当“消费者”可以被模拟:一场正在发生的市场调研迁徙

最近研究这个市场时，我脑海里总会反复出现同一个画面。

一家消费品牌正在准备新品上市。

会议室的长桌上，摆着12套产品概念、6种包装和4个价格带。投影幕布还亮着，几位负责人已经争论了一个下午。

市场部认为，消费者最终会为品质买单；销售团队坚持，价格才是决定成败的那只手；品牌团队则更喜欢另一种说法——现在的人购买的不只是产品，还有情绪价值。

每个人都有经验，也都有证据。问题是，没有人真正知道消费者会怎么选。

按照过去的工作方式，团队需要先设计问卷、招募消费者、安排访谈，再等待数据清洗和研究报告。几周以后，答案终于被装订成册，送回这间会议室。只是那时，上市日期已经逼近，供应链也开始催促最后的决定。

而现在，另一种场景正在出现。

研究人员打开一个系统，选择地区、年龄、收入、家庭结构和消费习惯。一群由AI构建的消费者陆续“走进”虚拟房间，开始阅读产品概念。

有人看到价格后立刻摇头；有人盯着包装上的一句话，迟迟不明白它想表达什么；有人下意识地把它与另一个品牌比较；还有人原本已经做出选择，却因为别人的一句评论改变了主意。

几小时后，桌上的12套方案被收敛到3套。

这3套方案仍然会交给真人消费者验证。但企业不再需要让真实样本替每一个未经筛选的内部想法买单。

这听上去像科幻小说的开头，却正在成为一个真实的新市场：以AI智能体、合成人口和行为模拟为核心的市场研究。

01 / WHY NOW

为什么偏偏是现在

图1:企业真正需要的不是更多AI工具，而是让洞察进入端到端决策工作流。

这场迁徙并不是因为市场研究突然不重要了。恰恰相反，是企业要求研究更快、更频繁地进入决策。

关键数据

BCG在2026年对300名全球CMO的调查、以及对50名CMO的补充访谈中发现，96%的受访者表示AI正在推动营销职能的端到端转型；但42%仍只把生成式AI用作少量环节里的个人助手，真正让多个智能体自主运行部分营销活动的只有8%。这是CMO的自报数据，不能被当成整个行业的客观采用率，却清楚地显示了一个现实：企业对AI的期待已经走到“重做工作流”，实际能力却仍停留在“多做一些内容”。市场研究正好位于这道裂缝中。

当创意、投放和产品迭代都在加速，企业不可能每次都等待几周才获得消费者反馈；但如果AI只是更快地产出一份看起来完整的报告，它也没有真正解决问题。

于是，新的需求出现了：不是让AI替研究员多写几页，而是让研究本身从一次性的项目，变成可以反复运行、随时校准的实验过程。

02 / AARU

纽约的一座“合成人口城市”

图2: Aaru所代表的方向，是把一次问答扩展成一座可以反复运行的“合成人口城市”。

把镜头移到纽约。

在这里，有一家名为Aaru的公司。假如传统问卷像一间摆着几十把椅子的访问室，那么Aaru想建造的，更像是一座可以反复运行的“合成人口城市”。

这座城市里，研究对象不再只是几十个等待回答问题的被访者，而可能是一整个人群。不同智能体拥有各自的背景、偏好和行为特征。研究者可以把他们放进某个市场、某项政策或一场社会事件中，然后观察：当变化发生，他们可能如何反应？

Aaru没有把自己简单定义为一家问卷工具公司。它试图用多智能体构建能够模拟真实人口的系统。

在Aaru官网披露的一项外部验证中，它用一夜时间重新模拟了一份原本耗时六个月完成的EY全球财富研究，并称模拟结果与原研究高度相关。

当然，一个成功案例能否推广到所有行业，仍然需要更多独立验证。但它所指向的产品方向已经十分明确：

不是让AI回答一个消费者问题，而是让AI重建一个可以反复实验的人群。Aaru：Rethinking the Science of Prediction

传统市场调研通常从一个问题开始：“应该找谁来回答？”

Aaru却像是把研究者带到了另一扇门前：

“我们能不能先建立一个世界，再把决策放进去运行一次？”

