Syntetické persóny: kompletný sprievodca (2026)

2026-08-13 · 14 min čítania

Kľúčové zistenia

• Syntetické persóny sú AI respondenti založení na demografickom a postojovom profile z reálnych populačných prieskumov. Na výskumné otázky odpovedajú v určenej roli.
• Najlepšie slúžia na porovnávanie, predvýber a rýchly široký pohľad. Najmenej vhodné sú na absolútne čísla, nové kategórie a špecializované populácie.
• Hranicu kvality neurčuje veľkosť modelu, ale dáta, z ktorých persóny vychádzajú. Syntetický výstup sa reálnym prieskumom približuje vtedy, keď model dostane skutočné populačné rozdelenia (Sun et al., 2024).
• Reálny výskum dopĺňajú, nie nenahrádzajú. Recenzovaná literatúra im prisudzuje miesto na začiatku procesu, pri predtestovaní a pilotoch, nie v štúdii, ktorá má uzavrieť rozhodnutie (Sarstedt et al., 2024).

Čo je syntetická persóna?

Syntetická persóna je simulovaný účastník výskumu. Veľký jazykový model dostane demografický a psychografický profil a v určenej roli odpovedá na otázky z rozhovoru, položky dotazníka či kreatívne podnety. Na rozdiel od tradičnej persóny, teda statického dokumentu opisujúceho typ zákazníka, je interaktívna. Môžete sa jej spýtať aj na niečo, s čím profil pôvodne nepočítal.

Práve interaktivita je jej hlavnou výhodou aj zdrojom sporu. Syntetická persóna nemá vlastné názory. Modeluje len pravdepodobnosť, s akou by človek s takým profilom mohol niečo povedať, podľa vzorcov naučených z textu. To, či je takýto výstup dostatočne blízko reálnej populácii, závisí od vzniku persóny aj od položenej otázky. Prehľadová štúdia v časopise Psychology & Marketing z roku 2024 porovnávala kremíkové vzorky (silicon samples) s ľudskými. Zistila, že miera zhody sa výrazne líši podľa oblasti, a prínos metódy vidí na začiatku výskumného procesu, pri kvalitatívnom predtestovaní a pilotných štúdiách (Sarstedt et al., 2024). Širšiu kategóriu rozoberá článok o syntetických používateľoch.

Pojem sa dostal do firemného slovníka rýchlejšie než dôkazy. Nielsen Norman Group použila syntetických používateľov v troch vlastných štúdiách, výsledok vyhodnotila ako plytký a príliš ústretový a uzavrela, že môžu podporiť rešerš, no nikdy nenahradia reálnych používateľov (Moran, 2024). Časopis ACM Interactions ide v texte „The Synthetic Persona Fallacy“ ešte ďalej: kategórii vyčíta, že si požičiava autoritu výskumu, no vzdáva sa jeho štandardov (Papangelis, 2025). V kritike spôsobu, akým sa tieto nástroje predávajú, majú oba texty pravdu. Užitočné použitie je podstatne skromnejšie.

Syntetické persóny vs. tradičné persóny

Tradičná persóna vzniká syntézou: výskumník urobí dvanásť rozhovorov, nájde tri vzorce a opíše ich ako pomenované postavy. Syntetická persóna vzniká vzorkovaním.

Tradičná persóna z roku 2022, ktorá visí na stene aj v roku 2026, nie je pravdivejšia než syntetická. Len sa mýli pomalšie a menej nápadne. Ani jedna sa neoverí sama a ani jedna nemá rozhodovať o stratégii. Výstup segmentácie je opisný, nie návod na stratégiu (Sharp, Dawes & Victory, 2024), a opätovná analýza najznámejších experimentov s psychologickým cielením ukázala, že cielenie neporazilo bežnú reklamu (Sharp, Danenberg & Bellman, 2018).

