LLM-SAA: синтетические данные для бизнес-решений в условиях нехватки информации

Парадокс: Распределение может отличаться от реального на 30-40% по статистическим метрикам, но приводить к решению всего на 5-10% хуже оптимального. Для бизнес-решений (цена, ассортимент, объём закупок) важна не точность данных в среднем, а попадание в критические пороги — где резко падает спрос, где переключаются предпочтения. LLM-SAA позволяет находить оптимальные цены и формировать ассортимент при полном отсутствии реальной статистики — просто генерируешь поведение 30-50 персон и строишь на этом решение. Фишка: персоны активируют паттерны из обучающих данных — модель помнит что дизайнеры чувствительнее к цене чем предприниматели, регионы платят меньше Москвы. Агрегация микро-симуляций даёт 85-95% от оптимального решения даже при 0 реальных данных.