Med AI kan vi nu skabe syntetiske personaer og målgrupper. Kunstige mennesker, der svarer på dine spørgsmål, som en 45-årig forstadsmor, en dansk CFO eller en skeptisk journalist ville gøre det. Produktet er i sin vorden. Men det bliver bedre og bedre, og det gør det hurtigt.

Det er en helt ny tilgang til strategisk kommunikation. Og ikke mindst til effektmåling. For første gang kan man teste et budskab, før det møder et eneste rigtigt menneske.

Hvorfor det er vigtigt: Verdens største PR firma, Edelman, har allerede udviklet det første program målrettet k-folk. Archie AI Personas bygger kunstige personer, målgrupper og hele syntetiske stakeholderuniverser. Det er det første AI produkt, der er skabt direkte til kommunikationsfaget og ikke lånt fra marketing eller IT. Det ændrer både, hvordan vi tester budskaber, og hvordan vi måler effekt. Og det sker nu, ikke om fem år.

For kommunikationsafdelingen betyder det tre ting. Budskabstest flytter fra en undtagelse, man bevilger til de store kampagner, til en rutine, man kører på hver pressemeddelelse. Effektmåling flytter fra bagefter til før. Og k-chefen får for første gang et researchværktøj, der ikke skal bestilles gennem marketing eller et analysebureau. Det er også derfor, hypen rammer faget så hårdt: Vi har aldrig haft råd til at teste, og nu lover nogen os, at det er gratis.

Det store billede: Hypen er stor, og de store spillere er i gang. Edelmans Archie er en proprietær sprogmodel trænet på 25 års data fra Edelman Trust Barometer plus earned media, primærforskning og psykografiske analyser. Produktet lover at simulere, hvordan stakeholdere tænker, føler og reagerer. Til scenarieplanlægning, kampagneidéer, personalisering og budskabstest.

Edelman er ikke alene. Evidenza sælger syntetiske B2B kunder til EY, Mars og Salesforce. Qualtrics har Edge Audiences. Kantar tilbyder “cohort boosting”. YouGov opkøbte pioneren Yabble i 2024. Og i februar 2026 rejste Stanford spinoutet Simile 100 millioner dollars i en Series A ledet af Index Ventures med Fei-Fei Li og Andrej Karpathy som investorer.

Metoden er også allerede løbet fra journalistikken. I marts bragte Axios en historie om sundhedspolitik med “findings” om, at et flertal af amerikanere stoler på deres læger. Undersøgelsen viste sig at være en computersimulation fra startupfirmaet Aaru. Ingen mennesker var blevet spurgt. Det måtte Axios efterfølgende præcisere i en rettelse.

Pengene er der. Spørgsmålet er, om videnskaben er. Så hvad er der bag hypen? WTF er det egentlig? Hvad er styrkerne, svaghederne, mulighederne og truslerne? Hvordan kommer du i gang? Og hvad er de gode cases og links? Det får du her.

Hvad er det egentlig?

En syntetisk målgruppe er en sprogmodel, der er promptet eller trænet til at svare som en bestemt gruppe mennesker. I den billige udgave beder du ChatGPT om at spille “en 45-årig forstadsmor” og spørger, hvad hun synes om din kampagne. I den dyre udgave fodrer vendoren modellen med rigtige surveydata, CRM data og adfærdsdata og bygger hundredvis af personaer, der tilsammen skal ligne din faktiske målgruppe.

Forskellen mellem de to er hele historien.

Den amerikanske strateg Greg Young fra Lancea kalder den billige udgave for “hallucineret empati”. Modellen kanaliserer ikke forstadsmoren. Den genererer den statistiske median af alt, hvad internettet har sagt om forstadsmødre. Inklusive stereotyperne.

Sådan bruges det i praksis: Edelmans egen FAQ er faktisk ærlig. Det tager nogle uger at træne en persona. Derefter svarer den på minutter. Edelman skriver selv, at “human validation is critical”, og at personaerne er et supplement til anden research. Det er ikke det, sælgerne siger på scenen. Men det står der.

