Fra innsikt til inspirasjon: Hvordan GenAI omdefinerer forbrukerundersøkelser?

Introduksjon

Generativ kunstig intelligens (KI) omformer forbrukerforskning i dybden, styrker kreativ idéutvikling, støtter kvalitativ analyse og omdefinerer feltets utviklingsretning. Tre empiriske studier og én oversiktsartikkel publisert i Journal of Consumer Research (Oxford Academic) tilbyr utfyllende rammeverk og praktisk veiledning, og avdekker det enorme potensialet og fallgruvene ved menneske–KI-samarbeid.

Kreativ idéutvikling: LLM-er som et tveegget sverd

Som en hjørnestein i forbrukerforskning er kreativ idéutvikling og dens samarbeid med generativ KI fortsatt underutforsket i akademia. De Freitas, Nave og Puntoni (2025) definerer idéutvikling som prosessen der hver idé behandles som en enhet med to egenskaper: originalitet og hensiktsmessighet. Originalitet måler en idés nyhetsverdi i forhold til eksisterende konsepter, mens hensiktsmessighet vurderer dens praktiske nytte for å løse problemet (Melumad & Pham, 2020; Amabile, 1982; Harvey & Berry, 2023).

I sin undersøkelse av hvordan store språkmodeller (LLMs) støtter kreativitet, identifiserer forskerne to kjerneegenskaper ved LLMs: produktivitet – evnen til å generere store mengder ideer raskt, og semantisk bredde – kapasiteten til å hente innhold fra ulike domener og knytte tilsynelatende urelaterte konsepter for å overskride konvensjonell tenkning. Gjennom gjentatte iterasjoner kan produktiviteten øke både originalitet og semantisk bredde.

Likevel innebærer disse styrkene risikoer: omfangsrike output kan føre til gjentakelse og homogenitet. For å bevare mangfold og dybde anbefaler forfatterne teknikker som finjustering (fine-tuning), prompting med få eksempler (few-shot prompting), variasjon i promptene, hybrid-prompting og tankekjede-prompting (chain-of-thought prompting).

Videre introduserer de metaforen idéutviklingsroller for å klargjøre LLMs funksjoner: når en LLM fungerer som hovedidéutvikler, kan den utforme strengere, mer objektive eksperimenter og produsere mer kreative, etiske og lettleste tekster. Når mennesker inntar rollen som hovedidéutvikler, kan LLM-en opptre som intervjuer – stille en serie undersøkende spørsmål for å tenne menneskelig kreativitet – eller som «aktør», simulere forbrukerintervjuer for å fremkalle ideer.

Til slutt skisserer De Freitas et al. ti retningslinjer for bruk av LLMs i idéutvikling, med vekt på å balansere produktivitet og semantisk bredde, sikre originalitet gjennom variert samskaping, og evaluere output ut fra originalitet, relevans og gjennomslagskraft (De Freitas et al., 2025).

Samarbeid om kreativ idéutvikling med generativ KI

Kvalitativ forbrukerkulturforskning: fire samarbeidskontekster

Epp og Humphreys (2025) fokuserer på generativ KI i kvalitativ forbrukerkulturforskning, og sammenligner fire menneske–KI-samarbeidsscenarier: i den teoretiske konteksten anvender menneskelige forskere klare teorier, hypotese-drevet undersøkelse og kroppslig erfaring for å utdype innsikter gjennom friksjon mellom data og teori; generativ KI, derimot, tilbyr et abstrakt «syn fra intetsted» over enorme informasjonsmengder uten autonome mål eller dyp konseptualisering; i den inkarnatoriske konteksten utnytter mennesker sanseoppfatning, rik livserfaring og kulturell nyanse, mens KI, trent på sin «biografi» av datasett, effektivt syntetiserer flere perspektiver, men mangler evnen til å oppfatte kontekst eller subtile kulturelle dybder; i den empiriske konteksten driver menneskelig innlevelse i virkelige scenarier, induktiv resonnering og følsomhet for fremvoksende detaljer nye oppdagelser, mens KI bruker dekontekstualisert informasjon og automatisert koding for raskt å identifisere mønstre, men ofte overser de mest nyskapende observasjonene; i den historiske konteksten avdekker menneskelige forskeres inngående kjennskap til spesifikke epoker kulturell utvikling og nåtidsbetydning, mens KI sin aggregering på tvers av epoker har en tendens til å jevne ut historisk kontekst. For å håndtere disse avveiningene anbefaler Epp og Humphreys fire prinsipper og retningslinjer for KI-samarbeid: transparens (beskrive hvert steg der generativ KI brukes), verifiserbarhet (rapportere kilder til KI-modellens treningsdata og andre modelldetaljer), personvern (vurdere og dokumentere tiltak for å beskytte privatliv) og trofast gjengivelse (sikre at forskningsfunn formidles autentisk).

