Представьте: вы можете протестировать рекламную кампанию на 10 000 потребителей за несколько часов, не набирая фокус-группу, не платя вознаграждения респондентам и не тратя недели на полевое исследование. При этом результаты будут совпадать с реальными ответами людей с точностью 94–95%.
Это не научная фантастика. Это реальность 2026 года.
Рынок синтетических данных растёт экспоненциально: по прогнозам, к 2030 году он достигнет $10,48 млрд при среднегодовом темпе роста почти 40%. Аналитики называют синтетические данные и цифровых двойников одной из ключевых сил, меняющих маркетинговые исследования. Но что это такое на самом деле и можно ли им доверять?
Синтетические данные — это ответы, сгенерированные искусственным интеллектом, которые воспроизводят статистические закономерности, взаимосвязи и характеристики, присущие реальным данным. Вместо опроса живых людей ИИ-модели генерируют новые наблюдения, отражающие то, как целевая аудитория могла бы ответить, на основе паттернов, извлечённых из больших массивов данных.
Цифровые двойники (Digital Twins) — это следующий уровень. Это не обезличенные «типичные представители» сегмента, а AI-реплики конкретных реальных людей. Они создаются на основе поведенческих и психологических данных и моделируют, как конкретная персона отреагирует на тот или иной стимул.
Как отмечает Qualtrics, термин «синтетические данные» на практике означает как минимум пять разных вещей:
Эта фрагментация важна: поставщик, предлагающий синтетические персоны, решает совсем другую задачу, чем тот, кто генерирует смоделированные индивидуальные данные.
Главный вопрос, который волнует любого исследователя: можно ли доверять синтетическим данным?
Исследования 2026 года дают обнадёживающие, но неоднозначные ответы.
Kantar сообщает, что их собственная технология синтетических данных достигает 94–95% точности по сравнению с реальными данными.
StatSocial, запустившая платформу Digital Twins на основе поведенческих сигналов более 100 млн взрослых американцев, заявляет о средней ошибке 3,5 процентных пункта против реальных опросов — это лучше, чем у традиционных онлайн-панелей (5–6 пунктов).
Parallel сообщает о точности 80,4% по сравнению с реальными человеческими ответами.
Однако есть и более сдержанные оценки. В обзоре 285 сравнений «кремниевых выборок» с реальными людьми исследователи обнаружили, что лишь 24,9% сравнений дали схожие результаты, в 65,3% результаты разошлись, а в 9,8% совпали лишь частично. Хотя LLM могут воспроизводить результаты по некоторым стабильным конструктам — личностным чертам и политическим предпочтениям, — их выводы часто не совпадают с устоявшимися потребительскими паттернами.
Как предостерегают авторы исследования в International Journal of Research in Marketing, «стандартные LLM в настоящее время не предназначены для воспроизведения индивидуального жизненного опыта, культурных нюансов и поведения, которые характеризуют подлинное человеческое принятие решений».
Вывод: синтетические данные впечатляюще точны в определённых условиях, но ещё не готовы полностью заменить живых респондентов во всех типах исследований.
1. Раннее тестирование и пилотные исследования
LLM могут выступать в роли советников на этапе претестирования: предлагать альтернативные формулировки, выявлять двойные вопросы и расплывчатые варианты ответов. Мультимодальные LLM могут оценивать визуальные стимулы, проверять соответствие визуальных элементов замыслу и предлагать улучшения.
2. Тестирование креативов до запуска
Компания Brox использует 60 000 цифровых двойников как мгновенных респондентов, сокращая время исследований с 12 недель до нескольких часов. Их цифровые двойники — это «один-к-одному реплики реальных людей». Они позволяют:
3. Исследование труднодоступных аудиторий
StatSocial позволяет опрашивать «практически любую аудиторию в течение нескольких часов», включая нишевые фан-сообщества, инвесторов, профессионалов и региональные группы избирателей. Традиционные методы с трудом доходят до таких аудиторий; цифровые двойники решают эту проблему.
