生成式AI在內容創作和客服上已經展現驚人的力量，在市場研究或市調上的潛力更是無窮。本文介紹生成式AI應用在市場研究上的4種新方式，行銷人員如果善加利用，可以對市場以及客戶有更為深入而精準的了解。

關於本文藝術作品／卡爾森．戴維斯．布朗（Carson Davis Brown）的創作靈感來自美國拼布工藝與行為藝術的傳統，他在大型量販店中組合現成物品，創造出一種遊擊式的裝置藝術。

在所有的管理職能中，行銷可能是最容易受到生成式AI顛覆的領域。學者和從業人員早已看見這項科技的潛力，一直在探索應用於客服和內容創作的新方式。但是最近，商業界開始注意到它可能對其他行銷活動帶來的影響。其中最令人興奮的行銷活動是市場研究——亦即企業蒐集數據及深入了解顧客與競爭對手的方式。

本文觀念精粹

機會：生成式AI即將徹底改變市場研究——亦即企業蒐集數據及深入了解顧客與競爭對手的方式。行銷人員需要了解並善用各種可能性。

研究：作者找出將生成式AI應用在市場研究上的4種不同類型—（1）強化現有實務、（2）取代現有實務、（3）填補現有缺口，以及（4）創造新型態的數據和見解。

未來方向：隨著行銷界開始運用生成式AI，他們需要充分發揮這項新科技的優勢，同時確保生成式AI制定的策略是建立在公平、準確、真實的顧客見解之上。

這兩年來，我們深入研究正在探索生成式AI如何應用於市場研究的企業，並直接與它們合作。我們可以告訴大家，這個領域即將出現重大的變革。若妥善運用，這項科技能為企業帶來前所未有的機會，包括了解顧客並與他們互動、更精準地評估競爭環境，以及把數據驅動的決策深入擴大到組織的各個層面。

“AI為企業帶來前所未有的機會，包括了解顧客並與他們互動、更精準評估競爭環境，以及擴大數據驅動的決策。

我們的研究找出4種不同的機會類型。第一種是「強化現有實務」，使它們變得更快、更便宜或更容易擴大規模；第二種是利用合成數據（由AI創造、而非透過調查或訪談蒐集的真人偏好或行為數據）來「取代現有實務」；第三種是取得傳統數據無法提供的見解和證據，以「填補目前對市場了解的缺口」；第四種仍在萌芽階段，是「創造新型態的數據和見解」。

本文將提出一個架構，協助領導人和企業在這片新領域順利發展。我們將說明生成式AI如何開始及持續改變市場研究、如何充分利用新機會，以及如何留意這項科技的限制和其新應用所涉及的道德議題。

強化現有實務

企業在蒐集顧客和市場見解時，常因成本相對高昂，以及時程漫長而頭痛。那麼，生成式AI如何同時解決這兩個問題？

根據我們的研究以及企業合作的經驗，我們開發出一套系統性的方法來尋找使用案例。這個方法把生成式AI的4大核心能力——統整、編寫程式碼（電腦程式設計）、人機互動、寫作——應用到市場研究流程的各個階段。為了簡化說明，我們把流程只分成3大階段：找出機會及設計研究計畫；蒐集及分析數據；撰寫報告及傳播資訊和見解（請見「生成式AI如何強化當前的市場研究實務」）。例如，生成式AI的資訊統整能力，可在第一階段用於摘要文獻和先前的研究，在第二階段用來從訪談和新數據中萃取發現，並在第三階段闡述重點。而且，生成式AI做這些工作的速度可能遠比人類還快。

企業究竟如何運用生成式AI來強化現有實務？最近我們與柯斯特的公司GBK Collective〔一家與頂尖商學院的教授和《財星》（Fortune）500大企業有深厚關係的行銷策略與見解公司〕合作的調查揭開了答案。我們在這項調查中蒐集170位市場研究從業人員和用戶的回應，發現45％的受訪者已經在目前的數據和見解活動中使用生成式AI；另有45％表示他們正在規畫未來採用。

