如今，合成用戶在用戶體驗研究中被廣泛使用已是司空見慣。畢竟，隨著人工智能的興起，合成數據生成正在成為獲取洞察的新常態。
具體來說，合成數據生成市場規模預計將以31.1% 的復合年增長率增長[1]。這意味著它不僅在增長，而且每年都在加速增長。到 2030 年，這個市場的價值可能達到驚人的 23.4 億美元。簡而言之，合成數據正變得如此龐大，企業無法忽視。
當然，合成用戶，或 AI 生成的人物角色，只是合成數據生成的一種應用。合成數據的范疇要廣泛得多。它涵蓋了從虛假用戶到虛假行為、交互，甚至是 AI 模型訓練所用的虛假數據集等各種內容。具體來說，在用戶體驗研究中，合成用戶是為了模仿真實用戶的行為而創建的，這是利用合成數據進行設計和測試的一種方式。
這是企業無法忽視的。例如，一家大型電商公司如果過度依賴與人工智能生成的人物角色的互動，很容易就會將其用戶體驗研究預算削減 30%。
是的，他們或許會因在經濟意義上徹底革新行業而獲得贊譽[2]。但代價是什么呢？有些人甚至走得更遠——馬克·里森稱贊合成數據改變了研究領域的格局。他強調，一些新的研究表明，人工智能生成的消費者數據與真實調查的結果“相似度高達90%左右” 。[3]
即使取得了這樣的成功，公司最終仍會遭遇客戶投訴，投訴內容包括設計不佳和需求未得到滿足。這是因為合成數據有其局限性和風險。
是的——AI驅動的用戶是基于真實用戶數據的合成角色，它們模擬用戶與功能的交互，提供初步洞察。然而，在AI角色中表現良好的功能在真實用戶中仍可能失敗，因為AI驅動的反饋缺乏情感深度和不可預測性，因此現實世界的驗證至關重要。因此，如果僅僅依賴AI生成的洞察，用戶參與度下降，并需要進行成本高昂的重新設計，也就不足為奇了。
這就引出了一個關鍵問題：人工智能生成的角色真的能在用戶體驗研究中取代人類的直覺嗎？或者我們是否會因為過度依賴合成數據而危及創新？
本文將深入探討這些問題，探討在用戶體驗設計和研究中使用合成用戶的機會和局限性。
此外，設計師將更清楚地了解何時以及如何在用戶體驗研究中有效地整合合成用戶。
根據Neilsen/Norman Group 的說法，他們將合成用戶定義為“試圖模仿用戶群的人工智能生成的資料，提供未研究真實用戶而產生的人工研究結果”。
UX 研究使用模擬用戶來獲取用戶洞察，測試界面、工作流程和設計元素，而無需依賴人類參與者。正如我們所見，人工智能正在持續革新各行各業，UX 研究也不例外。
目前，67% 的科技企業在其開發工作流程中使用合成數據，而 2019 年這一比例僅為 23% [4]。許多此類公司越來越多地使用合成用戶來加速測試并研究全球市場的用戶行為，從而節省時間和成本。然而，這種對人工智能生成人物角色的日益依賴，引發了關于合成用戶研究的準確性、倫理道德和有效性的關鍵問題（本文稍后將對此進行探討）。
但首先，讓我們更多地了解合成用戶。
它們究竟是如何被創造出來的？這些虛擬用戶通常是使用人工智能模型構建的，這些模型基于大量真實用戶交互、行為模式和決策過程的數據集進行訓練?；旧希@些數據來自整個互聯網！
傳統的 UX 角色基于對真實用戶群的定性和定量研究，而合成用戶則完全由數據驅動，并通過 AI 或訓練有素的 LLM 生成。
我們深知，傳統用戶畫像需要基于市場調研手動創建和驗證。而合成用戶則可以根據人工智能生成的洞察動態調整其設置。因此，企業對使用合成用戶的前景充滿興趣，因為它被視為一種可擴展且經濟高效的替代方案。
無論如何，合成用戶確實缺乏人類參與者在用戶體驗研究中所能展現的真實人類情感的深度和不可預測的行為。但了解合成用戶的優勢，挖掘其潛力，終將是一個明智的選擇。
