"AI-персона из транскриптов звонков помогает увидеть, где ломается маркетинговая воронка. До того, как ты потратил бюджет 🔥 #кейc Насти Рябовой, AI Strategy & Enablement Lead @ TripleTen 1. Почему нельзя просто попросить GPT представить, что он твой клиент? Обычно синтетические персоны ломаются в тот момент, когда ты просишь их оценить креатив или лендинг в лоб Модель подстраивается под контекст вопроса, включает sycophancy (склонность поддакивать и быть приятным собеседником) и уверяет, что продукт классный, а она бы его обязательно купила Вдобавок к этому вылезают еще две фундаментальные проблемы: • LLM-ки сильно усредняют разные сегменты между собой (mode collapse) • LLM-ки могут тащить культурные стереотипы из своей обучающей выборки (stereotype leakage). В итоге вместо честного фидбека получается удобный собеседник, который во всем с тобой согласен. 2. Как можно собрать синтетическую AI-персону учитывая эти особенности? Мы в TripleTen собираем этот слой, используя реальные данные о пользователях Выгружаем из CRM весь путь лида от клика на баннер до реакции на письма, подтягиваем логи онбординга и транскрипты звонков со всей цепочки продаж Заземляют модель (grounding) именно реальные цитаты и транскрипты • персона опирается на конкретные слова клиентов, это помогает минимизировать пространство для галлюцинаций • поверх материала мы задаём призму: фокусируемся не только на дословных репликах, но и на том, как именно лид принимает решения, где сомневается и как выбирает альтернативы В итоге из сырых цитат собирается decision pattern человека. Для нас это инструмент логического ревью: способ быстро прогнать контент через разные поведенческие сценарии до того, как на них включится трафик. 3. Почему мы собираем несколько AI-персон под один сегмент? Аудитория неоднородна, поэтому внутри одного сегмента мы намеренно смешиваем несколько архетипов с абсолютно разной логикой выбора — чтобы модель не усреднила их всех в одного: • Рисёрчер: медленно сравнивает альтернативы, долго изучает варианты и пока плохо понимает, чего хочет • Семейный лид: принимает решения строго вместе с партнёром или родителями, это третье лицо всегда незримо присутствует в воронке • Сомневающийся лид с культурным барьером: ищет практический апгрейд карьеры, но по умолчанию не доверяет крупным онлайн-покупкам Хороший пример из нашей практики - Лейла. Её паттерн такой: забронировать созвон, проверить нас, уйти думать, вернуться и закрыться на триал Такой прогон отлично подсвечивает косяки контента под разными углами, и помогает менеджерам посмотреть на воронки с другой стороны 4. Как проверить, что система работает? Мы регулярно проводим слепые тесты на воронках, которые провалились в тестах. Модель об этом, естественно, не знает Если AI-персоны начинают хвалить провальную воронку - значит, система плохо откалибрована, ей не хватает контекста или цитат. Если же они с порога находят ровно те баги, которые потом выявила продуктовая аналитика, слой готов к работе над новыми гипотезами При этом важно помнить: даже глубоко заземленные персоны дают меньшую вариативность, чем живые люди, и могут пропускать редкие аномальные реакции. Реальные тесты на живых людях никуда не исчезают 👀 5. Где еще про это почитать? • Bain в свежих отчетах (Synthetic Customers Earn Their Stripes) прямо заявляет: синтетику нужно строить только на собственных first-party данных, и она должна дополнять, а не заменять реальный рисёрч. По их оценкам, такая pre-test надстройка дает сопоставимый инсайт вдвое быстрее и втрое дешевле • А исследователи из Stanford HAI, которые симулировали поведение людей на базе 1000 генеративных агентов, подтверждают: ИИ-персоны точны только тогда, когда они ""загрунтованы"" на реальных интервью и транскриптах • И в этом исследовании LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings Всем больших успехов с AI adoption в вашей работе и компаниях ❤️ Настя Канал Community Sprints про AI, growth и продукт 👀"