Кто такие синтетические покупатели и почему они меняют e-commerce

Электронная коммерция (e-commerce) долго училась понимать покупателя через данные: что человек искал, на какие карточки нажимал, где бросал корзину, как реагировал на скидки и какие товары покупал вместе. Эта аналитика стала основой онлайн-торговли, но у нее есть ограничение — она почти всегда объясняет то, что уже произошло.

Проблема в том, что рынок меняется слишком быстро. Новая цена, рекламный креатив, карточка товара или запуск категории часто проверяются уже «в бою»: когда бюджет потрачен, товар запущен, а команда только начинает понимать, как на это реагируют покупатели. При этом цена ошибки растет вместе с конкуренцией, стоимостью трафика и скоростью обновления ассортимента. Как отмечают в Market Logic, во многих компаниях клиенты меняются быстрее, чем обновляются продуктовые дорожные карты и результаты классических исследований.

На этом фоне в индустрии начинает формироваться новый подход — синтетические покупатели (synthetic customers, или synthetic buyers). Это модели искусственного интеллекта (ИИ), которые имитируют вероятную реакцию реальных клиентов: их предпочтения, сомнения, отношение к цене, рекламе, интерфейсу или самому продукту. Такие модели помогают заранее проверять возможные сценарии: как аудитория воспримет новый товар, вызовет ли промо доверие, где пользователь может отказаться от покупки и почему определенный сегмент не видит ценности предложения.

В PwC называют такой подход «невидимой фокус-группой». Предприниматели в сфере e-commerce получают возможность тестировать стратегию до выхода на рынок — не только через опросы и пилоты, но и через симуляцию поведения покупателей на основе данных.

Фактически онлайн-торговля постепенно переходит от модели «запустили — посмотрели результат» к модели «сначала проверили возможную реакцию — потом приняли решение». И синтетические покупатели в этом смысле — не просто новый вид аналитики, а новый способ работы с неопределенностью.

Кто такие синтетические покупатели

В основе e-commerce долгое время лежали классические «персоны клиентов» (customer personas) — собирательные образы типичных представителей целевой аудитории, сформированные на основе поведенческих характеристик, мотивации и потребительских привычек. Например, это может быть условный «студент, покупающий в основном по скидкам», за которым на практике могут стоять тысячи реальных покупателей со схожими сценариями выбора. Генеративный ИИ позволяет превращать такие описания в более динамичные модели поведения.

Синтетические покупатели — это попытка смоделировать вероятную реакцию клиента на конкретный сценарий: новую цену, карточку товара, промо, ассортимент или механику покупки. Как отмечает JPMorgan, такие системы обычно строятся на базе больших языковых моделей (LLM), дополненных данными о поведении пользователей: отзывами, историей покупок, поисковыми запросами, CRM-данными и результатами исследований.

При этом рынок уже развивается на нескольких уровнях:

• «ИИ-персоны» (AI-personas) — цифровые представители разных сегментов аудитории, с которыми можно тестировать офферы, карточки товаров или рекламные сообщения;

• Синтетические юзеры и ИИ-агенты — более сложные модели, способные имитировать пользовательские сценарии, анализировать пользовательский опыт и выявлять потенциальные барьеры для покупки;

• Симуляции поведения клиентов на базе агентных моделей — системы, которые моделируют поведение аудитории более системно: с учетом сегментов, контекста и реакции на изменения цены, ассортимента или промо.

Несмотря на различия в подходах и уровне сложности, все эти решения объединяет общая идея: использование ИИ для предварительной симуляции поведения и реакции покупателей до реального запуска или взаимодействия с рынком.

Главная ценность синтетических покупателей — возможность быстро и относительно дешево проверять большое количество гипотез одновременно. Если традиционные исследования требуют времени на набор респондентов и проведение тестов, то такие модели позволяют предварительно сравнивать десятки сценариев параллельно: от цен и офферов до пользовательского пути и логики покупки.

Где это уже может применяться в e-commerce

Пока рынок синтетических покупателей остается ранним, у компаний и селлеров появляется возможность использовать такие модели прежде всего там, где важно быстро тестировать разные варианты и снижать стоимость ошибки.

