Hvad er syntetiske personaer?

Syntetiske personaer er kunstigt konstruerede brugerprofiler, som bruges til at undersøge behov, adfærd og scenarier uden at påstå, at de er rigtige mennesker. De kan støtte idéudvikling og tidlig test, men de skal valideres mod faktiske brugere, data eller faglig viden.

Hvordan adskiller syntetiske personaer sig fra almindelige personaer?

En almindelig persona bygger typisk på interviews, observationer, kundedata eller anden dokumenteret viden om en målgruppe. Den er en forenklet repræsentation af mønstre, som allerede er fundet hos virkelige personer. En syntetisk persona er derimod skabt af et system, en model eller en analytiker ud fra antagelser, syntetiske data eller et blandet datagrundlag.

Forskellen ligger ikke kun i, hvem der skriver profilen. Den ligger i bevisværdien. En traditionel persona kan være svag, hvis datagrundlaget er tyndt, men den peger normalt tilbage på en konkret undersøgelse. En syntetisk persona kan være hurtig og detaljeret, men detaljerne kan være plausible uden at være dokumenterede.

Derfor bør en syntetisk persona læses som et arbejdsredskab, ikke som et facit om en målgruppe. Den kan hjælpe dig med at formulere spørgsmål, opdage blinde vinkler og planlægge test, men den bør ikke stå alene, når der træffes beslutninger om produkt, kommunikation, service eller adgang til ydelser.

Hvad består en syntetisk persona normalt af?

En syntetisk persona kan indeholde alder, rolle, erfaring, mål, barrierer, digitale vaner, beslutningskriterier, citatlignende udsagn og forventede handlinger i bestemte situationer. Den kan også have et navn og en kort fortælling, men navnet er kun en skrivehjælp. Det gør ikke profilen mere sand.

De nyttige dele er ofte de operationelle: hvilken opgave personaen prøver at løse, hvilke oplysninger den mangler, hvilke risici der påvirker dens valg, og hvordan den kan reagere på en konkret grænseflade eller besked. Jo tættere personaen er knyttet til en specifik opgave, jo lettere er den at teste.

En god syntetisk persona bør også vise sine forbehold. Det kan være antagelser om datagrundlag, usikkerhed om demografi, fravalgte brugergrupper eller forhold, der kræver menneskelig validering. Uden sådanne forbehold kan profilen ligne dokumenteret brugerindsigt, selv om den kun er en genereret hypotese.

Hvordan bliver syntetiske personaer skabt?

Der findes flere arbejdsmåder. Den enkleste er en manuelt formuleret persona, hvor en medarbejder beskriver en tænkt bruger ud fra erfaring, markedsviden eller projektets mål. Den mere tekniske variant bruger data, segmenter, spørgeskemaresultater eller adfærdslogs til at danne et mønster, som derefter omsættes til profiler.

Nyere metoder bruger store sprogmodeller til at simulere svar, valg eller dialog fra flere tænkte brugere. Forskning i generative agents viser, hvordan softwareagenter kan kombineres med hukommelse, planlægning og refleksion for at skabe troværdige adfærdsmønstre i kontrollerede miljøer. Det er relevant for syntetiske personaer, men det dokumenterer ikke, at en bestemt persona repræsenterer en virkelig målgruppe.

En mere robust proces adskiller derfor generering fra godkendelse. Først beskrives formålet. Derefter vælges datagrundlag og afgrænsninger. Så genereres eller skrives personaerne. Til sidst testes de mod interviews, ekspertvurdering, kendte data eller små brugertests, før de bruges i beslutninger.

Hvornår giver syntetiske personaer mest praktisk værdi?

Syntetiske personaer er mest nyttige tidligt i et projekt, hvor du mangler overblik og har brug for at udforske flere mulige brugerbehov. De kan give et hurtigt sprog for forskelle mellem begyndere, eksperter, travle brugere, skeptiske beslutningstagere eller personer med særlige adgangsbehov.

De kan også bruges, når rigtige brugerdata er vanskelige at skaffe i første fase. Det gælder for eksempel ved nye produkter, interne systemer, uddannelsesforløb eller services, hvor organisationen endnu ikke har nok observationer. Her kan syntetiske personaer gøre de første hypoteser konkrete, så de bliver lettere at undersøge.

Værdien falder, hvis personaerne bruges som erstatning for research. I produktudvikling, offentlig service, sundhed, finans, uddannelse og andre områder med høj konsekvens bør syntetiske personaer højst være et supplement. De kan pege på spørgsmål, men de bør ikke være den eneste stemme i rummet.

Hvilke opgaver kan syntetiske personaer hjælpe med?

De kan især hjælpe med opgaver, hvor formålet er at strukturere tænkning. Du kan bruge dem til at finde informationsbehov, teste om en forklaring er forståelig, afdække mulige indvendinger, planlægge interviewspørgsmål eller sammenligne, hvordan forskellige brugerroller kan reagere på samme løsning.

