Circle Panel: синтетические пользователи в UX research — что говорят исследования
Синтетические пользователи в UX research: что говорят исследования и как их проверить
Engy Saleh · 4 ноября 2026 · 10 минут чтения
Представьте, что получаете обратную связь по новому онбордингу от 500 «пользователей» за десять минут и почти бесплатно. Именно это обещают синтетические пользователи. Именно поэтому продуктовые команды в условиях дедлайна так охотно к ним обращаются.
Вопрос не в том, звучат ли синтетические пользователи убедительно. Звучат. Вопрос в том, совпадают ли их ответы с тем, что сказали бы реальные люди. Исследования дают достаточно чёткий ответ: в среднем — часто да; в деталях, от которых зависят продуктовые решения, — часто нет.
Эта статья разбирает, что показали исследования, объясняет, почему разрыв, вероятно, шире для пользователей в арабском регионе, и предлагает протокол для проверки синтетического вывода на реальных участниках, прежде чем ему доверять.
Что такое синтетические пользователи?
Синтетические пользователи (также называемые синтетическими участниками или синтетическими респондентами) — это ИИ-модели, которым задают роль определённого типа человека для ответа на исследовательские вопросы. Вы описываете профиль — например, «HR-менеджер 34 лет из Эр-Рияда, который использует три HR-инструмента» — и модель отвечает на вопросы интервью или анкеты от имени этого человека.
Три связанных термина встречаются особенно часто:
| Термин | Что это такое | Из чего строится |
|---|---|---|
| Синтетический пользователь | ИИ-персона, отвечающая от имени определённого типа человека | Текстовое описание плюс обучающие данные модели |
| Цифровой двойник | ИИ-модель конкретного реального человека | Прошлые интервью, ответы в анкетах или поведенческие данные этого человека |
| Silicon sample | Множество синтетических респондентов, имитирующих опрашиваемую популяцию | Демографические истории, зачастую взятые из реальных данных опросов |
Ни одна из этих концепций не то же самое, что пользовательская персона. Персона — это обобщение уже проведённого исследования с реальными людьми. Синтетический пользователь — это предсказание того, что люди могли бы сказать.
Что реально показывают исследования
В основных исследованиях повторяется один паттерн: синтетические пользователи правильно определяют общее направление, но сглаживают разнообразие и упускают силу эффектов. Вот находки, наиболее важные для UX-команд.
-
Они приходят к тому же заголовку, но теряют разнообразие. В октябре 2026 года Nielsen Norman Group сравнила 120 синтетических респондентов с 604 реальными по одному открытому вопросу. Обе группы пришли к одному основному выводу. Но люди использовали более 50 различных категорий в ответах, тогда как синтетические респонденты ограничились примерно дюжиной. В одной подгруппе 93% синтетических product manager’ов использовали UX-термины — против 44% реальных product manager’ов. (NN/g, Synthetic Users vs. Human Respondents)
-
Они слишком позитивны и утверждают то, чего реальные пользователи не делали. Ранний тест NN/g синтетических пользователей на трёх исследованиях в жанре интервью показал: обратная связь часто была поверхностной или излишне благоприятной. В одном исследовании синтетические пользователи заявляли, что прошли онлайн-курсы, которые реальные участники не завершали. (NN/g, Synthetic Users: If, When, and How)
-
Они улавливают тренды, но не масштаб. Обзор NN/g 2025 года по трём исследованиям цифровых двойников показал: симулированные ответы следовали общим трендам человеческого поведения, но промахивались в размерах эффектов и разбросе ответов. Вариативность синтетических ответов была стабильно ниже, чем у реальных людей. Двойники, построенные на реальных данных интервью, показывали результаты лучше, чем построенные только на демографии. (NN/g, Evaluating AI-Simulated Behavior)
-
При тщательной настройке они могут воспроизводить некоторые паттерны опросов. Исследование «Out of One, Many» (Argyle и коллеги, опубликовано в Political Analysis) дало GPT-3 тысячи реальных демографических историй из американских опросов. Полученные «silicon samples» на удивление точно воспроизвели паттерны ответов американских подгрупп. (arXiv)
Последняя находка — наиболее сильный аргумент в пользу синтетических пользователей. Обратите внимание на её ограничения: хорошо изученные американские популяции, вопросы в стиле опросов и истории, взятые у реальных людей. У большинства UX-исследований нет ни одного из этих трёх преимуществ.