Typiske anvendelser lige nu:

Screening af mange budskabsvarianter, før man tester få på rigtige mennesker

Hurtig test under embargo, hvor man ikke kan vise materialet til en ekstern fokusgruppe

B2B målgrupper, der er umulige at få fat i. CFO’er, CTO’er, bestyrelsesmedlemmer

Red teaming af en kampagne. Hvor vil den blive misforstået, angrebet eller latterliggjort?

Boosting af små segmenter i en rigtig survey

Styrkerne

Hastighed og pris. Det åbenlyse. Det, der før tog måneder og kostede et sekscifret beløb, tager nu 72 timer hos Evidenza. Qualtrics lover op til 50 procent lavere omkostninger. Og at teste fem budskaber koster det samme som at teste ét.

Det virker på aggregeret niveau. Joon Sung Parks team fra Stanford og Google DeepMind interviewede 1.052 mennesker i to timer hver og byggede digitale tvillinger af dem. Tvillingerne ramte deltagernes surveysvar med 85 procents præcision målt mod deltagernes egen konsistens, når de selv tog surveyen igen to uger senere.

Dit menneskelige panel er allerede syntetisk. Det ubehagelige argument, som Evidenzas stiftere bruger. Rep Datas 2025 undersøgelse af seks førende panelkilder flagede over 30 procent af respondenterne som mistænkelige eller direkte svindel. Kantar har rapporteret at kassere op til 38 procent af sine onlinedata. Folk skynder sig. De lyver. Nogle bruger ChatGPT til at udfylde svarene. Sammenlignet med det ser en velbygget syntetisk model måske ikke så dum ud.

Svaghederne

Her bliver det alvorligt. For forskningen er markant mere skeptisk end vendorernes tal.

Korrelationen er 0,20. Det største studie er fra Columbia Business School. Olivier Toubia og kolleger testede digitale tvillinger trænet på over 500 svar per person på tværs af 19 præregistrerede studier. Resultatet blev publiceret i Science Advances i 2025 under titlen “Digital Twins are Funhouse Mirrors”. Den gennemsnitlige korrelation med de rigtige menneskers svar var 0,20. Tvillingerne var kun marginalt bedre end en almindelig sprogmodel uden nogen personlig træning overhovedet. Studiet fandt fem systematiske forvrængninger. Tvillingerne individualiserer for lidt. De stereotypiserer. De er mest præcise for veluddannede, velhavende og politisk moderate. De har ideologisk slagside. Og de er hyperrationelle på en måde, som mennesker ikke er.

Variansen forsvinder. James Bisbee fra Vanderbilt fandt det samme mønster i Political Analysis i 2024. ChatGPT personaer ramte gennemsnittet i den amerikanske valgundersøgelse ANES pænt. Men variansen var halveret. Standardafvigelsen på 31,4 blandt rigtige mennesker blev til 16,1 hos maskinen. Svarene skiftede ved små ændringer i prompten og drev over en periode på tre måneder. Det betyder i praksis: Modellen fortæller dig, hvad den typiske person mener. Den fortæller dig ikke, hvor uenige folk er. Og uenigheden er ofte det, kommunikationsstrategien handler om.

WEIRD skævhed. WEIRD står for Western, Educated, Industrialized, Rich, Democratic. Harvardforskeren Mohammad Atari og kolleger viste, at sprogmodeller tænker som netop den gruppe: vestlige, uddannede, industrialiserede, rige og demokratiske mennesker. Jo længere din målgruppe er fra en amerikansk collegestuderende, jo dårligere bliver simulationen.

Sig versus gør. Merrill Research testede syntetiske designingeniører, der gav lærebogssvar om bæredygtighed. De rigtige ingeniører sagde, at bæredygtighed er fint, “men ikke når vi ikke kan få reservedele i månedsvis”.

Pris og valg. HBR forfatterne Korst, Puntoni og Toubia fandt, at syntetiske efterspørgselskurver ikke bare afveg fra menneskelige. De var usandsynlige. Modellen kan ikke behandle en pris som tilfældig og opfinder forklaringer på, hvorfor den høje pris er rimelig.

