年農曆年前親朋好友總會輪番約碰面，就在前陣子和朋友的聚餐時，聊到了短影音的行銷規劃。
一群人圍著桌子七嘴八舌討論起來: 若要幫一個產品做內容，要如何切出不同定位的受眾，每群人又會被什麼樣的東西吸引。有從創作角度談情緒感染力，有從執行端推敲轉換率，也有人分享實際投放踩過的雷。
話題正熱烈時，一位資工背景的朋友淡淡地插了一句，你們講的這些，用現在最新版本的生成式 AI ，很快就可以通通算出來啦!
那一刻，大家突然都安靜下來。
不是因為說錯，而是因為說得太準了。
過去一年多，AI Synthetic Personas 明顯從學術或實驗性工具，開始進入實務場景。
所謂 Synthetic Personas，並不是單純捏造角色，而是基於大量既有資料包含行為、人口統計、態度、歷史研究結果等，由模型生成「看起來像真人」的使用者輪廓，甚至可以推導預測出這些虛擬使用者的反應與偏好。
對市場研究領域來說，這是一個極具吸引力的轉變。
因為這個技術直接命中了長久以來的幾個痛點：時間太慢、成本太高、樣本難找。
在資源有限的團隊裡，Synthetic Personas 幾乎成了一把神兵利器。
它可以在沒有大量預算、沒有完整調查流程的情況下，快速產出初步受眾分群的樣貌，幫助團隊在商業模式、產品方向或行銷策略上，先「有個樣子」。
特別在研究初期，當想法還很模糊，或是假設太多需要收斂，但還不到要大規模驗證的時候，這類工具能快速提供靈感，也讓討論不再完全憑空想像。
對行銷、產品、甚至策略團隊來說，這樣有感的效率提升，是很誘人的。
但它的盲點，也正來自於它的「看起來很真實、很聰明」。
目前多數 AI Synthetic Personas 的模型數據來源，本質上仍然是對舊資料的學習、彙整與歸納。
它們擅長找趨勢、抓平均、拼湊出合理的故事，但現實世界的市場千變萬化，從來就不只是由平均值構成。
而真正困難也最有價值的市場調查，往往就是藏在那些例外矛盾與非線性的反應裡: 說出口卻言不由衷的回答，情緒與行為不一致的瞬間，又或是文化、情境交錯下的弦外之音。
這正是目前 Synthetic Personas 很難勝過真實人類的地方。
研究也指出一個風險，就是沒有真實資料校正的生成式 persona，很容易落入看起來很自信、但實際上可能錯得很危險的結論。
它們不是亂猜，而是猜得太合理了，合理到讓使用者放下懷疑和思考。
當決策者錯把這些模擬結果，豪邁的直接當成市場真相來依賴，風險就出現了。
這也是討論最容易失焦的地方。
Synthetic Personas 像是一個加速放大器。如果輸入的是偏誤資料、過時假設，輸出的只會是更精緻的偏誤。如果使用者缺乏判讀能力，那高效的工具，只是在加劇犯錯。
我們需要思考的並不是該不該用 AI，或是 AI 會不會取代市場研究這件事，而是我們準備好怎麼使用 AI 了嗎？
關鍵是在判讀，在使用者手上。
能不能意識到哪些結論只是假設模擬、哪些需要真實驗證，能不能在效率與準確之間，刻意保留懷疑與修正的空間。
在這個前提下，AI Synthetic Personas 才可能成為輔助決策的工具，而不是盲目替代思考的捷徑。
那天的討論，最後還是回歸了日常，以一場普通的聚餐收尾。但聽完不同背景、不同角度的看法，反而讓我更清楚一件事。
AI 的技術革新確實來得很快，工具也越來越成熟。真正準備好發揮它價值的使用者，可能還有一段路要走。
在這個人與工具能力差距急速拉大的時代，能脫穎而出的，未必是跑得最快的那群人，而是那些知道什麼時候該用、什麼時候該停，清楚真實使用場景長什麼樣子的人。
如果說 Synthetic Personas 讓市場研究更像在模擬人類，那最終能不能貼近真實世界的需求，考驗的其實還是人本身啊。