Syntetické persóny, syntetickí respondenti a digitálne dvojčatá

Syntetická persóna je jedna podrobne opísaná postava pre kvalitatívnu prácu: dlhé rozhovory, otvorené otázky a doplňujúce sondy. Stačí ich niekoľko, pretože hľadáte hĺbku. Syntetický respondent je jednoduchšia jednotka používaná vo veľkom počte. Má dosť atribútov na vyplnenie dotazníka, nie na dvojhodinový rozhovor. Používate ich v stovkách, keď potrebujete rozdelenia odpovedí.

Digitálne dvojča je oveľa odvážnejšie tvrdenie: model konkrétneho reálneho človeka, vytvorený z jeho vlastných dát, má predpovedať, čo by urobil práve on. Ak dodávateľ používa tento pojem ľahkovážne, je to varovný signál. Dôkazné bremeno je tu omnoho vyššie. Projekt Twin-2K-500 ukazuje, čo znamená testovať predikciu na úrovni jednotlivca: 2 058 účastníkov z USA strávilo v priemere 2,4 hodiny pri viac než 500 otázkach v štyroch vlnách. Posledná vlna opakovala skoršie úlohy len preto, aby sa dala určiť testovo-retestová základňa (Toubia et al., 2025). Takto hlbokých datasetov je zatiaľ veľmi málo.

Ako syntetická persóna naozaj vzniká

Práve tu sa rozhoduje o dôveryhodnosti syntetických persón v prieskume trhu. Rozdiel medzi výskumným nástrojom a automatickým dopĺňaním textu prezlečeným za výskum robí postup, ktorým persóna vzniká.

1. Demografické vymedzenie. Opíšete populáciu: trh, vekové pásmo, príjem, zamestnanie, zloženie domácnosti a všetky behaviorálne črty, na ktorých záleží. Všetky ďalšie kroky z tohto opisu vychádzajú.

2. Založenie na reálnych údajoch z prieskumov. Postoje persóny si model nevymýšľa. SynthFolk ich vyberá z European Social Survey a Eurobarometra, teda z desiatok tisíc reálnych odpovedí o dôvere v inštitúcie, hodnotách, využívaní médií, finančnej istote a spoločenských postojoch naprieč Európou. Sun et al. (2024) zistili, že už samotné použitie demografických rozdelení celej skupiny vytvorilo rozdelenia odpovedí „pozoruhodne podobné“ reálnym americkým prieskumom verejnej mienky. Zároveň ukázali, že miera zhody závisí od skupiny aj témy.

3. Priradenie kultúrneho regiónu. Krajina je nedokonalý, ale lepší než žiadny ukazovateľ postojov. SynthFolk preto priraďuje trhy k piatim kultúrnym regiónom odvodeným z prieskumových dát, nie zo zemepisu. Severský, stredomorský, stredoeurópsky, západný a posttransformačný vzorec tak nezačínajú ako jeden zliaty európsky priemer. Práve takémuto zjednodušeniu treba predchádzať: ak človeka zredukujete na niekoľko parametrov, prídete o všetko, čo sa do nich nezmestí. Valenzuela et al. (2024) to nazývajú parametrický redukcionizmus.

4. Rozpoznanie zámeru a výber modulu. Výskumná otázka sa analyzuje, aby sa určilo, aký typ štúdie potrebuje: exploratívny rozhovor, merané porovnanie alebo hodnotenie podnetu. Potom sa zaradí do vhodného modulu. Ak panelu určenému na rozhovor položíte otázku, ktorá vyžaduje rozdelenie odpovedí, dostanete sebavedomý nezmysel.

5. Generovanie odpovedí so záložným režimom. Každá persóna odpovedá samostatne, nie v spoločnej konverzácii. Tým sa zachovajú rozdiely medzi odpoveďami, ktoré sú pre tento postup užitočné. Zlievanie hlasov je slabý dizajn aj pri reálnych ľuďoch: pri redizajnoch obalov u 227 marketérov patrili fokusové skupiny medzi metódy spojené s menej úspešnými výsledkami (Caruso et al., 2025). Ak model nie je dostupný, záložná vrstva presmeruje otázku.

