シンセティック市場調査とは？定義と限界

シンセティック市場調査とは、リクルートされた人間の代わりにAIで生成された回答者が設問に答える市場調査手法です。言語モデルに対して、調査対象となる層の特性（年齢、地域、役職、習慣、価値観、場合によっては実際のアンケートやインタビューデータ）を条件付けします。条件付けされた各エージェントが調査項目に回答したり、コンセプトを評価したり、インタビューに応じたりします。その回答は、アンケート結果のように集計されるか、定性調査の発言録のように読み解かれます。

この手法の強みは、実査を行う前に迅速かつ低コストで実行できる点にあります。多数のコンセプト、メッセージ、調査票のドラフトを1日でスクリーニングすることが可能です。一方で、回答者はあくまでシミュレーションであるという限界も存在します。彼らの回答は、モデルとその入力データによって形成された、特定グループがどう反応し得るかについての推計値にすぎません。やり直しの利かない重大な意思決定を下す前には、実際の人間を対象とした検証が必要です。

本記事では、この手法の市場調査における活用に焦点を当てています。UXリサーチや政策立案など、より広範な実践例についてはシンセティックリサーチをご覧ください。

定義：何がシンセティック市場調査に該当するのか

単にAIツールと対話する行為と、シンセティック市場調査を分ける要素は3つあります。

1. 定義されたターゲット層：例えば「植物性ミルクを週1回以上購入する25〜40歳の英国在住の食品購買者」のように、誰をシミュレートしているのかが明確に定義されており、各シンセティック回答者がその定義に基づいて生成されていること。
2. 統一された調査設計：回答者が同じ構造化された質問に答え、同じ刺激を評価し、または同一のインタビューガイドに沿って進行することで、回答の比較や集計が可能であること。
3. 分析と検証のステップ：結果が分布、ランキング、またはテーマとして集約され、同一ターゲット層の実調査データなどを基に、その信頼性が客観的に検証されていること。

ベンダーによって呼び方は様々です。シンセティック回答者、シンセティックパネル、AIペルソナ、顧客のデジタルツイン、シリコンサンプルなどの用語が使われています。学術用語である「silicon sampling」は、実際の調査参加者の経歴情報を言語モデルに条件付けした政治学の研究に由来します。表現の違いはあれど、本質は上記の3要素を満たしているかどうかにあります。回答者ユニットの詳細については、シンセティック回答者とシンセティックパネルをご覧ください。

「シンセティックデータ市場調査」というよくある混同

「シンセティックデータ市場調査」というキーワードで検索されることがよくありますが、この表現は2つの異なる概念を混同しています。

シンセティックデータ（合成データ）とは、人工的に生成されたあらゆるデータセットを指します。データ分析の文脈では、個人情報を保護しながらアナリストが分析業務を行えるように作成された、トランザクションや顧客レコードなどの統計的な複製を指すのが一般的です。その役割は、既存のデータのパターンを維持することにあります。

一方、シンセティック市場調査は、まだ誰も尋ねたことのない問いに対する新しい回答を生成します。価格変更にターゲット層はどう反応するか、3つの訴求のうちどれが最も納得感があるか、他社への乗り換えを阻む要因は何か、といった問いです。その役割は、まだ手元にない意見や反応を推計することにあります。

シンセティック調査で得られる回答はシンセティックデータの一種ですが、この手法で最も重要なのはデータの行数を生成することではありません。ターゲット層を適切に定義し、偏りのない中立的な設問を投げかけ、回答の信頼性の限界を正しく見極めることにあります。

シンセティック市場調査の仕組み

典型的な調査は以下の5つのステップで進行します。

1. 意思決定の定義：結果によって何を変えるのか（例：「訴求Aと訴求Bのどちらを採用するか」）、どの程度の確からしさが必要かを明確にします。
2. ターゲット層の構築：セグメントを定義し、その内部でばらつきを持つ回答者を生成します。優れたシステムでは、公開統計、オープンソース、独自の顧客リサーチや調査ファイルなどのエビデンスに基づいて各回答者をグラウンディングします。属性ラベルだけで生成された回答者は、ステレオタイプな回答に偏る傾向があります。
3. 調査の実施：選択式設問（単一回答、複数回答、評価尺度、順位付け、MaxDiffなどの強制選択型）や自由記述設問を提示します。また、コンセプト、広告、パッケージ画像、ランディングページ、プロトタイプなどの刺激を提示することもあります。
4. 分析：選択式回答を分布として集計してセグメント間を比較し、自由記述回答をテーマ別にコーディングします。矛盾点や、当たり障りのない一般的すぎる回答がないかを確認します。
5. 検証と判断：既存の実データがある場合はサンプル結果と比較し、アウトプットを方向性を示すデータとして位置づけ、どの知見を人間を対象とした本調査に進めるかを決定します。

