Syntetickí používatelia: čo to je, čo dokážu a čo nie

2026-08-13 · 15 min čítania

Syntetickí používatelia sú simulovaní účastníci výskumu vytvorení umelou inteligenciou. Ide o persóny založené na jazykovom modeli s demografickým a postojovým profilom, ktorým môžete klásť rovnaké otázky ako reálnemu panelu. Nie sú to ľudia a nevyjadrujú vlastné názory. Rýchlo a lacno simulujú, ako by opísaná populácia mohla odpovedať. Pri niektorých výskumných otázkach je to užitočné, pri iných môže takýto výstup zavádzať. Tento článok vysvetľuje, kde vedie hranica.

Kľúčové zistenia

• Syntetickí používatelia sú simulovaní respondenti, ktorých vytvára veľký jazykový model podľa opisu populácie. Nič z ich odpovedí nepochádza od konkrétneho človeka.
• Najviac sa hodia na porovnania a určenie smeru, najmenej na absolútne čísla, nové správanie a špecializované populácie. Prehľadová literatúra ukazuje rovnakú hranicu: zhoda medzi kremíkovými (silicon) a ľudskými vzorkami sa „výrazne líši naprieč rôznymi oblasťami“. Metóda má najväčší prínos na začiatku procesu, pri predtestovaní a pilotných štúdiách (Sarstedt et al., 2024).
• O kvalite rozhodujú najmä dáta, z ktorých persóny vychádzajú, nie veľkosť modelu. Ak model dostane demografické rozdelenie celej skupiny, dokáže vytvoriť rozdelenia odpovedí podobné reálnym prieskumom, hoci výsledok sa líši podľa skupiny a témy (Sun et al., 2024).
• Sú doplnkom reálneho výskumu, nie jeho náhradou. Marketingová veda dospieva k podobnému záveru o umelej inteligencii všeobecne: ľudských manažérov skôr podporuje, než nahrádza (Davenport et al., 2020).

Čo sú syntetickí používatelia?

Syntetickí používatelia sú umelí účastníci výskumu. Vzniknú tak, že veľký jazykový model dostane pokyn odpovedať ako člen určitej populácie. Každý má profil, napríklad vek, trh, príjem, hodnoty, postoje či mediálne návyky, a reaguje na otázky z rozhovoru, dotazníka alebo na kreatívne podnety tak, ako by podľa profilu pravdepodobne reagoval. Literatúra tento prístup označuje aj ako kremíkovú vzorku (silicon sample) (Sarstedt et al., 2024). Výstup sa podobá na výskumné dáta, stále je však iba simuláciou.

Práve toto rozlíšenie je podstatné. Syntetický používateľ si nič nekúpil ani si nič nepamätá. Pozná len štatistické vzorce v textoch o ľuďoch s podobným profilom. Niekedy to stačí ako orientačný podklad pre rozhodnutie, často nie. Keďže sa tieto pojmy používajú voľne, najprv ich odlíšme.

Syntetickí používatelia vs. syntetické persóny vs. syntetickí respondenti

Považujú sa za synonymá, no lepšie im rozumieť ako jednej veci v troch fázach.

Štvrtý pojem, digitálne dvojča, označuje simulovaný model jedného konkrétneho človeka vytvorený z jeho vlastných dát. Je to iná technika s podstatne vyššími nárokmi: Toubia et al. (2025) položili 2 058 ľuďom 500 otázok. Každému sa venovali v priemere 2,42 hodiny, aby vytvorili verejné testovacie prostredie pre dvojčatá na úrovni jednotlivca. S populačným vzorkovaním opísaným v tomto článku to nesúvisí.

O tom, ako sa profily konštruujú, hovorí sprievodca syntetickými persónami. Táto stránka zostáva pri tom, čo sa deje, keď persóna začne odpovedať.

Ako syntetickí používatelia vznikajú

Proces má štyri fázy. Väčšina rozdielov v kvalite medzi nástrojmi vzniká v druhej z nich.

1. Definícia populácie. Opíšete, koho chcete osloviť: trh, vekové rozpätie, príjem a vlastnosti dôležité pre danú otázku. Je to brief, aký by ste dali náborovej agentúre.