Det er, hvad de er bygget til. Det argument, der er sværest at afvise. Nik Samoylov skriver i ESOMARs Research World, at sprogmodeller er designet til at producere menneskelignende tekst. At de så korrelerer med menneskers gennemsnitssvar er derfor “not at all surprising, interesting, or note-worthy”.

Mulighederne

Det er ikke sort og hvidt. Der er anvendelser, hvor selv kritikerne accepterer værktøjet.

Tidlig screening. Den stærkeste. Har du 40 kampagneidéer, kan en syntetisk målgruppe skære dem ned til de otte, du tester på rigtige mennesker. Fejlene i den syntetiske model rammer alle 40 nogenlunde ens, så rangordningen holder bedre end de absolutte tal.

Svært tilgængelige målgrupper. Ingen får 200 danske CFO’er til at deltage i en fokusgruppe. En syntetisk model bygget på rigtige interviews med 30 af dem kan give hypoteser, man ellers aldrig ville få.

Boosting. ESOMARs retningslinjer fra 2024 og 2025 tillader syntetisk supplering af små segmenter, men kun når segmentet udgør højst 15 procent af populationen, og kun når man har mindst 300 rigtige respondenter som base.

Et smartere spørgsmål til maskinen. Greg Young foreslår, at man dropper “hvad ville denne målgruppe sige?” og i stedet spørger “hvor kolliderer dette budskab med det, vi ved om målgruppens værdier?”. Det første kræver, at modellen bliver publikum. Det andet kræver kun, at den analyserer tekst mod en profil, du selv har bygget på rigtige data. Det sidste er sprogmodeller faktisk gode til.

Truslerne

Lukning af loopet. Evidenza og partnere har for EY kørt det, The Drum kalder branchens første fuldt syntetiske marketingpipeline. Syntetisk research, syntetisk strategi, AI genereret kreativ, testet på syntetiske respondenter. På intet tidspunkt har et menneske set kampagnen, før den gik i luften. Det er en lukket kreds, hvor fejl ikke kan opdages, fordi der ikke er nogen udenfor til at opdage dem.

Verifikationsasymmetrien. Du kan ikke vide, om det syntetiske panel har ret, uden at lave den rigtige undersøgelse, du prøvede at undgå. Hver eneste flatterende præcisionstal i markedet stammer fra en interesseret part. EYs “95 procent korrelation” med Evidenza er en kundeudtalelse uden offentliggjort stikprøve eller metode. Mark Ritson, der hylder syntetiske data i Marketing Week, er minoritetsaktionær i Evidenza. Han oplyser det. De fleste andre gør ikke.

Karikaturen af mindretallet. Teknologien fejler værst præcis der, hvor de etiske indsatser er højest. Santurkar og kolleger fandt, at OpenAIs modeller repræsenterer folk over 65 og enker dårligst. I offentlig kommunikation, sundhedskampagner og politisk arbejde er det ofte netop de grupper, det handler om.

Den offentlige samtale. New York Times’ klumme fra april i år hedder “This Is What Will Ruin Public Opinion Polling for Good”. Argumentet er enkelt. En meningsmåling har kun værdi, fordi den opsummerer, hvad rigtige mennesker mener. Erstatter man dem med simulationer, ødelægger man ikke bare målingen. Man ødelægger tilliden til alle målinger.

Sign flips. I Brand, Israeli og Ngwes HBS studie var GPT’ens estimater “often inaccurate and in some cases wrong-signed”. Det er ikke en fejlmargin. Det er, at modellen siger op, når virkeligheden siger ned. Træffer man prisbeslutninger eller go/no-go på det grundlag, er man i alvorlige problemer.

Gode cases

EY og Evidenza. Dobbeltblind test, hvor Evidenza fik EYs brandsurvey og målgruppedefinition, men ikke resultaterne. Over 1.000 syntetiske personaer svarede. EY Americas’ CMO Toni Clayton-Hine kaldte konklusionerne “95 procent de samme”. Den bedste case i markedet. Og den mest citerede. Husk, at den er selvrapporteret.

