Shuichiro Ogawa
English

ノート · 更新 2026-11-14 · Markdown 版

AI の合成回答者で受容性調査を代わりに行うサービス：作り方、数、見せ方、稼ぎ方

思考特性の違う AI エージェントを多数つくり、人に行う受容性調査（コンセプト、広告、価格などを見せて受け入れられるかを確かめる調査）と同じ調査をさせるサービス 38 件を、公式の料金表と説明書、開発者の証言、業界団体の規程、調査会社の比較で調べた（2026 年 11 月 14 日時点）。

目次（9）
  1. 概要
  2. 対象と調べ方
  3. エージェントは何から作られるか
  4. 何体まで設定できるか
  5. 何を見せて受容性を確かめるか
  6. どこで、どう課金しているか
  7. 人の回答とどこまで合うか
  8. 業界団体は売り手に何を求めているか
  9. 調べた範囲と限界

概要

新製品のコンセプトや広告の案を人に見せて受け入れられるかを確かめる調査を、受容性調査と呼ぶ。 思考特性の違う AI エージェントを多数つくって答えさせ、この調査を代わりに行うサービスが 2023 年から 2026 年にかけて続々と登場した。 業界ではこうしたエージェントを合成回答者（synthetic respondents）、合成ペルソナ、デジタルツインと呼ぶ。

本ノートではこの種のサービス 38 件について四つの問いに答える。 エージェントは何から作られるのか。 何体まで設定できるのか。 何を見せて受容性を確かめるのか。 どこでどう課金しているのか。

答えを先に書く。 エージェントの作り方は事業者が用意したものから選ぶ型と、使う側（以下、買い手）のデータから作る型に分かれていない。 多くの製品は両方を持つ。 違いは答えを何のデータで支えるかに出る。 数の上限は母集団の大きさと 1 回の調査の回答数とプランの枠が混ざって示され、どれも独立した人の数ではない。 刺激は文章ならどの製品でも使える。 画像と動画は製品によって分かれる。 課金は回答や面接の数で消費する形が多く、人の調査の「回答者 1 人いくら」をなぞる形をとる。

対象と調べ方

対象は、刺激（コンセプト、広告、価格、メッセージ）に対して複数の AI のペルソナの回答を生成する商用のサービスである。 回答を生成しないペルソナ文書の作成ツール、実在の人の回答を要約するだけのツール、学術の試作だけのものは外した。 海外の専業 17 件、大手の調査会社と調査基盤 11 件、日本の事業者 10 件の計 38 件を対象にした（Kantar と Ipsos の一部は発表だけの段階）。

収集は 2026 年 11 月 14 日に二つの型で同時に行った。 AI の最新動向の型では事業者の公式の資料（料金表、説明書、利用規約、発表）を一次の根拠とした。 産業の型では業界団体と公的機関の規程、調査会社とコンサルの比較、開発者の証言、人の調査の料金と労働市場を集めた。 台帳は source/review/synthetic-respondent-services/ にある。

事業者が自社の精度として出す数字（「90% 一致」など）は方法と標本が書かれていないかぎり販促の主張として扱った。 料金の欄では「公式に要見積もり」「確認した資料に記載なし」「取得できない」を区別し、非公開の料金は推測していない。

エージェントは何から作られるか

エージェントを事業者が用意したものから選ぶのか、買い手が用意したデータから作るのか。 製品を並べるとこの二つは製品を分ける線にならない。 Ask Rally は無料枠で 200 体のペルソナがいる一般人口のパネルを用意しつつ、買い手の手持ちのデータからペルソナを「クローン」する機能を月 20 ドルのプランから付ける。 Synthetic Users は、買い手が自分のデータをアップロードし、検索して答えに足す機能（RAG）を料金表に挙げる。 DNP のペルソナインサイトは日本の統計の分布を写した 100 人の共通ペルソナと、買い手のデータやターゲット像から作るカスタムペルソナの 2 種類を用意する。 後者は有償の追加オプションである。

製品を分けるのは答えを何のデータで支えるか（接地）である。 確認できた製品は次の四つに分かれる。

事業者のパネルと購買データ：Toluna は 8,100 万人超の自社パネルの匿名化したデータから 100 万体の合成ペルソナを作り、「汎用の AI が生成したプロフィールでも、セグメントの平均でもない」と書く。 NIQ の BASES AI Screener は自社の購買行動のデータに根ざした合成の反応を返し、そのデータを数週間ごとに更新する。 電通は約 15 万人の自社調査で言語モデルを追加学習し、約 1 億人規模を再現すると発表した。 インテージの PerSearch は全国 7 万人の購買記録（SCI）から AI ペルソナを作る。

