Marknadsundersökning med AI: vad ChatGPT kan och inte kan göra för din studie

Hur många europeiska företag använder redan AI?

Användningen har tagit fart kraftigt. Enligt Eurostat använde 19,9 % av EU-företagen med tio eller fler anställda minst en AI-teknik år 2025, upp från 8,1 % år 2023. Andelen mer än fördubblades på två år.

Genomsnitten döljer en stor spridning mellan medlemsländerna. Nederländerna ligger långt före EU-genomsnittet, Bulgarien långt efter, och avståndet mellan dem fortsätter att växa.

År 2021 var skillnaden mellan nederländska och bulgariska företag 9,8 procentenheter; år 2025 hade den vuxit till 24,6. Två förbehåll gäller. Indikatorn räknar all slags AI-teknik, från textanalys till maskininlärning, så den visar inte hur många företag som använder AI specifikt för marknadsföring eller undersökningar. Och den omfattar företag med tio eller fler anställda, så den säger ingenting om enskilda näringsidkare. Andra indikatorer för företagens digitalisering, däribland användning av sociala medier och betald annonsering på nätet, finns i vår sektion med företagsdata.

För den som köper undersökningar är den praktiska följden att AI-verktyg i dag är vardag i många team hos både beställare och leverantörer. Frågan är inte längre om de ska användas, utan var de hjälper och var de vilseleder.

Vad gör en språkmodell bra i ett undersökningsprojekt?

Språkmodeller fungerar bäst på material du redan har, med en instruktion som är tillräckligt exakt för att resultatet ska gå att kontrollera. Fördelat på stegen i ett typiskt projekt:

Tidsvinsten är verklig i analyssteget. Att gruppera två tusen öppna kommentarer i teman brukade kräva flera dagars manuell kodning; en modell gör ett första utkast på några minuter, och forskarens uppgift blir att rätta kodramen snarare än att bygga den från grunden.

Var brister ChatGPT som undersökningsverktyg?

Bristerna är förutsägbara när man minns vad en språkmodell är: ett system som tränats på tidigare text och som genererar den mest sannolika fortsättningen på din prompt.

1. Den svarar på frågor den inte kan veta svaret på. Fråga hur stor andel av brittiska husdjursägare som skulle betala för en prenumeration på premiumfoder, så får du en självsäker procentsats. Det finns inget urval bakom den, alltså ingen felmarginal och inget sätt att bedöma hur fel den kan vara.
2. Kunskapen har ett slutdatum. En prishöjning förra kvartalet, en ny konkurrent eller en ändring i regelverket saknas om du inte själv tillför den.
3. Den hittar på källor. Modeller hänvisar ibland till rapporter som inte finns, eller tillskriver verkliga institutioner tabeller som bara ser verkliga ut.
4. Den talar för dem som skriver på nätet. Träningsdata överrepresenterar flitiga internetanvändare. Eurostat rapporterar att 89,5 % av befolkningen i EU använde internet dagligen år 2025, mot 82,7 % i Bulgarien och 98,4 % i Nederländerna. De som står utanför den dagliga gruppen är underrepresenterade i det som modellerna lär sig av, och de är också svårast att nå via onlinepaneler.

Det fjärde problemet väger tyngst i arbete som omfattar flera länder. En modells bild av en genomsnittlig konsument passar sannolikt Amsterdam bättre än en småstad i nordvästra Bulgarien.

Syntetiska respondenter: en testbänk, inte ett urval

Syntetiska respondenter är AI-genererade personor som besvarar ett frågeformulär som om de vore kunder. Resultatet ser ut som enkätdata, med procentsatser, segment och citat, och det är just det som gör det riskabelt.

De är användbara i en snäv roll:

• för att kontrollera om frågorna förstås som avsett före en pilot;
• för att uppskatta hur lång tid frågeformuläret tar och var filtreringen fallerar;
• för att ta fram hypoteser och svarsalternativ till en senare enkät bland verkliga människor.