回答の収集方法は、一見目立たないものの極めて重要です。Mindsが公開した調査再現検証において、シンセティック回答者に1つの選択肢を強制するのではなく、選択肢全体に確率を割り振らせる手法をとったところ、4つの公開データセット全体で分布誤差が12.47〜19.72パーセントポイント減少しました（Minds research）。各回答者に単一の選択を強制すると、生身の人間集団が持つ不確実性が切り捨てられてしまうためです。

実例：実際の調査と照合して合成調査を検証する

合成市場調査の結果には、対象集団、設問、実際の回答との比較基準、誤差を示す必要があります。以下は説明用データではなく、すでに公開された製品検証です。

2026年8月18日のFood and You 2再現では、16–24歳の持続的な301名のMindsが、英国食品基準庁の公開調査と同じ食事頻度の3問に回答しました。合成コホートはイングランド、ウェールズ、北アイルランドを対象としました。実際の回答の参照基数は各問257名で、各問に7つの選択肢があり、予定された903件のMind・設問の回答はすべて完了しました。

原設問の一つを訳すと、「夕食のために外食したり、持ち帰りの食べ物を買ったりする頻度はどのくらいですか」です。比較したのは各選択肢の回答割合であり、特定の個人の回答を正しく予測できたかではありません。実際の回答比率は実行時に隔離されました。ただし公開資料なので、事前学習や保存済み知識を通じた過去の接触は排除できません。

全体の平均誤差は6.01パーセントポイントで、小さいほど良好です。公開値「93.99%近似」は100からこの誤差を引いたもので、個人予測の正解率93.99%を意味しません。夕食の平均誤差が最も大きく、総合スコアだけで設問間の差を隠すべきではありません。

比較の文脈として、固定済みの過去の汎用プロンプト基準は誤差6.68ポイント、等確率基準は7.00ポイントでした。これらは同時期に再実行されたものではありません。既存の同一コホートと関連する3問の反復であり、新しい独立集団での検証や次の調査の誤差保証ではありません。実際の標本の抽出不確実性区間は推定していません。英国食品基準庁はMindsの研究を支援、推奨、審査していません。

公開済みの質問票・対象者・設問別結果、基準との比較と研究の文脈、Food and You 2, Wave 10の原データを確認できます。自分の意思決定に利用する前に、関連する対象集団と質問票で同様の検証を行ってください。

精度に関するエビデンスが示す事実

シンセティック市場調査における単一の精度評価指標というものは存在しません。データセット、設問、比較手法を明示せずに精度をアピールするベンダーの情報は、実務上の判断材料にはなりません。公開されている学術研究は、その有効性と限界の双方を示しています。

有効性を示すエビデンス:

• Argyleらの研究では、米国の実際の調査参加者から得られた数千件の社会人口統計学的プロファイルをGPT-3に条件付けした結果、多くのサブグループの回答分布を忠実に再現できることが示されました。研究者らはこの特性を「algorithmic fidelity（アルゴリズムの忠実度）」、生成されたサンプルを「silicon samples」と呼びました（Political Analysis, 2023）。
• スタンフォード大学主導のチームは、2時間のインタビュー、アンケート、またはその両方に基づいて、1,052人の米国人のエージェントを構築しました。General Social Surveyの保持サンプル項目において、これらのエージェントは参加者自身の2週間後のテスト-再テスト再現性に対して、それぞれ83%、82%、86%の一致度に達しました。属性情報のみを与えられたエージェントの一致度が74%であったのに対し、自己報告データによるグラウンディングが属性ラベルのみを明確に上回りました（arXiv, 2024）。

限界を示すエビデンス:

• Bisbeeらの研究では、ペルソナプロンプトを与えたChatGPTに対し感情温度計スコアを求め、American National Election Studyと比較しました。平均値は実データとよく一致したものの、シンセティック回答は実データよりもばらつきが小さく、回帰係数が異なるケースが多く見られました。また、わずかな言い回しの違いで結果が変動し、3か月後に同一プロンプトを実行すると異なる結果が得られました（Political Analysis, 2024）。
• Santurkarらの研究では、言語モデルが表出する意見と米国の60の人口動態グループの意見との間に顕著な乖離があることが判明しました。この乖離は特定のグループを志向するよう誘導した場合でも残り、65歳以上の層など一部のグループの意見は十分に反映されませんでした（ICML 2023）。
• 消費者調査の領域では、Brand、Israeli、Ngweの研究において、言語モデルの回答から得られた支払意欲（WTP）推計値は人間の調査結果と同等になることもあったものの、不正確な場合が多く、中にはプラスマイナスの符号が逆転するケースすらありました。同一カテゴリの過去の調査データでファインチューニングを行うと、そのカテゴリ内の新機能に対する予測精度は向上しましたが、未知の新しい製品カテゴリには効果が見られませんでした（HBS working paper, SSRN）。

これらの一連の研究から読み取れるパターンは明白です。シンセティック回答は、データ上で十分に記録されているターゲット層の、十分に文書化された態度を測る場合には高い信頼性を示します。また、回答者が実在の人々のエビデンスにしっかりとグラウンディングされている場合にも同様です。一方で、回答の分散、サブグループ間の差、新規カテゴリ、価格感度、生身の身体的経験に依存する事象などを測定する場合、その信頼性は最も低下します。

Mindsが実践する検証アプローチ

Mindsでは、検証をWebサイト上の単なる宣伝文句ではなく、プロダクトの中核機能として位置づけています。具体的には2つの取り組みを行っています。

Audience Validation：MindsのAudienceは、公開されている実調査データ、ユーザーがアップロードした調査ファイル（PDF、Excel、CSV、Word）、あるいはその両方と照合して検証できます。Mindsは、公表された回答がそのAudienceにとって正当な測定対象となる設問のみを抽出し、1回の実行で保有するMinds全体にそれらを提示します。除外された設問については、その理由とともに一覧表示されます。各調査には95%区間を伴う100点満点のスコア、出典、対象母集団が明示されます。新規Audienceはトレーニング完了後に自動検証され、いつでも再検証が可能です。これにより、一般的な精度の宣伝ではなく、これから利用しようとしている特定のターゲット層に対する妥当性を事前に確認できます。

公開再現レポート：Mindsは、5つの公開データセット（GSS 2024、ANES 2024、2024 Canadian Election Study、PISA 2022、英国食品基準庁のFood and You 2）に対する再現結果を公表しています。平均分布誤差は4.72〜8.33パーセントポイントの範囲に収まりました（全結果レポート）。各研究で使用されている調査設計は異なり、ウェイト調整が含まれるものもあるため、これらを単純に1つの精度スコアに合算すべきではありません。また同レポートでは、Food and Youの設問において、全選択肢を均等確率としたベースラインでも7.00ポイントの誤差水準に達したと指摘しています。つまり、低い誤差数値それ自体が必ずしも大きな優位性の証明になるわけではありません。手法の詳細はMindsリサーチパネルの構築方法をご覧ください。

留意すべき点：調査の公開パーセンテージと一致しているからといって、個々の回答者を正確にシミュレートできているとは限りません。また、ある調査で良好な結果が出たからといって、異なる対象層や異なる種類の質問にもそのまま適用できるわけではありません。だからこそ、実際に使用するターゲット層と具体的な課題設定の近くで検証を実施する必要があります。

他の調査手法との比較

これらの手法は、段階的に組み合わせることで真価を発揮します。シンセティック調査で選択肢を絞り込み、アンケート調査や定性調査でその候補を裏付け、実際のユーザー行動でしか判断できない最終局面をライブテストで決着させます。

シンセティック市場調査が適している場面

精度よりもスピードや網羅性が求められる場面で、この手法は力を発揮します。

• 初期段階のコンセプトおよびメッセージのスクリーニング：予算の制約上、すべてを実査にかけることができないほど多くの候補がある場合。
• 調査票の開発：実査費用を投じる前に、回答者を混乱させる表現、不足している選択肢、誘導尋問をあぶり出す場合。
• リクルートが困難または高コストなターゲット層の探索：専門性の高いB2Bバイヤーなどを対象に、デプスインタビュー前の初期仮説を得る場合。
• ポジショニング、パッケージのコピー、オンボーディング文言の高速改善：通常であれば1サイクルに数週間を要する反復検証を行う場合。
• 人間を対象とした調査の準備：仮説の構築、サンプリングすべきセグメントの選定、ディスカッションガイドのドラフト作成を行う場合。

