「30代の共働き世帯になりきって、この新商品を評価してください」。生成AIにこう頼めば、使い勝手、価格への不満、購入をためらう理由まで、詳しい回答が返ってきます。
顧客を集めずに、短時間で何度も意見を聞けるなら便利です。しかし、本記事で紹介する比較研究を見る限り、現時点のAIペルソナは、実際の顧客調査の代わりとしては基本的に使えません。 もっともらしい回答が返ってきても、顧客の購入意向や、誰が何を重視するかを十分に再現できていないためです。
現在使えるのは、顧客に聞く前のアイデア出しや、アンケート・インタビューの質問を改善する用途です。 実顧客データを与えることで再現性が高まる場面もありますが、生成した回答を、そのまま顧客の意見や市場の事実として採用できる段階ではありません。
一方、関連する学習データや調査データが蓄積されれば、将来は使える範囲が広がると期待できます。本記事では、なぜ今は顧客調査を任せにくいのか、どこまでなら現在も使えるのかを、研究データから説明します。
AIペルソナとは？従来のペルソナとの違い
ペルソナは、商品やサービスの対象顧客を、生活状況、行動、悩みなどを含む人物像として具体化したものです。AIペルソナでは、その人物像や元データを生成AIに与え、質問に答えてもらったり、企画への反応を試したりします。
例えば、同じ新商品に対して、価格に敏感な人、手間を減らしたい人、趣味への支出を優先する人の反応を聞く。回答に応じて追加質問もできるため、会議で想像するだけより論点を増やしやすい方法です。
ただし、同じ「AIペルソナ」という名前でも、作り方には違いがあります。
| 作り方 | AIに与えるもの | 回答をどう読むか |
|---|---|---|
| 属性を指定して演じさせる | 年齢、職業、家族構成、想定した悩みなど | 想定顧客から出そうな反応の候補 |
| 顧客層のデータを参照させる | アンケート、購買傾向、顧客層別の集計など | 既存データを踏まえた仮説・説明 |
| 個人単位のデータから再現する | その人の回答履歴、インタビュー等 | 元の人の回答をどの程度予測できるか、検証対象になる |
最後のようなものは、研究で「デジタルツイン」「合成回答者」などと呼ばれます。人数を多く生成したことだけでは、実在する同人数に聞いた調査と同じにはなりません。何をもとに作った回答なのかで、使える判断が変わります。
AIペルソナ調査でできることと、国内サービスの例
AIペルソナは、商品企画への反応を想像する、広告表現への疑問を探す、インタビューの質問案をつくるといった場面で使えます。いずれも、実際の顧客に聞く前の準備としての活用です。
例えば「便利そうですが、毎月使う理由が分かりません」という回答が出たら、継続利用の場面を人間の顧客に聞くための材料になります。この時点で得たものは、顧客の結論そのものというより、次の調査で確かめたい問いです。
実データを使う国内サービスもあります。マイボイスコムのCotoELは、実在するアンケートモニターの属性・回答データに基づくAIペルソナとの対話を提供しています。担当者が想像した設定だけで演じさせる方法とは、出発点が異なります。
こうしたサービスを比較する際は、対話の自然さに加えて、次の点が判断材料になります。
- 元となるのは、属性だけか、実回答や購買情報も含むか。
- 聞きたい商品・サービスの分野と、元データが近いか。
- AIが参照した事実と、新たに生成した説明を区別できるか。
- 実顧客との比較検証が、どの質問・指標で行われているか。
「実データを使っている」という説明だけでは、どんな質問にも答えられるかまでは分かりません。この点を考えるうえで、比較研究が参考になります。
人間とAIの選択はどこまで似る？日本の4,838人との比較
京都大学のディスカッション・ペーパーは、日本のWeb調査4,838人の属性をGPT-4o上で再現し、金銭の得失を伴う選択を比較しています。年齢・性別・世帯年収を与えれば、人間の判断まで再現できるのかを考える例です。
| 設問と、確実な選択肢を選んだ割合 | 人間 | AI（temperature＝1.0） |
|---|---|---|
| 確実に1万円を得るか、半々の確率で2万円または0円か | 88.4％ | 91.1％ |
| 確実に1万円を失うか、半々の確率で2万円または0円を失うか | 57.7％ | 11.0％ |
出典：岩本・石原・依田「危険選好と参照点依存をめぐる人間とAIの比較研究」表3と本文、PDF14ページ／冊子13ページ。
