Utilizatori sintetici: ce sunt, ce pot și ce nu pot face

2026-08-13 · 16 min de citit

Utilizatorii sintetici sunt participanți la cercetare creați de inteligența artificială. Sunt personas construite cu ajutorul unui model lingvistic, pe baza unui profil demografic și atitudinal, cărora le puteți pune aceleași întrebări ca unui panel real. Nu sunt oameni și nu exprimă opinii proprii. Simulează rapid și ieftin felul în care ar putea răspunde o populație descrisă. Pentru unele întrebări de cercetare această simulare este utilă, pentru altele poate induce în eroare. Acest articol explică unde este limita.

Concluzii esențiale

• Utilizatorii sintetici sunt respondenți simulați, generați de un model lingvistic de mari dimensiuni pe baza descrierii unei populații. Nimic din ce spun nu vine de la o persoană.
• Sunt mai utili pentru întrebări comparative și direcționale și mai slabi pentru cifre absolute, comportamente noi și populații de nișă. Dovezile publicate arată aceeași limită: concordanța dintre eșantioanele de siliciu și cele umane „variază considerabil de la un domeniu la altul”. Metoda este mai promițătoare în etapele timpurii, pentru pretestare și studii-pilot (Sarstedt et al., 2024).
• Calitatea depinde mai ales de datele pe care se bazează persona, nu de dimensiunea modelului. Distribuțiile demografice la nivel de grup pot reproduce fidel distribuțiile din sondaje reale, deși replicabilitatea variază între grupuri și teme (Sun et al., 2024).
• Sunt un complement al cercetării reale, nu un înlocuitor. Literatura de marketing ajunge la aceeași concluzie despre AI în general: îi ajută pe manageri mai mult decât îi înlocuiește (Davenport et al., 2020).

Ce sunt utilizatorii sintetici?

Utilizatorii sintetici sunt participanți artificiali la cercetare. Ei apar atunci când un model lingvistic de mari dimensiuni primește instrucțiunea de a răspunde ca membru al unei populații definite. Fiecare are un profil — vârstă, piață, venit, valori, atitudini și obiceiuri media — și răspunde la întrebări de interviu, la itemi de chestionar sau la stimuli creativi așa cum ar putea răspunde profilul respectiv. Literatura numește această abordare eșantion de siliciu (Sarstedt et al., 2024). Rezultatul seamănă cu datele de cercetare, dar rămâne o simulare.

Această distincție este esențială. Un utilizator sintetic nu își amintește nicio cumpărătură. Are doar un model statistic al textelor despre oameni asemănători. Uneori este o aproximație suficientă pentru a orienta o decizie, adesea nu. Cum termenii sunt folosiți destul de liber, merită mai întâi să îi diferențiem.

Utilizatori sintetici vs. personas sintetice vs. respondenți sintetici

Tratați ca sinonime, se înțeleg mai bine ca un singur lucru în trei stadii.

Un al patrulea termen, geamăn digital, denumește modelul simulat al unei persoane reale anume, construit din datele ei proprii — o tehnică diferită, cu cerințe mult mai grele: Toubia et al. (2025) au chestionat 2.058 de oameni pe 500 de întrebări, câte 2,42 ore de fiecare, doar pentru a construi un banc de testare public pentru gemeni la nivel individual. Nu este eșantionarea la nivel de populație descrisă aici.

Pentru felul în care se construiesc profilurile, consultați ghidul despre personas sintetice. Pagina de față rămâne la ce se întâmplă după ce una dintre ele începe să răspundă.

Cum se generează utilizatorii sintetici

Procesul are patru etape. Cea de-a doua explică cea mai mare parte a diferențelor de calitate dintre instrumente.

1. Definirea populației. Descrieți pe cine doriți să auziți: piața, intervalul de vârstă, venitul și trăsăturile relevante pentru întrebare. Este brieful pe care l-ați da unei agenții de recrutare.

2. Fundamentare și eșantionare. Sistemul construiește profiluri conforme cu acel brief. Varianta în care cereți modelului să le inventeze este fluentă și are un defect precis: din 14 replicări psihologice analizate de Sarstedt et al. (2024), șase au arătat un „efect al răspunsului corect" — modelul răspunzând extrem de uniform, aproape fără variație. Alternativa este eșantionarea atributelor din date reale de populație. Sun et al. (2024) arată de ce aceasta este pârghia: condiționat doar pe distribuții demografice la nivel de grup, un model a produs distribuții de răspuns „remarcabil de asemănătoare cu sondajele reale de opinie publică din SUA". SynthFolk condiționează personas pe European Social Survey și pe Eurobarometru, în cinci regiuni culturale, astfel încât încrederea instituțională sau sensibilitatea la preț a unei personas reflectă o distribuție măsurată, nu impresia unui model despre ea.