Одна из самых очевидных зон применения — маркетинг и рекламные креативы. Вместо того чтобы сразу запускать кампанию на широкую аудиторию, компании могут заранее проверять, как разные сегменты покупателей воспринимают оффер, визуал или скидочную механику. Например, какие формулировки вызывают доверие, а где промо выглядит слишком агрессивным и почему пользователь может проигнорировать предложение еще до перехода в карточку товара. Подобные сценарии уже используются для предварительной проверки рекламных концепций и сообщений до запуска кампании.

Еще один крупный сценарий — тестирование товаров и ассортимента. Синтетические покупатели позволяют заранее моделировать реакцию аудитории на новый продукт: насколько понятным выглядит позиционирование, не вызывает ли цена ощущение «слишком дорого» или, наоборот, скепсиса из-за слишком низкой стоимости. Особенно это актуально для новых категорий, собственных торговых марок (СТМ), нишевых брендов и экспериментальных SKU, где исторических данных еще недостаточно.

Другая важная зона — UI и клиентский путь. Синтетические пользователи и ИИ-агенты помогают выявлять места, где покупатель может запутаться, потерять доверие или отказаться от заказа.

Например, стартап Uxia развивает подход, при котором синтетические тестировщики проходят UX/UI-сценарии «как реальные пользователи», фиксируя потенциальные точки трения и причины отказа от покупки. Для e-commerce это особенно важно, потому что решение о покупке нередко ломается не только из-за самого товара, но и из-за небольших помех в пользовательском пути — например, неудобной карточки товара, сложной навигации в фильтрах или проблем на этапе оформления заказа.

В каких задачах синтетические покупатели особенно полезны

Наибольшую ценность синтетические покупатели дают в первую очередь в сценариях, где в поведении покупателей можно выявить устойчивые паттерны выбора. В настоящее время такие модели обычно используются как дополнение к классическим UX-исследованиям, а не как их замена.

Вместе с тем интерес к синтетическим данным и моделям поведения быстро растет. Аналитики Gartner прогнозируют, что к 2030 году объем синтетических данных в ИИ-моделях может превысить объем данных, полученных напрямую из реального мира. Хотя этот прогноз касается рынка синтетических данных в целом, он отражает более широкий рост интереса к моделируемым и искусственно создаваемым данным в ИИ-системах — в том числе и в задачах моделирования потребительского поведения. На практике это усиливает интерес к инструментам, которые помогают предпринимателям быстрее проверять гипотезы и работать в ситуациях, где исторических данных недостаточно или они быстро устаревают.

Один из самых очевидных сценариев — запуск новых товаров и категорий. Когда у компании еще нет достаточной статистики именно по новому продукту или сегменту, классическая аналитика оказывается ограниченной. В таких случаях синтетические покупатели помогают предварительно оценить реакцию аудитории, опираясь на более широкий поведенческий контекст, похожие паттерны потребления и данные о смежных сегментах.

Еще один важный сценарий — выход в новые сегменты аудитории. Например, бренд может хотеть адаптировать коммуникацию под более молодых клиентов или протестировать позиционирование в более премиальном сегменте. Синтетические персоны позволяют быстрее понять, какие сообщения с большей вероятностью вызывают доверие, а какие воспринимаются как «не для меня».

Такие модели особенно полезны и в дорогих или рискованных запусках: при изменении ценообразования, масштабной рекламной кампании или выходе в новую категорию. Вместо того чтобы сразу инвестировать в полноценный запуск, компании могут «проигрывать» разные сценарии и отсекать наиболее слабые варианты.

Отдельная зона применения — ситуации, где данные быстро устаревают или поведение аудитории становится менее предсказуемым. Это особенно актуально для быстро меняющихся категорий или нестабильного спроса. В таких условиях синтетические покупатели помогают проверять гипотезы, не дожидаясь накопления полноценной статистики.

