Mer enn raskere analyse: hva generativ KI faktisk endrer i forbrukerforskning

Yuan Ren

1. februar

Den raske utviklingen av generativ kunstig intelligens definerer på nytt hvordan forbruker- og markedsføringsforskning gjennomføres. Når en modell kan gjenskape forskningsprosessen i 35 artikler fra ledende tidsskrifter på få minutter, driver vi da fortsatt med «menneskeledet vitenskap»? En studie av Yoo, Haenlein og Hewett, publisert i *Journal of the Academy of Marketing Science*, tar opp nettopp dette spørsmålet: endrer KI bare forskningens verktøy, eller omformer den forskningens epistemologi?

*Generativ KI omformer forbrukerforskningen ved å integrere store språkmodeller i akademiske arbeidsprosesser, fra idéutvikling til teoribygging*

Raske fremskritt i KI-modeller har åpnet nye veier for forskning

Siden lanseringen av ChatGPT har store språkmodeller (LLM-er) og store multimodale modeller (LMM-er) raskt blitt viktige verktøy i akademisk forskning, og er gradvis blitt forankret i flere faser av forskningsprosessen (Marr, 2023). I motsetning til tradisjonell prediktiv KI kan generativ KI skape nytt innhold som tekst, bilder, lyd og video, mens LLM-er, som opprinnelig var rettet mot tekstbehandling, har utviklet seg til modeller som kan integrere multimodal informasjon (Toner, 2023; OpenAI et al., 2024; Gemini Team et al., 2023). Denne evnen skyldes transformerbasert arkitektur og trening på store datamengder, som setter modellene i stand til å forstå kontekst, knytte sammen informasjon og generere innhold (Vaswani et al., 2023). I markedsførings- og forbrukerforskning er multimodal kapasitet særlig avgjørende, ettersom forbrukeratferd ofte innebærer integrasjon av tekstlig, visuell og situasjonsbestemt informasjon, og LMM-er kan behandle disse dataene samtidig og dermed gi en mer helhetlig forståelse (Yu et al., 2023).

Selv om generativ KI er blitt et sentralt akademisk tema, er systematisk forskning på hvordan den påvirker hele forbrukerforskningsprosessen fortsatt relativt begrenset. Eksisterende studier har en tendens til å konsentrere seg om enkeltanvendelser, som å bruke KI til å generere eksperimentutvalg eller støtte teoribygging, uten en helhetlig analyse av hele forskningsløpet (Sarstedt et al., 2024; Li et al., 2024; Arora et al., 2024; Goli & Singh, 2024).

Mot denne bakgrunnen har nyere forskning begynt å undersøke systematisk hvilken rolle LMM-er spiller i forbrukerforskning, på tvers av faser som idéutvikling, teoribygging, eksperimentdesign, dataanalyse og rapportering, og samtidig vurdere fordelene og begrensningene deres.

KI endrer hvordan forskningsspørsmål blir til

Det første steget i forbrukerforskning består vanligvis i å identifisere hull i litteraturen og formulere forskningsspørsmål. Tradisjonelt har denne prosessen hvilt på forskerens erfaring, intuisjon og omfattende lesning av tidligere studier, men generativ KI begynner å omforme denne logikken. Forskning tyder på at LMM-er kan generere forskningsideer ved å identifisere mønstre i store datamengder, og kan simulere «assosiativ tenkning» og «divergent tenkning» (Mednick, 1962; Guilford, 1950). I motsetning til menneskelige forskere hviler ikke disse modellene på intuisjon, men genererer hypoteser ut fra relasjoner i dataene, noe som i en viss grad kan redusere kognitive skjevheter som bekreftelsesskjevhet og ankerskjevhet (Hutson, 2023).

I praksis kan LMM-er raskt gjennomføre litteratursøk, identifisere mulige forskningshull og foreslå nye forskningsspørsmål. De kan for eksempel spørre hvordan opplevd trengsel i virtuelle handlemiljøer påvirker respons på salgskampanjer, eller undersøke forskjeller i forbrukeres respons på digitale kontra fysiske kunstprodukter under knapphetssignaler, spørsmål som gjenspeiler trender i plattformøkonomien og ny teknologi (Colback, 2023; Yoo et al., 2023).