コンセプト検証に関する具体的な活用法は、AIコンセプトテストをご覧ください。

限界：シンセティック市場調査を使うべきではない場面

以下のような場面では、リクルートした生身の人間、実測された行動データ、または確立された測定手法を用いてください。

• 代表値の推計が必要な場合：市場規模、浸透率、シェア、あるいは購入意向の正確なパーセンテージの算出など。
• 価格戦略の決定：特定の価格帯における価格弾力性や正確な支払意欲（WTP）の測定。
• 根拠の公表、規制対応、監査を伴う場合：実証が求められる広告上の主張、臨床・健康関連のクレーム、選挙予測など。
• 物理的な接触を伴う場合：製品に触れる、味わう、匂いを嗅ぐ、あるいは実物を物理的に操作する必要があるテスト。
• 対象層、カテゴリ、または行動が未開拓で新規性が高い場合：参照できる信頼性の高いデータが極めて少ない場合や、公開テキストにおいて該当層のデータが過少な場合（前述のバイアス研究では、高齢者やその他のマイノリティ層が挙げられています）。
• 後戻りのコストが極めて大きい意思決定において、この種の設問に対してシンセティックAudienceと実データとの事前検証を行っていない場合。

シンセティックな回答には「相関した誤差」というリスクも内在しています。すべての回答者が同一の基盤モデルから生成されているため、全員が同時に同じ方向へ誤る可能性があります。生身の人間はそれぞれ独立して誤りを犯しますが、シミュレーション回答者はその前提が成り立ちません。

シンセティック市場調査ツールの選定基準

ベンダーを評価する際は、耳触りの良い形容詞ではなく具体的なエビデンスを求めてください。

1. どの公開データセットを、どのような設問で再現し、誤差はどれくらいでしたか？比較対象となるベースラインは開示されていますか？
2. 独自のAudienceを実調査データと照合して検証できますか？また、どの設問がなぜ除外されたかを確認できますか？
3. 回答者はどのようにグラウンディングされていますか？属性ラベルだけですか、それとも情報ソース、統計データ、独自の調査ファイルが反映されていますか？
4. サポートされている設問タイプ（自由記述、単一選択、複数選択、評価尺度、MaxDiff）と、選択式回答の収集ロジックはどうなっていますか？
5. そのツールを「使うべきではない」用途として、どのような領域を挙げていますか？

ベンダー各社の比較についてはシンセティック市場調査ツールガイドを、調査手法全般の比較についてはシンセティックリサーチと従来の市場調査の比較をご覧ください。

Mindsの立ち位置

Mindsは、シンセティック市場調査をエンドツーエンドで実行するためのプラットフォームです。情報ソースや独自ファイルを基底としたMindsのAudienceを構築し、選択式・記述式設問やMaxDiffを用いたStudyを実行し、コンセプト、画像、Webサイト、コピーなどの刺激をテストし、結果の分析・エクスポートを行い、実調査データとAudienceの妥当性を照合します。Mindsは意思決定の方向性を定めるために設計されています。シンセティック調査を統計的な代表値へ変換する魔法のツールではありません。代表値の推計、規制上のエビデンス確保、物理的な製品テストには、今後もリクルートされた生身の人間が必要です。

出典

• Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C. and Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351.
• Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. and Larson, J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401-416.
• Brand, J., Israeli, A. and Ngwe, D. (2023). Using LLMs for Market Research. Harvard Business School working paper, SSRN 4395751.
• Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P. and Hashimoto, T. (2023). Whose Opinions Do Language Models Reflect? Proceedings of the 40th International Conference on Machine Learning.
• Park, J. S. and colleagues (2024). LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals, first released as "Generative Agent Simulations of 1,000 People". arXiv 2411.10109.
• Minds (2026). We Tested Synthetic Audiences Against Reality.

関連ガイド

• 2026年ベスト合成市場調査ツール：主要12サービスを徹底比較