Personas sintetice: ghid complet (2026)

2026-08-13 · 16 min de citit

Concluzii esențiale

• Personas sintetice sunt respondenți generați de inteligența artificială, bazați pe profiluri demografice și atitudinale extrase din sondaje reale de populație. Ele răspund la întrebările de cercetare în rolul atribuit.
• Sunt utile mai ales pentru comparație, triere și explorarea mai multor opțiuni. Sunt mai slabe la cifre absolute, categorii noi și populații de nișă.
• Limita calității este dată de datele pe care se bazează persona, nu de dimensiunea modelului. Distribuțiile reale de populație apropie rezultatul sintetic de sondajele reale (Sun et al., 2024).
• Ele completează cercetarea reală și nu o înlocuiesc niciodată. Literatura evaluată colegial le plasează la începutul procesului, în pretestare și în studii-pilot, nu în studiul care tranșează decizia (Sarstedt et al., 2024).

Ce este o persona sintetică?

O persona sintetică este un participant simulat la cercetare. Un model lingvistic de mari dimensiuni primește un profil demografic și psihografic și răspunde, în acel rol, la întrebări de interviu, itemi de chestionar sau stimuli creativi. Spre deosebire de o persona tradițională — un document static care descrie un tip de client — aceasta este interactivă: îi puteți adresa și o întrebare pe care profilul nu a anticipat-o.

Interactivitatea este avantajul principal și, totodată, sursa disputei. O persona sintetică nu are opinii proprii. Modelează doar probabilitatea ca o persoană cu acel profil să spună ceva, pe baza tiparelor învățate din text. Utilitatea ei pentru o decizie depinde de felul în care a fost construită și de întrebarea pusă. O sinteză publicată în 2024 în Psychology & Marketing, care a comparat eșantioane de siliciu cu eșantioane umane, a constatat că gradul de concordanță variază considerabil între domenii. Metoda este mai promițătoare la începutul procesului, în pretestarea calitativă și în studiile-pilot (Sarstedt et al., 2024). Categoria mai largă este tratată în explicația noastră despre utilizatorii sintetici.

Termenul a intrat în vocabularul de business mai repede decât dovezile. Nielsen Norman Group a testat utilizatori sintetici pe trei dintre propriile studii, a găsit rezultate superficiale și complezente și a concluzionat că aceștia pot sprijini cel mult documentarea de birou, dar nu pot ține niciodată locul utilizatorilor reali (Moran, 2024). Revista Interactions a ACM a mers mai departe în „The Synthetic Persona Fallacy", acuzând categoria că împrumută autoritatea cercetării abandonându-i în același timp standardele (Papangelis, 2025). Ambele au dreptate în privința felului în care sunt vândute aceste instrumente; poziția utilă se află însă mai jos, în aval.

Personas sintetice vs. personas tradiționale

Personas tradiționale rezultă dintr-o sinteză: un cercetător realizează douăsprezece interviuri, identifică trei tipare și le descrie ca personaje cu nume. Personas sintetice rezultă din eșantionare.

O persona tradițională din 2022 agățată pe un perete în 2026 nu este mai adevărată decât una sintetică — doar greșește mai lent și cu o încredere mai puțin vizibilă. Niciuna dintre ele nu se autovalidează și niciuna nu tranșează strategia: rezultatul unei segmentări este descriptiv, nu determinant pentru strategie (Sharp, Dawes & Victory, 2024), iar o reanaliză a celor mai cunoscute experimente de targetare psihologică a arătat că acestea nu demonstrau superioritatea targetării față de publicitatea obișnuită (Sharp, Danenberg & Bellman, 2018).

Personas sintetice, respondenți sintetici și gemeni digitali

O persona sintetică este un personaj unic, specificat în detaliu, destinat lucrului calitativ — interviuri lungi, întrebări deschise, sondare în profunzime. Rulați câteva, pentru că vă interesează profunzimea. Un respondent sintetic este o unitate mai subțire, folosită la scară: are suficiente atribute cât să completeze un chestionar, nu cât să susțină un interviu de două ore. Rulați sute, pentru că vă interesează distribuțiile.

Un geamăn digital este o pretenție mult mai puternică: un model al unei persoane reale anume, construit din datele proprii ale acelei persoane, pentru a prezice ce ar face ea. Tratați folosirea neglijentă a termenului de către furnizori drept semnal de alarmă: ștacheta probatorie este cu mult mai înaltă. Testarea predicției la nivel individual cere ceva de talia Twin-2K-500, unde 2.058 de participanți americani au petrecut fiecare, în medie, 2,4 ore răspunzând la peste 500 de întrebări în patru valuri, ultimul repetând sarcinile anterioare exclusiv pentru a stabili o linie de referință test–retest (Toubia et al., 2025). Analizele inițiale par promițătoare, dar seturi de date de o asemenea adâncime aproape că nu există.

