Markedsundersøgelser med AI: hvad ChatGPT kan og ikke kan gøre for din undersøgelse

Hvor mange europæiske virksomheder bruger allerede AI?

Udbredelsen er gået markant hurtigere. Ifølge Eurostat brugte 19,9 % af EU-virksomheder med ti eller flere ansatte mindst én AI-teknologi i 2025, op fra 8,1 % i 2023. Andelen blev mere end fordoblet på to år.

Gennemsnittene skjuler en stor spredning mellem medlemslandene. Nederlandene ligger et godt stykke over EU-gennemsnittet, Bulgarien et godt stykke under, og afstanden mellem dem bliver ved med at vokse.

I 2021 var forskellen mellem nederlandske og bulgarske virksomheder 9,8 procentpoint; i 2025 var den nået op på 24,6. To forbehold gælder. Indikatoren tæller enhver AI-teknologi, fra tekstanalyse til maskinlæring, så den viser ikke, hvor mange virksomheder der bruger AI specifikt til marketing eller analyse. Og den dækker virksomheder med ti eller flere ansatte, så den siger intet om enkeltmandsvirksomheder. Andre indikatorer for virksomhedernes digitalisering, herunder brug af sociale medier og betalt onlineannoncering, finder du i vores afsnit med virksomhedsdata.

For en køber af analyser er den praktiske konsekvens, at AI-værktøjer nu er rutine i mange kunde- og leverandørteams. Spørgsmålet er ikke længere, om de skal bruges, men hvor de hjælper, og hvor de vildleder.

Hvad gør en sprogmodel godt i et analyseprojekt?

Sprogmodeller fungerer bedst på materiale, du allerede har, med en instruktion, der er præcis nok til, at resultatet kan kontrolleres. Fordelt på faserne i et typisk projekt:

Tidsbesparelsen er reel i analysefasen. At gruppere to tusind åbne kommentarer i temaer tog før flere dages manuel kodning; en model leverer et første udkast på få minutter, og analytikerens opgave flytter sig til at rette kodeplanen i stedet for at bygge den op fra bunden.

Hvor fejler ChatGPT som analyseværktøj?

Fejlene er forudsigelige, når du husker, hvad en sprogmodel er: et system, der er trænet på tidligere tekst, og som genererer den mest sandsynlige fortsættelse af din prompt.

1. Den svarer på spørgsmål, den ikke kan kende svaret på. Spørg, hvor stor en andel af danske kæledyrsejere der ville betale for et abonnement på premiumfoder, og du får en selvsikker procentsats. Der står ingen stikprøve bag, så der er ingen fejlmargin og ingen måde at vurdere, hvor forkert den kan være.
2. Dens viden har en skæringsdato. En prisstigning i sidste kvartal, en ny konkurrent eller en ændret regulering mangler, medmindre du selv leverer oplysningerne.
3. Den opfinder kilder. Modeller henviser undertiden til rapporter, der ikke findes, eller tilskriver troværdigt udseende tabeller til rigtige institutioner.
4. Den taler på vegne af dem, der skriver online. Træningsdata overrepræsenterer hyppige internetbrugere. Eurostat oplyser, at 89,5 % af personerne i EU brugte internettet dagligt i 2025, mod 82,7 % i Bulgarien og 98,4 % i Nederlandene. De mennesker, der står uden for den daglige gruppe, er underrepræsenteret i det, modellerne lærer af, og de er også de sværeste at nå via onlinepaneler.

Det fjerde problem betyder mest i arbejde på tværs af flere lande. En models billede af en gennemsnitsforbruger passer formentlig bedre til Amsterdam end til en lille by i det nordvestlige Bulgarien.

Syntetiske respondenter: en testbænk, ikke en stikprøve

Syntetiske respondenter er AI-genererede personaer, der besvarer et spørgeskema, som om de var kunder. Resultatet ligner undersøgelsesdata med procentsatser, segmenter og citater, og det er netop det, der gør det risikabelt.

De er nyttige i en snæver rolle:

• at tjekke, om spørgsmålene forstås som tilsigtet, før en pilottest;
• at estimere, hvor lang tid spørgeskemaet tager, og hvor routingen bryder sammen;
• at generere hypoteser og svarmuligheder til en senere undersøgelse blandt rigtige mennesker.

