Column
あなたの顧客を、LLMで再現できるか——合成パーソナリティが変えるマーケットリサーチ
1人ひとりの回答履歴をLLMに与えると、その人を模倣した「デジタルツイン」が作れる。210万件超の応答を使った大規模実験が示す精度78.8%という数字は、消費者インサイトの取り方そのものを変える可能性を持っています。
こんにちは。Affectosphere Group の井下です。
「この製品、ターゲット層に刺さりますか？」
マーケターが一番聞きたいのに、最も答えにくい問いです。 調査票を設計して、サンプルを集めて、集計して——それだけで数週間、数十万円がかかることも珍しくありません。
では、すでに手元にある顧客データを使って、その人たちがどう答えるかを事前に予測できたら、どうでしょう。
2026 年 6 月に arXiv で公開された研究（Leonard Kinzinger, Jochen Hartmann; arXiv:2606.04592）は、その問いに正面から向き合っています。ドイツの大規模社会調査（SOEP）の個人データを使って「合成パーソナリティ」を LLM で構築し、本人がどう答えるかを再現できるかを徹底的に検証した研究です。
結果は想像以上に興味深いものでした。
今日の 3 点
- 個人の回答履歴を LLM に与えると、精度 78.8%・相関 r=0.590 で本人の回答を再現できる。
- テキスト要約より「生の対話履歴をそのまま入力する」方が全モデルで精度が上がる。
- デジタルマーケットリサーチの制約は「サーベイ設計」より「データ量とモデル選択」にある。
① 210 万件の応答で何がわかったか
この研究の規模感からまず押さえておきたいです。
ドイツ社会経済パネル（SOEP）という、数十年分の個人の生活・意識・行動データを収録した縦断調査があります。この研究はそのデータから個人レベルのデジタルツインを構築し、3 種類の LLM、5 段階の情報深度、2 種類の埋め込み方式、2 種類の推論モードを組み合わせた実験を行いました。
生成された応答は 210 万件超。これだけの規模で「LLM はどれだけ個人を模倣できるか」を体系的に調べた研究は、ほとんど存在しませんでした。
最良条件での精度は 78.8%、Fisher-z 変換相関では r=0.590 を達成しています。 完璧とは言えませんが、「使えるレベル」に入ってきているのは確かです。
なぜこれが重要か。それは「個人を模倣できる」ということが、従来のセグメント調査とは根本的に違う情報を提供できるからです。平均的な 40 代女性がどう思うか、ではなく、この具体的な一人がどう答えるか——それが合成パーソナリティの約束するものです。
② 情報を増やすほど精度は上がる。でも限界もある
直感的に想像できることですが、LLM に与える個人情報の量が増えるほど精度は上がります。
年齢・性別・職業だけを与えた場合と、過去の回答履歴を詳細に与えた場合では、模倣精度が大きく変わります。この研究では「情報深度」を 5 段階に設定して比較しており、深度が増すごとに精度が向上することが確認されています。
ただし重要な点があります。精度の向上は 75 パーセンタイル以上で逓減します。つまり、ある程度の情報量を超えると、追加データの効果が薄れていくのです。
これはマーケティングリサーチへの示唆が大きいです。「どれだけデータを詰め込んでも精度は無限に上がらない」という上限の存在は、投資対効果を設計するうえで重要な情報です。必要十分なデータ量のポイントがあって、それ以上は労力に見合わないという話でもあります。
③ 要約より「そのまま入れる」が正解だった
この研究の中で、実務的に最も興味深い知見の一つがこれです。
対話履歴の埋め込み方には 2 種類が試されました。一つは「テキスト要約」——個人の回答履歴を要約して LLM に渡す方法。もう一つは「対話履歴の直接入力」——そのままプロンプトに流し込む方法です。
結果は明確でした。テキスト要約より対話履歴の直接入力が、全モデルで精度改善をもたらしました。
要約する過程で失われる情報がある、ということです。「この人は去年の調査でこう答えた」という生の記録が、「この人は一般的にこういう傾向がある」という要約より、LLM にとって有益な信号になる。
実務で顧客データを LLM に渡すとき、「整理してから渡す」より「生データをそのまま渡す」方が精度が出る可能性があります。直感に反しますが、この発見は実装設計に直接影響します。