Základ v dátach obmedzuje východiskové postoje modelu, nezaručí však, že model správne uvažuje o vašom produkte. Prieskumové dáta majú dátum zberu. Aj európske pokrytie má svoje hranice: persóna mimo neho bude slabšia.

Pozrite si to v praxi: SynthFolk postaví panel z obyčajného slovného opisu publika — pozrite si kvalitatívny postup.

Na čo sú syntetické persóny dobré

Predvýber konceptov. Máte štrnásť pozičných tvrdení a rozpočet na testovanie troch. Syntetický panel vám pomôže oddeliť slabšiu polovicu od silnejšej. Spustite 3 až 8 persón, všimnite si, ktoré koncepty vyvolávajú vecné námietky namiesto zdvorilého súhlasu, a tie, ktoré obstáli, vezmite do reálneho testovania. Práve takéto použitie na začiatku procesu považujú Sarstedt et al. (2024) za obhájiteľné.

Porovnávanie kreatívy a posolstiev. Relatívne úsudky sú voči skresleniu modelu odolnejšie než absolútne. Pri porovnaní dvoch reklamných variantov ide o otázku „ktorý je zrozumiteľnejší“, pri ktorej možno očakávať správny smer odpovede. Reálny výskum podnetov nie je lacný: jedna štúdia z roku 2026 testovala 48 redizajnovaných obalov na 484 amerických a 491 britských spotrebiteľoch (Caruso et al., 2026). Náš modul na testovanie médií urobí takéto porovnanie na 10 až 50 hodnotiteľoch, aby ste vybrali kandidátov, ktorí si zaslúžia rozpočet na reálny test.

Predtestovanie výskumného nástroja. Skôr než miniete peniaze na nábor, vyskúšajte scenár rozhovoru na syntetických respondentoch. Nejednoznačné položky povedú k nesúrodým syntetickým odpovediam rovnako ako k ľudským. Pilotovanie scenára patrí medzi niekoľko použití, ktoré uznáva aj NN/g (Moran, 2024).

Prvý pohľad naprieč trhmi. Jedna štúdia na tucte trhov je s reálnymi panelmi ťažko dostupná, so syntetickými lacná. Čísla za jednotlivé trhy však nebudú obhájiteľné, pretože miera zhody sa líši medzi podskupinami a témami (Sun et al., 2024). Pomôže vám však určiť, na ktorých trhoch sa oplatí zbierať dáta v teréne.

Kde syntetické persóny zlyhávajú

Táto časť patrí do každého poctivého spracovania témy. Ak na stránke dodávateľa chýba, samo osebe to niečo naznačuje. Náš prehľad o tom, aké presné sú syntetickí respondenti, zhŕňa literatúru. Zlyhania sa dajú predvídať.

Cenová citlivosť na jemnej škále. Syntetický panel vám povie, že 49 € pôsobí draho a 19 € lacno. Nerozlíši však 22,90 € od 24,50 €. Dôvod je v povahe úlohy: porovnanie prežije skreslenie, ktoré zachová poradie, absolútny prah nie. Keďže zhoda kremíkových a ľudských vzoriek sa líši podľa oblasti, neexistuje univerzálny korekčný faktor (Sarstedt et al., 2024).

Nízkovýskytové a špecializované populácie. Podkladových dát je najmenej práve tam, kde najviac potrebujete presnosť, a fikcia pritom nebude vyzerať ako fikcia. Fernandez, Berner a Shevlin dali bežnému komerčnému modelu iba stručné diagnostické opisy a vytvorili 2 106 syntetických persón z 13 profilov odvodených z DSM. Persóny prekročili klinické hranice v piatich zo siedmich validovaných psychiatrických skríningových nástrojov a závažnosť vo všetkých siedmich rástla monotónne (všetky P < ,001). Autori preto uzatvárajú, že súdržné potvrdzovanie symptómov nad klinickými prahmi už nemôže byť dôkazom autentickej účasti. Syntetický panel vzácnej populácie je fikcia s dobrou gramatikou a nástrojom prejde.