03 / FISHDOG

FishDog先检查这座城市里住着谁

图3: 在询问消费者之前，先用人口结构、权重和现实依据回答：这些角色究竟代表谁？

如果说Aaru想搭建一座可以运行的城市，那么FishDog做的第一件事，是核对居民名册。

它公开介绍的美国人口模型中，包含约30万个AI消费者代理。但在FishDog的故事里，真正重要的并不是广场上站着多少人，而是这些人从哪里来、各自代表谁。

它从人口普查、家庭结构、收入、职业和地区等公开统计数据出发，为不同消费者赋予权重，让总体结构尽可能贴近现实人口。随后，系统再加入行为、文化和市场信号，并通过历史回测、留出数据和重复测试检查结果。

于是，一个AI消费者不再只是根据几句话临时“编”出来的角色。它更像是从一套已经校准的人口中被抽取出来，带着自己在总体结构中的位置走进研究室。

如果一座城市里的年轻家庭占10%，合成人口中也应当反映这一结构。如果面对的是缺乏现实依据的新产品、极窄人群，或必须依赖实验室测量的问题，系统则应该承认：这里的答案可能并不可靠。

这个细节没有“无限AI消费者”那么戏剧化，却触及了市场研究最传统、也最容易被技术热潮遮住的基本功：

在问消费者问题之前，先确认这些消费者能不能代表目标市场。

Aaru更像一台社会模拟器；FishDog则像把人口统计、行为科学和AI代理一起装进了一间可以随时启动的研究室。

两家公司沿着不同的道路前进，却在追问同一件事：在现实投入真正发生之前，我们能不能先看见市场可能如何反应？

04 / FOUNDATIONS

它背后不是一个新概念，而是三套旧方法的重新组合

图4: 合成人口的理论底座：统计代表性、智能体互动，以及可持续验证的研究效度。

合成人口看起来像一个突然出现的新物种，但支撑它的理论并不全是新的。

第一套方法来自抽样与统计推断。

传统调研从来不是因为访问了“很多人”就可靠，而是因为样本框、分层、权重和校准让这些回答与目标市场之间建立了可解释的关系。FishDog强调人口普查、家庭结构和地区权重，本质上是在把这套代表性逻辑带进AI系统。一个角色写得再生动，如果它在总体中的位置不清楚，就仍然只是一个故事人物，而不是一个样本。

第二套方法来自基于智能体的建模，也就是Agent-Based Modeling。

这一方法在经济学和社会科学中已经发展多年。它不先假设市场中只有一个“平均消费者”，而是让拥有不同资源、规则和约束的个体在共同环境中行动，再观察宏观结果如何从微观互动中出现。2025年《Journal of Economic Literature》的一篇综述将其概括为：通过表示个体行为来研究社会现象，并借此放松传统模型中的统一、静态假设。

这也是为什么多智能体模拟与普通的“批量生成Persona”不同。前者真正关心的是相互作用：一个人的选择会不会改变另一个人的信息环境？促销会不会引发跟随？负面口碑会在哪一类人群中停止传播？如果每个AI角色只是独立回答同一份问卷，数量再多，也还没有进入行为模拟。

第三套方法来自计算社会科学对“算法保真度”的讨论。

2023年发表于《Political Analysis》的研究曾用数千份真实美国调查中的社会人口背景对GPT-3进行条件化，发现所谓“硅基样本”在一些人群与态度分布上能够呈现出细致的对应关系。作者把这种能力称为algorithmic fidelity，也就是模型不仅要说得像人，还要保留人口属性、态度与行为模式之间的关系。但同一期刊后续的反思研究也发现，合成结果会对提示中放入哪些属性非常敏感，模型版本变化还会带来复现问题。换句话说，“像某类人说话”只是表面效度；能否稳定恢复真实数据中变量之间的关系，才更接近研究效度。

这三套方法拼在一起，才构成合成人口更严谨的理论底座：统计学回答“这些人代表谁”，智能体模型回答“这些人如何互动”，效度研究回答“模拟结果凭什么值得相信”。

05 / ENTRY POINTS

还有一些团队，从更小的门进入

图5: 有人从产品测试进入，有人从B2B购买委员会进入；“合成消费者”并不是一种单一产品。

06 / INCUMBENTS

当传统调研巨头也开始创造“AI受访者”

图6: 传统调研机构带来的关键资产，是长期真实样本、历史基准与验证框架。

真正让气氛发生变化的，是传统调研巨头也推门进场了。

它们带来的不只是模型和产品团队，还有几十年积累的人类样本、历史基准和真实研究结果。这像是一场新旧研究方法的会面：一边相信模拟可以让研究更快发生，另一边则握着判断模拟是否可靠的旧世界标尺。

