skalę: ma tyle atrybutów, by wypełnić ankietę, nie zaś by unieść dwugodzinny wywiad. Uruchamia się ich setki, bo chodzi o rozkłady.

Cyfrowy bliźniak to twierdzenie znacznie mocniejsze: model jednej konkretnej, rzeczywistej osoby, zbudowany z jej własnych danych, mający przewidzieć, co zrobiłaby ona. Swobodne używanie tego terminu przez dostawców warto traktować jako sygnał ostrzegawczy — poprzeczka dowodowa leży tu znacznie wyżej. Testowanie predykcji na poziomie indywidualnym wymaga czegoś takiego jak Twin-2K-500, gdzie 2058 uczestników z USA poświęciło średnio po 2,4 godziny na ponad 500 pytań w czterech falach, przy czym ostatnia powtarzała wcześniejsze zadania wyłącznie po to, by ustalić punkt odniesienia test–retest (Toubia et al., 2025). Wstępne analizy wyglądają obiecująco, ale zbiory danych o takiej głębokości praktycznie nie istnieją.

Jak faktycznie powstaje syntetyczna persona

To tutaj syntetyczne persony w badaniach rynku zyskują lub tracą wiarygodność: proces decyduje o tym, czy mamy do czynienia z narzędziem badawczym, czy z autouzupełnianiem w przebraniu.

1. Specyfikacja demograficzna. Należy opisać populację: rynek, przedział wieku, dochód, status zawodowy, skład gospodarstwa domowego oraz wszystkie istotne cechy behawioralne. Dalsze kroki opierają się na tym opisie.

2. Ugruntowanie w rzeczywistych danych sondażowych. Postawy persony nie są wymyślane przez model. SynthFolk czerpie je z Europejskiego Sondażu Społecznego i Eurobarometru — dziesiątek tysięcy rzeczywistych odpowiedzi na temat zaufania do instytucji, wartości, konsumpcji mediów, bezpieczeństwa finansowego i postaw społecznych w całej Europie. Mechanizm nie jest egzotyczny: Sun et al. (2024) wykazali, że samo warunkowanie na grupowych rozkładach demograficznych daje rozkłady odpowiedzi „uderzająco podobne" do rzeczywistych amerykańskich sondaży opinii — i że wierność zależy od grupy oraz od tematu.

3. Przypisanie regionu kulturowego. Kraj jest słabym wskaźnikiem postaw, ale lepszym niż żaden. SynthFolk przypisuje więc rynki do pięciu regionów kulturowych wyprowadzonych empirycznie z danych sondażowych, a nie z geografii. Dzięki temu wzorce nordyckie, śródziemnomorskie, środkowoeuropejskie, zachodnie i posttransformacyjne od początku pozostają odrębne, zamiast zostać spłaszczone do jednej europejskiej średniej. To właśnie takie spłaszczenie jest błędem, przed którym trzeba zabezpieczyć projekt: sprowadzenie człowieka do kilku parametrów gubi wszystko, czego te parametry nie obejmują — redukcjonizm parametryczny (Valenzuela et al., 2024).

4. Rozpoznanie intencji i dobór narzędzia badawczego. Pytanie badawcze analizuje się pod kątem rodzaju potrzebnego badania — wywiadu eksploracyjnego, porównania pomiarowego czy oceny materiału — a następnie kieruje do odpowiedniego modułu. Zadanie panelowi wywiadowemu pytania wymagającego rozkładu prowadzi do pewnie brzmiącego bezsensu.

5. Generowanie odpowiedzi z adaptacyjnym zabezpieczeniem. Każda persona jest odpytywana niezależnie, a nie wrzucana do wspólnej rozmowy. Pozwala to zachować rozbieżności, które czynią całe ćwiczenie informacyjnym. Zlewanie głosów jest słabym rozwiązaniem projektowym nawet w badaniach z prawdziwymi ludźmi: w badaniu 227 marketerów i ich ostatnich przeprojektowań opakowań zogniskowane wywiady grupowe znalazły się wśród metod powiązanych z mniej udanymi rezultatami (Caruso et al., 2025). Warstwa zabezpieczająca przekierowuje ruch, gdy dany model jest niedostępny.

Ugruntowanie ogranicza wyjściowe postawy, lecz nie sprawia, że rozumowanie modelu o produkcie staje się poprawne. Dane sondażowe mają swoją datę zbioru. Europejskie ugruntowanie pozostaje europejskie: persona spoza tego zasięgu jest mniej wiarygodna.

