Markedsundersøkelse med KI: hva ChatGPT kan og ikke kan gjøre for studien din

Hvor mange europeiske foretak bruker allerede KI?

Utbredelsen har skutt fart. Ifølge Eurostat brukte 19,9 % av EU-foretak med ti eller flere ansatte minst én KI-teknologi i 2025, opp fra 8,1 % i 2023. Andelen ble mer enn doblet på to år.

Gjennomsnittene skjuler store forskjeller mellom medlemslandene. Nederland ligger godt over EU-snittet, Bulgaria godt under, og avstanden mellom dem fortsetter å øke.

I 2021 var forskjellen mellom nederlandske og bulgarske foretak 9,8 prosentpoeng; i 2025 hadde den nådd 24,6. To forbehold gjelder. Indikatoren teller enhver KI-teknologi, fra tekstanalyse til maskinlæring, så den viser ikke hvor mange foretak som bruker KI spesifikt til markedsføring eller undersøkelser. Og den dekker foretak med ti eller flere ansatte, så den sier ingenting om enkeltpersonforetak. Andre indikatorer for digitalisering i næringslivet, blant annet bruk av sosiale medier og betalt annonsering på nett, finner du i seksjonen vår med næringslivsdata.

For den som kjøper undersøkelser, er den praktiske konsekvensen at KI-verktøy nå er hverdagskost i mange team hos både oppdragsgivere og leverandører. Spørsmålet er ikke lenger om de skal brukes, men hvor de hjelper og hvor de villeder.

Hva gjør en språkmodell godt i et undersøkelsesprosjekt?

Språkmodeller fungerer best på materiale du allerede har, med en instruks som er presis nok til at resultatet kan kontrolleres. Fordelt på fasene i et typisk prosjekt:

Tidsbesparelsen er reell i analysefasen. Å gruppere to tusen åpne kommentarer i temaer tok tidligere dager med manuell koding; en modell lager en første versjon på minutter, og analytikerens jobb blir å korrigere koderammen i stedet for å bygge den fra bunnen av.

Hvor svikter ChatGPT som undersøkelsesverktøy?

Feilene er forutsigbare når du husker hva en språkmodell er: et system trent på tidligere tekst som genererer den mest sannsynlige fortsettelsen av instruksen din.

1. Den svarer på spørsmål den ikke kan vite svaret på. Spør hvor stor andel av norske kjæledyreiere som ville betalt for et abonnement på premium dyrefôr, og du får en selvsikker prosentandel. Det står ikke noe utvalg bak den, så det finnes ingen feilmargin og ingen måte å vurdere hvor feil den kan være.
2. Kunnskapen har en sluttdato. En prisøkning forrige kvartal, en ny konkurrent eller en endring i regelverket mangler med mindre du selv legger det inn.
3. Den finner opp kilder. Modeller viser noen ganger til rapporter som ikke finnes, eller tilskriver troverdige tabeller til virkelige institusjoner.
4. Den taler for dem som skriver på nett. Treningsdataene overrepresenterer hyppige internettbrukere. Eurostat rapporterer at 89,5 % av befolkningen i EU brukte internett daglig i 2025, mot 82,7 % i Bulgaria og 98,4 % i Nederland. De som står utenfor denne daglige gruppen, er underrepresentert i det modellene lærer av, og de er også vanskeligst å nå gjennom nettpaneler.

Det fjerde problemet betyr mest i arbeid som omfatter flere land. Modellens bilde av en gjennomsnittsforbruker passer trolig bedre til Amsterdam enn til en småby nordvest i Bulgaria.

Syntetiske respondenter: en testbenk, ikke et utvalg

Syntetiske respondenter er KI-genererte personaer som besvarer et spørreskjema som om de var kunder. Resultatet ser ut som data fra en spørreundersøkelse, med prosentandeler, segmenter og sitater, og det er nettopp det som gjør det risikabelt.

De er nyttige i en smal rolle:

• å sjekke om spørsmålene blir forstått som tiltenkt før en pilot;
• å anslå hvor lang tid spørreskjemaet tar og hvor rutingen svikter;
• å generere hypoteser og svaralternativer til en senere spørreundersøkelse blant ekte mennesker.

