2026 年市场调研的主导问题不再是"合成调研够不够好"，而是"哪些工作流适用，加上什么护栏"。由 AI 智能体驱动的合成面板，如今已是一个真实的品类，背后有足够多的部署量，能给出关于优劣的诚实回答。

本文比较合成面板（用 AI 人物角色代表目标客户，智能体可在数秒内查询）和真实招募面板（招募并激励真实人类，研究员需要数天才能查询）。这是从合成这一侧写出来的，但目的不是赢得辩论，而是对正在做选择的买家有用。

两种形态各自是什么

合成面板。 AI 人物角色是目标客户的结构化表征，可基于公开档案数据、内部 CRM 数据、过往调研或一段书面 brief 构建。面板就是一组人物角色。智能体通过 MCP 工具查询面板；每个人物角色生成一个回答，近似于该细分市场中真实客户会如何回答。每次查询的成本是几美元或几美分。每次查询的耗时是数秒。

真实招募面板。 通过面板供应商招募符合目标筛选条件的真人，用现金或礼品卡激励，让他们回答问卷、参加访谈或焦点小组。每项研究的成本从数百美元（通过面板平台做的快速问卷）到数万美元（针对小众细分高管的有主持人的定性研究）。每项研究的耗时是一天到数周。

二者不是同一种产品。在某些用例里有重叠，在另一些用例里没有。

合成赢在哪

速度。 完整的差距是分钟级 vs. 周级。对那些受益于把同一项研究在多种变量下反复跑的工作流（信息测试、概念回合、广告变体验证），合成是唯一可行的形态。

规模化的成本。 一个传统的品牌追踪研究每季度跑一次，每一波要花 5 万美元起步。同一个追踪研究改用合成面板每周跑一次，每一波只要 50 美元。经济结构把问题从"我们要不要再跑一次"翻转成了"我们到底要不要停下来"。

迭代。 不好的 brief 在合成调研中几分钟内就会显形。研究员迭代的是问题本身，而不是招募。在真实招募面板里，你只有等到第一轮回答返回才发现 brief 错了，而那时预算已经花光。

覆盖那些不可触达的细分市场。 有些细分市场在量上几乎招募不到：特定公司的高级管理层、小众垂直里的中端 B2B 买家、各种边缘人物画像。合成面板能把这些细分建模到对早期信号足够好的程度，即便真实招募完全不可能。

隐私敏感的语境。 医疗工作流、受监管行业，以及真实招募有识别风险的内部员工调研，都受益于不产生 PII 的合成方法。

真实招募赢在哪

行为真相。 合成面板能复制陈述的偏好、声明的态度、清晰表达的推理。它们在预测行为上更弱：人到底会点什么、买什么、放弃什么。对那些根本上是行为问题的研究（"他们会按这个价格注册吗"），带真实转化测量的真实招募面板仍是黄金标准。

训练数据中没有的新语境。 当一个品类是新的，当买家行为变化得比模型训练数据更快，当一个竞争对手发布了模型从未见过的东西，合成回答就会落后于现实。真实招募面板能捕捉这种偏移。

高风险的单决策研究。 当一项研究要驱动一个高成本的单一决策（一次发布、一次定价调整、一次定位下注），单靠合成的校准风险太高。要用真实招募来验证。

用真实世界数据做三角验证。 与其他工具（分析、面板、销售数据）有意挂钩的真实招募研究，会以合成单独做不到的方式累积。真实人给出的理由可以与他实际做了什么交叉对照。

你要对外引用的定量结论。 对要发布的数字（"37% 的买家说 X"），有记录在案的抽样的真实招募研究经得起推敲。合成数字作为独立的对外引用更弱。

这种比较容易误导的地方

公平的比较必须承认这套框架在哪里会破。

真实招募调研往往比人们记忆中的更糟。 在线面板里有快答者、欺诈以及为奖励而非洞察作答的人。"真人"的下限在某些领域比合成高，在另一些领域更低。把真实招募的回答与合成的交叉验证，往往会发现真实招募才是更嘈杂的来源。

合成的准确度高度依赖平台。 把"合成面板"当成单一一类东西在引用，会抹平巨大的差异。一个用丰富的第一方数据构建人物画像、再对历史调研数据做验证的平台，与一个用"扮演一位 35 岁的营销经理"提示一个基础 LLM 的平台，行为差异巨大。把平台当变量看，而不是把方法论当变量。

准确度基准会随时间漂移。 合成对历史真实招募调研那 80% 到 95% 的公开准确度区间会上下浮动，因为模型在变、训练数据在老化、真实招募调研本身也在变（例如 Gen-AI 开始渗入人类回答问卷的方式）。要在你自己的语境里验证，不要照搬一个公开数字。

一个实用的决策框架

对 2026 年任何单个研究问题，靠得住的框架：

只用合成的时机： 目标是方向性的、迭代的或比较性的。概念测试回合。信息变体。受众探索。竞争格局梳理。预研阶段的范围界定。任何"能跑十次而不是一次"才更有收益的事。

只用真实招募的时机： 目标是有钱压上的行为预测。为单次决策做的定价研究。转化测试。任何会变成对外公开统计的东西。

两者按顺序一起用的时机： 预算允许，且决策很重要。先跑合成，用来打磨 brief、收紧假设、识别正确的细分。然后针对收紧后的问题跑一次真实招募研究。真实招募研究的成本会下降，因为你问的问题更好；对结果的信心会上升，因为你已经用合成做过三角验证。

这种顺序是这个品类里最被低估的模式。多数团队要么只做合成跳过真实招募，要么只做真实招募跳过合成。按这个顺序两者都做的团队，能拿到二者中的最好。

智能体工作流改变了什么

MCP 和智能体调研的到来，以两种不那么显而易见的方式改变了这笔账。

第一，跑合成的边际成本掉到接近零。智能体可以把同一个面板问题用五个变体，作为工作流里的常规一步去跑，而不是一项有计划的研究。这让合成成为任何带有客户感知成分的决策的默认第一道筛子，包括那些在真实招募模型下根本不会立项做调研的决策。

第二，跑真实招募的成本基本不变。智能体可以编排真实招募的研究（订面板、发问卷、解析结果），但真实招募研究的人力时间成本是绑死的限制，这没法移动。所以在智能体模型下，合成与真实招募的相对成本比会以数量级扩张。预期合成会吞下比上面那个框架所建议的更多比例的工作流，单纯因为人体工学无可匹敌。

收尾

合成面板不是真实招募调研的替代品，而是一层新的、坐落在它之前、之上、之外的东西。把它们当成严格替代或严格补充的团队，会错过当两者都能被智能体调用时浮现出来的那种工作流：合成持续地跑，真实招募有意识地跑，智能体编排两者之间的边界。

对于正在搭建这套东西的团队：Claude、ChatGPT、Cursor 分步指南覆盖合成这一侧。品类总览见智能体市场调研：定义。至于总会被问的信任问题（"我们怎么知道合成输出是好的？"），见我们的姊妹文章验证智能体调研输出。

2026 年智能体调研中的合成面板 vs. 真实招募面板