這項調查發現了一些有趣的重要趨勢。不出所料，逾70％的受訪者表示，他們對生成式AI可能帶來的副作用和挑戰有疑慮。這些疑慮包括可能產生偏誤或不準確的資訊、安全和隱私風險，以及把生成式AI整合到現有實務需要額外時間和精力。類似比例的受訪者也擔心，生成式AI可能造成技能落差，甚至取代數據和見解的專業人員。

話雖如此，許多受訪者就像我們合作過的從業人員一樣，對這項科技抱持極為正面的態度，而且已經開始擁抱它。62％目前在工作中使用生成式AI的受訪者告訴我們，他們用它來統整冗長的訪談逐字稿和其他文件，這原本是一個費時費力的過程；58％的人用它來分析數據；54％的人用它來撰寫報告。整體而言，受訪者似乎對生成式AI能以多種方式協助他們完成工作感到興奮。超過80％的人認同，它可能大幅提升個人生產力和效率，也覺得把它整合到工作流程中對維持競爭力很重要。同樣比例的受訪者表示，他們相信生成式AI將改善工作，推動重大創新，由此對整個產業產生正面影響。他們說，生成式AI之所以能達成這點，是因為它能讓大家更快完成任務、專注於能增添更多價值的任務，並騰出更多時間來解讀數據及說故事。更廣泛來說，它將提高工作的品質、準確度，以及客製化的程度。

市場研究的新創公司已經開始進入這個領域。其中一家名為Meaningful的公司，目標是利用生成式AI來「大幅強化」市場研究，包括用它來設計客製化的問卷調查、把問卷調查發送給受訪小組、做質化訪談，以及分析結果。另一家名為Outset.ai的公司則是把焦點放在生成式AI如何針對消費者的需求和行為提出問題，而非答案——這是個很有前景的概念。它的AI主導研究平台會根據受訪者先前的回答，動態地提出新問題，從而獲得更有見解的答案，這種做法結合了自動化調查工具的速度和規模，以及傳統訪談的深度。Outset.ai的共同創辦人暨執行長艾倫．康納（Aaron Cannon）是根據一個特別重要的發現來打造公司：當生成式AI只需專注與人對話時，人們會傾訴想法、經驗和感受，而AI產生幻覺的問題幾乎都消失了。

WeightWatchers（Outset.ai的客戶）的研究團隊發現，相較於接受真人訪談，受訪者接受AI訪談時往往更願意坦誠相告，因為某些偏誤效應降低了。該公司的前用戶體驗研究長威爾．瑞丁格（Wil Readinger）對生成式AI充滿熱情。他表示，研究人員不再需要二擇一：不是用訪談蒐集更豐富的情境化數據，就是用調查觸及廣大的範圍。相反地，他們現在有了第三種選擇，用他的話來說，就是「兩者兼得！」。

取代現有實務

在行銷領域，生成式AI最創新的應用之一是產生及分析所謂的「合成數據」（synthetic data）——這種人造數據能模擬真人的行為和偏好。企業可以透過市面上常見的生成式AI程式來做到這點，但它們也可以運用從傳統研究、制式數據（syndicated data）、顧客關係管理系統（CRM systems）、交易資訊中已蒐集到的整合數據（aggregate data），來開發及訓練自己專屬的模型。接著，合成數據可用來模擬各種顧客或競爭者的反應，凸顯潛在的痛點，以及消費者在使用產品或服務的不同階段所尋求的效益。在我們的調查中，高達81％的受訪者表示，他們已經在使用或計畫使用生成式AI來製作合成數據。一位受訪者提到，他們打算「根據我客戶的目標受眾，來創造合成的受眾角色，讓我的團隊可以與它們互動」。

“在行銷領域，生成式AI最創新的應用之一，是產生和分析所謂的「合成數據」。

藉由建立詳細的假想顧客樣貌和可能情境，這些模型可以幫行銷人員更準確預測需求和偏好，做出更有效的決策。但它們當然無法複製人類行為的全部深度和不可預測性。我們的受訪者非常清楚這個缺點：只有31％的人覺得生成式AI產生的數據價值「極高」——這是我們調查中滿意度最低的領域之一。不過，值得注意的是，研究顯示，生成式AI可以在幾種情況下提高合成數據的品質：在提示中輸入問答範例、允許它從過去研究的知識庫提取與每個問題有關的內容，以及微調其參數使它更符合現有數據。