Практический вывод: синтетические пользователи могут подсказать, какие ответы, вероятно, встретятся. Они не могут сказать, сколько из ваших пользователей придерживаются той или иной точки зрения, насколько сильно — и какой неожиданный ответ изменит вашу дорожную карту. В качественных исследованиях именно этот неожиданный ответ, как правило, и является причиной, по которой вы проводили исследование.
Почему разрыв шире для пользователей в арабском регионе
Все приведённые выше исследования объединяет одна деталь: большинство симулированных людей были из США или других западных рынков. Это важно, потому что языковые модели симулируют не всех людей одинаково хорошо.
Модели думают как узкий срез человечества. Исследование «Which Humans?» от учёных Гарварда (Atari, Henrich и коллеги, 2023) сравнило ответы LLM с большими кросскультурными наборами данных. Модели больше всего напоминали людей из западных, образованных, индустриализированных, богатых и демократических обществ. Чем дальше популяция от этого профиля, тем хуже совпадение (r = -0,70). (Harvard CID)
Переход на арабский язык не решает проблему. Исследователи из Georgia Tech тестировали LLM на арабскоязычных подсказках в работе «Having Beer after Prayer? Measuring Cultural Bias in Large Language Models» (ACL 2024). Выяснилось, что модели зачастую отдавали предпочтение западным именам, блюдам и культурным отсылкам даже тогда, когда подсказка была на арабском и контекст явно относился к арабскому миру. (arXiv)
Цифровые двойники лучше отражают уже хорошо представленных. Обзор NN/g исследований цифровых двойников показал, что двойники точнее предсказывали белых и более состоятельных респондентов, чем остальных. (NN/g)
Для команды, создающей продукт для пользователей в Каире, Джидде или Маскате, сложите эти данные вместе. Синтетический «HR-менеджер из Саудовской Аравии» — это, скорее всего, западный HR-менеджер с арабским именем. Он не будет достоверно знать, как устроены цепочки согласований в семейной компании Персидского залива, как платят в Египте или какие функции кажутся рискованными первому онлайн-покупателю из Омана.
Именно здесь реальные исследования дают наибольшую отдачу. Когда конкуренты опираются на обобщённый вывод ИИ, команда, которая реально разговаривает с региональными пользователями, узнаёт то, чего нет ни в одной модели.
Где синтетические пользователи помогают, а где вводят в заблуждение
Простейшее правило: используйте синтетических пользователей для подготовки к исследованию, но никогда — для его замены. Они полезны до разговора с людьми и рискованны — после.
| Задача | Оценка | Причина |
|---|---|---|
| Стресс-тест discussion guide | Полезно | Выявляет запутанные, наводящие или двусмысленные вопросы до реальных сессий |
| Составление гипотез для изучения | Полезно | Быстрый способ набросать, что могут сказать пользователи, чтобы запланировать зонды |
| Репетиция для начинающего модератора | Полезно | Практика без расходования квоты реальных участников |
| Освоение словаря нового домена | Полезно с оговорками | Подходит как кабинетное исследование, но термины нужно проверять с реальными пользователями |
| Претестирование скринера и анкеты | Полезно с оговорками | Выявляет логические ошибки, но не реальные проблемы с пониманием |
| Приоритизация функций | Вводит в заблуждение | Синтетические ответы слишком позитивны и однородны, чтобы что-либо ранжировать |
| Оценка спроса или готовности платить | Вводит в заблуждение | Модели не улавливают размер эффектов, а именно он вам нужен |
| Валидация концепции и usability | Вводит в заблуждение | Модель не может запутаться в вашем интерфейсе так, как запутается реальный человек |
| Нишевые, B2B или региональные аудитории | Вводит в заблуждение | Чем меньше обучающих данных о группе, тем слабее симуляция |
| Чувствительные или эмоциональные темы | Вводит в заблуждение | Модели дают безопасные, обобщённые ответы вместо живого опыта |
Простая проверка для любого синтетического инсайта: если он вас удивил — проверьте его с реальными людьми. Если не удивил — возможно, он лишь подтверждает то, во что вы уже верили.
Как протестировать синтетических пользователей в сравнении с реальными
Если ваша команда хочет использовать синтетических пользователей, не решайте этот вопрос в ходе споров. Проведите небольшой параллельный тест на вашем продукте и вашей аудитории. Это займёт около недели.
- Выберите уже проведённое исследование. Возьмите то, где есть минимум 8 реальных интервью или 50 реальных ответов на анкету — чтобы было с чем сравнивать.
