Синтетичні респонденти, цифрові двійники та нова етика

Повернувшись з однієї з найвпливовіших подій світу досліджень та інсайтів — ESOMAR Congress 2026, — де понад 1300 учасників з усього світу зібралися для обговорення майбутнього маркетингових досліджень та аналітики, я вкотре переконалася: стадія суперечок про те, чи є штучний інтелект черговим хайпом в індустрії, остаточно залишилася в минулому.

Зараз постає питання, як із цим жити, будувати бізнес і зберігати якість даних. Зали на сесіях про синтетичних респондентів і цифрових двійників були переповнені. Проте за цим ажіотажем ховається цікаве спостереження: AI-трансформацію в дослідницькому середовищі драйвить не лише прагнення до ефективності чи економії. Значною мірою її підживлює щира цікавість клієнтів до того, щоб бути частиною нових методів. І ця цікавість змушує нас рухатися значно швидше, даючи певний карт-бланш на експерименти.

Після конгресу я б виокремила кілька трендів, які, на мою думку, надовго залишаться з нами.

Рух від окремих досліджень до системи знань, від опису минулого до моделювання майбутнього

Класична модель research виглядала приблизно так: поставили питання → провели дослідження → отримали презентацію → закрили проєкт. Для бізнесу, який приймає рішення щодня, ця модель стає занадто повільною.

На ESOMAR було багато прикладів, де дослідницька інфраструктура перетворюється на постійну систему аналітики та знань. Вона накопичує знання, підтягує нові сигнали і дозволяє повертатися до вже зібраних даних, коли виникає нове питання.

У Kraft Heinz, наприклад, замість запуску нового великого дослідження команда зібрала десятки попередніх досліджень, додала нові дані від споживачів і використала AI для роботи з усім масивом. Робота, що зазвичай тривала місяці, була зроблена за кілька тижнів. Це означає, що головним інструментом поступово стають не нові дані, а здатність швидко активувати те, що компанії вже відомо.

Цього року я сама мала можливість говорити на сцені ESOMAR про те, як повномасштабна війна змінює дослідницьку практику. І це ще один важливий контекст для розмови про майбутнє галузі: коли суспільство змінюється так швидко, разом із ним мають змінюватися і самі підходи до досліджень.

Понад те, дослідження рухаються від пояснення минулого до моделювання майбутнього. Синтетичних респондентів і цифрових двійників дедалі активніше використовують для сценаріїв «що буде, якщо…?».

AI не замінює людину, а змінює її роль

Однією з найбільш дискусійних тем конгресу стали синтетичні респонденти та цифрові двійники. Мені сподобалося, що найбільш зрілі розмови вже не звучать як «люди скоро залишаться за бортом». Навпаки, найперспективніша модель сьогодні — не люди або AI, а люди разом з AI. Тобто AI не замінює дослідження на реальних людях, а доповнює його. Адже рівень похибки синтетичних моделей і двійників досі не є достатнім для повного заміщення human-based досліджень. Найкращі приклади на стабільних ринках декларують 85%. Основна проблема — мінливість думок і намірів під впливом медіа та сотень інших зовнішніх факторів.

Водночас синтетичні моделі можуть дуже швидко перевірити велику кількість гіпотез, допомогти побачити слабкі місця та скоротити кількість варіантів до тих, які справді варто тестувати на людях.

У прикладі Itaú, приміром, етап пошуку та перевірки ідей скоротився приблизно з двох тижнів до кількох годин. Але фінальним етапом залишилася перевірка результатів на реальних людях. Це, на мій погляд, набагато реалістичніше майбутнє, ніж ідея про витіснення реальних людей із досліджень. Бо зрештою ми досліджуємо саме людську поведінку, мотивації, контекст та суперечності.

Швидкі дані не дорівнюють достовірним

Коли AI може за хвилини згенерувати відповідь, виникає спокуса вважати швидкість новою якістю. Але представлені на конгресі історії наочно показали, що це працює не так.

Наступна конкуренція в AI-дослідженнях буде не за швидкість, а за достовірність і реалістичність відповідей. Для цього потрібно перевіряти їх на реальних даних і живих відповідях, розуміти, як саме працювала модель, та мати можливість відтворити отриманий результат.