Modellene har likevel tydelige begrensninger. Litteraturgjennomgangene deres hviler ofte på offentlig tilgjengelige data, forskningshullene de foreslår har en tendens til å ligne hverandre, og de mangler ofte en dypere begrunnelse for hvorfor de foreslåtte forskningsspørsmålene er viktige.

*Store multimodale modeller endrer hver fase av forbrukerforskningen, inkludert idéutvikling, teoribygging, eksperimentdesign, dataanalyse og akademisk rapportering*

Teoribygging: potensialet og grensene for tverrfaglig integrasjon

Teoribygging står i kjernen av forbrukerforskningen og krever at forskere forklarer sammenhenger mellom variabler og utvikler testbare hypoteser. LMM-er viser merkbare styrker i denne fasen. De kan integrere teorier fra psykologi, atferdsøkonomi og ledelsesfag, og foreslå variabelsammenhenger og hypoteser på dette grunnlaget (Banker et al., 2024; Eapen et al., 2023). I forskning på tomme varehyller kan modeller for eksempel trekke på teorien om planlagt atferd og teorien om forventningsbrudd; i studier av negativ merkevareinformasjon kan de påkalle kognitiv dissonansteori og tilknytningsteori som forklaringsrammer. Denne tverrfaglige integrasjonen gjør KI til et nyttig verktøy for teoretisk utforskning.

Teoribygging handler imidlertid om mer enn å koble sammen variabler; den krever også forståelse av kausale mekanismer, kontekstuell forankring og forklaringsdybde, områder som markerer dagens grense for disse modellene. LMM-er besitter ikke ekte kausal resonneringsevne; resultatene deres bygger i stor grad fortsatt på statistiske assosiasjoner og semantiske mønstre (Pearl & Mackenzie, 2018). Teoretiske rammeverk generert av modeller må derfor vurderes kritisk og valideres av forskere før de kan bli til meningsfulle teoretiske bidrag i empirisk forskning.

Forhåndstesting og pilottesting: silisiumutvalgets muligheter og risikoer

I designfasen bruker forskere vanligvis forhåndstester for å validere måleinstrumenter og stimuli. LMM-er kan simulere deltakersvar ved å generere «silisiumutvalg», og dermed redusere kostnader og øke effektiviteten (Demszky et al., 2023). Forskning viser at modellene gjør det relativt godt på kvalitative spørsmål og produserer svar som ligner menneskelige deltakeres, men ofte med mindre emosjonell dybde og færre detaljer. På kvantitative spørsmål nærmer resultatene seg reelle utvalg, men avvik forekommer fortsatt. Enda viktigere er det at flere studier viser at modellene sliter med å gjenskape mangfoldet i ekte menneskelig atferd (Park et al., 2024; Santurkar et al., 2023; Tjuatja et al., 2023). Selv om silisiumutvalg har instrumentell verdi i forhåndstestingen, bør resultatene derfor ikke betraktes som direkte erstatninger for reelle forbrukersvar; de egner seg heller til tidlig utforskning og finpussing av design.

Eksperimentdesign og datagenerering: en effektivitetsrevolusjon

I eksperimentfasen kan LMM-er generere måleinstrumenter, eksperimentelle scenarier og virtuelle forbrukermiljøer, og opprette datasett automatisk. Forskning tyder på at modeller kan generere silisiumutvalg ut fra forskningsdesign, fordele betingelser tilfeldig og levere data, noe som øker forskningseffektiviteten betydelig (Chang et al., 2024; Sarstedt et al., 2024). Begrensningene er like tydelige. Problemer oppstår i randomisering, utvalgets representativitet og skjevheter innbakt i treningsdataene (Gui & Toubia, 2023; Haim et al., 2024). På grunn av sikkerhetsbegrensninger unngår modellene dessuten ofte å generere sensitive eller ekstreme scenarier, noe som utilsiktet kan svekke i hvilken grad eksperimentene fanger virkelighetens kompleksitet, og gjøre resultatene mer «normaliserte» enn realistiske. LMM-er forstås derfor best som støtteverktøy i eksperimentdesign snarere enn som mekanismer som erstatter reelle eksperimentmiljøer.