模擬用戶可能會在設計領域引發負面情緒，但不可否認的是，它有時在用戶體驗研究中是一個有價值的工具。將模擬用戶納入用戶體驗研究可以帶來以下一些好處：
這是我們最需要的優勢。根據項目的性質，與真實人類用戶進行用戶體驗研究通常既耗時又費錢，有時甚至會遇到尷尬的對話。然而，模擬用戶消除了這些障礙，讓我們能夠以更低的成本進行快速測試。
站在一家金融科技初創公司的角度，他們正在開發一款新的移動銀行應用。與其花費數周時間進行用戶訪談，不如在數小時內生成數千名模擬用戶。
在這種情況下，擁有合成用戶可以幫助他們在時間和預算限制至關重要的競爭激烈的市場中快速迭代。
如果您想立即獲取廣泛的用戶群體信息，那么合成用戶數據將助您一臂之力。對于那些渴望探索各種文化和可訪問性考量因素的用戶體驗團隊來說，將合成用戶納入研究范圍將大有裨益。
想象一下一家全球電子商務公司，當他們可以生成合成用戶來在不同國家測試他們的網站，從而深入了解語言偏好和瀏覽習慣時，他們會擁有多大的優勢。
合成用戶無需訪問現實世界的用戶池即可模擬不同的背景。
我們必須面對現實——有些用戶體驗挑戰會涉及??罕見、極端甚至危險的情況，這些情況很難在真實用戶身上復制。正因如此，AI 生成的用戶數據可以幫助用戶體驗研究人員識別標準用戶測試中可能無法發現的痛點。
假設一家網絡安全公司想測試用戶如何應對網絡釣魚攻擊。這種情況通常比較敏感，也比較極端。不過，公司可以創建不同技術水平的用戶，了解他們如何應對此類情況。
在收集真實用戶數據時，用戶體驗團隊可能會擔心隱私問題。然而，一旦消除了對真實用戶數據的需求，合成用戶數據可以幫助遵守隱私法規，同時仍然能夠獲得寶貴的用戶洞察。
站在醫療保健公司的角度來理解這一點，他們希望優化患者門戶網站，但又不想處理敏感的醫療記錄。通過使用合成用戶，他們可以測試門戶網站中的不同功能，同時避免隱私問題。
簡而言之，合成用戶可以幫助繞過與真實用戶數據收集相關的監管問題。
盡管我想分享合成用戶所提供的積極因素并讓它們聽起來像是唯一的答案，但我也想提出有關其局限性的關鍵問題。
合成用戶可能有其優點，但他們也常常伴隨著某些缺點，這會影響用戶體驗研究的質量和可靠性。
假設一家公司想要通過模擬治療對話與合成用戶測試他們的心理健康應用程序，那么他們這樣做真的能獲得可靠的見解嗎？
在某種程度上，人工智能生成的個人資料只能提供概括性的意見。但它們往往缺乏更深層次的含義，無法真正幫助設計師對真實用戶產生影響。
合成對話無法捕捉人類所擁有的情感深度和不可預測性。由于無法展現人類的全部情感，合成用戶的發現往往具有誤導性。
AI 生成的角色可能缺乏洞察力的一個關鍵領域并非態度研究，而是行為研究。AI 根本無法體驗真實的情緒，例如喜悅、沮喪、疲憊等等。然而，我們知道，通過觀察真實用戶的行為，我們可以找出這些線索，并針對他們的痛點制定解決方案。
更有趣的是，合成用戶甚至難以復制研究人員在人類行為中自然觀察到的某些非理性決策或自發行為。因此，合成用戶只能提供表面層面的洞察。
還記得我之前在文章中說過，人工智能模型依賴于現有數據集（也就是互聯網）嗎？這意味著它們會引入某些偏見，強化刻板印象，而不是挑戰它們。
例如，人工智能模型從其訓練數據中繼承了性別偏見和普遍刻板印象等偏見，這可能會導致錯誤的假設和發現。
這基本上意味著，一個主要根據西方互聯網習慣訓練的人工智能模型，肯定難以模擬不同新興市場的精準用戶體驗行為。因此，真實用戶在處理文化和其他具有深層含義的問題時，往往更有洞察力。
假設一家專注于智能家居自動化的公司想要了解燈光調節和用戶偏好。如果他們使用模擬用戶而非真實用戶，就很容易忽略與家居舒適度相關的文化和心理差異。