新公司與老字號公司都在探索合成數據的潛力。例如，新創公司Evidenza已經進行60多項驗證研究，比較多個行業的合成結果與傳統研究結果。在一項研究中，它與安永（EY）合作進行雙盲測試，這是科學研究的黃金標準，雙方在研究結束前都不知道對方的結果。安永提供Evidenza其年度品牌調查的問卷以及目標受眾（美國營收逾10億美元公司的執行長）的詳細數據，但保留了實際調查結果，以便日後做為比較的基準。Evidenza隨後根據目標受眾樣貌，創造1,000多個合成角色，讓它們回答調查的問題。「結果令人驚嘆，」安永的美洲行銷長湯妮．克萊頓—海恩（Toni Clayton-Hine）告訴我們，「結論有95％相同，相關性非常強，許多情況下數字幾乎一模一樣。」

生成式AI不僅產出結構化的量化數據。2024年美國威斯康辛商學院（Wisconsin School of Business）的一項研究顯示，它也能產生深入的質化數據。特別值得一提的是，它能夠對自己創造的合成受訪者（比如用來模擬理想顧客）做深入又有洞見的訪談。目前已有幾位研究人員與經理人成功以這種方式使用生成式AI。總部位於葡萄牙的新創公司Synthetic Users就是這類服務供應商的好例子。

“生成式AI能夠對它創造的合成受訪者（比如用來模擬理想顧客）做有洞見的訪談。

當然，任何想要採用客製化方法來創造合成數據的公司，都必須與生成式AI程式分享一些內部獨有的資訊，這讓一些企業感到不安。為了緩解它們的顧慮，所有主要的生成式AI供應商都提供付費的企業版模型，這些模型不會與其他公司分享公司內部獨有的數據或見解。有些供應商還幫公司開發可以完全由自己控制的「小型」生成式AI模型。例如，新創公司Rockfish Data允許企業利用內部數據集，來開發及訓練自己的客製化生成式AI模型，這種方法能完全維持數據和模型的私密性。這些模型可能很小，但一些使用者並不小：美國陸軍和國土安全部都是Rockfish Data的客戶。

再次強調，這方面也有優缺點需要權衡：小型生成式AI模型大多只能處理結構化或半結構化的數據（數字型或類別型數據），缺乏公開模型那種豐富的訓練數據集優勢；而公開模型還可以處理比較不結構化的質化數據。對一些公司來說，用內部獨有數據來微調大型模型可能是有效的折衷方案。

填補現有缺口

即使在號稱數據驅動的組織中，從業人員也常說，多數決策其實沒有經過正式的實證分析，純粹是因為時間或預算不足。但生成式AI可望成為一種全天候的智慧引擎，隨時提供顧客和市場見解——當數據無法取得或取得成本太高時，市場研究人員能立即獲得經驗證據。生成式AI可用於檢驗假設、測試概念及執行策略，並為管理決策提供參考意見。企業甚至可以打造「實驗室」，用來製造客製化的AI模型，以便員工安全又方便地使用這些AI模型來協助整個組織的決策。

在我們的調查中，30％的受訪者表示，他們的公司曾使用生成式AI來引導決策，而這些決策過去不會利用外部的數據和見解。整體而言，81％的受訪者表示，他們正使用或計畫使用生成式AI來「傾聽市場」，讓組織隨時掌握競爭環境的最新狀況。例如，某家公司用它來分析最新趨勢和競爭對手的策略，為決策提供及時的競爭情報；另一家公司則是讓它根據歷史數據和假設，為決策進行預測分析。

許多公司正在嘗試使用合成數據來協助產品創新，通用磨坊（General Mills）就是一例。該公司的創新、科技和品質長蘭內特．夏芙．沃納（Lanette Shaffer Werner）表示：「我們正在研究如何運用合成數據來加快及改善產品發想流程，讓我們在思考如何為消費者提供最佳服務時，更有可能發現真正卓越的構想。」