Læs casen i HBR: https://hbr.org/2025/05/how-gen-ai-is-transforming-market-research og Ritsons version i Marketing Week: https://www.marketingweek.com/ritson-synthetic-data-strategy/

Aaru. Forudsagde New Yorks demokratiske primærvalg i 2024 inden for 371 stemmer. Forudsagde også, at Harris ville vinde valgmandskollegiet. Begge dele er sande. Vælg selv, hvilken du fortæller på konferencen.

Axios-historien: https://www.axios.com/2026/03/19/olivia-walton-heartland-forward-maternal-health og status på Aaru: https://replism.com/blog/state-of-synthetic-audiences-2026

WeightWatchers og Outset.ai. Ikke syntetiske respondenter, men AI interviewere af rigtige mennesker. Firmaet fandt, at deltagerne var mere åbne over for en maskine end over for en menneskelig interviewer. Det er måske den mest undervurderede anvendelse: Brug AI til at tale med flere mennesker, ikke til at erstatte dem.

Casen er beskrevet i HBR: https://hbr.org/2025/05/how-gen-ai-is-transforming-market-research og værktøjet findes her: https://landing.outset.ai/

Takasago. Duft og smagsvirksomheden forsøgte at erstatte sit menneskelige panel med et syntetisk. Det virkede ikke. Dufte påvirker ikke sprogmodeller, som de påvirker mennesker. Nogle gange er svaret bare nej. Casen er fra samme HBR artikel:

https://hbr.org/2025/05/how-gen-ai-is-transforming-market-research

Gammelbys. Det danske bureau bygger syntetiske målgrupper på kundernes CRM, analytics og supportdata. Deres egen formulering er den bedste rettesnor, jeg har set: “beslutningsstøtte, ikke en facitliste”. Og de parrer det med “reality checks” på rigtige mennesker.

Læs deres egen beskrivelse: https://gammelbys.dk/blog/syntetiske-maalgrupper-saadan-bruger-vi-ai-til-at-effektivisere-og-spidse-persona-arbejde-og-content-marketing/

Værktøjerne

Edelman Archie AI Personas: https://www.edelman.com/expertise/ai/archie-ai-personas (enterprise, ingen offentlig pris, uger at træne)

  Evidenza: https://www.evidenza.ai/ (B2B, syntetiske kunder og “syntetiske CMO’er”, cirka 72 timers leverance)

   Qualtrics Edge Audiences: https://www.qualtrics.com/strategy/audiences/ (human plus synthetic, bygget på 25 års surveydata)

  Synthetic Users: https://www.syntheticusers.com/ (kvalitative AI interviews med syntetiske respondenter)

Outset.ai: https://landing.outset.ai/ (AI modererede interviews med rigtige mennesker)

Delve AI, Yabble/YouGov, Fairgen, Aaru, Simile og en snes andre. Markedet skifter måned for måned.

Hvad skal og kan du gøre?

Første spørgsmål: Hvor kommer målgruppeprofilen fra? Hvis modellen selv har genereret den, måler du modellens fordomme, ikke målgruppens.

Andet spørgsmål: Hvordan ser outputtet ud? Hvis det ligner et referat af, hvad publikum “sagde”, performer modellen. Hvis det ligner et diagnostisk kort over, hvor budskab og målgruppe skilles, analyserer den.

Tredje spørgsmål: Hvad er den uafhængige validering? Ikke kundeudtalelser. Ikke vendorens egne tal. Peer reviewed sammenligning med rigtige data på din type målgruppe. Findes den ikke, køber du bekræftelse, ikke research.

Og så en beslutningsregel til dig selv. Brug syntetiske målgrupper til at screene budskaber, prune idéer, generere hypoteser om utilgængelige B2B segmenter og booste små stikprøver inden for ESOMARs grænser. Brug dem aldrig som eneste grundlag for prisbeslutninger, lanceringsbeslutninger, strategi over for minoriteter eller ikkevestlige målgrupper, eller noget som helst, du bagefter kalder “forbrugerundersøgelse” i pressen.