Похожий подход уже используется и в других областях ИИ. Например, при обучении систем автономного вождения синтетические данные помогают моделировать редкие и критически важные сценарии, которые сложно собрать в достаточном объеме в реальном мире: опасное поведение других водителей, неожиданные препятствия или нестандартные ситуации на дороге. Для e-commerce такие «пограничные» сценарии тоже могут быть важны: резкое изменение спроса, нетипичная реакция аудитории на цену или неожиданное поведение покупателей в новых категориях. Синтетические модели позволяют предварительно проигрывать подобные ситуации еще до того, как компания столкнется с ними в реальности.

Как использовать это уже сейчас: базовый уровень

Несмотря на то что рынок синтетических покупателей пока остается ранним, базовые способы работы с такими моделями уже становятся массово доступными.

Самый очевидный вариант — создание собственных «ИИ-персон» на платформах и сервисах, построенных на базе LLM-моделей. Предприниматели могут описать несколько типов покупателей и тестировать через такие ИИ-персоны разные сценарии взаимодействия с товаром.

Например, уже сейчас с помощью генеративного ИИ можно предварительно проверить:

• какие фотографии товара и формулировки описания вызывают больше доверия;

• какие вопросы и сомнения возникают перед покупкой;

• как аудитория может отреагировать на скидку, изменение цены или новый оффер;

• какие элементы предложения вызывают ощущение слабой ценности или снижают интерес к покупке.

Особенно полезным такой подход может быть для небольших команд и соло-предпринимателей, у которых нет ресурсов на полноценные UX-исследования, фокус-группы или масштабные тесты.

Более зрелый уровень — подключение к таким моделям данных первого порядка (first-party data): CRM-сегментов, истории покупок, поисковых запросов, отзывов, данных поддержки или результатов прошлых A/B-тестов. Чем ближе синтетические покупатели к реальному поведенческому контексту аудитории, тем выше практическая ценность таких симуляций.

В перспективе такой подход может развиться в отдельные внутренние библиотеки или «хабы ИИ-персон» — системы, где компании смогут хранить синтетических покупателей, сценарии взаимодействия и накопленные инсайты по аудитории.

Тема синтетических покупателей станет предметом отдельного открытого онлайн мастер-класса Университета RWB «Синтетический покупатель: как посмотреть на товар глазами клиента с помощью ИИ», который пройдет 1 июля в 19:00 (Мск). Участники смогут познакомиться с практическими подходами к созданию ИИ-персон, анализу карточек товаров и использованию подобных инструментов для решения задач электронной коммерции.

Ниже — упрощенный пример того, как может выглядеть базовая работа с ИИ-персоной в e-commerce.

Рис. 1. Пример настройки ИИ-персоны покупателя для оценки карточек товаров на маркетплейсе Wildberries (источник: Университет RWB)

Рис. 2, 3. Пример карточки товара, переданной ИИ-персоне для оценки (источник: Университет RWB)

Рис. 4. Пример оценки карточки товара синтетическим покупателем (источник: Университет RWB)

Что происходит на рынке в настоящее время

Рынок синтетических покупателей пока остается ранним, но интерес к таким решениям быстро растет. Крупные консалтинговые компании, исследовательские организации и технологические игроки уже рассматривают синтетических покупателей как одно из перспективных направлений развития исследований на базе ИИ и симуляции поведения клиентов.

Во многом этот сдвиг связан с более широким развитием синтетических данных (synthetic data) — искусственно созданных наборов данных и цифровых симуляций, которые используются для обучения, тестирования и развития ИИ-систем. Подобные подходы уже применяются в самых разных отраслях: от медицины до финансового сектора. По мере развития ИИ синтетические данные постепенно становятся частью инфраструктуры, на которой обучаются, тестируются и масштабируются новые ИИ-системы.

Параллельно развивается и сама технология. Самый базовый уровень сегодня — ИИ-персоны и синтетические исследования. Следующий этап — мультимодальные агентные симуляции, где несколько ИИ-агентов могут взаимодействовать друг с другом внутри цифровой среды, моделируя более сложное поведение аудитории и сценарии спроса.

