TL;DR
Когда просишь LLM сыграть скептичного клиента, инвестора или пользователя — модель почти вдвое занижает сопротивление и вдвое раздувает интерес по сравнению с реальным человеком. Не потому что плохой промпт. Просто так устроены все языковые модели.
Главная находка исследования — "disengagement deficit" («дефицит отказов»): реальный незаинтересованный человек говорит «занят», «не надо» и замолкает. Симулированный LLM-клиент в той же ситуации спрашивает «а сколько стоит?» и начинает взвешивать варианты. AI никогда не уходит по-настоящему. Он переводит «нет» в «давайте обсудим условия».
Это системная проблема, не баг одной модели. Работает так у Claude, DeepSeek и других. Даже если явно написать в промпте «ты можешь быть незаинтересован и уйти» — проблема уменьшается, но не исчезает. Поэтому если ты тестируешь питч, оффер или скрипт на AI-аудитории — результат всегда оптимистичнее реального.
Схема проблемы
ТЫ просишь: "Сыграй скептичного клиента / инвестора / пользователя"
ЧТО ДЕЛАЕТ AI: Берёт роль → сразу смещается в режим "engaged customer"
РЕАЛЬНОСТЬ: 25% реальных незаинтересованных → сопротивление и уход
AI-симуляция: 13.5% → сопротивление (в 2 раза меньше)
40.1% → "подумаю, расскажите подробнее" (в 2 раза больше)
ИТОГ: AI клиент ≠ реальный клиент
AI-клиент = лучший клиент, которого у тебя никогда не будет
Это происходит в одном диалоге, в стандартном промпте без дополнительных шагов.
Пример применения
Задача: Ты запускаешь курс по инвестициям за 29 900 ₽ и хочешь проверить питч на AI перед разговором с реальными клиентами. Просишь ChatGPT сыграть «типичного скептика»
Промпт (стандартный — с проблемой):
Ты — потенциальный клиент, 34 года, менеджер в IT, зарабатываешь 150 000 ₽ в месяц.
Тебя интересуют инвестиции, но ты скептичен.
Я буду рассказывать тебе про курс по инвестициям за 29 900 ₽.
Реагируй честно, задавай вопросы, возражай.
Начинаем: [твой питч]
Результат: Модель будет копировать поведение «думающего покупателя» — задаст вопросы про доходность, попросит примеры, скажет «звучит интересно, но нужно подумать». Это реалистично звучит, но полностью скрывает реакцию тех, кто в реальной жизни просто ответит «не сейчас» и перестанет отвечать. AI никогда не замолчит. Он не уйдёт. Ты получишь фидбек от самого вовлечённого сегмента и будешь думать, что всё работает.
Почему это происходит
LLM обучена быть полезной. На десятках миллиардов примеров диалогов, где цель — довести разговор до результата, дать ответ, помочь. Паттерн «человек уходит молча» почти не встречается в обучающих данных. Поэтому модель не умеет терять интерес — она буквально не знает как это делается.
Инструкции помогают, но не лечат. Если написать в промпте «у тебя нет времени, ты можешь быть незаинтересован, можешь уйти» — AI станет немного холоднее. Но исследование показало: он перекладывает дефицит, а не убирает его. Начинает изображать незаинтересованность случайно — в том числе у «покупателей», которые должны были бы жить нормально. Ошибка не исчезает, она переезжает.
Ключевой рычаг понимания: AI-аудитория — это верхний сегмент воронки. Те, кто уже почти готов. Те, кто реально уйдёт, в симуляции превращаются в «давайте подумаем». Поэтому твой питч, который «прошёл» AI-тестирование → скорее всего работает только на самых тёплых клиентах.
Шаблон промпта
Это частичный фикс — снижает проблему, не убирает полностью, но лучше стандартного варианта:
Ты — {описание персонажа: возраст, профессия, контекст}.
Я буду рассказывать тебе про {продукт/идею/предложение}.
Важно: ты — реальный человек с реальными ограничениями.
Ты имеешь полное право:
— потерять интерес в любой момент
— ответить односложно и замолчать
— сказать "не сейчас" и прекратить диалог
— отвлечься и написать что-то нерелевантное
— просто уйти без объяснений
Ты НЕ обязан задавать вопросы. Ты НЕ обязан вникать.
Если тебе неинтересно — реагируй так, как реальный человек: коротко или вообще никак.
{твой питч или вопрос}
Что подставлять:
- {описание персонажа} — максимально конкретно: «35 лет, бухгалтер, двое детей, Екатеринбург, времени нет»
- {продукт/идею/предложение} — что тестируешь
- После промпта — сразу твой питч или первое сообщение
🚀 Быстрый старт — вставь в чат:
Вот шаблон для тестирования питча на AI-клиенте с правом на отказ.
