SynthFolk

Syntetyczni użytkownicy: czym są, co potrafią i czego nie potrafią

· 15 min czytania

Syntetyczni użytkownicy to uczestnicy badań generowani przez sztuczną inteligencję: persony o profilu demograficznym i postawach, działające na bazie modelu językowego, którym zadaje się pytania zwykle kierowane do prawdziwego panelu. Nie są ludźmi i nie tworzą opinii. Dają szybką, tanią i kierunkową symulację tego, jak mogłaby odpowiedzieć opisana populacja — przy jednych pytaniach badawczych użyteczną, przy innych zaś wprowadzającą w błąd. Ten tekst wyjaśnia, które pytania należą do której grupy.

Najważniejsze wnioski

Czym są syntetyczni użytkownicy?

Syntetyczni użytkownicy to sztuczni uczestnicy badań tworzeni przez polecenie dużemu modelowi językowemu, aby odpowiadał jak członek zdefiniowanej populacji. Każdy ma profil — wiek, rynek, dochód, wartości, postawy i nawyki medialne — a na pytania z wywiadu, kwestionariusza czy materiały kreatywne odpowiada tak, jak prawdopodobnie odpowiedziałaby osoba o takim profilu. Literatura określa tę konstrukcję mianem próby krzemowej (Sarstedt et al., 2024). Wynik wygląda jak dane badawcze, ale pozostaje symulacją.

To rozróżnienie jest tu kluczowe. Syntetyczny użytkownik nie pamięta, że cokolwiek kupił — ma jedynie statystyczny model tego, jak zwykle mówi się o takich osobach. Czasem to wystarczająco dobre przybliżenie, aby podjąć decyzję; często jednak nie. Ponieważ pojęcia w tej kategorii bywają używane swobodnie, warto najpierw uporządkować słownik.

Syntetyczni użytkownicy, syntetyczne persony, syntetyczni respondenci

Choć często traktuje się je jak synonimy, w istocie opisują tę samą rzecz na trzech etapach.

Termin Co nazywa Gdzie się pojawia Typowy wynik
Syntetyczna persona Profil symulowanej osoby Konfiguracja badania Karta postaci: kim ta osoba jest, co ceni
Syntetyczny użytkownik Persona w sesji — odpowiadająca, reagująca na bodziec Wywiady jakościowe, testy koncepcji, ocena kreacji Transkrypcje, cytaty, tematy
Syntetyczny respondent Persona w ankiecie — jeden wiersz zbioru danych Badania na dziesiątkach i setkach jednostek Rozkłady, tabele krzyżowe, uporządkowania

Czwarty termin, cyfrowy bliźniak, nazywa symulowany model jednej konkretnej, rzeczywistej osoby zbudowany z jej własnych danych — technikę odmienną i o znacznie cięższych wymaganiach: Toubia et al. (2025) przebadali 2058 osób na ponad 500 pytaniach, po 2,42 godziny każda, wyłącznie po to, by zbudować publiczne środowisko testowe dla bliźniaków na poziomie indywidualnym. To nie jest opisywane tutaj próbkowanie na poziomie populacji.

O tym, jak konstruuje się profile, mówi przewodnik po syntetycznych personach. Ta strona zajmuje się tym, co dzieje się, gdy persona zaczyna odpowiadać.

Jak generuje się syntetycznych użytkowników

Cztery etapy; to właśnie w drugim kryje się większość różnic jakościowych między narzędziami.

1. Zdefiniowanie populacji. Należy opisać, kogo chce się usłyszeć — rynek, przedział wieku, dochód i cechy istotne dla pytania. To taki brief, jaki przekazuje się agencji rekrutacyjnej.

2. Ugruntowanie i dobór próby. System tworzy profile zgodne z briefem. Gdy pozostawi się ich wymyślenie modelowi, efekt może brzmieć płynnie, lecz ma konkretną wadę: spośród 14 replikacji psychologicznych omówionych przez Sarstedta et al. (2024) sześć wykazało „efekt poprawnej odpowiedzi" — model odpowiadał skrajnie jednolicie, niemal bez zróżnicowania. Alternatywą jest losowanie atrybutów z rzeczywistych danych populacyjnych. Sun et al. (2024) pokazują, dlaczego to właśnie ten etap ma tak duże znaczenie: model warunkowany wyłącznie grupowymi rozkładami demograficznymi wygenerował rozkłady odpowiedzi „uderzająco podobne do rzeczywistych amerykańskich sondaży opinii publicznej". SynthFolk opiera persony na Europejskim Sondażu Społecznym i Eurobarometrze z pięciu regionów kulturowych, dzięki czemu zaufanie persony do instytucji czy jej wrażliwość cenowa odzwierciedlają zmierzony rozkład, a nie wyobrażenie modelu o nim.

