Målgrupper / Målgruppsanalys / Syntetiska målgrupper

Syntetiska målgrupper: kan AI-personas ersätta riktiga kunder?

En syntetisk målgrupp är en grupp AI-genererade respondenter som får svara på frågor som om de vore dina kunder. De kallas också syntetiska respondenter, AI-personas eller kiselurval, efter engelskans silicon samples. Forskningen visar att de kan återge genomsnitt och välkända mönster förvånansvärt väl, men att svaren har för liten spridning, ändras med hur frågan ställs och ibland pekar åt fel håll. De passar för att sålla idéer tidigt, inte för att fatta beslut om din målgrupp.

Läsning: 6 min · Uppdaterad 11 november 2026 · Skribent: Evirht

Kort svar: Syntetiska målgrupper ger en snabb första reaktion på en idé. De ersätter inte riktiga kunder, eftersom de bara kan återge mönster som redan finns i texten de har tränats på.

Vad är en syntetisk målgrupp?

En syntetisk målgrupp skapas genom att man ger en språkmodell en beskrivning av en person, till exempel ålder, bostadsort, yrke, livssituation och värderingar, och ber den svara på frågor som den personen. Gör man det med hundratals olika beskrivningar får man något som liknar ett urval av människor, och svaren kan sammanställas som en enkät eller läsas som intervjuer.

Idén fick sitt genombrott 2023, när en forskargrupp vid Brigham Young University lät språkmodellen GPT-3 utgå från bakgrundsbeskrivningar av tusentals verkliga deltagare i stora amerikanska undersökningar. Modellen kunde återge hur olika grupper svarade, på ett sätt som gick långt utöver ytliga likheter. Forskarna kallade de simulerade deltagarna för silicon samples och förmågan att återge verkliga gruppers svarsmönster för algoritmisk trohet, algorithmic fidelity.¹ Sedan dess har det vuxit fram en marknad för tjänster som säljer syntetiska paneler, AI-personas och digitala tvillingar av kundgrupper.

Hur fungerar det i praktiken?

Det finns i grunden två sätt. Det enklaste är att beskriva en persona i en prompt och ställa frågor till den. Det kräver ingen data, men då kommer allt från modellens allmänna bild av hur sådana människor brukar vara. Det andra sättet är att först ge modellen riktiga svar från tidigare undersökningar i samma kategori och målgrupp, så att den har något verkligt att utgå från.

Forskningen pekar på att det andra sättet ger betydligt bättre resultat. James Brand, Ayelet Israeli och Donald Ngwe fann att det som gav de mest tillförlitliga förbättringarna var att träna modellen vidare på tidigare enkätdata från samma kategori och befolkning.² Det betyder att en syntetisk målgrupp aldrig blir bättre än de riktiga data som finns bakom den. Utan riktiga kunder att jämföra med vet du inte om den stämmer.

Vad säger forskningen?

Resultaten går isär beroende på vad man ber modellerna göra. När Peiyao Li och hans kollegor lät dem bedöma hur olika varumärken och produkter uppfattas i förhållande till varandra stämde resultaten överens med undersökningar bland människor till 75–85 procent i vissa produktkategorier.³ Det är ett område där det finns mycket skrivet på nätet om hur människor ser på kända varumärken.

När uppgiften i stället var att uppskatta hur mycket kunder är villiga att betala blev det sämre. Brand och hans kollegor fann att AI:s uppskattningar ibland låg nära de mänskliga, men ofta var felaktiga och i vissa fall pekade åt fel håll.² När de presenterade studien visade de också att modellen dras mot det alternativ som nämns först, så ordningen på svarsalternativen påverkar resultatet.⁴

Statsvetarna James Bisbee och hans kollegor gjorde det kanske strängaste testet. Deras syntetiska respondenter gav ungefär samma genomsnitt som en stor amerikansk väljarundersökning. Men svaren varierade mindre än människornas, sambanden mellan egenskaper och åsikter skilde sig ofta från verkligheten, och resultaten ändrades både med små skillnader i formuleringen och när samma fråga ställdes igen tre månader senare. Forskarnas slutsats var att syntetiska svar inte går att lita på för att dra statistiska slutsatser.⁵

Ett genomsnitt kan se rätt ut och ändå leda till fel beslut.

Till sist finns frågan om vems röst modellen egentligen återger. Mohammad Atari och hans kollegor vid Harvard visade att språkmodellernas svar mest liknar människor i västerländska, utbildade, industrialiserade, rika och demokratiska samhällen, och att likheten minskar kraftigt ju längre från dem man kommer.⁶ För ett svenskt företag betyder det att AI:s bild av kunden ligger närmare en allmän västerländsk konsument än en köpare i just din region och bransch.