关键数据

Toluna已经公开推出100万个合成消费者角色。这些角色并非只来自通用模型，而是以其超过7,900万名真实面板成员的匿名化第一方数据为基础，可以对文字、图片、音频和视频提供反馈。

在广告测试场景中，Toluna宣称其合成人测试速度可以达到传统测试的120倍以上；在概念、口味、产品属性和品牌主张测试中，结果可以在一小时内生成。

这些数字来自企业公开资料，仍然需要结合具体任务理解。但它们揭示了传统机构的一项重要优势：当创业公司在建造新的模拟世界时，传统机构手中已经保存着大量来自真实世界的参照物。

Ipsos走进来时，脚步显得更加谨慎。

它一方面研究AI Twins、合成受访者和纵向行为模拟，另一方面持续强调Human Intelligence与Artificial Intelligence的结合，并与斯坦福大学合作评估合成受访者的有效性。

它真正关心的，不是如何尽快取消真人，而是如何划定一条可信的边界：哪些任务可以加入合成数据？需要保留多少真人样本？当速度提高以后，研究的科学性如何不被一同压缩？

NIQ则从另一扇门进入——交易和消费数据。

在它看来，通用大模型很擅长生成一个“听上去合理”的消费者答案，却未必真正理解消费者在不同品类中的决策逻辑。一个人说自己会买什么，与他最后把什么放进购物车，往往不是同一件事。

因此，NIQ认为合成消费者需要持续与真实面板、商品属性、交易结果和市场表现进行校准。它对当前边界的表述也很明确：合成消费者适合帮助企业筛选早期创意，但不能被简单地当作真人消费者的替代品。

Kantar也在把真实数据、合成数据、品牌研究资产和AI平台放进同一个智能引擎。

当这些传统巨头陆续入场，市场的核心问题悄然改变了。

人们不再只问：“AI能不能模仿消费者？”

新的问题是：谁能提供更好的真实数据基础、历史基准、验证方法和决策解释？

07 / PRESSURE TEST

一个刚发生的压力测试：总体数字很像，决策却可能很错

图7: 总体数字接近并不意味着趋势、细分、价格逻辑和决策驱动因素都可靠。

2026年7月14日，研究与咨询集团STRAT7公布了一项年度复测。大约3,000名具有全国代表性的英国消费者先回答了零食、糖果和薯片相关问题，研究者再用被刻意留出的真人样本，检验两家合成数据提供方——一家使用统计机器学习方法，另一家使用基于大模型的方法。

第一眼看上去，结果相当乐观。

关键数据

两家提供方在多数品牌认知总体值上的平均误差分别只有2.0和2.8个百分点。放在会议室的大屏幕上，这样的差距很容易让人觉得：合成样本已经足够接近真人。

但研究者继续往下拆，故事突然变了。

关键数据

其中一家方法对16个品牌年度认知变化方向只判断对19%，漏掉了13个品牌的真实变化；在意愿支付题中，同一家提供方的纯合成回答有68%违反了题目本应保持的价格顺序；在“世界杯是否提高零食购买意愿”这一问题上，总体结果看似一致，但切到35—44岁女性后，真人结果为31%，一家合成方法给出14%，相差17个百分点。这些数字不能被写成“合成人行业的准确率”。它们来自STRAT7针对两家提供方、一个国家和一个品类的行业压力测试；趋势与价格结果也主要对应其中一家方法，并不是一篇同行评议论文。它测试的是用合成数据扩充定量样本，也不能代表所有开放式访谈或多智能体模拟。

但它揭示了一个非常重要的测量学问题：总体均值接近，不等于细分、趋势、驱动因素和内部一致性都可靠。

市场研究真正昂贵的部分，常常不在于知道“平均有多少人听过这个品牌”，而在于知道谁发生了变化、为什么变化、价格提高后会怎样变化。一个系统如果只有表面效度——答案听起来像真的——却缺少结构效度和预测效度，就不应该获得同样的决策权限。

08 / AI INTERVIEW

有些公司没有模拟人，而是让AI去访问真人

图8: AI可以扩大访谈执行规模，但深度、证据回溯和决策许可仍需要人类研究者把关。

他们没有创造一批虚拟消费者，而是把AI安排在了访问员的位置上。

想象一场深夜仍在进行的访谈。屏幕另一端是真实受访者，提出问题的却不再是一位需要轮班的研究员。AI通过文字、语音或视频持续追问：为什么？刚才是什么让你改变了想法？如果价格再高一点呢？

