不找人聊，就能知道人在想什么？一群00后正在用AI改寫調研行業。

2024年，一群平均年齡18歲的年輕人用約5000次AI對話（每次僅需30-90秒），便以接近零的成本，成功預測了美國紐約州民主黨初選的結果，票數誤差不到400張。

不到兩年，這群年輕人所創立的AI調研公司Aaru，已拿下埃森哲、安永和IPG等頂級合作伙伴，并在2025年底以10億美元估值完成5000美元A輪融資。

這一切的背后，是一個簡單到近乎狂妄的理念——用“無限模擬”取代“有限樣本”。

Aaru的核心不是讓AI變得更會“問問題”，而是讓AI學會“當人”。他們訓練了成千上萬個AI智能體，每個都被賦予復雜的人口屬性和行為認知模式，像一個微縮版的真人。

當這些“合成人”在數字世界里相互作用，就能回答以前無法回答的問題，如人群面對新產品、新政策或新廣告時的集體反應。

Aaru所代表的“合成行為”處于技術棧頂層，它正與其他“合成互動”（如Keplar、Outset）與“合成數據”（如Gretel、YData）的探索者，重塑價值800億美金的調研市場。 

/ 01 /

當AI Agents像人一樣思考

當市面上大多數AI競爭者還在圍繞“如何更高效地收集人的洞察”展開角逐時，Aaru的思路有點不一樣：如果不依賴真實的人，而是直接“合成”出無限個能模擬人類行為的數字智能體，來預測群體反應呢？

他們的核心叫做“仿真預測”，“建模-模擬-預測”，主打一個“如果……會怎樣？”的動態推演。

技術路徑是訓練出大量AI Agents（多智能體系統，MAS），這些Agent依賴于多個來源的結構化和非結構化數據，如社會經濟統計、消費者行為數據、社交媒體情緒信號等。

每個智能體不僅攜帶年齡、收入等標簽，更被賦予了行為模式、決策動機甚至認知偏好，相當于一個個“仿真用戶”。

把這些智能體組合起來，就形成了一個動態、可交互的人類行為知識庫。換句話說，這不止是合成數據，它直接合成了人。

比如，Aaru訓練出特定人群標簽如“25-30歲一線城市白領”后，會模擬其決策邏輯，例如面對企業新產品時是否購買、面對公共事件時的態度傾向等。

這些“合成人”能做什么？

Aaru找到了一個極致展現自身優勢的“燈塔場景”——政治選舉預測。

他們用約5000次AI問答（每次僅需30-90秒），成功預測了2024年美國紐約州民主黨初選的結果，與實際票數相差不足371票，而成本據稱只有傳統民調的1/10。

如果交給傳統市場調研，可能耗時數周、花費數十萬美元。

這個場景具有結果公開、驗證周期短、勝負分明的特點，其成功預測且成本極低，成為了其技術能力的“鐵證”。

Aaru的準確率也得到了認可。IPG（洲際傳播集團）的首席解決方案官評價，Aaru的準確度“高于任何網站調查、民調或焦點小組”。

除了政治選舉，Aaru的應用還伸展到企業決策和公共策略等領域。項目規模也能彈性縮放，從幾個智能體的小測試到十萬量級的大規模模擬都能支持。

目前，Aaru的產品主要分為三塊：

①Lumen，面向企業決策模擬。它能模擬企業高管、高凈值客戶等難以觸達的群體，用于產品概念測試、超定向營銷策略驗證等。目標受眾如“每年消費3萬美元購買手袋的人群”，“農村市場中患有糖尿病的新手父母”。

②Dynamo模擬人性，專注于選舉預測。通過讓大量智能體持續接收并處理信息，模擬選民接觸媒體并更新觀點）。在政治選舉場景中，每個AI智能體會持續接收信息，模擬真實選民如何獲取媒體內容并更新觀點，從而替代傳統民調來預測選舉結果。