De er en dårlig erstatning for ekte respondenter, fordi de ikke har noen utvalgsramme, og dermed kan ingen feilmargin beregnes (se veiledningen vår om utvalgsstørrelse for hva det betyr i praksis). Svarene deres varierer mindre enn menneskelige svar, de gjengir stereotypier fra treningsdataene, og de kan ikke vite noe om hendelser etter modellens sluttdato.

Foreslår en leverandør syntetiske data til en reell beslutning, bør du be om en valideringsstudie: det samme spørreskjemaet sendt ut til et ekte utvalg, med kriterier for samsvar fastsatt på forhånd. Sammenlign fordelingen av svar, rangeringen av alternativer og fremfor alt forskjellene mellom undergrupper, for det er der syntetiske data oftest glir ut.

Slik kontrollerer du KI-resultater før de havner i en rapport

Behandle alt KI leverer, som et utkast fra en dyktig, men upålitelig juniorkollega. Fem kontroller fanger de fleste problemene:

• Dobbeltkod et tilfeldig utvalg. En analytiker koder et utvalg av åpne svar, for eksempel ett av ti, uten å se maskinens koder, og sammenligner deretter de to.
• Spor hvert tall. Hver statistikk må føre til en navngitt tabell, et år og en URL. Tallene for KI-bruk ovenfor kommer for eksempel fra Eurostat-tabellen isoc_eb_ai.
• Sjekk sitater mot transkripsjonene. Krev linjen eller tidskoden for hvert sitat, og åpne den.
• Kjør instruksen på nytt. Gir en ny kjøring på det samme materialet andre temaer, er temaene ikke robuste.
• Dokumenter oppsettet. Noter modell, versjon, dato og instruks, slik at analysen kan gjentas.

Styring: personvern, KI-forordningen og bransjeregler

Intervjutranskripsjoner, opptak og datafiler fra spørreundersøkelser inneholder ofte personopplysninger: navn, stemmer, arbeidsgivere, noen ganger helse- eller økonomiopplysninger. Å laste dem opp i en offentlig chatbot er en overføring til en tredjepart, som etter GDPR, som også gjelder i Norge gjennom EØS-avtalen, krever et rettslig grunnlag, informasjon til deltakerne og en databehandleravtale med leverandøren.

En gjennomførbar policy dekker fire punkter:

• fjern navn, kontaktopplysninger og andre identifikatorer før teksten går inn i et KI-verktøy;
• bruk bedriftsversjoner med databehandleravtale og med trening på dine data slått av;
• fortell deltakerne i samtykketeksten at svarene deres kan bli behandlet med KI;
• oppbevar rådataene separat, slik at analysen kan gjentas uten KI.

EUs forordning om kunstig intelligens, der pliktene trer i kraft trinnvis, inneholder krav om åpenhet når mennesker samhandler med et KI-system. Gjennomfører du KI-modererte intervjuer, må du fortelle deltakerne at intervjueren ikke er et menneske. Den internasjonale ICC/ESOMAR-kodeksen krever også ærlighet overfor oppdragsgivere om metodene, så en rapport bør oppgi hvilke faser som var KI-assisterte og hvordan de ble kontrollert. Siden vår om metode beskriver hvordan vi anvender disse reglene.

Når trenger du fortsatt en bestilt studie?

KI forkorter forberedelser og analyse. Den kan ikke levere dokumentasjonen når beslutningen avhenger av hvor mange som vil handle, til hvilken pris, eller hvorfor:

• for å måle andeler, kjennskap eller kjøpsintensjon trenger du en kvantitativ spørreundersøkelse med et definert utvalg; kalkulatoren for utvalgsstørrelse viser hvor mange intervjuer en gitt presisjon krever;
• for å forstå motiver som kundene ikke skriver om på nett, er dybdeintervjuer med ekte kjøpere fortsatt den pålitelige veien;
• for å analysere store mengder omtaler og innlegg i sosiale medier kombinerer en digital markedsanalyse maskinell klassifisering med menneskelig kontroll;
• for offisiell markedsstatistikk kan du begynne med oversikten vår over gratis kilder til markedsdata i Europa.

Er du usikker på hva som gjelder for deg, kan du beskrive beslutningen i skjemaet for tilbudsforespørsel, så foreslår vi et design som bruker KI der det sparer tid, og ekte respondenter der svaret avhenger av dem.