「消費者調査、AIで全部やれませんかね？」問題
マーケや商品開発の現場では、調査の重さがずっと悩みの種ですよね。時間も費用もかかるので、「前半だけでもAIで軽くできないか」という相談が、最近ほんとうに増えてきました。
ここで混同しやすいのが、「AIで代替する」のか「AIで前工程を圧縮する」のか、という違いなんですよ。この二つを同じ意味で使って、あとから運用ルールを組み直す羽目になった現場が、実は少なくありません。
そんなわけで、よく使われるアプローチは大きく3つに分かれます。
性能の比較のほうは、へクス子はあとまわしにしております。まず知りたいのは、どの工程へ置けば事故りにくいのか。
アプローチ①: AIに「回答者」をやらせる
2024年の Park らの研究（R1）は、1,052人のインタビューデータからAIエージェントを作って、本人回答をどこまで再現できるかを評価したんだそうな。結果はなんと85%まで再現です。数字だけ見ると、かなり強いですね。
ただ、この手法は濃い入力情報があってこそなんですよ。
年齢・職業だけの薄いペルソナだと、同じ精度は期待しにくい（プロフィール3行だけ渡されて親友のフリをしろと言われても、困りますよね）。
だから使いどころは、本番の意思決定そのものより、訴求軸のふるい分けや仮説検証の前段と考えるのが安全であります。
アプローチ②: AIに「質問」を作らせる
Mburu ら（R2）は、SQRAという枠組みで、AIが生成した質問を検証する仕組みを示しました。
文脈に合わせる速さは実務的にかなり魅力的ですが、冗長な表現や、ひとつの設問に論点が2つ入る「ダブルバレル」が混ざりやすいのも事実でしてね。
この点も同時に報告されています。
つまりAIの質問生成は、「工数削減の武器」にはなるけれど、「品質保証の代替」にはならないわけですね。配信前に人間がレビューする前提があってはじめて使える手法ですからね。
アプローチ③: 「実プロンプト」を調査対象として扱う
Otterly AI の分析（R3）では、実プロンプトは推定より長く、個人的かつ問題志向だったと報告されています。ここから見えてくるのは、「ユーザーが実際にどう相談しているか」を、直接データにできる価値なんですよね。
一方で、注意点もあります。集めたデータのが弱いと、読み取れる示唆もそのぶん偏ってしまう。なので、これは「万能な真実」ではなく、既存の調査を補う追加シグナルとして使うのが現実的でしょうな。
3手法は「代替候補」ではなく「工程別ツール」として使う
AI回答者の85%再現も、SQRAによる設問検証も、実プロンプトの分析も、効いている工程がそれぞれ違います。
仮説を広げる、設問の初稿を作る、行動の追加シグナルを見る。
それぞれ得意な場所が違うわけですね。
なので、最初に決めるべきは「どの手法を採用するか」ではなく、「どの工程に使うか」です。
仮説ふるい分けはAI回答者、設問初稿はAI質問生成、本番判断は人間調査に戻す。
最後に、入力素材の厚み、設問品質、データ代表性を人間が確認する共通ゲートを置けば、速度と安全性を両立しやすくなりましょう。
出典
- [R1] Park 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）, リンク（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）
- [R2] Mburu et al., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 2025, リンク
- [R3] Thomas Peham (Otterly AI), “Real vs Estimated Prompts: I Analyzed 100s of Real ChatGPT Queries”, 2026-02-03, リンク