Zobaczyć to w działaniu: SynthFolk buduje panel na podstawie opisu grupy odbiorców napisanego zwykłym językiem — zobacz przepływ jakościowy.

Do czego syntetyczne persony się nadają

Wstępna selekcja koncepcji. Mają Państwo czternaście propozycji pozycjonowania i budżet na przetestowanie trzech. Panel syntetyczny pomaga oddzielić dolną połowę od górnej: uruchamiają Państwo 3–8 person, czytają, które koncepcje wywołują zaangażowany sprzeciw zamiast uprzejmej zgody, i zabierają ocalałe do badania z ludźmi — jest to dokładnie to zastosowanie na wcześniejszym etapie procesu, które Sarstedt et al. (2024) uznają za obronialne.

Porównywanie kreacji i komunikatów. Sądy relatywne są odporniejsze na obciążenia modelu niż sądy bezwzględne: oceniający porównujący dwa warianty reklamy odpowiadają na pytanie „który jest czytelniejszy", gdzie trafność kierunkowa jest osiągalna. Rzetelne badanie materiałów nie jest tanie — w jednym z badań z 2026 roku 48 przeprojektowanych opakowań oceniło 484 konsumentów z USA i 491 z Wielkiej Brytanii (Caruso et al., 2026). Nasz moduł testowania mediów przeprowadza takie porównanie na 10–50 oceniających, by wskazać, którzy kandydaci zasługują na budżet.

Pretestowanie narzędzia badawczego. Zanim wyda się pieniądze na rekrutację, warto przepuścić scenariusz wywiadu przez syntetycznych respondentów: wieloznaczne pozycje wywołują niespójne odpowiedzi syntetyczne tak samo jak ludzkie. Pilotaż scenariusza to jedno z nielicznych zastosowań, które akceptuje NN/g (Moran, 2024).

Pierwsze przejścia międzyrynkowe. Jedno badanie w kilkunastu krajach jest z prawdziwymi panelami nieopłacalne, a syntetycznie — tanie. Liczby dla poszczególnych rynków nie będą obronialne — wierność wobec podgrup i tematów jest zmienna (Sun et al., 2024) — ale można dzięki nim ustalić, które rynki uzasadniają badanie terenowe.

Gdzie syntetyczne persony zawodzą

Każde uczciwe omówienie tej kategorii potrzebuje tej sekcji; jej brak na stronie dostawcy sam w sobie o czymś świadczy. Nasz przegląd tego, jak dokładni są syntetyczni respondenci, omawia literaturę; same awarie są przewidywalne.

Wrażliwość cenowa przy drobnej granulacji. Panel syntetyczny potrafi powiedzieć, że 49 EUR czyta się jako drogo, a 19 EUR jako tanio. Nie odróżni 22,90 EUR od 24,50 EUR. Powód jest strukturalny: porównanie przetrwa każde zniekształcenie zachowujące porządek, próg bezwzględny nie — a ponieważ zgodność prób krzemowych z ludzkimi różni się między dziedzinami, nie ma współczynnika korygującego, który dałoby się zastosować (Sarstedt et al., 2024).

Populacje o niskiej częstości występowania i specjalistyczne. Danych bazowych jest najmniej właśnie tam, gdzie trafność jest najbardziej potrzebna — a fikcja nie będzie wyglądać jak fikcja. Fernandez, Berner i Shevlin podali standardowemu komercyjnemu modelowi wyłącznie krótkie opisy diagnostyczne i wygenerowali 2106 syntetycznych person z 13 profili opartych na DSM. Persony przekroczyły progi kliniczne w pięciu z siedmiu walidowanych psychiatrycznych narzędzi przesiewowych, a nasilenie skalowało się monotonicznie we wszystkich siedmiu (wszystkie P < 0,001). Spójne raportowanie objawów powyżej progów klinicznych — konkludują autorzy — nie może już dowodzić autentycznego udziału człowieka. Syntetyczny panel populacji rzadkiej to fikcja o nienagannej gramatyce — i przejdzie przez Państwa narzędzie badawcze.

Pomiar znajomości i świadomości marki. Modele znają marki z tekstów treningowych, a nie z częściowego rozpoznania, jakim dysponują prawdziwi konsumenci. Świadomość jest zjawiskiem behawioralnym: w kontrolowanej replikacji osoby stojące wobec wyraźnej różnicy w świadomości marek w przeważającej większości wybierały markę bardziej znaną mimo różnic w jakości i cenie (Macdonald & Sharp, 2000), a wyrazistość marki to jej skłonność do przychodzenia na myśl w sytuacji zakupowej — właściwość struktur pamięciowych, nie tekstu (Romaniuk & Sharp, 2004).