③Seraph，則為公共部門設計，其支持配置任意時間、地點和媒介環境，用于在動態環境中模擬輿情與信息傳播，以輔助高風險決策。

目前，Aaru已經與IPG合作成立了“模擬工作室”（Simulation Studio）。

簡單來說，IPG將把Aaru的“人群模擬”能力，接入自家的消費者數據平臺Acxiom。這意味著，在合法合規使用數據的前提下，模擬出的人群畫像將更精細、更貼近現實，從而幫助品牌進行細分和市場觸達。

值得一提的是，推動這套設想落地的，是一個平均年齡僅18歲的年輕團隊，其中公司的CTO更是只有16歲。

Cam Fink，20歲，聯合創始人&CEO，有Kleiner Perkins、RSI等機構工作/研究經歷；

Ned Koh，20歲，聯合創始人，曾就讀于哈佛大學，有西北大學研究、創企聯創的經歷；

John Kessler，16歲，聯合創始人&CTO。

數據是新的黃金。Aaru正用一套近乎科幻的方法，嘗試撬動依賴經驗和樣本的傳統調研行業，巨頭們的入場與合作，已經是一個不容忽視的信號。

/ 02 /

用“無限模擬”，取代“有限樣本”

800億美金調研市場背后的勞動力體量龐大，傳統模式的核心是“抽樣-詢問-統計”，其瓶頸在于樣本的有限性、成本的高昂與反饋的滯后。

AI正以兩種路徑重塑這個行業：

（1）訪談增強類

第一類公司聚焦于研究流程的“前臺”，用AI模擬互動過程（訪談），但仍與真人交互。

壁壘在于自然交互技術和流程自動化，通過規�；�獲取定性洞察，捕捉語氣、表情等非語言線索，試圖獲取更深層的情感與行為洞察。

①AI語音訪談調研Keplar

Keplar是一款AI語音訪談平臺，用語音AI替代傳統人工訪談。其亮點在于多模態對話真實性：AI主持人能以"Ellie""Andrew"等擬人化身份進行語音訪談，參與者常忘記對方是AI，對話錄音中甚至能聽到直呼AI名字的自然互動。

它將任意產品問題轉化為訪談指南，直接調取CRM客戶名單并發數百通語音訪談，實時分析回答主題。

與傳統調研公司相比，將訪談周期從數周壓縮至數小時，成本降至幾十分之一。差異化在于語音優先，通過語音語調、停頓節奏建立信任，獲取更深層的情感化反饋，其交付物是可直接用于匯報的PPT和報告，而非原始數據。

②視頻深度訪談Listen Labs

Listen Labs是紅杉資本重注的AI用戶研究平臺，累計融資2700萬美元。其獨特之處在于視頻訪談的深度與規模平衡：AI主持人可進行視頻訪談，參與者通過視頻、語音、文字或屏幕共享回應，還原了面對面訪談的豐富度。

核心差異是視頻+AI分析的組合。平臺強調"定量規模的定性深度"，能同時執行數百個視頻訪談，AI自動編碼回答、識別主題并生成報告。

Listen Labs捕捉視覺線索，如表情、操作行為、環境背景，更適合UX研究和產品測試。其客戶覆蓋消費品、醫療等大型企業。

③AI主持人訪談Outset

Outset專注AI主導的深度訪談，總融資2100萬美元，由8VC領投、貝恩資本參與。其平臺讓AI主持人通過視頻/語音與數千名參與者對話，自動合成結果。

核心亮點是超大規模與速度：25個深度訪談傳統需4-6周，Outset可在1周內完成250個訪談并自動分析，速度提8倍、成本降81%倍。

差異化在于全研究流程自動化，從創建討論指南、招募受訪者到分析結果、生成報告，研究團隊只需輸入研究問題，平臺自動處理其余環節。

客戶包括雀巢、微軟、慧儷輕體等500強企業。與Listen Labs相比，Outset更強調端到端自動化和企業級集成能力，適合需要快速、大規模獲取客戶"為什么"的復雜研究項目。

