Ayna Odası: Tüketici Dijital İkizi Odak Gruplarının Sonu mu?

Yazar

24 Ağustos 2026

Sentetik tüketici ortalamayı şaşırtıcı derecede iyi taklit ediyor. Farklılığı ise berbat taklit ediyor. Sıkıntı şu ki pazar araştırmasının bütün değeri farklılıkta – bu yazıda, ikizin kaputunu açıp içeride tam olarak neyin kırıldığına bakmaya çalıştım.

Uzun bir yazı oldu, kısa özeti bir alttaki paragraf. Son günlerdeki odağım konuda olduğundan araştırmalarımı, düşüncelerimi bir yerde toplamak için hazırladım. Umarım faydalanırsınız.

Tüketici dijital ikizi, gerçek bir insanın mülakat metni, anket geçmişi ve işlem verisiyle beslenmiş, o kişi adına cevap veren bir dil modeli ajanı. Stanford ekibinin 1.052 kişiyle yaptığı çalışma, iki saatlik mülakatla kurulan ajanların, insanların iki hafta sonra kendi cevaplarını tekrarlama tutarlılığının %85-86’sına ulaştığını gösterdi – ve aynı çalışma, davranışsal iktisat oyunlarında bu başarının 0,66’ya düştüğünü de gösterdi. Ticari tarafta Simile 2 milyar dolar değerlemeye, Aaru 1 milyar dolarlık başlık değerlemesine ulaştı. Ama bağımsız kanıtlar ısrarla tek bir arızayı gösteriyor: sentetik paneller ortalamayı tutturup varyansı çökertiyor. Türkiye verisinde bu çöküş ölçüldü – grupların %85’i tek bir cevaba yığıldı. Aşağıda ikizin mimarisini, doğrulama protokolünü, beş başarısızlık modunu, pazardaki oyuncuları ve KVKK/ESOMAR tarafındaki yükümlülükleri bulacaksınız.

Salı sabahı, dokuz buçuk. Elinde yeni bir yüz kremi konsepti var. Üç ambalaj yönü, bir fiyat aralığı.

Eskiden bu cümle dört haftalık bir saha planı anlamına gelirdi. Ekran anketi, altı odak grubu, bir moderatör, bir de “bulguları haftaya sunarız.”

Bugün konsepti bir arayüze yapıştırıyorsun. Yirmi dakika. 400 sentetik tüketiciden 400 cevap. Grafikler pürüzsüz, ortalama satın alma niyeti 3,4, segment kırılımları tertemiz, hiçbir hücre boş değil, kimse “bilmiyorum” dememiş.

Evet, ben de ilk baktığımda grafiğin güzelliğine sevindim.

Ve tam da burada durman gerekiyor. Çünkü gerçek bir panelde o dağılım asla bu kadar temiz çıkmaz. Gerçek insanlar uçlara dağılır. Çelişir. Soruyu yanlış anlar. Bazısı kremi annesi kullanıyor diye sever.

Bu düzgün çan eğrisi bir bulgu değil.

Bir imza. Modelin kendi imzası. Ve 400 kere atılmış.

Tüketici dijital ikizleri gerçekten çalışıyor ama tam olarak bir yerde çalışıyor, başka bir yerde çalışmıyor, ve ikisini ayırt etmek bu teknolojiyi kullanmanın tamamı. Ortalamayı taklit etmek kolay. Farklılığı taklit etmek zor. Pazar araştırmasının para kazandıran kısmı ise farklılıkta.

Bilimsel kırılma noktası: 1.052 kişinin ikizi

Alanın milat sayılan çalışması, Stanford, Google DeepMind, Northwestern ve University of Washington araştırmacılarının 2024 sonunda yayımladığı makale (arXiv:2411.10109).

Küçük bir uyarıyla başlayayım, çünkü makale hâlâ eski adıyla dolaşıyor: 2026’da esaslı biçimde revize edildi. İlk sürümün adı Generative Agent Simulations of 1,000 People‘dı. Güncel adı LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. Meşhur %85 de artık %86.

(Bir yazının en çok alıntılanan rakamı revizyonla değişiyorsa, o alandaki bütün rakamlara aynı gözle bak.)

Kurgu şu: 1.052 Amerikalıyla, yapay zekâ moderatörlü, ortalama iki saatlik mülakatlar yapıldı. Kişi başına ortalama 6.491 kelimelik metin çıktı ortaya – 99 hazır soru, üstüne moderatörün açtığı ortalama 81,7 takip sorusu. Sonra bu metinler GPT-4o’ya verilip her katılımcı için bir ajan kuruldu. Ajanlara, o kişinin daha önce cevapladığı ama ajana hiç gösterilmemiş sorular soruldu.

Asıl mesele başarının nasıl ölçüldüğü. Araştırmacılar mutlak bir yüzde peşinde koşmadı. Doğruluğu kişinin kendi tutarlılığına oranladılar. Aynı insanlara iki hafta sonra aynı Genel Sosyal Anket soruları soruldu ve insanlar kendi cevaplarını %79,53 oranında tekrarladı.

İnsan, kendisiyle bile %100 tutarlı değil. Hedef %100 değil yani. Hedef o tavan.

Ajan tipi	GSS (normalize)	Big Five (normalizer)	İktisat oyunları (normalizer)
Yalnızca demografi	0,74	0,61	–
Yalnızca persona tarifi	0,71	–	–
Yalnızca mülakat	0,83	0,80	0,66
Yalnızca anket verisi	0,82	0,65	0,38
Anket + mülakat	0,86	0,77	0,49

Bu tablo üç şey söylüyor.

Bir: nitel mülakat gerçekten fark yaratıyor. “45 yaşında, kadın, Bursa’da yaşıyor” demekle iki saatlik hayat hikâyesi vermek arasında 0,74 ile 0,86 farkı var. Yanlılıkta da öyle: siyasi ideolojiye göre alt gruplar arasındaki doğruluk farkı GSS’te %12,35’ten %7,85’e, Big Five’ta 0,165’ten 0,063’e iniyor. Demografik etiketle kurulmuş bir persona bir grubu karikatürleştirir; mülakatla kurulmuş bir ajan bunu belirgin biçimde azaltıyor.

