Synthetisch onderzoek is sneller, goedkoper en schaalbaar. Dat weet inmiddels iedereen. Maar waar zet je het dan eigenlijk in, en waar juist niet? Daily Data Bytes sprak eerder met Conor Comerford van Qualtrics over de druk op onderzoeksteams om sneller te werken zonder betrouwbaarheid in te leveren. Een recente GreenBook-analyse brengt dat gesprek een stap verder, met een conclusie die bruikbaarder is dan de hype doet vermoeden: synthetisch onderzoek is geen vervanger, maar een gereedschap met een specifiek gebruiksbereik.
▼
Wat synthetisch onderzoek niet kan
Het grootste voorbehoud is tijdgevoeligheid. Synthetische modellen zijn getraind op bestaande data, maar markten, taal en nieuws veranderen vaak sneller dan je denkt. Wat mensen bedoelen met een begrip dit kwartaal kan heel anders zijn dan zes maanden eerder, zeker bij emotioneel geladen of sociaal dynamische onderwerpen.
De analyse gebruikt een treffende vergelijking: je hebt nog steeds actuele weermetingen nodig om goede weersverwachtingen te maken. Synthetische modellen missen dat verse menselijke signaal en zonder dat veroudert de output sneller dan verwacht.
Een ander punt van kritiek is dat AI-gegenereerde output te glad wordt. Uitschieters verdwijnen en afwijkende patronen worden gemiddeld. Het systeem geeft antwoord op de vraag die je stelt. Vraag je naar brede patronen, dan krijg je brede patronen. Vraag je naar het vreemde, het tegenstrijdige of het onverwachte, dan levert het dat ook. De verantwoordelijkheid ligt dus bij de onderzoeker. Wie de eerste nette samenvatting klakkeloos accepteert, mist de inzichten die er juist toe doen.
De sterkste toepassing: testen vóór het echte werk
De meest overtuigende toepassing is niet het vervangen van bestaand onderzoek, maar het verbeteren van de voorbereiding. Denk aan het gebruik van synthetische data om een onderzoeksopzet te testen voordat je naar het veld gaat. Kloppen de distributies? Zitten er verrassingen in de vragenlijst? Loopt de survey zoals verwacht? Op die manier helpt synthetisch onderzoek teams niet minder te doen, maar scherper te bepalen waar verdiepend onderzoek nodig is. Het is een filter, geen eindstation.
De juiste houding: gerichte inzet, niet blind vertrouwen
De analyse pleit voor wat het “disciplined blending” noemt. In de praktijk betekent dat: begrijp waar synthetisch onderzoek helpt, waar het tekortschiet en combineer het bewust met ander onderzoek. Gebruik het om vroeg te leren en verspilling te voorkomen. Reserveer menselijke aandacht en budget voor de vragen die dat echt verdienen. Voor professionals in insights betekent dat: ga experimenteren, maar zonder de illusie dat de technologie het denkwerk overneemt. Die illusie is precies waar het misgaat.