联合沃顿商学院、哥伦比亚商学院的多位学术专家,调研了美国 170 名从业者。调查发现:
超半数企业已应用 Gen AI,84% 从业者认可其提升效率的价值,但 77% 担忧错误信息致决策偏差,且多数企业缺乏明确 AI 治理政策。
分析显示,Gen AI 在市场研究有四大核心应用场景:一是支持现有流程(如文档摘要、数据分析);二是替代部分方法(如合成数据生成);三是填补市场认知空白(如竞争情报);四是生成新型数据(如数字孪生)。
专家们指出,企业需平衡自动化与人类监督,制定清晰 AI 战略,才能规避风险、释放 Gen AI 价值。
生成式人工智能(Gen AI)正日益重塑我们开展市场研究的方式 —— 从优化传统方法、加速数据分析,到发掘全新洞察、生成全新形式的消费者情报,其影响贯穿多个环节。
生成式人工智能最初只是一种实验性工具,如今已成为众多研究人员工作流程中的核心组成部分,助力企业扩大洞察规模、提升工作效率,并以远超以往的速度发现市场机遇。
在充分发挥 AI 潜力的同时,又该如何规避安全、治理及技能缺口方面的风险?
为探究这些问题,GBK Collective近期与多位学术专家展开合作,共同开展了一项关于市场研究人员如何将生成式人工智能(gen AI)融入工作的研究。参与合作的专家包括:
以及 GBK 集团联合创始人、沃顿商学院人工智能与分析学副院长埃里克・布拉德洛(Eric Bradlow)。
我们对美国各地 170 名研究与洞察领域专业人士开展的调查显示,当前行业态势既充满热情,也不乏审慎态度。
这些研究结果为研究领域的领导者提供了行动指南,助力他们了解人工智能(AI)当前的应用现状,以及未来的发展方向。
超过半数的受访者(56%)表示,其所在企业在生成式人工智能(gen AI)的应用方面走在行业前列,其中许多企业正以实验性、协作性的方式运用这项技术。
尽管研究团队对生成式人工智能的潜力持乐观态度,但他们对其潜在风险仍保持审慎。
在企业层面,生成式人工智能的应用推广同时受到自上而下(由管理层推动)和自下而上(由终端用户尝试使用 AI 工具)的双重驱动。
事实上,大多数企业对 AI 使用的限制极少,仅要求员工通过企业账户登录,或使用经批准的平台(如 ChatGPT、谷歌 Gemini、微软 Copilot)。
这些研究结果揭示了一个双重现实:生成式人工智能既是强大的赋能工具,也是潜在的风险源。
生成式人工智能在研究领域的潜力十分巨大。我们可以将其应用划分为四个不同领域:
生成式人工智能在研究领域应用最广泛的场景,是对现有流程进行优化,使其更高效、成本更低且更易于规模化推广。
目前,近半数受访者(45%)正出于这一目的使用生成式人工智能;在那些借助生成式人工智能支持现有流程的受访者中,以下是最常见的应用场景:
这些广泛的应用展示了人工智能如何在各个功能领域和任务类型中简化洞察生成过程。
“我们发现,生成式人工智能正在加快洞察的交付速度,这使得人们无需在数据分析 —— 或者我称之为‘表层洞察’—— 这类工作上花费过多时间。”
通过将研究领域的手动任务自动化,人工智能正帮助专业人士从耗时的 “数据整理” 工作中解脱出来,转而专注于更深度的洞察挖掘与战略性举措。
生成式人工智能也正被用于替代部分现有的研究方法,bwin官网其中尤为典型的应用包括:
用户画像构建(Persona development)(采用率为28%,54%的受访者计划在未来使用)
合成数据生成 —— 即由AI模型生成逼真的客户反馈,以替代或补充现实世界中的数据收集工作 —— 有望彻底改变研究人员获取洞察的方式。
然而,许多专业人士对其可靠性仍存疑虑:仅有约三分之一的受访者表示,生成式人工智能(gen AI)在这一功能上表现“出色”。