När fungerar syntetiska målgrupper, och när gör de inte det?

Passar

Tidiga idéer

Sålla bort svaga koncept, hitta invändningar du inte har tänkt på och se om en enkätfråga går att missförstå.

Passar dåligt

Beslut om pengar

Betalningsvilja, prissättning och skillnader mellan segment, där studierna visar de största felen.

Kräver kontroll

Smala marknader

Nischade B2B-köpare, nya kategorier och lokala marknader, där det finns lite skrivet på nätet.

Syntetiska målgrupper fungerar bäst tidigt i arbetet och sämst när beslutet gäller pengar.

Det gemensamma är att syntetiska målgrupper fungerar som bäst där det redan finns mycket kunskap, och som sämst där du behöver lära dig något nytt. Därför passar de bra som förarbete till en målgruppsanalys men inte som själva analysen.

Syntetisk persona eller riktig persona?

När Alan Cooper introducerade personas var poängen att de skulle bygga på intervjuer och observationer av verkliga användare.⁷ En AI-persona utan sådant underlag ser likadan ut på papperet, med namn, ålder och mål, men den saknar det som gör en persona användbar: kopplingen till verkliga människor. Behandla den därför som en hypotes. Den blir en riktig persona först när du har prövat den mot kunder du har pratat med. Läs mer om hur du skapar en persona.

Så testar du om en syntetisk målgrupp går att lita på

Börja med att jämföra med verkligheten. Ställ samma frågor till ett litet antal riktiga kunder och se om bilden stämmer, och titta då på spridningen och inte bara på genomsnittet, eftersom det är där de syntetiska svaren oftast avviker.⁵ Ställ sedan samma fråga flera gånger och med olika formuleringar. Ändras svaren mycket har modellen inte något stabilt att säga. Byt också ordning på svarsalternativen, eftersom modellen dras mot det som nämns först.⁴ Skriv till sist upp vilken modell och vilket datum du använde, så att du kan se om resultaten ändras med tiden.

Du behöver inte många intervjuer för att se om de syntetiska svaren håller. I en ofta citerad studie framkom grunddragen redan efter sex intervjuer och de flesta teman inom tolv.⁸ Det är billigare än att fatta ett stort beslut på fel grund.

Vanliga frågor

Är en syntetisk målgrupp samma sak som syntetisk data?

Nej. Syntetisk data är ett bredare begrepp för konstgjorda datamängder, till exempel för att träna modeller utan att använda riktiga personuppgifter. En syntetisk målgrupp är AI-genererade respondenter som svarar på frågor som om de vore människor.

Kan jag använda en syntetisk målgrupp i stället för en enkät?

Som ett test av enkäten, ja. Som ersättning för den, nej. De syntetiska svaren har för liten spridning för att visa hur vanligt något är bland dina kunder.⁵

Vad betyder algoritmisk trohet?

Algoritmisk trohet, på engelska algorithmic fidelity, är hur väl en språkmodell återger de svarsmönster som en verklig grupp människor har. Begreppet kommer från forskarna som först testade syntetiska urval.¹

Kan AI göra hela målgruppsanalysen?

Delvis. Vi går igenom vad AI klarar och inte klarar, steg för steg, på sidan Kan AI göra en målgruppsanalys?

Källor och vidare läsning

Vi anger vad påståendena på sidan bygger på, så att du kan kontrollera dem själv.

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C. & Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337–351. Introducerade begreppen silicon samples och algorithmic fidelity.
Brand, J., Israeli, A. & Ngwe, D. (2023, reviderad 2026). Using LLMs for Market Research. Harvard Business School Marketing Unit Working Paper 23-062.
Li, P., Castelo, N., Katona, Z. & Sarvary, M. (2024). Frontiers: Determining the Validity of Large Language Models for Automated Perceptual Analysis. Marketing Science, 43(2), 254–266.
Israeli, A., Brand, J. & Ngwe, D. (2024). Using GPT for Market Research. Presentation, Microsoft Research, maj 2024. Visar bland annat att modellen dras mot det alternativ som presenteras först.
Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. & Larson, J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401–416.
Atari, M., Xue, M. J., Park, P. S., Blasi, D. E. & Henrich, J. (2023). Which Humans? Arbetspapper, PsyArXiv.
Cooper, A. (1999). The Inmates Are Running the Asylum. Sams. Boken som introducerade personas.
Guest, G., Bunce, A. & Johnson, L. (2006). How Many Interviews Are Enough? An Experiment with Data Saturation and Variability. Field Methods, 18(1), 59–82.