MatrAIx и маркетинговите изследвания: Какво могат и какво не могат да ни кажат 8,3 милиарда ИИ персони
| Podcast | Подкаст |
| A recent LinkedIn post by José Antonio Bowen highlighted a new AI research project with an attention-grabbing claim: researchers have created 8.3 billion AI personas ready to simulate different types of people. Bowen’s reaction was straightforward: marketing may never be the same. The project deserves attention, especially from researchers in marketing, economics, consumer behavior, and data science. What is MatrAIx? MatrAIx is a large research collaboration organized by researchers from Harvard University and MIT, with contributors from other universities and organizations. Instead of asking one general-purpose AI system: “What would consumers think about this product?” researchers can create a sample containing different AI personas and ask each persona to respond from a different perspective. A persona might represent: “22-year-old student, limited income, interested in technology, price sensitive, studying economics.” Another might represent: “42-year-old financial manager, high income, experienced with technology, interested in executive education.” MatrAIx describes personas using up to 1,290 characteristics covering areas such as demographics, education, psychology, professional background, technological skills, risk preferences, interests, and behavior. The project reports a population of 8.3 billion persona records. An important clarification follows. These are not 8.3 billion AI people simultaneously thinking, shopping, communicating, and living inside a virtual world. Think of MatrAIx as a huge library containing billions of detailed character cards. Researchers select the cards they need and connect those personas to AI models for a particular experiment. If you want to test a university website, for example, you might select 1,000 prospective-student personas rather than activate billions of agents. What can these AI personas do? MatrAIx goes beyond asking personas survey questions. Its agents can operate in several environments, including surveys, chatbots, websites, and applications. A traditional synthetic respondent might answer: “How likely are you to apply for this master’s program?” A MatrAIx-style simulated user might instead receive the instruction: “Find a master’s program in marketing analytics. Check the admission requirements and tuition fee. Decide whether you would apply.” The agent can then move through a website, search for information, interact with interfaces, ask questions, and complete tasks. Researchers can examine where different simulated users experience problems. For marketing researchers, this moves AI simulation closer to usability research, customer journey analysis, concept testing, and digital marketing experiments. Why this new project? AI-generated personas are not new. Researchers have already used language models to simulate survey respondents, consumer groups, social interactions, and small artificial societies. The novelty of MatrAIx comes from combining several elements in one research infrastructure. – First, there is scale. The project provides an unusually large population of structured personas from which researchers can sample different groups. – Second, the personas contain hundreds of characteristics rather than a few demographic variables. – Third, the agents can interact with digital environments instead of producing only text responses. – Fourth, researchers can keep the simulated sample constant while changing the product, price, message, website, or underlying AI model. This creates something similar to a laboratory for digital products and marketing ideas. Consider a campaign for a new master’s program. Instead of asking ChatGPT: “Which slogan is better?” you might test three slogans among simulated groups representing: Bulgarian undergraduate students, international students, working professionals, price-sensitive applicants, students concerned about mathematics, and students interested in AI careers. The goal is not to obtain a final answer about which slogan will generate the most enrolments. It is to identify possible differences, objections, misunderstandings, and weak messages before conducting research with real people. The main advantage: simulate before testing with people An useful analogy is a flight simulator. Airlines do not assume a flight simulator reproduces every real flight perfectly. They use simulation because it allows people to test many situations safely and repeatedly before dealing with the real situation. MatrAIx offers a similar idea for marketing and digital product research. A possible workflow becomes: Idea → AI simulation → revision → human research → real-world experiment. Suppose a company has 20 possible advertising messages. Running a large human experiment for all 20 may cost too much. Researchers might first test the messages using simulated consumers, identify five messages which can produce interesting or unexpected reactions, and then test those five with real consumers. AI therefore becomes a pre-research instrument. The most important limitation: simulated consumers are not consumers This