Column
LLMは消費者リサーチの「前座」になれるか——投影法への合成データ応用と現場への示唆
フォーカスグループや投影法テストにLLMが生成した合成消費者データを使えるか。複数モデル・プロンプト戦略・温度設定で人間回答と比較した研究から、マーケリサーチ現場が持ち帰れる実務設計指針を整理します。
こんにちは。Affectosphere Group の三浦です。
マーケティングリサーチを経験したことがある方なら、 一度はこんな場面を思い浮かべたことがあるかもしれません。
フォーカスグループの設定、モデレーターのアサイン、参加者のリクルート。 会場の手配や謝礼の準備。 費用と時間をかけて準備しても、得られる声は数十人分。
「この仮説、もっと早く安く試せないか」—— リサーチ担当者なら、誰でも感じたことがある悩みです。
そこに最近浮上しているのが、「LLMで合成消費者データを作れないか」というアイデアです。 でも実際のところ、LLMは本当に人間の消費者を代理できるのでしょうか。
とくに「投影法（プロジェクティブ・テクニック）」—— 消費者の深層心理にある連想・感情・欲求を掘り起こすための定性手法——の文脈では、どうなのか。
arXivで公開された研究（France & Albinsson、arXiv:2607.05761）は、 この問いに正面から向き合いました。
今日の3点
- LLMは投影法の回答を生成でき、広義のトピックや連想では人間データと大きな重複が確認された。ただし、スタイル・構造面では重要な差異がある。
- モデルの選択・プロンプティング戦略・温度設定が合成データの質に影響し、研究はその選択ガイドラインを提示している。
- 「LLMは消費者調査の代替ではなく、前段の仮説生成ツール」——これが研究の核心的な立ち位置であり、ハイブリッドリサーチ設計の実用指針となる。
投影法とは何か、なぜ難しいのか
少し立ち止まって、投影法の話をさせてください。
直接質問するだけでは引き出せない消費者の本音があります。 「このブランド、正直どう思いますか」と聞いても、 社会的に望ましい回答や意識的な評価しか出てこないことが多い。
投影法はそこにアプローチするための手法です。 「このホテルが人間だったら、どんな人ですか」 「この都市を色で表すと？」 「このブランドを連想する動物は？」
こういった間接的な刺激を使うことで、 消費者が意識的に言語化していない感情・欲求・知覚を引き出します。
マーケティングリサーチ、ブランド知覚調査、UXリサーチで使われてきた手法ですが、 実施コストが高く、スケールしにくいのが課題でした。 参加者のリクルートから分析まで、数週間・数十万円規模になることも珍しくありません。
だからこそ、「LLMに合成回答を作らせる」というアイデアは魅力的に見えるのです。
研究は何を比較したのか
この研究が対象にしたのは、都市観光地の知覚調査です。 実際の人間参加者から収集したプライマリデータを用いて、 投影法プロンプトへのLLM生成レスポンスと比較しました。
比較の軸は多岐にわたります。 どのLLMモデルを使うか。 どのプロンプティング戦略を選ぶか。 温度設定（出力のランダム性）をどう設定するか。
これらの組み合わせを変えながら、生成された合成データが 人間の回答とどこで重なり、どこで乖離するかを分析した研究です。
重なりはあった。でも、差異もある
研究の結果として確認されたのは、まず「重複」です。
広義のトピックや連想において、LLM生成レスポンスと人間レスポンスの間には 大きな重複が確認されました。
たとえば「観光地Xを連想するものは？」という投影法プロンプトに対して、 LLMが生成した連想と、実際の参加者が挙げた連想の間には、 カバレッジとして見たとき、相当な重なりがあったということです。
でも、研究はそれだけで話を終えません。
スタイルと構造の面では、重要な差異が存在することも明らかになりました。
人間回答は、個人的な記憶・感情・文化的な文脈に根ざした表現が多い。 LLM回答は、体系的で網羅的な傾向があり、ある種の「教科書っぽさ」が出やすい。
連想の「中身」は似ていても、語り口・感情のトーン・回答の構造が違う—— そういうことです。
この差異は、使い方によっては致命的にもなるし、むしろ長所にもなる。 そこが設計の肝になります。
モデルとプロンプトは結果を変える
もうひとつ重要なのが、モデル選択・プロンプト・温度設定の影響です。
研究は、これらの変数が合成データの質に影響を与えることを示し、 選択ガイドラインを提示しています。
温度設定を高くするほど、回答のバリエーションは広がりますが、 人間回答との類似性にはトレードオフが生じます。 プロンプティング戦略によっても、回答の構造や語彙の傾向が変わります。