De är en dålig ersättning för verkliga respondenter eftersom de saknar urvalsram, så ingen felmarginal kan beräknas (se vår guide om urvalsstorlek för vad det innebär i praktiken). Deras svar varierar mindre än människors, de återger stereotyper som finns i träningsdata och de kan inte känna till händelser efter modellens slutdatum.

Om en leverantör föreslår syntetiska data för ett verkligt beslut bör du be om en valideringsstudie: samma frågeformulär till ett verkligt urval, med kriterier för överensstämmelse som bestämts i förväg. Jämför svarsfördelningen, rangordningen av alternativen och framför allt skillnaderna mellan delgrupper, eftersom det är där syntetiska data oftast glider iväg.

Så validerar du AI-resultat innan de hamnar i en rapport

Behandla varje AI-resultat som ett utkast från en kompetent men opålitlig juniorkollega. Fem kontroller fångar de flesta problem:

• Dubbelkoda ett slumpmässigt urval. En forskare kodar ett urval av de öppna svaren, till exempel vart tionde, utan att se maskinens koder, och jämför sedan de två.
• Spåra varje siffra. Varje statistisk uppgift måste leda till en namngiven tabell, ett år och en URL. Siffrorna om AI-användning ovan kommer till exempel från Eurostats tabell isoc_eb_ai.
• Kontrollera citat mot transkriptionerna. Kräv raden eller tidskoden för varje citat och öppna den.
• Kör prompten igen. Om en andra körning på samma material ger andra teman är temana inte robusta.
• Dokumentera uppsättningen. Notera modell, version, datum och prompt, så att analysen kan upprepas.

Styrning: dataskydd, AI-förordningen och branschkoder

Transkriptioner av intervjuer, inspelningar och enkätfiler innehåller ofta personuppgifter: namn, röster, arbetsgivare, ibland uppgifter om hälsa eller ekonomi. Att ladda upp dem till en publik chattbot är en överföring till tredje part, som enligt GDPR och brittiska UK GDPR kräver en rättslig grund, information till deltagarna och ett personuppgiftsbiträdesavtal med leverantören.

En fungerande policy omfattar fyra punkter:

• ta bort namn, kontaktuppgifter och andra identifierande uppgifter innan text förs in i ett AI-verktyg;
• använd företagsversioner med personuppgiftsbiträdesavtal och med träning på dina data avstängd;
• berätta för deltagarna i samtyckestexten att deras svar kan komma att behandlas med AI;
• spara rådata separat, så att analysen kan upprepas utan AI.

EU:s AI-förordning, vars skyldigheter införs stegvis, innehåller krav på transparens när människor interagerar med ett AI-system. Om du genomför AI-modererade intervjuer ska du tala om för deltagarna att intervjuaren inte är en människa. ICC/ESOMAR:s internationella kod kräver också ärlighet gentemot uppdragsgivare om metoderna, så en rapport bör ange vilka steg som haft AI-stöd och hur de kontrollerats. Vår sida om metodik beskriver hur vi tillämpar dessa regler.

När behöver du fortfarande en beställd studie?

AI förkortar förberedelser och analys. Den kan inte leverera belägget när beslutet hänger på hur många som kommer att agera, till vilket pris eller varför:

• för att mäta andelar, kännedom eller köpavsikt behövs en kvantitativ enkätundersökning med ett definierat urval; kalkylatorn för urvalsstorlek visar hur många intervjuer en viss precision kräver;
• för att förstå motiv som kunderna inte skriver om på nätet är djupintervjuer med verkliga köpare fortfarande den pålitliga vägen;
• för att analysera stora mängder omdömen och inlägg i sociala medier kombinerar en digital marknadsanalys maskinell klassificering med mänsklig kontroll;
• för officiell marknadsstatistik kan du börja med vår lista över gratis källor till marknadsdata för Europa.

Om du är osäker på vad som gäller kan du beskriva beslutet i formuläret för offertförfrågan, så föreslår vi ett upplägg som använder AI där det sparar tid och verkliga respondenter där svaret hänger på dem.