2. Ukotvenie a vzorkovanie. Systém vytvorí profily podľa briefu. Ak ich necháte vymyslieť priamo model, znie to plynulo, no má to konkrétnu chybu: zo 14 psychologických replikácií, ktoré posúdili Sarstedt et al. (2024), šesť vykázalo „efekt správnej odpovede“. Model odpovedal príliš jednotne, takmer bez rozdielov. Alternatívou je vyberať atribúty z reálnych populačných dát. Sun et al. (2024) ukazujú prečo: model, ktorý dostal iba demografické rozdelenie celej skupiny, vytvoril rozdelenia odpovedí „pozoruhodne podobné skutočným prieskumom verejnej mienky v USA“. SynthFolk stavia persóny na dátach z European Social Survey a Eurobarometra z piatich kultúrnych regiónov. Dôvera persóny v inštitúcie či jej cenová citlivosť tak vychádza z nameraného rozdelenia, nie z predstavy modelu.

Nasledujúce pravidlo je naše, nie publikovaný výsledok, vyplýva však priamo z mechanizmu: nezhoda je signál. Ak sa všetci zhodnú, pravdepodobne čítate predvolený pohľad modelu, nie rozmanitosť trhu.

3. Samostatné dotazovanie. Každý syntetický používateľ vzniká a odpovedá samostatne, nie v spoločnom kontextovom okne ako pri spoločnom hraní rolí. Text vytvorený jazykovým modelom je už sám osebe jednotnejší než ľudský: pri sumarizačných úlohách dosiahol 45 % podobnosť, kým ľudské zhrnutia 27 % (Lin). Zdieľaný kontext preto tento sklon k priemeru len posilní. Skupinový formát má slabé opodstatnenie aj pri reálnych ľuďoch. Caruso et al. (2025) pri redizajnoch obalov u 227 marketérov zistili, že fokusové skupiny sú spojené s menej úspešnými výsledkami. Výskum, ktorý hľadal prvky obalov už spájané so značkou, bol naopak spojený s lepšími výsledkami. Ide o súvislosť v jednej kategórii, nie o všeobecný zákon, no simulovanie skupinovej diskusie tým nezískava presvedčivý argument.

4. Zhrnutie výsledkov. Pri kvalitatívnej práci ide o témy a výroky, pri kvantitatívnej o rozdelenia a členenie výsledkov, pri A/B podnetoch o porovnávacie skóre.

Dôsledok druhej fázy je opäť úvaha, nie nameraný výsledok: menší panel založený na lepších dátach by mal byť užitočnejší než väčší panel bez takéhoto základu. Ďalší respondenti z tej istej zúženej distribúcie zvyšujú zdanlivú istotu, nie množstvo informácie.

Kvalitatívny modul SynthFolku premení obyčajný slovný opis publika na 3 – 8 ukotvených persón.

Na čo sa syntetický výskum používa

Syntetický výskum má miesto tam, kde potrebujete rýchlo pokryť viac možností a porovnať ich, nie objavovať nové poznatky. Sarstedt et al. (2024) vidia jeho prínos v „skorších častiach výskumného procesu, ako je kvalitatívne predtestovanie a pilotné štúdie“. Použitie v hlavnej štúdii hodnotia podstatne kritickejšie.

Predvýber konceptov. Máte jedenásť pozičných tvrdení a rozpočet na testovanie dvoch. Syntetický panel vám ponúkne poradie, s ktorým môžete pracovať. To môže stačiť na výber konceptov pre reálne testovanie, namiesto rozhodovania iba debatou v zasadačke.

Porovnávanie posolstiev a kreatívy. A/B porovnania titulkov, hodnotových propozícií či reklamnej kreatívy sú pre túto metódu vhodnejšie. Relatívny úsudok je menej citlivý na problém kalibrácie než absolútny. Nenahrádza to reálny test, no pomôže vybrať kandidátov. Dobre navrhnutá štúdia podnetov vyzerá napríklad ako Caruso et al. (2026), kde 484 amerických a 491 britských spotrebiteľov hodnotilo 48 redizajnovaných obalov. Mediálny modul SynthFolku ponúka túto predvýberovú fázu v režime A/B.