Regula care decurge de aici este a noastră, nu un rezultat publicat, dar urmează direct din mecanism: dezacordul este un semnal. Unanimitatea vorbește despre perspectiva implicită a modelului, nu despre diversitatea pieței.

3. Interogare independentă. Fiecare utilizator sintetic este generat și întrebat separat, nu pus să joace un rol împreună cu ceilalți în aceeași fereastră de context. Textul mediat de LLM este oricum mai omogen decât cel uman — 45% similaritate la sarcini de rezumare, față de 27% la rezumatele umane (Lin) —, așa că un context comun nu face decât să amplifice atracția către medie. Formatul de grup este un instrument slab și cu oameni reali: analizând cele mai recente redesignuri de ambalaj ale unui număr de 227 de marketeri, Caruso et al. (2025) au găsit focus-grupurile printre metodele asociate cu rezultate mai puțin reușite, în vreme ce cercetarea care identifica ce elemente de design leagă deja consumatorii de marcă era asociată cu rezultate mai bune — o asociere într-o singură categorie, nu o lege, dar un argument slab pentru simularea discuției de grup.

4. Agregare. Teme și citate pentru lucrul calitativ, distribuții și defalcări pentru cel cantitativ, scoruri comparative pentru stimulii A/B.

O consecință a etapei a doua, ca raționament, nu ca măsurătoare: un panel mai mic, dar mai bine fundamentat, ar trebui să bată unul mai mare și nefundamentat. Mai mulți respondenți din aceeași distribuție prăbușită adaugă încredere, nu informație.

Modulul calitativ al SynthFolk transformă o descriere a audienței în limbaj natural în 3–8 personas fundamentate.

La ce se folosește cercetarea cu utilizatori sintetici

Cercetarea sintetică își câștigă locul acolo unde valoarea stă în acoperire, viteză și comparație, nu în descoperire. Sarstedt et al. (2024) plasează potențialul metodei în „părțile din amonte ale procesului de cercetare, precum pretestarea calitativă și studiile-pilot" și evaluează mult mai critic utilizarea în studiul principal.

Trierea conceptelor. Unsprezece propuneri de poziționare, buget pentru două. Un panel sintetic vă oferă o ordonare cu care să vă contraziceți — suficient pentru a decide ce intră în testarea reală, o alegere pe care majoritatea echipelor o tranșează astăzi prin dispută în sala de ședințe.

Compararea mesajelor și a creațiilor. Comparațiile A/B între titluri, propuneri de valoare sau creații publicitare se potrivesc mai bine metodei: o judecată relativă este mai puțin expusă problemei de calibrare decât una absolută. Ce înlocuiește nu este testul real, ci lista scurtă pentru el — un studiu de stimuli cu putere statistică adecvată arată ca Caruso et al. (2026), unde 484 de consumatori americani și 491 britanici au evaluat 48 de ambalaje redesenate. Modulul media al SynthFolk rulează această trecere de triere în modul A/B.

Pilotarea chestionarelor și a interviurilor. Rulați instrumentul pe respondenți sintetici înainte de a cheltui bani pe recrutare. Întrebările ambigue strică răspunsurile sintetice așa cum le strică și pe cele umane, iar itemii defectuoși ies la iveală într-o după-amiază.

Primele treceri transnaționale. Douăsprezece piețe sunt prohibitive cu paneluri reale și banale cu unele sintetice. Cifrele pe fiecare piață nu sunt defensabile — Sun et al. (2024) constată că replicabilitatea variază după grupul demografic și după temă, atribuind acest lucru biasurilor sociale din modele —, așa că citiți tiparul de divergență ca pe o ipoteză despre locul unde e nevoie de muncă de teren.

Cartografierea obiecțiilor. Întrebând un panel divers ce i-ar opri să cumpere obțineți rapid un inventar de obiecții — nu cât de frecventă este fiecare, ci doar faptul că niciuna nu vă va lua prin surprindere mai târziu.

Fiecare dintre acestea este o sarcină de filtrare aflată în amonte de o decizie reală, nu decizia însăși — ceea ce trasează și granița față de categoria mai largă a cercetării de piață cu AI, unde analiza asistată de AI și interviurile moderate de AI cu oameni reali sunt adesea confundate cu munca pe deplin sintetică.

