Den evolusjonære logikken til generativ KI i forbrukerforskning: fra demokratisering til gjennomsnittsfellen og modellkollaps
Yuan Ren
mars
*Demokratisering av generativ KI i forbrukerforskning: bredere deltakelse bringer nye stemmer inn i dataøkosystemet*
I dag kan en forbrukerforsker som starter et nytt prosjekt, begynne ikke med en database, men med et generativt KI-system. I løpet av sekunder trer et strukturert rammeverk frem. Litteraturstrømmer syntetiseres, forskningsspørsmål formuleres og mulige hypoteser skisseres. Effektiviteten er udiskutabel.
Huang og Rust hevder likevel at effektivitet ikke er det sentrale spørsmålet. I *The GenAI Future of Consumer Research* foreslår de en bane, «demokratisering til gjennomsnittsfellen til modellkollaps», som beskriver hvordan økende intensitet i bruken av generativ KI gradvis omformer forbrukere, datafordelinger og forskningsparadigmer. Snarere enn en enkel fortelling om teknologisk fremskritt skisserer denne banen en bevegelse fra utvidelse til konvergens og, potensielt, til selvrefererende forfall.
Det første stadiet er demokratisering. Gjennom interaktive mekanismer med prompt og svar senker generativ KI terskelen for å delta både i forbruk og i forskningsaktiviteter. Forskere kan lettere utvikle ideer; forbrukere kan delta i kreative eller digitale markeder som tidligere var utilgjengelige for dem. Eapen et al. (2023), Epstein et al. (2023) og Schmitt et al. (2024) fremhever hvordan generativ KI utvider innovasjon og kreativ tilgang. Maciel og Weinberger (2024) viser hvordan teknologiske infrastrukturer utvider deltakelsen i markedet. Når flere marginaliserte forbrukere og sjeldne forbrukshendelser kommer inn i dataøkosystemet, blir halene i fordelingen tykkere, og representativiteten øker.
Demokratisering fjerner likevel ikke skjevhet. Den gjør dataene mer i samsvar med virkelige menneskelige erfaringer, og virkelige erfaringer omfatter ulikhet. Kotek et al. (2023) finner at store språkmodeller forsterker yrkesmessige kjønnsstereotypier, og Ukanwa og Rust (2021) viser at algoritmer kan gi ekskluderende utfall selv uten eksplisitt skjevhet. Demokratisering gir dermed mer sannferdige data, men ikke nødvendigvis mer sosialt ønskelige data. Denne spenningen mellom representasjon og skjevhet utgjør den første strukturelle utfordringen.
*Den generative KIens gjennomsnittsfelle: resultatene konvergerer mot generiske forbrukerinnsikter som skal passe alle*
Etter hvert som bruken av generativ KI intensiveres, beveger banen seg inn i gjennomsnittsfellen. Fordi generative modeller hviler på autoregressiv forutsigelse av neste token, produserer de statistisk sannsynlige resultater. Huang og Rust (2024, 2025) argumenterer for at denne mekanismen naturlig trekker svarene mot gjennomsnittet i datafordelingen. Huang og Rust (2025) definerer dette formelt som «gjennomsnittsfellen», og beskriver hvordan resultatene blir generiske og lite differensierte.
Selv om marginaliserte forbrukere inngår i datasettet, forblir innflytelsen deres begrenset med mindre de endrer den samlede fordelingen vesentlig. Statistisk konvergens presser sammen individuelle nyanser. Modellene er fremragende til å gi generelle anbefalinger, men strever med å generere dypt personaliserte løsninger (Huang and Rust, 2024). Innenfor forbrukerforskningen risikerer denne konvergensen å snevre inn forskningsspørsmål og teoretiske forklaringer, og gradvis tære på originaliteten.
*Modellkollaps i generativ KI: rekursive maskingenererte data skaper en selvrefererende sløyfe som driver bort fra menneskelig sensibilitet*
Det tredje stadiet, modellkollaps, utgjør en dypere strukturell risiko. Etter hvert som flere forbruksbeslutninger overlates til generative KI-agenter, dominerer maskingenererte data i økende grad treningsdatasettene. Shumailov et al. (2024) definerer modellkollaps som det gradvise tapet av fordelingens haler når modeller trenes rekursivt på sine egne syntetiske resultater. Wenger (2024) illustrerer hvordan gjentatt selvtrening kan utradere mangfold og forvrenge mening.
*Demokratisering av generativ KI i forbrukerforskning: bredere deltakelse bringer nye stemmer inn i dataøkosystemet*
I forbrukerforskningen peker dette mot et mulig skifte fra å studere menneskelig atferd til å modellere maskinatferd. Huang og Rust (2022) introduserer begrepet «KI som kunde» og fremhever KIs fremvoksende rolle som markedsaktør. Når prediksjoner dreier seg om maskinhandlinger snarere enn menneskelige preferanser, kan resultatene miste «menneskelige sensibiliteter» (Huang and Rust, 2024). På det punktet risikerer tolkningen å drive bort fra forbrukerens levde erfaring.
