企业将消费者研究
交给 AI 前，
必问的四个问题

2.1 个体还原 —— "它和那个真实的人，差多远？"

第一家快消集团的洞察负责人，一上来就划清了界限。他试过不少 AI 工具，发现业内惯用的质检手段——反复问同一个问题，看答案稳不稳定——根本不对他的胃口。

他嘴里的"准确性"，行话叫保真度。要的是模型能不能还原真人做决定时的脑回路，而不是在某个测试集上拿高分。一致性好不好测，有现成的尺子；但保真度靠什么对标？整个行业还在摸黑。

瑞士一家奢侈品研究机构的总监，切的角度更刁。他们常年靠深访去抓那些"说不清道不明"的矛盾心理和非理性冲动——那才是真正能撬动生意的东西。他怕的是，AI 会把人性的毛边全磨平了：

偏好和态度，有迹可循，模拟起来有章法。但一家互联网平台的研究负责人发现，真到了跨品类的决策场景，画风完全不同：

不是"态度≠行为"的老问题——是同一个人在不同品类里，启用的决策模式完全不一样。目前的模拟技术，能不能跟着人在品类间切换，还是个悬而未决的挑战。

在"和真人对不对得上"的讨论之外，一些团队把追问推向了更深一层。一家教育科技公司的团队连续测了几轮，发现同一个数字分身隔段时间再问，答案会变。但变，意味着什么？

群体测试时，另一种担忧冒了出来。同时调用多个数字分身开焦点小组，回答的相似度让人心里发毛：

如果每个分身都永远稳定、高度一致，研究者手里捏着的就不是一群人，而是一个被修饰过的平均值。人群里的参差、个体随时间的漂移——这些传统调研花大价钱做纵向面板去抓的东西，恰恰是 AI 最容易抹平的。

2.2 能力边界 —— "哪些研究场景能用，哪些不能？"

第二条线索不聊"多像"，直接拿具体场景试边界。

有家食品企业想拿数字分身筛新口味，很快就撞上了一堵墙：它没有身体。

互联网公司的 UX 团队也卡在同一关。他们要的是用户滑动、点击、犹豫、放弃的即时反应，而数字分身根本没碰过产品界面：

而且不只是最终结果——交互过程本身就有信息量。一位支付产品的负责人补充：

新品团队的处境更极端。产品还没上线，数字分身只能靠既有知识做类比推断：

美妆品牌做包装视觉测试时，又撞上了另一种边界。AI 给出的选择似乎有自己的偏好模式，而不是反映真实消费者的审美：

这些场景有一个共同结构：它们要的是第一手的体验性认知——身体的感知、指尖的交互、面对未知物的真实反应。这类认知，模拟技术从原理上就给不了。目前没人画过清晰的边界图，各家只能靠自己踩坑试错。

2.3 知识可靠性 —— "它说的，能信吗？"

第三条线索不再是"像不像"或"能不能用"，而是指向更底层的风险：数字分身输出的信息本身，可不可靠？

大模型的幻觉——说得头头是道、逻辑自洽，但内容纯属编造——是已知的通病。在日常场景里容易察觉，但一旦涉及专业领域，风险陡然升级。食品和消费品行业的评估团队率先撞上了这堵墙：

关键词是"行业里面的人"。非行业人员呢？在一场食品研发评估中，数字分身关于检测方法的回答引发了团队的警觉：

类似的情况在烘焙配方讨论中也出现了——数字分身把特定原料的应用场景搞混了。如果放在真人访谈中，这种错误意味着整份数据直接作废：

在传统访谈里，真人受访者犯常识性错误并不稀奇——筛掉这份数据就是了，这是标准操作。但同样的错误出自数字分身，人们的第一反应不是"筛掉重来"，而是质疑整套系统的可信度。同一种错误，真人犯了是采样噪音，机器犯了是系统性风险——这种容忍度的落差本身，也许也是值得追问的问题。

接下来，企业不再只抛质疑，开始主动递出共建的思路——能不能往模型里注入行业知识，让它在特定领域的理解更深？

一家医疗行业的平台走得更远，认为深度行业语料的获取本身就需要行业内的合作：

另一条路径是直接打通企业已有的数据：

这是三条线索里，唯一一条企业从质疑者转为共建者的。前两条追问是在试探模拟的天花板，这一条开始讨论怎么把天花板往上抬。