Outset选择的正是这条路径。它没有取消真实受访者，而是让AI担任访问员，同时开展大量访谈，根据回答动态追问，再自动整理主题、证据和报告。

真人依然坐在研究现场，只是主持、记录和分析所需要的时间被大幅压缩了。AI访问员这条路线也开始出现更细的经验数据。

关键数据

2026年7月16日发布的一项探索性研究分析了66份由巴西参与者提交的AI自助语音访谈材料。90.9%的参与者对整体体验评价积极，95.5%认为问题清晰，89.4%愿意再次参与。这说明，在短时、聚焦、跨排期和跨语言的任务里，AI访问员至少具备可接受性与执行潜力。

关键数据

但同一批参与者中，28.8%认为问题过于泛化，28.8%认为系统对自己的回答不够敏感，27.3%认为访谈深度有限。作者也明确说明，研究没有证明摘要忠实度、时间节省或与真人访谈等效。

这项研究发生在软件工程场景，并不是对Outset或任何市场调研产品的测评，因此不能直接外推到消费者研究行业。但它恰好提醒我们区分三个常被混在一起的概念：受访体验是否顺畅、访谈是否足够深入、结论是否可以支持商业决策。这三件事，不能互相替代。

国内的Ainovax也选择了相似方向：用AI设计访谈、连接真实样本、执行并发式深访，再通过多智能体生成洞察。

它与纯合成人口走的不是同一条技术路线，却可能在争取同一笔研究预算。因为客户真正购买的，从来不只是“真人”或“AI”，而是更快获得可靠判断的能力。

这也意味着，未来的市场边界很可能不会像地图上的国境线那样整齐。

在同一个项目里，合成人口也许负责前期筛选，AI访问员负责真人深访，自动问卷收集结构化反馈，社交聆听捕捉市场情绪，研究分析智能体则把所有线索汇总到一起。

它们并不一定彼此取代，更可能在同一条研究流水线上相遇。

09 / CHINA ROUTES

国内市场：三条路正在同时亮灯

相比海外已经出现一批以Synthetic Population为核心标签的公司，国内市场更像一个同时亮起三条路线的路口。不同团队从不同方向出发，却都在试图缩短企业与消费者之间的距离。

图9: 国内市场正在沿着模拟消费者、AI访问真人和真实声音理解三条路线同时生长。

第一条路，是AI消费者模拟。

consumerSim已经公开提供消费者Agents，并提出“AI大样本筛选加小规模真人深访”的混合方式，将AI消费者用于概念测试、营销策略评估和产品迭代。

在这条路上，AI先替企业把问题展开，把早期方案放进更大规模的模拟样本中碰撞；真正重要的分歧，再交给小规模真人深访。

第二条路，是让AI访问真人。

以Ainovax为代表的产品，把访谈设计、招募、访问、追问和分析组合成一个自动化研究流程。它们没有创造合成人口，却同样在改变传统调研的成本结构。

第三条路，则从真实消费者已经留下的声音出发。

每天，消费者都在社交媒体、电商评论、新闻、论坛、短视频和企业私域中留下痕迹。数说故事的数说声呐把这些分散的声音聚合起来，再利用多智能体提取消费者、场景、需求和情绪标签。

这条路线不是预测一个虚拟消费者将会说什么，而是先俯下身，理解现实消费者已经说过什么。数说声呐

国内市场最终可能不会简单复制海外模式。

中国消费者分布在电商、内容平台、私域、即时零售和线下渠道中。语言不断变化，平台各有语境，热点的生命周期有时只有几天。一个昨天还自然的表达，明天可能就已经显得迟钝。

对国内企业而言，合成人口能否理解本地表达，能否接入企业私域数据，能否支持私有化部署，能否陪伴企业进入海外市场，可能比屏幕上能够同时生成多少个AI角色更重要。

跨市场数据也说明，“本地语境”不是一句装饰性口号。

关键数据

Ipsos在2026年覆盖15个市场的研究中发现，在知道AI工具的消费者里，27%已经用AI做商品研究，但只有9%已经允许AI自动完成购买；71%认为应该谨慎对待AI，不同国家对AI的接受度相差约50个百分点。

这不是一项合成人口效度测试，却给模拟系统提出了一道现实考题：如果一个全球模型只能生成“消费者对AI既好奇又谨慎”这样的平均结论，它几乎无法指导产品设计。研究真正需要知道的是，在具体国家、品类、价格和风险下，消费者愿意把哪一步交给机器，又会在哪一步收回控制权。