Cum se construiește efectiv o persona sintetică

Aici își câștigă sau își pierde credibilitatea cercetarea de piață cu personas sintetice: fluxul de lucru este diferența dintre un instrument de cercetare și o autocompletare deghizată.

1. Specificarea demografică. Descrieți populația: piață, interval de vârstă, venit, ocupare, componența gospodăriei, plus orice trăsături comportamentale relevante. Tot ce urmează se condiționează pe această descriere.

2. Fundamentarea pe date reale de sondaj. Atitudinile personei nu sunt inventate de model. SynthFolk le eșantionează din European Social Survey și din Eurobarometru — zeci de mii de răspunsuri reale privind încrederea în instituții, valorile, consumul media, siguranța financiară și atitudinile sociale din Europa. Mecanismul nu este exotic: Sun et al. (2024) au constatat că simpla condiționare pe distribuții demografice la nivel de grup producea distribuții de răspuns „remarcabil de asemănătoare" cu sondajele reale de opinie din SUA — și că fidelitatea depinde de grup și de temă.

3. Atribuirea regiunii culturale. Țara este un indicator slab al atitudinii și, totodată, unul mai bun decât nimic. De aceea SynthFolk mapează piețele pe cinci regiuni culturale derivate empiric din datele de sondaj, nu din geografie, astfel încât tiparele nordic, mediteranean, central-european, vestic și post-tranziție pornesc distincte, nu ca o medie europeană uniformizată. Uniformizarea este exact modul de eșec împotriva căruia trebuie proiectat: reducerea oamenilor la câțiva parametri pierde tot ceea ce acei parametri nu transportă — reducționism parametric (Valenzuela et al., 2024).

4. Detectarea intenției și direcționarea instrumentului. Întrebarea dumneavoastră de cercetare este analizată pentru a stabili ce tip de studiu presupune — interviu exploratoriu, comparație măsurată, evaluare de stimul — și este direcționată către modulul potrivit. Dacă adresați unui panel de interviu o întrebare care are nevoie de o distribuție, veți obține absurdități rostite cu convingere.

5. Generarea răspunsurilor cu mecanism adaptiv de rezervă. Fiecare persona este interogată independent, nu aruncată într-o conversație comună, ceea ce păstrează dezacordul care face exercițiul informativ. Amestecarea vocilor este un design slab chiar și cu oameni reali: analizând cele mai recente redesignuri de ambalaj realizate de 227 de marketeri, focus-grupurile s-au numărat printre metodele asociate cu rezultate mai puțin reușite (Caruso et al., 2025). Un strat de rezervă redirecționează cererile atunci când un model este indisponibil.

Fundamentarea constrânge atitudinile de pornire; nu face corect raționamentul modelului despre produsul dumneavoastră. Datele de sondaj au o dată a colectării. Fundamentarea europeană este europeană: o persona din afara acestei acoperiri este mai slabă.

Vedeți cum funcționează: SynthFolk construiește un panel pornind de la o descriere a audienței în limbaj natural — vedeți fluxul calitativ.

La ce sunt bune personas sintetice

Trierea conceptelor. Aveți paisprezece propuneri de poziționare și buget pentru a testa trei. Un panel sintetic vă ajută să separați jumătatea de jos de cea de sus: rulați 3–8 personas, citiți care concepte atrag obiecții implicate, nu aprobări politicoase, și duceți supraviețuitorii la testare reală — utilizarea în amonte pe care Sarstedt et al. (2024) o identifică drept cea defensabilă.

Compararea creațiilor și a mesajelor. Judecățile relative sunt mai rezistente la biasul modelului decât cele absolute: evaluatorii care compară două variante de reclamă răspund de fapt la întrebarea „care este mai clară", unde acuratețea direcțională este realizabilă. Cercetarea reală pe stimuli nu este ieftină — un studiu din 2026 a prezentat 48 de ambalaje redesenate unui număr de 484 de consumatori americani și 491 britanici (Caruso et al., 2026). Modulul nostru de testare media rulează această comparație cu 10–50 de evaluatori, ca să alegeți care candidați merită bugetul.

Pretestarea instrumentului. Înainte de a cheltui bani pe recrutare, rulați ghidul de interviu pe respondenți sintetici: itemii ambigui produc răspunsuri sintetice incoerente exact cum produc și răspunsuri umane incoerente. Pilotarea unui ghid este una dintre puținele utilizări pe care NN/g le validează (Moran, 2024).

