Piackutatás blog

„Szeretnénk egy reprezentatív kutatást a magyar KKV-k körében.” Piackutatóként időről időre találkozunk ezzel a mondattal. Első hallásra nincs is benne semmi különös. Ha lakossági kutatásról lenne szó, valószínűleg mindenki pontosan értené, mit jelent. B2B-ben azonban már az első néhány kérdés után kiderülhet, hogy a „reprezentatív KKV-minta” sokkal bonyolultabb fogalom, mint amilyennek elsőre tűnik.

Nem arról van szó, hogy vállalatok körében ne lehetne reprezentatív kutatást végezni, lehet, nagy, hivatalos üzleti felmérések is készülnek ilyen módszerrel. A probléma inkább az, hogy ehhez olyan mintakeretre, vállalati adatokra és mintavételi eljárásra van szükség, amelyekhez egy piackutató cégnek vagy egy átlagos piaci megrendelőnek általában nincs ugyanolyan könnyű hozzáférése, mint egy országos statisztikai hivatalnak. Az OECD üzleti felmérések módszertana is abból indul ki, hogy a célpopulációhoz minél közelebb álló, megfelelő üzleti nyilvántartásból kell kialakítani a mintakeretet.

Mit jelentene az, hogy reprezentatív a magyar KKV-kra?

Kezdjük az alapoknál. Tegyük fel, hogy azt szeretnénk megtudni, mit gondolnak a magyar KKV-k egy adott témáról. De mit értünk magyar KKV alatt? Van rá persze definíció, de egy kétfős könyvelőirodát ugyanúgy ide sorolunk, mint egy 200 főt foglalkoztató ipari vállalkozást. Egy budapesti informatikai céget ugyanúgy, mint egy vidéki élelmiszeripari vállalkozást. A vállalkozások tevékenysége, mérete, földrajzi elhelyezkedése és működése pedig alapvetően meghatározhatja azt is, hogy egy adott kérdésben milyen véleményük van.

Ha tehát reprezentatív mintát szeretnénk, először azt kellene eldönteni, milyen szempontok szerint legyen reprezentatív: cégméret szerint, ágazat szerint, régió szerint, esetleg mindhárom alapján? És mi legyen az árbevétellel, a tulajdonosi háttérrel vagy éppen az exporttevékenységgel? A kérdés nem pusztán elméleti. A hivatalos üzleti felmérésekben éppen ezért gyakran alkalmaznak rétegzett mintavételt: a vállalatokat például ágazat és létszámkategória szerint csoportosítják, majd ezekből a rétegekből választanak mintát.

Vagyis már az első lépésnél szükségünk van valamire, amit úgy hívunk: mintakeret.

A reprezentatív minta nem a kérdőívnél kezdődik

A piackutatásban néha úgy beszélünk a reprezentativitásról, mintha az egyszerűen egy megfelelően beállított kvótatáblázat lenne, valójában ennél többről van szó. Ha például tudjuk, hogy a magyar KKV-k bizonyos arányban tartoznak különböző létszámkategóriákba, és ezt az arányt a kutatás mintájában is megpróbáljuk leképezni, az már egy lépés a megfelelő irányba. De honnan tudjuk, hogy valóban ezek a megfelelő arányok? És még fontosabb: hogyan találjuk meg azokat a vállalkozásokat, amelyekből a mintát felépítjük?

A hivatalos statisztikai felmérések egyik nagy előnye, hogy olyan üzleti regiszterekre támaszkodhatnak, amelyekből a vállalkozások alapvető jellemzői - például tevékenysége, földrajzi elhelyezkedése és mérete - meghatározhatók. Az OECD szerint az ilyen nyilvántartások jelentik a klasszikus üzleti mintavétel egyik legfontosabb alapját. Ugyanakkor még a hivatalos regiszterek sem tökéletesek: változnak a vállalkozások, megszűnnek, új cégek jönnek létre, módosulhat a tevékenységük, és a kisebb cégek egy része könnyebben kimaradhat vagy késve jelenhet meg a nyilvántartásokban.

Egy piackutató cég helyzete ennél is nehezebb lehet.

A céges adatbázis nem feltétlenül reprezentatív mintakeret

A piacon természetesen találhatók vállalati adatbázisok, de egy adatbázis megléte még nem jelenti azt, hogy az automatikusan alkalmas reprezentatív kutatás mintakeretének. Lehetnek benne hiányzó cégek, elavult telefonszámok, pontatlan tevékenységi besorolások, nem megfelelő létszámadatok, illetve olyan vállalkozások, amelyek ugyan szerepelnek a nyilvántartásban, de a kutatás célcsoportjába valójában nem tartoznak.

Az OECD egy korábbi elemzése például kifejezetten arra hívja fel a figyelmet, hogy a kereskedelmi vállalati adatbázisok lefedettsége és reprezentativitása eltérhet a teljes vállalati sokaságétól. Ez különösen fontos, amikor egy kutatás eredményeiről azt szeretnénk mondani, hogy azok a teljes magyar KKV-sokaságra vonatkoztathatók.

Ehhez ugyanis nem elég egy nagy adatbázis, azt is tudnunk kellene, hogy az adatbázisban szereplő cégek milyen kapcsolatban vannak a teljes célpopulációval.

És akkor jön a CATI

Tegyük fel, hogy mégis rendelkezünk egy megfelelően részletes vállalati listával. A kutatás célja mondjuk 500 olyan magyar KKV megkérdezése, amelyek bizonyos feltételeknek megfelelnek.

Telefonálunk. Az első cég nem megfelelő méretű. A második más ágazatba tartozik. A harmadiknál nem érjük el a megfelelő döntéshozót. A negyediknél senki nem akar válaszolni. Az ötödik megszűnt. A hatodik megfelelne, de nem vállalja az interjút. A hetediknél sikerül megtalálni a megfelelő személyt - de ő éppen nem ér rá. És így tovább.

A lakossági kutatásokhoz képest B2B-ben gyakran már maga a megfelelő vállalkozás és a megfelelő válaszadó megtalálása is komoly szűrési folyamat. Az OECD üzleti felmérések módszertana is külön kezeli a vizsgált statisztikai egységet és a tényleges válaszadót, és hangsúlyozza a megfelelő személy azonosításának jelentőségét.

A CATI-kutatásban pedig minden egyes plusz szűrő növelheti a szükséges hívásszámot. Ha a célcsoport a teljes KKV-sokaságon belül csak egy kisebb részhalmaz, akkor a kutatócégnek akár több ezer telefonszámot is fel kell hívnia ahhoz, hogy összejöjjön néhány száz használható interjú, ez pedig nem pusztán módszertani kérdés, ez pénz.

A reprezentativitásnak tehát ára van

A marketingesek háromnegyede nem tudja, mely árakciói nyereségesek

A marketingkutatás egyik legérdekesebb friss eredménye nem egy új technológiáról, hanem egy meglepően hétköznapi üzleti problémáról szól. Les Binet marketinghatékonysági szakértő és Dom Boyd, a Kantar stratégiai vezetője 250 brit, fogyasztási cikkeket gyártó vállalatnál dolgozó marketing- és insightvezetőt kérdezett meg az árpromóciók eredményességéről.

A felmérés szerint a válaszadók 75 százaléka nem tudta megbecsülni, hogy az előző évben alkalmazott árpromócióinak mekkora része volt ténylegesen nyereséges. Miközben 82 százalék úgy gondolta, hogy a legutóbbi akciója nyereséget termelt, az érintettek több mint 60 százaléka ezt nem részletes pénzügyi elemzésre, hanem saját megítélésére vagy csak részleges adatokra alapozta. A megkérdezettek 76 százaléka akkor is megismételt korábbi promóciókat, ha azok nyereségességét nem ellenőrizte megfelelően.

A kutatás további érdekes megállapítása, hogy a vállalatok jelentős része túl rövid időszakot vizsgál az akciók értékelésekor. A megkérdezettek 81 százaléka 13 hétnél rövidebb időtávon mérte a promóciók eredményét, holott a rövid távú forgalomnövekedés nem feltétlenül jelent tartós üzleti előnyt. Az akció idején megugorhatnak az eladások, de ezt később visszaesés követheti, vagy a vásárlók egyszerűen elhalaszthatják a következő vásárlásukat.

A tanulság a piackutatás számára is fontos: a fogyasztói reakciók mérése nem azonos az üzleti eredmény mérésével. Egy kutatás megmutathatja, hogy a vásárlók kedvezően fogadtak egy árengedményt, de annak megítéléséhez, hogy megérte-e az akció, az értékesítési, költség- és hosszabb távú márkaadatokat is figyelembe kell venni. Ez egyben jó példa arra, miért válik egyre fontosabbá a kutatási adatok és a vállalati működési adatok összekapcsolása.

Új mérőszámokkal vizsgálják, mennyire jut eszébe a fogyasztóknak egy márka

A Quantilope október elején új benchmarkrendszert mutatott be, amely a márkák úgynevezett mentális elérhetőségét méri. A fogalom azt írja le, hogy a fogyasztók mennyire könnyen idéznek fel egy márkát különböző vásárlási helyzetekben.

A rendszer közel 8000 adatpontra, több ezer márka vizsgálatára és 35 országra támaszkodik. Három fő mutatót használ: a kategórián belüli mentális részesedést, azt, hogy a kategória vásárlói közül hányan tudják a márkát legalább egy releváns vásárlási helyzethez kapcsolni, valamint azokat a különböző helyzeteket, amelyekben a márka eszükbe jut. A módszertan az Ehrenberg-Bass Institute for Marketing Science megközelítésére épül.

A megközelítés azért érdekes, mert a márkaismertség hagyományos mérésénél többet próbál megragadni. Nem elég, hogy valaki hallott egy termékről: az is számít, hogy egy konkrét igény, probléma vagy vásárlási alkalom felmerülésekor éppen az adott márka jut-e eszébe.

Egy mosószermárka például lehet széles körben ismert, de ettől még nem biztos, hogy a fogyasztók a makacs foltok eltávolításával vagy az érzékeny bőrűek igényeivel kapcsolják össze. A mentális elérhetőség vizsgálata ilyen különbségeket is feltárhat.

A nemzetközi benchmark további előnye, hogy a vállalatok nem csupán saját korábbi eredményeikhez viszonyíthatnak, hanem azt is megvizsgálhatják, hogyan teljesítenek a kategória más márkáihoz képest. A kutatók számára ez új lehetőség a márkakövető vizsgálatok értelmezésére, a megrendelők számára pedig kézzelfoghatóbb kapaszkodót adhat a márkaépítési célok meghatározásához.

A streamingreklámok hatását is egységesebben mérnék

A televíziós reklámok értékelése sokáig viszonylag jól körülhatárolható területen zajlott, a streaming térnyerésével azonban egyre nehezebb megmondani, hogy egy kampány valójában hány embert ért el, és milyen többlethatást hozott a többi médiacsatornához képest.

A brit televíziós közönségmérési szervezet, a Barb októberben bejelentette, hogy az Amazon Prime Video is bekerül a reklámkampányok utólagos értékelésére szolgáló rendszerébe. A CFlight módszertanra épülő megoldás a tervek szerint 2027-től teszi lehetővé a Prime Video kampányainak összehasonlíthatóbb értékelését a hagyományos televíziós és más online videós hirdetésekkel. A rendszer a streamingplatform saját adatait a Barb demográfiai információkat is tartalmazó paneladataival kapcsolja össze.

Eközben a Netflix és a közönségmérési megoldásokat fejlesztő AudienceProject is kiterjesztette együttműködését. A cél, hogy a hirdetők ne csupán a Netflixen elért közönség nagyságát ismerjék meg, hanem azt is, hogyan illeszkedik a platform a teljes médiakampányba, és mekkora többletelérést biztosít más csatornákhoz képest. A megoldás több európai országban, valamint Kanadában is elérhető a hirdetők számára.

A fejlemények a médiakutatás egy régi problémájára világítanak rá. Ha valaki lát egy reklámot a televízióban, majd később egy streamingplatformon is találkozik vele, könnyen előfordulhat, hogy a kampány teljes elérését túlbecsülik, vagy éppen ellenkezőleg, nem ismerik fel az egyes csatornák együttes hatását. A megfelelő méréshez ezért nem elegendő a platformok saját statisztikáit összeadni: a közönségek átfedését és az egyes csatornák tényleges hozzájárulását is vizsgálni kell.

A kutatási szolgáltatók számára ez új üzleti lehetőség. A hirdetők egyre kevésbé elégednek meg azzal, hogy mennyi megjelenést vásároltak. Azt akarják tudni, melyik médiacsatorna mennyivel járult hozzá a kampány eredményéhez, és hová érdemes átcsoportosítani a következő kampány költségvetését.

Az Ipsos már a kampány piaci hatását is vizsgálná

Egy magyar viselkedéskutató munkatársaival 870 millió mesterséges emberből álló virtuális társadalmat hozott létre. A rendszerben elvileg a világ szinte bármely pontjára ráközelíthetünk, megismerhetjük az ott élő szintetikus emberek élettörténetét, interjúkat készíthetünk velük, fókuszcsoportokat szervezhetünk, sőt egész kérdőíves kutatásokat is lefuttathatunk rajtuk. A technológia lenyűgöző, és a felhasználási lehetőségei valóban ígéretesek. A tudományos és üzleti értékét azonban nem a virtuális népesség mérete vagy az élethű beszélgetések döntik el, hanem egy sokkal prózaibb kérdés: mennyire hasonlítanak ezek az emberek a valódiakra, amikor dönteniük, választaniuk vagy reagálniuk kell valamire?

Egy nemrég megjelent interjúban Dávid-Barrett Tamás viselkedéskutató egy meglehetősen rendhagyó fejlesztést mutatott be. Munkatársaival egy olyan társadalmi világmodellt építenek, amely jelenleg 870 millió szintetikus emberből áll, közülük mintegy 900 ezer magyar. A virtuális lakosoknak arcuk, életleírásuk, foglalkozásuk és személyes problémáik vannak, a felhasználó pedig beszélgethet velük, kérdéseket tehet fel nekik, és különféle kutatási helyzetekben vizsgálhatja a reakcióikat.

A fejlesztés mögött álló elképzelés jóval túlmutat a korábban megismert, néhány mondatos demográfiai leírásokból létrehozott AI-perszónákon. A bemutatott Research Studio segítségével interjúk, fókuszcsoportok és kérdőíves felmérések készíthetők, az eredményekből pedig a rendszer akár ábrákkal és hivatkozásokkal ellátott tanulmányt is összeállíthat. Az interjúban elhangzik egy különösen figyelemre méltó példa: egy párizsi üzleti iskola doktoranduszaival végzett kutatási folyamatot a kutató állítása szerint 58 perc alatt sikerült végigvinni, miközben hagyományos módszerekkel egy hasonló tanulmány elkészítése akár kilenc hónapig is eltarthatna.

Ha mindez a gyakorlatban a megfelelő minőségben működik, annak valóban komoly jelentősége lehet a társadalomtudományokban, a közpolitikai elemzésekben és a piackutatásban. Csakhogy az interjúban szereplő állítások között akadnak olyanok is, amelyeknél érdemes megállni egy pillanatra. Nem azért, mert eleve kétségbe kellene vonni a fejlesztés eredményeit, hanem mert a bemutatott technológia teljesítményéről és a belőle levonható következtetésekről egyelőre jóval kevesebbet tudunk, mint amennyit a látványos példák sugallhatnak.

870 millió ember egy virtuális világban - de mit jelent ez a szám?

A legnagyobb számok könnyen elviszik a figyelmet a legfontosabb módszertani kérdésekről. A 870 milliós virtuális népesség hallatán hajlamosak lehetünk arra gondolni, hogy a rendszer gyakorlatilag az emberiség teljes leképezését kínálja, a magyarországi 900 ezer szintetikus lakos pedig első hallásra egy hatalmas, szinte kimeríthetetlen kutatási mintának tűnhet.

Csakhogy egy populáció mérete és a reprezentativitása két teljesen különböző dolog. Ha egy kutatócégnek van egymillió online paneltagja, abból sem következik automatikusan, hogy bármilyen kérdésben pontosan meg tudja mondani a magyar lakosság véleményét. Ha pedig egymillió helyett százmillió mesterséges embert hozunk létre, attól a mögöttük álló modell még nem válik pontosabbá.

A statisztikában a mintanagyság azért fontos, mert a megfelelő mintavétel mellett csökkentheti a véletlen mintavételi hibát. A szintetikus populáció azonban egészen más természetű. A benne szereplő emberek nem egy valós népességből kiválasztott, egymástól független megfigyelések, hanem egy modell által generált vagy összeállított entitások. Ha a modell valamilyen társadalmi jelenséget félreért, a hibája nem tűnik el attól, hogy még több mesterséges embert hozunk létre belőle. Ellenkezőleg: egyetlen torz feltevés több százmillió szintetikus ember viselkedésében ismétlődhet meg.

Képzeljük el, hogy a modell a magyar lakosság árérzékenységét a valóságosnál alacsonyabbra becsüli. Ha erre a feltevésre építjük a szintetikus populációt, majd tízezer vagy egymillió lakossal vizsgáljuk meg egy új termék várható fogadtatását, az eredmény rendkívül stabilnak tűnhet. A futtatásokat megismételhetjük, a táblázatokban alig változnak a számok, a grafikonok pedig meggyőzőek lesznek. Csakhogy a stabilitás nem azonos a pontossággal: lehet, hogy egyszerűen ugyanazt a tévedést reprodukáljuk újra és újra.

A 900 ezer magyar szintetikus lakos tehát önmagában semmit nem mond arról, mennyire alkalmas a rendszer a magyar társadalom modellezésére. Ehhez tudnunk kellene, hogyan állították össze a populációt, milyen forrásokból származnak a demográfiai és társadalmi jellemzői, hogyan ellenőrizték az egyes csoportok közötti különbségeket, és milyen valós adatokkal hasonlították össze a rendszer eredményeit. Az interjúban Dávid-Barrett azt mondja, hogy a fejlesztéshez nem használtak fel valódi emberektől származó adatokat, a pontos technológiát azonban üzleti okokból nem kívánja részletezni. Ez önmagában nem bizonyítja, hogy a módszer hibás, viszont kívülállóként jelentősen megnehezíti a teljesítményének független ellenőrzését.

Attól, hogy valaki életszerűen beszél, még nem biztos, hogy úgy is viselkedik

A szintetikus emberek egyik legérdekesebb tulajdonsága, hogy részletes élettörténettel rendelkeznek, és a velük folytatott beszélgetés sokszor meglepően természetesnek hat. Ez fontos technikai teljesítmény, de a társadalomkutatás szempontjából nem elegendő.