Wszystko po dacie odcięcia danych treningowych. Nowi konkurenci, świeża regulacja, kategoria, która powstała w zeszłym roku — model interpoluje z pełnym przekonaniem, a po wyniku tego nie widać.

Kulturowo specyficzne tabu i tematy drażliwe. Trening dopasowujący popycha modele ku odpowiedziom nieobraźliwym i uległym. Przegląd zanieczyszczenia badań przez AI autorstwa Lina podaje liczbę opisującą efekt ujednolicania — 45% podobieństwa w streszczeniach zapośredniczonych przez model wobec 27% w streszczeniach ludzkich — i zauważa, że sanityzacja „obcina dokładnie ogony rozkładu: wyrazy uprzedzeń, ambiwalencję, poglądy skrajne" (Lin, n.d.). Tam, gdzie prawdziwi respondenci asekurują się lub odmawiają odpowiedzi, syntetyczni stają się kooperatywni, a różnice między podgrupami zapadają się w większościowy domyślnik.

Jakiekolwiek zachowanie obserwowane. Syntetyczne persony relacjonują to, co ludzie mówią, a nie obejście, które ktoś wymyślił, ani wahanie przed kliknięciem. Pytania behawioralne wymagają danych behawioralnych — ustalenie, jak koncentrują się wydatki w domach towarowych, wymagało 550 milionów transakcji z trzech lat (Tanusondjaja et al., 2023). Testy użyteczności, badania dzienniczkowe i wywiady kontekstowe nie mają syntetycznego odpowiednika.

Stwierdzone raz: badania syntetyczne uzupełniają badania z udziałem ludzi i nigdy ich nie zastępują. To nie są prawdziwe opinie prawdziwych osób, lecz szybki sposób na wygenerowanie hipotez, które następnie weryfikują Państwo na ludziach — i w tym punkcie recenzowany przegląd (Sarstedt et al., 2024) oraz najgłośniejsza krytyka praktyków (Moran, 2024) są zgodni. Zespół, który kupuje panel syntetyczny zamiast funkcji badawczej, kupił kosztowny sposób na potwierdzanie własnych przekonań.

Jak ocenić, czy syntetyczna persona jest coś warta

Pięć testów do wykonania w jedno popołudnie na dowolnym narzędziu, łącznie z naszym — i wartych powtórzenia przy każdej zmianie modelu, ponieważ brzmienie promptu i wersja modelu są w symulacjach LLM zmiennymi żywymi (Ong, 2024).

1. Proszą Państwo o źródło danych bazowych z nazwy. „Trenowany na prawdziwych danych" nie jest odpowiedzią. Które badanie, które fale, które kraje, ile odpowiedzi. To warunkowanie na rzeczywistych rozkładach wykonuje całą pracę (Sun et al., 2024); bez niego persony są priorami modelu z demograficzną etykietką.
2. Testują Państwo rozbieżność. Proszą dziesięć person o odpowiedź na to samo umiarkowanie kontrowersyjne pytanie. Jeżeli są zgodne, czytają Państwo model, a nie populację — tekst zapośredniczony przez model jest bardziej jednorodny niż ludzki (Lin, n.d.).
3. Zadają Państwo pytanie o znanej odpowiedzi. Coś, do czego mają już Państwo prawdziwe dane: wcześniejsze badanie, ankietę wśród klientów, statystykę publiczną. Progiem zaliczenia jest zgodność kierunkowa; dokładne trafienie powinno wzbudzić podejrzliwość. Porównanie z własnymi wcześniejszymi danymi to pełnoprawny materiał dowodowy (Golder et al., 2023).
4. Sprawdzają Państwo podgrupy. Dzielą wyniki według zmiennej demograficznej, która powinna mieć największe znaczenie. Jeżeli podgrupy wyglądają jak całość próby plus szum, persony zapadły się w jeden domyślnik — redukcjonizm parametryczny (Valenzuela et al., 2024) na tym właśnie wymiarze, na którym wierność prób krzemowych jest znanym problemem (Sun et al., 2024).
5. Próbują Państwo to złamać. Pytają o coś, czego persona nie ma prawa wiedzieć: zeszłotygodniowe wiadomości, precyzyjny próg cenowy. Dobrze zbudowany system się asekuruje. Nie należy przyjmować płynności wypowiedzi jako gwarancji — autonomiczny agent AI przeszedł 99,8% z 6000 pytań kontrolnych zaprojektowanych do wyłapywania niestarannych ludzi (Lin, n.d.), więc spójność jest dowodem na temat modelu, a nie danych.