公的統計：TOPPAN は国勢調査や家計調査や人口推計などから合成人口法で日本の人口構成を写した 10 万人を作り、生活価値観や嗜好を一人ずつに足す。 FishDog は米国の国勢調査のデータから約 34 万人の合成の米国人を作り、全体で国勢調査に約 1% の差で合うと書く。

買い手の調査データ：Electric Twin は合成の対象群を買い手の顧客データから作る。 quantilope の Category Twins は買い手のブランド追跡調査のデータで、Ipsos の PersonaBot は買い手のセグメンテーション調査から作る。

実在の個人：Brox は実在の人を集めて本人確認をし、1 人あたり約 5 時間の AI 司会のビデオ面接を行って 1 人ずつ行動の分身を作る。 Kantar は分身を実在の回答者の写しと定義し、この型の製品を「近く出す」と書く。 YouGov Parallax は自社パネルの態度とプロフィールのデータで AI の分身に答えさせ、実在のパネリストが 30 分で確かめる。

接地の違いは答えの外れ方に出る。 Pew Research Center（2026）は自社のパネルの実在の回答者ごとに分身を作って 3 回の調査の設問で人の答えと比べた。 基本の属性に 71 変数の拡張したプロフィールを足すと調査の平均の絶対誤差は 13.7 ポイントまで縮み、専門家の振り返りを足すと 13.1 ポイントになった。 データを足すと外れは縮むが消えはしない。

この区別は業界の分類にも見られる。 認証を掲げる団体 Synthetic Data Standard は 2026 年 11 月に、合成の調査の製品を「誰の代わりに話すか」と「何のデータが答えを動かすか」の二つの問いで 6 類型に分けた案内を出した（DRNO 2026 の報道）。

何体まで設定できるか

製品が示す「数」には三つの違うものが混ざっている。 一つめは母集団の大きさで、TOPPAN の 10 万人、FishDog の約 34 万人、Toluna の 100 万体、電通の約 1 億人規模がこれに当たる。 二つめは 1 回の調査の回答数で、プランごとに上限があることが多い。 三つめはプランに含まれる期間あたりの枠である。

製品示している数数の種類
Ask Rally1 回の調査の上限 5（無料）、15、100、500 体（月 20、100、500 ドルのプラン）1 回の調査
Qualtrics の合成パネル1 パネル 50〜10,000 回答1 回の調査
Yabble1 プロジェクトにペルソナ 8 体まで、1 設問につき 50 回答1 回の調査
シースリーレーヴ Persona AI無料の試用で 3 体、Standard プランで 100 体1 回の調査
Delve AI月 317 ドルのプランで 100 体プランの枠
Artificial Societies1 つの社会に 12〜3,500 体1 回の調査
富士フイルム BI ペルソナ AI1 回で数百〜数千人分、月 15 回まで1 回の調査とプランの枠
TOPPAN、Toluna、電通10 万人、100 万体、約 1 億人規模母集団

どの数も独立した人の数ではない。 同じモデルから取り出した回答どうしは同じ偏りを共有するからである。 AAPOR の作業部会（2026）は AI のインスタンスの数は曖昧で独立でもなく、実装の細部（まとめて送るか、再試行するか、エージェントの構成）に強く左右されるとして報告を求めも勧めもしない。 代わりに報告させるのは人の回答者の数である。

体数を増やしても誤差が減らないことは比較で確かめられている。 Verasight（2026）ではエージェントを 500 体から 5,000 体に増やしても、人の世論調査との誤差は 6.8 ポイントから 6.7 ポイントにしか下がらなかった。 同社は、問題はモデルそのものにあり標本を大きくしても直らないと書く。 Nielsen Norman Group の Banawa（2026）は人 604 人の自由回答の調査を Synthetic Users の 120 体に答えさせた。 どちらのデータからも同じ全体の結論が出たが、人が 50 を超える呼び名を使ったのに対して合成の答えの種類ははるかに少なかった。

開発者もこの性質を前提に数を決めている。 Synthetic Users の共同創業者 Hugo Alves は 2024 年の番組で、1 回に 30 体まで作れるが多くの人は 6 体前後を作ると述べた（That Business of Meaning 2024）。 2025 年の番組では 1 回の調査は最大 20 面接でセグメンテーションをするには足りない数だと述べた。 同じ番組で複数の案を同じ合成ユーザーで比べたいという顧客の要望が初期からあったとも話している（Getting to Alpha 2025）。