Меняется также подход к исследованиям. Если раньше проверка гипотез чаще была отдельным проектом — опросом, фокус-группой или пилотом — то теперь компании постепенно движутся к модели непрерывного экспериментирования: постоянному тестированию сценариев и решений почти в реальном времени.

Подобные изменения происходят на фоне более широкого перехода рынка ИИ от экспериментов к попыткам масштабного внедрения технологий в бизнес-процессы. По данным McKinsey, 88% компаний уже используют ИИ хотя бы в одной функции, а 62% — экспериментируют с ИИ-агентами. Однако только около 6% организаций относятся к категории «AI high performers» — компаний, которые смогли добиться значимого бизнес-эффекта от внедрения ИИ. В McKinsey отмечают, что такие компании чаще не просто внедряют отдельные инструменты, а перестраивают рабочие процессы и организационную логику вокруг новых ИИ-возможностей.

Усиливается и более широкий тренд на «агентный e-commerce», где ИИ постепенно становится новым интерфейсом поиска и выбора в онлайн-торговле. По данным исследования ChannelEngine, 58% потребителей уже используют ИИ-инструменты для изучения и сравнения товаров перед покупкой, а более трети хотя бы раз начинали покупательский путь через такие системы. Это означает, что компаниям важно учитывать не только поведение потенциального клиента, но и растущую роль ИИ как посредника между пользователем и принятием решения о покупке.

Аналитики Gartner прогнозируют, что к 2028 году 60% брендов будут использовать агентные ИИ-системы для персонализированных one-to-one взаимодействий с клиентами. По сути, речь идет о постепенном переходе к более автономным моделям взаимодействия между брендом и покупателем, где ИИ будет играть все более активную роль в коммуникации, рекомендациях и клиентском опыте. В этом контексте синтетических покупателей правильно рассматривать как часть более широкой инфраструктуры будущего e-commerce.

На этом фоне AI-first платформы и стартапы уже начинают предлагать инструменты синтетических исследований, ИИ-персон и симуляций поведения клиентов. Например, Reforge в 2026 году представила продукт, где синтетические пользователи автоматически проводят сессии обратной связи по прототипу или URL, формируя структурированный отчет за минуты.

Однако по мере развития рынка все большую роль начинают играть собственные данные компаний. В этом смысле крупные игроки потенциально оказываются в более сильной позиции: они могут использовать данные о покупках, поведении пользователей, программах лояльности и обратной связи для более точной настройки синтетических покупателей.

Во многом именно доступ к данным первого порядка начинает становиться ключевым фактором практической ценности таких моделей. Чем лучше компания понимает свою аудиторию, тем реалистичнее и полезнее становятся подобные симуляции.

При этом рынок пока далек от зрелости. Нет единых стандартов оценки качества синтетических покупателей, а многие заявления о точности моделей по-прежнему исходят от самих разработчиков.

Почему синтетических покупателей не стоит переоценивать

Несмотря на перспективность технологии, большинство экспертов сходятся в одном: синтетические покупатели не могут полностью заменить реальных пользователей, исследования клиентов и живое поведение аудитории. Например, NielsenIQ отдельно подчеркивают, что синтетические респонденты не должны подменять реальных потребителей. Скорее речь идет о дополнительном инструменте проверки, который помогает ускорять исследования и снижать стоимость экспериментов.

Одна из главных проблем заключается в том, что ИИ-модели часто воспроизводят слишком «усредненного» покупателя. Они хорошо работают с типовыми сценариями поведения, но хуже — с эмоциями, импульсивностью, случайными решениями и контекстом. Реальные люди далеко не всегда ведут себя логично: они могут отказаться от покупки из-за неудачного фото в отзывах, странной формулировки комментария или просто настроения в конкретный день.

Кроме того, синтетические покупатели не взаимодействуют с продуктом так, как это делает человек. В UI Patterns отмечают, что такие модели скорее выводят вероятное поведение из паттернов данных, чем действительно «проживают» пользовательский опыт. Поэтому они обычно лучше воспроизводят общие тренды, чем разнообразие и неоднозначность реального человеческого поведения.