• Idéudvikling: Personaerne kan give flere synsvinkler på samme problem.
• Indhold og kommunikation: De kan afsløre uklare begreber, manglende definitioner og for svære forklaringer.
• Produktdesign: De kan bruges til tidlige scenarier, hvor brugerens mål, friktion og beslutningspunkter beskrives.
• Risikogennemgang: De kan hjælpe med at finde grupper, som kan blive overset af en løsning.

I AI-arbejde ligger de tæt på andre former for syntetiske data i maskinlæring, men de er ikke det samme. En syntetisk datapost kan være en kunstig række i et datasæt. En syntetisk persona er en fortolket profil, der ofte kombinerer data, antagelser og fortælling.

Hvad kan syntetiske personaer ikke bevise?

De kan ikke bevise, hvad en målgruppe mener, køber, frygter eller forstår. De kan heller ikke dokumentere, at en løsning er tilgængelig, retfærdig eller brugbar for bestemte grupper. En syntetisk persona kan lyde overbevisende, fordi den har mange detaljer, men detaljer er ikke det samme som evidens.

Forskning i store sprogmodeller som simulerede menneskeprøver viser, at modeller kan genskabe nogle mønstre i udvalgte forsøg, men også afsløre systematiske forvrængninger. Studiet Using Large Language Models to Simulate Multiple Humans and Replicate Human Subject Studies beskriver netop simulering som noget, der skal evalueres, ikke antages at være repræsentativt.

Det betyder, at en syntetisk persona ikke bør bruges til at springe brugere over, hvis brugernes faktiske erfaringer er afgørende. Den kan være en skitse over mulige behov. Den kan ikke erstatte interview, feltstudier, testdata, supportindsigt eller fagpersoner med direkte kontakt til målgruppen.

Hvor opstår bias i syntetiske personaer?

Bias kan opstå i datagrundlaget, i de antagelser der gives til modellen, i den måde segmenter vælges på, og i den måde resultaterne redigeres. Hvis historiske data undervurderer bestemte grupper, kan personaerne videreføre det. Hvis beskrivelserne er stereotype, kan genereringen gøre dem mere glatte og overbevisende.

Et centralt problem er, at modeller ofte producerer gennemsnitlige og kulturelt velkendte mønstre. Det kan give personaer, der virker realistiske, men som udvisker minoritetsoplevelser, handicap, sprogbarrierer, alder, økonomiske forhold eller andre faktorer, som påvirker brug. Forskning i modelbaserede erstatninger for menneskelige deltagere viser risikoen ved at udflade identitetsgrupper, når identitet er relevant.

Derfor bør bias ikke behandles som en slutkontrol alene. Det bør indgå i hele processen: valg af datakilder, formulering af profiler, gennemgang af manglende grupper og beslutning om, hvor personaerne må bruges. I AI-projekter hænger det tæt sammen med håndtering af bias i AI.

Hvordan bør du validere syntetiske personaer?

Validering begynder med et klart formål. Hvis personaen skal hjælpe med idéudvikling, kan en let ekspertgennemgang være nok. Hvis den skal påvirke prioritering, designvalg eller risikovurdering, kræver den stærkere kontrol. Jo større konsekvens, jo mere direkte bruger- eller datavalidering bør du kræve.

1. Sammenlign personaens antagelser med kendte data, interviews eller supportmønstre.
2. Marker hvilke udsagn der er dokumenteret, og hvilke der kun er hypoteser.
3. Test mindst én central antagelse med faktiske brugere eller fagpersoner.
4. Fjern detaljer, der ikke kan bruges til en beslutning eller et testspørgsmål.
5. Gennemgå om bestemte grupper mangler, er karikerede eller behandles som én ensartet blok.

En nyttig kontrol er at spørge, hvad personaen ændrer. Hvis profilen ikke fører til bedre spørgsmål, mere præcise scenarier eller tydeligere forbehold, er den sandsynligvis pynt. Hvis den derimod gør en antagelse testbar, har den praktisk værdi.

Hvordan hænger syntetiske personaer sammen med persondata?

Syntetiske personaer kan virke ufarlige, fordi de ikke nødvendigvis beskriver en faktisk person. Alligevel kan persondata blive relevant, hvis personaerne bygger på kundedata, medarbejderdata, spørgeskemaer, adfærdslogs eller andre oplysninger, der kan knyttes til identificerbare personer. Det gælder især i små grupper, specialiserede roller eller sjældne kombinationer af kendetegn.

GDPR skelner mellem personoplysninger, pseudonymiserede oplysninger og oplysninger, der er gjort anonyme på en måde, så personen ikke længere kan identificeres. I EU-forordning 2016/679 fremgår det, at vurderingen af identifikation skal tage højde for midler, der med rimelig sandsynlighed kan bruges, og for den teknologi der findes på behandlingstidspunktet.