Generativ KI og kvalitativ forskning

Makrotrender: GenAIs tretrinnstrajektori

På makronivå kartlegger Huang og Rust (2025) en tretrinns GenAI-trajector i forbrukerforskning: demokratisering, gjennomsnittsfelle og modellkollaps. Innledningsvis demokratiserer GenAI deltakelse, men arver også menneskelige dataskjevheter; deretter tenderer next-token-prediksjonsmodeller mot gjennomsnittlige svar, noe som tærer på individualitet og mangfold; til slutt risikerer forskningen selvreferanse ettersom modellene i økende grad lærer av egne output og løsriver seg fra autentisk menneskelig atferd. Viktige utfordringer inkluderer forsterkning av menneskelige skjevheter, homogenisering av output og lag på lag av maskinskjevhet. For å motvirke dette anbefaler de å berike datakildene for å bevare langhalefordelinger, bruke respons-/prompt-engineering med kontekstspesifikk finjustering, og integrere menneske–maskin-hybriddata og «theory of mind»-rammeverk for å re-inkorporere menneskelige faktorer og forbedre kvaliteten på AI-output.

Makrotrender innen generativ AI

Fremtidsblikk: GenAI vs. menneskelige forskere

Schmitts (2025) gjennomgang ser på GenAI ikke bare som et verktøy, men som en potensiell autonom «forskningsagent». Han fremhever gjennomgående temaer som forbedret kreativitet, risikoen for homogenisering og det uunnværlige behovet for menneskelig tilsyn, og reiser kritiske spørsmål: Vil fremtidig forskning være medskapende eller AI-ledet? Kan syntetiske deltakere erstatte ekte forsøkspersoner? Hvordan bør forbrukerforskning etisk og metodologisk tilpasse seg den raske utviklingen innen GenAI? Schmitt argumenterer for at vår nåværende forståelse fortsatt er i sin spede begynnelse, og at det er behov for løpende dialog og kritisk granskning.

Konklusjon

Med GenAI-verktøy som får stadig større utbredelse i forbrukerkulturforskning, befinner vi oss ved et både spennende og utfordrende veiskille. Forskerne må balansere AI-effektivitet med å verne om mangfold — sikre at marginaliserte grupper i datamaterialets «hale» får autentisk representasjon fremfor stereotype gjengivelser. Ved å finjustere modeller, optimalisere prompt-engineering og praktisere dialogprinsipper for menneske–AI-samarbeid, kan vi bryte ut av next-token-gjennomsnittsfellen og unngå modellkollaps. Spennende nok kan LLM-er snart ikke bare generere ideer, men også hjelpe oss å velge de mest lovende forskningskonseptene og forutsi en publikasjonens innflytelse, og dermed transcendere tradisjonelle siteringsmålinger. Til syvende og sist må forbrukerforskningsforskere behandle AI som mer enn et eksperimentelt verktøy, kritisk undersøke de underliggende normene og diskursene, og sammen utforske hvordan vi kan bevare originalitet samtidig som vi utnytter AI-ens nye perspektiver og metoder for å skape mer inkluderende og innflytelsesrik forskning.

Referanser:

Amabile Teresa M. (1982), “Social Psychology of Creativity: A Consensual Assessment Technique,” Journal of Personality and Social Psychology, 43 (5), 997–1013.

De Freitas, J., Nave, G., & Puntoni, S. (2025). Ideation with Generative AI—in Consumer Research and Beyond. Journal of Consumer Research, 52(1), 18–31. https://doi.org/10.1093/jcr/ucaf012

Epp, A. M., & Humphreys, A. (2025). Collaborating with Generative AI in Consumer Culture Research. Journal of Consumer Research, 52(1), 32–48. https://doi.org/10.1093/jcr/ucaf014

Harvey Sarah, Berry James W. (2023), “Toward a Meta-Theory of Creativity Forms: How Novelty and Usefulness Shape Creativity,” Academy of Management Review, 48 (3), 504–29.

Huang, M.-H., & Rust, R. T. (2025). The GenAI future of consumer research. Journal of Consumer Research, 52(1), 4–17. https://doi.org/10.1093/jcr/ucaf013

Melumad Shiri, Pham Michel Tuan (2020), “The Smartphone as a Pacifying Technology,” Journal of Consumer Research, 47 (2), 237–55.

Schmitt, B. (2025). GenAI and consumer research: Are we the last generation of human consumer researchers? Journal of Consumer Research, 52(1), 1–3. https://doi.org/10.1093/jcr/ucaf015