夜雨聆风原文链接
https://www.bain.com/insights/synthetic-customers-earn-their-stripes/
或点击“阅读原文”跳转网站阅读英文原文
AI合成买家已真正影响到产品和营销决策。
2026年5月
要点概览
企业正利用AI合成客户用于加速产品开发、测试营销策略，并培训一线团队。
使用合成客户的企业应依靠自身的一手数据，而非供应商的第三方数据。
提高模型准确性，能测试更多变量、尽早淘汰不成熟想法，并集中人力研究最重要之处。
大语言模型尚不具备真正的同理心，人类的判断仍至关重要。
合成客户——AI模拟的真实客户代理——已跨越定性探索阶段，发展到拐点，能够提供结构化、可重复且准确的定量洞察。这些代理是真实客户的数字孪生形式，或是基于细分市场的用户画像，画像源自公司内部数据（如交易、行为、人口统计和客户言论研究数据）与外部资源（产品评论和社交媒体抓取）的结合。
传统研究方法已不能满足对产品/服务绩效的持续不断洞察的需求。为提高速度，降低成本和风险，采用数字代理能模拟人类行为偏好和决策。美国银行使用合成受众来了解高净值家庭和其他客户群体如何看待不同金融话题，测试宣传信息，并在活动前优化活动创意方案。零售商塔吉特（Target）则利用合成受众测试产品和促销活动，模拟各种消费者的反应，然后再在企业网站全面上线。
市场领军者利用合成客户实现快速迭代、测试更多想法、及尽早淘汰不成熟概念，始终优于受困于洞察缓慢、零散且孤立的企业。
传统研究的不足之处
传统研究在许多情况下仍有价值，但日益受限。联合分析和离散选择模型能够实际测试的价格、功能或交互效应有限。团队在完成研究后，往往希望能测试更多内容，或者希望将结果外推到测试范围之外，这减缓了学习速度并增添了不确定性。
近年来，消费者调查还遇到其他问题。做假量上升，参与者互动类型多，研究人员为获得可用数据，需增加样本量或施行昂贵的质量控制措施。调查中若出现机器人污染还要不断升级防护措施。此外，人们说一套做一套的经典问题依然存在。在B2B市场中，关键客户（如某行业的首席财务官）可能数量太少，无法进行可靠的抽样。
合成客户的表现如何
许多产品、战略和营销团队使用现成AI工具来收集新功能、定价和信息效果的定性洞察，这很自然。这些工具往往缺乏专有客户数据、统计验证或清晰治理的支撑。幸运的是，近几代大语言模型在结构化任务中推理能力更强、权衡能力更稳定，与人类决策模式一致性更高。
我们与一领先消费科技公司合作，了解到当合成客户与自身的一手专有数据结合时，在表现和准确性上实现了阶梯式跨越。团队将合成输出与此前的一项大规模定量联合分析研究进行了回测，以原始研究为真实基准。数字孪生模型复现了原始研究中约90%的关键结果，包括以下内容（见图1和图2）：
识别驱动客户选择的最具影响力的功能；
大多数被测产品的偏好份额；
推出或保留产品，调整产品组合决策；以及
体现价格敏感度初步曲线。
对GLP-1药物的态度、使用和行为的合成客户测试，其结果与真实消费者调查也类似。合成受访者来源于人口统计和态度输入，同样应用封闭式问题以及五分制打分题。合成输出与真实回答非常接近，仅当提示问题更模糊时，差异才增大。
这表明给大语言模型的提示词十分重要，合成客户在定量研究上变得越来越可靠。同时，使用专有一手数据来丰富第三方数据，增加了细节和测试可靠性。
合成客户有潜力重塑整个营销流程和产品开发生命周期。对于产品开发来说，能增加如下几方面价值：
扩展现有的定价和联合研究，无需重新启动实地调研即可测试新的价格、套餐或功能组合；
在客户细分层面进行细化和压力测试，在投入新研究前探索细分市场对产品、定价或信息内容的反应；
筛选早期概念、功能和信息内容，快速缩小选项范围，将人力研究集中在价值最高的问题上；
在接触稀缺的真实客户群体之前，对难以触达的细分市场进行低风险测试。
消费品行业营销规范也同样适用于B2B环境。合成客户的使用场景可包括：使用模拟的买家画像和交互式虚拟形象来培训销售团队，帮助团队预演客户异议、完善价值主张并测试沟通信息。
我们根据客户多年收集的净推荐值忠诚度NPS数据，为一家全球服务公司建立了合成用户画像。我们还同步采用传统的统计（潜在类别）细分方法分析相同数据，结果也相似。创建用户画像后，我们利用第三方数据和已发表文章来提供背景信息，训练大语言模型。销售团队可借此练习，向注重价值的CIO和其他高管画像进行销售。这些模型在数周内扩展到其全球各地办公室。
入门方法：加强而非替代
多行业合成客户的经验表明，最有效的起步方式是增强而非替代现有的研究方法。领先企业将合成客户作为增强层，以缩小选择范围、压缩假设、将人力集中在价值最高的问题上，或者进行PoC测试以验证准确性。
要成功就要将合成客户视为一种能力，而不仅是一个工具，这意味着企业要自行定义用户画像、模拟决策方式以及跨用例验证结果。具体包括：
回测以证明可靠性。确保企业其他部门也信任合成客户辅助生成的洞察。
专有数据最为重要。用于支撑这些模型的数据和背景（如历史客户研究、定价和销售数据、细分属性、客户言论）比选择模型更重要。
平衡自建与购买。多数供应商专注定性或轻结构化的用例，这能支持早期的实验。寻求决策级应用的企业越来越多地将供应商工具与内部研发的模型相结合，以保留对数据、逻辑和学习的管控。目前没有现成的解决方案能满足所有要求。
调整运营模式。使用合成客户需改变工作流程、决策权和治理方式。研究团队需要以不同的方式提问，以便为合成受众提供更好的信息输入。企业必须重新思考如何生成洞察见解，以及研究、产品和营销团队之间如何协作。
领军企业已从初步成果中受益，迭代更快、数据和洞察更丰富，以及市场表现更准确。随着时间的推移，合成客户很可能成为一种可重复使用的决策基础设施，嵌入学习并累积优势。随着采用规模和使用场景的扩大，合成客户将成为24小时在线的洞察平台，模拟产品、营销和客户体验。系统中嵌入专有数据和经验，并不断累积，可成为持久的竞争优势。
