Echipele de produs trebuie adesea să decidă înainte să vină rezultatele cercetării. Persoanele sintetice promit un semnal mai timpuriu. Am trimis trei dintre ele pe un site real de turism ca să văd cât valorează acest semnal și ce nu ne poate spune încă.
Cele mai multe echipe de produs cunosc senzația. O decizie trebuie luată în acest sprint, iar cercetarea care ar lămuri-o vine abia peste trei sau patru săptămâni. Așa că echipa decide bazându-se pe instinct, pe câteva opinii interne și pe ce date are la îndemână și își promite că va valida mai târziu.
De multe ori, acel "mai târziu" nu mai vine. Întrebarea rămâne netestată, dar nu pentru că nu i-ar fi păsat cuiva, ci pentru că răspunsul ar fi sosit după ce funcționalitatea era deja lansată.
Persoanele sintetice promit să închidă acest decalaj. În loc să aștepți participanți reali, întrebi reprezentări IA ale utilizatorilor tăi cum ar reacționa la un concept, la un mesaj sau la un parcurs, iar primul semnal vine în câteva ore.
Tot ele sunt însă ușor de supraevaluat. O persoană sintetică poate da un răspuns care sună exact ca al unui utilizator. Să sune ca un utilizator și să prezică ce va face acesta sunt două lucruri foarte diferite.
Așa că întrebarea care mă interesează este mai îngustă decât "sunt persoanele sintetice precise?". Sunt suficient de fiabile pentru această decizie anume, iar răspunsul lor vine cât încă mai este timp să acționăm?
Aceeași etichetă acoperă instrumente foarte diferite, iar fiecare demonstrează altceva.
Linia care contează cel mai mult trece între primele două tipuri și al treilea. O persoană sintetică cu care discuți îți poate spune ce crede despre textele de onboarding. Doar un agent care folosește un browser real îți poate spune că ecranul de onboarding este ascuns sub un pop-up pe mobil. Și niciunul dintre cele patru nu-ți poate spune, singur, dacă un om real din São Paulo sau din Pune ar reacționa la fel.
Tratez utilizările de mai jos ca ipoteze. Dacă își dovedesc valoarea depinde de audiență, de sarcină și de instrument, iar asta trebuie verificat în contextul fiecăruia.
Înainte să pornești o cercetare reală, trece conceptul printr-o audiență sintetică și caută obiecții, formulări neclare și scenarii la care nu s-a gândit nimeni din echipă. Nu cauți răspunsuri aici, ci întrebări mai bune. Întrebări mai bune înseamnă mai puține runde de cercetare în care descoperi că brieful era prost formulat.
Când ai șase variante ale unei propuneri de valoare sau ale unui text de onboarding, o trecere sintetică îți poate spune care două merită timp cu oameni reali. O regulă pe care o respect cu strictețe: preferințele sintetice nu sunt preferințele clienților. Ele își au locul într-o listă scurtă, niciodată pe un slide care spune "utilizatorii au preferat opțiunea B".
Aici își câștigă locul agenții de produs. Când persoana sintetică folosește efectiv produsul, îți arată unde cedează explorarea, ce etichetă derutează și ce sarcină nu poate fi dusă la capăt. Dacă le rezolvi devreme, sesiunile cu oameni reali se pot concentra asupra pașilor nesiguri, acolo unde o decizie greșită costă cel mai mult.
Poți întreba cum ar aborda același produs tinerii adulți și proprietarii de afaceri mici sau cum s-ar schimba așteptările de la o piață la alta. Astfel ies la iveală presupuneri care merită verificate local. Dar nu înlocuiește verificarea locală: dacă scrii "Brazilia" în descrierea unei persoane sintetice, modelul nu capătă experiența de a trăi în Brazilia.
Odată pregătită, o audiență poate fi rulată pe următoarea versiune a unui concept sau a unui flux în fiecare sprint, nu o dată pe trimestru, atâta timp cât audiența rămâne relevantă și știi exact ce s-a schimbat între rulări.