Pilotovanie dotazníkov a rozhovorov. Skôr než miniete peniaze na nábor, vyskúšajte svoj nástroj na syntetických respondentoch. Nejednoznačné otázky pokazia syntetické odpovede rovnako ako ľudské a slabé položky môžete odhaliť za jedno popoludnie.

Prvý pohľad naprieč trhmi. Štúdia na tucte trhov je s reálnymi panelmi ťažko dostupná, so syntetickými je jednoduchá. Čísla za jednotlivé trhy však nebudú obhájiteľné. Sun et al. (2024) zistili, že opakovateľnosť výsledkov sa líši podľa demografickej skupiny a témy, čo spájajú so spoločenskými skresleniami modelov. Vzorec rozdielov preto čítajte ako hypotézu, kde má zmysel zbierať dáta v teréne.

Mapovanie námietok. Otázka, čo by rôznym ľuďom zabránilo v nákupe, rýchlo odkryje škálu možných námietok. Nepovie však, ako často sa ktorá objavuje. Pomôže vám len zabezpečiť, aby vás žiadna neprekvapila neskôr.

Každé z týchto použití je filtrovaním pred reálnym rozhodnutím, nie samotným rozhodnutím. Zároveň tým odlišujeme tento prístup od širšej kategórie AI market research, do ktorej sa niekedy zaraďuje aj analýza s podporou umelej inteligencie či rozhovory s reálnymi ľuďmi moderované umelou inteligenciou.

Argumenty proti syntetickým používateľom

Najčítanejšie texty o tejto téme nepíšu dodávatelia. Kritika syntetických používateľov od Nielsen Norman Group (2024) upozorňuje, že syntetickí používatelia nenahradia poznanie zo štúdia reálnych ľudí a často vracajú plytkú alebo príliš priaznivú spätnú väzbu. Papangelis (2025) v ACM Interactions uvádza podobný argument o „omyle syntetickej persóny“: ak sa štatistické rozpoznávanie vzorcov predáva ako simulovaná kognícia, požičiava si autoritu výskumu a zároveň sa vzdáva jeho štandardov. Kvantitatívni UX výskumníci to formulujú ešte priamočiarejšie: simulované odpovede nie sú dáta, lebo sa nič nemeralo.

Tri časti tejto kritiky sú správne a žiadne ukotvenie ich neodstráni.

1. Nič sa nemeria. Syntetické rozdelenie odpovedí je vytvorené, nie pozorované. Používať pri ňom intervaly spoľahlivosti z prieskumného výskumu je preto kategoriálna chyba. Nepomáha ani vnútorná súdržnosť odpovedí: Lin dokumentuje autonómnych AI agentov, ktorí prešli 99,8 % zo 6 000 kontrol pozornosti a pritom vytvorili psychometricky presvedčivé dáta nerozoznateľné od svedomitej ľudskej práce.
2. Modely systematicky skresľujú odpovede. Sun et al. (2024) spájajú zlyhania opakovateľnosti v podskupinách so spoločenskými skresleniami modelov. Lin to opisuje ostrejšie: sanitizácia „odreže presne chvosty rozdelenia — prejavy predsudkov, ambivalencie, extrémnych názorov“. Valenzuela et al. (2024) tento mechanizmus označujú ako parametrický redukcionizmus: keď človeka nahradíte niekoľkými parametrami, stratíte všetko, čo sa do nich nezmestí.
3. Náhrada výskumu je skutočné organizačné riziko. Zlyhaním nie je len zlá štúdia. Riziko vznikne aj vtedy, keď predplatné potichu nahradí výskumný rozpočet a tím sa prestane rozprávať s ľuďmi.

Poctivou odpoveďou nie je tieto výhrady vyvracať, ale navrhnúť prácu tak, aby s nimi počítala. To, nakoľko persóny založené na dátach napodobňujú reálnych respondentov, rozoberá článok o tom, aké presné sú syntetickí respondenti.