Huang og Rust foreslår klare forskningsmessige svar. Å opprettholde datahalene krever fortsatt oppmerksomhet om marginaliserte forbrukere og transformative forskningstradisjoner (Mick, 2006; Price et al., 2024). Finjustering og svarutforming legger domenekunnskap og menneskelig innsikt inn i resultatene og demper konvergens (Huang and Rust, 2024, 2025). Trening på hybride data fra menneske og maskin, og bevaring av menneskelig handlingsrom i lange interaksjonskjeder, kan utsette eller forhindre kollaps (Gerstgrasser et al., 2024; Arora et al., 2025; Valenzuela et al., 2024).
Banen er ikke en teknologisk skjebne, men en betinget utvikling. Demokratisering trenger ikke å føre til konvergens, og konvergens trenger ikke å ende i kollaps. Uten bevisst inngripen vil likevel den statistiske logikken presse sammen mangfoldet, og rekursiv maskinlæring kan fjerne forskningen fra menneskelig mening.
Fremtiden til forbrukerforskningen avhenger ikke av om generativ KI tas i bruk, men av om menneskelig kompleksitet og teoretisk originalitet kan opprettholdes innenfor generative systemer.
Som Huang og Rust skriver: «Store datamengder kan fortelle oss hva folk gjør, men ikke hvorfor. Bare menneskesentrert forskning kan fange dypere forbrukerinnsikt.» Forskning er en lang og streng undersøkelsesprosess. Selv om dette kan gå på tvers av effektiviteten maskinell automatisering søker, er det fortsatt den eneste veien mot sannhet.
References
Arora, N., Chakraborty, I., & Nishimura, Y. (2025). AI–Human Hybrids for Marketing Research: Leveraging Large Language Models (LLMs) as Collaborators. Journal of Marketing , 89 (2), 43–70. https://doi.org/10.1177/00222429241276529
Eapen, T. T., Finkenstadt, D. J., Folk, J., & Venkataswamy, L. (2023). How Generative AI Can Augment Human Creativity. Harvard Business Review , 101 (4), 56–64.
Epstein, Z., Hertzmann, A., Akten, M., Farid, H., Fjeld, J., Frank, M. R., Groh, M., Herman, L., Leach, N., Mahari, R., Pentland, A. “Sandy,” Russakovsky, O., Schroeder, H., & Smith, A. (2023). Art and the science of generative AI. Science (American Association for the Advancement of Science) , 380 (6650), 1110–1111. https://doi.org/10.1126/science.adh4451
Huang, M.-H., & Rust, R. T. (2022). AI as customer. International Journal of Service Industry Management , 33 (2), 210–220. https://doi.org/10.1108/JOSM-11-2021-0425
Huang, M.-H., & Rust, R. T. (2024). The Caring Machine: Feeling AI for Customer Care. Journal of Marketing , 88 (5), 1–23. https://doi.org/10.1177/00222429231224748
Huang, M.-H., & Rust, R. T. (2025), “Creative AI for Marketing Strategy: A Triple Engineering Approach,” Working Paper.
Huang, M.-H., & Rust, R. T. (2025). The GenAI Future of Consumer Research. The Journal of Consumer Research , 52 (1), 4–17. https://doi.org/10.1093/jcr/ucaf013
Gerstgrasser, M., Schaeffer, R., Dey, A., Rafailov, R., Sleight, H., Hughes, J., Korbak, T., Agrawal, R., Pai, D., Gromov, A., Roberts, D. A., Yang, D., Donoho, D. L., & Koyejo, S. (2024). Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data. arXiv.Org .
Kotek, H., Dockum, R., & Sun, D. Q. (2023). Gender bias and stereotypes in Large Language Models. arXiv.Org . https://doi.org/10.48550/arxiv.2308.14921
Maciel, A. F., & Weinberger, M. F. (2024). Crowdfunding as a Market-Fostering Gift System. The Journal of Consumer Research , 50 (6), 1221–1242. https://doi.org/10.1093/jcr/ucad052
Mick, D. G. (2006). PRESIDENTIAL ADDRESS: Meaning and Mattering Through Transformative Consumer Research. Advances in Consumer Research , 33 , 1.
Price, L., Hill, R., & Bone, S. (2024), “Disadvantaged and Vulnerable Consumers,” Journal of Service Research , call for papers.
Schmitt, B., Cotte, J., Giesler, M., Stephen, A. T., & Wood, S. (2024). Will We Be the Last Human Editors of JCR? The Journal of Consumer Research , 51 (3), 451–454. https://doi.org/10.1093/jcr/ucae053
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature (London) , 631 (8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y Ukanwa, Kalinda, and Roland T. Rust. “Algorithmic Discrimination in Service.” SSRN Electronic Journal , 2020, https://doi.org/10.2139/ssrn.3654943 .
Valenzuela, A., Puntoni, S., Hoffman, D., Castelo, N., De Freitas, J., Dietvorst, B., Hildebrand, C., Huh, Y. E., Meyer, R., Sweeney, M. E., Talaifar, S., Tomaino, G., & Wertenbroch, K. (2024). How Artificial Intelligence Constrains the Human Experience. Journal of the Association for Consumer Research , 9 (3), 241–256. https://doi.org/10.1086/730709
Wenger, E. (2024). AI produces gibberish when trained on too much AI-generated data. Nature (London) , 631 (8022), 742–743. https://doi.org/10.1038/d41586-024-02355-z
Kommentarer