何を見せて受容性を確かめるか

文章の刺激はどの製品でも使える。 コンセプトの説明文、見出し、価値提案、価格の設問を入れてペルソナに答えさせる。 Nielsen Norman Group の Rosala と Moran（2024）は、当時の合成ユーザーのツールは文章で行う態度の調べ方（インタビューと設問票）を再現するところまでに限られると書いた。

画像と動画は製品によって分かれる。 受け付けると書く製品は Synthetic Users（画像、動画、実際のウェブサイト）、Ask Rally（画像は月 20 ドルのプランから、動画は月 100 ドルから）、Yabble（1 回の対話に画像 10 枚まで）、Toluna の広告事前テスト（オンライン動画、テレビ、SNS の動画と、完成度の高いアニマティック。絵コンテは不可）、DNP（商品の画像、広告、パッケージ、サービスの画面）、Lakmoos（SNS の広告、テレビ CM、バナー）である。 Qualtrics の合成パネルは逆に画像も動画もファイルもリンクも理解しない。 それらを含む調査も最後まで回るが、刺激は答えに反映されない。

画像をモデルがそのまま見るのか、説明文に変えてから答えさせるのかを書いた資料はほとんどなかった。 書いていたのは Yabble だけである。 同社は画像から色、物、文字、様式、雰囲気、照明、場面といった属性を自社の仕組みで取り出し、ペルソナはそれに反応すると説明する。 受容性の判断が画像の細部（パッケージの色、広告の構図）にかかる調査ではこの処理の違いで結果が変わりうるが、買い手には確かめる手がかりがない。

調査の形は四つに分かれる。 設問票（Qualtrics、QuestionPro）、対話の面接（Synthetic Users、DNP、Ipsos の PersonaBot）、複数のペルソナとのグループ（Ask Rally、Artificial Societies）、選択の手法である。 選択の手法としては Subconscious.ai が価格つきの離散選択と MaxDiff を、Artificial Societies がコンジョイントを挙げる。 Zappi は文章か文章と画像のアイデアを 30〜300 件まとめて入れると、100 件までなら 15 分、300 件までなら 45 分で購買の見込みの相対的な段階を返す。 Aaru は対象群をエージェントの集団にし（画面の例は 1 万体）、仮定の条件を与えて反応を見るシミュレーションを前面に出す。 Simile は予測ごとに見込みの誤差をもとに「High」から「Low」までの信頼度を付ける。

価格の受容性は合成回答が弱い領域である。 Strat7 の比較（Research Live 2026）では合成の回答者が挙げた価格は全国の代表標本 3,000 人と比べておおむね 16% 高かった。 価格を安い順に並べる設問で論理の順序を破った割合は合成だけで 68%、人の回答と混ぜて 32.8% だった。

どこで、どう課金しているか

課金の形は四つに分かれる。

形例（公式の料金表の記載）どこで消費するか
月額のセルフサーブAsk Rally：月 20、100、500 ドル（米ドルで月ごとに前払い、使わなかった分の返金なし）。SYMAR：月 99 ユーロで 400 クレジット、月 199 ユーロから 1,000 クレジット以上。Delve AI：月 317 ドルから 2,499 ドル（年払いでさらに 20% 引き）1 回の調査の体数の上限。SYMAR は質問か回答 1 件で 1 クレジット、推論の強いモデルは 3、動画と大きな PDF は多く消費
年額契約にトークンやクレジットを付けるSynthetic Users：年 12,500 ドルから、10 問の文章の面接で 1,250 トークン、20 問の設問票の回答で 160 トークン。Yabble：年 8,900、20,000、40,000、80,000 ドル面接と回答の数。Qualtrics は合成の回答 1 件で 0.5〜1.5 クレジット（企業向けの対象は最大 5）
問い合わせ無制限の定額ライセンスElectric Twin：対象群を作ったあとは、問い合わせ、調査、回答ごとには課金せず、金額は作る対象群と席数で決まる対象群と席
見積もりの契約Aaru、Simile、Brox、YouGov Parallax、NIQ は公開の料金なし。Evidenza は提案を受けて 72 時間で結果を返し、自分で回す版は準備中契約ごと

