🎙️ EP40 《合成心智，真實市場》
副標題：AI 消費者市調預測的崛起，正在重寫市場研究的規則。
幾十年來，全球品牌每年花上數十億美元，只為回答一個問題： 「消費者到底想要什麼？」
我們熟悉那些黃金標準——問卷調查、焦點小組、專家分析。 但問題是，它們太慢、太貴，而且往往太偏。
在 AI 時代，這一切正被徹底改寫。 今天，我們要談的，就是大型語言模型——LLMs——如何讓我們創造出一種全新的市場研究角色： 「合成消費者」（Synthetic Consumers）。
這不是科幻小說。這是行銷與研究正邁入的下一個真實階段。
🧩 第一段：LLMs 的首次挫敗——「詭異谷」現象
LLMs 擁有龐大的語言理解能力，能學習數萬億個人類語句，看似能反映人類的偏好與情緒。 於是，研究人員嘗試讓 LLM 扮演「受訪者」，在問卷中回答問題。
結果卻完全崩壞。
這個方法叫做「直接李克特評分法」（Direct Likert Rating, DLR）。 簡單說，就是讓模型直接在 1 到 5 分之間選一個分數。
但結果出現了「詭異谷」現象—— 模型幾乎全部選「3」，不極端、不鮮明。 它的分佈和人類數據幾乎對不上，KS 相似度低到只有 0.26。
為什麼？ 因為問題不在於模型「不懂消費者」，而在於我們問錯了問題。 我們逼一個以自由語言思考的模型，用「數字」回答—— 就好比你要一位詩人用二進位制寫情詩。
結果當然失真。
🧭 第二段：典範轉移——語意相似度評分 (SSR)
於是研究人員提出了新的方法： 語意相似度評分（Semantic Similarity Rating, SSR）。
這是一場典範轉移，它讓模型以自己最擅長的方式思考——用語意、而非數字。
SSR 分兩步走。
第一步，建構角色。 研究人員先給模型一個明確身份： 年齡、收入、性別、地區。 這不是多此一舉，而是「激活推理引擎」的關鍵。 有了角色，模型就能模擬那個消費者的真實心智，從「模仿語言」變成「模擬行為」。
然後，它被要求寫一小段自由文本，描述是否會購買產品，還有為什麼。
第二步，語意轉換成分數。 這時不再直接取數字，而是用 AI 的語意空間去比對。 研究人員預先定義 5 個「錨點句」： 像是「我一定會買這個」（5 分）或「我絕不會買」（1 分）。
接著，將 LLM 的回答轉成語意向量， 用餘弦相似度算出它與各錨點的距離。 最後轉成一個機率分佈—— 比如 60% 機率是「4」，30% 機率是「5」。
這就像語意三角測量： 模型說「我在這裡」，錨點告訴你它「靠近哪一邊」。 不再強迫它自評，而是讓它自然地表達自己。
📊 第三段：從理論到市場的實戰驗證
SSR 方法後來被用在高露潔-棕欖的一項實際研究裡， 用 9,300 條人類回應做驗證。
結果令人驚訝： SSR 驅動的「合成消費者」在產品排序上 達到了 超過 90% 的人類重測信度。 KS 分數也達到 0.85 以上，遠勝傳統方法。
更重要的是，它不只給出分數，還給出「理由」。 你不僅知道消費者喜歡什麼，還知道「為什麼」。
這帶來幾個實際突破： 1️⃣ 加速創新流程： 原本幾週才能完成的焦點研究，現在幾小時內完成。 2️⃣ 融合質化與量化洞察： 你不只得到統計結果，還能看到背後的情緒。 3️⃣ 超個人化行銷素材： AI 角色生成的理由，能直接變成廣告文案、影片腳本。 4️⃣ 策略模擬能力： 品牌可以在無風險的環境裡測試策略—— 「價格漲 10%，顧客還會買嗎？」 這類問題不再需要真錢試錯。
⚖️ 第四段：倫理的警鐘——誰在操縱誰？
但當我們能創造「合成消費者」，問題也隨之而來。
1️⃣ 偏見的反饋循環： AI 是從人類數據學來的，而人類數據本身就有偏見。 如果用偏見模型做市場研究，產生的回饋會強化偏見， 形成「合成偏見迴圈」。
2️⃣ 說服與操縱的界線： AI 的超個人化能力能幫助我們更理解顧客， 但也可能被用來利用心理弱點。 當廣告懂得「挑動恐懼」或設計「黑暗介面」時， 說服就變成操縱。
3️⃣ 問責與透明： 越強大的 AI，越像黑盒子。 品牌若想保持信任， 就必須讓消費者知道：這些洞察是 AI 模擬出來的， 並保留「人類在迴路中」的監督角色。
💡 結語：AI 與人類的共生洞察
LLMs 在市場研究上的第一次失敗—— 讓我們發現真正的突破口在「如何問問題」。
SSR 證明了一件事： AI 不只是可以模擬人類，還能幫我們放大洞察速度。
未來的市場研究將是人與 AI 的協作： AI 模擬大量場景、生成假設， 人類則負責驗證、解釋、賦予意義。
成功的企業，將不只是用 AI 來省錢， 而是把「理解人類」變成一種 核心競爭力。
