AI 驱动合成客户崛起

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 生成的虚拟买家已切实左右产品与营销决策。

2026 年 5 月

核心要点

众多企业正借助 AI 合成客户来加速新品研发、验证营销方案，并赋能一线团队。

采用合成客户的企业务必依赖自有的一手数据，切勿依赖供应商提供的第三方数据。

提升模型精准度，可测试更多变量、提前筛除不成熟构想，并集中资源攻克核心难题。

大语言模型尚未具备真正的共情能力，人类的判断依然不可或缺。

合成客户——即由 AI 模拟的真实客户代理——已跨越定性探索阶段，迎来转折点，能够提供结构化、可复用且精准的定量洞察。这些代理是真实客户的数字孪生体，或是基于细分市场的用户画像，其数据源自企业内部资料（如交易记录、行为轨迹、人口统计及客户言论）与外部资源（如产品评论和社交媒体抓取）的融合。

传统研究方法已难以满足对产品或服务绩效进行持续洞察的需求。为提升速度、降低成本与风险，采用数字代理可模拟人类的行为偏好与决策逻辑。美国银行利用合成受众洞察高净值家庭及其他客群对不同金融议题的看法，测试宣传措辞，并在活动启动前优化创意方案。零售商塔吉特（Target）则利用合成受众测试新品与促销活动，模拟各类消费者的反应，随后才在企业官网全面上线。

市场领跑者借助合成客户实现快速迭代、测试更多构想、尽早淘汰不成熟概念，始终领先于那些受困于洞察缓慢、零散且孤立的企业。

传统研究的局限性

传统研究在许多场景下仍具价值，但日益受限。联合分析和离散选择模型在实际测试价格、功能或交互效应方面存在局限。团队在完成研究后，往往渴望测试更多内容，或希望将结果外推至测试范围之外，这拖慢了学习速度并增加了不确定性。

近年来，消费者调查还面临其他挑战。虚假作答比例上升，参与者互动类型繁杂，研究人员为获取可用数据，不得不增加样本量或实施昂贵的质量控制措施。若调查中出现机器人污染，还需不断升级防护手段。此外，“言行不一”的经典难题依然存在。在 B2B 市场中，关键客户（如某行业的首席财务官）数量可能过少，难以进行可靠抽样。

合成客户的实际表现

许多产品、战略及营销团队自然地使用现成 AI 工具来收集关于新功能、定价及信息效果的定性洞察。然而，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展现出更强的推理能力、更稳定的权衡能力，且与人类决策模式的一致性更高。

我们与一家领先的消费科技公司合作发现，当合成客户与企业自有的专有一手数据结合时，在表现和准确度上实现了跨越式提升。团队将合成输出与此前开展的一项大规模定量联合分析研究进行回测，以原始研究作为真实基准。数字孪生模型复现了原始研究中约 90% 的关键结果，涵盖以下内容（见图 1 和图 2）：

识别驱动客户选择的最关键功能；

大多数被测产品的偏好份额；

关于推出或保留产品、调整产品组合的决策；以及

呈现价格敏感度的初步曲线。

针对 GLP-1 药物的态度、使用及行为进行的合成客户测试，其结果与真实消费者调查高度相似。合成受访者