YAPAY ZEKÂ TÜKETİCİYİ TAKLİT EDEBİLİR, AMA YERİNE GEÇEMEZ
Yapay zekâ destekli sentetik tüketiciler araştırmayı hızlandırıyor. Ancak yeni çalışmalar, gerçek değerlerinin insan araştırmasının yerine geçmekten çok onu ölçeklendirmekte olduğunu gösteriyor.
2026-10-26 12:27:28 - Arastiriyorum
Bir ürün fikrini test etmek istediğinizi düşünün.
Katılımcıları bulacaksınız. Görüşmeleri planlayacaksınız. Saha çalışmasını yapacaksınız. Verileri analiz edeceksiniz. Sonuçları yönetime sunacaksınız.
Bütün bunlar yapılırken rakip yeni ürününü çoktan piyasaya çıkarmış olabilir.
Yapay zekâ destekli “sentetik tüketici” fikrinin bu kadar hızlı ilgi görmesinin nedeni tam olarak bu. Büyük dil modellerine belirli tüketici özellikleri veriliyor ve modelden bu tüketici gibi davranması, ürünleri değerlendirmesi, soruları yanıtlaması veya satın alma kararlarını simüle etmesi isteniyor.
Saatler içinde yüzlerce hatta binlerce sanal görüşme yapılabiliyor.
İlk bakışta soru kaçınılmaz:
Gerçek tüketicilere artık ne kadar ihtiyacımız var?
Araştırmaların verdiği cevap giderek daha netleşiyor:
Hâlâ çok fazla.
Ancak gerçek tüketiciden elde ettiğimiz bilginin nasıl kullanıldığı değişmeye başlıyor.
Sentetik tüketici, bir yapay zekâ modelinin belirli bir tüketici profili adına yanıt üretmesidir.
Modelin önüne yaş, gelir, yaşam tarzı, marka tercihleri veya geçmiş davranışlar gibi bilgiler konabilir. Daha gelişmiş sistemlerde psikografik özellikler, önceki araştırma verileri, görüşme kayıtları ve davranış kalıpları da bu profile eklenebilir.
Sonra modele sorular yöneltilir:
Bu ürünü alır mıydın?
Bu reklam sana ne hissettiriyor?
Bu fiyat pahalı mı?
Hangi marka sana daha güvenilir geliyor?
Buradaki cazibe açık: katılımcı bulmak yok, saha beklemek yok ve aynı senaryo defalarca çalıştırılabiliyor.
Harvard Business School araştırmacıları James Brand, Ayelet Israeli ve Donald Ngwe'nin çalışmaları da büyük dil modellerinin özellikle bilinen ürün kategorilerindeki ortalama tüketici tercihlerini belirli koşullarda yaklaşık olarak yeniden üretebildiğini gösteriyor. Bu nedenle araştırmacılar sentetik tüketicileri özellikle erken aşamadaki fikirlerin hızlı biçimde elenmesinde potansiyel bir araç olarak görüyor.
Ancak “ortalama tüketiciyi yaklaşık olarak modellemek” ile “insan davranışını modellemek” aynı şey değil.
İşin kritik noktası burada başlıyor.
Sentetik araştırmalarla ilgili en dikkat çekici çalışmalardan biri Cambridge University Press tarafından yayımlanan Synthetic Replacements for Human Survey Data? The Perils of Large Language Models araştırması.
Araştırmacılar yapay zekâya gerçek Amerikan seçmenlerinin demografik özelliklerinden oluşturulmuş profiller vererek kamuoyu yanıtları üretmesini istedi.
İlk sonuç etkileyiciydi.
Yapay zekânın ürettiği ortalama değerler gerçek insanların ortalamalarına oldukça yakındı.
Sorun biraz daha derine bakıldığında ortaya çıktı.
Sentetik yanıtların çeşitliliği gerçek insanlardan daha düşüktü. İnsanların uçlarda kalan görüşleri yeterince temsil edilmiyordu. Demografik özelliklerle görüşler arasındaki ilişkiler incelendiğinde ise sentetik verilerden elde edilen regresyon katsayılarının yüzde 48'i gerçek anket sonuçlarından istatistiksel olarak farklıydı. Bu farklı sonuçların yaklaşık üçte birinde ilişkinin yönü bile değişiyordu.
Bu bize önemli bir şey söylüyor.
Bir yapay zekâ:
“Genel olarak insanlar ne düşünüyor?”
sorusunda şaşırtıcı derecede başarılı olabilir.
Ama:
“Hangi insanlar neden farklı düşünüyor?”
sorusunda aynı güveni vermez.
Pazar araştırması açısından ikinci soru çoğu zaman ilkinden daha değerlidir.
Çünkü fırsatların büyük bölümü ortalamada değil, farklılıkların içinde saklıdır.