Kedy použiť reálnych používateľov

Za touto tabuľkou je päť pevných obmedzení:

Absolútne čísla. Ak syntetický panel uvádza 63 % nákupného zámeru, ide o číslo bez kalibrácie na realitu. To, ako veľmi môžu syntetické odpovede posunúť odhad, nie je len hypotéza: v Linových simuláciách amerických prezidentských prieskumov z roku 2024 stačilo pridať 10 až 52 syntetických respondentov do vzoriek po 1 600, aby sa zmenilo poradie kandidátov. Rozdelenia preto používajte na porovnanie, nikdy nie ako predpoveď.

Skutočne nové produkty. Dáta, na ktorých persóny stoja, musia existovať skôr než model. Tréningové dáta pritom nemožno preskúmať, čo Ong (2024) označuje za otvorený problém pri výskume, ktorý jazykové modely používa ako náhradu ľudí. Ak pre danú tému neexistuje rozdelenie postojov, model sebavedomo dopĺňa medzery. Čím ďalej ste od bežného správania, tým menej taký výstup znamená.

Nedostatočne zastúpené a špecializované populácie. Práve tam, kde na presnosti najviac záleží, je najmenej podkladových dát. Výsledná fikcia môže znieť presvedčivo, a to je jej nebezpečie. Fernandez et al. vytvorili 2 106 syntetických persón z 13 diagnostických profilov odvodených z DSM a použili ich v siedmich validovaných psychiatrických skríningových nástrojoch. Už zo stručných opisov model vytvoril klinicky odlíšené skóre citlivé na závažnosť. Súdržné odpovede, ktoré prekročia prahy, nie sú dôkazom autentickej účasti. Vierohodnosť preto nemôže byť vašou kontrolou.

Prežitá skúsenosť a pozorované správanie. Syntetickí používatelia vytvárajú odpovede na to, čo by opísaný človek mohol povedať. Neukážu vám, ako si niekto poradil s problémom ani ako dlho zaváhal pred kliknutím. Preto sa na nich nedajú preniesť ani tieto dve triedy merania. Frekvencia správania vychádza zo záznamov o správaní: Tanusondjaja et al. (2023) odvodili rozdelenia intenzívnych nakupujúcich z viac než 550 miliónov transakcií v obchodných domoch, nie z opytovania. Aj konštrukty založené na pamäti patria do pamäťovej siete kupujúceho v nákupnej situácii, nie do textu o značke. Výraznosť značky je preto otázka merania, nie otázka pre model (Romaniuk & Sharp, 2004).

Regulačná, bezpečnostná alebo právna expozícia. Ak zlá odpoveď spôsobí stiahnutie produktu, pokutu alebo ujmu, použite ľudí.

Záver je jednoduchý: syntetický výskum je doplnok, nie náhrada. Umožní preskúmať otázky, na ktoré by ste inak rozpočet nedali, a zlepší reálny výskum tým, že vopred odstráni zjavné slepé uličky. Tím, ktorý ním nahradí vlastný výskum, si iba kúpi spôsob, ako potvrdiť vlastné domnienky.

Syntetickí používatelia v praxi

Prvá štúdia by mala byť malá, porovnávacia a overiteľná.

Nastavenie. Použite kvalitatívny modul. Publikum opíšte obyčajným jazykom, napríklad ako nakupujúcich potravín vo veku 30 až 50 rokov na dvoch európskych trhoch so zmiešaným príjmom. Začnite tromi persónami. Je to najmenší panel, pri ktorom sa odpovede môžu rozchádzať. Cena začína na 6 kreditoch a nájdete ju v cenníku.

Nástroj. Pripravte štyri alebo päť otvorených otázok o rozhodnutí, ktoré ste už urobili, a jednu doplňujúcu otázku, na ktorú odpoveď nepoznáte.

Čo dostanete späť. Prepis odpovedí každej persóny a potom syntézu: opakujúce sa témy, miesta, kde sa persóny nezhodli, a výroky, ktoré ich dokladajú. Najprv si prečítajte práve tieto rozdiely. Ak všetky tri odpovedali rovnako, len inými slovami, otázka bola pravdepodobne návodná alebo opis publika príliš úzky. Oboje môžete opraviť v ďalšom spustení, nie až po šiestich týždňoch terénneho zberu.