A piackutatásban ugyanis nem az a feladat, hogy életszerű válaszokat állítsunk elő, hanem hogy megbízható információt szerezzünk arról, mit gondolnak, mit éreznek és mit tesznek a valódi emberek. A két dolog között jelentős különbség van. Egy mesterséges fogyasztó képes részletesen elmagyarázni, miért választana egy drágább terméket, hogyan viszonyul egy márkához, vagy miért tart fontosnak egy társadalmi ügyet. Ebből azonban nem következik, hogy a valódi fogyasztók is ilyen arányban gondolkodnak így, vagy hogy tényleges vásárlási helyzetben ugyanezt a döntést hoznák.

A nyelvi modellek ugyanis kiválóan képesek olyan válaszokat generálni, amelyek illeszkednek egy személy leírásához és a kérdés kontextusához. Ez a képesség egyben a gyenge pontjuk is lehet: a modell gyakran abból indul ki, hogy az adott profilhoz milyen viselkedés illik. Egy 35 éves, diplomás, nagyvárosi fogyasztótól például könnyen várhat tudatos, ár-érték arányt mérlegelő vagy környezetbarát döntéseket, miközben a valóságban az ilyen jellemzők között korántsem mindig áll fenn olyan szoros kapcsolat, mint amilyet a modell feltételez.

Egy 2026-ban megjelent, a Proceedings of the National Academy of Sciences folyóirathoz kapcsolódó kutatás 15 korszerű nyelvi modellt vizsgált valós társadalomtudományi adatbázisokon. A kutatók azt találták, hogy amikor a modelleknek csak korlátozott demográfiai és történeti információt adtak meg, a generált adatok nem tudták megfelelően reprodukálni a valódi populációk statisztikai tulajdonságait. A mesterséges adatokban összenyomódott a valódi emberek közötti változatosság, miközben bizonyos változók közötti összefüggések a valóságosnál erősebbnek mutatkoztak. A modellek az emberek életútjának időbeli összefüggéseit sem tudták megfelelően visszaadni. (Forrás: https://doi.org/10.1073/pnas.2538145123).

Ez nem jelenti azt, hogy minden szintetikus populáció szükségszerűen ilyen hibákkal működik, hiszen a módszerek és a célok eltérhetnek egymástól. Arra viszont egyértelműen figyelmeztet, hogy a meggyőző, személyes hangvételű válaszok nem tekinthetők bizonyítéknak a társadalmi reprezentativitásra. A virtuális ember akár rendkívül részletesen elmesélheti, milyen nehézségekkel küzd a mindennapokban, de ebből még nem tudjuk, hogy a valódi emberek között mennyire gyakori ez a probléma, milyen más tényezőkkel függ össze, és hogyan befolyásolja a viselkedésüket.

A titkos módszer önmagában nem baj, a független ellenőrzés hiánya annál inkább

A közvéleményt továbbra is rendszeresen mérik, a fogyasztókról pedig továbbra is készülnek kutatások. Csakhogy az orosz kutatási piac az elmúlt néhány évben alapvetően átalakult: a nagy nemzetközi cégek közül többen kivonultak, mások orosz többségi tulajdonba kerültek, a politikai közvélemény-kutatás pedig egy olyan környezetben működik, ahol egy válaszadó számára már az sem feltétlenül közömbös, mit mond egy kérdezőbiztosnak.

Ha valaki ma ránéz az orosz közvélemény-kutatásokra, könnyen támadhat az az érzése, hogy két különböző ország adatait látja. Az egyik oldalon ott vannak az állami hátterű intézetek, mindenekelőtt a VCIOM és a FOM, amelyek rendszeresen közölnek politikai és társadalmi adatokat, a másikon pedig a Levada Center, amely független kutatóintézetként működik, miközben az orosz hatóságok „külföldi ügynöknek” minősítették.

Mindegyik rendszeresen kérdez embereket. Mindegyiknek vannak országos mintái. Mindegyik közöl módszertant. És mégis egészen más környezetben dolgoznak.

A történet ráadásul nem áll meg a politikai közvéleménynél. A fogyasztói és piackutatási szektorban ugyancsak komoly változások történtek, és 2026-ra gyakorlatilag kialakult egy sokkal inkább orosz tulajdonú kutatási piac.

A közvélemény-kutatás nem tűnt el

A legegyszerűbb tévedés az lenne, ha azt gondolnánk, hogy a politikai elnyomás miatt Oroszországban már nem lehet közvéleményt kutatni.

Lehet.

A Levada Center például továbbra is havonta végez országos omnibusz kutatásokat. A standard minta 1600, 18 év feletti városi és falusi lakosból áll, a mintavétel több lépcsős, rétegzett és valószínűségi alapú, a lekérdezés pedig személyes interjúkkal történik. A szervezet jelenlegi módszertani leírása szerint 139 települést és Oroszország 50 régióját fedi le, a statisztikai hibahatár egy 50 százalék körüli eredménynél legfeljebb 3,4 százalékpont.

Ez első pillantásra meglehetősen hétköznapi közvélemény-kutatási módszertannak tűnik. És technikai értelemben valóban az.

A nehézség inkább a kérdezőbiztos és a válaszadó között van.

Mit mond az ember egy olyan országban, ahol bizonyos politikai vélemények nyílt kifejezése komoly következményekkel járhat? Mennyire válaszol őszintén egy háborúról, az állam vezetőiről vagy a politikai rendszerről szóló kérdésre? És ami talán még fontosabb: ki hajlandó egyáltalán válaszolni?

Ezekre a kérdésekre sokáig meglehetősen sötét válaszokat adtak a kutatás kritikusai. A leggyakoribb érv szerint az orosz emberek félnek, ezért vagy nem vesznek részt a kutatásokban, vagy azt mondják, amit szerintük a kérdező hallani akar.

A kép azonban ennél bonyolultabb.

Egy 2025-ben publikált kutatás 2016 és 2024 között végzett 42 telefonos oroszországi közvélemény-kutatás adatait elemezte. A kutatók azt találták, hogy a kutatásokban való együttműködési hajlandóság már 2021 előtt csökkent, 2021 után azonban összességében stabil maradt; 2023-ban volt egy átmeneti visszaesés, amely 2024-re ismét javult. A háborús környezetben a politikai témájú kérdezés valóban csökkentette a részvételi hajlandóságot, de a magasabb tiltakozási potenciállal rendelkező régiókban éppen ellenkező jelenséget figyeltek meg: ott a politikai témájú kutatások bizonyos esetekben még növelték is a részvételt.

Ez egészen érdekes eredmény.

A kutatás ugyanis bizonyos emberek számára nemcsak mérési helyzet lehet, hanem ritka alkalom arra, hogy elmondják, mit gondolnak.

A Levada Center szerint a kutatások továbbra is működnek

A Levada Center maga is foglalkozott azzal, hogy mennyire lehet megbízni az oroszországi felmérésekben. Denis Volkov, a szervezet igazgatója 2025-ben részletesen elemezte a kritikákat.

A Levada adatai szerint a személyes megkérdezéseknél a válaszadási arány 2021-ben átlagosan 31 százalék volt, 2022-ben 27 százalék, 2023-ban és 2024-ben pedig 29 százalék. Ez természetesen nem magas szám, de Volkov szerint nem mutat olyan összeomlást, amely alapján a háború kezdete után a kutatások módszertanilag használhatatlanná váltak volna. A telefonos kutatásoknál jóval alacsonyabb, 9-10 százalék körüli arányokat mértek, ami részben a kéretlen hívások és a csalások miatt általános bizalmatlansággal is összefügghet.

A Levada ennél is tovább megy: saját elemzése szerint nincs bizonyíték arra, hogy a kutatásokban csak a kormánnyal szimpatizáló emberek vennének részt, és arra sincs egyértelmű adat, hogy az ukrajnai háborúról szóló kérdések tömegesen megszakított interjúkhoz vezetnének.

Ez azonban nem jelenti azt, hogy minden válasz szó szerint igaznak tekinthető.

A közvélemény-kutatás egyik örök problémája, hogy nem azt méri, mi van az emberek fejében, hanem azt, amit hajlandók elmondani. Egy demokratikus országban is létezik társadalmi elvárásnak való megfelelés, politikai lojalitásból adott válasz, bizonytalanság vagy egyszerű érdektelenség. Egy olyan rendszerben viszont, ahol bizonyos kijelentéseknek jogi vagy egzisztenciális következménye lehet, ez sokkal fontosabb tényezővé válik.

Az orosz kutatások értelmezésénél ezért nem az a jó kérdés, hogy „igazat mondanak-e az emberek”, hanem inkább az, hogy milyen körülmények között mondják azt, amit mondanak.

És közben ott vannak az állami kutatók

Az orosz közvélemény-kutatási piac egyik legfontosabb szereplője a VCIOM, vagyis az Összoroszországi Közvélemény-kutató Központ.

A története önmagában sokat elárul. A VCIOM 1987-ben még a szovjet munkaügyi minisztérium és a szakszervezeti központ részeként jött létre. 1998-ban állami egységes vállalattá alakult, majd 2003-ban részvénytársasági formát kapott, teljes állami tulajdonnal. A saját bemutatása szerint jelenleg is rendszeresen végez társadalmi, gazdasági, politikai és választási kutatásokat szövetségi és regionális állami megrendelők számára.

2025-ben a szervezet még a nevét is megváltoztatta: az addigi „Összoroszországi Közvélemény-kutató Központ” helyett VCIOM Analitikai Központ lett. A Vedomosztyi beszámolója szerint az orosz állam továbbra is 100 százalékban tulajdonos, az igazgatótanácsban pedig az elnöki adminisztráció képviselői is jelen vannak. A szervezet fő megrendelői az állami szervek.

Ez természetesen nem jelenti automatikusan azt, hogy a VCIOM minden kutatási eredménye hamis lenne. Egy állami kutatóintézet attól még végezhet korrekt mintavételt és pontos adatfelvételt.

A probléma máshol van: a kutatás függetlenségének kérdésében.

Ha ugyanaz az intézmény méri a társadalom véleményét, amelynek tulajdonosa az állam, és amelynek jelentős megrendelői maguk az állami szervek, akkor a kutatás értelmezésénél ezt a körülményt egyszerűen nem lehet figyelmen kívül hagyni.

A FOM, vagyis a Fond Obscsesztvennoje Mnyenyije valamivel más történet. Az intézmény a szovjet korszak végén a VCIOM részeként működött, 1992-től önálló szervezetté vált, és azóta politikai, társadalmi, gazdasági és marketingkutatásokat is végez. Saját meghatározása szerint független szociológiai szolgálat. Heti rendszerességgel közöl országos felméréseket politikai, gazdasági és társadalmi kérdésekről.

Vagyis Oroszországban nem egyetlen „állami közvélemény-kutatás” létezik. Több intézmény dolgozik egymás mellett, eltérő tulajdonosi és intézményi háttérrel.

A Levada különleges helyzete

A Levada Center helyzete azért érdekes, mert egyszerre tekinthető az egyik legismertebb orosz kutatóintézetnek és az egyik legkényesebb helyzetben lévőnek.

Az orosz hatóságok külföldi ügynökként tartják nyilván, miközben a szervezet tovább működik, kutatásokat végez és publikálja az eredményeit.

A módszertani kérdésekben ezért különösen fontos, hogy ne egyszerűen politikai címkék alapján döntsünk arról, használhatók-e az adatai. A mintavétel, a kérdezés módja, a válaszadási arány, a kérdések megfogalmazása és az idősorok változásai ugyanúgy vizsgálandók, mint bármely más országban.

A Levada például 2026 júliusában 1612 embert kérdezett meg személyesen, 137 településen, Oroszország 50 régiójában. A kutatás szerint 57 százalék feszültnek ítélte a politikai helyzetet, 13 százalék kritikusnak vagy robbanásveszélyesnek, miközben 19 százalék nyugodtnak és 7 százalék kedvezőnek látta azt.

Ugyanebben a hónapban a Levada 74 százalékos elnöki teljesítmény-elfogadottságot mért, 20 százalékos elutasítottság mellett.

Az ilyen adatokból természetesen nem következik automatikusan, hogy az orosz társadalom háromnegyede politikailag lelkes Putyin-támogató. Az „elfogadja az elnök tevékenységét” típusú kérdés ugyanis nem azonos a politikai rendszer minden elemének támogatásával, és végképp nem azonos azzal, hogy valaki minden kormányzati döntéssel egyetért.

A kutatónak itt különösen óvatosnak kell lennie a kérdés és az abból levont következtetés közötti távolsággal.

Közben a piackutatás is átalakult

A fogyasztói és üzleti kutatások története még látványosabb változást mutat.

Az elmúlt évtizedekben Oroszországban jelen volt szinte valamennyi nagy nemzetközi kutatócég. GfK, Nielsen, Ipsos, Kantar és más nemzetközi szereplők komoly helyi infrastruktúrát építettek ki. A GfK például már 1991-ben megjelent az orosz piacon, a Nielsen 1994-ben kezdett működni, és mindkét vállalat komoly fogyasztói, kiskereskedelmi és FMCG-adatbázisokat épített fel.

A háború után azonban ez a piac is elkezdett leválni a nemzetközi kutatási világról.

A Kantar 2022-ben bejelentette, hogy leállítja oroszországi működését, majd 2023 januárjára teljesen kivonult az országból.

Az Ipsos más utat választott. Az Ipsos Comcon oroszországi vállalatból 2026 februárjában 80 százalékot értékesített egy orosz befektetési társaságnak, az Ipsos pedig 20 százalékos kisebbségi részesedést tartott meg. Maga az Ipsos közölte, hogy a döntés hátterében az a 2025-ben elfogadott orosz jogszabály állt, amely a piackutatást végző vállalkozásokban a külföldi tulajdont és kontrollt 20 százalékra korlátozza.

A GfK és a Nielsen története hasonló irányba haladt, bár ott a lokalizáció már korábban megkezdődött. 2026 szeptemberében lezárult az oroszországi üzletágak értékesítése: a GfK-Rus és a Nielsen orosz eszközei orosz befektetők tulajdonába kerültek, miközben a cégek továbbra is fogyasztói, kiskereskedelmi és piaci adatokat szolgáltatnak. A GfK-Rus ma ICMR néven működik, és saját közlése szerint teljesen lokalizált vállalkozássá vált.

Ez már nem egyszerű kivonulási történet, inkább egy új modell kialakulása.

Nem tűnt el a kutatás, csak oroszabb lett

Már az AI-válaszokban megjelenő reklámokat is mérni kell

A piackutatás egyik új frontja lassan nem a Google vagy a közösségi média, hanem maga az AI-chat lesz. A Comscore szeptemberben kibővítette AI Intelligence nevű mérési rendszerét, amely immár azt is vizsgálja, hogyan teljesítenek a szponzorált hirdetések az AI-alapú chatfelületeken. A rendszer azt próbálja megválaszolni, hogy egy márka megjelenése egy AI-válaszban vezet-e későbbi weboldal-látogatáshoz, nagyobb engagementhez vagy más fogyasztói aktivitáshoz.

A változás azért érdekes, mert az AI-asszisztensekben megjelenő márkaemlítések egészen más természetűek, mint a hagyományos online hirdetések. Egy Google-találati oldalon például jól elkülönül a hirdetés és az organikus találat. Egy AI-válaszban viszont a felhasználó egyetlen, természetes nyelvű választ kap, amelyben akár több márka is megjelenhet. A reklám- és márkamérésnek ezért lassan azt is meg kell tanulnia, hogyan mérje a márkák jelenlétét egy beszélgetésben.

Ez a piackutatók számára új típusú kérdéseket hoz: mely márkákat ajánlja az AI, milyen témákban jelennek meg, milyen gyakran említi őket, és mindenekelőtt: mit csinál ezután a fogyasztó?

Az AI már nemcsak elemez, hanem üzleti adatokat is figyel

Szeptemberben indult el az Askalytics nevű brit platform, amely azt ígéri, hogy a nem technikai szakemberek is természetes nyelven kérdezhetnek rá a vállalatuk üzleti adataira. A rendszer többek között Google Analytics 4-, Google Ads-, HubSpot- és Mailchimp-adatokhoz kapcsolódik, a kérdések pedig akár Slackből vagy Microsoft Teamsből is feltehetők.

A szolgáltatás nem áll meg az egyszeri kérdés-válasznál: heti rendszerességgel automatikus insightokat küld, és szokatlan változásokat is keres az adatokban. A fejlesztők külön figyelmet fordítottak arra, hogy az AI által adott válaszokat egy második modell újraellenőrizze.

Ez a piackutatás szempontjából azért érdekes, mert az elemzés lassan kikerül a kutatási osztály kizárólagos hatásköréből. Ha egy marketingvezető, értékesítő vagy cégvezető saját maga tud kérdezni az adatoktól, akkor a kutató szerepe egyre inkább az adatok megfelelő értelmezésében, a kérdések megfogalmazásában és a módszertani kontrollban lehet fontos.

A fogyasztói visszajelzésből automatikusan akció lehet

Az Alchemer szeptember elején mutatta be Iris nevű új customer feedback platformját. A rendszer egy helyen kezeli a survey-válaszokat, értékeléseket, reputációs adatokat és más ügyfél-visszajelzéseket, majd AI segítségével nemcsak összefoglalja azokat, hanem konkrét intézkedéseket is javasol. A rendszer képes például automatikus utánkövetést indítani, értékelésekre válaszolni, insightokat azonosítani és az eredményeket továbbítani azokba a vállalati rendszerekbe, ahol a munkát ténylegesen elvégzik.

Ez egy fontos szemléletváltást jelez. A klasszikus ügyfél-elégedettségi kutatás logikája nagyjából így nézett ki: megkérdezzük az ügyfelet → elemezzük a válaszokat → riportot készítünk → átadjuk a vezetőségnek.

Az új modell inkább: megkérdezzük → értelmezzük → eldöntjük, mi a teendő → elindítjuk a teendőt.

A különbség elsőre technológiai részletnek tűnik, valójában azonban a kutatás üzleti értékéről szól. Egy insight önmagában nem változtat meg semmit. Az érték akkor keletkezik, amikor az insightból döntés és cselekvés lesz.

Új pénz érkezik az AI-piackutatásba

Szeptemberben 3 millió dollár seed befektetést kapott a kanadai Askpolly, amely a közösségi médiában zajló beszélgetésekből próbál kutatási célra használható, reprezentatív mintákat építeni. A vállalat szerint a hagyományos kutatás egyik problémája, hogy a fogyasztók jelentős része már eleve folyamatosan megosztja a véleményét online, ezt azonban a kutatók eddig csak korlátozottan tudták strukturált módon felhasználni.

A megközelítés egyik érdekes pontja, hogy nem egyszerűen a közösségi médiából származó véleményeket akarják összegyűjteni. Az Askpolly célja, hogy ezekből kutatási mintát építsen, majd olyan elemzést adjon, amely közelebb áll a klasszikus kutatási logikához.

Ez fontos különbség. A közösségi média hangos véleményei ugyanis önmagukban nyilvánvalóan nem reprezentatívak. Egy népszerű poszt alatt több ezer hozzászólás még nem jelenti azt, hogy az adott álláspont a társadalom többségének véleménye. A technológia valódi kihívása éppen az, hogy a rengeteg spontán online véleményből hogyan lehet érvényes kutatási következtetést levonni.