④ デジタルマーケットリサーチの「本当の制約」
この研究が最終的に示したことは何か。
デジタルマーケットリサーチ——合成パーソナリティを活用した調査手法——の制約は「サーベイ設計」にあるのではない、ということです。
どんな質問票を作るか、どういう調査票の流れにするか——そこではなく、「どれだけのデータを個人について持っているか」「どのモデルを使うか」「どう構築するか」の三点に制約がある、というのが研究の結論です。
これは現場への示唆として大きいです。
従来のマーケティングリサーチは、調査票の設計に多くのリソースを割いてきました。「何を聞くか」を磨くことに時間と予算を投じてきた。しかしこの研究の枠組みでは、問うべきは「誰についてのデータがどれだけ手元にあるか」になります。
既存の CRM データ、購買履歴、問い合わせログ——そういったデータが合成パーソナリティの素材になる時代が、もう手の届くところに来ています。
「コスト大幅削減」は本当に可能か
合成パーソナリティの最大の魅力は、調査コストの削減可能性です。
実際の消費者を集めてサーベイを実施するコストは、設計・リクルーティング・集計を合わせると相当な費用になります。合成パーソナリティを活用できれば、その一部を代替できる可能性があります。
ただし正直に言うと、どこまで代替できるかはまだ研究段階です。この論文が示す精度 78.8% は、あくまで特定の条件下・特定の調査票での数字です。全てのマーケティングリサーチに適用できるわけではありません。
現実的なユースケースとして考えられるのは、たとえばこういったものです。
新製品コンセプトの初期検証では、本調査に入る前の仮説整理段階で合成パーソナリティを使う。「この 3 コンセプトのうち、ターゲット層に最も刺さりそうなのはどれか」を事前にシミュレーションして、本調査のサンプル数を絞る。
A/B テストの事前スクリーニングでも同様です。無数のバリエーションを実際の人に見せる前に、合成パーソナリティで絞り込む。本番の調査に出すものを高精度に選別できれば、調査コストを大幅に削減できる可能性があります。
制約を理解したうえで使えば、実用的な武器になる。それがこの研究の現実的なメッセージだと思います。
今すぐ取り組める「データ棚卸し」
この研究の知見を踏まえると、マーケティング部門・UX リサーチ部門がいま着手できることがあります。
まず、個人レベルのデータ資産を棚卸しすることです。
合成パーソナリティの精度は個人情報の量と質に依存します。「どの顧客について、どんなデータがどのくらいある」をマッピングしておくことが、この技術を活用できる組織とそうでない組織を分けます。購買履歴、問い合わせ履歴、アンケート回答——そういったデータが整備されているほど、合成パーソナリティの素材は豊富になります。
次に、「要約せず生データを渡す」という方針を実験設計に組み込むことです。今後 LLM を活用した顧客分析を試みるとき、顧客データを整形して渡すのではなく、ログをそのまま使うアプローチを試してみる価値があります。
三つ目は、合成パーソナリティを「仮説生成ツール」として位置づけることです。本調査の代替としてではなく、本調査の前段階で使う。その使い方であれば、現状の精度レベルでも十分に実用的です。
まとめ
LLM が個人を模倣できるかという問いへの答えは、「条件次第では、かなりの精度で可能」です。
精度 78.8%、相関 r=0.590。まだ完璧ではありませんが、仮説検証フェーズで使うには十分な水準に近づいています。
そしてこの研究が明らかにしたことは、精度を決めるのは「調査票の設計」ではなく「データ量・モデル・構築方法」だということ。マーケティングリサーチの投資判断の軸が、「何を聞くか」から「誰について何を持っているか」にシフトしつつあります。
では！
参考論文
- Leonard Kinzinger, Jochen Hartmann (2026). Synthetic Personalities: How Well Can LLMs Mimic Individual Respondents Using Socio-Economic Microdata?. arXiv preprint.
※ 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。