在企业管理分工中，市场营销可能会成为受生成式AI冲击最大的领域。
学术和产业界都认识到了AI的潜力，并一直在探索将其应用于客户服务和内容创作的新方法。最近，商业界开始关注AI可能对其他市场类业务产生的影响，其中最令人激动的就是市场调研工作：企业可以通过市场调研收集各类数据，进而深入了解客户和对手。
过去两年间，我们研究了很多尝试在市场调研工作中运用生成式AI的企业，并与这些企业展开了直接合作，我们认为，市场调研领域将会迎来重大变革。恰当运用AI技术时，企业将获得前所未有的机遇，既能深度洞察客户需求并实现精准互动，又能更高效地评估竞争态势，并将数据驱动的决策模式渗透至商业运营的各个环节。
通过研究，我们总结了AI为市场调研带来的四类不同机遇：第一，通过提速、降本、更利于扩大规模等方式，辅助现行市场调研工作；第二，利用合成数据（由AI生成，而非通过问卷或访谈收集的消费者偏好与行为数据），完全替代现行市场调研方法；第三，通过获取传统数据无法提供的洞见与证据，填补当前市场认知中的空白；第四个机遇尚且处于萌芽阶段，核心是产出新型数据与洞察。
本文将提出一个框架体系，帮助管理者和企业在这一新兴领域把握方向。我们将阐述生成式AI如何改变当前与将来的市场调研格局、我们应如何充分抓住新机遇、警惕AI技术的局限性，以及应对新应用涉及的伦理问题。
辅助现行市场调研工作
企业总会为研究客户和市场时所耗费的高成本与长周期所困扰，生成式AI可以怎样同时解决这两个痛点？
基于研究及与企业合作的经验，我们开发了一套系统化的应用场景发掘方法，将生成式AI的四项核心能力：信息整合、代码编写（计算机编程）、人机交互和文本生成，应用到市场调研的每个阶段。简洁起见，我们将市场调研工作流程归纳为三个阶段：机会识别与研究方案设计、数据收集与分析、信息与研究意见的汇报与传播（参见图表“生成式AI如何协助现行市场调研工作”）。例如，生成式AI的信息整合能力用在第一阶段中，可以汇总文献与以往研究；用在第二阶段中，可以从访谈和新数据里提取新发现；用在第三阶段中，可以清晰表述关键结论。生成式AI完成所有这些工作的速度都远超人类。
企业可以如何运用生成式AI辅助当下的市场调研工作？我们近期与作者之一的杰里米所在的GBK Collective公司（这家市场战略和研究机构与顶尖商学院教授及《财富》500强企业关系密切）联合开展的调查揭示了现状。调查中，我们收集了170多位市场调研从业者及用户的反馈。数据显示：45%的受访者已在目前开展的数据分析与洞察工作中使用了生成式AI，另有45%表示计划要这样做。
调查揭示了一些值得关注的整体趋势。毫不意外，超过70%的受访者对生成式AI可能带来的副作用和挑战表示担忧。这些担忧主要包括AI可能产生有偏向性或不准确的信息、安全及隐私风险，以及将生成式AI整合到目前工作中所需的额外时间和精力。约有等比例的受访者还担心，生成式AI可能导致技能缺口问题，甚至取代人类数据分析与洞察专业人员。
尽管如此，依然有许多受访者与我们合作的从业者一样对AI持积极态度，并已开始应用这一技术。在已使用生成式AI的受访者中：62%用AI整合冗长的访谈记录及其他文件，这一工作曾经极为耗时；58%用AI分析数据；54%用AI撰写报告。总体来看，受访者普遍对生成式AI以多种方式提升工作效率这一点感到振奋。超过80%的受访者认为，AI技术也许能显著提升个人生产力与工作效率，将其融入工作流程对保持企业竞争力至关重要。同等比例的受访者还认为生成式AI将改善工作方式，推动重大创新，进而对整个行业产生积极影响。具体而言，AI能帮助人们更快完成任务、聚焦高附加值工作，并留出更多时间进行数据解读与商业叙事。总体来看，AI将全面提升工作的质量、精确度与定制化水平。
市场调研领域的初创企业已经开始布局这一赛道。以Meaningful为例，该公司致力于通过生成式AI为市场调研“超级赋能”，使用AI设计定制化问卷、向调研对象分发问卷、开展定性研究访谈，并分析结果。另一家初创企业Outset.ai则另辟蹊径，专注于利用AI生成关于消费者需求和行为的问题，而非答案。这一创新理念颇具前景。该公司由AI主持的研究平台能根据受访者对先前问题的回答动态生成新问题，从而获取更具洞察的反馈，将自动化调研工具的效率、规模与传统访谈的深度结合了起来。Outset.ai联合创始人兼CEO亚伦·坎农（Aaron Cannon）创业的基础源于他的一个重要发现：当生成式AI仅承担与人类对话的基础任务时，受访者会充分分享观点、经历和情绪，这时AI的“幻觉问题”几乎不会出现。