A Mintel szerint az innovációkutatás is „döntési rendszerré” válik

A Mintel szeptemberben új CPG-innovációs keretrendszert mutatott be, amely AI segítségével próbálja összekapcsolni a fogyasztói kereslet változását azzal, hogy a vállalatok és a kategória szereplői mennyire reagálnak ezekre a változásokra.

A megközelítés lényege, hogy a vállalat ne két külön információból próbáljon következtetni - például „ezt akarják a fogyasztók” és „ilyen termékek vannak a piacon” -, hanem a kettőt egyetlen elemzési keretben lássa.

A Mintel szerint ezzel az insight szerepe is változik: nem egyszerűen több információt kell előállítani, hanem olyan rendszert kell létrehozni, amely segít eldönteni, hová érdemes beruházni és mely innovációkat érdemes továbbvinni.

Ez a tendencia több korábbi fejleménnyel is összecseng, de most már egyre több kutatócég fogalmazza meg explicit módon: a kutatás jövője nem feltétlenül egy újabb és újabb riport előállítása, hanem a döntéstámogató rendszer kialakítása.

Egy fontos személyi változás az Ipsosnál

Az Ipsos szeptemberben új vezetőt nevezett ki brit és ír üzletágának élére: Trinh Tu váltotta Kelly Beavert, aki időközben az Ipsos globális vezérigazgatója lett. Tu korábban az Ipsos UK kutatási és közvélemény-kutatási területén töltött be vezető szerepet.

A vezetőváltás önmagában nem feltétlenül lenne jelentős iparági hír, de jól mutatja, hogy a nagy kutatócégeknél egyre szorosabban kapcsolódik össze a klasszikus kutatás, az adat, az analitika és a tanácsadás. A nagy nemzetközi szereplők számára ugyanis egyre fontosabb kérdés, hogyan tudnak a puszta adatfelvételen túl magasabb hozzáadott értékű insight- és döntéstámogatási szolgáltatást nyújtani.

A hivatalos statisztika is új korszak előtt áll

Nem közvetlenül a piackutatási iparág híre, de a kutatási szakma szempontjából érdekes változás történt az Egyesült Királyságban: André Loranger, a kanadai statisztikai hivatal vezetője lett az új brit National Statistician. Ötéves megbízatása ősszel kezdődik. Loranger közel három évtizedet töltött a Statistics Canadánál, és az ENSZ Európai Statisztikusainak Konferenciáját is vezette.

Az időzítés nem véletlen. Az Egyesült Királyság statisztikai hivatalát az elmúlt időszakban komoly szervezeti és működési problémák miatt vizsgálták, és reformokat is javasoltak számára. Az új vezető egyik legfontosabb feladata ezért nem pusztán a statisztikai rendszerek irányítása, hanem a hivatalba vetett bizalom helyreállítása lesz.

Ez a piackutatók számára sem mellékes kérdés. A hivatalos statisztika és a közvélemény-kutatás ugyan más célokat szolgál, de ugyanarra az alapra épül: adatot gyűjtünk az emberekről, majd azt hiteles információvá alakítjuk. Ha a közönség egyre kevésbé bízik az adatokban, az minden kutatási terület számára problémát jelent.

Egy egészen más típusú kutatás: a magyar vállalatok mit kezdenek a hőséggel?

Ha ma egy politikai közvélemény-kutató szeretné megtudni, mit gondol egy ország lakossága, nagyjából tudjuk, mit csinál. Összeállít egy kérdőívet, meghatározza a mintát, megkérdezi az embereket, feldolgozza a válaszokat, majd megpróbálja megállapítani, hogy azok mennyiben tükrözik a teljes társadalom véleményét.

Persze a valóságban ennél minden bonyolultabb. A válaszadó nem mindig mond igazat, nem mindig érti ugyanazt a kérdésen, amit a kutató, és előfordulhat az is, hogy egyszerűen nem meri elmondani, amit gondol.

De mi történik akkor, ha az egész rendszer eleve úgy működik, hogy az embereknek nincs lehetőségük szabadon kifejezni a politikai véleményüket?

A kérdés különösen érdekes a sztálini Szovjetunió esetében. A mai értelemben vett közvélemény-kutatás ott nem létezett. Mégis meglehetősen sok energiát fordítottak arra, hogy a hatalom megtudja, mi történik a társadalomban. Sőt: a rendszer egyik legnagyobb ellentmondása éppen az volt, hogy nem akarta megengedni az emberek szabad véleménynyilvánítását, viszont nagyon is szerette volna tudni, hogy mit gondolnak.

Ez a probléma pedig meglepően közel áll ahhoz, amivel a közvélemény-kutatók ma is találkoznak.

A sztálini rendszer előtt még egészen más világ volt

Érdemes egy kicsit visszamenni az időben, mert a Szovjetunióban nem a sztálini korszakban kezdődött az emberek életének statisztikai és társadalomtudományos vizsgálata.

Az orosz birodalomban már a forradalom előtt is komoly statisztikai hagyomány alakult ki. A zemstvák - a helyi önkormányzati szervek - például részletes adatokat gyűjtöttek a mezőgazdaságról, a lakosságról, a jövedelmekről és a társadalmi viszonyokról. A statisztika Oroszországban nem valamiféle nyugati import volt: komoly hazai szakmai hagyományai voltak.

A forradalom után pedig egy rövid időre még ennél is érdekesebb helyzet alakult ki. Az 1920-as években a szovjet állam hatalmas mennyiségű adatot gyűjtött, és az empirikus társadalomkutatás is virágzásnak indult. A kutatók munkásokat, parasztokat, családokat, munkahelyeket, életmódot, fogyasztást és társadalmi viszonyokat vizsgáltak. A mintavételes felméréseknek is komoly hagyománya alakult ki. Egy történeti áttekintés szerint az 1920-as években több empirikus kutatás készült marxista keretben, miközben a szociológia még valódi kutatási területként működött.

Az 1920-as években például széles körű vizsgálatok foglalkoztak a társadalmi normákkal, a családdal, a szexualitással, a munkások életével és a társadalmi attitűdökkel.

Vagyis a későbbi sztálini korszakból visszatekintve fontos megérteni: nem arról volt szó, hogy a Szovjetunióban soha nem létezett empirikus társadalomkutatás. Éppen ellenkezőleg.

A harmincas évekre azonban ez a világ gyakorlatilag eltűnt.

A sztálini rendszer számára ugyanis egy olyan társadalomtudomány, amely önállóan vizsgálja a társadalom valós állapotát, könnyen kellemetlen eredményekre juthatott. A független szociológiát fokozatosan felszámolták, a harmincas évekre az empirikus társadalomkutatás lehetőségei drasztikusan beszűkültek. A szociológia lényegében eltűnt mint önálló tudományterület.

És ezzel el is jutunk a történet egyik legfontosabb pontjához.

A rendszer nem akart közvéleményt - de tudni akarta, mi van az emberek fejében

Első pillantásra ez ellentmondás. Ha egy állam nem engedi a szabad sajtót, a politikai ellenzéket, a valódi választási versenyt és a nyilvános politikai vitát, akkor miért érdekelné, hogy mit gondol a lakosság?

A válasz egyszerű: a hatalomnak szüksége van információra.

Egy diktatúra sem tudja pontosan, mi történik az ország minden egyes falujában, gyárában, hivatalában vagy családjában. A vezetőknek tudniuk kell, működik-e egy intézkedés, elégedettek-e az emberek, hol van ellenállás, hol vannak élelmiszerhiányok, mit beszélnek a munkások, hogyan reagálnak az új politikára.

Sheila Fitzpatrick történész találóan fogalmazta meg a problémát: a sztálini rendszer óvatos volt azzal kapcsolatban, hogy az állampolgárok cenzúrázatlanul beszéljenek közéleti kérdésekről, ugyanakkor nagyon szerette volna tudni, hogy mit gondolnak. A rendszer fő információforrásai ezért a titkosrendőrségi jelentések és az állampolgárok levelei lettek.

Nem kérdőív volt tehát, hanem jelentés, nem reprezentatív minta volt, hanem informátori hálózat. Nem kérdezőbiztos volt, hanem sok esetben a szomszéd, a munkatárs, a pártfunkcionárius vagy a titkosrendőrség embere.

És nem azt kérdezték: „Ön mennyire elégedett a kormány teljesítményével egy 1-től 5-ig terjedő skálán?” Hanem azt próbálták megtudni, hogy mit beszélnek az emberek egymás között.

A „svodka”: a sztálini közvélemény-kutatás egyik sajátos megfelelője

A rendszer egyik legfontosabb információs eszköze az úgynevezett svodka volt.

A szó nagyjából összesítést, összefoglaló jelentést jelent. Ezekbe a jelentésekbe a párt- és állami szervek, illetve a titkosrendőrség különböző forrásokból származó információkat gyűjtött össze a társadalom hangulatáról. Miről beszéltek az emberek? Milyen pletykák terjedtek? Mit mondtak az árakról? Mit gondoltak a kollektivizálásról? Mit mondtak Sztálinról? Mit mondtak a letartóztatásokról? Mit gondoltak a hiányról?

Ezekből az információkból készültek a felsőbb vezetésnek szánt összefoglalók.

A leningrádi levéltári anyagokat vizsgáló történészek szerint a források között voltak a titkosrendőrség jelentései, a pártfunkcionáriusok beszámolói és más információs csatornák. A források azonban nagyon különbözőek voltak: az NKVD jelentései például értelemszerűen inkább a negatív, gyanús vagy ellenzékinek tekintett megnyilvánulásokra figyeltek, míg a pártszervezetek jelentései igyekeztek valamivel szélesebb képet adni.

Ez már önmagában komoly módszertani probléma. Ha ugyanis a kutató csak az elégedetlen embereket kérdezi meg, abból azt a következtetést vonhatja le, hogy mindenki elégedetlen. Ha viszont csak a párthű embereket kérdezi, azt hiheti, hogy mindenki elégedett. A sztálini rendszer mindkét torzítással küzdött.

A titkosrendőrség mint gigantikus „kvalitatív kutatóhálózat”

A mai piackutató számára talán furcsán hangzik, de módszertani szempontból érdemes megfigyelni, hogyan működött ez. Az informátorok beszélgetéseket figyeltek, pletykákat gyűjtöttek, vicceket jegyeztek fel, és beszámoltak arról, hogy egy-egy társadalmi csoport hogyan reagál valamire. A levéltári források alapján a párt és az NKVD informátorai által gyűjtött megfigyeléseket rendszeresen összesítették. Egyes jelentések néhány vezetőhöz jutottak el, és szigorúan titkosak voltak.

Ha nagyon leegyszerűsítve akarjuk mai kutatási fogalmakkal leírni, akkor ez leginkább egy gigantikus, folyamatos, nem reprezentatív kvalitatív társadalmi monitoring volt.

Csakhogy volt egy óriási különbség. A mai kvalitatív kutató megpróbálja megteremteni azt a helyzetet, amelyben a résztvevő lehetőleg szabadon elmondhatja, amit gondol. A sztálini rendszerben az információgyűjtés egyik fontos része éppen abból állt, hogy az emberek ne tudják, hogy figyelik őket. Ezért ezek a jelentések egyszerre lehettek rendkívül értékesek és rendkívül torzak.

És mégis: néha ezekből tudta meg a hatalom, hogy baj van

A rendszer információs gépezete természetesen nem volt hibátlan. A jelentések készítői maguk is féltek a vezetőktől, és nekik sem volt mindegy, mit írnak le.

Ha egy helyi pártfunkcionárius azt jelentette Moszkvának, hogy minden rendben van, majd néhány héttel később kiderült, hogy lázadás tört ki, ő maga is kellemetlen helyzetbe kerülhetett.

Ez sajátos információs torzulást hozott létre. A beosztottaknak egyszerre kellett jó híreket közölniük, mert senki sem akart alkalmatlannak tűnni, és rossz híreket is jelenteniük kellett, mert a vezetés tudni akarta, hol vannak problémák.

A történészek ezért óvatosan kezelik a svodkák adatait. A titkosrendőrségi jelentések például hajlamosak lehettek felnagyítani a társadalmi elégedetlenséget, hiszen ez igazolta a szervezet jelentőségét. A jelentések készítői ugyanakkor sokszor éppen olyan információkat rögzítettek, amelyeket a hivatalos propaganda nem mutatott meg.

Ez egyébként nagyon fontos történészi felismerés. A svodka nem közvélemény-kutatás. De a kutatás hiányában mégis az egyik legfontosabb ablak arra, hogy rekonstruáljuk a korabeli közvéleményt.

A levél: amikor a válaszadó önként jelentkezik

A másik különleges információforrás az állampolgári levél volt.

A szovjet emberek elképesztő mennyiségű levelet írtak a hatalomnak. Pártszerveknek, minisztériumoknak, újságoknak, helyi vezetőknek, sőt magának Sztálinnak is.

Ezek között voltak panaszok, segítségkérések, feljelentések, javaslatok, politikai vélemények, személyes történetek és kétségbeesett segélykérések. A levéltárak megnyitása után a történészek valóságos „levélhegyekkel” találkoztak. Sheila Fitzpatrick szerint ezek az anyagok a sztálini társadalom egyik legfontosabb újonnan feltárt forráscsoportjává váltak.

Mai szemmel ezt akár úgy is mondhatnánk: a válaszadó maga jelentkezett a kutatásba. Persze ez sem volt reprezentatív. Aki elégedett volt, valószínűleg kisebb eséllyel ragadott tollat, mint aki éhezett, igazságtalanságot szenvedett el, vagy valamilyen problémát akart megoldani. De a levelek mégis nagyon értékesek voltak, mert olyan dolgokat tartalmaztak, amelyekről a hivatalos statisztikák gyakran nem beszéltek.

A levélből kiderülhetett például, hogy egy gyárban valójában milyen körülmények között dolgoznak az emberek, milyen élelmiszerhiány van, milyen visszaéléseket követnek el a helyi vezetők, vagy mit gondolnak egy-egy politikai intézkedésről.

És a leveleknek volt még egy különleges tulajdonságuk: nem pusztán adatot szolgáltattak a hatalomnak, hanem kapcsolatot is jelentettek a társadalom és a rendszer között. A levélíró ugyanis általában nem azért írt, hogy részt vegyen egy közvélemény-kutatásban. Valamit el akart érni.

A piackutatás azonban nem tűnt el teljesen

Egy közvélemény-kutatás eredménye önmagában még nem sokat ér. Ahhoz, hogy egy százalékos adatból valóban közvéleményről szóló információ legyen, tudnunk kell, kiket kérdeztek meg, mikor, hogyan választották ki őket, milyen kérdést tettek fel, mekkora volt a minta, és természetesen azt is, ki végezte a kutatást. Ha ezekből semmit nem tudunk, akkor marad egy szám. A szám pedig lehet érdekes, lehet látványos, akár politikailag nagyon fontosnak tűnő adat is, csak éppen nem tudjuk megfelelően ellenőrizni és értelmezni.

Ezért váltott ki szakmai reakciót a Mediánból Magyar Péter október 4-i bejelentése. A miniszterelnök a Tisza Párt által megrendelt reprezentatív felmérésre hivatkozva azt közölte, hogy az előző héthez képest hat százalékponttal nőtt a Tisza és a Fidesz közötti különbség, és a Tisza ismét 65 százalék fölött áll. A bejegyzésből azonban nem derült ki, melyik kutatócég készítette a felmérést, mikor zajlott az adatfelvétel, mekkora volt a minta, milyen módszerrel kérdezték az embereket, és pontosan milyen sokaságban értendő a 65 százalékos eredmény.

A Medián erre meglehetősen visszafogottan, de egyértelműen reagált. A kutatóintézet nem azt kifogásolta, hogy egy politikai párt saját felmérést rendel, hiszen erre természetesen joga van. Azt sem, ha az eredményt megtartja magának. Ha azonban egy belső kutatás eredményét nyilvánosságra hozzák, akkor a közvélemény-kutatás ugyanabba a világba kerül, mint bármely más, publikált felmérés: az olvasónak lehetőséget kell adni arra, hogy megítélje, mit is lát valójában. A Medián ezért legalább a kutatás időpontját, a minta nagyságát, a módszert és a kutatócég nevét kérte számon.

Ez első látásra talán akadékoskodásnak tűnhet. A közvélemény-kutatással foglalkozó szakmában azonban éppen ezek az információk jelentik a minimumot. Az ESOMAR és a WAPOR közös irányelvei szerint egy publikált közvélemény-kutatásnál ismertetni kell többek között a kutatást végző szervezet és a megrendelő nevét, a vizsgált sokaságot, a minta nagyságát, az adatfelvétel időpontját és a mintavétel módját. Fontos a súlyozás, a kérdésfeltevés és az adatfelvételi módszer is, különösen akkor, ha az eredményeket politikai döntések vagy közéleti viták értelmezésére használják.

Ennek nagyon egyszerű oka van. Tegyük fel, hogy két kutatás egyaránt azt közli, hogy egy párt támogatottsága 55 százalék. Az egyik 1000 fős, országos, reprezentatív mintán készült, a másik 400 főt kérdezett meg egy online panelben, és egészen más módon állította elő a választói sokaságot. A két szám kívülről tökéletesen egyformának látszik, módszertanilag azonban egyáltalán nem biztos, hogy ugyanazt jelentik. Még akkor sem, ha mindkét kutatás készítője jóhiszeműen és szakmailag korrekt módon dolgozott.

A mostani történetnek van egy további, ennél is érdekesebb oldala. A politikai pártok ugyanis természetesen végeznek belső kutatásokat, és erre szükségük is van. Egy párt kampánystratégiáját nem lehet kizárólag a nyilvánosság számára készített kutatásokra építeni. Saját mérésekkel lehet tesztelni üzeneteket, kampányelemeket, jelölteket, célcsoportokat, és természetesen lehet rendszeresen mérni a párt támogatottságát is. Az ilyen úgynevezett belső vagy „house poll” eredményei azonban egészen más státuszban vannak addig, amíg a párt azokat nem hozza nyilvánosságra.

Amíg belső információként használják őket, a megrendelő dönti el, mire kíváncsi és mit kezd az eredménnyel. Ha viszont a kutatásból politikai üzenet készül, és az adat bekerül a nyilvánosságba, akkor már nem egyszerűen egy párt belső munkaanyagáról beszélünk. Az adatot más kutatásokkal fogják összehasonlítani, újságcikkek készülnek belőle, politikusok hivatkoznak majd rá, és a választók egy része valószínűleg kész tényként kezeli. Éppen ezért különösen fontos, hogy az eredeti adat mögött álló módszertan ellenőrizhető legyen.

Nem véletlen, hogy a Medián reakciója után Török Gábor is megszólalt. A politológus azt írta, hogy nehezen érthető, miért van már most szükség politikusok által „bedobott” közvélemény-kutatási adatokra, majd a Fidesz korábbi gyakorlatára is utalt. A megjegyzés politikai értékelésként is értelmezhető, de közvélemény-kutatási szempontból van egy fontosabb kérdés mögötte: mire használjuk a kutatási adatot? Arra, hogy megismerjük a társadalom véleményét, vagy arra, hogy politikai kommunikációs eszközt készítsünk belőle?