10 / FOUR LEVELS

这不是一条赛道，更像一座正在向上生长的四层建筑

摩根大通在2026年发布的一份AI模拟报告中，给出了一个更容易理解的视角。它把这片市场看作一座正在向上生长的四层建筑。

图10: 技术从样本补充向可互动、可接受多模态刺激的群体行为模拟逐层演进。

第一层是合成研究：使用AI补充传统研究中的样本或信息缺口。

第二层是综合合成研究：建立可细分、可访谈、可重复使用的合成消费者面板。

第三层是多模态合成研究：让AI消费者接触文字、图片、音频、视频、应用和网站，并对真实刺激作出反应。

第四层是多智能体行为模拟：多个AI角色被放进同一个环境中彼此互动。研究者观察的不再只是每个人分别说了什么，而是信息如何传播、群体如何相互影响、选择如何改变，以及新的行为如何从互动中涌现。

报告认为，这个市场正从静态文本角色，走向能够接入公有和私有数据、接受多模态刺激、彼此影响的交互式人口模型。

这四层也解释了，为什么同一个市场中会同时出现如此不同的公司。

大家并不是在制造同一种“AI受访者”。有人在补样本，有人在建面板，有人在训练AI理解真实刺激，还有人在搭建一个能够观察群体行为的实验社会。

它们共同指向的，是一套新的市场实验基础设施。

11 / VALIDITY

最终比拼的，可能不是谁拥有更多AI消费者

屏幕上，一个AI消费者可以拥有姓名、年龄、职业、家庭和一段完整的人生描述。它可以说得流畅，甚至显得比真实受访者更善于总结自己的动机。

图11: 真正的门槛不是角色数量，而是代表性、一致性、结构、预测与文化时间效度

但研究者必须继续追问：

这个人群依据什么数据建立？

它是否符合真实人口结构？

它的观点会不会因为提示词变化而大幅改变？

它能否理解当地文化和正在发生的市场变化？

它是在生成一段合理的语言，还是在模拟一个有连续行为逻辑的人？

当结果错误时，系统是否知道自己不确定？

哪些结论可以用于探索，哪些必须交给真人验证？

这些问题像一道道安检门，决定一个看起来生动的AI角色，究竟只是会说话的人设，还是可以进入企业决策流程的研究工具。

在研究方法里，这些“安检门”可以被进一步拆成五种效度：

代表性效度：合成人口的结构是否与目标市场一致，权重和覆盖是否有现实依据？

内部一致性：同一个角色跨问题、跨时间和跨价格条件的回答是否自洽？

结构效度：系统能否恢复真实世界中变量之间的关系，例如价格敏感、品牌熟悉度和购买倾向之间的联系，而不只是复刻平均值？

预测效度：模拟中的排序、选择与变化，能否被后续真人研究、交易数据或小范围实验验证？

文化与时间效度：系统是否理解当地语言、平台语境与最新市场变化，还是只在重复训练数据中的旧共识？

这五种效度不会由一场测试一次性证明。更现实的做法，是为每一种研究任务建立基准集、留出样本和持续评估，让模型的每次更新都重新接受检查。

所以，这个市场最后比拼的，可能不是模型有多大，也不是屏幕上同时出现多少个AI头像，而是五件更朴素的事情：

数据基础、行为校准、本地语境、验证体系和决策交付。

12 / NEWOORAI

NewoorAI也在这个故事里

图12: AI先扩大假设空间，真人与行为证据再缩小不确定性，最后共同抵达决策。

镜头最终回到我们自己。

NewoorAI并不是这个市场最早的参与者，也不会是唯一的参与者。我们与Aaru、FishDog及其他合成研究平台面对的，是同一个长期问题：如何在真实市场投入之前，更早看见消费者可能的反应。

面对这道题，我们选择从市场营销决策和跨文化场景进入。

通过合成人样本、多智能体协同、本地文化RAG和反偏差机制，我们帮助企业进行消费者洞察、品牌定位、创意测试、价格验证与海外GTM。

但我们不会假设合成人可以回答所有问题。

在高不确定阶段，AI更像一支先行的勘探队：它负责展开问题、暴露分歧、发现盲点和筛选方向。当决策涉及敏感价格、最终创意、真实转化和重大投资时，关键问题仍然要交给真人访谈、行为数据或小规模市场实验。

