2026年5月19日 · 更新于 2026年10月4日 · Research · Jerry Miller, Product at Minds
深度解析 EY 与 Aaru 战略联盟：财富管理调研成果（2026） 在 Aaru 用一天时间重现 EY 覆盖 3,600 位投资者的财富管理调研后，双方于 2026 年 9 月结成联盟。本文解析调研结果、Aaru 运作方式及关键评估点。
复制为 Markdown
EY 与 Aaru 现已建立正式合作关系。2026 年 9 月 30 日，EY 宣布 AI 行为模拟公司 Aaru 与 Ernst & Young LLP（EY US）达成战略联盟，旨在帮助客户在付诸行动前，通过模拟人群测试决策效果（EY newsroom ）。在此次结盟之前，Aaru 开展了一项盲测，仅用一天时间就重现了 EY 的《2025 年全球财富研究报告》（该报告历时 6 个月、涵盖 30 多个市场的 3,600 位富裕投资者），在 53 道单选题中取得了 0.90 的 Spearman 相关系数中位数（EY insight ）。以下事实已于 2026 年 10 月对照 EY 和 Aaru 官方页面完成核对。
对于调研采购方而言，真正关键的问题在于：这项测试究竟测量了什么、该联盟带来了哪些改变，以及如何在全托管模拟合作伙伴与自助式工具之间做出评估。本文将公开事实与营销话术剥离开来。Minds 是一家合成研究平台，也是 Aaru 的替代方案之一；我们同样会明确指出 Aaru 的模式在哪些场景下更为契合。
2025 年 8 月，EY 财富与资产管理团队向 Aaru 发起挑战，要求其在未查看调研结果的前提下重现《2025 年 EY 全球财富研究报告》。原始研究历经 6 个月实地调研，覆盖 30 多个市场的 3,600 位富裕投资者；Aaru 的案例研究称其实地调研成本达七位数美元（Aaru case study ）。
Aaru 整合来自国家人口普查、金融机构和社交媒体的人口统计、行为及情绪数据构建了模拟投资者，整个运行耗时仅一天。随后，EY 使用三项指标在 53 道匹配的单选题上对两个数据集进行了对比：
指标 公布结果 实际含义 Spearman 相关系数中位数 0.90 选项排序高度趋同 单题平均差异（RMSE） 7.1 个百分点 模拟与真实调研选项占比的典型差距 平均欧式距离 12.9 多选项回答模式间的综合距离 一致性最高领域 信任度、价值感知、个性化服务 模拟结果高度贴合真实调研的主题 差异最大领域 遗产规划（相关系数为 −37.82%）、推荐意愿、投资组合审查频率 模拟结果与真实调研出现分歧的主题
数据来源：EY insight ，2025 年 10 月。
EY 与 Aaru 认为，这些分歧恰好反映了“人们口头表达”与“实际行为”之间的脱节。当被问及是否会继续聘用父母的财务顾问时，调研中 82% 的继承人给出了肯定回答；而模拟预测该比例为 43%，EY 引用的行业研究显示实际留存率仅为 20% 至 30%。同样，69% 的受访投资者表示更偏好单一金融服务机构，模拟预测值为 37%，而 EY 指出实际仅有 33% 的高净值人士只使用一位顾问。
如何客观看待这些结果 该测试由两家当事公司自行设计并发布，并未经过同行评审或独立第三方复现。 测试仅涵盖单选题，开放式逻辑推演、定价权衡以及新产品概念测试并未纳入此次对比。 0.90 的排序相关系数中位数表明选项排序通常吻合；而 7.1 个百分点的平均差距，更能客观反映各个选项具体百分比可能存在的偏离幅度。 “模拟结果更贴近真实行为”的论点仅依托于少数几个问题和第三方行业数据支持，因此应将其视作有潜力的积极信号，而非定论证据。 2026 年 9 月 30 日宣布的联盟将 Aaru 的模拟引擎与 EY US 的行业及职能团队深度结合。据 EY 介绍，Aaru 负责生成代表特定受众的 AI Agent 群体，EY US 则协助客户将模拟输出转化为落地战略。双方首个明确的重点方向为金融服务领域，目前正围绕营销信息、产品与定价方案、销售与服务策略以及并购交易影响展开测试（EY newsroom ）。