這從應用的角度描述了這個問題。眾所周知，人工智能生成的反饋無法刻畫情感和不可預測性因素，這也意味著它缺乏現實世界的經驗。
AI 模型缺乏對現實世界的直覺，這常常導致用戶體驗洞察不完整。如果實體過度依賴 AI 生成的反饋，這可能會很危險。
另外，你可能已經注意到了這一點，但合成用戶或人工智能通常只想“取悅”研究人員——這種現象被稱為諂媚——這并不能很好地代表人類的行為。好好想想吧！
使用合成人物角色并將結果標記為用戶測試，或將基于這些數據集的用戶體驗發現作為研究呈現，可能會引發倫理擔憂。這些做法可能會誤導利益相關者，使其對洞察的真實性和可靠性產生誤解。最重要的是，應該披露這些洞察的使用情況，尤其是在做出廣泛的用戶體驗決策時，以確保透明度并避免誤導性陳述。
Delve AI 就是一個很好的例子。他們公開討論了合成人物角色在其研究中的創建和應用，闡明了他們的方法論以及 AI 生成的數據在其過程中的作用。[5]
這表明，通過采用這種透明的做法，組織可以在堅持道德標準的同時，解決將合成數據集成到用戶體驗研究中的復雜性。
所以事情是這樣的：我不會爭論合成用戶是否比使用真實用戶更好或更差，而是扮演魔鬼代言人并為兩者辯護。
根據我的研究和測試，我發現有趣的是，兩者都在用戶體驗設計中占有一席之地，以下是一些您會感興趣的用例和場景：
場景：
從上表可以看出，沒有明顯的贏家。事實上，兩者各有利弊，這使得討論變得有趣。
在用戶體驗設計和研究中，有一個地方可以讓合成用戶和真實用戶共同努力，實現更優化的解決方案。
我建議使用合成用戶主要是為了早期構思和假設檢驗，因為這既經濟又不費時。
為了驗證，在任何重大產品發布之前，都要使用真實用戶進行驗證。最后，為了獲得真實世界的洞察，真實用戶是關鍵，但這并不妨礙您使用改進的 AI 生成模型來提供更好的真實世界洞察。事實上，關鍵在于始終掌握最新的 AI 模型。
在結束本文之前，我將介紹一些將合成用戶融入用戶體驗工作流程的實踐。我將提供一些可操作的步驟，供您日后用作未來項目的核對清單。
需要明確的是——在研究和測試中，合成用戶絕不會取代真實用戶。相反，這些角色應該增強你的真實用戶研究。務必將人工智能生成的洞察與真實世界的測試相結合，才能取得顯著的效果。
絕不能將 AI 生成的洞察僅應用于整個 UX 流程。但你不應忽視，它對 UX 工作流程中的特定任務也有其優勢。例如，使用合成人物角色進行早期原型的 A/B 測試，可以幫助提供寶貴的洞察，并幫助做出高效的決策。
我之前提到過這一點，但請記住，您做出的任何“重大”用戶體驗決策都應在實施前通過人工測試進行驗證。
永遠不要完全相信人工智能生成的洞察，因為這可能會在未來給你帶來麻煩。務必使用真實的用戶反饋進行交叉驗證。
請記住，人工智能可能存在某些偏見，這可能會影響我們研究和測試的質量。因此，請持續關注基于實際用戶行為數據的改進型人工智能模型，這有助于提高準確性。
不要依賴 ChatGPT 等通用工具，而是探索專門用于生成用于 UX 研究和測試的合成角色的工具，例如Synthetic Users、UXtweak、Tonic.ai和MOSTLY AI。
這通常很容易被忽略，但務必保持透明，說明在研究中何時以及如何使用合成用戶。我建議在必要時披露此類信息。這有助于你在實施重大用戶體驗決策之前，堅守道德立場并解決問題。
蘭亭妙微（藍藍設計）www.skdbbs.com 是一家專注而深入的界面設計公司，為期望卓越的國內外企業提供卓越的大數據可視化界面設計、B端界面設計、桌面端界面設計、APP界面設計、圖標定制、用戶體驗設計、交互設計、UI咨詢、高端網站設計、平面設計，以及相關的軟件開發服務，咨詢電話：01063334945。