Wynikająca z tego zasada jest nasza, a nie zaczerpnięta z literatury, lecz wypływa wprost z mechanizmu: niezgoda jest sygnałem. Jednomyślność pokazuje domyślne ustawienie modelu, nie zróżnicowanie rynku.

3. Niezależne odpytywanie. Każdy syntetyczny użytkownik jest generowany i pytany osobno, a nie odgrywa roli z innymi w jednym oknie kontekstowym. Tekst tworzony przez LLM jest z natury bardziej jednorodny niż tekst ludzki — 45% podobieństwa w zadaniach streszczania wobec 27% dla ludzkich streszczeń (Lin) — dlatego wspólny kontekst tylko wzmacnia ciążenie ku średniej. Format grupowy jest zresztą słabym narzędziem także w badaniach z prawdziwymi ludźmi: w badaniu 227 marketerów i ich ostatnich przeprojektowań opakowań Caruso et al. (2025) zaliczyli zogniskowane wywiady grupowe do metod powiązanych z mniej udanymi rezultatami, podczas gdy badania sprawdzające, które elementy projektu konsumenci już kojarzą z marką, wiązały się z lepszymi rezultatami. To zależność w jednej kategorii, a nie prawo, ale jest słabym argumentem za symulowaniem dyskusji grupowej.

4. Agregacja. Tematy i cytaty w pracy jakościowej, rozkłady i przekroje w ilościowej, ocena porównawcza dla bodźców testowanych w układzie A/B.

Konsekwencja drugiego etapu — to rozumowanie, nie wynik pomiaru — jest taka: mniejszy, lepiej ugruntowany panel powinien przewyższać większy, lecz nieugruntowany. Więcej respondentów z tego samego zawężonego rozkładu dodaje pewności, nie informacji.

Moduł jakościowy SynthFolk zamienia opis grupy odbiorców napisany zwykłym językiem w 3–8 ugruntowanych person.

Do czego służą badania na syntetycznych użytkownikach

Badania syntetyczne mają sens tam, gdzie wartością są zasięg, szybkość i porównanie, a nie odkrywanie. Sarstedt et al. (2024) umiejscawiają ich obietnicę we „wcześniejszych częściach procesu badawczego, takich jak pretesty jakościowe i badania pilotażowe", a zastosowanie w badaniu głównym oceniają znacznie krytyczniej.

Wstępna selekcja koncepcji. Jest jedenaście propozycji pozycjonowania, ale budżet wystarcza na dwie. Panel syntetyczny daje ranking, z którym można dyskutować — wystarczający, by zdecydować, co trafi do badania z ludźmi. Wiele zespołów podejmuje dziś tę decyzję podczas dyskusji w sali konferencyjnej.

Porównywanie komunikatów i kreacji. Porównania A/B nagłówków, propozycji wartości czy kreacji reklamowych lepiej pasują do tej metody: osąd względny jest mniej podatny na problem kalibracji niż osąd bezwzględny. Nie zastępuje to właściwego testu, lecz pomaga stworzyć listę kandydatów do niego. Rzetelnie zaprojektowane badanie materiałów wygląda jak u Caruso et al. (2026), gdzie 484 konsumentów z USA i 491 z Wielkiej Brytanii oceniło 48 przeprojektowanych opakowań. Moduł mediowy SynthFolk oferuje ten etap preselekcji w trybie A/B.

Pilotaż ankiet i wywiadów. Warto przepuścić narzędzie badawcze przez syntetycznych respondentów, zanim wydadzą Państwo pieniądze na rekrutację. Pytania wieloznaczne łamią odpowiedzi syntetyczne tak samo jak ludzkie, a wadliwe pozycje znajdą Państwo w jedno popołudnie.

Pierwsze przejścia międzyrynkowe. Badanie kilkunastu rynków z prawdziwymi panelami jest nieosiągalne kosztowo, a syntetycznie — proste. Liczby dla poszczególnych rynków nie są obronialne: Sun et al. (2024) stwierdzają, że powtarzalność zależy od grupy demograficznej i tematu, wiążąc to z obciążeniami społecznymi zaszytymi w modelach. Wzorzec rozbieżności należy więc czytać jako hipotezę o tym, gdzie potrzebne jest badanie terenowe.