“在洞察生成方面,生成式人工智能也存在一些固有的差异与局限性。我会将生成式人工智能用作快速测试工具,借助它优化语言表达或汇总数据,但目前它还远未达到能够取代人类的水平。”
AI生成的消费者画像为品牌提供了一个极具吸引力的机会:无需承担专有信息泄露的风险,即可测试新产品或服务。但研究团队必须完善验证框架,以确保这些合成洞察与现实中的消费者行为相符。
目前,大多数受访者(58%)认为生成式人工智能在生成用户画像方面的表现仅为“一般”,但对未来应用这一技术仍持乐观态度。
“生成式人工智能最初的关注度与应用,更多集中在内容生成领域,即借助算法生成内容。如今,我们发现AI正逐渐成为一台‘预测机器’。我们当下所思考的诸多问题,实际上都可以归为预测类问题。”
随着人工智能预测能力的不断发展,研究团队将越来越依赖它来预测市场趋势和消费者行为。这些趋势与行为在传统数据集中完全体现出来之前,就能通过人工智能提前捕捉。
生成式人工智能最具前瞻性的应用,在于其能够生成全新的数据集,进而提供以往无法获取的洞察。这其中就包括生成数字孪生体(digital twins),即消费者细分群体的虚拟模型,可模拟该群体的行为、偏好与决策过程。
目前,约有三分之一(37%)的受访者正在使用这一功能,而超过 40% 的受访者计划在未来应用该功能。
尽管目前这仍是应用率最低的类别,但它却是未来创新最具潜力的领域之一。然而,这也引发了相关担忧:如何确保人工智能生成的结果既准确无误,又不存在偏见。
“如果给大型语言模型输入错误的数据,它很可能会直接带你完全走上错误的道路。”
企业需要警惕地评估人工智能生成洞察的准确性与可靠性,以防止有缺陷的数据影响重要的商业决策。
尽管AI正明显地改变着市场研究领域,但企业在采用这项技术时必须制定战略性方案。
企业必须围绕以下方面制定清晰政策:敏感数据如何管理,以及应建立哪些保障措施来防范偏见与虚假信息。
生成式人工智能不会取代人类判断,反而会增强人类判断。企业应着力提升研究团队的技能水平,以便他们能够:
企业应采用 “测试与学习” 的方法:在尝试应用生成式人工智能的同时,持续评估其对决策过程产生的影响。
另一个重要的成功因素是:企业采用自上而下与自下而上相结合的方式开展生成式人工智能相关试验 —— 领导层制定愿景与战略,同时赋予员工自主权,让他们能够通过试验探索在各自岗位上运用AI的新方法。
领导层还应确保AI的能力在个人与团队中得到尽可能充分的运用,尤其是在当前AI已展现出优势的领域(例如,文档撰写 / 编辑)。
生成式人工智能正迅速重塑市场研究人员收集、分析和解读数据的方式。正如我们的研究所示,它不仅在加速传统研究方法的进程,还在催生获取洞察的新途径,甚至在创造全新的数据类型。
然而,只有当企业在自动化与人类专业知识之间找到恰当平衡时,生成式人工智能的全部潜力才能得以释放。
对于市场研究领域的负责人而言,成功的关键在于制定清晰的AI战略 ,该战略需将治理、准确性及负责任的试验置于优先地位。
AI虽能提升决策水平,但其价值的实现取决于数据质量、验证流程以及人类监督。
那些采取主动且具战略性方法的企业 —— 利用人工智能不仅是为了提升效率,更是为了挖掘更深入的消费者洞察、制定更明智的商业战略 —— 将成为获得持久竞争优势的赢家。
编者按 :克里斯汀・奥迪舒(Christine Odishoo)是 GBK 集团(GBK Collective)的高级副总裁,该集团是一家专注于营销策略、洞察与分析的咨询公司。GBK 集团的执行副总裁布莱恩・史密斯(Brian Smith)及高级分析师阿萨德・塔西(Asad Tacy)也对本文有贡献。