În timp, această reutilizare contează mai mult decât orice rulare izolată. Profilurile persistente și configurațiile înregistrate îți permit să compari rularea unu cu rularea șapte, iar verificarea lor cu dovezi umane noi arată unde funcționează un anumit model de audiență și unde nu. Asta e valabil doar dacă poți vedea de unde vin datele, ce populație acoperă și dacă o rulare poate fi reprodusă. O audiență nouă și credibilă nu se creează la cerere: pregătirea, timpul de rulare și analiza umană contează toate.
Ca să văd cum arată asta în practică, am rulat un test pe tripadvisor.es, cu regiunea și limba setate pe España / Español. Un instrument cu agenți de produs a trimis trei persoane sintetice pe site cu un singur obiectiv deschis: să planifice o vacanță de o săptămână cu familia, să găsească un hotel bine cotat potrivit pentru familii și să verifice disponibilitatea pentru 20-27 octombrie 2026, o cameră, doi oaspeți.
Persoanele au fost alese intenționat diferite. Persoana X este un fotograf de călătorii freelancer, căruia îi pasă cât de autentic arată un loc. Persoana Y conduce o mică afacere de familie în ospitalitate și judecă hotelurile după numărul de recenzii și după cât de bine par administrate. Persoana Z este un manager regional de vânzări care vrea eficiență și facilități practice pentru copii.
Nu a existat un script de click-uri. Fiecare persoană a parcurs singură șase obiective: să găsească premiile Travellers' Choice, să aleagă categoria pentru familii, să exploreze top 10, să aleagă un hotel care îi place, să îl studieze în detaliu și apoi să verifice prețul și disponibilitatea pentru săptămâna respectivă. Rulările au acoperit desktop și mobil.
Rezultatul brut a avut aproximativ 110 pagini de dovezi, condensate într-un raport de 30 de pagini în care fiecare constatare trimite la o captură de ecran.
Toate cele trei persoane sintetice au atins toate cele șase obiective. Zona de premii a fost ușor de găsit, categoria "Para toda la familia" a rămas vizibil selectată, iar clasamentul numerotat a făcut comparația ușoară.
Alegerile au fost mai interesante. Niciuna dintre cele trei nu a ales hotelul de pe primul loc. X a ales Hotelul A, convins de un rating aproape perfect și de miile de fotografii ale oaspeților, care i s-au părut mai oneste decât imaginile de marketing. Y a ales Hotelul B pentru că peste 5.000 de recenzii și răspunsurile vizibile ale managementului sugerau o operațiune bine condusă. Z a trecut peste resorturile mari și a ales Hotelul C pentru notele pe categorii și serviciile pentru copii. Fiecare alegere poate fi urmărită până la motivele persoanei respective.
Instrumentul a grupat observațiile în cinci categorii:
Persoanele sintetice au semnalat și detalii de localizare pe care le-ar observa un cititor spaniol: "Bar Dentro De La Piscina" sună rigid, "Calidad del sueño" pare o traducere literală, iar o recenzie în portugheză nu era tradusă.
Constatările se împart în două categorii, iar eu am încredere diferită în ele.
Primul grup este comportamentul observabil al produsului: mesajul care împinge spre engleză, filtrul de regiune cu doar două opțiuni, calendarul care se deschide singur, tariful care lipsește. Acestea sunt fapte despre interfață, fiecare legat de o captură de ecran, și oricine le poate verifica. Aici persoanele sintetice au funcționat ca niște exploratori neobosiți care documentează tot. Le-aș trata ca pe niște piste de încredere.
Al doilea grup este interpretarea: că un călător ca X crede mai mult fotografiile oaspeților decât marketingul, că lipsa prețului ar face o familie reală să renunțe la comparație, că mesajul despre limbă e perceput ca o întrerupere, nu ca un ajutor. Sunt plauzibile, iar unele se potrivesc cu ce am văzut de-a lungul anilor la testeri reali. Dar nimic din această rulare nu dovedește că familiile reale din Spania ar cântări lucrurile la fel. Nu am rulat un panel uman echivalent, așa că nu vă pot da un procent de acuratețe, și aș fi precaut cu oricine oferă unul pentru o rulare ca aceasta.
