「消費者調査、AIで前倒しできない？」が現場で増えている
マーケの現場だと、「調査は必要だけど重い」という悩みは常にありますよね。
リクルーティングに時間がかかる、サンプルサイズが予算で頭打ちになる、設問修正で日程が押す。このあたりがボトルネックになりやすいんですよ。
そこで出てくるのが「AIに先に聞けないか」という発想です。へクス子も、締切の詰まった案件で一度この誘惑に負けかけております。
実際、ペルソナ回答や質問生成をAIに任せる運用は、もう増えてきました。
ただ、問題は精度と使いどころなんですよね。
本番調査の代わりになるのか、前工程の加速にとどまるのかで、運用設計はまるごと変わってきます。
1,052人に2時間ずつ聞き取って作られたAIは、本人の再回答に85%まで届いています。
研究①: 「本人っぽいAI」は85%まで再現できた
まずは、2024年に公開された Park らの研究です（R）。スタンフォード大学、Google DeepMind、それにもう2つの大学による共同研究でありますね。
この研究の肝は、1,052人に2時間インタビューし、その内容で各人のAIエージェントを作った点なんですよ。属性ラベルだけでなく、生活背景や価値観まで入れた再現なので、よくある「3行ペルソナ」とは情報密度がまるで違います。
検証には、の設問が使われています。で、結果はどうだったかと言いますと、AIエージェントが本人の回答を85%まで再現したんだそうな。
この85%は単純な正解率ではなく、本人の2週間後の再回答を基準にした値です。人間側にも再回答ブレがある前提で、そこへぐっと近づいた、という読み方になりますね。
さらに、人口統計だけで作るより、インタビューベースのほうがグループ間バイアスが小さかった点も重要であります。つまり精度の鍵は「AIモデルの魔法」より、入力する顧客理解の厚みのほうだ、ということですなぁ。
研究②: 質問生成は速いが、そのまま配ると事故る
もう一つは Mburu らの研究です（R）。こちらは「AIを回答者にする」のではなく、AIを質問設計者として使うアプローチですね。
SQRAという手順で、AI生成質問を合成回答で事前検証する設計になっています。
ここで見えたのは、速さと注意点の両方でした。文脈に適応した質問を作る速度は高い一方で、冗長表現やの混入が起きやすい。
つまりドラフト生成は強いんですが、品質保証は人間側に残る、という構図なわけです。
「最初のたたき台を速く作る」用途では、かなり有効でしょう。ただし、本番配信の前に検証を挟まない運用はリスクが高いですからね。
ここは明確に線を引くべきですね。
切り口は違う2本が、同じ場所でつまずいていた
片や回答者をAIにする研究、片や質問をAIに作らせる研究。アプローチは正反対なのに、精度を決めていた要因はきれいに重なります。
どちらも、AIの賢さそのものより「入れた情報の濃さ」と「人間が引き取る範囲」で結果が変わっていました。
Park らの85%は、2時間インタビューという濃い入力があってこそです。
入力が薄ければ精度は落ち、グループ間のバイアスも増えやすい。
Mburu らの質問生成も、ドラフトは速く出る一方で、冗長表現やダブルバレルを外す最終チェックは人間に残りました。
裏返すと、AIが苦手なのは「材料が薄いまま、重い判断まで一気に任せること」です。この苦手な場所をどう避けるかが、運用に落とすときの分かれ目になります。
AI消費者調査は「本番代替」ではなく「前工程の圧縮」に使う
AI消費者調査が効くのは、仮説を立てる段階と、設問のたたき台を作る段階であります。
濃いインタビュー情報が入っているときは強い一方で、入力が薄ければ出力もそれなりになる。
この限界を忘れると、便利な下書きを意思決定の根拠だと勘違いしやすくなるんですよね。
なので、まずは過去の顧客インタビューやVOC（お客さんから集めた声の記録）を棚卸しして、AIに入れる材料を厚くするのが先でしょう。
そのうえで、AI出力は仮説検証まで、本番施策や予算配分の判断は人間データで行う、と境界線を決めておく。
へクス子も、AIに書かせた設問はいったん生身の人に読んでもらってから配るようにしております。
ここさえ固定すれば、速度だけ取りにいって品質を落とす、という事故はかなり減らせます。
質問設計の具体的な落とし穴まで詰めたい場合は、「AIに聞けば市場調査の質問作れる」って思ってたけど、意外とそうでもなかったぞ！も続けて読むと設計しやすくなります。
出典
- Park, J. S. et al. (Stanford University / Northwestern University / University of Washington / Google DeepMind), “Generative Agent Simulations of 1,000 People”, arXiv:2411.10109v1（初版・2024年11月15日）, arXiv（本記事が引いているのは初版。その後 v3・2026年6月28日で改題され、インタビューのみで作ったエージェントの再現率は83%と報告されている）
- Mburu, T. K. et al., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 114(3), e70012, 2025, DOI: 10.1002/jee.70012
関連記事
- 「聞き方を間違えたらAIは使えない」は本当なのか？ — プロンプトの書き方で精度が変わる問題
- ブランド可視性ツールのAIスコアはどこまで信じていいのか — AI測定の信頼性問題
- 消費者の60%はAIを信頼し、50%はAIを使うブランドを避ける — AIへの信頼と嫌悪のパラドックス