更具体地说，我们倾向于给不同任务发放不同的“研究许可证”。

探索类任务——寻找反对意见、文化误读、替代场景——可以让多智能体大规模展开，因为这里更怕漏掉可能性，而不是暂时多出几个错误假设。

排序类任务——把12个概念压到3个——需要重复抽样、跨提示和跨模型检查。如果前三名稍微换一种问法就完全改变，排序还不值得进入下一步。

估值类任务——价格、销量、市场规模——需要检查单调性和跨问题一致性，并加入真人选择实验或真实交易锚点。消费者说自己愿意付多少钱，不等于他真的会付款；AI生成的支付意愿更不能直接进入收入预测。

追踪类任务——品牌认知、购买意愿和竞争格局的真实变化——必须依靠连续的真人与市场数据。模型记忆中的世界知识，不能被当成市场此刻正在发生的变化。

这套分工借鉴的是混合研究中的三角验证：不同证据不是互相装饰，而是用来检验彼此。合成人模拟负责扩大假设空间，真人研究负责理解语境和取舍，行为数据负责确认消费者最终做了什么。

我们也会支持企业私有知识接入和私有化部署。这样，合成人口所理解的，不只是公开世界里的消费者，也包括企业自己的产品、客户和历史经验。

它不只是一个站在门外、熟悉行业常识的陌生研究员，也应该逐渐成为一个理解企业上下文的协作者。

13 / RESEARCH MORE

也许，真正被改变的是“什么问题值得被研究”

图13: 当研究成本下降，过去没有机会被研究的小问题，也可以在进入真实市场前先推演一次。

过去，市场研究是一种相对稀缺的资源。

因为时间和预算有限，企业只能挑选少数重大项目，郑重地开展正式调研。至于更多日常决策——一句广告语、一张包装、一个价格、一项功能——往往只能留在会议室里，交给经验、直觉和职位最高者的判断。

许多问题不是不值得研究，只是从来没有机会被研究。

合成人口和AI智能体带来的最大变化，也许并不是让企业少访问一些真人，而是让过去没有预算、没有时间接受研究的问题，也能先获得一轮有结构的验证。

一句广告语可以先被不同人群读一遍；一张包装可以先听见误解和反感；一个价格可以先暴露犹豫的边界；一项产品功能、一个海外市场，也可以先进入模拟环境，经受一轮提问和反对。

真正重要的决定，仍然需要回到真实世界。

但在推开真实世界那扇门以前，我们终于可以先在模拟环境里多走一遍，听见不同方向传来的声音，少带几个未经检验的假设出发。

这大概就是这个新市场最有趣的地方。

它表面上是在创造虚拟消费者，实际上是在重新定义企业如何认识真实消费者。

证据说明：本文混合使用了三类资料。同行评议研究用于解释统计代表性、智能体建模与算法保真度；2026年预印本与STRAT7行业复测用于呈现最新实验信号，但结论均保留样本、任务和方法边界；Aaru、FishDog、Toluna等公司的产品规模、速度和案例来自企业公开资料，代表其产品主张，不等同于独立第三方验证。本文没有采用来源与口径不透明的单一“全球市场规模”预测，因为当前公开资料尚不足以支持一个可直接比较的统一数字。

NEWOORAI / 新吾智能

让每一个重要决策，在进入真实市场以前先接受一次推演。从消费者洞察、品牌定位和创意测试，到价格验证与海外GTM：AI先扩大假设空间，真人与行为证据再确认值得下注的方向。

参考来源

1. 1.
   BCG：Moving the Agentic Marketing Transformation from Illusion to Reality
2. 2.
   Aaru：Rethinking the Science of Prediction
3. 3.
   FishDog：Synthetic Populations
4. 4.
   Axtell与Farmer：Agent-Based Modeling in Economics and Finance
5. 5.
   Argyle等：Out of One, Many
6. 6.
   Bisbee等：Synthetic Replacements for Human Survey Data?
7. 7.
   Synthetic Users
8. 8.
   France与Albinsson：Synthetic Consumer Insight Generation with Large Language Models
9. 9.
   Evidenza
10. 10.
    Toluna Synthetic Personas
11. 11.
    Ipsos：Transforming Research Through Synthetic Data
12. 12.
    NIQ：The Rise of Synthetic Respondents
13. 13.
    STRAT7：Synthetic Data Has Improved, but Still Falls Short Beyond Topline Results
14. 14.
    Outset AI
15. 15.
    Gheyi等：AI-Conducted Interviews in Empirical Software Engineering
16. 16.
    Ainovax
17. 17.
    consumerSim
18. 18.
    数说声呐
19. 19.
    Ipsos：Shopping With AI
20. 20.
    JPMorganChase：AI Powered Simulation