WeightWatchers公司是Outset.ai的客户，它的研究团队发现，由于某些偏见效应减弱，受访者在接受AI访谈时往往会比面对人类更愿意敞开心扉。该公司前用户体验研究主管威尔·雷丁杰（Wil Readinger）对生成式AI充满热情。他表示，研究人员再也不必被迫在“访谈能获得更丰富且情境化的数据”和“问卷调查的范围更广”间，做出艰难抉择。相反，他们现在有了第三种选择，用他的话来说就是“我全都要！”
替代现有方法
生成式AI在市场工作领域最具创新的应用之一，是生成和分析所谓的“合成数据”，这种人工生成的数据可以模拟真实用户的行为与偏好。企业既可以使用现成的生成式AI程序创建这类数据，也能基于传统市场调研、行业联盟数据、客户关系管理系统（CRM）和交易记录等既有数据，开发训练专属模型。这些合成数据可用于模拟各类客户或竞争对手的反应，从而凸显用户在与产品或服务互动的不同阶段可能遇到的痛点，以及他们期待获得的体验。我们的调查显示，高达81%的受访者表示已经或计划使用生成式AI创建合成数据。其中一位受访者提到，计划“创建与目标客户相匹配的虚拟人格用户，供团队进行交互测试”。
通过构建精细的虚拟客户画像和场景，AI模型能帮助市场部门更精准地预测客户需求和偏好，从而做出更有效的决策。不过必须承认的是，AI无法完全复现人类行为的复杂性和不可预测性。我们的受访者对这种局限也有清醒认知：仅31%的人认为，生成式AI产出的数据价值“很高”，这个满意度比例在我们本次调研中属于垫底水平。不过值得注意的是，研究表明，三种情况能显著提升生成式AI合成数据的质量：首先，输入的提示语中包含问答范例；其次，允许AI调用过往研究的知识库，检索与每个问题相关的内容；最后，微调参数，以更好地匹配现有数据。
新兴企业与老牌公司都在积极探索合成数据的潜力。以初创公司Evidenza为例，该公司已经开展了60多项验证研究，将多个行业的合成数据结果与传统调研数据进行了比对。在一项研究中，Evidenza与安永会计师事务所合作开展了双盲试验。这是科学研究的黄金标准，参与双方在研究结束前均不知晓对方的结果。安永向Evidenza提供了自己年度品牌的调查问卷及目标受众，即年收入超10亿美元的美国企业CEO的详细信息，但没有披露实际调研结果，留待后续作为对照使用。根据安永提供的信息，Evidenza创建了超过1000个符合目标受众特征的合成虚拟人格，并回答了问卷。“结果令人震惊，”安永美洲区CMO托尼·克莱顿-海恩（Toni Clayton-Hine）告诉我们：“结论相似度达95%，相关性极强，很多数据几乎完全一致。”
生成式AI的应用不仅限于产出结构化定量数据。威斯康星大学麦迪逊分校商学院2024年的一项研究表明，AI同样能生成深度定性数据。具体来说，AI可对自行创建的合成受访者（例如模拟目标客群的虚拟人格）进行有揭示性和洞察力的深度访谈。目前已有多个研究团队和企业管理者成功运用了这种方法。葡萄牙初创企业Synthetic Users就是提供此类服务的优秀供应商。
当然，企业若想定制合成数据方案，就必须向所使用的生成式AI系统提供部分特有信息，这令不少公司心存顾虑。为了消除这一担忧，所有主流的生成式AI服务商都推出了付费企业版模型，承诺不会将企业专有数据或洞察共享给第三方。部分供应商还会帮助企业构建完全自主掌控的“轻量级”生成式AI模型，例如初创公司Rockfish Data就支持用户利用内部数据集，自主开发训练定制化模型，保证数据和模型的绝对私密。这些模型规模虽小，用户来头却不小：美国陆军和美国国土安全部都是Rockfish Data的客户。
这里同样需要权衡利弊：轻量级生成式AI模型主要适用于结构化或半结构化数据，即数值型或分类型数据，但无法受益于公共模型庞大的训练数据集；而公共模型却能处理非结构化的定性数据。对于部分企业而言，使用专有数据对大模型进行微调，也是一种有效的折中方案。
填补当前空白