Еще один важный фактор связан с качеством данных. В GWI прямо называют данные «самым важным слоем всей системы», подчеркивая, что модели, основанные только на универсальных LLM или открытой информации из интернета, могут звучать убедительно, но при этом не отражать реальные особенности поведения аудитории.

Отдельно обращают внимание и на ограничения самих синтетических моделей. Nielsen Norman Group указывает, что синтетические пользователи нередко оказываются слишком поверхностными для понимания пользовательской мотивации и контекста принятия решений. Radical Product также отмечает, что такие системы могут демонстрировать склонность давать ожидаемые и социально одобряемые ответы вместо реалистичного поведения.

При этом на рынке уже появляются и более успешные примеры. Например, CVS Health использует ИИ-платформу Simile для создания цифровых двойников клиентов на основе больших массивов реальных пользовательских данных. По данным The Wall Street Journal, в ряде внутренних тестов такие модели воспроизводили известные потребительские паттерны с точностью до 95%. Это подтверждает, что практическая ценность синтетических покупателей во многом зависит именно от качества данных, контекста и способа интеграции ИИ в процесс исследований.

Однако даже качественные данные сами по себе не решают проблему. Не менее важным остается то, насколько системно компания в принципе работает с клиентскими исследованиями. На это обращает внимание действующий эксперт по продуктовому подходу, проректор по обучению Университета RWB Павел Волощук:

«Если у команды не выстроен системный процесс клиентских исследований (а большинство продавцов им пренебрегают), в запрос к агенту закладывается невалидная или слишком общая информация — по сути, стереотип о покупателе. Такая модель становится “вещью в себе” и начинает генерировать продуктовые галлюцинации.

Чтобы позволить себе оцифровать клиентские исследования, их сначала нужно поставить на регулярную основу. Это значит — уметь и системно проводить качественные методы (интервью, UX-тесты, дневниковые исследования, наблюдение за покупателями) и количественные (анализ клиентских метрик). Если этого процесса в системном виде нет — о его цифровизации думать рано. Когда вы автоматизируете плохо отстроенный процесс, вы просто ускоряете получение некачественного результата.

Наконец, агенты не решат задачу поиска прорывных инноваций и новых направлений бизнеса так, как это делают люди. Причина — в иррациональности пользовательского поведения, которую агент не способен воспроизвести.»

Отдельной проблемой может стать и переоптимизация решений под саму модель. Если компания начинает адаптировать карточки товаров, интерфейсы или коммуникацию под «ожидания» синтетической персоны, а не под поведение реальных покупателей, это может приводить к расхождению между результатами симуляции и реакцией рынка.

Именно поэтому сегодня синтетических покупателей логичнее рассматривать скорее как промежуточный слой между гипотезой и реальным рынком. Они помогают быстрее сузить набор решений, но не отменяют необходимость проверять ключевые выводы через реальные данные, живых пользователей и A/B-тесты.

От аналитики прошлого — к симуляции спроса

Синтетические покупатели вряд ли заменят реальных людей, живой рынок и классические исследования. Но, вероятно, именно они станут тем промежуточным слоем, которого долго не хватало e-commerce: возможностью проверять решения до того, как компания потратит бюджет, закупит трафик или масштабирует ошибочную идею.

По мере усложнения онлайн-торговли меняется и стоимость эксперимента. Если раньше рынок позволял учиться «на запуске», то в среде коротких циклов, дорогого трафика, перегруженного выбора и ИИ-посредников цена неправильного решения становится слишком высокой. В этих условиях бизнесу все чаще требуется не только аналитика прошлого, но и инструменты предварительного моделирования спроса.

Возможно, главный сдвиг здесь даже не в самой технологии, а в изменении логики принятия решений. E-commerce постепенно движется от модели, где решения проверяются уже после выхода на рынок, к модели постоянной симуляции: когда цена, карточка товара, промо или пользовательский сценарий сначала проходят через цифровую проверку, а уже потом — через реальных покупателей.

И если раньше бизнес в основном анализировал то, что покупатели уже сделали, то теперь он начинает учиться работать с вероятностью их реакции еще до реального столкновения товара и рынка.