Det betyder praktisk, at en syntetisk persona ikke automatisk er anonym. Hvis profilen bevarer sjældne kombinationer, citatlignende udsagn eller detaljer fra et lille datagrundlag, kan der opstå reidentifikationsrisiko. I AI-sammenhæng bør den vurdering kobles til spørgsmål om GDPR for AI-træningsdata, især når data genbruges på tværs af formål.

Hvilken rolle spiller syntetiske data i personaerne?

Syntetiske data kan bruges til at danne mønstre, som personaer bygger på. Det kan være kunstige kunderejser, simulerede svar, fiktive transaktioner eller scenarier, der ligner et virkeligt datamiljø. Fordelen er, at organisationen kan arbejde med mønstre uden at eksponere alle oprindelige data i den tidlige analyse.

Men syntetiske data er ikke automatisk private eller korrekte. Forskning i syntetiske data og anonymisering viser, at syntetiske datasæt enten kan bevare inferensrisici eller miste nytte, og at balancen mellem privatliv og anvendelighed kan være svær at forudsige. Det samme princip gælder personaer: Hvis datagrundlaget er uklart, bliver konklusionerne uklare.

Der er også en forskel mellem syntetiske data og syntetisk fortolkning. Et datasæt kan være genereret efter en statistisk metode, mens personaen ofte er en fortalt sammenfatning. I overgangen fra data til fortælling kan der opstå ekstra antagelser, som bør fremgå af dokumentationen.

Hvordan kan organisationer bruge syntetiske personaer ansvarligt?

Ansvarlig brug handler om at placere personaerne rigtigt i beslutningsprocessen. De egner sig bedst som hypoteser, ikke som dokumentation. En organisation kan bruge dem til at forberede spørgsmål, beskrive mulige friktionspunkter og sammenligne scenarier, men bør kræve stærkere evidens, før personaerne påvirker prioriteringer med direkte konsekvens for mennesker.

En enkel styringsmodel kan have tre niveauer. Første niveau er kreativ udforskning, hvor syntetiske personaer frit kan bruges med tydelig mærkning. Andet niveau er intern planlægning, hvor centrale antagelser skal tjekkes mod data eller fagpersoner. Tredje niveau er beslutninger om service, adgang, behandling eller sikkerhed, hvor syntetiske personaer kun bør være supplement.

Det passer ind i bredere risikostyring i AI-implementeringer. De vigtigste kontrolpunkter er formål, datagrundlag, repræsentativitet, persondata, menneskelig validering og dokumentation for, hvad personaerne må bruges til.

Hvordan ser en enkel arbejdsgang ud?

En praktisk arbejdsgang begynder ikke med at opfinde mange profiler. Den begynder med at afklare beslutningen. Skal personaerne hjælpe med indhold, funktioner, brugerrejser, onboarding, support eller risiko? Når formålet er præcist, kan antallet af personaer holdes lavt, og hver profil kan knyttes til konkrete testspørgsmål.

Arbejdsgangen bør ende med oprydning. Fjern personaer, der ikke længere er relevante, og opdater dem, når nye data viser noget andet. En forældet syntetisk persona kan være mere vildledende end ingen persona, fordi den giver gamle antagelser en autoritativ form.

Hvilke typiske fejl bør undgås?

Den mest almindelige fejl er at forveksle plausibilitet med repræsentativitet. En persona kan være velskrevet og stadig forkert. En anden fejl er at give personaen for mange personlige detaljer, som ikke ændrer analysen. Det kan få profilen til at føles levende, men samtidig skjule hvilke antagelser der faktisk betyder noget.

En tredje fejl er at bruge personaer som erstatning for utilgængelige brugere. Hvis en gruppe er svær at rekruttere, kan det netop være et signal om, at syntetiske antagelser bør kontrolleres ekstra. Ellers risikerer organisationen at forstærke de huller, som allerede findes i dens data.

En fjerde fejl er at lade samme modelgrundlag skabe både personaer, testspørgsmål og evaluering uden menneskelig kontrol. Hvis hele processen kommer fra samme syntetiske kilde, kan den blive selvbekræftende. Forskning i model collapse ved rekursivt genererede data handler om træningsdata, men den illustrerer en bredere pointe: variation og forbindelse til faktisk menneskelig data er afgørende, når modelgenereret materiale bruges som grundlag.

Hvilke kilder ligger til grund?

Artiklen bygger især på forskning i generative agenter, herunder Generative Agents: Interactive Simulacra of Human Behavior, og på forskning i LLM-baserede menneskesimuleringer, blandt andet Using Large Language Models to Simulate Multiple Humans and Replicate Human Subject Studies.

For afgrænsningen af bias, identitetsgrupper og brugerrepræsentation er Large language models that replace human participants can harmfully misportray and flatten identity groups brugt. Databeskyttelse og anonymisering er kontrolleret mod GDPR-teksten på EUR-Lex og forskning i syntetiske data og anonymisering.