「とりあえず有名なモデルを使えばいい」ではなく、 用途に合わせてモデル・プロンプト・温度を選択することが重要、 という現場向けの設計指針が示されているわけです。
LLMは「代替」ではなく「前段仮説生成ツール」
では、この研究が示す最大の実務的示唆は何でしょうか。
それは、「LLMは消費者調査の代替ではなく、前段の仮説生成ツールとして使う」という位置づけです。
研究は、固有の限界も丁寧に提示しています。 スタイル・構造の差異があるため、LLM合成データだけで消費者インサイトを結論づけることには無理がある。
でも逆に言えば、「仮説を立てる」「調査設計を磨く」という前フェーズでは、 LLMの合成データは十分に使える可能性があります。
この「前座」としての使い方に絞ると、具体的な応用イメージが浮かびます。
現場でどう試せるか——ハイブリッドリサーチ設計
想定するのは、マーケティングリサーチ会社や、 消費者調査のコスト削減を検討しているブランドマーケティング担当者です。
提案したいのは、「ハイブリッドリサーチ設計」という考え方です。
フェーズ1でLLM合成データを使い、調査仮説の候補を洗い出す。 フェーズ2で小規模な人間調査（フォーカスグループ数名・オンラインアンケート数百件）を実施し、 合成データで出た仮説を検証・精緻化する。
従来のプロセスでは、フォーカスグループの実施や大規模アンケートの設計から入ります。 これが数週間・数十万円単位のコストになる。
ハイブリッドリサーチ設計では、LLMの合成データで「何を聞くべきか」を先に絞り込みます。 仮説生成フェーズにかかる時間とコストを大幅に短縮できます。 人間調査は「仮説の検証と深掘り」に特化することで、 調査全体の効率が上がるという発想です。
KPIとして追うなら、「仮説生成フェーズの所要時間」と「フォーカスグループ実施回数」。 LLMを前段に置くことで、これらを削減できるかどうかが評価軸になります。
観光・ホスピタリティ産業への応用
この研究が扱ったのは「都市観光地の知覚」というドメインです。 だからこそ、観光・ホスピタリティ産業への応用可能性は直接的です。
たとえば、新興の観光地や都市のブランディングを担う自治体・DMO（観光地域管理組織）。 「この都市、どんなイメージで売り出すか」を検討するとき、 LLM合成データで連想の仮説を洗い出してから、 実際の訪問者調査やSNS分析を重ねる——というプロセス設計が考えられます。
また、MarTechスタートアップにとっては、 「投影法テストの自動化ツール」としてのプロダクト開発のヒントになります。 LLMが生成する合成消費者データを、クライアントの調査設計前診断ツールとして提供する。 そういうプロダクトの設計根拠として、この研究のフレームは使えます。
数値の捏造リスクとモデル選択の重要性
ひとつ注意点もあわせて伝えておきます。
研究が明確に示しているのは、モデル・プロンプト・温度設定によって合成データの品質が変わる、ということです。
裏を返せば、「適切に設定しないと、現実の消費者とズレた合成データが出る」ということでもあります。
特に投影法の文脈では、文化的・感情的な文脈が重要です。 LLMが「教科書的な観光地連想」を生成しても、 特定地域の実際の訪問者が持つ感情的なニュアンスは捉えられない可能性があります。
研究が提示したガイドラインを参照しながら、 自社の調査文脈に合ったモデル・プロンプト設計を試すことが大切です。 「使える」ことと「どう使うか」は別問題——この研究が丁寧に示しているのも、そこです。
まとめ
arXivで公開されたこの研究は、LLMを使って投影法ベースの合成消費者データを生成する試みの、 現時点での可能性と限界を整理してくれました。
広義の連想・トピックでは人間回答との重複が確認された。 一方でスタイル・構造面には差異がある。 モデルとプロンプト選択が質に影響し、その選択ガイドラインがある。
そして最大の実務的示唆は、「LLMは代替ではなく前段仮説生成ツール」だということ。
ハイブリッドリサーチ設計——LLM合成データで仮説を洗い出し、 小規模な人間調査で検証する——という考え方は、 マーケティングリサーチのコスト構造を変えるヒントになります。
「使えるか使えないか」の二択ではなく、「どう組み込むか」で考える。 その視点が、この研究を現場に落とし込む鍵だと思います。
参考論文
- France, Stephen L. & Albinsson, Pia A. (2026). Synthetic Consumer Insight Generation with Large Language Models. arXiv preprint. https://arxiv.org/abs/2607.05761
※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。