高露洁棕榄(Colgate-Palmolive)与 PyMC Labs 联合发布的一项新研究显示,只要改变提问方式,让大语言模型 " 角色扮演 " 消费者,AI 预测真实购买意愿的可靠度即可达到人类重测信度的 90%。
这篇挂在预印本平台 arXiv 上的论文近期在海外科技与商业圈引发震动。全球企业每年在消费者调研上投入数十亿美元,有市场观点据此认为,传统调研的商业模式正面临冲击——企业不必耗时数周招募受访者,即可在极短时间内完成上千次定向访谈模拟与定价 A/B 测试。
喧嚣之外,论文作者与一线观察者却给出了更为审慎的判断。研究团队明确表示,合成消费者并非人类调研的全面替代品;社交平台 X 上的多位评论者也提醒,该方法生成的类人数据分布可能暗藏统计噪音,在大众日化之外的高风险决策中仍有待检验。
破解 AI" 和稀泥 " 顽疾:告别直接打分
快消品投产前,企业通常会借助代表性消费者样本测试产品概念,最核心的指标是以 5 点李克特量表(1 分为 " 绝对不买 ",5 分为 " 绝对会买 ")衡量的购买意愿(PI)。这一延续数十年的流程成本高昂,且受访者常出现敷衍作答、顺从偏差和积极性偏差,导致需求信号充满噪音。
学界与业界早有引入 AI 充当 " 合成消费者 " 的尝试,但直接让模型打 1 至 5 分(直接李克特评分,DLR)往往收效甚微。论文测试 OpenAI 的 GPT-4o 与谷歌 Gemini-2.0-flash 后发现,直接打分时,模型习惯躲进居中的 " 安全分 "3 分,极少给出 1 分或 5 分,而真实人类答案大多集中在 4 分和 5 分。
结果,两款模型的响应分布相似度(KS 相似度)分别低至 0.26 和 0.39。若通过修改提示词强行把模型推向高分区,模型又会出现 " 过度校正 ",导致产品概念的相对排名信号失真。
研究团队认为,问题不在于大语言模型本身,而在于直接索要数字的提问方式。为此,论文提出语义相似度评分(SSR):先向模型输入特定人口统计学特征和产品概念图,让其自由写下购买想法;再用 OpenAI 的文本嵌入模型(text-embedding-3-small)提取文本向量,计算其与 5 句预设锚定陈述的余弦相似度,并在 6 组参考陈述集上取均值,最终转化为 5 点量表的概率分布。

这套零样本(zero-shot)框架无需历史调研数据训练或微调,具备即插即用的低成本优势,其 Python 代码已在 GitHub 开源。
9300 份真实样本实测:跑赢传统算法,但离不开 " 人设 "
研究团队调取了某领先个护企业在美国市场完成的 57 项真实概念调研作为基准。每项调研包含 150 至 400 名独立受访者,总样本量达 9300 人。
在完整画像与图文概念刺激下,SSR 将 GPT-4o 和 Gemini-2.0-flash 在产品相对排名上的相关性达成率分别推升至 90.2% 和 90.6%(以模拟 2000 次人类随机分组重测的相关性上限为参照)。两款模型的分布 KS 相似度同步跃升至 0.88 和 0.80,大幅甩开直接打分法,也高于先写文本再交由 AI" 评分专家 " 转译的追问打分法(FLR,两款模型分别为 0.72 和 0.59)。

在泛化与降维测试中,SSR 同样表现稳健。面对 " 产品概念与你的相关性如何 " 这一新问题,Gemini-2.0-flash 的相关性达成率达 82%,分布相似度达 0.81;若将图文概念简化为纯文本,模型表现仅轻微下滑。
更关键的对照来自传统机器学习。研究人员随机抽取 28 项调研作为训练集、29 项作为测试集,用 5 项人口特征和 3 项产品属性重复训练了 300 个梯度提升决策树模型(LightGBM)。即便掌握样本内数据,LightGBM 的相关性达成率也仅为 64.6%,分布相似度为 0.80;同等划分下,零样本 GPT-4o 配合 SSR 分别拿到 88.3% 和 0.88。
但实验同时划出一条红线:" 人设 " 不可或缺。一旦从 Gemini-2.0-flash 的提示词中剔除所有人口统计学特征,合成样本虽能产出与真实数据一致的平均分(4.0 ± 0.1)和高达 0.91 的分布相似度,但在最佳参考集下,产品排名的相关性达成率从 92% 断崖式跌至 50%。缺少画像约束的 AI 只会一味给好评,失去筛选产品的核心功能。
细分维度上,合成消费者较好还原了真实消费规律。真实调研中购买意愿随年龄呈倒 U 型分布(中年高于年轻与老年),GPT-4o 准确复现了这一走势;面对预算紧张的收入设定、不同品类与价格档位,AI 的偏好排序也与人类高度贴合。

附带的自由文本还带来了意外红利。真实受访者的开放式留言往往止步于 " 挺好的 ",AI 却能给出详尽且少有积极性偏差的批评,其预测均值跨度更广,反而为早期筛选提供了更具区分度的信号。面对不受欢迎的概念,Gemini-2.0-flash 会直言:" 听起来很贵,我不太买账那些‘微生物组’的说法,还是用我熟悉的产品吧。"
颠覆行业还是 " 随机鹦鹉 "?
论文作者在结论中勾勒了新的研发路径:企业无需为每个早期创意买单,而是先用合成消费者低成本海选,将昂贵的人类样本留给最具潜力的候选方案。这既能加速迭代,也让中小品牌有机会触及以往无力承担的消费者洞察。
不过,研究团队并未回避方法的硬伤。实验中采用的 6 组锚定陈述系针对这 57 项调研手动优化,跨调研的普适性仍待观察;AI 虽能较好模拟年龄与收入差异,在性别、居住地区和族裔维度上却表现不稳。
更根本的制约来自训练语料。SSR 在口腔与个护领域奏效,很大程度上源于网络论坛和消费者评论中沉淀了海量相关讨论;一旦进入语料稀缺的陌生品类,大模型仍会产生幻觉。真实世界里的预算硬约束、文化语境与营销曝光,同样难以被合成样本完整捕捉。
社交平台 X 上的争论折射出业界对这一趋势的分歧。用户 James He 将语义相似度诱导称作 " 一个有趣的小技巧 ",指出其制造类人分布的方式 " 本质上只是噪音,且丢失了项目间的所有协方差 "," 用来决定牙膏方案或许足够,但未必适用于最关键的决策 "。

用户 James Sutton 则认为这正是 " 随机鹦鹉 " 的典型写照:大模型输出的只是 " 互联网平均值的均值 ",角色扮演本质上是基于条件逻辑的简化世界构建,虽非真实思考,却依然管用。

也有观察者看到了这项成功的潜力。用户 MartianCats 评论称,商业广告无处不在地运用 " 选择架构 " 引导消费,如今大模型开始直接对人类行为建模," 尚不清楚行为经济学家如何看待大模型,但它们或许会像近期改变数学领域一样,颠覆经济学 "。



登录后才可以发布评论哦
打开小程序可以发布评论哦