Meranie vybavenia si značky a povedomia o nej. Modely poznajú značky z tréningových textov, nie z čiastočného rozpoznávania, ktoré majú reálni spotrebitelia. Povedomie sa prejavuje v správaní. V kontrolovanej replikácii si ľudia pri výraznom rozdiele v povedomí drvivou väčšinou vybrali známu značku aj napriek rozdielom v kvalite a cene (Macdonald & Sharp, 2000). Výraznosť značky je jej schopnosť vynoriť sa kupujúcemu na mysli v nákupnej situácii. Je to vlastnosť pamäťových štruktúr, nie textu (Romaniuk & Sharp, 2004).

Čokoľvek po dátume uzávierky tréningových dát. Pri novom konkurentovi, nedávnej regulácii či kategórii, ktorá vznikla vlani, model sebavedomo dopĺňa medzery. Vo výstupe to nemusí byť vidieť.

Kultúrne špecifické tabu a citlivé témy. Bezpečnostné doladenie tlačí modely k neurážlivým a ústretovým odpovediam. Linov prehľad o kontaminácii výskumu umelou inteligenciou tento zjednocujúci účinok vyjadruje číslom: zhrnutia sprostredkované modelom dosiahli 45 % podobnosť oproti 27 % pri ľudských. Upozorňuje aj na to, že sanitizácia „odreže presne chvosty rozdelenia: prejavy predsudkov, ambivalencie, extrémnych názorov“ (Lin, b. d.). Tam, kde reálni respondenti uhýbajú alebo odmietajú odpovedať, syntetickí odpovedajú ochotne a rozdiely medzi podskupinami sa zlejú do väčšinového pohľadu.

Akékoľvek pozorované správanie. Syntetické persóny vytvárajú odpovede na to, čo ľudia hovoria, nie na to, aké riešenie si niekto naozaj našiel či ako dlho zaváhal pred kliknutím. Otázky o správaní potrebujú údaje o správaní. Zistenie, ako sa koncentrujú výdavky v obchodných domoch, si vyžiadalo 550 miliónov transakcií za tri roky (Tanusondjaja et al., 2023). Testovanie použiteľnosti, denníkové štúdie a kontextové skúmanie nemajú syntetickú náhradu.

Povedané priamo: syntetický výskum reálny výskum dopĺňa, nikdy ho nenahrádza. Nejde o skutočné názory ľudí, ale o rýchly spôsob, ako vytvoriť hypotézy a potom ich overiť na ľuďoch. V tom sa zhoduje recenzovaný prehľad (Sarstedt et al., 2024) aj najvýraznejšia kritika z praxe (Moran, 2024). Tím, ktorý si namiesto výskumnej funkcie kúpi syntetický panel, si len draho potvrdí vlastné presvedčenia.

Ako posúdiť, či syntetická persóna za niečo stojí

Päť kontrol, ktoré zvládnete za jedno popoludnie na akomkoľvek nástroji vrátane tohto. Zopakujte ich pri zmene modelu, pretože znenie promptu aj verzia modelu v simuláciách LLM ovplyvňujú výsledok (Ong, 2024).

1. Pýtajte sa na zdroj dát menovite. „Trénované na reálnych dátach“ nie je odpoveď. Pýtajte sa, z ktorého prieskumu, z ktorých vĺn a krajín a z koľkých odpovedí systém vychádza. Práve práca so skutočnými rozdeleniami odpovedí robí rozdiel (Sun et al., 2024). Bez nich sú persóny len predpokladmi modelu s demografickou nálepkou.
2. Overte rozmanitosť názorov. Položte desiatim persónam tú istú mierne kontroverznú otázku. Ak sa zhodnú, čítate pohľad modelu, nie populácie. Text vytvorený modelom je jednotnejší než ľudský (Lin, b. d.).
3. Použite otázku so známou odpoveďou. Vyberte tému, ku ktorej už máte reálne dáta: minulú štúdiu, zákaznícky prieskum alebo verejnú štatistiku. Rozumnou hranicou je zhoda smeru. Úplná zhoda by vás mala skôr znepokojiť. Porovnanie s vlastnými skoršími dátami je legitímnym dôkazom (Golder et al., 2023).
4. Skontrolujte podskupiny. Rozdeľte výsledky podľa demografickej premennej, na ktorej by malo najviac záležať. Ak podskupiny vyzerajú iba ako celková vzorka s náhodným šumom, persóny sa zbližujú k jednému predvolenému pohľadu. Ide o parametrický redukcionizmus (Valenzuela et al., 2024) v oblasti, kde sa miera zhody kremíkových vzoriek preukázateľne mení (Sun et al., 2024).
5. Skúste nájsť hranicu systému. Spýtajte sa na niečo, čo persóna nemôže vedieť, napríklad na minulotýždňové správy alebo presný cenový prah. Dobre navrhnutý systém na takú hranicu upozorní. Plynulosť odpovede neberte ako záruku: autonómny AI agent prešiel 99,8 % zo 6 000 kontrol pozornosti určených na odhalenie nepozorných ľudí (Lin, b. d.). Súdržnosť je dôkazom o modeli, nie o dátach.