利益を得る場面では、両者とも確実な1万円を選ぶ割合が高い一方、損失を受ける場面では差が大きくなっています。一方の質問で人間に近い答えが出ても、もう一方では判断が大きくずれています。年齢・性別・年収をそろえるだけでは、人間の代わりに答えさせるには不十分という結果です。
人間の回答を使った追加学習では、損失の選択が人間に近づく一方、利得の選択は偏りが強まりました。学習による改善の余地はありますが、現段階で人間の判断全体を任せられる結果にはなっていません。金銭選択の研究ですが、「人物設定が詳しければ本人らしく答えられる」という期待との隔たりが分かります。
顧客調査の研究では、属性だけと実回答ありで何が違ったか
2026年の研究論文「Synthetic Data in Marketing Research: How to Evaluate and When to Trust」は、米国3,063人の調査を使い、AIが未提示の回答をどこまで予測できるかを検証しています。査読前の研究ですが、何をもって精度と呼ぶかを具体的に考えられる内容です。
対象は18分野・108の重要度質問です。一つの質問への回答を伏せ、属性だけを与える場合と、属性に同じ分野のほかの5問の実回答を加える場合を比較しました。
出典：Netzer・Sambandam、同論文Table 1、PDF21ページ。相関は各質問について回答者間で求めた値の平均。誤差は1～10の重要度尺度上の値です。
属性だけの場合、個人ごとの答えの対応を表す相関は平均0.08でした。同分野の実回答を加えると0.57になります。しかし、全体平均の誤差だけを見ると、属性のみのほうが小さくなっています。
属性だけを与えたAIは、顧客ごとの回答の違いをほとんど再現できていません。実回答を加えれば改善しますが、それでも人間を再現できたという結果ではありません。平均値が近いことを理由に、顧客調査を置き換えられると判断するのは早いと読み取れます。
「平均的な顧客に好評」でも、狙う顧客に届くとは限らない
この違いは、マーケティングの意思決定に直結します。
例えば、あるサービスの便利さを、ほとんどの人が7点前後と評価するとします。AIが全員に似た点数を付けても、全体平均は近くなるでしょう。しかし、それでは、値上げしても続ける顧客と、少しの負担増で離れる顧客を分けられません。
平均的な好感度を知りたいのか、選ばれる理由を顧客層別に理解したいのかで、必要な精度は異なります。前者で近い結果が出たからといって、後者にも使えるとは限らないわけです。
また、AIに「購入をためらう理由を詳しく」と頼むと、長い説明を作れます。ただ、その説明が、元データに含まれる理由なのか、AIが補った筋の通る物語なのかは別です。発言の豊かさを、そのままインサイトの確かさとして扱わないことが、調査の質に関わります。
実際の消費者が価格上昇をどう受け止めるかは、値上げと消費者の選択でも扱っています。こうした調査事実とAIの仮説がつながっていると、反応の解釈を深めやすくなります。
現在使えるのは、顧客調査の準備や仮説づくり
現時点で実用的なのは、「顧客の答え」を得ることではなく、顧客に聞く内容や、自社の企画を練ることです。AIから仮説を出してもらい、実顧客の調査で確かめるという分担なら、調査の準備を進める助けになります。
ハーバード・ビジネス・スクールの研究紹介でも、初期の商品案や調査設計に生成AIを活用する方向が示されています。予算や時間の都合で省いていた検討を、AIで補うという見方です。
| 現在使える場面 | AIに任せること | 実顧客・実データで確かめること |
|---|---|---|
| 商品企画の初期 | 利用場面、疑問、比較対象の候補 | 実顧客にとって重要な問題か |
| アンケートを作る前 | 分かりにくい質問、抜けた選択肢、前提の偏り | 人間が質問をどう理解するか |
| 調査後の分析 | 回答パターンの説明や追加仮説 | 集計・原回答がその説明を支えるか |
例えば広告案を見せて「伝わりにくい点はあるか」「どんな疑問が残るか」をAIに聞き、表現や質問案を改善してから実顧客に試す。AIの指摘をもとに準備を進め、効果や反応は人間に確かめる使い方です。
反対に、「AIペルソナの7割が購入すると答えたから発売する」「AIが低評価だったので企画を捨てる」という使い方は、今の研究結果では支えられません。購入意向や顧客層の違いは、引き続き実顧客に確認する情報です。
AIペルソナは将来、顧客調査を代替できるようになるか
