Synthetische doelgroepen: kun je je marketing testen op AI-klanten?.

Synthetische doelgroepen zijn AI-modellen die zich gedragen als jouw klanten. Je legt ze een advertentie, een slogan of een prijs voor, en binnen een paar seconden krijg je honderden reacties. Dat klinkt als marktonderzoek zonder wachttijd en zonder panelkosten. Het eerlijke antwoord op de vraag of het werkt: als voorselectie wel, als eindoordeel niet. Onderzoek laat zien dat AI-respondenten goed kunnen inschatten welk idee het beter doet dan een ander, maar alleen als je ze op de juiste manier bevraagt. Vraag je het verkeerd, dan krijg je nette, voorspelbare en te positieve antwoorden.

Deze blog gaat dieper in op hoe het werkt, wat het onderzoek zegt en hoe je het als mkb'er inzet zonder je erop te verkijken. Het past in een bredere vraag binnen AI in online marketing: waar mag AI meedenken, en waar moet je echte mensen blijven horen?

Waarom het nu speelt

Op 27 oktober lanceerde het Amerikaanse onderzoeksplatform Listen Labs zijn Listen Twins: AI-modellen die elk gebaseerd zijn op één echte persoon uit je doelgroep. Listen Labs interviewt die mensen eerst uitgebreid en bouwt daarna van elk een digitale tweeling. Een marketingteam kan zo'n panel van meer dan 100 tweelingen vervolgens vragen welk campagneconcept het beste werkt, of welke advertentietekst, welk beeld of welke variant.

Listen Labs meldt dat de antwoorden van de tweelingen in tests voor 93 procent overeenkwamen met de verdeling van de antwoorden van echte mensen. Hoe dat getal is gemeten, staat er niet bij. Opvallend is ook wat het bedrijf zelf adviseert: voor belangrijke go/no-go-beslissingen raadt het nog steeds volledig onderzoek met echte deelnemers aan.

Listen Labs is niet de enige. Er zijn inmiddels tientallen tools die "synthetische persona's" of "AI-panels" aanbieden, en met ChatGPT of Gemini kun je er zelf in een paar minuten een in elkaar zetten. De vraag is dus niet of je het kunt doen, maar wat de uitkomst waard is.

Twee soorten AI-klanten

Het helpt om twee varianten uit elkaar te houden, want ze verschillen flink in betrouwbaarheid.

1. Algemene persona's. Je beschrijft een type klant ("vrouw, 42, woont in Utrecht, koopt duurzame kleding") en laat een taalmodel antwoorden alsof het die persoon is. Het model put dan uit wat het in zijn trainingsdata over zulke mensen heeft gelezen. Goedkoop en snel, maar het is een gemiddelde van hoe er online over zo'n groep wordt geschreven, niet van wat jouw klanten doen.
2. Tweelingen op basis van echte mensen. Zoals Listen Twins: eerst echte interviews, daarna een model per persoon. Duurder, maar het model heeft iets concreets om op te leunen. De kwaliteit hangt dan af van die interviews.

De meeste mkb'ers zullen met de eerste variant werken. Daar gaat de rest van dit stuk vooral over.

Wat het onderzoek laat zien

Het meest bruikbare onderzoek komt van PyMC Labs samen met Colgate-Palmolive, gepubliceerd in oktober 2025. De onderzoekers vergeleken AI-respondenten met 57 echte consumentenonderzoeken naar verzorgingsproducten, met in totaal 9.300 menselijke antwoorden. Drie uitkomsten zijn voor marketeers interessant.

Een cijfer vragen werkt slecht. Toen de modellen direct een score op een schaal van 1 tot 5 moesten geven, antwoordden ze meestal met een 3. Volgens de onderzoekers een "veilige" keuze in het midden van de schaal. De verdeling van de antwoorden leek daardoor nauwelijks op die van echte mensen.

Een open antwoord laten geven werkt veel beter. De onderzoekers lieten de modellen daarom in eigen woorden reageren en vertaalden die tekst achteraf naar een score. Met die methode kwamen de AI-respondenten op 90 procent van de betrouwbaarheid die je haalt als je hetzelfde onderzoek nog eens met echte mensen herhaalt. Ze gaven bovendien uitleg bij hun oordeel, wat bruikbaar is om te begrijpen waarom een idee wel of niet aanslaat.

Zonder persona wordt alles mooier. Kregen de modellen geen demografische kenmerken mee, dan daalde de overeenkomst bij een van de geteste modellen van 92 naar 50 procent. De onderzoekers schrijven dat een model zonder gedetailleerde persona producten in het algemeen positiever beoordeelt en minder kijkt naar wat er werkelijk in het concept staat.

De onderzoekers zijn zelf ook duidelijk over de grenzen. Ze wijzen erop dat het werkte voor een productcategorie waarover online veel wordt geschreven. Voor onderwerpen waarover een model weinig achtergrondkennis heeft, levert de methode volgens hen geen geldige voorkeuren op.

Een AI-klant is zo goed als wat hij over mensen zoals jouw klant heeft gelezen. Is dat weinig, dan verzint hij het.

