Vad vi lärt oss sedan sist!

För ett år sedan skrev jag här om att vi hade lanserat AI-genererade fokusgrupper. Det är faktiskt den här kanalens mest lästa artikel och ett ämne jag har haft mycket anledning att diskutera. Allt ifrån nyfikenhet till skepsis till roliga idéer om hur man kan använda dem.

Kort innebär AI-genererade fokusgrupper att vi i ett verktyg låter olika AI:er simulera att vara olika personas och därmed simulera en diskussion mellan dessa. Ämnet kan vara vad du vill och via verktyget styr du allt från vilka deltagarna är till hur moderatorn ska agera till ifall deltagarna ska ha något inläsningsmaterial. Kontrollen på input är mycket hög, men output kan fortfarande variera. Det senare precis som med människor.

En slutsats vi drog redan för ett år sedan är att detta inte är varken en bra eller dålig kopia av människor. Det är något annat – ett nytt verktyg, ett komplement. Men om några saker tänkte vi också fel. En av de viktigaste lärdomarna är att begreppet ”en AI-genererad fokusgrupp” är en meningslös kvantifiering och en förenkling. När man jobbar med detta är det bättre att formulera det som att man gör ett analysarbete med hjälp av AI-genererade fokusgrupper. Det är ofta inte så enkelt som att mata in sina data och hoppas på att maskinen spottar ur sig något briljant. Det kanske den gör, men du måste fortfarande jobba hypotesdrivet.

Här kommer också en av maskinens komparativa fördelar in. Du kan iterera. Maskinen kan göra många fokusgrupper med olika vinklar, men med samma personas. Det kan du inte göra med människor, de blir trötta. Du kan experimentera. Vad händer om du sätter en väldigt tillbakalutad moderator jämfört med en moderator som utmanar allt? Vad händer när du utmanar konsensus? Du kan också styra dina deltagare, jag brukar själv vilja ha en grupp där två personas håller med tesen, två neutrala och två emot. Förmågan att styra på olika sätt gör verktyget fascinerande.

En annan intressant fråga vi stötte på – som också fick oss att bygga ut verktyget – var möjligheten att göra fokusgrupper med deltagare som på den mänskliga sidan hade varit svåra att samla ihop. Börs-VD:ar eller mycket specifika yrkesgrupper. Jag fick en fråga om ifall verktyget kunde simulera tyska spannmålsbönder. Svaret är både enkelt och komplicerat. Det enkla svaret är att ifall vi har data nog för att ge maskinen input så kan den generera vilka personas som helst. Den mer komplicerade delen av svaret är kvalitetsfrågan. Hur får man data nog för att simulera 10 frimärkssamlare från Valdemarsvik? Det finns gränser där vi som människor måste vara noga med kvalitet. Maskinen kan garanterat tro att den kan simulera en frimärkssamlare från Valdemarsvik. Den gör så gott den kan. Jag måste då förstå att maskinen kommer att svara på alla frågor jag ställer och att mitt omdöme behöver begränsa vilka frågor som bör ställas.

Vi har också delat upp användningen i två huvudkategorier: explorativt och undersökande. I det explorativa syftet, där det handlar om att söka idéer eller inspel till något. Där det ändå inte finns ett rätt svar. Där kan man vara lite mer fri i användningen av verktyget. Medan om man ska använda det i undersökande syfte kräver det mer metodik, tillförlitliga data och korrekt ställda frågor.

En sak som tillkommit sedan den förra artikeln är forskning på området. Forskningen är både positiv och kritisk till syntetiska fokusgrupper. Det är inte motsägelsefullt. Det beror på vad man förväntar sig att AI ska kunna göra. Studier från 2026 visar att AI kan vara förvånansvärt bra på att förutsäga hur människor reagerar på olika budskap och argument. Samtidigt visar annan forskning att AI har betydligt svårare att återskapa vad människor faktiskt tycker. Modellerna tenderar att underskatta variationen mellan människor och ibland förstärka stereotyper. Slutsatsen är att syntetiska fokusgrupper kan vara värdefulla för att utforska resonemang, pröva idéer och utveckla hypoteser, men betydligt mindre tillförlitliga för att mäta opinion. Forskningen ger oss därmed bättre förutsättningar att förstå både verktygets möjligheter och dess begränsningar.

För ett år sedan skrev jag att AI inte skapade en Gunnel 67, utan ”alla Gunnel 67”. Det var en bra metafor, men en förenklad beskrivning. AI skapar sin bästa konstruktion av Gunnel utifrån tillgängliga data och inlärda mönster. Skillnaden är viktig. En trovärdig Gunnel behöver inte vara en representativ Gunnel. Det har både vår egen metodutveckling och forskningen gjort tydligare.

Den kanske viktigaste lärdomen från det här året är ändå att fokusgruppen i sig inte är det intressanta. Det är vad vi kan göra med den. Genom att experimentera, utmana hypoteser och förändra förutsättningarna kan vi bedriva ett analysarbete som tidigare hade varit mycket svårt, dyrt eller tidskrävande. Men ju mer maskinen kan göra, desto viktigare blir det att vi människor förstår vad vi faktiskt undersöker och hur resultaten ska tolkas.

För ett år sedan undrade vi om AI kunde göra fokusgrupper. Nu är den intressantare frågan vad vi kan upptäcka med dem. Där tror jag fortfarande att vi bara har börjat.