将来については、顧客調査を代替できる範囲が広がると期待できます。今回の研究でも、属性だけの場合に比べ、同じ分野の実回答を与えると、顧客ごとの違いの再現性が高まっています。関連する顧客の学習・調査データを蓄積することが、改善につながる方向は見えています。
例えば、どの価格なら買うのか、何を不便に感じるのか、実際にはどの商品を選んだのか。こうした同じ顧客・商品分野のデータが増えれば、年齢や職業だけから想像するより、具体的な判断に近づけると考えられます。これは研究から考えられる将来の見通しです。
その進歩を実務に使えるかは、実回答との比較で確かめられます。過去の調査の一部をAIに渡し、残した質問を予測させ、実回答と比べる方法です。答えまで入力せずに、何をどの程度再現できたかを見ることで、用途に合うかを判断しやすくなります。
- 全体の傾向を見たい場合： 平均や回答分布がどれくらい近いか。
- 顧客層を分けたい場合： 層ごとの違いや傾向の向きが合うか。
- 価格・機能を選びたい場合： 選択肢の順位や価格への反応が合うか。
- 個人単位で使いたい場合： 同じ人の回答をどれくらい再現できるか。
例えば、特定の商品分野で選択肢の順位まで再現できるようになれば、その範囲で調査を補う価値は高まります。ただ、現在の再現性と将来への期待は別です。今ある研究の結果を、「既に顧客調査を任せられる」という説明には使えません。
顧客の実データを外部AIへ入力する場合には、利用目的、契約、個人情報・機密情報の取り扱いも確認対象です。分析の精度と、データを利用してよいかは、別々の確認になります。
AIペルソナについてよくある質問
ChatGPTなどでAIペルソナを作れますか？
属性や状況を指定し、対話する人物像を作ることはできます。その段階では、実在する顧客の調査回答ではなく、設定から生成した仮説として読むことになります。回答を具体的にしたい場合も、架空の属性を増やすだけでなく、関連する実データがあるかが重要です。
AIペルソナを100人作れば、100人調査になりますか？
実在する100人から独立に聞いた調査と同じにはなりません。生成人数を増やしても、元データやモデルにある偏りが消えるわけではないためです。合成した回答の件数と、実際に観測した顧客数は分けて示すほうが、判断を誤りにくくなります。
顧客インサイトの発見に使えますか？
想定していなかった理由や仮説を探す用途には使えます。ただし、その理由が実顧客にもあるのかは、原回答、インタビュー、購買行動などとの照合で確かめることになります。AIの説明を、そのまま顧客の本音と置き換えないことが重要です。
今は調査の準備に使い、顧客の答えは顧客に聞く
現時点のAIペルソナは、顧客調査の代わりとしては基本的に使えません。人物設定や自然な受け答えだけでは、顧客の購入意向や、顧客ごとの判断の違いまで再現できていないためです。
一方、顧客に聞く前のアイデア出し、分かりにくい質問の改善、取得済みデータからの仮説づくりには使えます。AIで調査の準備を進め、意思決定に使う顧客の反応は、実際の調査で確かめる。 これが、現在の研究を踏まえた使い方です。
今後、関連する学習・調査データが蓄積すれば、任せられる範囲は広がると期待できます。その将来性と、今すぐ顧客調査を置き換えられるかを分けて考えることが、AIペルソナを有効に使う出発点になるでしょう。
参考資料
- 岩本涼太・石原卓典・依田高典「危険選好と参照点依存をめぐる人間とAIの比較研究：ペルソナ分析とチューニング」（2026年3月18日改訂）。表3、PDF14ページ／冊子13ページ、学習後の比較は5章。
- Oded Netzer・Rajan Sambandam「Synthetic Data in Marketing Research: How to Evaluate and When to Trust」（2026年9月、v2）。査読前論文。調査設計はPDF19ページ、Table 1は21ページ。
- Harvard Business School AI Institute「Larger, Faster, Cheaper: The Future of Market Research with AI」（2025年8月28日）。研究者による初期市場調査への活用の紹介。
- マイボイスコム「CotoEL」。サービスの機能・元データの説明。独立した精度検証とは区別しています。
本記事の文章・表・図解・グラフは、Skill Business Architecture Labが独自に編集・作成しています。引用・紹介する場合は、引用箇所が分かる形で、記事名・サイト名・記事URLをご記載ください。
コメント