Dataanalyse: kapasitet og usikkerhet side om side

I analysefasen har LMM-er vist en viss kapasitet. De kan forklare statistiske begreper, anbefale analysemetoder og generere kode, og de presterer pålitelig i grunnleggende analyser som korrelasjoner, t-tester og regresjon (Korinek, 2024; Cooper et al., 2024). Når mer komplekse statistiske strukturer er involvert, som medieringsmodeller, modererende effekter eller flernivåmodeller, forblir ytelsen ustabil og kan til og med gi villedende resultater (Frieder et al., 2023; Ignjatović & Stevanović, 2023).

Mer kritisk er det at analyser basert på modellgenererte data ofte avviker betydelig fra konklusjonene i de opprinnelige studiene, og i replikasjonsøvelser noen ganger gir effekter i motsatt retning. Dette tyder på at LMM-er fortsatt har betydelig usikkerhet i statistisk slutning og datagenerering, og at analyseresultatene deres krever grundig validering og replikasjon. Per i dag plasseres KI mer treffende som et støtteverktøy for analyse enn som en selvstendig aktør som kan gjennomføre kompleks statistisk resonnering på egen hånd.

Rapportering: KI som verktøy for faglig formidling og kunnskapsspredning

I rapporteringsfasen fungerer LMM-er ikke bare som språkvaskverktøy, men i økende grad som systemer som støtter kunnskapsformidling og -spredning. Forskning viser at modellene gjør det særlig godt når de retter grammatikk, staving og tegnsetting, en evne som stammer fra trening på store tekstmengder og setter dem i stand til å gjenkjenne ulike språklige feil og heve skrivekvaliteten (Li et al., 2023). Enda viktigere er det at LMM-er kan forstå kontekst og tilpasse uttrykket til ulike lesergrupper, for eksempel ved å generere forskjellige versjoner av forskningsfortellingen for akademiske lesere og for ledere, og dermed styrke lesbarheten og rekkevidden til forskningsfunnene (Wood, 2024).

Rapporteringsfasen er likevel blant de mest risikoutsatte. KI-generert tekst kan mangle originalitet eller inneholde unøyaktige referanser, noe som krever nøye kontroll fra forskeren for å sikre faglig stringens og forskningens troverdighet. Akademia står dessuten overfor nye normative spørsmål, som hvordan bruk av LMM-er skal opplyses om i publikasjoner, hvordan KIs bidrag skal defineres, og hvordan åpenhet og forskningsetikk skal ivaretas ved KI-assistert skriving. Disse hensynene tilsier at KI kan øke skriveeffektiviteten, men at rollen bør forbli «assistert formidling» snarere enn en erstatning for faglig skjønn.

*Forbrukerforskningens fremtid ligger i samarbeid mellom menneske og KI, der forskere og generativ KI arbeider sammen for å styrke innsikt og nyskaping*

Samlet sett: KI erstatter ikke forskeren, men optimaliserer forskningsprosessen

Det virkelige bidraget i studien til Yoo og kollegene ligger ikke i å vise at LMM-er kan gjenskape 35 publiserte artikler; det ligger i å avdekke et dypere spørsmål: når forskningsprosessen kan brytes ned i standardiserte trinn, innebærer det at akademisk kunnskapsproduksjon er blitt sterkt programmatisk? KI kan hjelpe forskere med å restrukturere arbeidsprosesser, fremskynde litteraturgjennomganger, støtte teoretisk integrasjon, bistå i eksperimentdesign og forbedre akademisk skriving, men begrensningene er fortsatt tydelige. Modellene er ustabile i datagenerering, atferdssimulering og komplekse statistiske analyser, og resultatene de gir kan til tider avvike fra reelle empiriske studier. Overdreven avhengighet av disse modellene kan dessuten føre til at forskningsspørsmål ligner hverandre, til mindre nyskaping og til risikoer som «KI-hallusinasjoner». Fremtidig forbrukerforskning vil derfor kreve nye styringsmekanismer, blant annet datavalidering, replikasjon, etisk vurdering og metodisk åpenhet, for å sikre påliteligheten og den faglige stringensen i KI-assistert forskning.