即使在自称数据驱动的企业中，从业者也常会反映多数决策并未经过正规的实证分析。原因也很简单：难以负担实证分析所需的时间和金钱成本。而生成式AI有望成为永续运行的智能洞察引擎：无法获取数据，或者数据获取成本过高时，它能即时为市场调研者提供实证依据。这项技术可以用于验证假设、测试概念与执行策略，并为管理决策提供参考。企业甚至可以建立专属“实验室”，通过安全便捷的定制化AI模型，为整个组织内各层级的决策提供支持。
我们的调查显示，30%受访企业已经在运用生成式AI指导传统上不会借助外部数据和洞察的决策流程。总体来看，81%的受访者表示正在或计划使用AI“聆听市场的脉搏”，让企业保持对竞争环境的动态掌握。典型案例包括：某企业利用AI分析行业最新趋势与竞争对手的策略，及时生成市场竞争情报辅助决策；另一家企业则会基于历史数据和预设条件，用AI进行预测性分析以辅助决策。
多家企业正在尝试用合成数据推动产品创新，通用磨坊（General Mills）就是典型代表。该公司首席创新、技术与质量官拉内特·谢弗·沃纳（Lanette Shaffer Werner）表示：“我们正在探索如何通过合成数据加速并优化产品创意的生成流程，提升发掘卓越创意的概率，最终更好地服务消费者。”
许多初创企业也在积极布局合成数据领域。Evidenza公司就在为向来难以建立联系的B2B客户提供合成数据的生成工具。Arena Technologies正在利用生成式AI和根据本地客户画像与偏好生成的合成数据，助力零售商做出更智能的决策，例如针对不同区域门店定制的产品组合。Evidenza的合成数据平台不仅帮助市场部门确定了目标客群、品牌定位和传播策略，还能通过投资回报预测和财务指标测算，量化评估这些决策所带来的财务影响，直接为CFO和营收团队提供决策依据。
产出新型数据与洞察
内容营销与销售领域有句魔咒：留下第一印象的机会只有一次。这个法则今天可能已经失效了。
我们发现，内容营销人员和销售代表正在开始用生成式AI创建“数字孪生”，即通过公开信息或专有数据为客户量身构建的虚拟复刻体，用于在实际接触真人客户前，测试并优化素材和话术，这样就能对营销工作实现精细调节。与真人客户不同，数字孪生形象永远不会在与营销人员互动时产生疲劳、烦躁或厌倦情绪。调查显示，40%以上的受访者已开始尝试数字孪生技术。例如某企业通过在虚拟销售环境中运用数字孪生“模拟不同场景下客户的购买行为、点击率和交互模式”，从而“测试市场策略，优化用户体验”。另有42%的受访者表示计划在未来使用这项技术开展实验。
数字孪生技术在市场营销领域的应用案例正如雨后春笋般涌现。Arena公司开发的培训工具，可以让B2B销售代表与客户的数字孪生形象展开互动演练；CivicSync则创新性地在征得消费者同意后，通过追踪购物和搜索记录等线上行为，构建了高度精准的目标用户的数字孪生形象。公关公司奥美会在数字孪生上测试创意方案，确保宣传活动能够引发消费者共鸣。GBK Collective则在探索利用调研结果训练生成式AI，打造可接受市场调研回访的数字孪生平台。他们通过历史调研数据的不同子集生成了多个数字孪生变体，再通过测试验证各个变体对不同商业研究目标的适用性，最终对比测试结果与原始调研数据，评估了每种方法的有效性。
许多企业也在尝试使用谷歌的NotebookLM等免费工具。NotebookLM能打造个性化的“研究助手”，只要输入竞争对手的信息、行业及领域数据、目标客户画像等内容，就能开展训练。AI助手可以帮助团队优化推介方案、完善服务和沟通内容、预判客户异议，从而做好客户接洽准备。网络安全初创公司Oleria（本文作者之一杰里米在该企业担任顾问）首席技术客户经理亨利·索萨（Henry Sosa），就已为负责销售和营销工作的同事训练了一大批这样的生成式AI助手。
学术界同样在探索这一新兴领域。哥伦比亚商学院的一个团队正在构建一个由2500位真人数字孪生形象组成的代表小组。被“克隆”的对象需完成涵盖心理、行为、认知和态度等多个维度的综合测试，由此建立的“基准真相”将作为生成式AI打造数字孪生形象的依据。该小组还计划让这些虚拟人在新的调研项目中充当受访对象。斯坦福大学与谷歌DeepMind人员组成的联合研究团队此前的实验表明，该方法具备可行性。他们对受试者进行数小时访谈并完成系列问卷调查后，利用访谈记录为每位受试者创建了数字孪生形象。同时，研究团队还让受试者在两周后再次回答了之前的系列问卷。数字孪生形象做完同一套问卷后，结果对真人首次答案的复现准确度，达到了本人二次回答复现准确度的85%。