Najczęściej zadawane pytania

Czy syntetyczne persony są dokładne?

Pierwsze pytanie brzmi: dokładne w czym. Dowody przeglądowe wskazują, że zgodność prób krzemowych z ludzkimi wyraźnie różni się między dziedzinami i nie da się podać jednej liczby (Sarstedt et al., 2024). Rozkłady zagregowane potrafią znaleźć się blisko rzeczywistych sondaży, gdy model jest warunkowany demografią populacji, choć wierność zmienia się w zależności od podgrupy i tematu (Sun et al., 2024); predykcja na poziomie indywidualnym pozostaje granicą badawczą (Toubia et al., 2025); a wyniki syntetyczne są mniej rozproszone niż ludzkie (Lin, n.d.). Standardem należy uczynić zgodność kierunkową. Pełny przegląd dowodów znajduje się tutaj.

Czy syntetyczne persony mogą zastąpić badania z prawdziwymi użytkownikami?

Nie. Zmieniają ekonomię pytań, których i tak nigdy nie sfinansowaliby Państwo, oraz wyostrzają badania z ludźmi, usuwając oczywiste ślepe zaułki. Każda decyzja obarczona ryzykiem regulacyjnym, bezpieczeństwa, finansowym lub reputacyjnym wymaga prawdziwych uczestników.

Ile syntetycznych person potrzeba?

Do pracy jakościowej 3–8. Powyżej tej liczby dostają Państwo przeformułowania zamiast nowych informacji, ponieważ persony pochodzą z jednego rozkładu, a tekst generowany przez model jest już na wejściu bardziej jednorodny od ludzkiego (Lin, n.d.). Do pracy ilościowej potrzebna jest próba, a nie panel: 50–250 respondentów, w zależności od tego, ile podgrup będą Państwo czytać.

Ile kosztują syntetyczne persony?

W SynthFolk badanie jakościowe z trzema personami zaczyna się od 6 kredytów; każdy model i każda wielkość badania mają opublikowaną cenę kredytową na stronie cennika — bez rozmowy z handlowcem. Porównanie, które warto zrobić, dotyczy 10 000–40 000 EUR i sześciotygodniowego cyklu konwencjonalnego badania jakościowego, które kupuje coś lepszego, ale odpowiada na jedno pytanie.

Czy syntetyczne persony są zgodne z RODO?

Syntetyczne persony powstają z zagregowanych, opublikowanych rozkładów sondażowych i nie zawierają danych osobowych osób możliwych do zidentyfikowania, co usuwa najczęstsze tarcie compliance'owe w badaniach konsumenckich. Przesyłane przez Państwa materiały i pytania badawcze to odrębna kwestia — zob. naszą stronę o RODO.

Proszę zbudować swoją pierwszą syntetyczną personę. Badanie jakościowe z trzema personami zaczyna się od 6 kredytów, trwa kilka minut i działa w dwunastu językach. Nowe konta startują z darmowymi kredytami, więc uczciwym testem jest otworzyć panel i uruchomić badanie na pytaniu, którego odpowiedź już Państwo znają.

Bibliografia

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.

Fernandez, K., Berner, L. A., & Shevlin, B. R. K. (n.d.). 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.

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. (n.d.). Synthetic respondents and the illusion of human data. Preprint, Department of Psychology, Yonsei University.

Macdonald, E. K., & Sharp, B. M. (2000). Brand awareness effects on consumer decision making for a common, repeat purchase product: A replication. Journal of Business Research, 48(1), 5–15. https://doi.org/10.1016/S0148-2963(98)00070-8

Moran, K. (2024, June 21). Synthetic users: If, when, and how to use AI-generated "research". Nielsen Norman Group. 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. 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. https://doi.org/10.1002/mar.21982

Sharp, B., Danenberg, N., & Bellman, S. (2018). Psychological targeting. Proceedings of the National Academy of Sciences, 115(34). https://doi.org/10.1073/pnas.1810436115

Sharp, B., Dawes, J., & Victory, K. (2024). The market-based assets theory of brand competition. Journal of Retailing and Consumer Services, 76, 103566.

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., Li, A., Merlau, D. J., & 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.