生活者デジタルツインへ商品属性の組合せを選ばせると、コンジョイント分析に似た結果を短時間で作れます。しかし、属性の符号や人気順が合っただけで、実在生活者を代替できるとは言えません。選択分布、効用推定、再実行安定性を分け、同じ実査データと比較して利用範囲を決める必要があります。
符号一致だけで代替と決めない
2026年のconjoint replication研究は、synthetic agentsをrepresentational correspondence、inferential correspondence、procedural stabilityの三次元で評価し、研究ごとの結果は均一でないと報告しました[1]。aggregateな符号が似ても、推定値や再実行が安定するとは限りません。
顧客デジタルツインを使ったpairwise comparison研究も、実レビューからagentを構成しpart-worthを推定する可能性を示しますが[2]、公開済みデータと特定taskでの結果です。自社商品の未観測属性へそのまま外挿しません。
同じ選択課題と分析手順を使う
合成回答者と実在回答者へ、同じ属性、level、choice set、no-choice条件、表示順を使います。合成側だけ説明文や背景情報を増やすと、対象者差ではなくprompt差になります。model、temperature、system instruction、seed相当の設定、実行日を残します。
実査側では対象母集団、募集、除外、回答品質を記録します。合成側のprofile数を人間のsample sizeと同じ意味で扱いません。LLM outputは同一母集団から無作為抽出された人間回答ではないため、通常の標準誤差をそのまま適用しない設計が必要です。
三層の一致を分けて評価する
- 選択分布：choice setごとの選択率とno-choice。
- 効用推定：part-worthの符号、順位、差の大きさ。
- 手続き安定性：model、prompt、順序、再実行で結論が変わらないか。
Marketing Scienceの研究は、LLMを人間データの置換ではなくdata augmentationとして統合する統計手法を提案しています[3]。合成回答を増やすほど確信が増えるように見せず、人間データとの重みと不確実性を明示します。
合成回答は仮説補強に限定する
実査前には、属性levelの不足、極端なtrade-off、質問負荷、少数segmentで起こり得る選択理由を発散する用途に向きます。発売判断、需要予測、広告根拠、価格決定は、実在生活者の選択と購買行動で確認します。
NISTのsynthetic data guideは、syntheticとground truthのsummary、分布、下流分析を比較してutilityを評価する考え方を示します[4]。privacyが高いからutilityも高いとは限らず、用途ごとに比較します。関連するprivacyとutilityの二軸評価も参照してください。
合成回答者と実査の比較設計を相談する
停止条件を先に決める
重要属性の符号逆転、segment順位の不一致、model変更での結論反転、no-choiceの欠落、実査との差が許容範囲を超えた場合は、合成回答による推定を停止します。良い結果だけを採用しないよう、promptと分析を事前登録します。
許容範囲は、発売判断に必要な精度から逆算します。価格属性の順位が一致しても差の大きさが実査とかけ離れるなら、価格弾力性の推定には使いません。一方で、低優先の属性候補を絞る用途なら、複数modelとpromptで方向が安定し、実査でも重大な逆転がないことを条件に探索用途へ限定できます。用途、停止条件、再検証日を同じ記録に残します。
適用限界
合成回答者は、生活経験、予算制約、購入責任、社会的状況を実際には持ちません。最新研究も代替範囲を確立した段階ではありません。生活者デジタルツインは仮説生成・調査設計・感度分析へ使い、重大な市場判断を単独で確定しません。
一次情報と確認範囲
確認日：2026年9月19日。製品仕様・制度・研究結果は更新されるため、導入時はリンク先の最新版を再確認してください。海外の制度・職業規範は日本へ直接適用せず、相違点と限界を本文に明記しています。