A kettő természetesen nem zárja ki egymást. Egy közvélemény-kutatásnak lehet politikai jelentősége, és egy politikus teljesen legitim módon hivatkozhat egy számára kedvező kutatásra. A probléma akkor kezdődik, amikor az eredmény kommunikációs üzenete már sokkal pontosabbnak és biztosabbnak tűnik, mint amennyit maga a kutatás lehetővé tesz.

A mostani ügyben különösen érdekes a „65 százalék felett” megfogalmazás. Egy ilyen adat hallatán az első kérdés szakmai szemmel nem az, hogy valóban ennyien támogatják-e a Tiszát. Hanem az, hogy 65 százalék miből? A teljes felnőtt népességből? A pártválasztók közül? A biztos szavazókból? Egy bizonyos válaszadói körből? Egy többváltozós súlyozás után kapott becslésről van szó? Milyen időszakban kérdezték az embereket?

Ezek nem akadémikus részletkérdések. Egy politikai közvélemény-kutatásban ugyanaz a párt ugyanazon a napon akár egészen különböző százalékos eredményeket is produkálhat attól függően, hogy melyik választói sokaságot tekintjük alapnak.

Érdemes ezt összevetni azokkal a kutatásokkal, amelyeknél a módszertan és a végeredmény is nyilvános. A Medián szeptemberi felmérésében 1000 fős országos reprezentatív mintán, telefonos adatfelvétellel dolgozott, az adatokat pedig a KSH alapján súlyozta. A kutatás szeptember 14. és 18. között zajlott, a teljes mintában a Tisza Párt támogatottsága 54 százalék volt, a pártot választani tudók és a szavazáson való részvételüket biztosra mondók körében pedig egyaránt 64 százalék. A Fidesz ugyanezekben a kategóriákban 22, 26, illetve 27 százalékon állt, a Medián által közölt hibahatár a teljes mintában legfeljebb ±3,1 százalékpont volt. A 21 Kutatóközpont néhány nappal később, szeptember 28. és 30. között végzett, szintén 1000 fős, telefonos, reprezentatív kutatása már 60 százalékot mért a Tiszának a pártot választani tudók körében, a biztos szavazó pártválasztóknál pedig 62 százalékot; ebben a kategóriában a Fidesz 26 százalékon állt. A három adat tehát módszertanilag nem teljesen azonos időpontban készült, de jól mutatja, hogy a nyilvános kutatások szeptember végén 60-64 százalék közötti Tisza-támogatottságot jeleztek az egyes választói kategóriákban. Ehhez képest a politikus által közölt, „65 százalék feletti” eredmény önmagában nem feltétlenül tűnik kirívónak - a valódi kérdés inkább az, hogy pontosan milyen választói körben, milyen módszerrel és milyen időpontban született.

A Research Live szeptember 9-i „Avoiding the fluency trap” című cikke érdekes kérdést vet fel. Nem a szokásos „hogyan változtatja meg az AI a piackutatást?” kérdést járja körül, hanem egy sokkal kellemetlenebb problémát: mi történik akkor, ha az AI által előállított kutatási válaszok egyre meggyőzőbbnek tűnnek, miközben egyre nehezebb megállapítani róluk, hogy valódi emberektől származnak-e? A cikk szerzője Kim Malcolm, a Zappi felelős alelnöke, az írás pedig véleménycikk, tehát nem egy önálló empirikus kutatás eredményeit közli. Ettől függetlenül nagyon jó vitaindító, és több olyan problémát azonosít, amely a következő években a piackutatás egyik legfontosabb módszertani kérdése lehet.

A kiindulópont meglehetősen egyszerű. Az online kutatásokban mindig is létezett a gyenge minőségű vagy csaló válaszadók problémája. Akik pénzért töltenek ki kérdőíveket, azok között vannak olyanok, akik gyorsan végigkattintják a kérdéseket, nem olvassák el őket, értelmetlen válaszokat adnak, vagy megpróbálnak minél több felmérésben részt venni.

A kutatóknak erre az évek során kialakult egyfajta „szaglásuk”. A nyilvánvalóan rossz válaszokat sok esetben viszonylag könnyű kiszúrni: értelmetlen szöveg, következetlenségek, irreleváns válaszok, gyanúsan gyors kitöltés.

A generatív AI azonban alapjaiban változtatja meg ezt a helyzetet.

Egy nagy nyelvi modell ugyanis képes olyan választ előállítani, amely nyelvileg tökéletes, összefüggő, árnyalt, érzelmileg megfelelő és tökéletesen illeszkedik a kérdéshez. Vagyis pontosan azok a jelek tűnnek el, amelyek alapján korábban a kutató azt mondhatta: „ez a válasz valószínűleg nem valódi”.

Ez a szerző által „fluency trap”-nek nevezett jelenség.

A probléma különösen az úgynevezett nyitott kérdéseknél érdekes. Ha például egy fogyasztót megkérdezünk arról, hogy miért választott egy bizonyos bankot, egy valódi ember válasza lehet rövid, töredezett, bizonytalan, nyelvtanilag hibás, akár ellentmondásos is:

„Igazából a fiók miatt, mert közel van, de amúgy a mobilapp is egész jó.”

Ezzel szemben egy AI által generált válasz sokkal „szebb” lehet. Logikusan felépített, árnyalt, választékos, és akár több szempontot is felsorolhat. Első olvasásra talán még értékesebbnek is tűnik. És éppen ez a veszély.

A szerző szerint az ilyen válaszok nem feltétlenül képviselik a fogyasztót, hanem inkább azt reprodukálják, amit az AI a fogyasztóról tud vagy elképzel. A kettő között pedig komoly különbség van.

A kutatók egyik legértékesebb adata éppen a „rendezetlenség”

Ez a cikk egyik legerősebb gondolata. A piackutatásban sokszor éppen az érdekes, hogy az emberek nem úgy beszélnek, mint egy tankönyv.

Egy fogyasztó nem feltétlenül tudja pontosan megfogalmazni, miért vásárolt meg egy terméket. Lehet, hogy három különböző indokot mond, amelyek között nincs tökéletes logikai kapcsolat. Lehet, hogy valami olyasmit emel ki, amire a kutató egyáltalán nem számított. Használhat sajátos kifejezést, elírhat egy szót, vagy egyszerűen csak furcsán fogalmaz.

Ezek a „zajok” sok esetben valójában értékes információk.

Ha egy kutató azt vizsgálja, miért választják a fogyasztók egy adott élelmiszermárkát, az AI könnyen generálhatja a tipikus válaszokat: ár, minőség, íz, összetevők, márkaismertség, egészségtudatosság.

Egy valódi fogyasztó viszont lehet, hogy azt mondja: „Azért veszem, mert ezt szokta venni anyám.”

Ez sokkal kevésbé elegáns válasz, viszont piackutatási szempontból akár érdekesebb is. A márkához kötődő családi rutin, a megszokás vagy a szociális tanulás olyan fogyasztói mechanizmust tárhat fel, amelyet egy előre meghatározott kategóriarendszer könnyen elrejthet.

A cikk érvelése szerint az AI által generált válaszok egyik problémája éppen az, hogy elsimíthatják ezt a rendezetlenséget.

A probléma akkor válik igazán komollyá, amikor az AI saját maga is elemzi az adatokat

Van itt egy második, még érdekesebb réteg. Tegyük fel, hogy egy kutatásban már nem néhány AI-generált válaszról beszélünk, hanem több száz vagy több ezer ilyen válasz kerül be az adatbázisba. Ezeket aztán egy másik AI-rendszer elemzi, klasztereket képez, témákat azonosít, összefoglalót készít és insightokat fogalmaz meg. Papíron ez rendkívül hatékony.

Ha azonban az input egy része nem valódi fogyasztói válasz, hanem mesterségesen generált szöveg, akkor egy különösen kellemetlen kör alakulhat ki:

rossz adat → AI által elemzett rossz adat → meggyőzőnek tűnő insight.

És minél nagyobb léptékben használják az AI-t, annál nagyobb lehet a probléma hatása.

A szerző szerint a gyenge minőségű minta azért különösen veszélyes, mert ma már nem feltétlenül áll meg a kutatási adat szintjén. Az adatok bekerülhetnek prediktív modellekbe, szintetikus kutatási rendszerekbe és más AI-alapú megoldásokba is. Így egy kezdeti adatminőségi probléma később sokkal nagyobb rendszerszintű hibává válhat.

A „synthetic research” miatt ez már nem pusztán elméleti probléma

A közvélemény-kutatás mai értelemben szinte hiányzott a náci Németországból. Piackutatás viszont nagyon is létezett, sőt az egyik későbbi nagy nemzetközi kutatócég elődje éppen 1934-ben alakult meg Nürnbergben. Közben a náci állam saját módszerekkel próbálta kideríteni, mit gondolnak az emberek - csak nem kérdőíves reprezentatív mintákból.

Ha a piackutatás történetét nézzük, meglepő dolgokra bukkanhatunk. A Gesellschaft für Konsumforschung, vagyis a GfK 1934-ben alakult Nürnbergben. A vállalat mai utódja, a Nuremberg Institute for Market Decisions történeti összefoglalója szerint az alapítók között ott volt Wilhelm Vershofen, Erich Schäfer és Ludwig Erhard, a későbbi nyugatnémet gazdasági miniszter és kancellár. Az intézmény célja már akkor is a fogyasztó „hangjának” megismerése volt. Két évvel később már el is készült az első fogyasztói tracking kutatás, amely azt vizsgálta, mennyire ismertek bizonyos márkanevek.

Vagyis amikor a náci Németországra gondolunk, nem szabad azt képzelnünk, hogy a modern kutatási technikák egyszerűen eltűntek a hatalomátvétellel, éppen ellenkezőleg, a piackutatás fejlődött tovább. Csak közben egy diktatúra gazdasági és társadalmi céljai közé került.

A fogyasztót már a nácik előtt is kutatták

A történet valójában még korábban kezdődött. A német piackutatás gyökerei a weimari köztársaság időszakára nyúlnak vissza. 1919-ben létrejött az Institut für Wirtschaftsbeobachtung der deutschen Fertigware, amelyből később a nürnbergi kutatási hagyomány kinőtt. A két világháború közötti időszakban Németországban is megjelent az az igény, hogy a vállalatok ne pusztán az eladási adatokból próbálják kitalálni, mi történik a piacon, hanem közvetlenül is kérdezzék a fogyasztókat.

Ez természetesen nem német sajátosság volt. Az Egyesült Államokban ekkor már gyorsan fejlődött a modern market research, és Európa más országaiban is megjelentek a fogyasztói felmérések. A logika egyszerű volt: a tömegtermelés egyre hatékonyabbá vált, a vállalatok viszont egyre kevésbé látták közvetlenül, hogy mi jár a fogyasztók fejében.

A kérdőív erre jó eszköznek bizonyult. Mit vásárolnak? Miért azt a márkát választják? Mennyire ismerik az egyes termékeket? Mi alapján döntenek? Milyen reklámra figyelnek fel? A modern piackutatás alapvető kérdései már a harmincas években megvoltak, a politikai rendszer változása azonban különös irányba terelte ezt a tudást.

A GfK a Harmadik Birodalomban

A GfK történetében éppen ezért meglehetősen kényes fejezet a náci korszak.

A történészek kutatásai szerint az intézet 1936 és 1945 között több tucat jelentést készített a német férfiak és nők vásárlási és fogyasztási szokásairól. Ezekből képet lehetett kapni arról, hogyan viselkednek a fogyasztók egy olyan gazdaságban, amelyet egyre inkább az állami szabályozás, a hiány, az árkontroll és később a háborús gazdálkodás határozott meg.

Ez azért érdekes, mert a „fogyasztói társadalom” és a náci gazdaság első hallásra nehezen fér össze. A rendszer ugyanis egyszerre beszélt a jólétről és korlátozta a fogyasztást. A rezsim a német lakosság számára egy jobb, bőségesebb jövőt ígért, miközben a gazdaságot fokozatosan a fegyverkezés és az önellátás, az úgynevezett autarkia irányába állította át.

A fogyasztó mégis fontos maradt, tudni kellett, hogy mit szeretne, hogyan reagál az árakra, milyen termékeket keres, mely márkákat ismeri, és hogyan lehet bizonyos termékek iránti keresletet befolyásolni. A kutatás egyik feladata éppen ezért nem az volt, hogy a fogyasztói szabadságot növelje, hanem hogy a vállalatok és a gazdaság szereplői jobban megértsék a keresletet.

A korabeli kutatók ráadásul nem feltétlenül pusztán statisztikai adatokat akartak gyűjteni. A GfK egyik sajátos iránya a kvalitatív fogyasztói kutatás volt: a vásárlási döntések mögött meghúzódó attitűdöket, motívumokat, szokásokat próbálták megérteni.

Ha ez ismerősen hangzik egy mai kutatónak, az nem véletlen. A fogyasztói insight fogalma természetesen még nem létezett mai formájában, de maga a gondolat már ott volt: nem elég tudni, mit vásárol valaki; azt is érdemes tudni, miért.

De közvélemény-kutatás már egészen más kérdés volt

A politikai közvélemény kutatása viszont egészen más történet.

A modern, reprezentatív politikai közvélemény-kutatás a harmincas években elsősorban az Egyesült Államokban kezdett kialakulni. George Gallup és Elmo Roper már a korszakban tudományos mintavétellel végzett országos politikai felméréseket. Roper 1935-től vezette a Fortune Survey-t, amelyet a Roper Center ma az első, tudományos mintavételen alapuló országos közvélemény-kutatásként ír le.

Németországban azonban éppen akkor szűnt meg annak a politikai környezetnek a lehetősége, amelyben egy ilyen szakma kialakulhatott volna. A náci hatalomátvétel után nem volt szabad politikai nyilvánosság, szabad sajtó és szabad politikai verseny. A kutatónak nem lehetett egyszerűen feltennie egy reprezentatív mintának azt a kérdést, hogy mit gondol Hitler kormányáról, melyik politikai pártot választaná, vagy támogatja-e a kormány valamelyik intézkedését.

Nem azért, mert a kérdés módszertanilag értelmetlen lett volna, hanem azért, mert politikailag nem volt megengedett. A német közvélemény-kutatás történetével foglalkozó Bundeszentrale für politische Bildung ezért meglehetősen egyértelműen fogalmaz: a weimari köztársaságban már voltak a piackutatásban a modern kutatás irányába mutató fejlemények, de a nácik hatalomra kerülése után ezek politikai alkalmazására nem volt lehetőség. Helyette létrejöttek az úgynevezett Stimmungsberichte, vagyis hangulatjelentések. Ezek azonban nem reprezentatív felmérések voltak.

Ha nem lehet kérdezni, akkor hallgatózni kell

A náci állam természetesen ettől még nagyon is tudni akarta, hogy mit gondolnak az emberek, egy diktatúra sem szeret teljesen vakon működni. A vezetésnek tudnia kellett, hogy az emberek hogyan reagálnak az élelmiszerhiányra, a háborúra, a bombázásokra, a zsidóüldözésre, a propagandára, a katonai vereségekre vagy éppen egy-egy politikai döntésre.

Csakhogy erre nem Gallup-féle közvélemény-kutatást használtak. A Sicherheitsdienst, az SS biztonsági szolgálata kiterjedt információs hálózatot épített ki. Az ügynökök, informátorok, helyi szervek és más állami, illetve pártszervezeti csatornák révén igyekeztek összegyűjteni, hogy milyen hangulat uralkodik a lakosság körében.

A háború alatt ebből jöttek létre a híres Meldungen aus dem Reich, vagyis a „Jelentések a Birodalomból”. Ezek titkos belpolitikai helyzetjelentések voltak, amelyeket a magas rangú náci vezetők számára készítettek. A jelentések nem egyszerűen politikai ellenfelek megfigyelésével foglalkoztak, hanem olyan hétköznapi témákkal is, mint az élelmiszerellátás, a gazdasági helyzet, a sajtó, a rádió, a háború vagy a lakosság általános hangulata.

Az egyik 1943-as jelentés például kifejezetten a német lakosság „hangulatának és hozzáállásának” alapvető kérdéseivel foglalkozott. A rendszernek tehát volt egyfajta közvélemény-monitoringja, csak nem úgy nézett ki, mint egy mai kutatás.

A kocsmában hallgatózó állam

A módszer meglehetősen prózai volt. Figyelték, miről beszélnek az emberek. Informátorokat használtak. Jelentéseket kértek a helyi pártszervektől, a rendőrségtől, a közigazgatástól és az SS-től. A társadalmi hangulatra vonatkozó információk kávéházakból, vendéglőkből, munkahelyekről, nyilvános helyekről és különböző társadalmi csoportokból is érkezhettek.

Ez ma nagyon távol áll a közvélemény-kutatástól. A korszak kutatói mégis gyakran nevezik ezt valamiféle „véleménykutatásnak”, mert a cél hasonló volt: megpróbálni rekonstruálni, mit gondolnak az emberek.

A módszertani különbség azonban óriási. Egy reprezentatív kutatásban kiválasztunk egy mintát, minden válaszadónak azonos vagy kontrollált körülmények között teszünk fel kérdéseket, majd a minta alapján következtetünk egy nagyobb populációra. A náci Stimmungsbericht ezzel szemben azt mondta: figyeljük meg, mit mondanak az emberek, kérdezzük meg a helyi informátorokat, és ezekből próbáljuk összerakni a társadalmi hangulatot. Ez inkább egy gigantikus informális monitoringrendszer volt, mint közvélemény-kutatás.

És volt még egy, a rendszer számára kellemetlenebb forrás

A náci állam nem volt az egyetlen, amely megpróbálta feltérképezni a német társadalom hangulatát. A száműzetésben működő német szociáldemokrata párt, a Sopade szintén rendszeresen gyűjtött információkat Németországból. 1934 és 1940 között jelentek meg a Deutschland-Berichte, a „Németországi jelentések”, amelyek illegális németországi kapcsolatok és informátorok beszámolóira épültek. A müncheni NS-Dokumentationszentrum szerint ezek a jelentések a lakosság helyzetéről és véleményéről szóló legfontosabb, a rezsimen kívülről származó források közé tartoznak.

A módszer itt sem hasonlított egy mai omnibuszhoz. A Sopade emberei informátoroktól, határátlépőktől, illegális pártszervezetektől és más kapcsolatoktól kapták az adatokat, amelyeket aztán rendszereztek és értékeltek. Érdekes módon idővel még egyfajta interjúsémát is kidolgoztak, hogy egységesebbé tegyék az információgyűjtést.

A két rendszer tehát bizonyos értelemben egymással párhuzamosan próbálta ugyanazt megfejteni:

Mit gondolnak valójában a németek?