İki: aynı çalışma nerede battığını da söylüyor. Diktatör Oyunu, Güven Oyunu, Kamu Malı Oyunu, Mahkûm İkilemi – yani insanların gerçekten para kazanıp kaybettiği teşvikli deneylerde normalize korelasyon 0,66’ya düşüyor. Ve ajan tipleri arasında anlamlı fark kalmıyor (ANOVA p = 0,16). İki saatlik pahalı mülakat, insanın ne düşündüğünü tahmin etmekte işe yarıyor; para masaya konduğunda ne yapacağını tahmin etmekte pek yaramıyor.

Üç: toplam etki düzeyinde tablo çok daha parlak. Beş klasik sosyal psikoloji deneyi yeniden koşturulduğunda insanlar 5 çalışmadan 4’ünü replike etti, ajanlar da aynı 4’ünü. Etki büyüklükleri arasındaki korelasyon r = 0,98.

Yani: “bu müdahale işe yarar mı” sorusunda ajanlar iyi. “Ayşe ne yapar” sorusunda orta. “Gerçek dağılım nasıl” sorusunda kötü. Bu hiyerarşi yazının sonuna kadar peşimizi bırakmayacak.

Sentetik tüketici spektrumu: “consumer twin” tam olarak nedir?

Sektör, sentetik yöntemleri grounded olma derecelerine – yani gerçek veriye ne kadar bağlı olduklarına – göre üçe ayırıyor. Bu ayrım önemli. Çünkü satış sunumlarında üçü de aynı isimle geliyor.

Kategori	Veri kaynağı	Kullanım alanı	Geçerlilik odağı
Saf sentetik yanıtlayıcı (pure synthetic respondent)	Nüfus verisi + LLM’in genel dünya bilgisi	Popülasyon düzeyinde keşif	Genel nüfus istatistiği
Sentetik tüketici (synthetic consumer)	Pazar araştırması verisiyle özelleştirilmiş modeller	Konsept testi, mesaj testi, erken fikir alma	Anket yanıt kalıpları
Tüketici dijital ikizi (consumer digital twin)	Gerçek kişinin işlem geçmişi, CRM’i, anketleri, mülakat metni	Belirli mikro-segment ya da gerçek kişilerin simülasyonu	Bireysel gerçek yanıt ve davranış

Bir tüketici dijital ikizi üç katmandan besleniyor:

Davranışsal ve işlemsel veri – satın alma geçmişi, uygulama etkileşimleri, sadakat kayıtları. Sana ne yaptığını söyler.
Beyan edilen tercih ve tutum verisi – mülakat metinleri, anket çıktıları, çağrı merkezi kayıtları. Sana neden yaptığını söyler.
Dinamik güncelleme – yeni veri geldikçe profilin tazelenmesi.

Üçüncü katman, sunumlarda en çok vaat edilen ve pratikte en az yapılan katman. Çoğu “canlı ikiz”, donmuş bir anlık görüntü.

Kaputun altı: bir ikiz gerçekte nasıl kuruluyor?

Ajan mimarisi: hafıza, geri çağırma, yansıma

Bütün alanın temeli aynı ekibin 2023’teki Generative Agents çalışması (arXiv:2304.03442). Mimari üç parçalı: doğal dille tutulan zaman damgalı bir hafıza akışı, bu akıştan ilgili anıları çeken bir geri çağırma fonksiyonu, ve ham gözlemleri soyut çıkarımlara dönüştüren bir yansıma katmanı.

Geri çağırma skoru üç bileşenin toplamı. Tazelik: her simülasyon saatinde 0,995 ile çarpılan üstel sönüm (yani eski anılar yavaşça soluyor, silinmiyor). Önem: anının yazıldığı anda modele 1-10 arası puanlattırılması. İlgi: sorunun ve anının gömme vektörleri arasındaki kosinüs benzerliği (iki metnin “aynı şeyden bahsediyor olma” derecesi).

Yansıma ise biriken önem puanı 150’yi geçtiğinde tetikleniyor – pratikte simüle edilen günde iki-üç kez.

1.052 kişilik çalışma buna bir katman ekliyor: uzman yansıması. Ajan kendi üzerine düşünmüyor. Onun yerine GPT-4o’ya dört ayrı uzman kimliği giydiriliyor – psikolog, davranışsal iktisatçı, siyaset bilimci, demograf – ve her biri katılımcı hakkında 20’ye kadar gözlem yazıyor. İşlem kişi başına bir kez koşuyor, sonuç yeniden kullanılabilir bir not bankası oluyor. Soru geldiğinde hangi uzmanlık alanına düştüğü sınıflandırılıyor, o uzmanın notları ham veriyle birlikte prompt’a ekleniyor.

Peki kişi modele nasıl “yükleniyor”? Cevap: hiç yüklenmiyor

Mühendislik açısından çalışmanın en çarpıcı detayı bu.

Ortada fine-tuning yok (genel bilgili birini belirli bir konuda uzmanlaştırma işlemi). Vektör veritabanlı bir RAG kurulumu da yok (soru geldiğinde ilgili belgeyi bulup prompt’a iliştirme numarası).

Mülakat metninin tamamı, her soru için prompt’a olduğu gibi yapıştırılıyor.

Aritmetiği yapalım, çünkü kimse yapmıyor. 6.491 kelime, kabaca 9.000-12.000 token. Bu, GPT-4o’nun 128 bin token’lık bağlam penceresinde rahat duruyor. Ama her çağrıda yeniden ödeniyor.

Persona amorti edilmiyor.

1.000 ikizden oluşan bir panele 50 soruluk anket sorduğunda 50.000 çağrı yapıyorsun. Her birinin başına 10 bin token’lık bir önek koyuyorsun. Yarım milyar token’lık bir ön yük – cevapların kendisi bunun dışında. Prompt caching bu maliyetin büyük kısmını eritir (aynı öneki tekrar tekrar okutmak yerine modele “bunu zaten okumuştun” dedirtmek); makale bundan hiç söz etmiyor. Zaten hiçbir maliyet muhasebesi de vermiyor. 2023 çalışmasının kendi sınırlılıklar bölümünde ise 25 ajanın iki simülasyon günü için “binlerce dolarlık token kredisi” harcandığı yazıyor.