Büyük dil modellerinin çalışma biçimini düşündüğümüzde bunun çok şaşırtıcı olmadığını düşünüyorum.
Bu modeller çok büyük miktarda insan üretimi metinden öğreniyor ve belirli bir bağlamda olası yanıtları tahmin ediyor.
Bu mekanizma onları kültürel olarak “makul” cevaplar üretmekte son derece başarılı hale getiriyor.
Ama gerçek insanlar her zaman makul davranmıyor.
İnsanlar çelişiyor.
Bir ürünü sevdiğini söyleyip satın almıyor.
Daha pahalı ürünü mantıksız olduğu halde tercih ediyor.
Bir markadan nefret ettiğini söyleyip kampanya görünce satın alıyor.
Toplumdaki azınlık görüşleri de zaten çoğu zaman istatistiksel merkezin dışında oluşuyor.
Dolayısıyla sentetik tüketicinin temel riski tamamen yanlış cevap vermesi değil.
Daha tehlikeli olan şu:
İkna edici derecede makul cevap vermesi.
Ve araştırmacının bu düzgün cevabı gerçek dünyanın karmaşıklığıyla karıştırması.
Sentetik araştırmalar konusunda en önemli gelişmelerden biri de 2025 yılında Marketing Science dergisinde yayımlanan Twin-2K-500 veri seti.
Araştırmacılar ABD'deki 2.058 kişiye 500'den fazla soru yöneltti.
Demografik bilgilerden kişilik özelliklerine, bilişsel yeteneklerden ekonomik tercihlere ve davranışsal ekonomi deneylerine kadar son derece geniş bir veri toplandı. Katılımcılar ortalama 2,42 saatlik veri üretti.
Bu veriler daha sonra her kişi için yapay zekâ tabanlı “dijital ikizler” oluşturmak amacıyla kullanıldı.
İlk testlerde dijital ikizlerin tahmin performansı, insanların kendi cevaplarının zaman içindeki tutarlılığıyla karşılaştırıldığında test-tekrar test referans performansının yüzde 88'ine kadar ulaşabildi.
Bu sonuç önemli.
Ama bence rakamdan daha önemli olan araştırmanın tasarımı.
Araştırmacılar yapay zekâya sadece:
“35 yaşında, evli, orta gelirli bir tüketicisin.”
demedi.
Her insan hakkında yüzlerce veri noktası topladı.
Başka bir ifadeyle:
İyi dijital ikiz üretmek için önce çok iyi insan verisi üretmek gerekti.
Buradaki paradoks dikkat çekici.
Sentetik araştırmayı geliştirdikçe insan araştırmasına duyulan ihtiyaç ortadan kalkmıyor.
Tam tersine, kaliteli insan verisinin değeri artıyor.
Geleneksel persona yaklaşımında tüketicileri çoğu zaman şu şekilde tanımlarız:
35 yaşında.
Evli.
İki çocuklu.
İstanbul'da yaşıyor.
Aylık geliri belirli bir aralıkta.
Ancak bunların hiçbiri tek başına bize o kişinin neden belirli bir markayı seçtiğini söylemez.
Karar mekanizmasını anlamak için başka şeyleri bilmemiz gerekir:
Neye güveniyor?
Hangi riskleri önemsiyor?
Fiyat ile kalite arasında nasıl bir denge kuruyor?
Hangi bilgi kaynaklarına güveniyor?
Satın alma kararını kimlerle konuşuyor?
Hangi durumlarda fikrini değiştiriyor?
Nerede tereddüt ediyor?
İşte sentetik tüketici modelleri de ancak bu karar mantığıyla beslendikleri zaman anlamlı hale geliyor.
Kısacası mesele persona üretmek değil.
Karar mekanizmasını modellemek.
Sentetik araştırmalar üzerine yapılan başka bir çalışma bu konuda oldukça ilginç bir yöntem öneriyor.
9.300 gerçek tüketici yanıtından oluşan 57 kişisel bakım araştırmasının kullanıldığı deneylerde araştırmacılar, yapay zekâdan doğrudan:
“Bu ürünü 1 ile 5 arasında değerlendir.”
demek yerine önce doğal dilde yorum yapmasını istedi.
Daha sonra bu metinler semantik benzerlik yöntemiyle Likert ölçeğine dönüştürüldü.
Sonuçta yöntem insanlardaki test-tekrar test güvenilirliğinin yaklaşık yüzde 90'ına ulaşırken yanıt dağılımları da doğrudan sayısal soru yöntemine göre çok daha gerçekçi hale geldi.
Bu bulgu bana araştırmanın geleceği açısından özellikle önemli geliyor.
Çünkü büyük dil modellerinin doğal çalışma alanı zaten sayı üretmek değil.