④神經營銷AI平臺Neurons

Neurons專注廣告和創意效果預測，基于認知神經科學、機器學習與心理學構建。其亮點是秒級注意力預測：上傳廣告素材，AI在數秒內生成熱力圖，預測觀眾注意力分布，并給出參與度、廣告回憶度等KPI評分。

平臺服務于廣告代理商和品牌營銷團隊，解決"創意是否有效"的痛點，減少反復修改。

與訪談類平臺收集用戶"說"什么不同，Neurons測量用戶"看"什么，預測下意識反應。其核心價值是數據驅動創意決策，在投放前識別最佳素材，降低風險，提升ROI。

⑤AI用戶研究平臺Synthetic

Synthetic核心是通過模擬訪談收集產品反饋。其技術基于多智能體系統，調用GPT、LLaMA、Mistral等模型，每個合成用戶采用五因素人格模型（FFM），模擬認知偏差與行為模式，在和真人對話中調整信任度與語氣。

平臺支持企業上傳歷史訪談、客服工單等專有數據來定制合成真實的用戶背景。

其客戶主要來自制藥、汽車、消費品等行業，平臺通過SOC 2認證并提供API接口。某藥企案例顯示，專家訪談周期從3個月縮短至數小時。平臺公開披露其合成結果與真實用戶洞察匹配度約為85-92%。

（2）合成數據公司

第二類公司則專注于技術“后臺”，即數據本身。壁壘在于數據保真度、隱私合規與系統集成，負責為上層模型和傳統分析提供安全、優質的“燃料”。

①開發者友好的合成數據API平臺Gretel Labs

Gretel Labs核心亮點是即時生成與隱私保證。它提供面向工程師的SDK和API，可在現有數據管道中無縫嵌入，幾行代碼即可生成高保真合成數據。其自定義生成式AI模型能合成文本、時序數據，可跨表關系保持完整性，適合金融交易、醫療記錄等復雜場景。

Gretel服務Techstars、HelloFresh等科技公司，滿足開發測試、數據共享等高頻需求，其壁壘在于低摩擦集成和模型泛化能力，而非復雜的UI或咨詢服務。

②企業級合成數據平臺Tonic.ai

Tonic.ai專注為財富500強提供生產數據"去敏化"方案。其差異化在于數據庫子集化與關系保真：能從PB級生產數據庫抽取代表性子集，同時保持跨表外鍵關聯、時間戳邏輯和業務流程完整性，這對測試復雜企業系統（ERP、CRM）不可或缺。

技術上采用結構感知生成，先解析數據庫Schema，再逐表訓練生成模型，確保合成數據在結構上與原系統100%兼容。其客戶覆蓋Adobe、eBay等，核心價值是合規替代傳統數據脫敏，避免掩碼、加密導致的測試覆蓋率不足。

③數據隱私與分析增強平臺YData

YData的獨特之處在于合成數據與數據質量閉環。它不僅生成數據，更前置診斷數據缺陷（缺失值、偏差、不平衡），再針對性合成補充樣本，提升模型訓練效果。

它的Fabric平臺覆蓋從數據標注、生成到模型訓練的全流程，尤其適合自動駕駛、金融風控等對數據質量敏感的領域。

與多數主打隱私保護的合成數據工具不同，YData強調自己是一個“AI開發加速器”，其合成數據不只“看起來像”真實數據，更追求讓下游AI學得更好、預測更準。

無論是“前臺”還是“后臺”，他們共同指向一個轉變：市場研究正從依賴“有限樣本”的被動收集，邁向運用“無限模擬”的主動預測。一個由AI驅動、速度與深度并重的新研究時代已是歷史趨勢。

文/朗朗

       原文標題 : 誤差不到400票！16歲CTO帶隊，用5000個AI押中了美國選舉