Mapowanie obiekcji. Zapytanie zróżnicowanego panelu, co powstrzymałoby go przed zakupem, szybko daje inwentarz obiekcji — nie to, jak częsta jest każda z nich, a jedynie to, że żadna nie zaskoczy Państwa później.

Każde z tych zastosowań służy filtrowaniu przed podjęciem rzeczywistej decyzji, a nie zastępuje samej decyzji. Wyznacza to także granicę wobec szerszej kategorii badań rynku z użyciem AI, w której analizę wspieraną przez AI i wywiady moderowane przez AI z prawdziwymi ludźmi myli się z pracą w pełni syntetyczną.

Argumenty przeciw syntetycznym użytkownikom

Najczęściej czytane teksty na ten temat nie pochodzą od dostawców. Krytyka syntetycznych użytkowników Nielsen Norman Group (2024) wskazuje, że nie mogą oni zastąpić tego, czego uczy badanie prawdziwych ludzi, i że często dają powierzchowną lub nadmiernie przychylną informację zwrotną. Papangelis (2025) w ACM Interactions formułuje pokrewny argument „błędu syntetycznej persony": sprzedawanie statystycznych rozpoznawaczy wzorców jako symulowanego poznania zapożycza autorytet badań, porzucając jednocześnie ich standardy. Praktycy ilościowego UX ujmują to najdosadniej — symulowane odpowiedzi nie są danymi, ponieważ niczego nie zmierzono.

Trzy elementy tej krytyki są słuszne i żadne ugruntowanie ich nie naprawia.

  1. Nie ma pomiaru. Rozkład syntetyczny jest wygenerowany, a nie zaobserwowany; raportowanie go w konwencji przedziałów ufności z badań sondażowych to błąd kategorialny. Nie może też zastąpić pomiaru spójność wypowiedzi: Lin dokumentuje autonomiczne agenty AI przechodzące 99,8% z 6000 pytań kontrolnych i wytwarzające dane psychometrycznie poprawne, nieodróżnialne od starannej pracy człowieka.
  2. Modele mają systematyczne obciążenia w odpowiadaniu. Sun et al. (2024) wiążą braki powtarzalności w podgrupach z obciążeniami społecznymi zaszytymi w modelach. Lin ujmuje to ostrzej: sanityzacja „obcina dokładnie ogony rozkładu — wyrazy uprzedzeń, ambiwalencję, poglądy skrajne". Valenzuela et al. (2024) nazywają mechanizm redukcjonizmem parametrycznym: reprezentując osobę kilkoma parametrami, tracimy wszystko, czego te parametry nie niosą.
  3. Substytucja jest realnym ryzykiem instytucjonalnym. Awarią nie jest złe badanie, lecz budżet badawczy po cichu zastąpiony subskrypcją i zespół, który przestał z kimkolwiek rozmawiać.

Uczciwą odpowiedzią nie jest odpieranie tej krytyki, lecz projektowanie wokół niej. To, jak dobrze ugruntowane persony odwzorowują prawdziwych respondentów, omawiamy w tekście o tym, jak dokładni są syntetyczni respondenci.

Kiedy sięgnąć po prawdziwych użytkowników

Typ pytania Zastosować syntetyków Zastosować prawdziwych użytkowników
Którą z tych 10 koncepcji warto przetestować? ✅ Przejście przesiewowe Walidacja końcowa
Czy ten nagłówek jest czytelniejszy od tamtego? ✅ Kierunkowe A/B Potwierdzenie zwycięzcy
Jaki odsetek kupi przy cenie 29 EUR? ❌ Brak kalibracji ✅ Konieczni
Jak ludzie faktycznie wykonują to zadanie? ❌ Brak zachowania ✅ Testy użyteczności
Czego chcą użytkownicy w zupełnie nowej kategorii? ❌ Brak danych bazowych ✅ Eksploracja
Jak ocenia to 40 pielęgniarek onkologii dziecięcej? ❌ Dane zbyt cienkie ✅ Konieczni
Czy to twierdzenie obroni się przed regulatorem? ❌ Nigdy ✅ Konieczni

Za tą tabelą stoi pięć twardych ograniczeń.

