Humans of Martech: синтетические пользователи в исследованиях — интервью с Джоном Уэйленом

Доктор Джон Уэйлен — когнитивный учёный, автор и основатель компании Brilliant Experience — посвятил карьеру изучению того, как люди на самом деле думают. Его вывод неудобен для тех, кто считает свои маркетинговые решения более рациональными, чем они есть. В этом эпизоде подкаста Humans of Martech он рассказывает о синтетических пользователях, построенных на принципах когнитивной науки, о том, какой исследовательский пробел они заполняют, и о том, почему убрать человека-интервьюера из комнаты может быть самым быстрым способом наконец услышать правду.

Как работает исследование с синтетическими пользователями и когда ему можно доверять

Исследование с синтетическими пользователями звучит пугающе, и Уэйлен первым это признаёт: сам термин создаёт ненужное трение ещё до начала разговора. Если бы он участвовал в выборе названия, он бы настаивал на чём-то вроде «динамические персоны». Но суть метода далека от антиутопии.

Специализированные AI-инструменты симулируют реакцию определённого сегмента аудитории на вопрос, концепцию или стимул — без рекрутинга, расписания, стимулирования и ожидания реальных участников. Уэйлен ведёт курс, в рамках которого сначала собирает реальные данные от людей, а затем подаёт сопоставимые входные данные в эти инструменты для прямого сравнения точности. Результаты впечатляют: ответы, сгенерированные ИИ, совпадают с реальными находками где-то между 85% и 100% времени по основным темам и потребностям потребителей. Это не рецензируемое клиническое исследование, и Уэйлен не притворяется обратным. Но 85% совпадения достаточно, чтобы перестать рефлекторно отвергать метод и начать задавать более конкретные вопросы о том, где именно он вписывается в исследовательский стек.

Что это означает практически? Подумайте обо всех решениях, которые сейчас принимаются в полном вакууме структурированных данных. Сколько решений о продукте, концепциях кампаний и сдвигах в позиционировании происходит лишь на основе мнений комнаты, которая читала одних и тех же авторитетов в LinkedIn? Уэйлен считает, что низкая стоимость, круглосуточная доступность и минимальная публичная огласка делают эти инструменты идеальными для таких моментов: проверить гипотезу в 23:00, протестировать направление питча до того, как его покажут клиенту, или решить, заслуживает ли концепция времени и денег для полноценной валидации.

«Если эти инструменты будут только улучшаться — а они будут, — то логично спросить: какие решения сейчас принимаются полностью на интуиции, без каких-либо исследований, и что мы могли бы использовать, чтобы хоть как-то обосновать выбор?»

Один из недооценённых аспектов, которые поднимает Уэйлен, — глобальная инклюзивность. Крупные организации регулярно тестируют в США и Западной Европе, а потом экстраполируют эти находки на рынки Юго-Восточной Азии, Латинской Америки или Африки к югу от Сахары — просто потому что локальных исследовательских бюджетов не существует. Синтетические персоны, обученные на более широких репрезентативных данных, могут как минимум давать направленные сигналы для этих рынков, делая исследования более географически честными без пропорционального роста затрат.

Как синтетические пользователи подталкивают стейкхолдеров к настоящим исследованиям

Большие статичные исследовательские деки имеют фундаментальное ограничение, понятное каждому, кто сидел на презентации стейкхолдеру: вы передаёте отчёт, человек его читает, а через три дня у него появляются пять новых вопросов, на которые нельзя ответить без повторного выхода в поле.

Живая персона для продолжения диалога

Уэйлен утверждает, что синтетические пользователи решают эту проблему неожиданным образом: когда стейкхолдер может продолжать взаимодействовать с живой AI-персоной, разговор никогда не закрывается. Они начинают тыкать в модель, спрашивать: «Вам бы это понравилось?» или «Почему вы так к этому относитесь?» — и где-то в этом процессе что-то меняется. Они перестают воспринимать исследование как отчёт и начинают воспринимать его как живой постоянно доступный источник.

В нескольких клиентских проектах Уэйлен наблюдал, что такая интерактивность разжигает аппетит к большему. Его команда позиционирует вывод синтетических пользователей как ориентировочный — явно не как данные, скорее ближе к генерации гипотез, чем к валидации. Но когда стейкхолдер по-настоящему воодушевляется паттерном в синтетической персоне, следующая мысль оказывается неизбежной: «Если это может оказаться правдой, нам нужно проверить с реальными людьми». Синтетический пользователь работает как предварительный просмотр дисперсии, которую можно обнаружить в поле, а не как замена выхода туда.

«Думайте об этом почти как о предварительном просмотре того, что у вас могло бы быть с реальными людьми. Вы лучше подготовлены к тому, что может прийти, к возможному распределению разных ответов».