distinction is essential. MatrAIx reports high levels of persona adherence in its experiments. This means the AI agents usually behave consistently with the characteristics assigned to them. It does not mean the agents predict real human behavior with the same level of accuracy. Consider an actor instructed to play a 65-year-old conservative investor. The actor may remain completely consistent with the role. But staying in character does not prove the actor can predict how real 65-year-old investors will behave. The same problem applies to AI personas. A language model has learned associations about age, nationality, gender, income, occupation, and other characteristics. Some of those associations may represent real patterns. Others may reflect stereotypes present in training data. A simulated Bulgarian consumer may therefore behave according to what an AI model “believes” Bulgarian consumers are like rather than according to how Bulgarian consumers behave. Different AI models may produce different consumers One of the most important findings reported by the MatrAIx researchers concerns the AI model underneath the persona. In one experiment, the same persona cohort produced substantially different purchase decisions when researchers changed the language model controlling the personas. The people were supposedly the same. The product was the same. The AI model changed. The results changed substantially. For marketing researchers, this creates a serious methodological question. If Claude-based consumers prefer Product A and another model’s consumers prefer Product B, which simulated population represents the real market? We do not yet have a reliable answer. Large numbers do not solve this problem either. Simulating one million consumers does not automatically provide better evidence than surveying 500 real consumers. If the simulation contains systematic bias, increasing the number of artificial respondents can produce an extremely precise estimate of the wrong value. MatrAIx should therefore support human research rather than replace representative surveys, experiments, interviews, focus groups, or behavioral data. What could this mean for University of Economics? For a university focused on economics, business, marketing, management, finance, tourism, and data science, this type of technology creates several useful opportunities. 1. Test university marketing before launching campaigns Consider recruitment for a new master’s program. The university might create simulated groups such as: a Bulgarian undergraduate with limited financial resources, a Romanian student interested in an international career, a working professional seeking part-time study, a marketing graduate interested in analytics but concerned about programming, and an economics graduate looking for AI skills. Each simulated student could inspect the program website. Researchers could ask: Can students find the admission requirements? Do they understand the tuition information? Which parts of the program description confuse them? Where do they stop navigating? What questions do they ask? Which claims create interest or skepticism? The results would provide hypotheses for subsequent testing with real prospective students. 2. Build a synthetic marketing research laboratory MatrAIx also presents an interesting teaching opportunity. Students in Marketing Research or Marketing Analytics could conduct the same experiment twice. First, they collect responses from 1,000 simulated consumers. Then they collect responses from 100 or 200 real consumers. Students compare the results. Do the same market segments appear? Do consumers rank the products in the same order? Are price preferences similar? Does variability differ? Does AI exaggerate differences between younger and older consumers? Does AI represent Bulgarian consumers accurately? Students would learn something more important than how to operate another AI tool. They would learn how to validate AI-generated evidence. 3. Teach segmentation through simulated behavior A traditional segmentation exercise often ends after students create several clusters. AI agents allow the exercise to continue. Students could ask members of each simulated segment to: choose between competing products, respond to a price increase, navigate an online store, talk to a customer-service chatbot, or react to an advertisement. Students could then compare the segment description with the simulated behavior. This connects segmentation, consumer behavior, experimentation, text analytics, and AI. 4. Study Bulgarian consumers and AI simulation The strongest research opportunity for the univeristy may come from testing the technology itself. Much of today’s AI development reflects large international datasets. We should not assume synthetic consumers represent Bulgaria and Eastern Europe accurately. A research program might ask: Can AI personas reproduce the attitudes and behavior of Bulgarian consumers? Researchers could compare simulated and real respondents across topics such as: price sensitivity, online shopping, digital banking, tourism decisions, sustainability, trust in AI, university choice, advertising response, entrepreneurial intentions, and adoption of digital services. The result could become a meaningful research stream combining marketing research, economics, statistics, psychology, and data science. 