Persona yükleme yöntemleri pratikte dört aileye ayrılıyor:

Dördüncüsü en az konuşulanı. Kim ve Lee’nin çalışmasında model, 33 dalga GSS verisiyle (68.846 katılımcı × 3.699 soru) eğitilmiş soru, katılımcı ve dönem gömmeleri kullanıyor (arXiv:2305.09620). Eksik veri tamamlamada bireysel AUC 0,868. Hiç sorulmamış bir görüşü tahmin etmede 0,701. Popülasyon düzeyinde r 0,98’den 0,68’e iniyor.

Bu düşüş bütün alanın özeti: ara değer bulmak kolay, dışarı çıkmak zor.

Bir de kurmadan önce yapılabilecek çok ucuz bir kontrol var. Hu ve Collier, çoğu öznel veri setinde persona değişkenlerinin insan cevaplarındaki varyansın yalnızca %1,4 ile %10,6’sını açıkladığını gösteriyor (arXiv:2402.10811). Önerileri şu: elindeki gerçek veride sonucu persona değişkenlerine regresyon yap. Orada varyansı açıklamıyorlarsa, prompt’a yazdığında da açıklamayacaklar.

Sıcaklık problemi: modelden dağılım nasıl alınır?

Bir insana soru sorarsın, bir cevap alırsın. Bin insana sorarsın, bir dağılım alırsın.

Dil modeli ise sıfır sıcaklıkta hep aynı cevabı verir. Ve işin sinsi kısmı şu: sıcaklığı yükseltmek bunu düzeltmiyor.

Nedeni post-training. Zhang ve arkadaşları bunu tipiklik yanlılığına bağlıyor: insan tercih verisini etiketleyenler tanıdık metni sistematik olarak daha çok beğeniyor, model de ödül sinyalini bu yönde alıyor (arXiv:2510.01171). Ölçüldüğünde, post-training görmüş modellerin çıktıları temel modellere göre 8 ila 14 kat daha benzer – sıcaklık yükseltilmiş olsa bile.

Dört çıkış yolu var, artan incelik sırasıyla:

Tekrarlı örnekleme. N kere sor, havuzla. Maliyet O(N), ve çöküşe en açık yöntem bu.
Logprob okuma. Likert seçeneklerine (“1”..”5″) karşılık gelen token olasılıklarını tek geçişte oku (arXiv:2502.07068). (Modelin cevabını sormak yerine, cevap verirken hangi seçeneğe ne kadar meylettiğini kendi olasılıklarından okumak.) Maliyet O(1). Ama bir tuzağı var: olasılık kütlesi seçeneğin içeriği kadar konumunu da takip ediyor, ve bu konum yanlılığı model büyüdükçe artıyor.
Anlamsal Benzerlik Puanlaması (SSR). Modele Likert sormak yerine serbest metinle cevap verdir, cevabı gömme uzayına taşı, beş çapa cümleye kosinüs benzerliğini ölç, benzerlikleri ölçek üzerinde bir olasılık dağılımına çevir (arXiv:2510.08338). 57 gerçek kişisel bakım konsept testi ve 9.300 insan cevabıyla doğrulandı. Sonuç çarpıcı: dağılım benzerliği (KS) doğrudan Likert sormada 0,26, SSR’de 0,88.
Sözelleştirilmiş örnekleme (VS). Modelden tek tek cevap istemek yerine dağılımın kendisini olasılıklarıyla yazmasını istemek. Eğitim gerektirmiyor, maliyeti O(1).

SSR’nin bulgusunda durup düşün. Likert sorduğunda model ölçeğin ortasına, yani 3’e kaçıyor. Aynı soruyu serbest metinle sorup cevabı sonradan ölçeğe taşıdığında insan gibi yayılıyor. Aynı model, aynı kişi, aynı soru. Üç kat daha iyi dağılım. Değişen tek şey soruyu sorma biçimin.

Küçük ama pahalı bir ayrıntı: çözümleme stratejisi tek başına sonucu 2-3 kat değiştiriyor. Greedy decoding (her adımda en olası token’ı seçip yola devam etme) hizalamayı sistematik olarak düşük tahmin ediyor. Düşünce zinciri + örnekleme KL sapmasını iyileştiriyor; düşünce zinciri + greedy bazı durumlarda işi daha da bozuyor.

İkizin sınavı: bir simülasyonun iyi olduğunu nereden bilirsin?

Sentetik panel satın alırken sorulacak önemli soru bu. Cevabı bir metodoloji ekinde değil, bir protokolde saklı.

Tavan insanın kendisi

En önemli fikir bu: normalize doğruluk = ajanın doğruluğu ÷ kişinin kendi test-tekrar tutarlılığı. 1,0 demek, ikizin o kişiyi, kişinin kendini tekrarladığı kadar güvenilir üretmesi demek.

(Tam da bu yüzden satıcıya “yüzde kaç” değil, “hangi tavana göre yüzde kaç” diye soruyorsun.)

Bu tanımı sunumda görmüyorsan, sana verilen rakam ölçüsüz demektir.

Ortalamayı tutturmak kolay, varyansı tutturmak zor

Bisbee ve arkadaşları GPT-3.5’e ANES katılımcı personaları verip 11 sosyopolitik grup için yaklaşık 3,6 milyon sentetik duygu termometresi cevabı üretti (Political Analysis, 2024).

Varyans o kadar sıkıştı ki, ANES’te %80 güç için 129 kişi gerekirken sentetik veride aynı güç 16 kişiyle “sağlanıyor” göründü. İstatistiksel kesinliğin yaklaşık 8 kat abartılması.

Daha da can yakanı şu: regresyon katsayılarının %48’i gerçek veridekinden anlamlı biçimde farklıydı ve bunların %32’sinde işaret ters dönmüştü.

Sentetik panel sana yalnızca yanlış büyüklük değil, yanlış yön veriyor olabilir.

Mekanizmayı Wang, Morgenstern ve Dickerson adlandırdı: grup düzleştirme (group flattening) (arXiv:2402.01908). Eğitim hedefi en olası çıktıyı ödüllendirdiği için, test edilen dört modelin tamamı, test edilen bütün sorularda, her kimlik grubu için insanlardan daha düz dağılımlar üretti. Yanına ikinci bir mekanizma koyuyorlar: dış-grup taklidi. Bir azınlık grubu hakkındaki eğitim metni büyük ölçüde o grup tarafından değil, o grup hakkında yazıldığı için, model dışarıdan bakışın klişelerini üretiyor.