Dil üretmek.
Dolayısıyla:
“1 ile 5 arasında kaç verirsin?”
yerine:
“Bunu neden satın alır veya almazdın?”
sorusu daha değerli olabilir.
Ardından bu anlatı sistematik biçimde kodlanabilir.
Bu aynı zamanda klasik araştırmada yıllardır bildiğimiz bir gerçeğin yeni teknolojiyle yeniden keşfedilmesi:
İnsanların nedenlerini anlamadan yalnızca skorlarını bilmek çoğu zaman yeterli değildir.
Persona üretimi üzerine yapılan başka çalışmalar da benzer bir noktaya ulaşıyor.
Synthia isimli yaklaşımda araştırmacılar sanal personaları gerçek sosyal medya kullanıcılarının paylaşımlarına bağladı. Bu yöntem farklı toplumsal gruplardaki görüş dağılımlarını önceki sentetik persona yöntemlerinden daha başarılı biçimde yeniden üretti.
Population-Aligned Persona Generation çalışması ise persona kümelerinin gerçek nüfus dağılımlarıyla sistematik biçimde hizalanmasının simülasyondaki popülasyon yanlılığını önemli ölçüde azaltabildiğini gösteriyor.
İki araştırmanın ortak mesajı aynı:
Prompt ne kadar güzel yazılmış olursa olsun, model gerçek dünyaya bağlanmadığı sürece üretilen tüketici gerçeğin temsili olmaktan çok, istatistiksel olarak ikna edici bir karakterdir.
Garbage in, garbage out deyimi yapay zekâ çağında eskimedi.
Sadece daha güzel cümleler kuran garbage out üretmeye başladık.
Sentetik tüketici araştırmalarındaki sorun yalnızca persona kalitesiyle de sınırlı değil.
George Gui ve Olivier Toubia'nın nedensel çıkarım üzerine yaptığı çalışma oldukça ilginç bir başka problemi gösteriyor.
Bir araştırmada fiyat rastgele değiştirilip yapay zekâya tüketicinin ürünü satın alıp almayacağı sorulduğunda model her zaman fiyatı deneysel bir değişken olarak algılamıyor.
Örneğin çok düşük fiyat görünce kendi kendine şu tür ek açıklamalar üretebiliyor:
Ürün kalitesiz olabilir.
Son kullanma tarihi yaklaşıyor olabilir.
Rakip daha iyi ürün çıkarmış olabilir.
Böylece araştırmacının değiştirmediği değişkenleri model zihninde değiştiriyor.
Sonuçta insanlarda beklenen aşağı yönlü talep eğrisi yerine anlamsız sonuçlar ortaya çıkabiliyor. Araştırmacılar bu nedenle yapay zekâ deneylerinde deney tasarımının modele açık biçimde anlatılmasının sonuçları önemli ölçüde iyileştirebildiğini gösteriyor.
Bu da başka bir uyarı:
İnsanlar için geliştirdiğimiz araştırma metodolojisini yapay zekâya aynen uygulamak zorunda değiliz.
Sentetik araştırma kendi metodolojisini gerektiriyor.
Bana göre araştırmaların ortak yönü oldukça net bir mimariye işaret ediyor.
İlk katman insanlardan oluşmalı.
Derinlemesine görüşmeler.
Etnografik çalışmalar.
Anketler.
Davranış verileri.
Sosyal ve kültürel bağlam.
Satın alma yolculukları.
Çelişkiler.
Uç görüşler.
Bu katmanda amaç yalnızca tüketicinin kim olduğunu değil, nasıl karar verdiğini anlamak olmalı.
İkinci katmanda bu bilgiler yapılandırılabilir.
Karar tetikleyicileri.
Motivasyonlar.
Engeller.
Değer algıları.
Güven kaynakları.
Marka işaretleri.
Alternatifler arasındaki ödünleşmeler.
Buradan farklı tüketici gruplarının karar modelleri oluşturulabilir.
Üçüncü katmanda ise yapay zekâ devreye girer.
Artık modele:
“Bana 30 yaşında bir tüketici yarat.”
demiyoruz.
Bunun yerine gerçek araştırmadan çıkartılmış karar mantığını veriyoruz.
Ardından yüzlerce senaryo çalıştırabiliriz.
Fiyat değişirse ne olur?
Rakip yeni ürün çıkarırsa?
Mesaj değişirse?
Ambalaj değişirse?
Yeni özellik eklenirse?
Yeni reklam fikri bu grubun hangi hassasiyetlerine dokunur?
İşte burada sentetik tüketici gerçekten değer üretmeye başlıyor.
