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 ^[1] растет вместе с конкуренцией, стоимостью трафика и скоростью обновления ассортимента. Как отмечают в Market Logic ^[2], 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 ^[3] (synthetic customers, или synthetic buyers). Это модели искусственного интеллекта ^[4] (ИИ), которые имитируют вероятную реакцию реальных клиентов ^[5]: 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» ^[6]. Предприниматели в сфере e-commerce получают возможность тестировать стратегию до выхода на рынок — не только через опросы и пилоты, но и через симуляцию поведения ^[7] покупателей на основе данных.

Фактически онлайн-торговля постепенно переходит от модели «запустили — посмотрели результат» к модели «сначала проверили возможную реакцию ^[8] — 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 ^[9] 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 ^[10].

Синтетические покупатели — это попытка смоделировать вероятную реакцию клиента на конкретный сценарий: новую цену, карточку товара, промо, ассортимент или механику покупки. Как отмечает JPMorgan ^[11], 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» ^[12] (AI-personas) — цифровые представители разных сегментов аудитории, с которыми можно тестировать офферы, карточки товаров или рекламные сообщения;

• Синтетические юзеры ^[5] и ИИ-агенты ^[13] — более сложные модели, способные имитировать пользовательские сценарии, анализировать пользовательский опыт ^[14] и выявлять потенциальные барьеры для покупки;

• Симуляции поведения клиентов ^[15] на базе агентных моделей ^[16] — 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 ^[17].

Еще один крупный сценарий — тестирование товаров и ассортимента. Синтетические покупатели позволяют заранее моделировать реакцию аудитории на новый продукт ^[18]: 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 ^[19], где покупатель может запутаться, потерять доверие или отказаться от заказа.

Например, стартап Uxia развивает подход ^[20], 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 ^[21] к синтетическим данным и моделям поведения быстро растет. Аналитики Gartner прогнозируют ^[22], 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 ^[23], 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 ^[24], 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 ^[25] 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 ^[26].

Похожий подход уже используется и в других областях ИИ. Например, при обучении систем автономного вождения ^[27] 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» ^[28] 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 ^[29] «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 ^[30], исследовательские организации ^[5] и технологические игроки ^[31] 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 ^[32], тестирования и развития ИИ-систем. Подобные подходы уже применяются в самых разных отраслях: от медицины ^[33] до финансового сектора ^[34]. По мере развития ИИ синтетические данные постепенно становятся частью инфраструктуры ^[35], 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 ^[11], 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 ^[36]: 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 ^[37], 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 ^[38] 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 ^[39], 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 ^[40], 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 ^[41], 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 ^[42].

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 ^[23], 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 ^[25], но хуже — с эмоциями ^[43], 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 ^[44], 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» ^[45], 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 ^[46] и на ограничения самих синтетических моделей. Nielsen Norman Group указывает ^[47], что синтетические пользователи нередко оказываются слишком поверхностными для понимания пользовательской мотивации ^[48] и контекста принятия решений. Radical Product также отмечает ^[49], 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 ^[50], 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 ^[51].

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.