5. Work with regional companies The same approach can support university-business collaboration. A Bulgarian company preparing a new e-commerce service might ask students and researchers to test: three landing pages, two pricing structures, four advertising messages, and one customer-service chatbot. AI personas could conduct the first round of testing. Researchers would then select the most important findings for validation with real consumers. This can make university research more closely connected with business decisions while preserving methodological standards. From synthetic respondents to hybrid research The most useful question raised by MatrAIx is not whether AI can replace consumers in marketing research. A better question is: Where should simulated consumers enter the research process? The answer may be before expensive human research. AI personas can help researchers explore ideas, identify unexpected problems, stress-test assumptions, compare alternatives, and generate hypotheses. Human participants can then help researchers determine which simulated patterns correspond to real behavior. For the University of Economics this creates an opportunity beyond adopting another AI platform. We can study when synthetic consumer evidence works, when it fails, how it differs across AI models, and whether it represents Bulgarian consumers accurately. That question matters for marketing research, behavioral economics, data science, and the growing use of AI in business decision-making. The next stage of AI-supported marketing research may therefore be less about asking AI for answers and more about testing AI-generated answers against people. And universities are well placed to perform that test. | LinkedIn постът на José Antonio Bowen насочи вниманието към нов изследователски проект в областта на ИИ с впечатляващо твърдение: изследователите са създали 8,3 милиарда ИИ персони, които могат да симулират различни типове хора. Реакцията на Bowen: маркетингът може никога повече да не бъде същият. Проектът заслужава внимание, особено от изследователи в областта на маркетинга, икономиката, потребителското поведение и науката за данните. Но преди да приемем 8,3 милиарда ИИ персони за 8,3 милиарда изкуствени потребители, трябва да разберем какво всъщност прави MatrAIx. Какво представлява MatrAIx? MatrAIx е мащабно изследователско сътрудничество, организирано от изследователи от Harvard University и MIT, с участници от много други университети и организации. Вместо да задаваме на една универсална ИИ система въпроса: „Какво биха помислили потребителите за този продукт?“ изследователите могат да създадат извадка от множество различни ИИ персони и да поискат всяка от тях да отговори от различна гледна точка. Една персона например може да представлява: „22-годишен студент, с ограничен доход, интерес към технологиите, чувствителен към цената, изучава икономика.“ Друга може да представлява: „42-годишен финансов мениджър, с висок доход, опит с технологиите и интерес към обучение за ръководни кадри.“ MatrAIx описва персоните чрез до 1 290 характеристики, свързани с демография, образование, психология, професионален опит, технологични умения, отношение към риска, интереси и поведение. Проектът съобщава за популация от 8,3 милиарда профила на персони. Тук е необходимо важно уточнение. Това не са 8,3 милиарда ИИ хора, които едновременно мислят, пазаруват, общуват и живеят във виртуален свят. По-добре е да си представим MatrAIx като огромна библиотека, съдържаща милиарди подробни „карти на персонажи“. Изследователите избират нужните им карти и свързват тези персони с ИИ модели за конкретен експеримент. Ако искате да тествате университетски уебсайт, например, бихте могли да изберете 1 000 персони на кандидат-студенти, вместо да активирате милиарди агенти. Какво могат да правят тези ИИ персони? MatrAIx не се ограничава до това персоните да отговарят на анкетни въпроси. Агентите могат да работят в няколко среди, включително анкети, чатботове, уебсайтове и приложения. Традиционен синтетичен респондент може да отговори на въпроса: „Колко е вероятно да кандидатствате за тази магистърска програма?“ Симулиран потребител от типа на MatrAIx може вместо това да получи задача: „Намерете магистърска програма по маркетингов анализ. Проверете изискванията за прием и таксата за обучение. Решете дали бихте кандидатствали.