Alt i alt kan forskningsparadigmene, etter hvert som teknologien utvikler seg, gradvis dreie mot samarbeid mellom menneske og KI, der KI fungerer som et kognitivt verktøy i forskningsprosessen mens forskeren forblir ansvarlig for teoretisk skjønn og metodisk design. I denne modellen er generativ KI ikke lenger bare et verktøy, men blir en viktig kraft som driver frem forskningsinnovasjon og tverrfaglig integrasjon.

References

Arora, N., Chakraborty, I., & Nishimura, Y. (2024). EXPRESS: AI-Human Hybrids for Marketing Research: Leveraging LLMs as Collaborators. Journal of Marketing . https://doi.org/10.1177/00222429241276529

Banker, S., Chatterjee, P., Mishra, H., & Mishra, A. (2024). Machine-Assisted Social Psychology Hypothesis Generation. American Psychologist, 79(6), 789–797. https://doi.org/10.31234/osf.io/kv6f7

Chang, S., Kennedy, A., Leonard, A., & List, J. A. (2024). 12 Best Practices for Leveraging Generative AI in Experimental Research (Working Paper 33025). National Bureau of Economic Research.

Colback, L. (2023). The rise of the platform economy. Financial Times. https://www.ft.com/content/e5f5e5b9-3aec-439a-b917-7267a08d320f

Cooper, N., Clark, A. T., Lecomte, N., Qiao, H., & Ellison, A. M. (2024). Harnessing large language models for coding, teaching and inclusion to empower research in ecology and evolution. Methods in Ecology and Evolution, 00, 1–7. https://doi.org/10.1111/2041-210X.14325

Demszky, D., Yang, D., Yeager, D. S., Bryan, C. J., Clapper, M., Chandhok, S., Eichstaedt, J. C., Hecht, C., Jamieson, J., Johnson, M., Jones, M., Krettek-Cobb, D., Lai, L., JonesMitchell, N., Ong, D. C., Dweck, C. S., Gross, J. J., & Pennebaker, J. W. (2023). Using large language models in psychology. Nature Reviews Psychology, 2(11), 688–701. https://doi.org/10.1038/s44159-023-00241-5 Eapen, T. T., Finkenstadt, D. J., Folk, J., & Venkataswamy, L. (2023, July 1). How Generative AI Can Augment Human Creativity. Harvard Business Review. https://hbr.org/2023/07/how-generative-ai-can-augment-human-creativity

Frieder, S., Pinchetti, L., Chevalier, A., Griffiths, R.-R., Salvatori, T., Lukasiewicz, T., Petersen, P. C., & Berner, J. (2023). Mathematical Capabilities of ChatGPT. arXiv. https://doi.org/10.48550/arXiv.2301.13867

Hutson, M. (2023). Hypotheses devised by AI could find ‘blind spots’ in research. Nature. https://doi.org/10.1038/d41586-023-03596-0

Gemini Team, Anil, R., Borgeaud, S., Wu, Y., Alayrac, J.-B., Yu, J., Soricut, R., Schalkwyk, J., Dai, A. M., Hauth, A., Millican, K., Silver, D., Petrov, S., Johnson, M., Antonoglou, I., Schrittwieser, J., Glaese, A., Chen, J., Pitler, E., … Vinyals, O. (2023). Gemini: A Family of Highly Capable Multimodal Models . arXiv. https://doi.org/10.48550/arXiv.2312.11805

Goli, A., & Singh, A. (2024). Frontiers: Can Large Language Models Capture Human Preferences? Marketing Science, 43 (4), 709–722. https://doi.org/10.1287/mksc.2023.0306

Gui, G., & Toubia, O. (2023). The Challenge of Using LLMs to Simulate Human Behavior: A Causal Inference Perspective. SSRN Electronic Journal, 1–27. https://doi.org/10.2139/ssrn.4650172

Guilford, J. P. (1950). Creativity. American Psychologist, 5 (9), 444–454.

Haim, A., Salinas, A., & Nyarko, J. (2024). What’s in a Name? Auditing Large Language Models for Race and Gender Bias. arXiv. https://doi.org/10.48550/arXiv.2402.14875

Ignjatović, A., & Stevanović, L. (2023). Efficacy and limitations of ChatGPT as a biostatistical problem-solving tool in medical education in Serbia: A descriptive study. Journal of Educational Evaluation for Health Professions, 20, 28. https://doi.org/10.3352/jeehp.2023.20.28

Korinek, A. (2024). LLMs Level Up—Better, Faster, Cheaper: June 2024 Update to Section 3 of “Generative AI for Economic Research: Use Cases and Implications for Economists”. Journal of Economic Literature, 61(4).

Li, P., Castelo, N., Katona, Z., & Sarvary, M. (2024). Frontiers: Determining the Validity of Large Language Models for Automated Perceptual Analysis. Marketing Science, 43 (2), 254–266. https://doi.org/10.1287/mksc.2023.0454

Li, Y., Sha, L., Yan, L., Lin, J., Raković, M., Galbraith, K., Lyons, K., Gašević, D., & Chen, G. (2023). Can large language models write reflectively. Computers and Education: Artificial Intelligence, 4, 1–11. https://doi.org/10.1016/j.caeai.2023.100140

Marr, B. (2023). The Best Examples Of What You Can Do With ChatGPT. Forbes. https://www.forbes.com/sites/bernardmarr/2023/03/01/the-best-examples-of-what-you-can-do-with-chatgpt/?sh=49c7fbdedf11

Mednick, S. (1962). The associative basis of the creative process. Psychological Review, 69 (3), 220.

OpenAI, Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., Avila, R., Babuschkin, I., Balaji, S., Balcom, V., Baltescu, P., Bao, H., Bavarian, M., Belgum, J., … Zoph, B. (2024). GPT-4 Technical Report . arXiv. https://doi.org/10.48550/arXiv.2303.08774

Park, J. S., Zou, C. Q., Shaw, A., Hill, B. M., Cai, C., Morris, M. R., Willer, R., Liang, P., & Bernstein, M. S. (2024). Generative Agent Simulations of 1,000 People. arXiv. https://doi.org/10.48550/arXiv.2411.10109

Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books.

Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P., & Hashimoto, T. (2023). Whose Opinions Do Language Models Reflect? Proceedings of Machine Learning Research, 202, 29971–30004.

Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing, 41 , 1254–1270. https://doi.org/10.1002/mar.21982

Tjuatja, L., Chen, V., Wu, S. T., Talwalkar, A., & Neubig, G. (2023). Do LLMs exhibit human-like response biases? A case study in survey design. arXiv. https://doi.org/10.48550/arXiv.2311.04076

Toner, H. (2023). What Are Generative AI, Large Language Models, and Foundation Models? Center for Security and Emerging Technology. https://cset.georgetown.edu/ article/what-are-generative-ai-large-language-models-and-foundation-models/

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2023). Attention Is All You Need . arXiv. https://doi.org/10.48550/arXiv.1706.03762

Wood, S. (2024). The future of consumer research methods: Lessons of a prospective retrospective. Journal of Consumer Research, 51(1), 151–167.

Yoo, K., Welden, R., Hewett, K., & Haenlein, M. (2023). The merchants of meta: A research agenda to understand the future of retailing in the metaverse. Journal of Retailing, 99(2), 173–192. https://doi.org/10.1016/j.jretai.2023.02.002

Yu, W., Yang, Z., Li, L., Wang, J., Lin, K., Liu, Z., Wang, X., & Wang, L. (2023). MM-Vet: Evaluating Large Multimodal Models for Integrated Capabilities . arXiv. http://arxiv.org/abs/2308.02490