Csak az egyik oldal a diktatúra stabilitását akarta megőrizni, a másik pedig a diktatúra valódi társadalmi támogatottságát próbálta felmérni.

A nagy kérdés: elhitték-e a saját kutatóiknak?

A kutatás egyik legnagyobb problémája továbbra is az, hogy valódi ember ül-e a másik oldalon

A piackutatásban az AI-ról szóló hírek mellett mostanában egyre több figyelem irányul egy kevésbé látványos, de alapvető problémára: valóban az válaszol-e a kérdőívre, akinek gondoljuk? A mesterséges intelligencia fejlődésével ugyanis a csalás is egyre kifinomultabbá válik.

A Sago szeptemberben új adatminőség-ellenőrzési rendszert indított SagoVerify néven. A szolgáltatás többféle ellenőrzést kombinál: kormányzati személyazonosság-ellenőrzésen átesett mintát, csalásfelderítő technológiákat, harmadik fél által végzett minőségellenőrzést, valós idejű monitoringot és emberi kontrollt. A rendszer technikai adatokat, viselkedési mintákat és a válaszadó korábbi részvételi előzményeit is vizsgálja.

A lényeg azonban nem maga a technológia, hanem az a szemléletváltás, amely mögötte áll. A Sago szerint az adatminőség nem egyetlen ellenőrzési pont, amelyet a kutatás végén kell kipipálni, hanem a teljes kutatási folyamaton keresztül folyamatosan biztosítani kell. Ez különösen fontos egy olyan időszakban, amikor az AI már nemcsak a kutatók munkáját, hanem a csalók módszereit is gyorsan fejleszti.

A B2B kutatásban különösen értékes lett a „jó ember”

A professzionális válaszadók elérése mindig is nehéz része volt a piackutatásnak. Egy átlagos fogyasztót viszonylag könnyű megkérdezni arról, milyen üdítőt vásárol vagy milyen streaming-szolgáltatást használ. Egy informatikai vezetőt, pénzügyi igazgatót vagy kiberbiztonsági szakértőt viszont már lényegesen nehezebb megfelelő mintába bevonni.

Ezen a területen történt érdekes üzleti lépés szeptemberben: a Focus Crossroads megvásárolta a Zintro B2B szakértői hálózatának egy részét. A hálózat körülbelül 130 ezer ellenőrzött szakembert tartalmaz, közülük mintegy 50 ezren senior vezetők. Az akvizícióval a Focus Crossroads elsősorban technológiai, információbiztonsági, pénzügyi és más speciális B2B kutatásokhoz szeretne könnyebben elérhető szakértői bázist kialakítani.

A tranzakció jól mutatja, hogy a kutatási technológia fejlődése ellenére a megfelelő válaszadó továbbra is az egyik legértékesebb „eszköz”. Egy AI képes lehet gyorsan elemezni egy kutatást, de ha a kutatásban rossz emberek válaszolnak, a kiváló elemzés sem menti meg az eredményt.

A szintetikus válaszadók most már az ötletelésnél is megjelentek

A szintetikus válaszadókról szóló vita újabb szintre lépett. A Zappi augusztus végén olyan eszközt indított, amelyet kifejezetten új termék- és reklámötletek előszűrésére használ. A Synthetic Idea Pre-Screener különböző demográfiai és viselkedési profilok alapján létrehozott szintetikus válaszadókkal rangsorolja az ötleteket, még azelőtt, hogy a vállalat valódi fogyasztókon elvégezné a teljes kutatást.

Ez fontos különbség a korábbi alkalmazásokhoz képest. A cél itt nem az, hogy az AI kiváltsa a végső fogyasztói kutatást, hanem hogy 100 vagy 1000 ötletből gyorsan kiválassza azt a néhányat, amelyik egyáltalán megérdemli a valódi kutatást.

Hasonló irányba indult a kaliforniai Breakthrough Research is. A vállalat úgynevezett „Modeled Communities” rendszereket épített fel valódi fogyasztókkal készített interjúk alapján. Ezeket arra használják, hogy egy új kutatás előtt előzetesen teszteljék a hipotéziseket, ötleteket és koncepciókat, illetve akár a kérdőívet is finomítsák. A cég hangsúlyozza, hogy a szintetikus közösségeket nem a valódi kutatás helyett, hanem annak előkészítésére szánja.

Ez lehet a szintetikus válaszadók egyik legéletképesebb felhasználási területe. Egy új termékből ugyanis gyakran nem egyetlen koncepció készül, hanem tucatnyi vagy akár több száz. Ezeket valódi emberekkel mind letesztelni drága és lassú lenne. Ha az AI képes a mezőnyt előzetesen leszűkíteni, a valódi kutatás erőforrásait már csak a legígéretesebb ötletekre kell fordítani.

A kutatás után is lehet „új életet” adni az adatoknak

A brit Disrupt Insight júliusban egy másik érdekes problémára próbált megoldást találni. A vállalat olyan beszélgetésalapú AI-rendszert indított, amely egyetlen felületen egyesíti a kutatás kvalitatív interjúit, a válaszadói szintű kvantitatív adatokat, prezentációkat és riportokat. A felhasználó természetes nyelven kérdezhet rá a kutatásra, az AI pedig az eredeti kutatási adatokból válaszol, forrásmegjelöléssel együtt.

Ez első pillantásra egyszerű kényelmi funkciónak tűnik, valójában azonban egy régóta fennálló problémát kezel. Egy kutatási projekt lezárása után a megrendelő gyakran kap egy 80-100 oldalas prezentációt, amelyet néhány hétig intenzíven használnak, majd fokozatosan eltűnik a vállalati dokumentumok között.

Az új modellben viszont a kutatás nem lezárt prezentáció, hanem tovább kérdezhető adatbázis. A marketingvezető hónapokkal később is megkérdezheti például: „Mit mondtak azok a fogyasztók, akik kipróbálták a terméket, de nem vásároltak újra?” - az AI pedig az eredeti válaszokhoz visszanyúlva keresheti meg a választ.

Ez a kutatócégek számára is érdekes üzleti lehetőség: a projekt értéke nem feltétlenül ér véget a prezentáció átadásával.

Újraértékelik, mit jelent az „insight”

Egy friss ausztrál szakmai kezdeményezés, a HumanListening pedig egy másik problémát próbál megoldani: hogyan lehet a kvalitatív kutatásokból időbeli trendeket kimutatni.

A hagyományos kvalitatív kutatás erőssége, hogy meg tudja mutatni, miért gondolnak valamit az emberek. Gyengesége viszont, hogy nehezebb belőle pontosan megállapítani, hogyan változott egy vélemény az elmúlt hat vagy tizenkét hónapban. A HumanListening új megoldása idősort és minőségi pontozást kapcsol az AI-alapú kvalitatív elemzéshez, így a tracking kutatásokban nemcsak a változás, hanem annak lehetséges okai is jobban követhetők.

Ez tulajdonképpen a kvantitatív és kvalitatív kutatás egyik régi ellentétét próbálja feloldani: a számok jól mutatják, hogy valami változott, a kvalitatív kutatás pedig azt próbálja megmagyarázni, hogy miért. Ha a kettő egyetlen folyamatos rendszerben működik, abból jóval gazdagabb kép állhat elő.

Egyre több figyelem jut a nehezen elérhető szakértőkre

A Conjointly augusztusban új önkiszolgáló mintaszolgáltatást indított kifejezetten olyan válaszadók számára, akiket hagyományos online panelekkel nehéz elérni. A rendszer ID-ellenőrzött szakemberekhez, professzionális célcsoportokhoz és niche közönségekhez kínál hozzáférést.

Ez a tendencia azért érdekes, mert a kutatási piac sokáig elsősorban a nagy, olcsón elérhető online panelek felé mozdult. Most viszont egyre inkább az látszik, hogy bizonyos kutatásokban a minta mérete helyett a minta minősége és specializáltsága lesz a döntő.

Egy 1000 fős, általános lakossági minta sok kérdésre kiválóan alkalmas. Egy viszonteladói hálózat, egy iparági döntéshozói kör vagy egy speciális szakmai közösség esetében viszont lehet, hogy 100 valóban releváns ember többet ér, mint 2000 véletlenszerűen kiválasztott válaszadó.

A fogyasztók egyre alaposabban kutatnak vásárlás előtt

Egy kérdőív elkészítése ma már néhány perc alatt elkezdhető. Megnyitunk egy online kérdőívkészítőt, beírjuk a kérdéseket, hozzáadjuk a válaszlehetőségeket, majd elküldjük a linket a célcsoportnak. Technikai értelemben valóban ennyire egyszerű. Egy olyan kérdőívet azonban, amelyből később megbízható piackutatási eredmények születnek, már jóval nehezebb összeállítani.

A probléma ráadásul sokszor nem ott jelentkezik, ahol elsőre keresnénk. Egy kérdőív lehet látványos, könnyen kitölthető és akár több ezer válaszadó véleményét is összegyűjtheti, miközben az eredmények mégis félrevezetők. Ha ugyanis rossz kérdést teszünk fel, nem a megfelelő embereket kérdezzük meg, vagy a válaszokat olyan módon gyűjtjük össze, amely torzítja az eredményt, a nagy minta sem menti meg a kutatást.

A jó kérdőív ezért nem elsősorban technikai termék, hanem kutatásmódszertani eszköz. A kérdések megfogalmazása, sorrendje, a válaszlehetőségek kialakítása és maga a minta is befolyásolja, hogy végül mit tudunk majd kiolvasni az adatokból.

1.) Már a kérdés is sugallja a választ

Az egyik leggyakoribb hiba, hogy a kérdés valójában már tartalmazza a kutató vagy a megrendelő véleményét.

„Ön is egyetért azzal, hogy az új, környezetbarát csomagolás bevezetése fontos lépés volt vállalatunk részéről?”

Erre meglehetősen nehéz elfogulatlanul válaszolni. A „környezetbarát” és az „fontos lépés” olyan értékelést tartalmaz, amelyet a válaszadónak valójában magának kellene megfogalmaznia.

Sokkal tisztább eredményt adhat például az, ha először egyszerűen azt kérdezzük: „Mennyire tartja fontosnak, hogy egy termék csomagolása környezetbarát legyen?” Ezt követően külön lehet rákérdezni arra, hogy a fogyasztó hogyan értékeli az adott vállalat csomagolását.

A különbség apróságnak tűnik, de egy kutatásban komoly következménye lehet. A kérdőívnek nem az a feladata, hogy megerősítse az előzetes elképzeléseinket, hanem hogy kiderüljön, valóban helyesek-e.

2.) Két dolgot kérdezünk egyetlen kérdésben

„Mennyire elégedett termékeink minőségével és ár-érték arányával?”

Első pillantásra teljesen természetes kérdésnek tűnik, valójában azonban két különálló tulajdonságot próbálunk egyetlen válasszal megmérni. Mi történik akkor, ha valaki kiválónak tartja a termék minőségét, de túl magasnak érzi az árát?

A hasonló, úgynevezett dupla kérdések különösen gyakoriak az elégedettségi felmérésekben. „Mennyire elégedett az üzlet gyorsaságával és az alkalmazottak segítőkészségével?” - hangzik el például, miközben a válaszadónak valójában két különböző dologról kellene véleményt mondania.

Ha két tényezőt külön szeretnénk értékelni, akkor külön is kell őket kérdezni. Ettől hosszabb lesz a kérdőív, viszont az eredmény értelmezhető marad.

3.) Túl sok a kérdés

A kutatás készítője általában úgy érzi, hogy ha már sikerült elérni a válaszadót, érdemes minden fontosnak gondolt témát végigkérdezni. Innen már csak egy lépés a harminc-negyven perces kérdőív.

A válaszadó azonban egészen másként éli meg a helyzetet. Az első néhány kérdésnél még figyelmesen olvas, később egyre gyorsabban kattint, a végén pedig már csak szeretne eljutni a „Köszönjük a válaszát!” oldalra.

Ennek a kutatás minősége látja kárát. A hosszú kérdőívekben gyakoribbá válhatnak a figyelmetlen válaszok, a véletlenszerű kattintások és a félbehagyott kitöltések. Egy ponton túl tehát minden újabb kérdés többet árthat, mint amennyit használ.

A jó kérdőívben minden kérdésnek megvan a maga szerepe: ha egy kérdésre adott válasz nem segít megválaszolni a kutatás eredeti kérdését, érdemes megfontolni, hogy egyáltalán szükség van-e rá.

4.) Olyan dolgokról kérdezünk, amelyekre a válaszadó nem tud pontosan válaszolni

A kérdőíves kutatás egyik sajátossága, hogy a válaszadók sokszor akkor is válaszolnak, amikor valójában nincs elegendő információjuk a pontos válaszhoz.

„Mennyit költött Ön tavaly háztartási tisztítószerekre?”

Valószínűleg kevesen tudják erre pontosan a választ. Mégis sokan megadnak majd egy összeget. Ez azonban nem feltétlenül azt jelenti, hogy a kutatás valóban megtudta, mennyit költenek a háztartások.

Hasonló probléma merül fel akkor is, amikor nagyon régi eseményekre kérdezünk vissza, vagy olyan részleteket próbálunk felidéztetni a válaszadókkal, amelyekre valószínűleg már nem emlékeznek pontosan.

Ilyenkor segíthet a megfelelő időtáv megválasztása, kategóriák használata vagy az, ha először azt mérjük fel, hogy a válaszadó egyáltalán rendelkezik-e a szükséges információval.

5.) Nem adunk megfelelő válaszlehetőségeket

Egy kérdés megfogalmazása önmagában még nem garantálja, hogy a válaszadók ugyanazt értik alatta.

Vegyük például ezt a kérdést:

„Milyen gyakran vásárol online?”

A válaszlehetőségek pedig: hetente, havonta, ritkábban.

Mi történik azzal, aki hetente többször vásárol? És azzal, aki évente egyszer? Vagy azzal, aki kizárólag bizonyos termékeket vesz online?

A rosszul kialakított válaszlehetőségek nem feltétlenül feltűnő hibák, az adatokat azonban jelentősen torzíthatják. Bizonyos kérdéseknél szükség lehet „egyéb” kategóriára, más esetekben pedig „nem tudom”, „nem emlékszem” vagy „nem releváns” válaszra is.

Különösen fontos ez akkor, ha a válaszlehetőségeknek egymást kizárónak és lehetőség szerint teljes körűnek kell lenniük.

6.) Nem megfelelő skálát használunk

A szintetikus válaszadók, vagyis az AI segítségével létrehozott „mesterséges” kutatási résztvevők egyre nagyobb figyelmet kapnak a piackutatásban. Az ígéret egyszerű: ha egy nagy nyelvi modell (LLM) képes egy adott célcsoport tagjait élethűen szimulálni, akkor talán nincs is mindig szükség valódi emberek megkérdezésére.

A Prolific online kutatási platform kutatói most azt vizsgálták, hogy a gyakorlatban mennyire képesek az ilyen szintetikus válaszadók reprodukálni valódi emberek válaszait.

A kutatás eredménye meglehetősen egyértelmű: a szintetikus válaszadók jelenlegi formájukban nem alkalmasak arra, hogy a valódi válaszadókat helyettesítsék, ha pontos mérésre van szükség.

Hogyan tesztelték?

A kutatók először egy valódi, 996 fős amerikai mintán végeztek kutatást. A résztvevők politikai véleményekkel és fogyasztói témákkal kapcsolatos kérdésekre válaszoltak. A kérdőíves kutatást AI által moderált kvalitatív interjúkkal is kiegészítették.

Ezután ugyanezt a kutatási helyzetet megpróbálták egy LLM-mel „eljátszatni”. Vagyis nem valódi embereket kérdeztek meg, hanem mesterséges válaszadókat hoztak létre, és azt vizsgálták, hogy ezek válaszai mennyire hasonlítanak a valódi 996 résztvevő válaszaira.

Többféle módszert is kipróbáltak.

Először az AI gyakorlatilag semmilyen információt nem kapott az egyes válaszadókról. Ez volt a kontextus nélküli alapmodell.

Ezután létrehoztak olyan mesterséges válaszadókat, amelyekhez megadták például az életkort, nemet és más demográfiai jellemzőket. Ezeket nevezték demográfiai perszónáknak.

Végül még több információt adtak az AI-nak: a demográfiai adatok mellett a valódi emberekkel készített interjúk szó szerinti átiratait is. Így az AI már sokkal részletesebb képet kapott arról, hogy az adott „válaszadó” hogyan gondolkodik és milyen véleményeket fogalmazott meg.

A meglepő eredmény

A kutatók azt várták, hogy minél több információt adnak az AI-nak az egyes emberekről, annál pontosabban tudja majd reprodukálni a valódi válaszokat.

Nem ez történt.

Az egyik leggyakrabban alkalmazott szintetikus válaszadói módszer - amikor minden egyes mesterséges válaszadóhoz demográfiai jellemzőket rendelnek - még rosszabb eredményt produkált, mint amikor az AI-nak egyszerűen csak azt mondták: becsülje meg az egész minta várható válaszmegoszlását.

Sőt, az egyéni szintű szimuláció esetében az úgynevezett eloszlási hiba nagyjából háromszorosára nőtt.

Ennek egyik oka az volt, hogy az AI által létrehozott perszónák hajlamosak voltak a legtipikusabb, leginkább „sztereotipikusnak” tűnő válaszokat adni. Vagyis miközben a valódi emberek véleménye változatos volt, a mesterséges válaszadók túlságosan gyakran ugyanazokat a tipikus válaszokat választották.

Ez fontos probléma a piackutatásban: nem elég, ha az AI nagyjából eltalálja, hogy mi a leggyakoribb válasz. Az is fontos, hogy megfelelően jelenítse meg a vélemények valódi sokféleségét.

Az interjúk segítettek - de nem oldották meg a problémát

A kutatók ezután még több információt adtak az AI-nak. A demográfiai adatok mellett a valódi válaszadókkal készült interjúk szó szerinti szövegét is megkapta a modell.

Ez javított az eredményeken: csökkent a mesterséges válaszok túlzott hasonlósága, vagyis az AI valamivel jobban vissza tudta adni a valódi emberek közötti különbségeket.

A javulás azonban nem volt elegendő.

Az interjúk felhasználása ugyan nagyjából felére csökkentette az úgynevezett „variancia összeomlását”, de a szintetikus válaszadók így sem tudták elérni azt a pontosságot, amelyet egy újabb, valódi emberekből álló minta biztosított volna.

Másképpen fogalmazva: a több információ segített, de nem tette az AI-válaszadókat egyenértékűvé a valódi emberekkel.

Egy érdekes változtatás viszont sokat javított

A kutatók egy másik fontos változtatást is kipróbáltak.

Ahelyett, hogy arra kényszerítették volna az AI-t, hogy egy mesterséges válaszadó nevében egyetlen konkrét választ adjon, azt kérték tőle, hogy adja meg a lehetséges válaszok valószínűségi eloszlását.

Ez lényegében azt jelenti, hogy az AI ne azt mondja:

„Ez a válaszadó biztosan az A választ választaná.”