Často kladené otázky

Sú syntetické persóny presné?

Najprv sa treba opýtať: presné v čom? Prehľadová literatúra zistila, že zhoda medzi kremíkovými a ľudskými vzorkami sa výrazne líši podľa oblasti a neponúka jedno číslo, ktoré by sa dalo citovať (Sarstedt et al., 2024). Agregované rozdelenia sa môžu priblížiť reálnym prieskumom, ak model vychádza z populačnej demografie, no miera zhody sa líši podľa podskupiny a témy (Sun et al., 2024). Predikcia jednotlivca zostáva výskumnou hranicou (Toubia et al., 2025) a syntetický výstup je menej rozmanitý než ľudský (Lin, b. d.). Za rozumný štandard považujte zhodu smeru. Celý prehľad dôkazov nájdete tu.

Môžu syntetické persóny nahradiť reálny používateľský výskum?

Nie. Umožnia preskúmať otázky, na ktoré by ste inak rozpočet nedali, a reálnemu výskumu pomôžu odstrániť zjavné slepé uličky. Každé rozhodnutie s regulačným, bezpečnostným, finančným alebo reputačným rizikom potrebuje reálnych účastníkov.

Koľko syntetických persón potrebujete?

Na kvalitatívnu prácu stačí 3 až 8 persón. Pri vyššom počte skôr dostanete preformulovanú odpoveď než novú informáciu, pretože persóny pochádzajú z jedného rozdelenia a text modelu je zo svojej podstaty jednotnejší než ľudský (Lin, b. d.). Na kvantitatívnu prácu potrebujete vzorku, nie panel: 50 až 250 respondentov podľa počtu podskupín, ktoré chcete posudzovať.

Koľko syntetické persóny stoja?

V SynthFolku začína kvalitatívna štúdia s tromi persónami na 6 kreditoch. Každý model a veľkosť štúdie majú cenu v kreditoch zverejnenú na stránke s cenníkom, bez potreby demo hovoru. Zmysluplné porovnanie je s klasickou kvalitatívnou štúdiou za 10 000 až 40 000 € a so šesťtýždňovým cyklom. Tá prinesie lepší dôkaz, ale odpovie na jednu otázku.

Sú syntetické persóny v súlade s GDPR?

Syntetické persóny vznikajú z agregovaných a publikovaných rozdelení z prieskumov a neobsahujú osobné údaje identifikovateľných ľudí. Odpadá tak najčastejší problém s pravidlami ochrany údajov v spotrebiteľskom výskume. Vami nahrané podnety a výskumné otázky sú samostatná záležitosť. Pozrite si našu stránku o GDPR.

Vytvorte si prvú syntetickú persónu. Kvalitatívna štúdia s tromi persónami začína na 6 kreditoch, trvá niekoľko minút a funguje v dvanástich jazykoch. Nové účty dostávajú kredity zadarmo. Poctivý test je otvoriť dashboard a spustiť štúdiu na otázke, na ktorú už odpoveď poznáte.

Použitá literatúra

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.