Cheng, Durmus ve Jurafsky’nin Marked Personas çalışması bunu dilbilimsel olarak ölçüyor ve standart yanlılık testlerinin kaçırdığı ötekileştirici örüntüleri yakalıyor (ACL 2023).

Sahadaki not: SimBench

2026’da alanın ilk ciddi ortak sınavı geldi. SimBench, 20 veri setini birleştirip modelleri toplam varyasyon mesafesi üzerinden 0-100 arası puanlıyor (arXiv:2510.17516). (Toplam varyasyon mesafesi: iki dağılımın birbirinden ne kadar uzak olduğunun tek sayıya indirilmiş hâli.)

Sonuçlar alçakgönüllülük dersi gibi:

En iyi model 40,80/100. Yazarların kendi ifadesiyle “anlamlı ama mütevazı.”
On model sıfırın altında. Yani düzgün dağılımdan rastgele tahmin etmekten kötü.
Performans model büyüklüğüyle log-doğrusal artıyor. Ama düşünce zinciri ve uzun akıl yürütme bütçesi neredeyse hiç katkı vermiyor. Simülasyon sadakatini çıkarım hesabıyla satın alamıyorsun.
En rahatsız edici bulgu: hizalama-simülasyon ödünleşimi. Talimat ayarı, üzerinde uzlaşılan sorularda yardım ediyor, gerçekten bölünmüş sorularda zarar veriyor. Korelasyon r = −0,942. Pazar araştırmasının umursadığı sorular, tam olarak hizalamanın bozduğu sorular.
Ve simülasyon becerisi en çok bilgi yoğun akıl yürütmeyle ilişkili (MMLU-Pro, r = 0,939). Bu, simülasyondan çok hatırlamaya benziyor. Bu izi birazdan tekrar süreceğiz.

Pratikte hangi metrikler?

Normalize doğruluk / korelasyon – test-tekrar tavanına göre.
TVD, KL sapması, KS benzerliği – dağılım eşleşmesi için.
SD-oranı (sentetik standart sapma ÷ gerçek standart sapma; hedef 1,0) – varyans çöküşünün en temiz tek göstergesi.
DPD – en iyi ve en kötü alt grup arasındaki doğruluk farkı; kapsayıcılık için.
Öz-korelasyon mesafesi – sorular arasındaki ilişkiler insanlardaki gibi kalmış mı? Bir panel topline’ı tutturup segmentasyonu taşıyamayabilir. Farkı bu metrik gösterir.

Ölçülen tepki: biyosensörler bir çıkış yolu mu?

ChatGPT’ye “Fransa’da yaşayan Z kuşağı bir tüketici yeni yüz kremimiz hakkında ne düşünür?” diye sorduğunda, kulağa gayet makul gelen ama gerçeklikle bağı doğrulanamayan bir cevap alırsın. Buna akla yatkınlık ile gerçeklik ikilemi deniyor (plausibility vs. truth).

Ve sentetik araştırmanın en temel sorunu bu: çıktının kalitesi ile doğruluğu arasında görünür hiçbir ilişki yok. Akıcı bir cevapla doğru bir cevap ekranda birbirinden ayırt edilemiyor.

(Akıcılık, bu işin en pahalı yanılsaması.)

Buradan çıkmanın bir yolu sözel cevabın ötesine geçip ölçülebilir bir zemin gerçekliği aramak. iMotions gibi nöropazarlama platformları göz izleme, cilt iletkenliği (GSR) ve EEG ile gerçek tüketicilerin bilinçdışı tepkilerini ölçüyor. Fikir şu: yapay zekâ ikizinin ürettiği sözel yanıtı bu biyometrik veriye karşı kalibre etmek.

Fikir sağlam. Ama dürüst olalım: bu bugün yaygın olarak uygulanan, yayımlanmış doğrulama sonuçlarıyla desteklenen bir yöntem değil. Bir yön.

Sentetik panelleri bugün fiilen doğrulayan şey biyosensörler değil, istatistik: holdout tasarımı (verinin bir kısmını saklayıp modele hiç göstermemek, sonra o kısmı bilebiliyor mu diye bakmak), test-tekrar normalizasyonu, temel çizgi merdiveni ve dağılım metrikleri. Biyosensör kalibrasyonu bu satırların yazıldığı tarihte bir araştırma programı. Sunumda “bilimsel doğrulanmış” mührü olarak kullanılıyorsa, sorun hazır: hangi çalışma, kaç denek, hangi metrik?

Nerede kırılıyor? Beş başarısızlık modu

Sentetik panel satın alacak herkesin sunumdan önce okuması gereken bölüm burası.

1. Varyans çöküşü – ve Türkiye’den bir ölçüm

Türkçe okurun en çok işine yarayacak kanıt, İTÜ’den Gürkan Özkan’ın çalışması (arXiv:2607.18310). Dünya Değerler Araştırması’nın Türkiye dalgası üzerine kurulu (2020-2021, n = 2.414). Karakter kartları demografi ve gerçek değer cevaplarından deterministik biçimde üretilmiş. Havuzun %77’si benzersiz bir değer profiline sahip – yani homojenliğin kaynağı veri değil.

Rakamlar şöyle. 40 temellendirilmiş karakter bağımsız ajanlar olarak koşturulduğunda modal yoğunlaşma 0,358’den 0,685’e çıkıyor. Entropi 1,464 nat’tan 0,770’e düşüyor (entropi: “bu grup ne kadar farklı sesler çıkarıyor” ölçüsü – düştükçe koro tek sese yaklaşıyor). Birimlerin %85’i çöküyor. TVD 0,437.

Kırk farklı insan. Tek bir ses. Ürkütücü kısmı burası.

Sözelleştirilmiş örnekleme kalibrasyonu sadakati üç model ailesinde 6,8 ile 10,1 puan iyileştiriyor. Ama düzeltme her seferinde hedefi aşıyor: SD-oranı 0,40-0,56 aralığından (ağır yetersiz dağılım) 1,26-1,37’ye (aşırı dağılım) sıçrıyor. Hedef 1,0. Hiçbir ayar 1,0’a oturmuyor. Üç ailenin de ortak yapısal özelliği bu.