对于采购方而言，最实际的变化在于交付路径：除了直接与 Aaru 合作，企业如今还可以通过 EY US 的咨询服务采购 Aaru，借助 EY 的行业数据与咨询团队赋能模拟流程。
Aaru 将自身定位为基于真实世界行为结果训练的行为模拟平台。在 EY 的研究中，Aaru 构建了具备决策特征行为架构的 Agent，将其置于模拟环境中并向其提出调研问题。Aaru 表示，在发生加息或竞品动作等事件后，同一模拟群体可随时重新运行，在 24 小时内预测情绪和态度的转变（Aaru case study ）。
Aaru 未公开自助式定价，合作须通过企业销售渠道或此次公布的 EY US 联盟推进。如需查看 Aaru 与自助式方案的横向对比，请参阅 Minds vs Aaru 以及更广泛的 Aaru alternatives 列表。
为了客观评估任何合成研究平台，团队必须透彻理解合成受众在统计学和方法论上的边界。合成输出具有方向性指导意义。它们无法建立统计代表性、因果证明、准确预测市场需求、判定精确支付意愿，也无法取代招募的真实受访者去完成最终的关键高风险决策验证。
模拟 Agent 会结合训练数据中的模式、人口统计先验信息以及给定的上下文生成反馈。在多场景方案测试中，它们能清晰呈现相对权衡、潜在的信息传达阻力以及定性动机逻辑。这些方向性信号有助于在投入一手调研预算之前，有效缩小待选方案的范围。
然而，合成模拟无法在以下方面替代实证现实：
代表性：大语言模型 Persona 无法在具备统计代表性的前提下，精确复现目标人群的人口统计学和心理特征分布。 因果证明：针对孤立刺激模拟反馈，并不能隔离因果机制，也无法涵盖现实世界中的混杂变量。 需求预测：模拟陈述的偏好无法准确预测实际采用率、市场渗透率或采购量。 支付意愿：合成 Agent 不承担真实的财务约束，因此定价模拟无法测定绝对价格弹性。 关键高风险最终验证：核心战略动作、重大资金分配和公开信息披露，仍然需要招募真实受访者进行验证。 将合成输出视为迭代式、探索性的前期参考，而非确定性的终局预测，能够防止团队在管理层决策中过度依赖合成数据。
引入合成研究时，企业买方通常在两种运营模式之间权衡：全托管咨询服务与自助式模拟平台。
全托管咨询服务（例如 EY US 与 Aaru 联盟）由外部专属团队主导，负责配置定制 Agent 群体、接入企业专有数据、校准模拟过程并交付经过提炼的战略报告。该模式适用于全面企业转型、情景规划以及复杂的战略举措，适合倾向于由专业顾问机构统筹建模流程的组织。
自助式软件平台则将模拟能力直接交付给内部产品经理、用户研究员（UXR）和品牌营销人员。内部团队可自主配置专属受众（Audiences）、按需测试方案概念，无需等待漫长的咨询周期即可开展结构化研究。该模式更注重产品全生命周期中的响应速度、自主权与持续迭代测试。
最佳选择取决于团队架构。拥有内部研究人员、需要日常高频迭代信息或功能的组织更适合自助式工具；而寻求外包战略规划的组织则往往更偏好全托管咨询服务。
维度 全托管咨询服务 自助式平台 主要用户 高管赞助人、外部战略顾问 业务线市场研究员、产品经理 执行节奏 基于项目的数周战略周期 持续、按需的研究迭代 工作流控制权 外部团队负责搭建与分析 研究员直接掌控 Audiences 与 Studies 理想应用场景 情景分析、企业整体转型 概念初筛、信息测试、优先级排序
Minds 是商业合成研究的端到端平台。它为内部产品与 UX、服务设计、市场研究、客户心声（VoC）、营销、创新以及代理商团队赋予了全流程掌控力，覆盖从受众创建、调研规划，到物料测试、定性与受支持的定量研究方法、对比分析及数据导出的完整环节。测试物料可支持启用的 Figma 设计稿、网站与应用流程、图片、视频、文案、演示文稿、问卷和概念方案。