“ След това агентът може да се движи в уебсайта, да търси информация, да взаимодейства с интерфейса, да задава въпроси и да изпълнява задачи. Изследователите могат да видят къде различните симулирани потребители срещат затруднения. За маркетинговите изследователи това приближава ИИ симулацията до изследванията на ползваемостта, анализа на клиентското пътуване, тестването на концепции и експериментите в дигиталния маркетинг. Какво е новото в проекта? ИИ генерираните персони не са новост. Изследователите вече използват езикови модели, за да симулират участници в анкети, потребителски групи, социални взаимодействия и малки изкуствени общества. Новото на MatrAIx идва от комбинирането на няколко елемента в една изследователска инфраструктура. – Първо, мащабът. Проектът предоставя изключително голяма популация от структурирани персони, от която изследователите могат да подбират различни групи. – Второ, персоните включват стотици характеристики, а не само няколко демографски променливи. – Трето, агентите могат да взаимодействат с дигитални среди, вместо единствено да генерират текстови отговори. – Четвърто, изследователите могат да запазят симулираната извадка непроменена и да променят продукта, цената, посланието, уебсайта или базовия ИИ модел. Това създава нещо подобно на лаборатория за дигитални продукти и маркетингови идеи. Да разгледаме кампания за нова магистърска програма. Вместо да попитаме ChatGPT: „Кой слоган е по-добър?“ можем да тестваме три слогана сред симулирани групи, представляващи: български студенти в бакалавърски програми, международни студенти, работещи професионалисти, кандидати, чувствителни към цената, студенти, притеснени от математиката, студенти, интересуващи се от кариера, свързана с ИИ. Целта не е да получим окончателен отговор кой слоган ще донесе най-много записвания. Целта е да открием възможни различия, възражения, неразбиране и слаби послания, преди да проведем изследване с реални хора. Основното предимство: симулирай преди да тестваш с хора Една полезна аналогия е полетният симулатор. Авиокомпаниите не приемат, че полетният симулатор възпроизвежда всеки реален полет напълно точно. Те използват симулации, защото могат безопасно и многократно да тестват множество ситуации, преди да се сблъскат с реална ситуация. MatrAIx предлага сходна идея за маркетинговите изследвания и проучването на дигитални продукти. Един възможен процес изглежда така: Идея → ИИ симулация → корекция → изследване с хора → реален експеримент. Да предположим, че една компания разполага с 20 възможни рекламни послания. Провеждането на голям експеримент с реални хора за всичките 20 варианта може да струва твърде много. Изследователите могат първо да тестват посланията със симулирани потребители, да идентифицират пет варианта, които предизвикват интересни или неочаквани реакции, и след това да тестват тези пет с реални потребители. Така ИИ може да се използва като инструмент за предварително изследване. Най-важното ограничение: симулираните потребители не са потребители Тази разлика е ключова. MatrAIx отчита висока степен на съответствие на поведението с предварително зададените характеристики на персоните в своите експерименти. Това означава, че ИИ агентите обикновено се държат в съответствие с характеристиките, зададени на съответната персона. Това не означава, че агентите предсказват поведението на реални хора със същата точност. Да разгледаме актьор, на когото е възложено да играе 65-годишен консервативен инвеститор. Актьорът може отлично да остане в ролята. Но доброто изпълнение на ролята не доказва, че актьорът може да предскаже поведението на реални 65-годишни инвеститори. Същият проблем важи и за ИИ персоните. Езиковият модел е научил различни асоциации за възраст, националност, пол, доход, професия и други характеристики. Някои от тези асоциации може да отразяват реални закономерности. Други може да възпроизвеждат стереотипи, присъстващи в обучаващите данни. Следователно симулиран български потребител може да се държи според това как ИИ моделът „смята“, че се държат българските потребители, а не според действителното поведение на българските потребители. Различните ИИ модели могат да създават различни потребители Една от най-важните констатации на изследователите от MatrAIx се отнася до ИИ модела, който стои зад персоната. В един експеримент една и съща група персони взема значително различни решения за покупка, когато изследователите сменят езиковия модел, който управлява персоните. Персоните са същите. Продуктът е същият. ИИ моделът е променен. Резултатите се променят значително. За маркетинговите изследователи това създава сериозен методологичен въпрос. Ако потребителите, симулирани чрез Claude, предпочитат продукт А, а потребителите, симулирани чрез друг модел, предпочитат продукт Б, коя симулирана популация представлява реалния пазар? Все още няма надежден отговор. Големият размер на извадката също не решава този проблем. Симулация на един милион потребители не предоставя автоматично по-добри доказателства от анкета с 500 реални потребители. Ако симулацията съдържа систематично отклонение, увеличаването на броя на изкуствените респонденти може да произведе изключително прецизна оценка на грешна стойност. Следователно MatrAIx трябва да подкрепя изследванията с хора, а не да заменя представителните анкети, експериментите, интервютата, фокус групите или реалните поведенчески данни. Какво може да означава това за Икономически университет? За университет, фокусиран върху икономика, бизнес, маркетинг, управление, финанси, туризъм и наука за данните, този тип технология създава няколко полезни възможности. Тестване на университетския маркетинг преди стартиране на кампании Да разгледаме набирането на студенти за нова магистърска програма. Университетът може да създаде симулирани групи като: български студент с ограничени финансови възможности, румънски студент, интересуващ се от международна кариера, работещ професионалист, търсещ задочно или гъвкаво обучение, завършил маркетинг, който се интересува от аналитика, но се притеснява от програмирането, завършил икономика, който търси умения в областта на ИИ. Всеки симулиран студент може да разгледа уебстраницата на програмата. Изследователите могат да зададат въпроси като: Могат ли студентите да намерят изискванията за прием? Разбират ли информацията за таксите? Кои части от описанието на програмата ги объркват? Къде прекратяват навигацията? Какви въпроси задават? Кои твърдения предизвикват интерес или скептицизъм? Резултатите ще предоставят хипотези, които след това да бъдат тествани с реални кандидат-студенти. Създаване на лаборатория за синтетични маркетингови изследвания MatrAIx предоставя и интересна възможност за обучение. Студентите по маркетингови изследвания или маркетингов анализ могат да проведат един и същ експеримент два пъти. Първо, да съберат отговори от 1 000 симулирани потребители. След това да съберат отговори от 100 или 200 реални потребители. Студентите могат да сравнят резултатите. Появяват ли се същите пазарни сегменти? Подреждат ли потребителите продуктите в същия ред? Сходни ли са ценовите предпочитания? Различава ли се вариацията в отговорите? Преувеличава ли ИИ разликите между по-млади и по-възрастни потребители? Представя ли ИИ точно българските потребители? Така студентите ще научат нещо по-важно от начина на работа с още един ИИ инструмент. Те ще научат как да валидират доказателства, генерирани от ИИ. Преподаване на сегментиране чрез симулирано поведение Традиционното упражнение по сегментация често приключва, след като студентите създадат няколко клъстера. ИИ агентите позволяват упражнението да продължи. Студентите могат да поискат от членовете на всеки симулиран сегмент да: изберат между конкурентни продукти, реагират на увеличение на цената, навигират в онлайн магазин, разговарят с чатбот за обслужване на клиенти, реагират на реклама. След това студентите могат да сравнят описанието на сегмента със симулираното поведение. Това свързва сегментацията, потребителското поведение, експериментите, текстовия анализ и ИИ. Изследване на българските потребители и ИИ симулациите Най-силната изследователска възможност за ИУ – Варна може да бъде свързана не с употребата на технологията, а с нейното тестване. Голяма част от съвременното развитие на ИИ се основава на големи международни масиви от данни. Не трябва автоматично да приемаме, че синтетичните потребители представят точно България и Източна Европа. Една изследователска програма може да зададе въпроса: Могат ли ИИ персоните да възпроизведат нагласите и поведението на българските потребители? Изследователите могат да сравняват симулирани и реални респонденти по теми като: чувствителност към цената, онлайн пазаруване, дигитално банкиране, туристически решения, устойчивост, доверие в ИИ, избор на университет, реакции към реклама, предприемачески намерения, приемане на дигитални услуги. Това може да се развие в значима изследователска програма, която обединява маркетингови изследвания, икономика, статистика, психология и наука за данните. Работа с регионалния бизнес Същият подход може да подпомогне сътрудничеството между университета и бизнеса. Българска компания, която подготвя нова услуга за електронна търговия, може да поиска от студенти и изследователи да тестват: три целеви страници, две ценови структури, четири рекламни послания, един чатбот за обслужване на клиенти. ИИ персоните могат да проведат първия етап на тестване. След това изследователите могат да изберат най-важните констатации и да ги валидират с реални потребители. Така университетските изследвания могат да се свържат по-тясно с реални бизнес решения, без да се пренебрегват методологичните стандарти. От синтетични респонденти към хибридни изследвания Най-полезният въпрос, който MatrAIx поставя, не е дали ИИ може да замени потребителите в маркетинговите изследвания. По-подходящият въпрос е: Къде трябва да влязат симулираните потребители в изследователския процес? Един от най-смислените отговори е: преди скъпото изследване с реални хора. ИИ персоните могат да помогнат на изследователите да проучват идеи, да идентифицират неочаквани проблеми, да проверяват предположения, да сравняват алтернативи и да формулират хипотези. След това реалните участници могат да помогнат на изследователите да установят кои симулирани модели съответстват на реалното поведение. За Икономически университет – Варна това създава възможност, която надхвърля внедряването на поредната ИИ платформа. Можем да изследваме кога доказателствата от синтетични потребители работят, кога се провалят, как се различават при различни ИИ модели и дали представят точно българските потребители. Този въпрос е важен за маркетинговите изследвания, поведенческата икономика, науката за данните и нарастващото използване на ИИ при вземането на бизнес решения. Следващият етап на маркетинговите изследвания, подпомагани от ИИ, може да бъде по-малко свързан с това да искаме от ИИ готови отговори и повече с това да проверяваме отговорите, генерирани от ИИ, спрямо реални хора. А университетите са подходящото място, където тази проверка може да се извършва. |