2. Kültürel kayma – model kimin gibi düşünüyor?

Tao ve arkadaşları beş GPT modelini 107 ülkeyi kapsayan Bütünleşik Değerler Araştırması’na karşı ölçtü (PNAS Nexus, 2024). Bulgu net: modeller “İngilizce konuşan ve Protestan Avrupa ülkelerine benzeyen” kültürel değerler sergiliyor. Yönlendirilmediğinde GPT-4o Finlandiya, Andorra ve Hollanda’ya en yakın; Ürdün, Libya ve Gana’ya en uzak noktada duruyor.

Kültürel yönlendirme (“X ülkesinden biriymişsin gibi cevap ver”) ülkelerin %71-81’inde mesafeyi kapatıyor – ortalama kültürel uzaklık 2,42’den 1,57’ye iniyor. Kapatıyor. Sıfırlamıyor.

Türkiye için pratik anlamı şu: kutudan çıktığı hâliyle bir model Türk tüketicisini simüle etmiyor. İskandinav bir tüketiciyi simüle edip üstüne Türkiye etiketi yapıştırıyor.

3. Kontaminasyon – model hatırlıyor mu, simüle mi ediyor?

En sinsi arıza bu. Çünkü yüksek doğruluk olarak görünüyor.

Gürkan Özkan’ın çalışmasında parti tercihi dışarıda bırakılıp modelden Türkiye seçim dağılımı istendiğinde, sözelleştirilmiş örnekleme resmî sonucu TVD = 0,051 ile tutturuyor. Muhteşem bir skor.

Kendi yorumu ise şu: bu, eğitim kesim tarihinden önceki, yaygın biçimde yayımlanmış bir sonuç. Burada olan şey simülasyon değil, hatırlama.

Ayırt edici test hemen yanında duruyor: aynı model alt grup tahminlerinde ulusal hatırlamanın 0,165 puan altında kalıyor (p < 0,001), alt grup gradyanını gerçeğe uygun tutturma oranı %62. Model ulusal marjinali ezbere biliyor ama onu parçalarına ayıramıyor.

(Yüksek not aldığında sevinmeden önce sınavı kimin hazırladığına bak.)

Buradan çıkan tasarım kuralı çok net: ikizi, modelin ezberlemiş olabileceği bir büyüklük üzerinde doğrulama. Ve persona kurulurken kullanılan alanlarla tahmin edilen alanlar ayrık olsun – literatürdeki adıyla BUILD ≠ PREDICT.

4. Zaman kayması – kesim tarihinden sonrası

İki sorun üst üste biniyor.

Birincisi, bir modelin fiilî bilgi kesimi genelde ilan edilen tarihten daha erken. Web derlemeleri eski metinle dolu olduğu için kaynak bazında kesimler öne kayıyor (arXiv:2403.12958).

İkincisi ve daha yakıcı olanı: bütün kanıtlar ikizlerin gördükleri şeyin içinde ara değer bulmakta iyi, dışına çıkmakta kötü olduğunu söylüyor.

Konsept testi ise tam olarak dışarı çıkma işidir.

Ve kurulan tuzak şu: yeni bir ürün, ikize en çok ihtiyaç duyduğun ve onu en az doğrulayabildiğin durumdur. Çünkü “cevabını zaten bildiğin soru” testi tanımı gereği kesim tarihinden önceye ait – ve onu geçmek, hatırlamadan ibaret olabilir.

5. Model çöküşü – döngü kendini yerse

Shumailov ve arkadaşlarının Nature çalışması, kendi ürettiği veriyle özyinelemeli biçimde eğitilen modellerin geri döndürülemez biçimde bozulduğunu gösterdi. Ve bozulma sırası anlamlı: önce dağılımın kuyrukları kayboluyor (Nature 631, 755-759).

Burada kurulacak bağ şu: model çöküşü ile sentetik yanıtlayıcı varyans çöküşü aynı patolojinin iki farklı zaman ölçeğindeki hâli. Biri eğitim kuşakları arasında, diğeri tek bir çıkarım geçişinde.

Sentetik panel çıktısını eğitim ya da ince ayar verisi olarak geri beslersen, iki döngü birleşiyor.

Pazardaki oyuncular: kim ne yapıyor, kim ne kadar aldı?

Akademik bulgular hızla şirkete dönüştü. 2026 itibarıyla tablo şöyle:

Simile – akademiden çıkan en hızlı şirket

1.052 kişilik makalenin ilk yazarı Joon Sung Park tarafından kuruldu; kurucular arasında Percy Liang da var. Şubat 2026’da Index Ventures liderliğinde 100 milyon dolarlık Series A. Beş ay sonra, Temmuz 2026’da, Greenoaks liderliğinde 200 milyon dolarlık Series B ve 2 milyar dolar değerleme (TechCrunch). Bain Capital Ventures turlara katıldı ama liderlik etmedi – bu ayrım sıkça yanlış aktarılıyor.

Farkı, temel modelinin internetten kazınmış genel metin yerine doğrudan nitel mülakatlar, davranışsal iktisat literatürü ve gerçek işlem verisiyle temellendirilmiş olması. Gallup ortaklığı ulusal temsiliyete sahip panellere erişim sağlıyor. En görünür kullanım örneği CVS Health: ilaç uyumu üzerine 400.000 ajan ikiz koşturuldu. CVS Health Ventures aynı zamanda yatırımcı. Wealthfront ve Deloitte da müşteriler arasında (Index Ventures).

Aaru – popülasyon ölçeğinde simülasyon

Cameron Fink, Ned Koh ve John Kessler tarafından Mart 2024’te kuruldu. Aralık 2025’te Redpoint Ventures liderliğinde 50 milyon doların üzerinde bir Series A açıklandı.

Sık tekrarlanan “1 milyar dolar değerleme” ifadesini dikkatli kullan. Bu bir başlık değerlemesi: tur kademeli yapıldı, bir kısım hisse 1 milyar üzerinden, bir kısmı daha düşük fiyatlandı, harmanlanmış değerleme 1 milyarın altında kaldı (TechCrunch).