ほかに既存の調査ツールの契約に含める形（QuestionPro は上位の契約で合成の回答を使える）がある。

課金が回答や面接の数で消費する形に寄るのは買い手が人の調査の予算と並べて比べるからだと読める。 Synthetic Users の料金表は 10 問の面接 1 回を、人の調査の会社に頼むと 80〜120 ドル、自分で人を集めると 30〜60 ドル、合成では 40〜63 ドルと並べる。 この並べ方では合成の面接の値段は自分で人を集める場合と同じ幅に入る。 人のオンライン調査は公開の料金で 1 回答 1 ドル前後からある（Pollfish は 0.95 ドルから、SurveyMonkey のパネルは 1 ドルから）。 AAPOR の作業部会（2026）は、オンラインのパネルが比較的安いままなので人を合成回答で置き換える経済性は単純でないと書く。 Rothschild ら（2025）は、2000 年代から 2010 年代に非確率のオンラインパネルが広がって人に聞く費用が下がったことで、合成で推定する経済的な理由が弱まったと振り返る。

売り手の側では大手の調査会社が自社のパネルを合成回答の材料にしている。 Toluna、YouGov、NIQ、Kantar、インテージ、電通、博報堂はいずれも自社が集めてきた回答者や生活者のデータからペルソナや分身を作る。 人の回答を集めて売ってきた資産が合成回答という第二の商品の材料になっていると読める。 専業の新興企業では Simile の共同創業者 Joon Sung Park が課金を「基本的には SaaS の製品」と述べるだけで料金を公開していない（Sequoia Capital 2026）。

人の回答とどこまで合うか

売り手が出す一致の数字はどれも自社が測ったものである。 Electric Twin は人の回答との一致を 1 から平均絶対誤差を引いた値で 96% とする。 このベンチマークは事前登録されていて、人の調査データは別の会社が集めた。 ただし率いた教授は同社の主任科学顧問である。 Artificial Societies は自社の 2026 年 1 月の評価で実在の 1,000 件の調査に対する分布の一致を 86%（人が同じ調査に再び答えたときの上限を 91%）とする。 シースリーレーヴは事実を聞く設問で平均の差 0.3 ポイントとしつつ、意見と購入意向と売上の精度は示さないと自ら限定する。 方法を開示した製品は少ない。 独立した第三者による検証のある製品は確認できなかった。

第三者の比較では全体の数字の外れは比べ方によって 2〜12 ポイントと幅があり、部分集団と時点の変化ではさらに外れた。 Pew Research Center（2026）では合成の答えは人の答えから平均 12 ポイント外れた。 「わからない」の選択肢がある設問では人の回答者が AI の約 4 倍の割合でそれを選んだ。 Verasight（2026）では全体の誤差は 6.6 ポイントだが政党別に分けると 10.4〜13.8 ポイントに開き、モデルはどの集団も五分五分のほうへ寄せた。 Strat7 の比較でも見出しの数字は人と平均 2〜3 ポイントの差に収まったが、2025 年から 2026 年への変化を正しく追えたのは 47% だった（Research Live 2026）。

学術の研究でも同じ形の外れ方が報告されている。 Argyle ら（2023）は属性を与えた言語モデルが米国の政治の調査の回答の分布を再現しうることを示し、これをシリコン標本（silicon sampling）と名づけた。 Bisbee ら（2024）は、合成の回答は人の調査よりばらつきが小さく、回帰係数がしばしば人の調査と有意に異なると報告した。 設問の言い回しの小さな違いで分布が変わり、同じ設問でも 3 か月で結果が変わるとも報告している。 Wang ら（2025）は言語モデルが人の参加者の代わりをすると人口の集団を誤って描き、集団の中の多様さを平らにすることを示した。 受容性調査で知りたいのは全体の平均の好感度よりも、どの層がどれだけ強く拒むかであることが多い。 そうだとすると合成回答が外しやすい部分（部分集団とばらつき）は受容性調査の知りたい部分と重なる。

業界団体は売り手に何を求めているか

合成回答者だけを直接定めた政府の規制は確認できなかった。 確認できたのは、業界団体の規程と報告が合成の使用を買い手に知らせ、人の回答と区別させていることである。

ICC/ESOMAR の 2025 年の規程は、データセットの作成、分析、報告に AI を使うときは依頼者に知らせ、そこには合成データと合成ペルソナの使用を含み、人の監督の範囲を示すよう定める（第 7 条 e）。 英国の MRS の 2025 年の手引きは、どの成果が合成データを含む AI から出て、どれが人の洞察から出たかを記録して依頼者に伝えることを求める（要件 33）。 米国の Insights Association の 2026 年の規程は AI が生成したデータを、調査対象者から直接得たデータとはっきり区別するよう求める。 AAPOR の作業部会（2026）は AI が回答者の役を務めたときは人の回答者の数を開示し、合成データを合成と明記するよう求める。 その場合は「調査」「世論調査」の語を AI が作ったデータに使わないことも求めている。 同じ報告は合成回答だけでできた「標本」を売る業者が現れたことを特に危ういと書き、その方法は標本設計ではないと指摘する。