在 Minds 内部，团队可以构建由 AI Persona 组成的可复用受众群（称为 Minds），并开展涵盖开放题、单选、多选和量表题的 Studies。研究人员既可以对单个 Mind 进行深度访谈，也可以一次性收集整个 Audience 的群体反馈，跨会话完整保留上下文语境。
针对结构化定量测试，Studies 支持用于相对优先级排序的 MaxDiff、用于多属性权衡的联合分析、用于功能分类的 Kano 模型，以及用于定价测试的 Van Westendorp 与 Gabor-Granger。与 EY 的测试类似，Minds 能将模拟回答与真实调研结果进行比对：Audience Validation 可根据已发布的调研或企业自有的调研文件为每个 Audience 评分，提供百分制得分、95% 置信区间以及未纳入评分的问题明细。
Minds 从不宣称其输出具备统计代表性。真实用户观察、物理或感官测试、法规要求的实证数据以及最终关键决策验证，可按需对该工作流形成有效补充，但这并不影响 Minds 作为全流程平台的完备性。Minds 采用自助服务模式，提供每条回答 $0.12 的 Pay as you go 方案；而在需要由咨询顾问主导全托管模拟以服务重大战略决策时，Aaru 则是更为契合的选择。
在评估合成研究软件或全托管模拟供应商时，采购与洞察团队可参考涵盖四大支柱维度的评估框架。
评估支柱 核心核验要求 1. 全托管咨询还是自助平台 明确内部技能储备、外部专业服务需求以及交付时效预期 2. 方法论与研究配置能力 确认是否支持 MaxDiff 与联合分析等结构化设计，且将开放式对话与方法学运行严格隔离 3. 证据核验与可审计性 核验 Agent Prompt、完整回答分布数据以及支持版本控制的 Persona 定义 4. 真人验证闭环路径 为最终核验设定样本招募机制，重大高风险决策必须依托实时实证数据把关
支柱 1：交付模式匹配度 买方必须明确自身需要的是战略咨询支持还是长期的研究赋能。全托管服务适合阶段性、高规格的评估项目，能够满足管理层对于端到端交付物的诉求。自助式平台则适合业务线内的日常团队，满足其持续进行概念初筛、叙事迭代以及 Persona 互动的需求。
支柱 2：结构化研究方法 仅凭探索性对话无法支撑定量的权衡决策。需核验平台是否支持规范的研究设计（例如用于功能重要性排序的 MaxDiff、用于多属性方案包的联合分析），以及平台是否将非正式的提问与严谨的实验设计明确区分开来。
支柱 3：证据核验与可审计性 企业级治理要求合成结论的推导过程具备透明度。需确认是否能够审查 Persona Prompt、人口统计学假设和原始交互记录，并核实供应商是否明确公布其准确度指标的计算定义，正如 EY 公布 Spearman 相关系数、RMSE 和欧式距离那样。
支柱 4：真人验证规程 将合成模拟定位为漏斗前期的筛选过滤工具，而非实地调研的替代品。应明确界定：在何种情况下可以依据具有方向性的合成数据推进项目，在何种情况下必须通过真人样本库进行验证。重大产品发布、合规申报和核心定价调整，均应首先通过招募的真人验证关卡。
成熟的研究技术栈不会依赖单一供应商或单一方法。它将合成研究定位为上游的加速引擎，从而让下游的真实用户招募变得更为精准聚焦。
在需求探索阶段，研究人员利用 AI Persona 摸索客户表达习惯、梳理潜在异议并构思价值主张。在概念初筛阶段，团队在合成 Audiences 上运行 MaxDiff 或联合分析等结构化方法，从数十个概念方案中迅速筛选出精简候选池。
随后，入围方案进入真人样本库测试。由于低吸引力方案和表意不清的信息已在早期被过滤剔除，真人实地调研的成本得以大幅压缩，调研精力也更聚焦于对最终结论的验证。
在恪守严谨方法学边界的前提下，将 Minds 等自助式工具与严格的真人验证机制相结合，洞察团队能够在保障决策严谨性的同时大幅提高研究流转速度。准备好体验结构化合成研究的团队可以注册获取使用权限 。