Şirketi tanıtan vaka, Haziran 2024’teki NY-16 Demokrat ön seçimi (Jamaal Bowman – George Latimer). Aaru’nun simülasyonu gerçek sonuca 371 oy yaklaştı (Semafor).

Kurumsal tarafta EY ile yürütülen çalışma daha anlamlı: 30’dan fazla pazarda 3.600 varlıklı yatırımcıyla altı ay ve yedi haneli bütçe gerektiren bir araştırma, bir günde simüle edildi. 53 eşleşen soruda medyan Spearman korelasyonu 0,90, ortalama sapma 7,1 puan (EY vaka çalışması).

Aynı vakanın içinde çok güzel bir uyarı da saklı. Mirasçıların danışmanla çalışmaya devam etme oranını insan anketi %82 buldu, simülasyon %43. Aaru bunu bir başarı olarak sunuyor – sektörün gerçek verisi %20-30 aralığında, yani simülasyon insan anketinden daha yakın çıktı.

Doğru olabilir. Ama aynı soruda iki panel arasında 39 puanlık bir uçurum var ve hangisinin haklı olduğunu ancak dışarıdan üçüncü bir ölçütle bilebiliyoruz.

(Sentetik panelin hem değeri hem riski aynı cümlenin içinde duruyor.)

Mart 2025’te Accenture Ventures yatırım yaptı; Accenture Song, Aaru’nun “Lumen” modelini entegre ediyor (Research Live).

Fairgen – dürüst satıcı

İsrail merkezli. Kurucular Samuel Cohen, Benny Schnaider ve Michael Cohen. Stanford’dan Prof. Emmanuel Candès danışman olarak doğrulama tarafında yer alıyor (kurucu değil, danışman). Mayıs 2024’te Maverick Ventures Israel liderliğinde 8 milyon dolarlık seed turu; toplam 10,5 milyon dolar rakamı yalnızca yatırım veri tabanlarında geçiyor (PR Newswire).

Ürünü FairBoost, yetersiz örneklemli segmentleri – “lüks otomobil sahibi Z kuşağı kadınlar” gibi – müşterinin kendi anket verisi üzerinde eğitilmiş tahminlerle büyütüyor. Bu, LLM persona simülasyonundan farklı bir teknoloji: gerçek bir tohum örneklemin istatistiksel olarak güçlendirilmesi. İkisini aynı kefeye koymak sektörde yaygın bir el çabukluğu.

Ve şirketin kendi Fairgen Twins sayfasında yazan cümle, bu yazının tezini satıcı ağzından tekrarlıyor: ürün “yönlendirici, kesin değil”; sahaya çıkmadan önce basınç testi içindir, sahaya çıkmanın yerine değil; marka takibi, segmentasyon, karmaşık istatistiksel modelleme ve conjoint için uygun değildir (Fairgen Twins).

(Ürününün sınırını kendisi yazan satıcıya biraz daha güvenirim.)

Qualtrics ve Panoplai

Qualtrics sentetik araştırma ürününü 18 Mart 2026’da genel kullanıma açtı; kendi araştırma verisi üzerine kurulmuş özel bir modelle çalışıyor. Ayrıca Ağustos 2025’ten beri PureSpectrum ile münhasır ortaklığı var: “Edge Audiences” gerçek ve sentetik panelleri harmanlıyor, saha maliyetinde %50’ye varan düşüş iddia ediyor (PR Newswire). Duyurunun kendisinde bile önceki sentetik ürünlerin “insan davranışını yansıtmakta zorlandığı” kabul ediliyor.

Panoplai, Neil Dixit tarafından kurulan, kurumsal araştırma ekipleri için sohbet arayüzlü dijital ikiz paneli sunan bir platform. Greenbook’un 2026 Insight Innovation yarışmasında ödül aldı (panoplai.com).

Kendi ikizini kurmak: pratik, etik ve KVKK

Diyelim ki ikna oldun ama satıcıya değil, kendi verine güvenmek istiyorsun. Şekli şu:

Altıncı kutu olmadan diğer beşi bir demodur. Araç değil.

Üç seviyeli doğrulama

İç tutarlılık. Her ikizin cevabı kendi temellendirme verisiyle uyumlu mu? Gerekli, yeterli değil.
Gerçek zemin. İkiz cevaplarını segment bazında gerçek anket cevaplarıyla karşılaştır. Elinde geçmiş anket yoksa küçük bir tane yap; elli gerçek insanın beş soruya cevap vermesi katlanılabilir bir maliyet.
Temel çizgi merdiveni. Her sonucu şu sırayla raporla: rastgele → boş persona → yalnızca demografi → tam ikiz. Tam ikizin demografiden anlamlı biçimde iyi olduğunu göstermiyorsan, iki saatlik mülakatı boşuna satın alıyorsun.

Sahadan gelen üç uyarıyı da not defterine yaz.

Kırmızı bölge soruları: temellendirme verisinde hiçbir kanıtı olmayan tutumlar sorulduğunda model akıcı bir cevap üretir. Ama o cevap müşterinin değil, modelin önyargısıdır. Tuzak şu ki kırmızı bölge cevapları, yeşil bölge cevapları kadar ikna edici görünür – ve çıktıda hiçbir şey ikisini ayırmaz.

Mutlak sayılar: ortalamalar, benimseme oranları, memnuniyet seviyeleri sistematik olarak kayar. İkizi sıralama ve yön için kullan. Seviye için kullanma.

Aşırı rasyonellik: ikizler, eşleştirilmiş insanların %52 skor yaptığı olgusal sorularda %99,9 skor yapabiliyor. Senin müşterin o kadar iyi değil.

Savunulabilir orta yol: hibrit tasarım

En sağlam kurgu ikame değil, düzeltme. Wang, Zhang ve Zhang’ın AI-destekli tahminci yaklaşımı bunu formelleştiriyor: hem insan hem model cevabı içeren küçük bir birincil veri setinde P(insan | özellikler, model cevabı) ilişkisini öğren, sonra bu düzeltmeyi büyük ve yalnızca model çıktısından oluşan yardımcı veri setine uygula (arXiv:2412.19363).