一些新創公司也投入了合成數據領域。Evidenza提供工具來創造B2B客戶的合成數據，這類客戶是出名地難以接觸。Arena Technologies利用生成式AI以及當地顧客樣貌與偏好的合成數據，幫零售商做出更明智的決策——例如如何針對不同門市量身打造商品。Evidenza運用合成數據，來幫行銷人員做出有關目標客群、市場定位、訊息傳播的決策，其平台也會估算這些選擇的財務影響，提供財務長與營收團隊重視的投資報酬率預測和指標。

創造新型態的數據和見解

內容行銷和銷售圈有句老話：第一印象只有一次機會。不過，這句話可能不再是鐵律了。

我們這麼說是因為，內容行銷人員和銷售人員開始使用生成式AI來打造「數位雙生」——亦即利用公開資訊或內部獨有數據，為個別顧客打造的虛擬分身——以便在接觸真實客戶以前，先測試及調整文件資料與銷售話術。這種做法可以仔細調校行銷方式，因為數位雙生不像真人，它們與行銷人員互動並回答他們問題時，永遠不會疲勞、煩躁或無聊。我們有超過40％的受訪者表示，他們已經在實驗數位雙生技術。例如，一位受訪者指出，在虛擬銷售環境中使用數位雙生來「模擬顧客在不同情境下的購買行為、點擊率、互動模式」，這一切都是為了「幫忙測試市場策略，以及盡力改善用戶體驗」。另有42％的受訪者表示，他們計畫未來要實驗數位雙生技術。

數位雙生在行銷領域的應用正迅速擴展。Arena公司已開發出一款訓練工具，讓B2B銷售人員和顧客的數位雙生互動。CivicSync開發出一種技術，讓客戶（在取得消費者的同意下）追蹤購物、搜尋和其他線上行為，然後為目標用戶建立非常精準的數位雙生。公關公司奧美（Ogilvy）曾在數位雙生上測試創意點子，以確保活動能引起消費者的共鳴。GBK Collective正在嘗試不同的方法，用調查結果來訓練或指導生成式AI製作數位雙生，以便在後續的行銷問題上向數位雙生徵詢意見。這家公司利用過去調查數據的不同組合，來打造各種不同的數位雙生，然後進行測試，看看哪些方法在特定商業研究目標上表現較好或較差。最後，比較測試結果和過去調查的實際回答，來衡量每種方法的成效。

許多公司也在嘗試使用Google的NotebookLM等免費工具，這類工具能打造個人化的「研究助理」，並以競爭對手資訊、相關產業和領域數據、目標客戶樣貌來訓練。這個助理可以協助團隊成員調整話術、產品方案和互動方式，並預測可能的反彈，來幫他們做好接觸顧客的準備。網路安全新創公司Oleria的首席技術客戶經理亨利．梭薩（Henry Sosa，本文作者之一柯斯特是Oleria的顧問），已經為他的銷售和行銷同事建立一系列這樣的生成式AI助理。

學術界也正在關注新的可能性。例如，美國哥倫比亞商學院（Columbia Business School）的一個團隊正在建立一個具有代表性的群組，由2,500個角色組成，而每個角色都是一個真人的數位雙生。這些被模擬的真人會經過一連串的全面測試（包括心理、行為、認知、態度測試），這些測試結果將共同建立一個「基準事實」，讓生成式AI用來創造出數位雙生。它背後的構想是把這個群組當成新研究和調查的虛擬受試者。美國史丹福大學（Stanford University）和Google DeepMind的研究人員共同進行的一項研究顯示，這種做法很有前景。研究團隊先訪問一組人幾個小時，並讓他們完成一系列問卷調查，然後利用訪談逐字稿為每位參與者創造數位雙生。接著，他們讓這些數位雙生回答相同的問卷，也要求真實參與者在兩週後再次回答相同的問題。結果顯示，數位雙生的回答與真人初次回答的相似度達到85％，跟真人第二次回答的相似度相當。