Argumentele împotriva utilizatorilor sintetici

Cele mai citite pagini pe această temă nu sunt scrise de furnizori. Critica utilizatorilor sintetici publicată de Nielsen Norman Group (2024) susține că aceștia nu pot înlocui ce te învață studierea oamenilor reali și că întorc adesea feedback superficial sau excesiv de favorabil. Papangelis (2025), în ACM Interactions, formulează argumentul înrudit al „falaciei personei sintetice": a vinde instrumente de potrivire statistică a tiparelor drept cogniție simulată înseamnă a împrumuta autoritatea cercetării abandonându-i standardele. Practicienii de UX cantitativ o spun cel mai direct — răspunsurile simulate nu sunt date, pentru că nu s-a măsurat nimic.

Trei părți din această critică sunt corecte și nicio cantitate de fundamentare nu le repară.

1. Nu există măsurare. O distribuție sintetică este generată, nu observată; a o raporta cu convențiile intervalelor de încredere din cercetarea prin sondaj este o eroare de categorie. Nici coerența nu poate ține locul măsurării: Lin documentează agenți AI autonomi care trec 99,8% din 6.000 de verificări de atenție, producând date psihometric solide, imposibil de distins de munca umană atentă.
2. Modelele au biasuri sistematice de răspuns. Sun et al. (2024) leagă eșecurile de replicabilitate pe subgrupuri de biasurile sociale din modele. Lin este mai tăios: igienizarea „retează exact cozile distribuției — exprimările de prejudecată, ambivalență, opinii extreme". Valenzuela et al. (2024) numesc mecanismul reducționism parametric: reprezentați o persoană prin câțiva parametri și pierdeți tot ce aceștia nu transportă.
3. Substituția este un risc instituțional real. Modul de eșec nu este un studiu prost, ci un buget de cercetare înlocuit discret cu un abonament și o echipă care a încetat să mai vorbească cu cineva.

Răspunsul onest nu este să combateți aceste argumente, ci să proiectați în jurul lor. Cât de bine urmăresc personas fundamentate respondenții reali este tratat în cât de exacți sunt respondenții sintetici.

Când să folosiți utilizatori reali în schimb

În spatele acestui tabel stau cinci limite dure:

Cifrele absolute. Un panel sintetic care raportează 63% intenție de cumpărare produce un număr fără nicio calibrare la realitate. Cât de mult mișcă o estimare rândurile sintetice nu este o chestiune ipotetică: în simulările lui Lin pe sondajele prezidențiale americane din 2024, inserarea a 10–52 de respondenți sintetici în eșantioane de 1.600 a schimbat candidatul aflat în frunte. Citiți distribuțiile comparativ, niciodată ca pe o prognoză.

Produsele cu adevărat noi. Datele de fundamentare sunt anterioare modelului, iar datele de antrenament nu pot fi inspectate — o problemă deschisă pe care Ong (2024) o semnalează pentru cercetarea ce folosește LLM-uri ca surogate pentru oameni. Acolo unde nu există nicio distribuție atitudinală, modelul interpolează cu aplomb; cu cât vă îndepărtați mai mult de comportamentele consacrate, cu atât rezultatul înseamnă mai puțin.

Populații subreprezentate și de nișă. Datele de fundamentare sunt cele mai subțiri exact acolo unde acuratețea contează cel mai mult, iar ficțiunea rezultată este convingătoare — partea periculoasă. Fernandez et al. au generat 2.106 personas sintetice pornind de la 13 profiluri diagnostice informate de DSM și le-au trecut prin șapte instrumente validate de screening psihiatric; pornind doar de la scurte descrieri, modelul a produs scoruri diferențiate clinic și sensibile la severitate. Un răspuns coerent, care depășește pragul, nu mai este un indiciu al participării autentice. Plauzibilitatea nu este verificarea dumneavoastră.

Experiența trăită și comportamentul observat. Utilizatorii sintetici generează ce ar putea spune o persoană descrisă. Nu vă pot arăta soluția improvizată pe care a inventat-o cineva sau ezitarea dinaintea unui clic, iar două clase de măsurători rămân inaccesibile din același motiv. Frecvența comportamentală vine din înregistrări comportamentale: Tanusondjaja et al. (2023) derivă distribuțiile cumpărătorilor grei din peste 550 de milioane de tranzacții în magazine universale, nu din întrebări. Iar construcțiile bazate pe memorie țin de rețeaua de memorie a cumpărătorului într-o situație de cumpărare, nu de textul despre o marcă, ceea ce face din salienţa mărcii o problemă de măsurare, nu o întrebare pentru un model (Romaniuk & Sharp, 2004).

Expunere de reglementare, siguranță sau juridică. Dacă un răspuns greșit produce o rechemare de produs, o amendă sau un prejudiciu, folosiți oameni.

De aici și poziția: cercetarea sintetică este un complement, nu un înlocuitor. Schimbă economia întrebărilor pe care oricum nu le-ați fi finanțat și ascute cercetarea reală eliminând mai întâi ocolișurile evident greșite. O echipă care își desființează funcția de cercetare și cumpără un panel sintetic a cumpărat o modalitate de a-și confirma propriile presupoziții.