Bildirilen kazanç: aynı doğruluk için gereken insan verisinde %24,9 ile %79,8 arasında azalma. Kabaca 1,3 ila 5 katlık bir etkin örneklem çarpanı.

Sentetik tüketicinin dürüst satış argümanı bu: insanın yerini alan bir panel değil, insan çapası gereken bir varyans azaltma aracı.

Açıklama yükümlülüğü: ESOMAR ve MRS ne diyor?

2025 tarihli ICC/ESOMAR Uluslararası Kodu artık sentetik personaları açıkça adlandırıyor (kod metni, PDF):

Md. 7(e): Veri derleme, analiz, raporlama veya yorumlamada yapay zekâ kullanılacaksa müşteri bilgilendirilmelidir – sentetik veri ve sentetik personalar dahil.
Md. 9(b): Bulgular kamuya açıklanırken, yapay zekânın veya sentetik verinin örnekleme, analiz veya yorumlamada önemli rol oynayıp oynamadığı açıklanmalıdır.
Md. 4(a)(ii): Veri toplamak için bir sentetik persona kullanılıyorsa (örneğin yapay zekâ moderatör), veri sahibine en baştan bildirilmelidir. En çok atlanan madde bu – yapay zekâ moderatör de bir sentetik personadır.

İngiltere’de MRS‘in 2024 tarihli Delphi raporu, sentetik yanıtlayıcıları erken aşama işlere – hipotez üretimi, konsept testi, anket pilotu, ulaşılması zor gruplar – sınırlıyor ve holdout testini zorunlu tutuyor (MRS Delphi, PDF). Raporun en çok alıntılanmayı hak eden cümlesi şu: sentetik veri üretmek için hâlâ gerçekten çok iyi insan verisine ihtiyacın var.

ABD’de Insights Association, geçmiş bir katılımcının verisinden sentetik kopya üretmenin, o kişinin başlangıçta verdiği rızanın kapsamını büyük olasılıkla aştığını söylüyor (IA Code in Action).

İkiz kişisel veri midir?

Kısa cevap: evet. Hem girdi hem çıktı tarafında.

Girdi tarafı tartışmasız – CRM kaydı, işlem geçmişi, mülakat metni kişisel veridir. İlginç soru modelin kendisiydi ve EDPB 28/2024 sayılı Görüş buna cevap verdi (EDPB, PDF): kişisel veriyle eğitilmiş yapay zekâ modelleri anonim varsayılamaz. Anonimlik, modelin sorgulanarak kişisel veri elde edilemeyeceğinin vaka bazında gösterilmesini gerektirir.

Bir tüketici ikizi bu testi tanımı gereği geçemez. Bir yandan “bu artefakt anonimdir” deyip diğer yandan “belirli bir kişiyi sadakatle temsil eder” diyemezsin. İkisi aynı anda doğru olamaz.

GDPR tarafındaki ayrım şu: ikizi ürün tasarlamak ya da mesaj seçmek için kullanmak normalde Md. 22 (otomatik karar alma) kapsamına girmez, çünkü simüle edilen kişi hakkında hukuki sonuç doğuran bir karar alınmıyor. Md. 22 devreye, ikiz çıktısı bireysel muameleye – farklı fiyat, kredi teklifi, hizmet reddi – dönüştüğünde giriyor. Ama ikizi kurmak zaten Md. 4(4) anlamında profillemedir. Bu da şeffaflık, itiraz hakkı ve büyük olasılıkla bir DPIA yükümlülüğü doğurur (veri koruma etki değerlendirmesi: “bu işlem kimi nasıl riske atıyor” diye yazılı olarak düşünme zorunluluğu).

KVKK tarafında tablo farklı ve bunu bilmek gerekiyor. Türkiye’de Md. 22’nin doğrudan karşılığı yok. Elimizdeki, 6698 sayılı Kanun’un 11/1(g) bendi: kişinin, münhasıran otomatik sistemlerle yapılan analiz sonucu kendi aleyhine bir sonuç ortaya çıkmasına itiraz etme hakkı (KVKK – İlgili Kişinin Hakları).

Yapısal fark şu: GDPR Md. 22 bir yasak olarak kurulmuş ve insan müdahalesi, görüş bildirme, karara itiraz haklarıyla paketlenmiş. KVKK 11/1(g) ise sonradan kullanılan çıplak bir itiraz hakkı – yanında yasal bir insan-döngüde şartı ya da açıklama hakkı yok. Kâğıt üzerinde uyum eşiği daha alçak. Ama itibar ve AB pazarı maruziyeti aynı yerde duruyor.

Operasyonel olarak asıl kritik madde başka: Md. 9, yurt dışına aktarım. Türk müşterilerinin verisiyle GPT-4o, Claude ya da Gemini üzerinde ikiz koşturmak, tanımı gereği yurt dışına kişisel veri aktarımıdır. 7499 sayılı Kanun’la (1 Haziran 2024 yürürlük) gelen düzenlemeden sonra doğru yol, aktarım başına açık rıza toplamak değil, Kurula bildirilen standart sözleşme (Erdem & Erdem özeti). KVKK’nın yapay zekâ alanına dair tavsiye metinleri de yayımda (KVKK – Yapay Zekâ Tavsiyeleri).

Son olarak AB Yapay Zekâ Yasası’nın 50. maddesi 2 Ağustos 2026’dan beri yürürlükte (AI Act Md. 50). İçeride konsept testi için koşturulan bir ikiz paneli normalde metin etiketleme yükümlülüğü doğurmaz. İki durum yaklaşır: sentetik panel bulgularını gerçek bir tüketici anketiymiş gibi yayımlamak – ki bu zaten ESOMAR kodunun ihlali – ve ikizi müşteriyle doğrudan temas eden bir yüzeye koymak. Türkiye AI Act’e tabi değil, ama bağlayıcılık çıktının AB’ye girmesiyle kuruluyor. AB pazarına satıyorsan kendini kapsamda say.

Sonuç: ayna neyi göstermiyor?

Bir ayna odasına girersin, yüzlerce yüz görürsün, hepsi seninkidir.

Sentetik panelin ürettiği o pürüzsüz grafik de böyle. İçindeki 400 cevabın hepsi aynı modelin yüzü.