Hanem például azt:

„Ennek a válaszadónak 50% az esélye arra, hogy A-t, 30%, hogy B-t és 20%, hogy C-t választana.”

Ez a módszer jelentősen javította az eredményeket. A kutatók szerint a hiba 35-48 százalékkal csökkent, miközben továbbra is lehetőség volt egyéni szintű szintetikus adatok előállítására.

Ez fontos eredmény, mert azt mutatja, hogy nem feltétlenül maga a szintetikus válaszadó ötlete a probléma, hanem az is számít, hogyan kérjük az AI-tól a válaszok előállítását.

De még ez sem volt elég

A kutatók ezután statisztikai módszerekkel, úgynevezett MRP-vel (Multilevel Regression and Post-stratification) is megpróbálták korrigálni a fennmaradó eltéréseket. Ez azonban már nem hozott olyan további javulást, amely a szintetikus adatokat a valódi emberektől származó adatok pontosságára emelte volna.

A legfontosabb összehasonlítás pedig az volt, hogy az összes módszert összevetették egy második, valódi emberekből álló mintával.

Egyik szintetikus módszer sem tudta elérni ennek a pontosságát.

Egy különösen fontos tanulság

A kutatási szakma már szabványosítja az AI-t

Az elmúlt hetek egyik legfontosabb, bár kevésbé látványos híre, hogy megújult a piackutatás nemzetközi szabványa, az ISO 20252. A szeptember elején közzétett új változat már külön foglalkozik az AI és az automatizáció használatával, miközben szigorítja az adatminőséggel kapcsolatos követelményeket a mintavételben és a panelmenedzsmentben. A szabvány a válaszadók adatvédelmére és biztonságára vonatkozó részeket is aktualizálta. Világszerte több mint 400 kutatóügynökség rendelkezik ISO 20252 szerinti tanúsítással.

A változás azért érdekes, mert az AI használata így már nem egyszerűen technológiai vagy innovációs kérdés: megjelenik a kutatási minőség hivatalos nemzetközi keretrendszerében is. Az új szabvány nem azt mondja, hogy az AI-val óvatosan kell bánni és ezért inkább ne használjuk, hanem éppen ellenkezőleg: elfogadja, hogy az AI a kutatás része lesz, de ehhez ellenőrzési és monitoringkövetelményeket is rendel.

Ez tulajdonképpen egy korszakhatár. Néhány éve még arról beszéltünk, hogy „szabad-e” AI-t használni a piackutatásban. Most már inkább az a kérdés, hogy milyen szabályok mellett lehet ezt professzionálisan megtenni.

Digitális ikrek: a kutatás újabb nagy ugrása?

Még ennél is futurisztikusabb bejelentéssel állt elő a Qualtrics szeptemberben. A vállalat 2027-re tervezett új XM Data & AI platformja úgynevezett digitális ikreket hozna létre az ügyfelekről: szintetikus adatok és korábbi kutatási információk alapján olyan modelleket építenének, amelyekkel előre lehetne jelezni, hogyan reagálnának az emberek egy-egy változásra.

A koncepció lényegében egy virtuális fogyasztói tesztkörnyezet. Ha például egy vállalat megváltoztatná az ügyfélút egyik elemét, a rendszer megpróbálná előre jelezni, hogyan változna a fogyasztói élmény vagy a viselkedés. A Qualtrics szerint a platform a Press Ganey Forsta korábbi felvásárlásából származó anonimizált egészségügyi adatokat is felhasználná.

Ez egyelőre ígéret, nem bizonyított módszertan, de az irány nagyon érdekes. A klasszikus kutatás ugyanis általában azt kérdezi: „Mi történne, ha ezt megváltoztatnánk?” A digitális ikrekre épülő modell már azt szeretné megválaszolni: „Mi történne valószínűleg, ha ezt megváltoztatnánk?” - még azelőtt, hogy valódi fogyasztókon tesztelnénk.

A nagy kérdés természetesen az lesz, mennyire pontosak ezek a szimulációk. Minél nagyobb üzleti döntések alapjául szolgálnak, annál kevésbé lesz elfogadható, ha egy „virtuális fogyasztó” egyszerűen csak statisztikailag valószínűnek tűnő választ ad.

A SurveyMonkey már nemcsak kérdőívet akar készíteni

A SurveyMonkey szeptemberben új AI-funkciókkal bővítette platformját. Az AI már nemcsak kérdések megfogalmazásában segít, hanem a kérdőívek finomítását, az eredmények elemzését és a legfontosabb megállapítások azonosítását is támogatja. A vállalat közben Google Gemini-integrációt is fejleszt, a már meglévő ChatGPT- és Claude-kapcsolatok mellé.

A változás mögött egy fontos stratégiai felismerés húzódik meg: a kérdőívkészítő platformok többé nem feltétlenül különálló kutatási eszközök akarnak lenni. Ha a felhasználó már úgyis AI-asszisztenssel dolgozik, akkor a kérdőív, az adatfelvétel és az elemzés is beépülhet ugyanabba a munkafolyamatba.

A SurveyMonkey például azt tervezi, hogy a HR-rendszerekkel is összeköti a platformot, így a vállalati dolgozók adatai alapján célcsoportokat lehet majd létrehozni, az eredményeket pedig közvetlenül a szervezeti adatok kontextusában elemezni.

Ez a klasszikus kutatási folyamatot újabb ponton bontja meg: nem feltétlenül kell külön „kutatási projektet” indítani ahhoz, hogy egy szervezet megkérdezze az embereket. A survey egyre inkább beépülhet a mindennapi vállalati működésbe.

A kutatási piac egyik kulcsszava most: „AI-accelerated”

A Zappi szeptemberben publikált, több mint 250 marketing- és insight-szakembert megkérdező kutatása meglepő ellentmondásra világít rá. Bár a fogyasztói insightokat és adatokat összekapcsoló szervezetek aránya egy év alatt 38-ról 48 százalékra nőtt, az insight-funkcióval való általános elégedettség közben 60-ról 48 százalékra csökkent.

Az AI használata eközben már szinte általános: a szervezetek 93 százaléka használ valamilyen AI-megoldást. Mégis csak 8 százalékot soroltak az úgynevezett „AI-accelerated” kategóriába. Az AI-t leggyakrabban az adatok elemzésére és értelmezésére, a hatékonyság növelésére, illetve új ötletek generálására használják.

Ez talán az egyik legfontosabb friss adat az iparágból. Az AI használata önmagában még nem tesz egy kutatási szervezetet AI-éretté. A különbség valószínűleg ott van, hogy az AI csak egy újabb eszköz-e a meglévő folyamatban, vagy valóban átformálja azt.

A kutatás szerint ezt az elégedettségi adatok is visszaigazolják: az insight-funkcióval való elégedettség a „disconnected” szervezeteknél mindössze 9 százalék volt, a kapcsolt szervezeteknél már 62 százalék, az AI-accelerated szervezeteknél pedig 75 százalék.

Vagyis a technológia önmagában nem elég. A szervezeti integráció láthatóan legalább ilyen fontos.

Újabb szintre lép a kutatási platformok AI-integrációja

A Rep Data szeptemberben egy újabb érdekes lépést tett az úgynevezett MCP-technológia felé. A Research Desk MCP Server segítségével a kutatók természetes nyelven, ChatGPT-n vagy Claude-on keresztül is létrehozhatnak és kezelhetnek kutatási projekteket, beállíthatják a projekt paramétereit, sőt elindíthatják az adatfelvételt is.

Ez már lényegesen több annál, mint amikor az AI csak „elolvassa” a kutatási eredményeket. Az AI ebben a modellben elkezd cselekedni is a kutatási rendszerben.

A kutató például elvileg nem egy webes felületen kattintgat végig egy projekt beállításain, hanem egyszerűen megadhatja, hogy milyen célcsoporttal, milyen kutatást és milyen paraméterekkel szeretne indítani. A rendszer a természetes nyelvű utasítást alakítja át konkrét kutatási műveletekké.

Ez lehet az egyik legnagyobb változás a kutatási technológiában: az AI nem külön alkalmazás lesz a kutató mellett, hanem a kutatási infrastruktúra kezelőfelületévé válhat.

Közben a közvélemény-kutatás hitelessége újabb támadást kapott

A technológiai fejlődéssel párhuzamosan továbbra is komoly problémát jelent a közvélemény-kutatások hitelessége. Nagy-Britanniában szeptember elején azért került több közvélemény-kutatás szakmai vizsgálat alá, mert a Channel 4 News oknyomozása szerint a Reform UK három kutatást finanszírozott úgy, hogy a pénz eredetét egy látszólagos amerikai adományozó mögé rejtették. A három kutatás összesen 32 500 fontba került, és az eredményeket két brit lap is közölte anélkül, hogy tudta volna, ki áll a kutatások mögött megrendelőként.

A történet azért különösen kellemetlen a szakma számára, mert megmutatja: egy kutatás hitelességéhez nem elég, hogy a számok matematikailag rendben legyenek. Az is fontos, hogy ki rendelte meg, milyen céllal készült, és milyen körülmények között került nyilvánosságra.

A brit szabályozás ezért előír bizonyos transzparenciát: a British Polling Council tagjainak nyilvánosságra kell hozniuk a kutatás megrendelőjét, ha az eredmények közlésre kerülnek.

Ez a kérdés az AI korszakában még fontosabb lehet. Ha ugyanis már néhány perc alatt elő lehet állítani egy professzionálisnak látszó grafikont és egy teljes kutatási jelentést, akkor a módszertani és finanszírozási átláthatóság válik a hitelesség egyik legfontosabb garanciájává.

Érdekes példa arra, hogyan lehet növelni a válaszadási arányt

Nem minden érdekes fejlemény kapcsolódik közvetlenül az AI-hoz. Az angol és walesi gyermekbűnözési felmérés, a Children's Crime Survey például teljesen átalakította az adatfelvétel módját. A korábban személyes interjúkkal végzett, 10-15 éves gyerekeket vizsgáló kutatást online formára állították át, és a gyerekeket közvetlenül keresték meg az oktatási és egészségügyi nyilvántartások alapján.

Az eredmény látványos volt: közel négyszer annyi válasz érkezett, mintegy 6000, a részvételi arány pedig meghaladta a 40 százalékot. A válaszadók ráadásul önállóan tölthették ki a kérdőívet, szülő vagy kérdezőbiztos jelenléte nélkül.

A megoldás érdekes tanulsággal szolgál a magyar kutatási piac számára is. A válaszadási arány javításához nem feltétlenül újabb ösztönző vagy bonyolultabb mintavételi technika kell; néha magát a kutatási helyzetet kell a válaszadó számára természetesebbé tenni.

Az ONS ugyanakkor elismerte, hogy az online átállás miatt megszakad a korábbi idősor közvetlen összehasonlíthatósága. Mégis úgy ítélték meg, hogy a jobb hozzáférhetőség és a reprezentatívabb, modernebb adatfelvétel hosszabb távon fontosabb előnyt jelent.

A kutatási iparág közben tovább koncentrálódik

Az üzleti oldalon augusztusban egy fontos tranzakció zárult le: a Cint kikerült a tőzsdéről, és magántulajdonba került a Triton Partners által vezetett befektetői konzorcium felvásárlása után. A vállalat szerint az új tulajdonosi struktúra lehetőséget ad arra, hogy gyorsabban fektessenek az AI-alapú kutatási megoldásokba, a könnyebben hozzáférhető insightokba és a médiamérés új módszereibe.

Ez nem pusztán egy pénzügyi tranzakció. A Cint a világ egyik jelentős kutatási technológiai és mintaszolgáltató szereplője, így az akvizíció jól illeszkedik ahhoz a szélesebb trendhez, amelyben a kutatási adat, a panel, a technológiai infrastruktúra és az AI egyre inkább ugyanazon vállalatcsoportokon belül találkozik.

Közben az Open Point júliusban felvásárolta a Converlens AI-alapú adatelemző platformot. A technológia kvalitatív visszajelzések, konzultációs válaszok, stakeholder-kommunikációk és interjúk elemzésére használható, különösen közösségi és állami konzultációk esetében.

Ez azért érdekes, mert itt a piackutatási technológia már nem kizárólag üzleti fogyasztói kutatásokban jelenik meg: a közösségi egyeztetés, a közpolitikai döntés-előkészítés és a stakeholder management is egyre inkább adat- és insight-alapúvá válik.

Magyarországon továbbra is nagy a szórás a közvélemény-kutatások között

Az utóbbi időben egyre több olyan lelkes beszámoló jelenik meg az AI-ról, amelyből az embernek az az érzése támadhat, hogy hamarosan tényleg feleslegessé válik néhány olyan dolog, amit eddig a marketingben természetesnek vettünk. Például a válaszadó.

Egy népszerű hazai kkv-marketinges pár napja megjelent Facebook-bejegyzésben azt boncolgatja, hogy az AI immár virtuális válaszadók létrehozásával a teljes piackutatást képes elvégezni, miközben „van, aki még mindig 1000 embert kérdezget végig egy piackutatáshoz, hetekig gyűjti az adatot, fizet érte rendesen, aztán a végén ott ül egy táblázat előtt, amit már rég meg lehetett volna csinálni...”

A gondolat első hallásra kifejezetten izgalmas, ráadásul van benne igazság is, csak nem sok és nem úgy. (Éppen ma jelentettünk meg a témáról egy hosszabb írást itt a blogon a szintetikus válaszadókról, szintetikus piackutatásról, amit érdemes lenne elolvasni mindenkinek, aki a téma iránt mélyebben érdeklődik.) Az AI valóban képes úgynevezett szintetikus válaszadókat létrehozni, akik végigmennek egy kérdőíven, válaszolnak a kérdésekre, sőt megfelelő beállításokkal egymástól eltérő demográfiai és attitűdprofilokat is képesek megjeleníteni.

Csakhogy ebből egy meglehetősen nagy ugrással jutunk el oda, hogy „megcsinálja a piackutatást”. A kettő között ugyanis ott van maga a piackutatás. És ez az a rész, amit az AI jelenlegi képességei még nem tesznek feleslegessé. Röviden: egy egyszerű felhasználó által promptolt, bármilyen fizetős AI kreálta, szintetikus válaszadókkal végzett, kutatásnak hitt folyamat - bármennyire is professzionálisnak és valóságosnak tűnjön az output - jelenleg teljesen megbízhatatlan, véletlenszerű eredményeket ad, üzleti döntéseket erre nem lehet alapozni; a jövőben elképzelhető, hogy lesznek olyan szintetikus válaszadók, melyeket valós kutatási adatokkal treníroztak és kalibráltak ehhez értő specialisták és egy napon esetleg / talán / de nem biztosan eljuthatunk oda, hogy bizonyos egyszerűbb kutatásokat kiválthat egy szintetikus piackutatás, de jelenleg még a fejlettebb piacokon is csak kezdeti stádiumban vannak az erre vonatkozó fejlesztések. Hosszabb válasz pedig az alábbiakban, illetve a fent linkelt mai cikkben!  

A mesterséges válaszadó nagyon meggyőző tud lenni

A technológia valóban lenyűgöző. Adhatunk egy AI-rendszernek egy részletes profilt: legyen például 42 éves, vidéki, kétgyermekes, középfokú végzettségű, átlagos jövedelmű, rendszeresen internetező férfi, aki hetente vásárol üdítőitalt, de árérzékeny és inkább a megszokott márkákat választja. Ezután megkérhetjük, hogy válaszoljon egy fogyasztói kérdőívre. A rendszer válaszolni fog.

Ha pedig száz, ezer vagy tízezer ilyen profilt hozunk létre, máris van egy szépen kinéző adatbázisunk. Lehetnek benne életkorok, lakóhelyek, fogyasztási szokások, márkapreferenciák, attitűdök, vásárlási szándékok. Az eredmény táblázatba rendezhető, százalékokat számolhatunk belőle, grafikonokat készíthetünk, sőt az AI még szövegesen össze is foglalja nekünk, hogy „a célcsoport számára az ár-érték arány kiemelten fontos”.

A probléma éppen az, hogy mindez túlságosan könnyen néz ki piackutatásnak, miközben semmi köze hozzá. A kutatás eredménye ugyanis attól még nem lesz megbízható, hogy nagyon hasonlít egy valódi kutatás eredményére. Egy táblázatban szereplő 63 százalék ugyanis önmagában semmit nem mond arról, hogy az a 63 százalék hogyan keletkezett.

A válaszadó hiánya nem egy technikai részlet

A hagyományos piackutatásban a válaszadó nem azért fontos, mert valakinek végig kell kattintgatnia a kérdőívet. Azért fontos, mert ő hordozza azt az információt, amit meg akarunk tudni.

Ha megkérdezünk ezer embert arról, hogy megvenne-e egy új terméket, akkor ezer ember tényleges reakcióját mérjük. Ezek az emberek rendelkeznek saját tapasztalatokkal, emlékekkel, szokásokkal, vásárlóerővel, érzelmekkel és előítéletekkel. Lehet, hogy egyáltalán nem logikusan válaszolnak. Lehet, hogy egyik kérdésre azt mondják, fontos nekik az ár, a következő héten pedig megveszik a drágább terméket. Ez nem mérési hiba, amit ki kellene gyomlálni, sok esetben éppen ez a fogyasztói viselkedés!

A mesterséges válaszadó ezzel szemben nem azért mondja azt, hogy fontos neki az ár, mert tegnap a boltban megnézte a két termék árát, majd a drágábbat tette vissza a polcra. Azért mondja, mert az AI a rendelkezésére álló információk alapján ezt tartja valószínű válasznak egy ilyen profil esetében. Ez nagyon fontos különbség. A mesterséges válaszadó nem egy ember, akit megkérdeztünk, hanem egy modell arról, hogy mit mondhatna egy ilyen ember.

És itt kezdődnek a problémák

A szintetikus válaszadókkal kapcsolatos kutatások eredményei ma már jóval árnyaltabbak annál, mint hogy „az AI meglepően jól válaszol”.

A nürnbergi NIM kutatói például 500 valódi amerikai fogyasztó és 500 AI által generált válaszadó eredményeit hasonlították össze három témában: sportruházat, üdítőitalok és politikai vélemények. A mesterséges válaszadók több általános trendet valóban képesek voltak reprodukálni, de közben szisztematikus eltérések is jelentkeztek: például túlzottan hajlamosak voltak a mainstream márkákat és általánosan elfogadott véleményeket választani, miközben kisebb, kevésbé ismert márkákat és a niche fogyasztói csoportokat alulreprezentálták. A válaszok emellett kevésbé voltak változatosak, mint a valódi emberek válaszai.

Ez elsőre talán nem tűnik olyan nagy problémának, egy marketinges számára viszont éppen az lehet a probléma, amit a gép „túl jól” csinál. A modell hajlamos lehet arra, hogy egy 35 éves diplomás budapesti fogyasztóból meglehetősen jó statisztikai átlagot készítsen. Csakhogy a piac nem átlagemberekből áll. A sikeres termékek mögött sokszor éppen azok a kisebb csoportok állnak, amelyek nem illeszkednek szépen az átlagba. Az AI pedig hajlamos lehet kisimítani ezeket a különbségeket.