Primele treceri transnaționale. Un studiu în douăsprezece piețe este prohibitiv cu paneluri reale și ieftin sintetic. Cifrele pe fiecare piață nu vor fi defensabile — fidelitatea variază pe subgrupuri și pe teme (Sun et al., 2024) —, dar aflați ce piețe justifică munca de teren.

Unde eșuează personas sintetice

Orice tratare onestă a acestei categorii are nevoie de o astfel de secțiune; absența ei de pe pagina unui furnizor vă spune ceva. Analiza noastră despre cât de exacți sunt respondenții sintetici acoperă literatura; eșecurile sunt previzibile.

Sensibilitatea la preț la granularitate fină. Un panel sintetic vă poate spune că 49 € se citește drept scump, iar 19 € drept ieftin. Nu poate separa 22,90 € de 24,50 €. Motivul este structural: o comparație supraviețuiește oricărei distorsiuni care păstrează ordinea; un prag absolut nu supraviețuiește, iar cum concordanța siliciu–uman variază de la un domeniu la altul, nu există un factor de corecție care să se aplice (Sarstedt et al., 2024).

Populații rare și de nișă. Datele de fundamentare sunt cele mai subțiri exact acolo unde aveți cea mai mare nevoie de acuratețe — iar ficțiunea nu va arăta ca ficțiune. Fernandez, Berner și Shevlin au dat unui model comercial standard nimic altceva decât scurte descrieri diagnostice și au generat 2.106 personas sintetice pornind de la 13 profiluri informate de DSM. Personas au depășit pragurile clinice la cinci din șapte instrumente validate de screening psihiatric, severitatea scalând monoton la toate șapte (toate P < ,001). Concluzia lor: aprobarea coerentă a simptomelor peste pragurile clinice nu mai poate dovedi participarea autentică. Un panel sintetic al unei populații rare este ficțiune cu gramatică bună — și vă va trece instrumentul.

Măsurarea notorietății și a reamintirii mărcii. Modelele cunosc mărcile din textul de antrenament, nu din recunoașterea parțială pe care o au consumatorii reali. Notorietatea este comportamentală: într-o replicare controlată, oamenii puși în fața unor diferențe marcate de notorietate au ales copleșitor marca mai cunoscută, în pofida diferențelor de calitate și de preț (Macdonald & Sharp, 2000), iar salienţa mărcii este propensiunea unei mărci de a-i veni cuiva în minte într-o situație de cumpărare — o proprietate a structurilor de memorie, nu a textului (Romaniuk & Sharp, 2004).

Orice s-a întâmplat după data-limită a antrenamentului. Concurenți noi, reglementări recente, o categorie apărută anul trecut — modelul interpolează cu aplomb, iar rezultatul nu va lăsa să se vadă acest lucru.

Tabuuri specifice cultural și subiecte sensibile. Antrenarea pentru aliniere împinge modelele către răspunsuri inofensive și amabile. Sinteza lui Lin despre contaminarea cu AI pune o cifră pe efectul de omogenizare — 45% similaritate între rezumatele mediate de model, față de 27% în cazul celor umane — și observă că igienizarea „retează exact cozile distribuției: exprimările de prejudecată, ambivalență, opinii extreme" (Lin, f.a.). Acolo unde respondenții reali ezită sau refuză, cei sintetici devin cooperanți, iar diferențele dintre subgrupuri se prăbușesc într-o valoare majoritară implicită.

Comportamentul observat, de orice fel. Personas sintetice relatează ce spun oamenii, nu soluția improvizată pe care a inventat-o cineva sau ezitarea dinaintea unui clic. Întrebările comportamentale au nevoie de date comportamentale — pentru a stabili cum se concentrează cheltuielile în magazinele universale au fost necesare 550 de milioane de tranzacții pe parcursul a trei ani (Tanusondjaja et al., 2023). Testarea de utilizabilitate, studiile de tip jurnal și ancheta contextuală nu au echivalent sintetic.

Spus o singură dată: cercetarea sintetică completează cercetarea reală și nu o înlocuiește niciodată. Acestea nu sunt opinii reale ale unor oameni reali, ci o cale rapidă de a genera ipoteze pe care apoi le validați cu oameni — punctul în care sinteza evaluată colegial (Sarstedt et al., 2024) și cea mai zgomotoasă critică din practică (Moran, 2024) converg. O echipă care cumpără un panel sintetic în locul unei funcții de cercetare a cumpărat o modalitate costisitoare de a-și confirma propriile convingeri.

Cum evaluați dacă o persona sintetică este bună

Cinci verificări, executabile într-o după-amiază cu orice instrument, inclusiv cu acesta — și care merită repetate la schimbarea modelului, întrucât formularea promptului și versiunea modelului sunt variabile active în simularea cu LLM-uri (Ong, 2024).