Bu bir mahkûmiyet değil. Kanıtlar tutarlı bir hiyerarşi çiziyor ve o hiyerarşiyi bilen biri bu araçtan gerçek değer çıkarır:

Yön için iyi. Sıralama için idare eder. Seviye ve dağılım için tek başına yetmez.

Geleneksel araştırma üç-altı hafta ve altı haneli bütçe isterken ikiz aynı soruyu yirmi dakikada cevaplıyor – ve bu hız, büyük saha çalışmasından önce verilecek yüzlerce küçük kararı yönlendirmek için fazlasıyla değerli. Fiyat noktası. Reklam metni. Ambalaj yönü. Hangi soruyu sormaya değeceği.

Ama işin bam teli şurada: bu teknoloji en çok, en az doğrulanabildiği yerde işe yarıyor. Yeni bir ürün, hiç sorulmamış bir soru, kesim tarihinden sonraki bir kültürel an – ikizi tam da buralarda çağırıyorsun, ve tam da buralarda elinde onu sınayacak bir ölçüt olmuyor.

Belki de sorulacak soru “odak grupları bitti mi” değil.

Belki soru şu: bir cevabın ne kadar akıcı olduğuna bakarak ne kadar doğru olduğuna karar vermeyi bırakabilir miyiz?

Çünkü ikizler bunu bırakmamızı gerektiriyor. Ve insanlar bu konuda hiçbir zaman iyi olmadı.

Sıkça Sorulan Sorular

Tüketici dijital ikizi nedir? Tüketici dijital ikizi, gerçek bir kişinin mülakat metni, anket geçmişi, işlem kayıtları ve CRM verisiyle temellendirilmiş, o kişi adına soruları cevaplayan bir dil modeli ajanıdır. Saf sentetik yanıtlayıcıdan farkı, genel nüfus istatistiğine değil belirli bir gerçek bireye bağlı olmasıdır.

Sentetik tüketici ile tüketici dijital ikizi aynı şey midir? Hayır. Sentetik tüketici, pazar araştırması verisiyle özelleştirilmiş bir modelin ürettiği tipik bir yanıtlayıcıdır ve popülasyon kalıplarına dayanır. Dijital ikiz ise belirli, gerçek bir kişiye ait veriye dayanır ve o kişinin bireysel cevaplarına karşı doğrulanır. Aradaki üçüncü kategori olan saf sentetik yanıtlayıcı yalnızca nüfus verisi ve modelin genel dünya bilgisiyle çalışır.

%85 doğruluk oranı tam olarak ne anlama geliyor? Mutlak doğruluk değil, normalize doğruluk. Ajanın doğruluğu, aynı kişinin iki hafta sonra kendi cevaplarını tekrarlama tutarlılığına (%79,53) bölünüyor. Yani tavan %100 değil, insanın kendi tutarlılığı. Makalenin güncel sürümünde bu oran %86 olarak veriliyor ve makalenin adı da değişti.

Sentetik panellerin en büyük teknik sorunu nedir? Varyans çöküşü. Modeller ortalamayı iyi tutturuyor ama dağılımın yayılımını ve uçlarını üretemiyor. Türkiye Dünya Değerler Araştırması verisiyle yapılan ölçümde birimlerin %85’i tek bir cevaba yığıldı ve entropi 1,464 nat’tan 0,770’e düştü. ANES verisiyle yapılan bir başka çalışmada bu daralma, istatistiksel gücün yaklaşık 8 kat abartılmasına yol açtı.

İkizler odak gruplarının yerini alabilir mi? Hayır, mevcut kanıtlarla henüz alamaz. Sektör rehberleri de bunu erken aşama işlerle sınırlıyor: hipotez üretimi, konsept eleme, mesaj testi, anket pilotu. Fairgen kendi ürünü için “yönlendirici, kesin değil; sahaya çıkmanın yerine değil, sahaya çıkmadan önce” diyor. Savunulabilir kurgu hibrit tasarımdır: küçük bir insan çapa örneklemiyle model çıktısının düzeltilmesi.

Bir sentetik panelin güvenilir olduğunu nasıl anlarım? Dört şey sor. Birincisi, test-tekrar tavanına göre normalize edilmiş doğruluk. İkincisi, temel çizgi merdiveni: rastgele, boş persona, yalnızca demografi ve tam ikiz sonuçlarının yan yana raporlanması. Üçüncüsü, SD-oranı gibi bir dağılım metriği. Dördüncüsü, persona kurulurken kullanılan alanlarla tahmin edilen alanların ayrık olduğu bir holdout tasarımı.

Yüksek doğruluk oranı neden bazen kötü bir işarettir? Çünkü hatırlama olabilir. Model, eğitim verisinde yer almış yaygın bir sonucu – bir seçim sonucunu, bilinen bir anket dağılımını – ezberden verebilir. Türkiye verisiyle yapılan testte model ulusal dağılımı çok iyi tutturdu ama aynı dağılımı alt gruplara ayıramadı; ulusal hatırlamanın 0,165 puan altında kaldı. Bu fark, hatırlamayı simülasyondan ayıran teşhis testidir.

Türkçe ve Türkiye bağlamında ek bir risk var mı? Evet. Modeller yönlendirilmediğinde İngilizce konuşan ve Kuzey Avrupa ülkelerine yakın kültürel değerler sergiliyor; 107 ülkelik ölçümde GPT-4o’nun en yakın olduğu ülkeler Finlandiya, Andorra ve Hollanda. Kültürel yönlendirme mesafeyi ülkelerin %71-81’inde azaltıyor ama kapatmıyor. Kutudan çıktığı hâliyle bir model Türk tüketicisini simüle etmez.

KVKK açısından tüketici ikizi kurmak yasal mı? Kurmak yasak değil ama profileme sayılır ve yükümlülük doğurur. İkizin girdisi kişisel veridir, EDPB’ye göre kişisel veriyle eğitilmiş model anonim varsayılamaz. Türkiye’de GDPR Md. 22’nin doğrudan karşılığı yok; 6698 sayılı Kanun’un 11/1(g) bendi sonradan kullanılan bir itiraz hakkı tanıyor. Operasyonel olarak en kritik nokta Md. 9: yabancı bir modelle ikiz koşturmak yurt dışına aktarımdır ve standart sözleşme gerektirir.