Modsiger det syntetiske resultat de rigtige data, er det de syntetiske data, der tager fejl. Ikke kunderne.

Budnlinjen

Syntetiske målgrupper er hverken det nye værktøj eller den dumme hype. De er begge dele på én gang, og det er derfor, de er så farlige. De virker godt nok på aggregeret niveau til, at man kan sælge dem. De fejler slemt nok på individ- og segmentniveau til, at man kan tabe penge på dem. Og de lyder i begge tilfælde lige overbeviste.

Det sidste er det egentlige problem. En fokusgruppe, der er usikker, lyder usikker. Folk tøver, modsiger sig selv, skifter mening midt i sætningen. En sprogmodel gør ikke. Den leverer det rigtige svar og det forkerte svar i nøjagtig samme tone, med samme flydende sprog og samme sympatiske indlevelse. Du kan ikke høre forskel. Og fordi den er trænet til at behage, vil den oftere give dig det svar, du håbede på, end det svar, du havde brug for.

Det gør værktøjet farligst for dem, der har mest brug for det. Den lille kommunikationsafdeling uden researchbudget køber det, fordi alternativet er ingenting. Men uden rigtige data at holde det op imod har den ingen måde at opdage, når modellen tager fejl. Og den tager fejl på de spørgsmål, der betyder mest: hvor uenige folk er, hvad mindretallene mener, og hvad folk faktisk gør, når de ikke længere svarer på et spørgeskema.

Edelman har bygget det første produkt til k-folk. Flere følger. Om tre år tester de fleste af os budskaber på maskiner, før vi tester dem på mennesker. Spørgsmålet er kun, om vi husker den sidste del.

Axios glemte det i marts. Ingen mennesker var involveret. Måske er det ikke et problem. Lad os spørge en robot.

Læs Mere

   Edelmans Archie AI Personas, produktside og FAQ: https://www.edelman.com/expertise/ai/archie-ai-personas

Korst, Puntoni og Toubia i HBR, “How Gen AI Is Transforming Market Research”: https://hbr.org/2025/05/how-gen-ai-is-transforming-market-research

   Toubia m.fl., “Digital Twins are Funhouse Mirrors” (Science Advances 2025): https://arxiv.org/abs/2509.19088

    Bisbee m.fl., “Synthetic Replacements for Human Survey Data?” (Political Analysis 2024): https://www.cambridge.org/core/journals/political-analysis/article/synthetic-replacements-for-human-survey-data-the-perils-of-large-language-models/B92267DC26195C7F36E63EA04A47D2FE

Park m.fl., “Generative Agent Simulations of 1,000 People” (Stanford/DeepMind): https://arxiv.org/abs/2411.10109

   New York Times, “This Is What Will Ruin Public Opinion Polling for Good”: https://www.nytimes.com/2026/04/06/opinion/ai-polling.html

  Axios’ historie om Aarus syntetiske måling: https://www.axios.com/2026/03/19/olivia-walton-heartland-forward-maternal-health

    Nik Samoylov i Research World om syntetiske respondenters upålidelighed: https://researchworld.com/articles/the-unreliability-and-invalidity-of-synthetic-respondents-part-two

ESOMARs retningslinjer for syntetisk data: https://ana.esomar.org/api/public/document/file_renderer/12519

Gammelbys om syntetiske målgrupper i dansk praksis: https://gammelbys.dk/blog/syntetiske-maalgrupper-saadan-bruger-vi-ai-til-at-effektivisere-og-spidse-persona-arbejde-og-content-marketing/

The Drum om den fuldt syntetiske marketingpipeline: https://www.thedrum.com/news/lab-grown-marketing-it-s-already-here-and-it-s-synthetic-scalable-and-very-real

   Digiday, “WTF are synthetic audiences?”: https://digiday.com/media/wtf-are-synthetic-audiences/