O constatare stă între cele două grupuri. Rezultatul "fără disponibilitate" poate reflecta un inventar real, nu un defect de produs. Persoanele sintetice au raportat corect ce au văzut. Dacă e un bug, o realitate comercială sau o lipsă de acoperire a partenerilor rămâne de decis de un om care cunoaște contextul.
Cercetarea de până acum e promițătoare, dar are limite clare. Park și colegii lui au construit agenți ancorați în interviuri și chestionare cu 1.052 de americani. La întrebări din chestionar pe care agenții nu le văzuseră, aceștia au atins 82-86% din consecvența pe care oamenii au avut-o cu propriile răspunsuri două săptămâni mai târziu, față de 74% pentru agenții construiți doar pe date demografice [1]. Datele umane reale ajută, dar acestea sunt rezultate din chestionare din SUA, nu teste de utilizabilitate.
Santurkar și colegii ei au descoperit că opiniile modelelor diferă substanțial de cele ale unor 60 de grupuri demografice din SUA, chiar și atunci când modelele au fost orientate explicit spre un anumit grup [2]. Dacă scrii o categorie demografică într-un prompt, modelul nu începe să gândească precum acea persoană. Iar, așa cum arată lucrarea despre Generative Agents [3], a fi credibil este un alt test decât a fi predictiv.
În practică, trei limite contează cel mai mult:
Mai multe persoane sintetice nu înseamnă mai multe dovezi. O mie de răspunsuri de la același model pot avea aceeași eroare.
Modelul de lucru pe care îl găsesc cel mai ușor de utilizat este o buclă:
Simulează ca să generezi și să prioritizezi ipoteze: ce i-ar putea deruta pe oameni, care concept e cel mai slab, unde s-ar putea rupe parcursul.
Câteva obiceiuri țin bucla onestă. Alege metoda după risc: o întrebare timpurie despre formulări se poate mulțumi cu un răspuns sintetic, în timp ce o schimbare de preț sau o lansare pe o piață nouă au nevoie de oameni reali. Păstrează dovezile etichetate, astfel încât recomandarea finală să arate ce constatări vin din simulare, ce vin din automatizare și ce vin de la oameni. Leagă fiecare constatare de o dovadă, așa cum rularea pe Tripadvisor a legat-o pe fiecare de o captură de ecran și de un pas din parcurs; fără asta, citești doar o opinie bine articulată. Iar când compari rulări, îngheață datele de intrare: același brief, aceeași grilă de evaluare, aceeași versiune de model.
Apoi verifică dacă merită pentru echipa ta. Rulează abordări doar cu oameni, doar sintetice și hibride pe aceleași brief-uri, ideal cu un model IA general simplu ca punct de referință, ca să afli dacă persoanele sintetice specializate aduc ceva în plus.
Înregistrează rezultatele pe fiecare audiență și pe fiecare sarcină. Un instrument poate fi excelent la depistarea fricțiunilor de explorare și slab la prezicerea sensibilității la preț, iar o singură medie le ascunde pe amândouă.
Dacă privești persoanele sintetice ca pe o competiție cu utilizatorii reali, de fapt ratezi locul în care ajută cu adevărat. Locul lor este mai devreme: un semnal pentru decizii care altfel s-ar lua fără niciun semnal și o modalitate de a folosi timpul limitat de cercetare pe întrebările care contează cel mai mult.
Cei trei călători sintetici nu mi-au spus ce cred familiile din Spania despre Tripadvisor. În câteva ore, cu capturi de ecran, mi-au spus unde aș trimite primele familii reale.
Așa că, înainte să le introduci în procesul tău, întreabă-te: Sunt suficient de precise pentru ce decizie, comparate cu ce și destul de devreme ca să schimbe ceva?
Persoanele sintetice îți pot arăta unde să te uiți. Dar doar utilizatorii/oamenii reali îți pot spune ce vei găsi acolo.
Park, J. S. et al. LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. arXiv, v3, 28 iunie 2026.
Santurkar, S. et al. Whose Opinions Do Language Models Reflect? ICML, 2023.
de Rareș Zete , Sergiu Dornea
de Ovidiu Popa