Bugünkü araştırma sürecini kabaca şöyle düşünebiliriz:
Araştırma → karar → yeni araştırma → yeni karar
Sentetik modeller olgunlaştıkça süreç şöyle olabilir:
İnsan araştırması → model → yüzlerce simülasyon → karar → doğrulama → model güncelleme
Bu küçük bir değişiklik değil.
Araştırmanın ekonomik modelini değiştirebilir.
Çünkü pahalı olan temel insan araştırmasının değeri tek bir raporla sona ermez.
Aynı bilgi altyapısı farklı ürün fikirlerinin, kampanyaların ve senaryoların değerlendirilmesinde tekrar kullanılabilir.
Burada yapay zekânın asıl kazancı insanı araştırmadan çıkarmak değil, bir kez elde edilen insan bilgisinin yarı ömrünü uzatmak olabilir.
Bugünkü kanıtlarla sentetik tüketicilerin en mantıklı kullanım alanları düşük ve orta riskli keşif çalışmaları gibi görünüyor.
Yeni fikirleri hızlıca karşılaştırmak.
Mesaj alternatiflerini elemek.
Reklam konseptlerini ön değerlendirmeden geçirmek.
Araştırma öncesi hipotez üretmek.
“Fiyat değişseydi ne olurdu?” gibi senaryoları araştırmak.
Var olan araştırmadan yeni sorular üretmek.
Farklı tüketici gruplarının olası tepkilerini karşılaştırmak.
Buna karşılık bazı kararları tamamen sentetik tüketicilere bırakmak için elimizde henüz yeterli kanıt yok.
Büyük yatırım kararları.
Nihai ürün lansmanı.
Pazar büyüklüğü tahmini.
Talep tahmini.
Tamamen yeni kategoriler.
Azınlık veya nadir davranışların analizi.
Regülasyona bağlı kararlar.
Bireysel davranış tahmini.
Bu noktalarda gerçek insan verisinin yerini doldurmak çok daha zor. GreenBook makalesindeki uygulama deneyimi de aynı ayrımı savunuyor: sentetik modeller keşif ve hızlı eleme için kullanılabilir, ancak hata maliyetinin yüksek olduğu kararlarda insan doğrulaması korunmalı.
Sentetik tüketici tartışmasının Türkiye gibi pazarlar açısından ayrı bir boyutu olduğunu düşünüyorum.
Çünkü büyük dil modellerinin önemli bölümü küresel internet verileriyle eğitiliyor ve Batı pazarlarının dijital izi çok daha güçlü.
Oysa Türkiye'de tüketici davranışını belirleyen:
bölgesel farklılıklar,
gelir oynaklığı,
yüksek enflasyon deneyimi,
aile içi karar mekanizmaları,
kampanya hassasiyeti,
marka güveni,
geleneksel ve dijital kanal karışımı
gibi unsurlar Batı Avrupa veya ABD'deki tüketicilerden ciddi biçimde ayrışabiliyor.
Hindistan ve APAC'ta yapılan saha uygulamalarında da hazır sentetik platformların kültürel ve bölgesel ayrıntıları yakalamakta zorlandığı belirtiliyor.
Bu nedenle Türkiye için kullanılacak sentetik tüketici modellerinde yerel birinci taraf araştırma verisinin değeri çok daha yüksek olabilir.
Belki de önümüzdeki dönemde araştırma şirketlerinin en değerli varlığı kullandıkları yapay zekâ modeli olmayacak.
Yıllardır topladıkları, temizledikleri ve bağlamlandırdıkları insan verisi olacak.
Çünkü aynı modeli herkes satın alabilir.
Ama aynı insan bilgisini herkes satın alamaz.
Sentetik tüketiciler pazar araştırmasını ciddi biçimde değiştirebilir.
Ama bugün elimizdeki çalışmalar bana insan katılımcılarının ortadan kalktığı bir gelecek göstermiyor.
Tam tersini gösteriyor.
İyi yapay zekâ simülasyonları için daha iyi insan araştırmasına ihtiyacımız var.
Gerçek tüketiciler kültürü, bağlamı, çelişkiyi ve beklenmeyen davranışı ortaya çıkarıyor.
Yapay zekâ ise bu bilgiyi ölçeklendiriyor, yeniden kullanılabilir hale getiriyor ve araştırmacının daha fazla senaryoyu çok daha hızlı değerlendirmesini sağlıyor.
Bu yüzden bence yanlış soru:
“Yapay zekâ tüketicilerin yerini alabilir mi?”
Daha doğru soru şu:
“Gerçek tüketicilerden öğrendiklerimizi yapay zekâyla ne kadar ileri taşıyabiliriz?”
Pazar araştırmasının geleceği muhtemelen insan ile makine arasındaki seçim olmayacak.
İnsanın gerçeği ortaya çıkardığı, yapay zekânın ise o gerçeğin sınırlarını araştırdığı bir model olacak.