- Создайте синтетическую выборку по тем же критериям скрининга. Дайте модели те же профили, что у реальных участников, сегмент за сегментом. Не добавляйте детали, которые вы узнали из интервью.
- Задавайте те же вопросы, в том же порядке и на том же языке. Если реальное исследование было на арабском — проведите синтетическое тоже на арабском.
- Сравните четыре вещи:
- Охват тем: сколько из реальных тем встречается в синтетических ответах?
- Сюрпризы: есть ли в синтетических ответах неожиданные находки, которые изменили ваши решения?
- Разброс: посчитайте количество различных ответов или категорий в каждом наборе. Значительно меньшее число в синтетическом наборе — это эффект сглаживания, описанный выше.
- Тональность: сравните долю позитивных и негативных высказываний. Синтетические наборы обычно склоняются в сторону позитива.
- Проверьте на выдуманный опыт. Выпишите любые действия, которые приписывают себе синтетические пользователи, — например, «Я экспортирую отчёты каждый понедельник». Затем проверьте, сколько реальных участников на самом деле это описывали.
- Запишите вывод и его ограничения. Например: «Достаточно хорошо для претестирования гайдов на SMB-пользователях на английском языке. Недостаточно хорошо для корпоративных пользователей или арабоязычных исследований.» Поделитесь этим, чтобы никто не распространял результат дальше его обоснованных границ.
Повторяйте тест при смене модели или при переходе на новый рынок. Результат для одной аудитории не переносится на следующую.
Правила для репортинга синтетических находок
Главный риск синтетических пользователей — не сам инструмент. Это синтетическая цитата, которая попадает на слайд и читается как слова клиента. Четыре правила это предотвращают:
- Маркируйте каждый синтетический вывод. Используйте чёткую пометку «ИИ-симуляция, не пользовательские данные» на каждой цитате, диаграмме и слайде, где используется синтетика.
- Не помещайте в раздел с доказательствами. Синтетические выводы могут находиться в «гипотезах» или «вопросах для проверки». В разделе «что рассказали пользователи» им места нет.
- Никогда не смешивайте синтетические и реальные ответы в одном подсчёте. «70% респондентов» должно означать реальных респондентов.
- Фиксируйте настройки. Запишите модель, дату и профили, которые вы использовали. Результаты меняются при смене модели, и кто-нибудь обязательно спросит об этом позже.
Эти правила также защищают вашу исследовательскую команду. Когда синтетическая находка оказывается ошибочной, чёткая маркировка покажет, что это была гипотеза, а не исследовательский провал.
Реальные участники без долгого рекрутинга
Большинство команд обращаются к синтетическим пользователям по одной причине: рекрутинг реальных людей кажется долгим и дорогостоящим. Именно эту проблему и стоит решать, а не заменять людей.
Circle Panel предлагает панель участников из арабского региона для интервью, опросов и продуктовых тестов. Запись сессий по ссылке, живые транскрипты на арабском и английском языках, тематизация ответов ИИ с трассировкой каждой темы к реальной цитате. Тарифы начинаются от $29 в месяц, бесплатный пробный период — 14 дней.
Часто задаваемые вопросы
Что такое синтетические пользователи в UX research? Это ИИ-модели, которым задают роль определённого типа человека для ответа на исследовательские вопросы. Они предсказывают, что могут сказать пользователи, но не собирают реальные пользовательские данные.
Могут ли синтетические пользователи заменить реальных участников? Нет. Исследования показывают, что они приходят к аналогичным заголовочным выводам, но упускают разнообразие, масштаб эффектов и неожиданные ответы, которые двигают продуктовые решения.
Насколько синтетические пользователи точны для арабоязычных пользователей? Данные свидетельствуют о том, что менее точны. Языковые модели лучше всего соответствуют западным популяциям, и культурная предвзятость сохраняется даже при арабоязычных подсказках.
В чём разница между синтетическим пользователем и цифровым двойником? Синтетический пользователь строится на основе описания профиля. Цифровой двойник строится на данных конкретного реального человека, например его прошлых интервью. Двойники обычно точнее, но им тоже нужны реальные данные в основе.
Когда синтетических пользователей уместно использовать? До начала исследования: для претестирования discussion guide, наброска гипотез или репетиции модератора. Всё, что они производят, нужно воспринимать как вопрос для проверки с реальными людьми.