理解AI的局限性
生成式AI为市场营销工作者带来诸多可能，但也有不容忽视的局限性。正如前文所述，我们的调查显示，77%的受访者主要担心偏见风险。所有训练数据集本身都存在固有偏见，可能导致输出结果失真，产生对用户群体或市场趋势的错误描述（不过传统调研方法同样会因各种原因产生偏差）。更重要的是，由于生成式AI模型是基于已有数据和洞察进行训练，它在预测消费者行为突变或突破性产品创新方面的能力还有待验证。此外，AI模型对提示词结构异常敏感。例如，我们在实验中发现，在回答多选题时，模型就会受到选项排序和标签的影响，而且这种影响具有不可预测性。研究人员必须意识到这点，像对待真人受访者那样，将问卷的所有相关要素随机打乱，以规避潜在偏差。
学术界还担心生成式AI会模仿某个代表性群体的意见和态度。哥伦比亚大学与斯坦福大学2023年开展的联合研究发现，OpenAI最新模型表达的观点更倾向于自由派或高学历人群的特征，而难以反映65岁以上或信教人士的立场。这种偏差既可能源于训练数据本身，也可能来自人为调整数据时的主观介入——这也解释了为何越新的模型反而偏向性越明显。鉴于这一局限，美国范德比尔特大学詹姆斯·比斯比（James Bisbee）2024年带头的研究当然可以发现，虚拟受访者参与民意调查时，回答虽然与人类反馈高度相似，但仍存在缺陷：答案多样性不足、对问题的措辞很敏感，以及在三个月周期内的回答稳定性较差。
合成数据在模拟分组对照实验时，也存在明显局限。我们曾尝试探索在模拟试验中测试产品价格波动对AI虚拟受访者购买意愿的影响，结果发现，AI生成的需求曲线不仅与真实消费者问卷结果不同，而且有悖常理。
事后再看，出现这种现象的原因或许很简单：真人试验通常会采用盲测，参与者既不了解其他条件，也不知道研究目的。这种设计模拟了真实的消费场景，毕竟现实中消费者不会同时面对不同价格的同款商品。但在生成式AI参与的试验中，盲测会导致“混杂变量”现象：某些与自变量（如价格）和因变量（如购买决策）都相关的未知因素，会干扰两种变量间的关系。我们在定价试验中发现，生成式AI难以将产品价格视为独立的随机变量，总会默认其他变量（历史价格、店内其他产品价格等）会随着产品价格一起变化，最终导致价格发生变化时，行为模式没有对应变化，从而使高价购买行为也合理起来。
生成式AI也无法预测消费者面对多感官刺激时的情绪反应。日本香料巨头高砂香料工业株式会社（Takasago）在尝试用AI生成样本替代真人测试组时就深有体会。例如，香水对生成式AI模型产生的作用，就与对人类实验对象产生的作用截然不同。高砂香料工业负责客户洞察与市场调研业务的全球副总裁杰莱娜·勒布雷顿（Jelena Le Breton）告诉我们：“虽然AI模型可以从历史数据中学习，但仍难以预测人类嗅觉偏好的变化，因为这种变化往往与个人经历和情感记忆相关。”
在生成式AI与合成数据的大潮下，市场营销在探索未来发展方向时需要秉持理性平衡的发展观，这样我们才能在驾驭这些革命性工具的同时，保证营销战略始终建立在公平、准确和真实的消费者洞察的基础之上。
让我们以Outset.ai创始人坎农提出的乐观构想作为总结：当生成式AI能够每小时以数百种语言与全球数千人对话，并即时从海量对话数据中提炼出独特而精准的洞察意见时，人类将对彼此有更深刻的理解。而我们打造的产品、服务与体验，也将承载更丰沛的人文关怀。
杰里米·科尔斯特是GBK Collective咨询公司合伙人，该公司专注于战略洞察、消费者行为分析与数据建模。杰里米曾在微软、T-Mobile和Avalara等企业担任高管职务。斯特凡诺·蓬托尼是宾夕法尼亚大学沃顿商学院市场营销教授，是研究AI商业应用的顶尖行为科学家。奥利维耶·图比亚是哥伦比亚商学院市场营销教授，是量化营销研究领域的权威学者。
杰里米·科尔斯特（Jeremy Korst）斯特凡诺·蓬托尼（Stefano Puntoni）奥利维耶·图比亚（Olivier Toubia）| 文
DeepSeek | 初译 高晓萌 | 校译 孙燕 | 编辑