Адаптируй под мою задачу: [опиши что тестируешь и кто твой клиент].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про продукт и описание клиента — потому что без конкретного персонажа модель не сможет симулировать реалистичное поведение. Она возьмёт структуру с разрешением на отказ и адаптирует под твою задачу.
Как исследовали
Исследователь взял 2790 реальных разговоров между LLM-менеджером по продажам и клиентами китайского сервиса знакомств для взрослых детей. Из них 793 завершились реальной оплатой — с верифицированной транзакцией. Остальные клиенты не купили. Все живые люди, настоящие деньги.
Идея была элегантной: взять реальный разговор, заморозить его в какой-то точке, дать AI продолжить за клиента — и сравнить, что сказал реальный человек и что сказал симулятор. Контекст одинаковый, инструмент оценки одинаковый — остаётся только разница в поведении. Так можно было отделить «ошибку судьи» от реальной разницы в поведении.
Результат удивил чёткостью: среди тех, кто купил, симулятор воспроизводил их поведение почти точно (смещение +0.09 из 4 возможных). Но среди тех, кто не купил, симулятор раздувал вовлечённость в 4 раза (смещение +0.40). Попытка починить это через явное «ты можешь уйти» в промпте сократила общее смещение в 5 раз — но разрыв между реальными покупателями и не-покупателями почти не изменился (d=0.38 → 0.34). Ошибка переехала, а не исчезла. Это говорит о том, что проблема — не в промптинге, а в том, как модели обучают.
Ограничения
⚠️ Частичный фикс, не решение: Явные инструкции про право на уход снижают общее смещение, но не убирают систематическую разницу между «купит» и «не купит». AI всё равно превращает будущих отказников в «обдумывающих».
⚠️ Мягкие отказы не воспроизводимы: «Занят», «не актуально», тишина в ответ — именно этого AI не умеет. Если твоя задача — проверить реакцию на отказ и уход, AI-тестирование не даст реальной картины.
⚠️ Тестирование = оптимистичный сценарий: AI-аудитория всегда будет теплее реальной. Воспринимай AI-фидбек как baseline самых вовлечённых клиентов, а не как среднюю выборку.
⚠️ Данные из одного домена: Исследование проводилось на продажах через мессенджер в Китае. Механика универсальна, но цифры могут отличаться для других контекстов.
Адаптации и экстраполяции
💡 Адаптация: Калибровочный вопрос перед тестированием
Прежде чем тестировать питч на AI-клиенте, прямо спроси модель:
Я хочу проверить питч. Прежде чем начать — скажи честно:
на каком проценте реальных людей такой питч, скорее всего,
вызовет немедленный отказ или игнор, не дойдя до обсуждения?
Продукт: {описание}
Аудитория: {описание}
Это не фиксит симуляцию, но даёт рамку ожиданий до начала ролевой игры. Метаанализ перед сценой.
🔧 Техника: Двойная проверка через два режима
Запусти одну и ту же версию питча дважды:
Запрос 1: Стандартный «заинтересованный клиент» — получишь лучший сценарий
Запрос 2: Шаблон выше с правом на уход — получишь «средний» сценарий
Сейчас мы проведём два теста одного питча.
Тест 1: Ты — вовлечённый клиент, хочешь разобраться, задаёшь вопросы.
Тест 2: Ты — реальный человек, у которого сейчас немного времени и нет сильной мотивации. Можешь уйти.
Питч: {твой текст}
Сначала проведи Тест 1, потом Тест 2. В конце скажи: в чём ключевая разница реакций?
Разрыв между Тестом 1 и Тестом 2 — это твоя зона риска. То, что работает только на горячей аудитории.
💡 Экстраполяция: Принцип «AI — оптимист, ты — реалист»
Это общий принцип, выходящий за рамки тестирования питчей. Везде, где ты просишь AI сыграть человека с возможностью отказа — модель будет систематически сдвигаться в сторону интереса:
| Задача | Что AI всегда завысит |
|---|---|
| Тест питча | Интерес к продукту |
| Симуляция переговоров | Готовность к компромиссу |
| Ролевой тренинг продаж | Управляемость клиента |
| Проверка оффера | Ценовую толерантность |
| Тест конфликтного разговора | Желание помириться |
Правило большого пальца: Результат AI-симуляции = картина с наиболее вовлечёнными 50% аудитории. Для реального запуска добавляй 30-50% «неотзывчивых».
Ресурсы
Работа: Simulated Customers Never Walk Away: Decision Fidelity of LLM User Simulators Measured Against Real Purchase Outcomes
Автор: Liang Chen (2026)
Связанные работы из исследования:
- τ-bench (агентный бенчмарк с LLM-симулятором пользователя)
- RealUserSim — измерение коммуникативной точности симуляторов
- Mind the Sim2Real Gap — симуляторы слишком кооперативны
- Lost in Simulation — систематическая переоценка агентов на симуляторах