Utilizatorii sintetici în practică

Un prim studiu ar trebui să fie mic, comparativ și verificabil.

Configurare. Modulul calitativ. Audiența în limbaj natural — cumpărători de alimente cu vârste între 30 și 50 de ani, în două piețe europene, venituri mixte. Trei personas, cel mai mic panel care poate fi în dezacord. De la 6 credite, publicate pe pagina de prețuri.

Instrument. Patru sau cinci întrebări deschise despre o decizie pe care ați luat-o deja, plus o sondare al cărei răspuns nu îl cunoașteți.

Ce primiți înapoi. O transcriere pentru fiecare persona, apoi o sinteză: teme recurente, punctele în care personas se despart, citatele din spatele fiecăruia. Citiți mai întâi despărțirile. Dacă toate trei au dat același răspuns în trei registre, întrebarea a fost tendențioasă sau descrierea audienței prea îngustă — ambele reparabile la următoarea rulare, nu după șase săptămâni de teren.

Verificarea care contează. Alegeți o întrebare la care ați răspuns anul trecut prin cercetare reală, rulați-o sintetic și vedeți dacă panelul reproduce rezultatul. Două lucruri fac din asta un test serios. Rularea propriei comparații pe propriul fenomen generează cunoaștere reală, nu un substitut inferior al unei teorii generale a acurateței (Golder et al., 2023). Iar etalonul nu este acordul exact: nici oamenii nu răspund identic de două ori, motiv pentru care Toubia et al. (2025) au inclus un val repetat în studiul lor, ca să stabilească o linie de referință test–retest. Nici setul uman de comparație nu mai este curat — aproximativ 34% dintre respondenții Prolific și până la 73% pe MTurk declară că folosesc AI la itemii deschiși (Lin).

Echipele care obțin valoare susținută converg spre aceeași buclă: divergență sintetică, testarea la presiune a instrumentului sintetic, validare cu oameni pe supraviețuitori, apoi verificarea calibrării față de ce a arătat studiul real. Pasul patru desparte utilizarea serioasă de o mașină de raționalizare și nimeni nu îl poate face în locul dumneavoastră.

Întrebări frecvente

Sunt utilizatorii sintetici oameni reali?

Nu. Sunt simulări generate de modele lingvistice și condiționate pe statistici la nivel de populație: niciun individ reprezentat, niciun fel de date cu caracter personal prelucrate, niciun răspuns dat de un om. Orice instrument care sugerează altceva prezintă greșit metoda.

Sunt exacți utilizatorii sintetici?

Nu există o cifră unică a acurateței, iar literatura de sinteză spune explicit de ce: concordanța cu eșantioanele umane variază considerabil de la un domeniu la altul (Sarstedt et al., 2024), iar replicabilitatea variază pe grupuri și pe teme chiar și acolo unde distribuțiile agregate cad aproape (Sun et al., 2024). Rezultatele se mișcă și odată cu formularea promptului și cu versiunea modelului — „hiperparametri" nerezolvați ai acestui tip de lucru (Ong, 2024). Tratați rezultatul ca direcțional și necalibrat; dovezile sunt trecute în revistă în ghidul nostru despre acuratețe.

Cât costă utilizatorii sintetici?

SynthFolk taxează în credite, cu prețuri publicate deschis: un studiu calitativ cu trei personas pornește de la 6 credite; panelurile mai mari și eșantioanele cantitative de 50–250 de respondenți costă proporțional mai mult. Comparați cu un studiu pe panel recrutat pentru aceeași întrebare: de regulă săptămâni și patru cifre.

Înlocuiesc utilizatorii sintetici testarea de utilizabilitate?

Nu — este cea mai clară graniță a metodei. Testarea de utilizabilitate măsoară ce fac oamenii sub observație; utilizatorii sintetici generează ce ar putea spune cineva. Nu există substitut pentru a privi o persoană care nu reușește să găsească un buton.

Ce limbi și ce piețe sunt acoperite?

SynthFolk rulează în 12 limbi de interfață, cu personas fundamentate pe cinci regiuni culturale europene, ceea ce face practicabilă o primă trecere transnațională. Acoperirea urmează datele de sondaj din spate — acolo unde acestea sunt subțiri, tratați rezultatul ca fiind la fel de subțire.

Rulați singuri un studiu. Un studiu cu trei personas pornește de la 6 credite, iar conturile noi încep cu credite gratuite — suficient cât să testați metoda pe o întrebare al cărei răspuns îl cunoașteți deja. Deschideți panoul de control: dacă panelul reproduce ce știți deja, acela este singurul etalon care contează.

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. 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