Kolikrát jste slyšeli větu: „To bychom měli otestovat… až bude rozpočet / čas / agentura.“
Jenže často ten moment nikdy nepřijde. AI umožňuje zeptat se hned teď: bez rectuirmentu, bez callcentra, bez složitého schvalování. A přesto firmy často váhají.

Jedním z nejčastějších argumentů proti AI výzkumu je:
🧍‍♀️ „Ale vždyť to nejsou skuteční lidé.“

To je pravda, ale jen částečně. Záleží, jaký typ AI zvolíte.
Pokud máte jen vrstvu ChatGPT nad existujícími daty, pak je tato obava zcela namístě. Svět AI je ale naštěstí širší a máte na výběr z různých přístupů, které jsou za jazykové modely jako ChatGPT.

V agentních modelech nejde o nahrazení respondentů, ale o modelování lidského rozhodování:

• různé typy lidí

• s různým věkem, příjmem, mírou důvěry

• ve specifických situacích

  
  

Co je vlastně syntetický respondent?

Syntetický respondent není chatbot, který náhodně generuje odpovědi.

Moderní AI panely využívají tzv. multi-agentní simulace, kde každý agent (neboli respondent) je vytvořen jako samostatný model rozhodování. Má vlastní demografické parametry (např. věk, příjem, region), ale i kognitivní nastavení, např. míru důvěry k novým značkám, zkušenosti s předchozími produkty nebo cenovou citlivost.

Na rozdíl od velkých jazykových modelů (LLM), jako je ChatGPT, nejde o předpověď slov, ale o výpočet rozhodnutí: agent zvažuje alternativy, porovnává nabídky, reaguje na kontext (např. nedostatek peněz, přechod k levnější konkurenci) a činí volbu.

🔁 Takové simulace lze opakovat, měnit podmínky a segmentovat výsledky, stejně jako u tradičního panelu, ale rychleji, bez zkreslení a bez lidské únavy.

👉 Proto se syntetický panel hodí pro otázky jako:

• „Kdo by přešel k levnějšímu tarifu, pokud zvedneme cenu?“

• „Jaké segmenty nejhůře přijmou změnu designu?“

• „Které sdělení zvyšuje pravděpodobnost nákupu u nízkopříjmových zákazníků?“

  
  

A není to jen hezky napsaný text?

Velká část nástrojů na trhu dnes funguje tak, že vezme jazykový model jako ChatGPT a obalí ho do výzkumného rozhraní. Tyto nástroje generují odpovědi, které znějí věrohodně, ale nejsou výsledkem rozhodovací logiky, pouze jazykové předpovědi.

🔍 Co to znamená v praxi? Pokud položíte otázku typu „Co by zákazníci řekli na nový ceník?“, dostanete odpověď, která zní rozumně, ale není odvozená z žádné cílové skupiny, dat, ani chování.

✅ Jak to řeší Lakmoos: Naše AI panely nestaví na „GPT wrapperech“, ale na neuro-symbolickém přístupu. Každý agent má rozhodovací logiku, paměť a kontext. Neodpovídá tak, aby to znělo dobře, odpovídá tak, jak by se rozhodl na základě zadaných podmínek a demografie. Proto klienti získávají simulace, které lze opakovat, auditovat a vysvětlit.

TIP: Najděte více o našem přístupu na stránce Science.

Tradiční panely často trpí podreprezentací okrajových nebo „těžko dosažitelných“ skupin: dětí, seniorů, lidí s nízkou digitální gramotností nebo třeba budoucích zákazníků, kteří dnes ještě neexistují.

🧠 Velké jazykové modely (LLM) mají navíc zkreslení směrem ke střednímu proudu v angličtině, což znamená, že v češtině, mezi nízkopříjmovými, nebo v B2B segmentech často halucinují nebo generalizují.

✅ Jak to řeší Lakmoos: My modelujeme i tzv. niche segmenty, například:

• děti přemýšlející o kapesném,

• zákazníky roku 2030,

• milionáře v Česku uvažující mezi bankami,

• nebo řidiče googlující na dálnici, jak vyměnit pneumatiku.

Každý agent má vlastní parametry, jazyk i rozhodovací styl. Tím se vyhneme efektu „průměrného člověka“ a umožňujeme testování i tam, kde běžné panely selhávají.

TIP: Niche cílovky modelujeme třeba pro Volkswagen Group nebo Raiffeisenbank. Inspirujte se v sekci case studies.

Co je skutečně nebezpečné? Ticho.

Skutečné riziko pro firmy není, že AI odpoví špatně. Je to, že se žádná odpověď nezeptá.

• Když se nerozhodnete o ceně.

• Když odhadujete, co se bude zákazníkům líbit.

• Když doufáte, že kampaň zabere.

To je prostor, kde výzkum chybí a kde AI dává smysl jako první krok.
Ne nahrazení všeho, ale vyplnění mezery.