Мгновенная реакция как источник данных

Есть и второй сценарий использования: обнаружение новых вопросов. Когда стейкхолдер впервые садится формулировать исследовательский проект, он часто не знает, что именно спрашивает. Запустить синтетического пользователя прямо в комнате и бросить ему этот сырой, ещё не оформившийся вопрос в реальном времени — это даёт ответ, против которого стейкхолдер немедленно реагирует, не потому что ответ был просветляющим, а потому что он был слегка неверным. «Это не совсем то, что я хочу» — одна из самых ценных фраз, которую можно услышать от клиента. В этот момент вы узнали о том, что его действительно волнует, больше, чем дало бы тридцать минут вводного разговора. Вывод синтетического пользователя в этот момент почти не имеет значения — реакция и есть данные.

Тестирование нишевых сегментов

Уэйлен указывает на структурное преимущество для исследовательских команд с ограниченными бюджетами. Большинство организаций не могут реалистично протестировать каждый интересующий их сегмент аудитории, и решения о приоритетах принимаются на интуиции чаще, чем кто-либо признаёт. Синтетические пользователи дают командам ранний ориентировочный срез по тому, какие сегменты стоят инвестиций, до начала дорогостоящей полевой работы.

Невозможные вопросы

Он также называет способность задавать то, что сам именует невозможными вопросами: то, что реальный респондент никогда не сказал бы интервьюеру и никогда не признал бы в опросе, — всплывающее через более свободную, спекулятивную природу взаимодействия с большими языковыми моделями. Можно даже запрашивать вывод в специализированных фреймах, например jobs-to-be-done, чего ни один инструмент опроса не позволяет делать в реальном времени.

Как синтетические пользователи дополняют исследования с реальными людьми

Предварительное тестирование на синтетических пользователях вызывает справедливый скептицизм — прежде всего из-за риска упустить те висцеральные, эмоциональные моменты, которые всплывают в реальном контекстном исследовании. Уэйлен честно говорит об ограничениях больших языковых моделей.

Один из наиболее очевидных примеров касается физической укоренённости. Спросите языковую модель о том, как дотянуться до чего-то на высоте шести метров, — она жизнерадостно скажет: просто потянитесь вверх. Никакого воплощённого ощущения того, что такое шесть метров. Никакой физической интуиции, накопленной за десятилетия навигации реального тела в реальном мире. Этот пробел структурный, а не артефакт, который можно обойти.

Помимо пространственного мышления, синтетические пользователи также склонны быть (парадоксально) слишком логичными. Реальные люди восхитительно иррациональны — сформированы когнитивными искажениями, эмоциональными триггерами и прямыми противоречиями, которые статистические модели сглаживают. Уэйлен характеризует вывод синтетических пользователей как условные возможности, а не окончательные вердикты, поскольку реальные исследования регулярно выдают контринтуитивные находки, которые ни одна модель не предсказала бы.

«Мы хотим говорить, что это возможность или условность. Реальные люди с их образом мышления подвержены собственным слабостям и несовершенствам, а синтетические пользователи могут попасть в ловушку чрезмерной логичности или систематичности».

Там, где Уэйлен находит синтетических пользователей по-настоящему сильными, — это подготовка к важным презентациям. Его команда регулярно строит синтетические версии конкретных стейкхолдеров перед высокоставочными встречами, загружает ключевые тезисы питча в модель и спрашивает, каковы вероятные первые возражения, вопросы и контраргументы. Точность оказывается поразительной: вопрос, который модель называет вероятным, нередко вырывается из уст стейкхолдера почти дословно — иногда слово в слово.

Он также использует синтетических экспертов для исследования собственных когнитивных слепых зон, намеренно вводя альтернативные дисциплинарные перспективы в анализ. Как когнитивный учёный по образованию, а не бренд-стратег, такое интеллектуальное трение для него обязательно — именно так он находит фреймворки, к которым никогда не потянулся бы самостоятельно.

Более честная критика противопоставления «shortcuts против строгости» в том, что оно изначально строит ложную дихотомию. Синтетическое предтестирование и реальное контекстное исследование не конкурируют друг с другом — они решают разные задачи на разных этапах исследовательского процесса. Одно обеспечивает скорость, масштаб и способ проверить мышление до того, как сгорят ресурсы. Другое даёт сырую, неотфильтрованную человеческую текстуру, которую никакая генеративная модель не может сфабриковать, — ту, которую чувствуешь в комнате, когда у кого-то неожиданно ломается голос.

Как строить синтетических пользователей на основе реальных данных интервью

Синтетические пользователи звучат как быстрый путь: загрузите несколько промптов в ChatGPT, получите фейковую персону, готово. Но Уэйлен описывает нечто значительно более строгое. Он разбивает практическую механику на два отдельных трека: специализированные SaaS-продукты и кастомные агентные пайплайны, которые вы строите сами.

На стороне SaaS он перечисляет инструменты, о которых большинство маркетологов никогда не слышали: Verve, Yabble, Subconscious AI, Ask Rally, Delve — каждый с собственной методологией и углом атаки. Его команда интервьюировала основателей этих платформ, стремясь понять, как каждая из них подходит к обучению моделей, обновлению данных и обработке нюансов конкретных культур или демографических групп, — поскольку именно здесь качество методологии определяет, является ли вывод полезным сигналом или просто правдоподобно звучащей ерундой.