了解局限

生成式AI為行銷人員提供很多可能性，但它仍有許多局限需要正視。誠如前述，我們調查中凸顯的一大顧慮是可能出現偏誤的結果，有77％的受訪者提到這點。任何訓練數據集本身都有偏誤，這可能會扭曲生成式AI的輸出結果，導致對客群或市場趨勢的錯誤描述（不過，目前的調查方法也可能因為多種原因而導致偏誤的結果）。此外，由於生成式AI模型是以現有數據和見解訓練出來的，它們在預測消費者行為的劇變或預見突破性產品創新方面，成效仍不確定。此外，眾所周知，生成式AI模型很容易受到提示結構的影響。舉例來說，我們發現，當它回答選擇題時，選項的順序和標示方法會以難以預測的方式影響它。研究人員應該注意這種效應，就像面對真人受訪者一樣，務必隨機調整問卷調查的所有相關元素，以減少可能的偏誤。

也有人擔憂，生成式AI能否模擬代表性人口樣本的回答。哥倫比亞大學（Columbia University）和史丹福大學的研究人員在2023年的一項研究發現，OpenAI最近大多數模型所表達的觀點，比較偏向自由派或高學歷人士的想法，而不是65歲以上或宗教信仰較虔誠者的想法。這種偏誤不僅可能來自訓練模型的數據，也可能來自調整模型的人為參與，這或許能解釋為何較新的模型愈來愈有偏誤。考慮到這些限制，我們也就不必訝異，美國范登堡大學（Vanderbilt University）詹姆斯．必斯比（James Bisbee）2024年領導的一項研究發現，當合成受訪者參與民調時，他們的回答雖然與真人極為相似，但變化性較小，容易受問題的用字遣詞所影響，而且在3個月期間內的表現不穩定。

合成數據可能也很難有效協助模擬實驗，把受訪者分組，接受不同的條件對待。我們曾經嘗試使用生成式AI來模擬實驗，讓不同的數位受訪者看到產品的不同價格，並詢問他們是否打算購買。結果發現，AI產生的需求曲線不只與真人受訪者的回答不同，而且根本不合常理。

事後看來，原因可能很簡單。真人實驗通常會採用盲測設計，每位受試者不知道其他條件，也不清楚研究目的。這就像現實中的消費者決策情境：消費者通常不會同時看到同一產品以一系列不同價格出售。但是，當盲測設計應用於生成式AI模型的實驗時，會出現所謂的「混淆」（confounding）現象，也就是某個未預期的變數同時與自變數（如價格）和應變數（如購買決策）相關，打亂自變數和應變數之間的關係。在這個訂價實驗中，我們發現，生成式AI難以把產品價格視為隨機，傾向於認為其他變數（如歷史價格或店內其他產品的價格）也會隨著該產品價格而變動，這使得較高價格的購買行為顯得合理，導致價格變化時，合成受訪者的行為幾乎沒什麼變化。

生成式AI在預測消費者對多感官刺激的情緒反應方面，仍然表現不佳。香料公司高砂（Takasago）在嘗試用AI生成的虛擬小組取代真人研究小組時，發現了這點。舉例來說，香氣對生成式AI模型的影響，和對真人的影響截然不同。該公司的顧客見解與市場研究全球副總裁潔蓮娜．勒布雷頓（Jelena Le Breton）告訴我們：「雖然我們的模型能從過去的數據學習，但要預測人類嗅覺偏好的變化仍然很難，因為嗅覺偏好往往與個人經歷和情緒有關。」

行銷新未來

如果生成式AI能每小時用數百種語言與全球數千人交談，而且能從那些對話所產生的數據中，立即提取各種獨特、優質的見解，那麼我們對彼此的了解應該會更深入——而我們打造的產品、服務、體驗非但不會減少人性，反而更有人文溫度。當我們在生成式AI和合成數據時代探索行銷的未來時，行銷界需要維持一個平衡且明辨的觀點。唯有如此，我們才能充分利用這些卓越工具和科技的優勢，同時確保我們的策略是建立在公平、準確、真實的顧客見解之上。

文章來源：哈佛商業評論 5月號