1. Cereți sursa de fundamentare pe nume. „Antrenat pe date reale" nu este un răspuns. Care sondaj, care valuri, care țări, câte răspunsuri. Condiționarea pe distribuții reale este cea care face treaba (Sun et al., 2024); fără ea, personas sunt priorii modelului cu o etichetă demografică.
2. Testați divergența. Adresați aceeași întrebare moderat controversată la zece personas. Dacă sunt de acord, citiți modelul, nu o populație — textul mediat de model este mai omogen decât textul uman (Lin, f.a.).
3. Puneți o întrebare cu răspuns cunoscut. Alegeți ceva pentru care aveți deja date reale: un studiu anterior, un sondaj în rândul clienților, o statistică publică. Concordanța direcțională este pragul de trecere; potrivirea exactă ar trebui să vă pună pe gânduri. Compararea cu propriile date anterioare este o dovadă legitimă (Golder et al., 2023).
4. Verificați subgrupurile. Împărțiți rezultatele după variabila demografică ce ar trebui să conteze cel mai mult. Dacă subgrupurile arată ca eșantionul total plus zgomot, personas s-au prăbușit către o valoare implicită — reducționism parametric (Valenzuela et al., 2024) exact pe dimensiunea unde se știe că fidelitatea eșantioanelor de siliciu variază (Sun et al., 2024).
5. Încercați să o rupeți. Întrebați ceva ce persona nu are cum să știe: știrile de săptămâna trecută, un prag de preț exact. Un sistem bine construit va ezita și va nuanța. Nu confundați fluența cu garanția — un agent AI autonom a trecut 99,8% din 6.000 de verificări de atenție concepute să prindă oameni neatenți (Lin, f.a.), deci coerența este o dovadă despre model, nu despre date.

Întrebări frecvente

Sunt exacte personas sintetice?

Prima întrebare este: exacte în ce privință. Dovezile din sinteze arată că gradul de concordanță dintre eșantioanele de siliciu și cele umane variază considerabil de la un domeniu la altul, fără o cifră unică pe care să o citați (Sarstedt et al., 2024). Distribuțiile agregate se pot apropia de sondajele reale atunci când modelul este condiționat pe demografia populației, deși fidelitatea variază pe subgrupuri și pe teme (Sun et al., 2024); predicția la nivel individual rămâne o frontieră a cercetării (Toubia et al., 2025); iar rezultatul sintetic este mai puțin dispersat decât cel uman (Lin, f.a.). Tratați concordanța direcțională drept standard. Sinteza completă a dovezilor este aici.

Pot personas sintetice să înlocuiască cercetarea reală cu utilizatori?

Nu. Ele schimbă economia întrebărilor pe care oricum nu le-ați fi finanțat și ascut cercetarea reală eliminând ocolișurile evident greșite. Orice decizie cu expunere de reglementare, siguranță, financiară sau reputațională are nevoie de participanți reali.

De câte personas sintetice aveți nevoie?

Pentru lucrul calitativ, 3–8. Peste acest prag obțineți reformulări, nu informație nouă, pentru că personas provin dintr-o singură distribuție, iar textul generat de model este oricum mai omogen decât cel uman (Lin, f.a.). Pentru lucrul cantitativ aveți nevoie de un eșantion, nu de un panel: 50–250 de respondenți, în funcție de câte subgrupuri veți citi.

Cât costă personas sintetice?

La SynthFolk, un studiu calitativ cu trei personas pornește de la 6 credite; fiecare model și fiecare dimensiune de studiu are un preț în credite publicat pe pagina de prețuri — fără apel de prezentare. Comparația care merită făcută este cu cele 10.000–40.000 € și cele șase săptămâni ale unui studiu calitativ convențional, care cumpără ceva mai bun, dar răspunde la o singură întrebare.

Sunt personas sintetice conforme cu GDPR?

Personas sintetice sunt generate din distribuții de sondaj agregate și publicate și nu conțin date cu caracter personal despre persoane identificabile, ceea ce elimină cea mai frecventă frecare de conformitate din cercetarea de consum. Stimulii pe care îi încărcați și întrebările dumneavoastră de cercetare sunt o chestiune separată — consultați pagina noastră despre GDPR.

Construiți-vă prima persona sintetică. Un studiu calitativ cu trei personas pornește de la 6 credite, rulează în câteva minute și funcționează în douăsprezece limbi. Conturile noi primesc credite gratuite, așa că testul onest este să deschideți panoul de control și să rulați un studiu pe o întrebare al cărei răspuns îl cunoașteți deja.

Bibliografie

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.