Один із прикладів, представлених в програмі ESOMAR, стосувався використання AI замість технології, що відстежує, куди саме дивиться людина на упаковці. У 77 паралельних тестах штучний інтелект непогано визначав, які елементи привертають увагу, але значно гірше показував, у якій послідовності людина насправді читає упаковку.

У 67% випадків використання AI замість дослідження з реальними людьми могло б привести до іншого висновку для бізнесу. Це дуже хороший антидот до надмірного технологічного оптимізму.

Опитування без інтерпретації — лише частина картини

Ще один наскрізний мотив конгресу — розрив між тим, що люди говорять про свою поведінку, і тим, як вони поводяться насправді. При цьому люди не брешуть. Просто ми не завжди добре бачимо власні звички, автоматичні дії чи реальний контекст свого вибору.

Дуже показовим був приклад Unilever та Ipsos. За допомогою спеціальних міток виміряли реальну кількість засобу для прання, яку люди використовують. У середньому вона майже збіглася з тією, яку респонденти називали в опитуванні. На перший погляд, це означало б, що традиційне опитування досить точно описує поведінку. Але коли подивилися на окремі прання, лише близько 30% заявлених доз були близькими до фактично виміряних.

Це важливий пункт для всієї галузі: те, що люди розповідають про свою поведінку, залишається важливим джерелом інформації, але не є єдиним способом її розуміння й інтерпретації. Тому до опитувань та інтерв’ю дедалі частіше додають спостереження за реальними діями, дані про взаємодію людей із цифровими сервісами й інформацію про контекст, у якому вони приймають рішення.

Роль дослідника трансформується, але не зникає

Чим більше AI бере на себе технічну роботу — обробку даних, аналіз і формування гіпотез — тим важливішою стає роль людини в тих речах, де машина не може замінити експертизу. Правильно поставити запитання, помітити суперечність у даних, зрозуміти культурний контекст і визначити, який результат справді важливий для бізнесу.

На ESOMAR мені сподобалося формулювання нової ролі дослідницької команди: архітектори, контролери якості та перекладачі. Тобто фахівці, які визначають, як поєднати дані та технології, перевіряють надійність отриманих результатів і перетворюють складну інформацію на зрозумілі рішення для бізнесу. У своєму виступі я запропонувала називати дослідників «менеджерами зі зв’язків із реальністю».

Дослідник майбутнього — це людина, яка оркеструє людський і машинний інтелект, контролює якість і перекладає складний масив сигналів у рішення.

Ще один важливий тренд — зростає значення культурного контексту. AI добре знаходить закономірності, але не завжди може пояснити, що вони означають для конкретної людини чи суспільства. Тому дедалі важливішими стають не лише вік і дохід, а й цінності, спосіб життя та контекст, у якому люди приймають рішення. Жива експертиза стає одним із головних способів відрізнити змістовний інсайт від просто красивої відповіді. Саме тому цінність дослідження для бізнесу не в кількості даних чи швидкості їхнього аналізу, а в тому, чи змінюють отримані висновки продукт, стратегію або комунікацію.

Український досвід добре показує, чому людська експертиза залишається критично важливою. Коли суспільство переживає масштабні зміни, недостатньо просто швидко зібрати дані. Потрібно постійно переглядати, кого саме ми досліджуємо, як формулюємо запитання і наскільки безпечно респонденту на них відповідати.

Для України ця тема має ще один вимір. У періоди великих змін і криз дослідження стають частиною інфраструктури стійкості: допомагають бізнесу, державі й суспільству швидше бачити зміни й ухвалювати рішення на основі реальної картини.

Мабуть, саме тому мій головний висновок з ESOMAR цього року — не про те, наскільки швидко AI може замінити окремі процеси, а про те, як технології можуть допомогти нам швидше й точніше розуміти людей, не втрачаючи людського контексту.

 Авторка - Євгенія Близнюк, соціологиня, експертка з маркетингу, засновниця та СЕО дослідницької компанії Gradus