A legnagyobb baj: az AI válaszai hihetőek

Ha egy kérdőívet kitöltetünk tízezer fiktív emberrel, az eredmény valószínűleg nem lesz értelmetlen zagyvaság, éppen ellenkezőleg. Nagyon értelmes lesz - ez teszi veszélyessé.

A generatív AI egyik legnagyobb erőssége, hogy rendkívül jól állít elő olyan szöveget és válaszokat, amelyek emberinek, koherensnek és meggyőzőnek tűnnek. A kutató pedig könnyen belecsúszhat abba a hibába, hogy a válasz minőségét összekeveri a mérés minőségével!

Ha egy mesterséges válaszadó azt mondja, hogy „azért választanám ezt a márkát, mert fontos számomra a megbízhatóság, ugyanakkor az ár-érték arányt is figyelembe veszem”, az tökéletesen életszerű. Csakhogy attól még nem tudjuk, hogy hány valódi magyar fogyasztó gondolja ugyanezt. Az AI egy hihető választ adott, nem pedig egy megfigyelt társadalmi tényt.

Ez különösen látványosan jelentkezik, amikor valódi emberekkel hasonlítják össze

Egy 2026-os, a NIM kutatói által készített újabb vizsgálatban a szintetikus válaszadók összességében képesek voltak a valódi emberek válaszaiból bizonyos szélesebb mintázatokat eltalálni, de a mesterséges válaszok következetesen pozitívabbak voltak, és jóval kisebb változatosságot mutattak, mint a valódi válaszadók válaszai. A kutatók különösen azt találták problémásnak, hogy a jól ismert márkák esetében a szintetikus válaszadók túlbecsülték a pozitív attitűdöket.

Magyarul: az AI sokszor eltalálja, merre van a piac, de nem feltétlenül találja el, mennyire van ott. Egy piackutatásnál pedig ez nem apró különbség.

Ha azt kérdezem, hogy egy új termék koncepciója érdekesnek tűnik-e, és az AI azt mondja, hogy 72 százalék szerint igen, miközben a valódi fogyasztóknál ez 48 százalék lenne, akkor a 72 százalék nem egy „kicsit pontatlan” eredmény. Ha erre alapozom a termékfejlesztést, a gyártási kapacitást vagy egy több tízmilliós marketingkampányt, könnyen nagyon drága tévedés lehet belőle.

De hiszen az AI ismeri a fogyasztókat

Igen, csak nem úgy, ahogy egy kutatócég. Egy általános AI-modell rengeteg szöveget, internetes tartalmat, könyvet, fórumot és egyéb adatot látott a tanítása során. Ebből rengeteg mindent megtanult arról, hogyan beszélnek az emberek, milyen vélemények fordulnak elő, milyen fogyasztói magatartások léteznek, ez rendkívül értékes tudás.

De egy magyar piackutatás esetében nem az a kérdés, hogy az AI tudja-e, milyen egy 45 éves ember, a kérdés az, hogy tudja-e, hogyan gondolkodik egy adott pillanatban 1000 magyar, a magyarországi jövedelmi viszonyok, árak, márkák, kulturális sajátosságok és aktuális társadalmi környezet mellett. Ez már egészen más feladat.

A szintetikus válaszadó minősége ezért döntően attól függ, milyen adatokból és milyen módszerrel építették fel. A szakirodalom is különbséget tesz az egyszerű, általános AI-personák és a valódi kutatási adatokkal, például korábbi ügyfél- vagy paneladatokkal kalibrált „digital twin” jellegű rendszerek között. És ez óriási különbség.

Egy ChatGPT-nek feltett kérdés, hogy „mit gondolna egy 50 éves magyar férfi erről a termékről?”, nem piackutatás. Egy saját, magyar kutatási adatbázison kalibrált, validált szintetikus populáció már egészen más kategória. (Csak éppen ilyen nem létezik jelenleg.)

Van még egy kellemetlen probléma: az AI hajlamos „átlagosítani” az embereket

A piac- és közvélemény-kutatás egyik legalapvetőbb feltétele hosszú időn át magától értetődő volt: ha egy kutatásban ezer válaszadó szerepel, akkor ezer embernek kellett valamilyen módon válaszolnia a kérdésekre. Lehettek telefonos interjúalanyok, online paneltagok vagy személyes megkérdezettek, de egy dolog közös volt bennük: valódi emberek voltak.

A mesterséges intelligencia ezt az alapfeltevést kezdi megkérdőjelezni.

Ma már technikailag nem különösebben nehéz létrehozni egy olyan mesterséges „válaszadót”, amelynek formailag van életkora, lakóhelye, jövedelme, családi állapota, iskolai végzettsége, médiafogyasztása, márkapreferenciája és politikai vagy társadalmi attitűdje. Az AI nemcsak egy-egy kérdésre tud válaszolni, hanem egy teljes kérdőívet végig tud vinni úgy, hogy közben emlékszik a korábbi válaszaira, következetesen viselkedik, és bizonyos mértékig még azt is képes modellezni, hogy az adott „ember” hogyan gondolkodna.

Ezeket az entitásokat nevezik synthetic respondentsnek, vagyis szintetikus válaszadóknak.

A fogalom azonban félrevezető lehet. Nem arról van szó, hogy létrehozunk ezer virtuális embert, akiknek a képernyőn van fényképe, neve és mesterséges személyisége. A háttérben valójában egy nagy nyelvi modell - vagy több modellből és statisztikai rendszerből álló AI-rendszer - működik, amelyhez olyan információkat rendelünk, amelyek meghatározzák, hogy az adott „válaszadó” milyen embernek tekintendő.

Hogyan születik egy mesterséges válaszadó?

Képzeljünk el egy magyarországi kutatást, amelynek célja egy új üdítőital tesztelése. A megrendelő 1000 embert szeretne megkérdezni, 18-65 év között, országosan, reprezentatív mintában.

A hagyományos kutatásban ehhez meg kell találni az 1000 embert. A szintetikus kutatásban viszont először létre kell hozni azt a populációs modellt, amelyből a mesterséges válaszadók származnak.

Az első lépés tehát nem maga az AI, hanem a kutatómunka. Meg kell határozni, hogy milyen ismérvek alapján szeretnénk különbséget tenni az emberek között. Ilyen lehet az életkor, nem, lakóhely, településtípus, iskolai végzettség, háztartásméret, jövedelmi helyzet, foglalkozás, családi állapot, gyermekek száma, médiahasználat, internethasználat, vásárlási szokások vagy éppen az adott termékkategóriával kapcsolatos korábbi tapasztalat.

De ennél tovább is lehet menni. Egy jól felépített szintetikus válaszadó nem egyszerűen azt „tudja”, hogy 43 éves budapesti férfi. A rendszerhez hozzárendelhető egy olyan profil, amely például azt mondja: 43 éves, felsőfokú végzettségű, XI. kerületi, kétgyermekes, középvezető, átlag feletti jövedelmű, hetente háromszor vásárol élelmiszert, elsősorban hipermarketben és online, rendszeresen fogyaszt cukormentes üdítőket, de árérzékeny, és a reklámokkal szemben szkeptikus.

Ezután jöhet maga a kérdőív. A rendszernek meg lehet mondani: válaszolj úgy, ahogyan ez a profil nagy valószínűséggel válaszolna. A válaszadó azonban közben nem egy előre elkészített „igen/nem” táblázatból választ. A nagy nyelvi modell a profil, a kérdés és a korábbi válaszok alapján generálja a következő választ.

Ez nagyon fontos különbség. A legegyszerűbb rendszerben minden kérdésre külön-külön kérdezzük meg az AI-t, és azt mondjuk neki: „43 éves budapesti férfi vagy.” Egy fejlettebb rendszer azonban folyamatos memóriával rendelkezik. Így ha az első kérdésben azt állítja, hogy rendszeresen fogyaszt cukormentes üdítőt, a későbbi kérdésben nem fogja véletlenül azt mondani, hogy soha nem vásárol ilyen terméket. A kutató tehát lényegében egy mesterséges személyiséget épít.

Nem mindegy, miből „tanul” a mesterséges ember

Ha a mesterséges válaszadóknak egyszerűen azt mondjuk, hogy „viselkedj úgy, mint egy 40 éves magyar férfi”, akkor az eredmény gyenge lesz. A modellnek ugyanis nincs közvetlen hozzáférése a magyar társadalom aktuális gondolkodásához. A saját tanítási adataiból származó általános mintákból próbál következtetni, ez pedig könnyen vezethet sztereotípiákhoz.

A fejlettebb megközelítés ezért valódi kutatási adatokkal kalibrálja a rendszert. Ha például egy kutatócégnek több évre visszamenőleg rendelkezésére állnak magyar omnibusz- vagy tracking-kutatások adatai, ezekből felépíthető egy olyan statisztikai és AI-alapú populációs modell, amely sokkal közelebb állhat a magyar társadalomhoz.

Ez már lényegében egy mesterséges mintavételi keret.

A rendszer például tudhatja, hogy egy adott életkorú, iskolai végzettségű és lakóhelyű ember milyen valószínűséggel fogyaszt egy adott terméket, milyen márkákat ismer, hogyan használja a médiát, vagy hogyan válaszolt korábban hasonló attitűdkérdésekre.

A következő szint az úgynevezett finomhangolás lehet. Ilyenkor nem egyszerűen prompttal adjuk meg a személyiséget, hanem megfelelő kutatási adatokkal magát a modellt vagy a köré épített predikciós rendszert is hozzáigazítjuk a célpopulációhoz.

A kutatási szakember számára ezért a legfontosabb felismerés az, hogy a szintetikus válaszadó minőségét nem elsősorban az határozza meg, hogy „mennyire okos” az AI, sokkal fontosabb, hogy milyen társadalmi és kutatási adatokkal tápláljuk.

Hogyan nézne ki mindez Magyarországon?

Egy magyar kutatócégnek ehhez elvileg nincs szüksége saját óriási AI-modellre. Sokkal életszerűbb lenne egy meglévő nagy nyelvi modellre épített rendszer létrehozása. A háttérben lehetne egy adatbázis a magyar lakosság demográfiai és kutatási jellemzőiről, egy mintagenerátor, amely előállítja a kívánt populációt, egy AI-modell, amely a válaszokat generálja, valamint egy statisztikai réteg, amely ellenőrzi és korrigálja az eredményeket.

A folyamat például így nézhetne ki:

A kutató megadja, hogy „1000, országosan reprezentatív, 18-65 éves magyar felnőttet szeretnék”. A rendszer létrehozza az 1000 mesterséges válaszadó profilját a kívánt kvóták alapján. Ezután mindegyik végigmegy a kérdőíven. Az AI minden válaszadónál megőrzi a személyes kontextust és a korábbi válaszokat. A végén elkészül az adatfájl, amely formailag nagyon hasonlíthat egy hagyományos online kutatás adatbázisához. Csakhogy az „1000 válaszadó” mögött nem 1000 ember áll, hanem egy algoritmikus populáció.

Ehhez technikailag már egy kisebb kutatócégnek is elegendő lehet egy felhőalapú szerver, adatbázis, programozói környezet és egy vagy több AI-API. Saját GPU-infrastruktúra nem feltétlenül szükséges.

A rendszer fejlesztéséhez azonban nem elég egy jó programozó. Szükség van kutatásmódszertani szakértelemre, statisztikusra vagy adatelemzőre, AI/ML-fejlesztőre, valamint olyan szakemberre, aki érti a promptolást, az LLM-ek működését és a modellek validálását. Egy komolyabb rendszerben adatvédelmi és jogi szakértelemre is szükség lenne.

És itt van egy fontos paradoxon: minél jobb szintetikus kutatást akarunk, annál inkább szükségünk van valódi kutatásokra.

Mennyibe kerülhet?

A technológia használata önmagában meglepően olcsó lehet. Egy 1000 fős, például 20-30 kérdéses szintetikus kutatás AI-költsége - a választott modelltől, a válaszok hosszától és az ismétlések számától függően - akár néhány tízezer forintos nagyságrendből is kihozható. Komplexebb, több körben futtatott, több modellt használó rendszer esetében inkább százezres nagyságrenddel érdemes számolni.

Vagyis a hagyományos kutatás egyik legdrágább eleme, a válaszadói adatfelvétel, radikálisan olcsóvá válhat. A költség azonban nem ott van, ahol első pillantásra gondolnánk.

Egy használható magyar szintetikus válaszadó-rendszer fejlesztése már komolyabb beruházás lehet. Egy egyszerű prototípus néhány százezer vagy néhány millió forintból elkészíthető, egy stabil, saját kutatási adatokkal kalibrált és automatizált rendszer fejlesztése viszont könnyen több tízmillió forintos projekt lenne. Ha pedig egy kutatócég saját, hosszú távon működtethető platformot akar, folyamatos adatfrissítéssel, validációval, biztonsági rendszerrel és ügyféloldali felülettel, a költség ennél jóval magasabbra kerülhet.

A legnagyobb értéket tehát nem maga az AI-API jelentené, hanem a mögötte lévő magyar kutatási adatvagyon. Egy olyan cég, amelynek húsz évnyi, megfelelően dokumentált magyar kutatási adat áll rendelkezésére, egészen más pozícióból indulna, mint egy újonnan létrejövő AI-startup.

De vajon tényleg olyan jók a mesterséges válaszadók, mint az emberek?

Nemrég megjelentettünk egy sorozatot a blogon az AI-alapú telefonos piackutatás helyzetéről, hátteréről Európában, a sorozat III. része külön foglalkozott a magyarországi szabályozási vonatkozásokkal. A sorozat megjelenése után úgy láttuk, hogy a téma ezen része még részletesebb kifejtést igényel, ezért további tudnivalókat gyűjtöttünk össze.

A magyar szabályozás létrehozott egy speciális kivételt a közvélemény-kutatási célú, véletlenszerű számképzésen alapuló telefonos kapcsolatfelvételre, és ezt a kivételt a törvény kifejezetten nem terjeszti ki a piackutatásra. A két fogalom ráadásul külön jogszabályi definíciót kapott.

A kulcsjogszabály: az elektronikus hírközlésről szóló Eht.

A kiindulópont a 2003. évi C. törvény az elektronikus hírközlésről (Eht.), azon belül a 162. §. A jelenlegi szabályozás 162. § (1) a) pontja szerint:

„Az emberi beavatkozás nélküli, automatizált hívórendszer vagy előfizetői kapcsolat létrehozására szolgáló más automatizált eszköz az előfizető tekintetében
a) csak akkor alkalmazható közvetlen üzletszerzés, tájékoztatás, piackutatás céljára, ha ehhez az előfizető előzetesen hozzájárult...”

Tehát automatizált hívórendszerrel piackutatást végezni főszabály szerint csak előzetes hozzájárulással lehet.

A jogszabály azonban ugyanebben a bekezdésben külön kezeli a közvélemény-kutatást. A 162. § (1) b) pontja nem azt mondja, hogy ahhoz is előzetes hozzájárulás kell, hanem azt, hogy az automatizált eszköz nem alkalmazható, ha az előfizető meghatározott módon tiltakozott ellene.

Vagyis az alapvető különbség:

- piackutatás: opt-in

- közvélemény-kutatás: meghatározott feltételekkel opt-out

Véletlenszerű számképzés

A jogalkotó 2021-ben egy további speciális szabályt is bevezetett, az Eht. 162. § (5) szerint:

„Ha a közvélemény-kutatási célú kapcsolatfelvételre nyilvános adattár felhasználása nélkül, véletlenszerűen, a rendelkezésre álló számtartomány alapján képzett telefonszám (a továbbiakban: véletlenszerű számképzés) tárcsázásával kerül sor, a kapcsolatfelvétel során a (2) bekezdés rendelkezéseit nem kell alkalmazni...”

Nem kell előzetesen rendelkezni a felhívott személy telefonszámával egy névjegyzékből vagy adatbázisból. A rendszer a rendelkezésre álló számtartományból véletlenszerűen generál telefonszámokat, majd ezeket tárcsázza. Ez módszertani szempontból óriási jelentőségű, hiszen éppen ez teszi lehetővé a klasszikus RDD (Random Digit Dialing) jellegű mintavételt.

A 2021-es törvénymódosítás indokolása ezt teljesen világosan ki is mondja:

„A hiteles közvélemény-kutatási mérések érdekében a véletlenszerű tárcsázás útján történő hívások kezdeményezésével egyszerű véletlen mintavétel valósítható meg, ezáltal biztosítva a reprezentativitást.”

Itt a jogalkotó maga is elismeri a véletlenszerű telefonszám-generálás reprezentativitási jelentőségét.

Csak közvélemény-kutatásra!

A 162. § (9) ezt már teljesen egyértelművé teszi:

„Az (5) bekezdésben meghatározott kapcsolatfelvételre kizárólag a Kktv. szerinti közvélemény-kutatás céljából kerülhet sor.”

Tehát a véletlenszerű számképzésre vonatkozó speciális kivétel nem általában minden kutatásra, hanem kifejezetten a Kktv. szerinti közvélemény-kutatásra vonatkozik.

Tehát ha ugyanazzal a technológiával ugyanazokat a véletlenszerűen generált telefonszámokat piackutatási célból hívnánk fel, akkor a 162. § (5)-(9) szerinti kivételre nem lehetne hivatkozni.

Ez pedig az AI telefonos piackutatás szempontjából nagyon komoly akadály.

De honnan tudjuk, mi a „piackutatás” és mi a „közvélemény-kutatás”?

Itt lép be egy másik, nagyon fontos törvény:

Az 1995. évi CXIX. törvény a kutatás és a közvetlen üzletszerzés célját szolgáló név- és lakcímadatok kezeléséről, röviden Kktv.

És ez a törvény kifejezetten definiálja mindkét fogalmat.

A Kktv. 2. § (1) 2. pontja szerint:

„Közvélemény-kutatás: egyének és csoportjaik (...) véleményének és ítéletalkotásuk összetevőinek kutatása.”

A 3. pont szerint pedig:

„Piackutatás: az érintett fogyasztói szokásának vizsgálata.”

Ez tehát nem pusztán egy szakmai megkülönböztetés, a magyar jogszabály konkrétan két külön fogalomként definiálja őket.

Mi a különbség a két definíció között?

Már a kérdőív elkészítése előtt beleszól az AI a kutatásba

A piackutatásban eddig elsősorban arról szólt az AI-forradalom, hogyan lehet gyorsabban adatot gyűjteni, interjúkat készíteni vagy elemezni a már elkészült kutatást. Most viszont egy újabb lépés körvonalazódik: az AI már az adatfelvétel előtt megpróbálja megakadályozni, hogy rossz kutatás induljon el.

