AI-персона из транскриптов звонков чинит маркетинговую воронку. До того, как ты потратил бюджет 🔥

#кейc Насти Рябовой, AI Strategy & Enablement Lead @ TripleTen

1. Почему нельзя просто попросить GPT представить, что он твой клиент?

Обычно синтетические персоны ломаются в тот момент, когда ты просишь их оценить креатив или лендинг в лоб

Модель подстраивается под контекст вопроса, включает sycophancy (склонность поддакивать и быть приятным собеседником) и уверяет, что продукт классный, а она бы его обязательно купила

Вдобавок к этому вылезают еще две фундаментальные проблемы:
• LLM-ки сильно усредняют разные сегменты между собой (mode collapse)
• LLM-ки могут тащить культурные стереотипы из своей обучающей выборки (stereotype leakage). В итоге вместо честного фидбека получается удобный собеседник, который во всем с тобой согласен.

2. Как можно собрать синтетическую AI-персону учитывая эти особенности?

Мы в TripleTen собираем этот слой, используя реальные данные о пользователях

Выгружаем из CRM весь путь лида от клика на баннер до реакции на письма, подтягиваем логи онбординга и транскрипты звонков со всей цепочки продаж

Заземляют модель (grounding) именно реальные цитаты и транскрипты
• персона опирается на конкретные слова клиентов, это помогает минимизировать пространство для галлюцинаций
• поверх материала мы задаём призму: фокусируемся не только на дословных репликах, но и на том, как именно лид принимает решения, где сомневается и как выбирает альтернативы

В итоге из сырых цитат собирается decision pattern человека. Для нас это инструмент логического ревью: способ быстро прогнать контент через разные поведенческие сценарии до того, как на них включится трафик.

3. Почему мы собираем несколько AI-персон под один сегмент?

Аудитория неоднородна, поэтому внутри одного сегмента мы намеренно смешиваем несколько архетипов с абсолютно разной логикой выбора — чтобы модель не усреднила их всех в одного:

• Рисёрчер: медленно сравнивает альтернативы, долго изучает варианты и пока плохо понимает, чего хочет
• Семейный лид: принимает решения строго вместе с партнёром или родителями, это третье лицо всегда незримо присутствует в воронке
• Сомневающийся лид с культурным барьером: ищет практический апгрейд карьеры, но по умолчанию не доверяет крупным онлайн-покупкам

Хороший пример из нашей практики - Лейла. Её паттерн такой: забронировать созвон, проверить нас, уйти думать, вернуться и закрыться на триал

Такой прогон отлично подсвечивает косяки контента под разными углами, и помогает менеджерам посмотреть на воронки с другой стороны

4. Как проверить, что система работает?

Мы регулярно проводим слепые тесты на воронках, которые провалились в тестах. Модель об этом, естественно, не знает

Если AI-персоны начинают хвалить провальную воронку - значит, система плохо откалибрована, ей не хватает контекста или цитат. Если же они с порога находят ровно те баги, которые потом выявила продуктовая аналитика, слой готов к работе над новыми гипотезами

При этом важно помнить: даже глубоко заземленные персоны дают меньшую вариативность, чем живые люди, и могут пропускать редкие аномальные реакции. Реальные тесты на живых людях никуда не исчезают 👀

5. Где еще про это почитать?

• Bain в свежих отчетах (Synthetic Customers Earn Their Stripes) прямо заявляет: синтетику нужно строить только на собственных first-party данных, и она должна дополнять, а не заменять реальный рисёрч. По их оценкам, такая pre-test надстройка дает сопоставимый инсайт вдвое быстрее и втрое дешевле

• А исследователи из Stanford HAI, которые симулировали поведение людей на базе 1000 генеративных агентов, подтверждают: ИИ-персоны точны только тогда, когда они "загрунтованы" на реальных интервью и транскриптах

• И в этом исследовании LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings

Всем больших успехов с AI adoption в вашей работе и компаниях ❤️
Настя

Канал Community Sprints про AI, growth и продукт 👀