Kontrola, na ktorej záleží. Vyberte otázku, na ktorú vám vlani odpovedal reálny výskum, a spustite ju synteticky. Sledujte, či panel zopakuje hlavné zistenie. Takýto test je presvedčivý z dvoch dôvodov. Porovnanie na vlastnom fenoméne prináša reálne poznanie, nie slabšiu náhradu všeobecnej teórie presnosti (Golder et al., 2023). Meradlom pritom nie je úplná zhoda: ani ľudia neodpovedajú dvakrát rovnako. Toubia et al. (2025) preto do štúdie zaradili opakovanú vlnu na určenie testovo-retestovej základne. Ani ľudská porovnávacia skupina už nie je čistá: približne 34 % respondentov na Prolificu a až 73 % na MTurku uvádza, že pri otvorených otázkach používa umelú inteligenciu (Lin).

Tímy, ktoré z metódy dlhodobo ťažia, postupujú stále rovnako: najprv synteticky preskúmajú možnosti, potom na syntetických odpovediach overia výskumný nástroj, na ľuďoch potvrdia to, čo obstálo, a napokon porovnajú vlastnú kalibráciu s výsledkom reálnej štúdie. Práve posledný krok odlišuje seriózne používanie od nástroja na racionalizáciu. Nikto ho neurobí za vás.

Časté otázky

Sú syntetickí používatelia skutoční ľudia?

Nie. Sú to simulácie jazykového modelu založené na populačných štatistikách. Nezastupujú konkrétneho človeka, nespracúvajú osobné údaje a žiadnu odpoveď nedal človek. Nástroj, ktorý naznačuje opak, túto metódu skresľuje.

Sú syntetickí používatelia presní?

Jedno číslo presnosti neexistuje. Prehľadová literatúra vysvetľuje prečo: zhoda s ľudskými vzorkami sa výrazne líši podľa oblasti (Sarstedt et al., 2024) a opakovateľnosť kolíše podľa skupiny a témy aj vtedy, keď sú agregované rozdelenia podobné (Sun et al., 2024). Výsledky sa navyše menia podľa znenia promptu a verzie modelu, teda podľa stále nevyriešených „hyperparametrov“ tejto práce (Ong, 2024). Výstup berte ako porovnávací, nie ako kalibrovaný odhad. Dôkazy zhŕňa náš sprievodca presnosťou.

Koľko syntetickí používatelia stoja?

SynthFolk účtuje v kreditoch a ceny zverejňuje. Kvalitatívna štúdia s tromi persónami začína na 6 kreditoch; väčšie panely a kvantitatívne vzorky s 50 až 250 respondentmi stoja primerane viac. Porovnajte to s panelovou štúdiou, pri ktorej treba respondentov na tú istú otázku najať: zvyčajne trvá týždne a stojí štvorcifernú sumu.

Nahradia syntetickí používatelia testovanie použiteľnosti?

Nie. Je to najjasnejšia hranica celej metódy. Testovanie použiteľnosti meria, čo ľudia pod pozorovaním robia, kým syntetickí používatelia vytvárajú odpovede na to, čo by niekto mohol povedať. Sledovanie človeka, ktorý nevie nájsť tlačidlo, nenahradí nič.

Ktoré jazyky a trhy sú podporované?

SynthFolk má rozhranie v 12 jazykoch a persóny stavia na dátach z piatich európskych kultúrnych regiónov. Preto je praktický pre prvý pohľad naprieč trhmi. Pokrytie je však obmedzené podkladovými prieskumami: tam, kde je menej dát, je slabší aj výstup.

Skúste si to sami. Štúdia s tromi persónami začína na 6 kreditoch a nové účty dostávajú kredity zadarmo. Stačí to na test metódy pri otázke, na ktorú už poznáte odpoveď. Otvorte dashboard a overte, či panel zopakuje to, čo už viete. To je benchmark, na ktorom záleží.

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. 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