Liczby bezwzględne. Panel syntetyczny raportujący 63% intencji zakupowej podaje liczbę bez żadnej kalibracji do rzeczywistości. To, jak mocno wiersze syntetyczne przesuwają oszacowanie, nie jest hipotetyczne: w symulacjach amerykańskich sondaży prezydenckich z 2024 roku przeprowadzonych przez Lina wstawienie 10–52 syntetycznych respondentów do prób liczących 1600 osób odwracało kolejność kandydatów. Rozkłady należy czytać porównawczo, nigdy jako prognozę.

Produkty naprawdę nowe. Dane bazowe są starsze od modelu, a danych treningowych nie da się skontrolować — problem otwarty, na który wskazuje Ong (2024) w odniesieniu do badań używających LLM jako zastępników ludzi. Tam, gdzie nie istnieje żaden rozkład postaw, model interpoluje z pełnym przekonaniem; im dalej od zachowań utrwalonych, tym mniej znaczy wynik.

Populacje niedoreprezentowane i specjalistyczne. Danych bazowych jest najmniej dokładnie tam, gdzie trafność liczy się najbardziej, a powstająca fikcja jest przekonująca — i to jest w tym najgroźniejsze. Fernandez et al. wygenerowali 2106 syntetycznych person z 13 profili diagnostycznych opartych na DSM i przepuścili je przez siedem walidowanych psychiatrycznych narzędzi przesiewowych; wyłącznie na podstawie krótkich opisów model wytworzył wyniki zróżnicowane klinicznie i wrażliwe na nasilenie objawów. Spójne odpowiadanie przekraczające progi nie jest już wskaźnikiem autentycznego udziału. Wiarygodność nie jest Państwa testem.

Doświadczenie przeżyte i zachowanie obserwowane. Syntetyczni użytkownicy generują to, co opisana osoba mogłaby powiedzieć. Nie pokażą obejścia, które ktoś wymyślił, ani wahania przed kliknięciem, a z tego samego powodu poza ich zasięgiem pozostają dwie klasy pomiaru. Częstość zachowań pochodzi z zapisów zachowań: Tanusondjaja et al. (2023) wyprowadzają rozkłady najaktywniejszych kupujących z ponad 550 milionów transakcji w domach towarowych, a nie z pytań. Konstrukty oparte na pamięci należą zaś do sieci pamięciowej kupującego w sytuacji zakupowej, nie do tekstów o marce, co czyni wyrazistość marki problemem pomiarowym, a nie pytaniem do modelu (Romaniuk & Sharp, 2004).

Ryzyko regulacyjne, bezpieczeństwa lub prawne. Jeżeli błędna odpowiedź może oznaczać wycofanie produktu, karę albo szkodę, należy korzystać z badań z udziałem ludzi.

Wniosek jest prosty: badania syntetyczne są uzupełnieniem, a nie zamiennikiem. Zmieniają ekonomię pytań, których i tak nigdy by Państwo nie sfinansowali, i wzmacniają badania z ludźmi, gdy najpierw eliminują oczywiste ślepe zaułki. Zespół, który likwiduje własną funkcję badawczą i kupuje panel syntetyczny, kupuje sposób na potwierdzanie własnych założeń.

Syntetyczni użytkownicy w praktyce

Pierwsze badanie powinno być małe, porównawcze i sprawdzalne.

Konfiguracja. Moduł jakościowy. Grupa odbiorców opisana zwykłym językiem — kupujący artykuły spożywcze w wieku 30–50 lat na dwóch rynkach europejskich, zróżnicowany dochód. Trzy persony, czyli najmniejszy panel zdolny się poróżnić. Od 6 kredytów, cena opublikowana na stronie cennika.

Narzędzie. Cztery lub pięć pytań otwartych o decyzję, którą już Państwo podjęli, plus jedno pogłębiające, którego odpowiedzi Państwo nie znają.

Co wraca. Transkrypcja dla każdej persony, a następnie synteza: powracające tematy, miejsca, w których persony się rozeszły, i cytaty, które za nimi stoją. Najpierw warto przeczytać właśnie te rozbieżności. Jeżeli wszystkie trzy udzieliły tej samej odpowiedzi w trzech różnych rejestrach, pytanie było sugerujące albo opis grupy zbyt wąski — jedno i drugie można poprawić w kolejnym przebiegu, a nie po sześciu tygodniach badań terenowych.