Az amerikai IncQuery augusztusban olyan AI-alapú ellenőrző eszközt indított, amely még a kérdőív élesítése előtt összeveti a kutatás célkitűzéseit a teljes kérdőívvel. A rendszer megkeresi, hogy minden kutatási célhoz tartozik-e megfelelő kérdés, illetve módszertanilag megfelelő-e a kérdőív. Azt is megmutatja, hogy egy-egy ajánlása pontosan mely kérdésekre épül, és megbízhatósági értéket ad hozzá.

A gondolat meglehetősen egyszerű, de szakmailag fontos: ha egy lényeges kérdés kimarad a kérdőívből, azt az adatfelvétel után már késő kijavítani. Az AI tehát itt nem elemzőként, hanem afféle kutatási „minőségbiztosítóként” jelenik meg.

Ez egyébként jól illeszkedik az iparág másik új trendjéhez. A Rep Data júliusban olyan rendszert vezetett be, amely megmutatja, hogyan változnak a kutatás eredményei a gyenge minőségű válaszadók kiszűrése után. Mintegy 12 700 kérdést elemeztek, és minden tizenhatodik kérdésnél megváltozott a leggyakoribb válasz az adat­tisztítás után; egyes válaszlehetőségek aránya több mint 5 százalékponttal, a legnagyobb esetben 11,7 százalékponttal változott.

Vagyis a szakma kezd eljutni oda, hogy nemcsak azt akarja tudni, mi lett a kutatás eredménye, hanem azt is, hogy mennyire változott volna az eredmény más minőségű válaszadókkal, illetve megfelelőbb kérdőívvel.

Egy kérdőívből egyszerre lehet kvantitatív és kvalitatív kutatás

Érdekes irányba indult a brit Peekator is. Júliusban olyan AI-videó- és hanginterjúkat épített be survey-platformjába, amelyeknél a válaszadó egy kérdőív kitöltése után automatikusan továbbmehet egy AI által moderált mélyebb interjúba. Az AI a korábbi válaszokra építve tud további kérdéseket feltenni, vagyis nem minden résztvevőnek ugyanazt az interjút kell végigcsinálnia.

Ennek komoly gyakorlati jelentősége lehet. Egy hagyományos kvantitatív kutatásban például 1000 ember válaszolhat ugyanarra a kérdőívre, majd a kutató néhány tucat embert választ ki mélyinterjúra. Az új modellben viszont akár mind az 1000 válaszadótól lehetne egy rövid kvalitatív „második réteget” is kérni, és az AI mindenkinél más ponton tudna visszakérdezni.

Ez tulajdonképpen egy régi kutatói álom megvalósulása: a nagy mintás kvantitatív kutatás és a mély kvalitatív megértés összekapcsolása anélkül, hogy a költség egyszerűen a többszörösére nőne.

Az AI már nemcsak válaszol a kutatási adatokból - közvetlenül hozzájuk fér

A nyár egyik fontos technológiai trendje az úgynevezett MCP, amely lehetővé teszi, hogy AI-rendszerek külső adatbázisokat közvetlenül lekérdezzenek. A YouGov és a YPulse után júliusban az Euromonitor is ebbe az irányba lépett.

Az Euromonitor új Passport platformja már Microsoft Copilot-integrációt és MCP-kapcsolatot is kínál, így a felhasználók a vállalat globális piaci adatait közvetlenül AI-eszközökben, például ChatGPT-ben vagy Claude-ban kérdezhetik le. Emellett a Passport saját AI-chat funkciót is kapott, amely a riportokban és elemzésekben keres.

A YPulse megoldása különösen érdekes, mert nem pusztán előre elkészített táblákat kínál. Az AI a teljes mögöttes adatbázist lekérdezheti, és a válasz mellett megjelenik az eredeti kérdés, a kutatás neve és a minta nagysága is.

Ez utóbbi rendkívül fontos részlet. Az AI ugyanis hajlamos arra, hogy egy magabiztos mondatot forrás nélkül is „kész tényként” tálaljon. Ha viszont egy kutatási eredményhez azonnal oda lehet tenni az eredeti kérdést, a mintanagyságot és a kutatás azonosítóját, akkor az AI használata sokkal ellenőrizhetőbbé válik.

A kutatási jelentés lassan elveszítheti a főszerepét

Nem az adatból van kevés, hanem abból, amit a vállalatok kezdenek vele

A piackutatási szakma egyik legérdekesebb ellentmondására világított rá egy júniusban publikált nemzetközi felmérés: a vállalatoknak még soha nem állt rendelkezésükre ennyi adat, kutatás, ügyfél-visszajelzés és elemzési lehetőség, mégis nehezen építik be ezeket a fontos döntésekbe. A „The State of Modern Research 2026” kutatás szerint a megkérdezett szervezetek 94 százalékában a vezetők fontosnak tartják a kutatást, de mindössze 27 százalék mondta azt, hogy a kutatási eredmények szinte minden jelentős üzleti döntésben megjelennek.

A probléma nem egyszerűen az információ mennyisége. A kutatás szerint az insight-szakemberek 93 százaléka már használ AI-t, miközben csak 48 százalék használ aktívan olyan insight-repozitóriumot, amelyben a korábbi kutatások rendszerezve, központi helyen elérhetők. Mindössze 35 százalék dolgozik olyan kutatási funkcióban, amely lényegében folyamatosan, „always-on” módon működik.

Ez fontos irányváltást jelezhet. A kutatócégek évtizedeken keresztül elsősorban egy-egy kutatás elkészítésére optimalizáltak: brief, kérdőív, adatfelvétel, elemzés, prezentáció, majd a projekt lezárása. A vállalatoknak viszont egyre inkább arra van szükségük, hogy a korábbi kutatások ne tűnjenek el a szerverek és PowerPoint-fájlok mélyén, hanem az új kutatások kiindulópontjai legyenek.

Az AI legnagyobb lehetősége talán nem is az új kutatás

Erre reagál a Fuel Cycle júniusban bemutatott Research Harness rendszere is. A platform célja, hogy az AI ne elszigetelt eszközként működjön, hanem a vállalat már meglévő kutatásaihoz és saját adataihoz kapcsolódjon. Az új kutatások így felhasználhatják a korábbi vizsgálatok eredményeit, az AI pedig képes lehet megmutatni, honnan származik egy-egy megállapítás.

Ez a változás a gyakorlatban sokkal jelentősebb lehet, mint egy újabb AI-kérdezőbiztos vagy automatikus riportgenerátor. Ha egy vállalatnak tíz évnyi ügyfélkutatása van, abban óriási mennyiségű, részben elfeledett tudás lehet. Az AI segítségével ezekből a régi kutatásokból újra lekérdezhető vállalati tudásbázis válhat.

Csakhogy ehhez előbb rendet kell tenni az adatok között. Egy, a Research Live-on közölt elemzés szerint a vállalatok 44 százaléka az elmúlt évben már kifejezetten AI-hoz vagy adat­integrációhoz kapcsolódó új munkakörökbe vett fel embereket, ennek ellenére az adatfragmentáció – vagyis hogy a fogyasztói adatok különböző rendszerekben, kutatásokban és szervezeti egységekben szétszórva találhatók – 41 százalék szerint a legnagyobb akadály az insightok hatékony használatában.

Vagyis miközben a vállalatok egyre több pénzt költenek AI-ra, a régi adatbázisok összekapcsolása lehet az egyik legfontosabb és legkevésbé látványos feladat.

Már nem az a kérdés, használják-e az AI-t

Az MRS júniusban egy külön Delphi-kutatást is indított arról, hogyan változtatja meg az AI a kutatási szakmát. A „Who Owns Understanding?” című anyagban többek között vállalati insight-szakemberek, köztük a Sage és az Unilever munkatársai vizsgálták, hogyan változik az érték, a szakértelem és a felelősség az AI-korszakban.

A vita egyik fontos következtetése, hogy a kutató szerepe nem feltétlenül csökken, csak más lesz. Ha az AI néhány perc alatt el tudja készíteni egy kutatás első elemzését, akkor egyre kevésbé az lesz a kutató legfontosabb hozzáadott értéke, hogy képes-e elkészíteni a kereszttáblákat vagy összefoglalni a válaszokat. Sokkal fontosabbá válik, hogy felismeri-e, ha az AI rossz kérdést tett fel, hibás összefüggést talált, vagy olyan következtetést vont le, amely módszertanilag nem áll meg.

Egy júniusi szakmai írás ezt tömören úgy fogalmazta meg: a jó insight nem attól értékes, hogy sok adatból születik, hanem attól, hogy jobb döntéshez vezet.

A kutatási adat és a személyes adat közötti határ újra fontos kérdés lett

Az AI terjedésével közben egyre élesebb vita bontakozik ki arról is, hogy felhasználhatók-e a kutatási válaszok AI-rendszerek tanítására. Kaliforniában például olyan törvényjavaslatot terjesztettek elő, amely megtiltotta volna a kutatási résztvevőktől származó személyes adatok AI-tréninghez és szintetikus adatok előállításához történő felhasználását. A javaslat végül májusban elbukott, de a szakmai vita ezzel természetesen nem ért véget.

A kérdés különösen kényes: egy kutatócégnek adott válasz eredetileg egy meghatározott kutatási célra született. Az viszont már egy új felhasználás, ha ugyanazt az adatot egy AI-modell tanítására, szintetikus válaszadók létrehozására vagy más kutatások automatizált elemzésére használják.

Ez a következő években könnyen a kutatási szerződések egyik fontos pontjává válhat: ki rendelkezik az adat fölött, mire használható fel, és mit enged meg az AI?

Közben egyre több kutatócég próbálja automatizálni az interjút

Az AI-moderált kvalitatív kutatás sem állt meg a korábbi kísérleti szinten. Az Attest júniusban épített be AI-moderált egyéni interjúkat saját kutatási platformjába. A kutató először elkészítheti az interjúvázlatot az AI segítségével, majd a rendszer lefolytatja a beszélgetéseket a fogyasztókkal.

Ez azért érdekes, mert a kvalitatív kutatás hagyományosan éppen az a terület volt, ahol az emberi kérdező szerepe nehezen volt kiváltható. A jó interjú nem pusztán kérdések egymás utáni felolvasása: a kérdezőnek észre kell vennie, ha a válaszadó bizonytalan, ellentmond önmagának vagy valami érdekeset mond, amire érdemes rákérdezni.

Az AI egyik előnye viszont éppen az lehet, hogy minden egyes interjúban ugyanazt a figyelmet képes fenntartani, és nincs olyan kapacitáskorlátja, mint egy húsz-harminc interjút végző kutatónak. Ha ez megfelelően működik, a kvalitatív kutatás ára és sebessége is jelentősen megváltozhat.

A Conveo ennél is tovább ment: júliusban olyan „folyamatos” kvalitatív kutatási programot mutatott be, amelyben a fogyasztókkal végzett AI-moderált videóinterjúkat rendszeresen megismétlik, majd a rendszer azt is elemzi, mi változott, miért változott, és mit lenne érdemes legközelebb megvizsgálni.

Ha ez a modell elterjed, az alapvetően változtathatja meg a kvalitatív kutatás természetét. Nem egy hat hónappal később megismételt „pillanatfelvétel” készül, hanem egy folyamatos fogyasztói radar.

Az Ipsos számai alapján a nagy kutatócégek piaca sem állt le

1. tévhit: „Ha az AI már úgy beszél, mint egy ember, akkor kiválthatja a telefonos kérdezőbiztosokat.”

Ez az egyik leggyakoribb feltételezés, ugyanakkor a legnagyobb félreértés is. A természetes hangzás önmagában nem elegendő egy sikeres telefonos interjúhoz. A piackutatás nem pusztán kérdések felolvasásából áll, hanem bizalomépítésből, a válaszadó motiválásából, félreértések kezeléséből és sokszor spontán emberi reakciókból is. Az AI technológia egyre közelebb kerül ehhez, de a kommunikáció társas dimenzióját nem csupán a hang minősége határozza meg.

2. tévhit: „A GDPR tiltja az AI használatát telefonos piackutatásban.”

Nem. A GDPR nem tiltja a mesterséges intelligencia használatát a telefonos piackutatások során.

A rendelet azt írja elő, hogy a személyes adatok kezelése jogszerű, átlátható és arányos legyen. Az AI használata tehát önmagában nem jogellenes. Ugyanakkor az AI-rendszerek működési sajátosságai - a nagyléptékű automatizálás, az automatikus adatfeldolgozás és az esetleges profilalkotás - miatt sokkal nehezebb megfelelni ezeknek a követelményeknek.

3. tévhit: „Ha nincs hangfelvétel, akkor nincs adatvédelmi probléma.”

A telefonos adatkezelés már jóval az első kérdés előtt megkezdődik.

Már maga a telefonszám is személyes adat lehet. A telefonszám kiválasztása, tárolása, hívása, a hívás ténye, az interjú státusza vagy akár az is, hogy valaki elutasította a részvételt, mind személyes adatnak minősülhet. Hangfelvétel nélkül is teljes körű adatkezelés történik.

4. tévhit: „Az AI sokkal olcsóbb, ezért egyértelműen megéri.”

Ez csak részben igaz.

Az AI valóban jelentősen csökkentheti az interjúk közvetlen lebonyolításának költségeit. Ugyanakkor nőhetnek a megfelelési, dokumentációs, fejlesztési, felügyeleti és informatikai költségek. Emellett, ha a válaszadási hajlandóság romlik, akkor az olcsóbb hívások sem feltétlenül eredményeznek olcsóbb kutatást.

5. tévhit: „Ha egyszer jogszerű egy AI-rendszer, akkor korlátlanul használható.”

A jogszerűség nem egyszeri állapot. Az adatkezelőnek folyamatosan biztosítania kell, hogy az adatkezelés megfeleljen a GDPR alapelveinek, a technológia változásainak és az aktuális jogértelmezésnek. Egy ma megfelelőnek tekintett megoldás akár már néhány hónap múlva módosításra szorulhat.

6. tévhit: „A válaszadókat nem érdekli, hogy emberrel vagy AI-val beszélnek.”

A kutatások és a gyakorlati tapasztalatok azt mutatják, hogy sok ember számára ez fontos kérdés.

Vannak, akik szívesebben beszélnek AI-val, mert gyorsnak és tárgyilagosnak tartják. Mások éppen ellenkezőleg, csak emberrel hajlandók kommunikálni. Az átláthatóság ezért nemcsak jogi, hanem bizalmi kérdés is.

7. tévhit: „Ha az AI mindenkit fel tud hívni, akkor könnyebb lesz reprezentatív mintát készíteni.”

Merre tart a telefonos AI-piackutatás?

A mesterséges intelligencia fejlődését figyelve könnyű abba a hibába esni, hogy kizárólag a technológia képességeiből próbáljuk megjósolni a jövőt. A történelem azonban azt mutatja, hogy egy új technológia elterjedését legalább három tényező határozza meg: maga a technológia, a szabályozási környezet és a társadalmi elfogadottság. Ha e három tényező közül bármelyik jelentősen elmarad a másiktól, a fejlődés lelassul vagy egészen más irányt vesz.

A telefonos AI-piackutatás jelenlegi helyzete éppen ezt a hármas egyensúlytalanságot tükrözi. A technológia rendkívül gyorsan fejlődik, a szabályozás ezzel párhuzamosan egyre óvatosabbá válik, miközben a társadalmi bizalom inkább csökken, mint növekszik. Ez önmagában is arra utal, hogy a következő években nem valószínű egy robbanásszerű átállás a teljesen automatizált telefonos kutatásokra.

Sokkal valószínűbb egy fokozatos, differenciált fejlődési pálya, amelyben az AI egyre több részfeladatot vesz át, de maga a telefonos kapcsolatfelvétel - különösen reprezentatív lakossági kutatások esetén - továbbra is jelentős emberi közreműködést igényel.

Az AI Act önmagában nem oldja meg a problémát

Az elmúlt években sok figyelmet kapott az Európai Unió mesterséges intelligenciáról szóló rendelete, az AI Act. Sokan úgy tekintenek rá, mint arra a jogszabályra, amely majd meghatározza az AI jövőjét Európában.

Ez azonban a telefonos piackutatás szempontjából csak részben igaz. Az AI Act elsősorban azt szabályozza, hogy egy mesterséges intelligencia milyen kockázati kategóriába tartozik, milyen átláthatósági kötelezettségei vannak, milyen dokumentációt kell készíteni, hogyan kell kezelni az emberi felügyelet kérdését és milyen esetekben tiltható vagy korlátozható egy adott AI-rendszer alkalmazása.

A telefonos piackutatás legfontosabb problémája azonban ettől nagyrészt független, az AI Act ugyanis nem írja felül a GDPR-t., az elektronikus hírközlési szabályokat, a nemzeti adatvédelmi hatóságok gyakorlatát. Vagyis attól, hogy egy AI-rendszer megfelel az AI Act előírásainak, még egyáltalán nem biztos, hogy jogszerűen kezdeményezhet telefonhívásokat lakossági mintákon. Ez egy nagyon fontos különbség, amelyet a technológiai sajtóban gyakran figyelmen kívül hagynak.

A legfontosabb kérdés valójában nem technológiai

Az egész témát vizsgálva könnyen arra a következtetésre juthatunk, hogy a telefonos AI jövőjének kulcskérdése valójában nem az, hogy képes lesz-e a mesterséges intelligencia emberként beszélni. Erre a válasz gyakorlatilag már ma is igen.

A valódi kérdés sokkal inkább az, hogy milyen társadalomban szeretnénk élni? Olyanban, ahol bármely vállalkozás gyakorlatilag korlátlanul indíthat több tízezer automatizált telefonhívást naponta? Vagy olyanban, ahol az emberek telefonos elérhetősége továbbra is fokozott védelem alatt áll? Ez nem informatikai vagy piackutatási kérdés, hanem társadalompolitikai döntés. És jelenleg úgy tűnik, hogy Európa egyértelműen a második irányba mozdul.

A reprezentatív telefonos kutatás hosszú távú jövője

Ha a klasszikus reprezentatív telefonos közvélemény-kutatásokat vizsgáljuk, akkor valószínűleg még hosszú ideig nem várható teljes automatizáció. Ennek több oka is van.

Egyrészt a már részletesen tárgyalt adatvédelmi problémák, másrészt a reprezentatív mintavétel nehézségei, harmadrészt a válaszadói bizalom megőrzésének fontossága. Negyedrészt pedig az a tény, hogy a telefonos kutatás értéke nem kizárólag az információ megszerzésében rejlik. Egy tapasztalt kérdező képes érzékelni a válaszadó bizonytalanságát, eldönteni, hogy valóban megértette-e a kérdést, kezelni a nehéz kommunikációs helyzeteket, felismerni, amikor valaki csak udvariasságból válaszol és nem utolsó sorban képes bizalmat építeni. Ezek közül több funkciót az AI idővel valószínűleg egyre jobban utánoz majd, az azonban korántsem biztos, hogy a válaszadók ezt ugyanúgy fogják értékelni. A piackutatás ugyanis nem pusztán információcsere, hanem bizalmi kapcsolat.

Hol várható valódi áttörés?