Синтетические опросы: где заканчиваются гипотезы AI и начинаются данные клиентов

Команда хочет проверить идею приложения, но интервью ещё не проведены. Возникает соблазн попросить AI сыграть несколько сотен потенциальных клиентов, собрать ответы в таблицу и выбрать самую популярную функцию. Такая таблица выглядит как исследование: у неё есть сегменты, проценты и цитаты. Однако происхождение ответов определяет, какие решения она позволяет принимать.

Синтетический респондент — модель, отвечающая от имени заданной персоны. Увеличение количества таких ответов расширяет объём сгенерированного материала, но само по себе не подтверждает, что живые клиенты думают или действуют так же. Для продуктовой команды важно заранее обозначить границу: здесь сформированы гипотезы, а здесь получены наблюдения и ответы людей.

Что проверил Pew Research Center

30 сентября 2026 года Pew опубликовал методологический эксперимент, сравнив ответы участников American Trends Panel с ответами их AI-персон. Модели передавали характеристики реальных участников и сведения из предыдущего опроса, затем задавали вопросы трёх опросов первой половины 2026 года. Основные результаты представленных глав относятся к Claude Opus 4.6 и выбранным настройкам эксперимента.

В главе о неуверенности и фактических знаниях Pew сообщает: на вопросах мнения с явным вариантом «не уверен» люди выбирали его в 16% случаев, синтетические респонденты — в 4%. В той же главе AI чаще отвечал правильно на вопросы фактических знаний. Модельные ответы отражали доступную модели информацию и её склонность давать определённый ответ, а не точно воспроизводили знания и сомнения людей.

Это эксперимент с общественным мнением в США. Эти проценты нельзя переносить на покупателей вашего продукта, другую страну или любую модель. Он также не является прямым исследованием B2B-интервью. Его значение для продуктовой работы — конкретное предупреждение: правдоподобная персона может скрывать неопределённость, которую нужно исследовать у настоящего пользователя.

Среднее мнение может скрыть исключения

В отдельной главе о разнообразии общественного мнения Pew описывает сужение распределений ответов. На одних вопросах модель концентрировала людей в средних категориях, на других приписывала почти всем один вариант. Даже направление результата, похожее на человеческий опрос, не означало совпадения разнообразия.

Для приложения исключения часто важнее среднего предпочтения. Один пользователь действует с телефона, другой передаёт данные коллеге, третий не обладает правом согласовать запрос. Если искусственные персонажи сходятся на удобном типовом сценарии, команда рискует пропустить условия, при которых процесс ломается. Это проектный риск, вытекающий из различия между гипотезой и наблюдением, а не измеренный Pew эффект конкретного приложения.

При планировании клиентского продукта полезно искать такие границы: кто начинает действие, кто завершает, какие данные доступны каждому участнику и что происходит при отказе. Не превращайте повторяющийся AI-ответ в доказательство того, что исключений нет. Он может лишь подсказать, какие исключения стоит проверить.

Где синтетические ответы помогают

Используйте AI на подготовительном этапе: предложить разные формулировки вопроса, обнаружить профессиональный жаргон, составить список альтернативных объяснений и сценариев. Например, модель может предположить, что человеку непонятен статус запроса. Это повод подготовить задание для исследования: попросить клиента найти статус и объяснить следующее действие.

Сохраните первоначальную гипотезу до интервью. Для каждой запишите, какие наблюдения её подтвердят, что ей противоречит и какое решение зависит от результата. Если гипотеза касается причин отказа, одного вопроса «нравится ли вам экран?» недостаточно. Нужны разбор последнего реального случая или наблюдение за выполнением задачи.

В рабочей таблице разделите синтетический текст, ответы людей, продуктовые события и интерпретацию команды. Добавьте происхождение, дату и контекст. Для AI-материала сохраняйте модель и запрос, если это разрешено правилами вашей организации. Личные данные и конфиденциальные записи клиентов не следует передавать внешнему сервису без установленного порядка работы с ними.

Как перейти к проверке с людьми

Представим команду, которая создаёт кабинет для заявок на обслуживание. Начать можно с одного полного пути — подход описан в планировании первой версии портала. Сначала выясните, как клиент отправлял последнюю заявку, где ждал ответа и кому писал, если статус был непонятен. Затем предложите прототип и наблюдайте за конкретным действием.

Приглашайте людей с разными условиями работы, а не только тех, кто легко соглашается помочь. Разделяйте новых и опытных пользователей, инициаторов и согласующих. Небольшая серия наблюдений помогает найти проблемы сценария, но не даёт оснований заявлять точный процент всей клиентской базы. Размер и способ набора участников должны соответствовать вопросу исследования.

Если продукт связан с покупкой с телефона, полезен аудит мобильных барьеров: реальное устройство и действия дают другой тип свидетельств, чем объяснение воображаемой персоны. После запуска проверку продолжает измерение повторной ценности при онбординге, где важно возвращение к полезной задаче, а не только мнение о первом экране.

Что должно попасть в решение команды

Перед выбором объёма заказного приложения составьте короткую записку: что известно от людей, что видно в поведении, что предложил AI и что пока не проверено. Для спорной функции назовите следующий способ проверки и цену ошибочного выбора. Такой документ полезнее большого синтетического опроса без описания происхождения данных.

Синтетические ответы могут сделать подготовку содержательнее, если команда использует их как материал для вопросов. Решение о потребности клиента требует свидетельств, связанных с самим клиентом. Самая полезная роль AI здесь — помочь быстрее заметить, чего команда ещё не знает, и организовать проверку этого пробела.

Источники

• Pew: How synthetic respondents express certainty and factual knowledge, 30 сентября 2026 года.
• Pew: How well synthetic polls capture the diversity of public opinion, 30 сентября 2026 года.