Etter hvert som flere organisasjoner begynner å eksperimentere med syntetiske agenter i atferdstesting, dukker det opp et viktig spørsmål. Et scenario for å illustrere utfordringen: Et team tester en kampanje, en produktendring eller et policytiltak ved hjelp av KI-simuleringer, og kjører utallige varianter mot syntetiske agenter designet for å representere målgruppen. Resultatene ser lovende ut: høyt engasjement, endrede holdninger og lite motstand. Ledelsen godkjenner. Måneder senere går ikke lanseringen som forventet. Var simuleringen rett og slett for optimistisk?
Å forstå hva disse systemene fanger opp, og hva de går glipp av, blir stadig viktigere ettersom syntetiske agenter blir en del av produktutvikling og beslutningstaking.
Syntetiske agenters overtalelsesgap
Nyere forskning tyder på at syntetiske agenter allerede kan imitere mennesker overraskende godt i visse sammenhenger. Park et al. (2024) fant at deres generative agenter traff folks svar på spørreundersøkelser nesten like godt som de samme personene traff sine egne svar to uker senere. For denne typen oppgave er resultatene imponerende. Men å svare på et spørsmål i en spørreundersøkelse er ikke det samme som å ta beslutninger i øyeblikket. Reelle beslutninger formes av stress, tidspress, sult, distraksjoner og dusinvis av små kontekstuelle faktorer som spørreundersøkelser sjelden fanger opp.
Syntetiske agenter har potensial til å omforme hvordan organisasjoner tester ideer. Flere varianter kan testes tidligere og til en brøkdel av kostnaden ved tradisjonell forskning. Problemet er at noen LLM-baserte agenter ser ut til å overvurdere hvor mye folks holdninger eller atferd faktisk vil endre seg som reaksjon på et tiltak. Mange nåværende systemer er bygget på modeller designet for å være hjelpsomme, responsive og koherente, med forenklede representasjoner av hukommelse og identitet. Verktøyene er ikke nødvendigvis "ødelagte" – de fanger bare ikke fullt ut opp rotet i det virkelige livet.
Nyere studier viser et mer nyansert bilde. Malberg et al. (2025) fant at de evaluerte LLM-ene var mer villige enn mennesker til å bevege seg bort fra et eksisterende alternativ, i stedet for å vise den status quo-skjevheten som vanligvis observeres i menneskelig beslutningstaking. Samtidig viste Echterhoff et al. (2024) at språkmodeller kan vise beslutningsmønstre som ligner kjente kognitive skjevheter hos mennesker, inkludert framing, forankring og primacy-effekt (at det som presenteres først, veier tyngst). Med andre ord: syntetiske agenter kan virke påfallende menneskelige, samtidig som de oppfører seg annerledes på viktige punkter. Denne forskjellen blir særlig tydelig i overtalelsesoppgaver. En studie fra 2025 av Doudkin, Pataranutaporn og Maes testet dette i en klimakontekst, ved å kjøre de samme chatbotene med ulike overtalelsesstrategier på ekte mennesker, simulerte mennesker og fullt syntetiske personaer. Funnene viste et klart mønster: de ekte menneskene beveget seg nesten ikke, mens de syntetiske og simulerte endret standpunkt betydelig. Forfatterne kaller dette «det syntetiske overtalelsesparadokset» (the synthetic persuasion paradox). Samlet vekker disse funnene viktige spørsmål om hvor godt dagens simuleringer faktisk representerer menneskelig beslutningstaking under reelle forhold. Når optimistiske resultater kommer pent presentert som data, særlig når alle i rommet allerede heier på at det skal fungere, er de overraskende vanskelige å stille spørsmål ved. Vi vil tross alt tro på de gode nyhetene.
Hvorfor kontekst har betydning
La oss starte med et eksempel: Laura. Som en persona er hun en 34-årig yrkesaktiv kvinne som verdsetter effektivitet og som vanligvis følger den beste ruten til jobb. Men en morgen er hun sent ute, det regner, plattformen er overfylt, og hun er frustrert. Hun sjekker telefonen, ser en varsling om forsinkelse, og har ikke mental kapasitet igjen til å tenke det gjennom. Hun følger mengden, ignorerer skiltene, og tar det raskeste synlige alternativet, ikke det optimale. En persona fanger hva Laura foretrekker, men sier ingenting om hva hun faktisk gjør når hun bare vil bort fra plattformen.
Folk møter sjelden beslutninger med et blankt utgangspunkt. Hver beslutning formes av tidligere erfaringer (priors), vaner, emosjoner og kontekst. Likevel er mye av dette fortsatt vanskelig å fange opp i dagens simuleringer.
Utover personaen
De fleste rammeverkene på markedet fanger opp hvem noen er, men ikke nødvendigvis tilstanden personen er i når beslutningen tas. Selv sofistikerte personaer bygget på rik kundedata sliter med å fange hvordan kontekst former atferd i øyeblikket.
Intervjubaserte digitale tvillinger ser ut til å hjelpe. En uavhengig gjennomgang observerte at intervjubaserte agenter reduserer demografisk skjevhet sammenlignet med personabaserte modeller (Nielsen Norman Group, 2025). Men datarikdom alene er ikke nok hvis den underliggende arkitekturen fremdeles behandler agenter som rasjonelle, kontekstfrie oppdaterere. Å modellere interne tilstander mer eksplisitt kunne gjort simuleringene mer realistiske. Dagens modeller sliter imidlertid fremdeles med å representere variasjonen og konteksten som former reelle menneskelige beslutninger. Dette påvirker ikke bare hvor presist de predikerer atferd. Det former også hvordan organisasjoner tolker og bruker resultatene. Over tid kan simuleringsresultater begynne å bli behandlet som bevis i stedet for hypoteser.
Bain & Company (2025) rapporterer at å kombinere syntetiske kunder med research på ekte mennesker kan gi sammenlignbare innsikter på omtrent halvparten av tiden, til omtrent en tredjedel av kostnaden. For øyeblikket er simulering mest verdifullt for å prioritere hva som er verdt å teste på mennesker. Etter hvert som modellene blir bedre til å representere både identitet og tilstand, kan denne rollen utvides.
En avsluttende tanke
KI-simulering vil fortsette å vokse som verktøy for atferdstesting, det er ikke tvil om. Og det er lett å se hvorfor. Det som er mer interessant, er om organisasjoner forstår hva verktøyet faktisk fanger opp og hva det går glipp av. Noen syntetiske agenter yter fortsatt ikke motstand på den måten mennesker gjør: de blir ikke slitne, defensive, distraherte, skeptiske, eller rett og slett uvillige til å endre seg, noe som gjør dem lettere å overtale enn menneskene de er ment å representere.
Før neste kampanje, produktendring eller prisbeslutning godkjennes på grunnlag av sterke simulerte resultater, er det verdt å stille et spørsmål: Fungerte det for agenter som sto overfor noe som lignet reelle menneskelige begrensninger? Hvis svaret er uklart, er resultatet en hypotese verdt å teste, ikke en beslutning som allerede er tatt. Å finne det ut senere er vanligvis langt dyrere.