日本では日本マーケティング・リサーチ協会の解説記事（2025）が合成データの論点を紹介しているが、合成回答の開示を定めた指針は確認できなかった。 総務省と経済産業省の AI 事業者ガイドライン第 1.2 版の概要も合成回答者に直接は触れていない。

この規程から買い手が売り手に確かめる項目は三つにまとまる。 答えをどのデータで接地しているか（データの出所と、モデルの種類と版）。 人の回答とどう比べたか（比べた主体、集団、設問、指標）。 納品物の中でどれが合成でどれが人の回答かを分けて示せるか。

調べた範囲と限界

対象の 38 件は英語と日本語で見つかった製品で、網羅ではない。 事業者の料金と仕様は 2026 年 11 月 14 日に公式の頁で確かめたもので、変わりうる。 Synthetic Users は年額とトークンの現行の料金表と、2026 年 4 月更新の「過去の料金」の文書が並んでおり、本ノートでは現行の料金表を採った。 Artificial Societies、Simile、Brox など、公式の料金頁に金額を出していない製品の料金は第三者の記事に額があっても表に入れていない。 採用率の数字（Qualtrics の調査で直近 1 年に合成回答を使った担当者 69%）は合成回答の製品を売る会社の調査で、精度とは別のものである。 合成回答者のサービスだけの市場規模は ESOMAR と日本マーケティング・リサーチ協会の統計のどちらにも項目がなかった。

未検証事項

  • 電通の People Model の相関係数（調査データだけで 0.47、追加学習のあと 0.8）は二次の媒体の記事だけにあって公式の発表には見当たらないため本文に入れていない。
  • YouGov の白書（2026 年 11 月）の本文は取得できず、一致率は同社の記事の記述にとどまるため本文に入れていない。
  • Gartner の予測（2028 年までに製品マーケティングの 60% が合成の顧客ペルソナでメッセージを確かめる）は原典に到達できず引用元の記事だけのため本文に入れていない。
  • 画像と動画の刺激をモデルがどう処理するかは Yabble と Qualtrics 以外の製品では記載がなく、確かめられなかった。
  • TOPPAN、シースリーレーヴ、Lakmoos、DNP の料金と契約の条件は参照した頁に金額や条件の記載がなく、収集の段で見た別の頁や記事の額を本文に入れていない。

参照文献

すべて 2026-11-14 アクセス。台帳は source/review/synthetic-respondent-services/。

事業者の一次資料（料金表、説明書、利用規約、発表）

開発者の証言

業界団体と公的機関

調査会社と第三者の比較

人の調査の料金

学術文献

  • Argyle, Lisa P., Ethan C. Busby, Nancy Fulda, Joshua R. Gubler, Christopher Rytting, and David Wingate. 2023. “Out of One, Many: Using Language Models to Simulate Human Samples.” Political Analysis 31 (3): 337–351. https://doi.org/10.1017/pan.2023.2
  • Bisbee, James, Joshua D. Clinton, Cassy Dorff, Brenton Kenkel, and Jennifer M. Larson. 2024. “Synthetic Replacements for Human Survey Data? The Perils of Large Language Models.” Political Analysis 32 (4): 401–416. https://doi.org/10.1017/pan.2024.5
  • Rothschild, David M., Trent D. Buskirk, Stephanie Eckman, D. Sunshine Hillygus, Frauke Kreuter, and David Lazer. 2025. “Successfully Navigating the Disruption AI Will Bring to Survey Research.” The Survey Statistician 92: 30–44. https://researchdmr.com/files/SurveyResearchAI.pdf
  • Wang, Angelina, Jamie Morgenstern, and John P. Dickerson. 2025. “Large Language Models That Replace Human Participants Can Harmfully Misportray and Flatten Identity Groups.” Nature Machine Intelligence 7 (3): 400–411. https://doi.org/10.1038/s42256-025-00986-z

関連ノート

著者：小川 修一郎（デザイン研究者／デザインコンサルタント） 経歴を見る →