Fra innsikt til inspirasjon: Hvordan omdefinerer generativ KI forbrukerforskningen?

1. mai 2025

Innledning

Generativ KI er i ferd med å omforme forbrukerforskningen i grunnleggende grad: den styrker kreativ idéutvikling, støtter kvalitativ analyse og omdefinerer feltets utviklingsretning. Tre empiriske studier og én oversiktsartikkel i *Journal of Consumer Research* (Oxford Academic) gir utfyllende rammeverk og praktisk veiledning, og viser både det store potensialet og fallgruvene i samarbeid mellom mennesker og KI.

Kreativ idéutvikling: LLM-er som et tveegget sverd

Som en hjørnestein i forbrukerforskningen er kreativ idéutvikling og samspillet med generativ KI fortsatt lite utforsket i akademia. De Freitas, Nave og Puntoni (2025) definerer idéutvikling som en prosess der hver idé behandles som en enhet med to egenskaper: originalitet og egnethet. Originalitet måler hvor ny en idé er sammenlignet med eksisterende begreper, mens egnethet vurderer hvor nyttig den er for å løse problemet (Melumad and Pham, 2020; Amabile, 1982; Harvey and Berry, 2023). I analysen av hvordan store språkmodeller (LLM-er) støtter kreativitet, identifiserer forskerne to sentrale egenskaper ved LLM-er: produktivitet, evnen til raskt å generere store mengder ideer og gradvis øke originaliteten gjennom iterasjon, og semantisk bredde, evnen til å trekke på ulike domener og koble tilsynelatende urelaterte begreper for å overskride konvensjonell tenkning.

Disse styrkene innebærer likevel risiko: store mengder resultater kan føre til gjentakelser og ensretting. For å bevare mangfold og dybde anbefaler forfatterne teknikker som finjustering, få-eksempel-instruksjoner (few-shot prompting), variasjon i instruksjonene, hybride instruksjoner og tankekjede-instruksjoner (chain-of-thought prompting). De introduserer også metaforen idéroller for å tydeliggjøre funksjonene til LLM-er: når en LLM er hovedidéskaper, kan den utforme mer stringente og objektive eksperimenter og produsere mer kreativt, etisk og lettlest innhold; når mennesker er hovedidéskapere, inntar LLM-en rollen som intervjuer som stiller en rekke utdypende spørsmål for å vekke menneskelig kreativitet, eller som «skuespiller» som simulerer forbrukerintervjuer for å få frem ideer. Til slutt foreslår de ti retningslinjer for bruk av LLM-er i idéutvikling: balansere produktivitet og semantisk bredde, sikre originalitet gjennom mangfoldig samskaping og vurdere resultatene etter originalitet, relevans og gjennomslag (De Freitas et al., 2025).

Kvalitativ forskning på forbrukerkultur: Fire samarbeidskontekster

Epp og Humphreys (2025) ser på generativ KI i kvalitativ forskning på forbrukerkultur og sammenligner fire scenarioer for samarbeid mellom mennesker og KI. I den teoretiske konteksten bruker menneskelige forskere tydelige teorier, hypotesedrevet undersøkelse og kroppslig erfaring for å fordype innsikten gjennom friksjonen mellom data og teori; generativ KI gir derimot en abstrakt oversikt over enorme informasjonsmengder, et «blikk fra ingensteds» (view from nowhere), uten egne mål eller dyp begrepsdannelse. I den kroppslige konteksten bygger mennesker på sansning, rik livserfaring og kulturelle nyanser; KI, som er trent på sin «biografi» av datasett, sammenfatter mange perspektiver effektivt, men kan ikke virkelig oppfatte kontekst eller subtil kulturell dybde. I den empiriske konteksten er det menneskers fordypning i virkelige situasjoner, induktive resonnering og følsomhet for nye detaljer som driver oppdagelser; KI bruker dekontekstualisert informasjon og automatisk koding for raskt å finne mønstre, men går ofte glipp av de mest nyskapende observasjonene. I den historiske konteksten gjør forskeres dype forståelse av bestemte epoker det mulig å tolke kulturell utvikling og samtidig betydning, mens KI, som samler informasjon på tvers av epoker, har en tendens til å flate ut den historiske konteksten. For å håndtere disse avveiningene tar Epp og Humphreys til orde for fire prinsipper og retningslinjer for samarbeid med KI: åpenhet (beskrive hvert forskningstrinn der generativ KI brukes), etterprøvbarhet (vektlegge og rapportere kildene til modellens treningsdata og andre modelldetaljer), personvern (vurdere og rapportere tiltak for å beskytte personvernet) og tro gjengivelse (sikre at forskningsfunnene er autentiske).

Makrotrender: Generativ KI i tre faser

På makronivå skisserer Huang og Rust (2025) en utvikling i tre faser for generativ KI i forbrukerforskningen: Demokratisering, gjennomsnittsfellen og modellkollaps. Først demokratiserer generativ KI deltakelsen, men arver samtidig skjevhetene i menneskelige data; deretter trekker modeller basert på prediksjon av neste token mot gjennomsnittlige svar, noe som svekker individualitet og mangfold; til sist risikerer forskningen å bli selvrefererende når modellene i økende grad lærer av sine egne resultater og fjerner seg fra autentisk menneskelig atferd. Sentrale utfordringer omfatter forsterkning av menneskelige skjevheter, ensretting av resultater og lag på lag av maskinelle skjevheter. For å motvirke dette anbefaler forfatterne å berike datakildene for å bevare fordelingens lange hale, bruke svar- og instruksjonsdesign med kontekstspesifikk finjustering, og integrere hybride data fra mennesker og maskiner og rammeverk for «theory of mind» for å bygge menneskelige faktorer inn igjen og forbedre kvaliteten på KI-resultatene.

Et blikk fremover: Generativ KI og menneskelige forskere

Schmitts (2025) oversiktsartikkel drøfter generativ KI både som verktøy og som en mulig selvstendig «forskningsagent». Han trekker frem gjennomgående temaer, nemlig økt kreativitet, risiko for ensretting og at menneskelig tilsyn er uunnværlig, og stiller flere kritiske spørsmål: Vil fremtidens forskning være samskapt eller KI-ledet? Kan syntetiske deltakere erstatte virkelige? Hvordan bør forbrukerforskningen tilpasse seg etisk og metodisk til den raske utviklingen av generativ KI? Schmitt hevder at forståelsen fortsatt er i startfasen, og at det trengs vedvarende dialog og kritisk granskning.

Konklusjon

Etter hvert som verktøy for generativ KI sprer seg i forskningen på forbrukerkultur, står vi ved et spennende, men krevende veiskille. Forskere må balansere KI-ens effektivitet mot behovet for å ivareta mangfold, slik at marginaliserte grupper i datamaterialets «hale» blir autentisk representert og ikke stereotypisert. Ved å finjustere modeller, optimalisere instruksjonsdesign og ta i bruk prinsipper for dialog mellom menneske og KI kan vi unngå neste-token-prediksjonens «gjennomsnittsfelle» og avverge modellkollaps. Det er verdt å merke seg at LLM-er snart kan komme til både å generere ideer og hjelpe oss med å velge de mest lovende forskningsideene og forutsi en artikkels gjennomslag, ut over tradisjonelle siteringsmål. Til syvende og sist må forbrukerforskere se på KI som mer enn et eksperimentelt verktøy, kritisk granske normene og diskursene som ligger til grunn, og sammen utforske hvordan originaliteten kan bevares samtidig som KI-ens nye perspektiver og metoder brukes til å skape mer inkluderende og betydningsfulle forskningsveier.

References

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