每个营销项目上线前，总有人会问一句：客户会怎么反应？
过去，答案是问卷和焦点小组——准确，但慢，报名、筛选、安排访谈，几周时间就过去了。截止日期往往先到，于是最终决策还是靠直觉。
如今，一些团队开始用AI代替真客户提意见。给AI模型描述一个消费者画像，问它同样的问题，几分钟就能收到回复。今年9月，Salesforce宣布收购AI客户调研初创公司Listen Labs，就是这个趋势的注脚。
那么，这种“合成客户”真的能取代焦点小组吗？
合成客户（Synthetic Customers），也叫AI用户画像，是一种能够模拟特定受众回应的模型。比如，团队要在两个促销方案中选一个，目标人群是六个月没下单的消费者，就可以给模型输入年龄、地理位置、购买习惯等特征，再问它哪个方案更可能被点击。而且，同样的练习能针对几百个消费者画像反复进行。
描述得越详细，模型的表现越接近真实？不一定。简短的描述能为模型提供大致的模式，而真实的调查答案和访谈记录则能让画像更贴近真人。但无论哪种方式，最关键的疑问始终是：它们的回答，和真实人群有多接近？
在广泛问题上，通常不差。
伦敦政治经济学院主导的一项大规模研究，通过多个在线抽样服务平台调查了7755人，问题覆盖财务前景、购物习惯和社交媒体使用等主题。合成受众公司Electric Twin资助了这项研究，其联合创始人将相同的问题输入合成受访者系统。结果显示，在大多数问题上，合成回答与人类回答落在同一区间内——它们捕捉到了群体回答的“中心趋势”，也就是一个群体最常见的回应方式。
研究人员认为，在开展真实人群调研之前，这是一个有用的前期步骤。
但接近不代表无差别。AI画像是基于数据模式作判断的，因此存在三种结构性偏差。
第一，答案容易偏向中间值。 调研平台Prolific的研究发现，人口统计类画像倾向于给出常见且刻板的回答。相比直接让模型给出一个总体估计，这种回答在选项间的分布误差能高出三倍。
第二，新事物缺乏历史数据。 如果品牌推出一款前所未有的新产品，模型没有过往行为可以学习，就只能根据相似产品猜，一猜就容易偏。
第三，自信的回答可能掩盖薄弱的判断。 问画像会不会为某个新套餐付费，它会给出一个条理清晰的肯定或否定，显得底气十足。但这种自信无法反映真实消费者在真实环境中到底会不会点头。
这些偏差，在做重大决策时尤其危险。
那该怎么办？一个务实的答案是：用合成客户做探索，用真实用户做决策。
所谓探索，指的是早期阶段的试错——判断错了代价不大，顶多浪费半天时间。比如筛选信息方向、优化问卷问题、初步评估价格区间。而决策则相反，错误判断会带来真金白银的损失，比如产品发布、价格调整、进入新细分市场。
一项相关测试也印证了这个边界。洞察与分析机构Strat7把合成受访者与英国全国代表性样本做对比，检验其补充效果。结果，在长达两年的测试中，合成数据只有19%的时候能准确识别品牌认知度的年度变化。Strat7的人工智能负责人形容这些数据“在总体结果上可信”，但不足以支持背后的具体决策。
图源：ClickZ
第一，更丰富的画像并不等于更精准。 就算用真实问卷和访谈记录来构建画像，模型仍可能倾向于选择最安全的答案，细节多反而可能误导。
第二，可以在简报前做一次“回测”。 《泰晤士报》曾保留一部分真实受众，让合成小组预测这些人的回答，准确率约92%，而传统调研为93%。团队可以用类似方法：让画像预测上季度投放广告的效果，再与实际表现比对，就知道画像的水分有多大。
第三，复杂问题必须交给真实人群。 皮尤研究中心让AI模型以真实小组成员的身份重新进行了三项调查，结果AI的回答与人工调查结果的平均差异达到12个百分点，而且没有任何一个人口统计群体的差异低于这个数字。
每个AI画像背后，都藏着一个关于“客户是谁”的判断。这个判断在模型回答问题之前就已经存在——语言模型只是把简报里的那种“最普通客户”原样反馈回来。
所以，合成客户能不能取代焦点小组？它可以作为补充，前提是它所模拟的受众已经经受过真实客户行为的验证。在那之前，它只是用自信的语气，把团队自己的假设念给你听。
封面图源：Unsplash