Test, który ma znaczenie. Proszę wybrać pytanie, na które odpowiedzieli Państwo w zeszłym roku prawdziwym badaniem, uruchomić je syntetycznie i sprawdzić, czy panel odtworzy wynik. Poważnym testem czynią to dwie rzeczy. Własne porównanie na własnym zjawisku wytwarza rzeczywistą wiedzę, a nie gorszy substytut ogólnej teorii trafności (Golder et al., 2023). Miarą nie jest przy tym dokładna zgodność: ludzie również nie odpowiadają dwa razy tak samo, dlatego Toubia et al. (2025) wbudowali w swoje badanie powtórzoną falę, by ustalić punkt odniesienia test–retest. Ludzki zbiór porównawczy przestał zresztą być czysty — około 34% respondentów Prolifica i do 73% na MTurku deklaruje korzystanie z AI przy pytaniach otwartych (Lin).

Zespoły, które czerpią z tej metody trwałą wartość, pracują w jednej pętli: rozchodzą się w możliwościach syntetycznie, testują narzędzie pod presją syntetycznie, walidują na ludziach to, co przetrwało, a następnie sprawdzają własną kalibrację wobec wyniku prawdziwego badania. Czwarty krok odróżnia poważne zastosowanie od maszyny do racjonalizacji i nikt nie wykona go za Państwa.

FAQ

Czy syntetyczni użytkownicy to prawdziwi ludzie?

Nie. Są symulacjami modelu językowego warunkowanymi statystyką na poziomie populacji: nie reprezentują żadnej jednostki, nie przetwarzają danych osobowych i żadnej odpowiedzi nie udzielił człowiek. Narzędzie sugerujące inaczej przedstawia metodę nieuczciwie.

Czy syntetyczni użytkownicy są dokładni?

Nie istnieje jedna liczba opisująca dokładność, a literatura przeglądowa jasno tłumaczy dlaczego: zgodność z próbami ludzkimi wyraźnie różni się między dziedzinami (Sarstedt et al., 2024), a powtarzalność zależy od grupy i tematu nawet tam, gdzie rozkłady zagregowane trafiają blisko (Sun et al., 2024). Wyniki zmieniają się także wraz z brzmieniem promptu i wersją modelu — nierozstrzygniętymi „hiperparametrami" tej pracy (Ong, 2024). Wynik należy traktować jako kierunkowy i nieskalibrowany; dowody omawiamy w naszym przewodniku po dokładności.

Ile kosztują syntetyczni użytkownicy?

SynthFolk wycenia w kredytach, jawnie: badanie jakościowe z trzema personami zaczyna się od 6 kredytów; większe panele i próby ilościowe liczące 50–250 respondentów kosztują proporcjonalnie więcej. Warto porównać to z badaniem na rekrutowanym panelu dla tego samego pytania: zwykle tygodnie i kwota czterocyfrowa.

Czy syntetyczni użytkownicy zastępują testy użyteczności?

Nie — to najwyraźniejsza granica tej metody. Testy użyteczności mierzą, co ludzie robią pod obserwacją; syntetyczni użytkownicy generują to, co ktoś mógłby powiedzieć. Nic nie zastąpi obserwowania osoby, która nie potrafi znaleźć przycisku.

Jakie języki i rynki są obsługiwane?

SynthFolk działa w 12 językach interfejsu, a persony są ugruntowane w pięciu europejskich regionach kulturowych, dzięki czemu pierwszy przegląd międzyrynkowy jest praktyczny. Zasięg wynika z danych sondażowych — tam, gdzie są one ograniczone, wynik również należy traktować z większą ostrożnością.

Proszę uruchomić własne badanie. Badanie z trzema personami zaczyna się od 6 kredytów, a nowe konta startują z darmowymi kredytami — wystarczająco, by przetestować metodę na pytaniu, którego odpowiedź już Państwo znają. Proszę otworzyć panel: to, czy panel odtworzy to, co Państwo wiedzą, jest jedynym liczącym się punktem odniesienia.

Bibliografia

Powiązane artykuły

Czym są syntetyczne persony? Kompletny przewodnik (2026)

Syntetyczne persony to respondenci generowani przez AI na podstawie rzeczywistych danych sondażowych. Sprawdź, czym są, jak powstają, gdzie zawodzą i jak rozpoznać dobrą personę.

2026-08-13 · 15 min czytania

Jak dokładni są syntetyczni respondenci? Co faktycznie pokazują dowody

Badania z syntetycznymi użytkownikami są wiarygodne w przypadku części pytań, a w innych mogą wprowadzać w błąd. Sprawdź, co pokazują dowody, gdzie krytycy mają rację i jak weryfikować wyniki.

2026-08-13 · 16 min czytania