Waar het misgaat

Nielsen Norman Group, een bekend onderzoeksbureau op het gebied van gebruikerservaring, testte synthetische gebruikers in 2024 in interviews en kwam tot een vergelijkbare conclusie. De antwoorden waren vaak oppervlakkig en te positief. In hun voorbeelden zeiden AI-gebruikers bijvoorbeeld dat ze een online cursus zeker zouden afmaken, terwijl echte mensen eerlijk toegaven dat dat meestal niet lukt. Het advies van het bureau: gebruik synthetische gebruikers voor vooronderzoek en om hypotheses te bedenken, niet om de uiteindelijke beslissing op te baseren. En vermijd ze als je doelgroep klein of gespecialiseerd is.

Voor een Nederlandse mkb'er komen daar twee dingen bij:

• Niche wint het niet. Een lokale installateur, een B2B-dienstverlener in een smalle markt of een webshop met een heel specifiek product heeft precies het soort doelgroep waarover een model weinig weet. Daar is de kans op verzonnen antwoorden het grootst.
• Nederland is niet onderzocht. De studies hierboven gaan niet over Nederlandse consumenten. Of AI-respondenten Nederlandse humor, nuchterheid of prijsgevoeligheid goed nadoen, weet niemand. Ga er dus niet vanuit.

Wanneer het wél zinvol is

Gebruik synthetische doelgroepen als zeef, niet als jury. Een paar toepassingen waar het in de praktijk tijd bespaart:

• De zwakste ideeën schrappen. Heb je tien varianten van een advertentietekst, laat een AI-panel dan de drie zwakste aanwijzen. De overige zeven test je daarna echt.
• Bezwaren verzamelen. Vraag niet "vind je dit goed?", maar "wat houdt je tegen om te kopen?". De lijst bezwaren die je terugkrijgt, is vaak een bruikbaar startpunt voor je FAQ of je advertentieteksten.
• Onduidelijkheden opsporen. Als een AI-klant een aanbod verkeerd samenvat, doet een deel van je echte klanten dat waarschijnlijk ook.
• Je eigen aannames uitdagen. Laat een persona reageren die juist niet in je ideale doelgroep valt. Dat geeft soms een nieuwe invalshoek.

Wat het niet kan: voorspellen hoeveel je gaat verkopen, welke prijs de markt accepteert of of een nieuw product aanslaat. Daarvoor heb je echte klanten nodig, of een echte advertentietest met een klein budget.

Zo test je het zelf, verantwoord

Wil je het proberen met ChatGPT, Gemini of Claude, houd dan deze werkwijze aan. Ze volgt uit het onderzoek hierboven.

1. Bouw je persona's uit je eigen klantgegevens. Gebruik leeftijd, regio, koopreden en het type product dat je klanten kopen, op groepsniveau. Maak er vijf tot tien die echt van elkaar verschillen.
2. Vraag om open antwoorden. Laat de persona in eigen woorden reageren op twee of drie varianten, en vraag daarna pas welke de voorkeur heeft en waarom. Vraag geen cijfer op een schaal.
3. Vraag om vergelijkingen, niet om oordelen. "Welke van deze twee advertenties zou jij eerder aanklikken?" levert meer op dan "wat vind je van deze advertentie?".
4. Herhaal het. Stel dezelfde vraag een paar keer in een nieuw gesprek. Verandert de winnaar steeds, dan is er geen duidelijk signaal.
5. IJk het eerst. Leg de AI-klanten drie oude advertenties voor waarvan je al weet welke het best presteerde. Wijzen ze de verkeerde aan, dan weet je hoeveel waarde je aan de rest moet hechten.

Let op wat je in een AI-tool stopt. Groepskenmerken zijn prima, maar zet geen namen, e-mailadressen of aankoopgeschiedenis van individuele klanten in een chatvenster. Waarom dat een groter risico is dan het lijkt, lees je in AVG-sancties worden openbaar. En maak er een vaste stap van in je proces in plaats van een losse proef, zoals we beschreven in waarom je AI-workflow belangrijker is dan je AI-tool.

Wat dit betekent voor je marketing

Synthetische doelgroepen veranderen vooral de volgorde van werken. Je kunt sneller en goedkoper filteren voordat je echt geld uitgeeft, en je komt beter voorbereid aan bij een echte test. Ze vervangen die echte test niet. Het grootste risico is dat een team de nette, zelfverzekerde antwoorden van een AI-panel gaat behandelen als de stem van de klant, terwijl het eigenlijk een goed gelezen gemiddelde is.

Gebruik het dus om meer ideeën te testen, niet om minder met echte klanten te praten. Wil je weten hoe je dit in je eigen campagneproces inpast? Plan een strategiegesprek.

Veelgestelde vragen

Wat is een synthetische doelgroep?

Een synthetische doelgroep is een groep AI-modellen die zich voordoen als klanten. Je legt ze advertenties, teksten of productideeën voor en ze reageren alsof ze echte mensen uit je doelgroep zijn. Sommige zijn gebaseerd op algemene persona's, andere op interviews met echte personen.

Kan ik een advertentietest vervangen door een AI-panel?

Nee. Een AI-panel is geschikt om zwakke varianten vooraf te schrappen en bezwaren te verzamelen. Welke advertentie echt verkoopt, zie je pas in een test met echte mensen en echt budget, ook als dat een kleine test is.

Zijn betaalde tools betrouwbaarder dan zelf testen met ChatGPT?

Tools die werken met interviews van echte mensen hebben meer om op te leunen dan een algemene persona. Maar de nauwkeurigheidscijfers die aanbieders noemen, zijn meestal hun eigen metingen. Vraag hoe zo'n cijfer is gemeten voordat je erop vertrouwt.