4. Мгновенная симуляция потребительских реакций
Как отмечают авторы исследования в NIM Marketing Intelligence Review, синтетические выборки могут быть полезны на всех этапах маркетингового исследовательского процесса. Они позволяют:
5. Российские кейсы
В России VK Tech запустил сервис VK AI Researcher, который сокращает цикл маркетинговых исследований до нескольких рабочих дней. Модели сервиса обучены на обезличенных данных VK об интернет-аудитории России. По данным Qualtrics, 71% исследователей прогнозируют, что в течение трёх лет синтетические данные будут составлять более половины всех сборов. В НИУ ВШЭ уже проводятся исследования, сравнивающие LLM-выборки с реальными данными ВЦИОМ на российском рынке.
Не все цифровые двойники одинаково полезны. Основатель Neurofocus (приобретённого Nielsen) А.К. Прадип предупреждает о «проблеме фальшивых двойников».
Самый распространённый shortcut — попросить ChatGPT представить двадцать типов личности и спрогнозировать их реакции на контент. Это выдают за «методологию цифровых двойников». Но это не она.
«У этих моделей нет памяти, — объясняет Прадип. — Они реагируют на запрос изолированно и сбрасывают состояние. Реальные потребители так не работают. Нас формирует накопленный опыт — новостной цикл, семейная динамика, культурные сдвиги, биологическое старение и эмоциональная значимость конкретных воспоминаний».
Настоящие синтетические потребители должны быть построены иначе: обучены на больших поведенческих датасетах, встроены в культурный контекст в реальном времени и способны эволюционировать.
С развитием синтетических данных возникают и серьёзные этические вопросы.
Прозрачность. Исследователи должны чётко маркировать, когда используются синтетические данные, и понимать их ограничения.
Конфиденциальность. Хотя синтетические данные могут помочь сохранить приватность, при создании цифровых двойников на основе реальных людей важно обеспечивать анонимность и согласие.
Валидность. Как отмечает Qualtrics, «синтетические данные должны соответствовать тем же стандартам, что и любая другая исследовательская методология».
Смещение. Синтетические данные могут воспроизводить и усиливать смещения, заложенные в обучающих данных.
2026 год Кантар называет временем, когда маркетологи переходят «от синтетического хайпа к практическому внедрению». Компании будут развивать внутренние компетенции, делать осознанный выбор и работать с проверенными партнёрами по данным.
Ближайшие годы. Синтетические данные продолжат улучшать понимание аудиторий. Генеративный ИИ позволит тестировать и оптимизировать креативные кампании в реальном времени, превращая оценку креатива в предиктивную аналитику.
Долгосрочная перспектива. Как отмечают эксперты, «исследователям предстоит защищать человеческие данные, одновременно ответственно взаимодействуя с синтетическими данными в маркетинговых исследованиях».
Синтетические данные и цифровые двойники не заменят живых респондентов полностью — по крайней мере, пока. Но они уже меняют правила игры.
Их главная ценность — скорость, масштаб и доступность. Вместо того чтобы ждать недели на полевые исследования, можно протестировать гипотезу за часы. Вместо того чтобы гадать, как аудитория отреагирует на креатив, можно узнать это до запуска кампании. Вместо того чтобы бороться с падающими откликами на опросы, можно получить данные на миллионах синтетических респондентов.
Как точно сформулировали авторы одного из исследований: «Если точны, синтетические выборки могут дополнить традиционные опросы, позволяя проводить быстрые симуляции потребительских реакций или раннее тестирование концепций».
Вопрос уже не в том, стоит ли использовать синтетические данные. Вопрос в том, как использовать их ответственно, понимая их сильные стороны и ограничения. Исследователи, которые научатся сочетать синтетические данные с реальными — проверять, калибровать и интерпретировать, — получат инструмент, который в разы ускорит принятие решений без потери качества.
А те, кто будет слепо доверять любому «цифровому двойнику» или, наоборот, игнорировать возможности новой эры, рискуют остаться позади.