De er en dårlig erstatning for rigtige respondenter, fordi de ikke har nogen udvælgelsesramme, så der kan ikke beregnes nogen fejlmargin (se vores guide til stikprøvestørrelse for, hvad det betyder i praksis). Deres svar varierer mindre end menneskers, de gengiver stereotyper fra træningsdataene, og de kan ikke kende til begivenheder efter modellens skæringsdato.

Hvis en leverandør foreslår syntetiske data til en reel beslutning, så bed om en valideringsundersøgelse: det samme spørgeskema gennemført i en rigtig stikprøve med kriterier for overensstemmelse fastsat på forhånd. Sammenlign fordelingen af svar, rangordningen af muligheder og frem for alt forskellene mellem undergrupper, for det er dér, syntetiske data oftest skrider.

Sådan validerer du AI-output, før det havner i en rapport

Behandl alt AI-output som et udkast fra en dygtig, men upålidelig juniorkollega. Fem kontroller fanger de fleste problemer:

• Dobbeltkod en tilfældig delmængde. En analytiker koder en stikprøve af de åbne svar, fx hvert tiende, uden at se maskinens koder, og sammenligner derefter de to.
• Spor hvert tal. Hver statistik skal føre til en navngiven tabel, et år og en URL. Tallene om AI-udbredelse ovenfor kommer for eksempel fra Eurostats tabel isoc_eb_ai.
• Kontrollér citater mod transskriptionerne. Kræv linjen eller tidskoden for hvert citat, og åbn den.
• Kør prompten igen. Hvis en ny kørsel på det samme materiale giver andre temaer, er temaerne ikke robuste.
• Log opsætningen. Notér model, version, dato og prompt, så analysen kan gentages.

Styring: databeskyttelse, AI-forordningen og branchekodekser

Interviewtransskriptioner, optagelser og undersøgelsesfiler indeholder ofte personoplysninger: navne, stemmer, arbejdsgivere, undertiden helbreds- eller økonomiske oplysninger. At uploade dem til en offentlig chatbot er en overførsel til tredjepart, som efter GDPR kræver et retsgrundlag, information til deltagerne og en databehandleraftale med udbyderen.

En brugbar politik dækker fire punkter:

• fjern navne, kontaktoplysninger og andre identifikatorer, før teksten kommer ind i et AI-værktøj;
• brug erhvervsversioner med databehandleraftale og med træning på dine data slået fra;
• fortæl deltagerne i samtykketeksten, at deres svar kan blive behandlet med AI;
• opbevar rådata separat, så analysen kan gentages uden AI.

EU's forordning om kunstig intelligens, hvis forpligtelser træder i kraft i etaper, indeholder krav om gennemsigtighed, når mennesker interagerer med et AI-system. Gennemfører du AI-modererede interviews, så fortæl deltagerne, at intervieweren ikke er et menneske. ICC/ESOMAR's internationale kodeks kræver desuden ærlighed over for kunder om metoder, så en rapport bør angive, hvilke faser der var AI-assisterede, og hvordan de blev kontrolleret. Vores side om metode beskriver, hvordan vi anvender disse regler.

Hvornår har du stadig brug for en bestilt undersøgelse?

AI forkorter forberedelse og analyse. Den kan ikke levere evidensen, når beslutningen afhænger af, hvor mange mennesker der vil handle, til hvilken pris eller hvorfor:

• for at måle andele, kendskab eller købsintention skal du bruge en kvantitativ spørgeundersøgelse med en defineret stikprøve; beregneren til stikprøvestørrelse viser, hvor mange interviews en given præcision kræver;
• for at forstå motiver, som kunderne ikke skriver om online, er dybdeinterviews med rigtige købere fortsat den pålidelige vej;
• for at analysere store mængder anmeldelser og opslag på sociale medier kombinerer en digital markedsanalyse maskinel klassificering med menneskelig kontrol;
• for officiel markedsstatistik kan du starte med vores liste over gratis kilder til markedsdata i Europa.

Er du i tvivl om, hvad der gælder for dig, så beskriv beslutningen i formularen til tilbudsforespørgsel, så foreslår vi et design, der bruger AI, hvor det sparer tid, og rigtige respondenter, hvor svaret afhænger af dem.