Building synthetic users: Generative AI for user research in small design teams

User research plays a core role in informing design decisions and driving innovation in product development. However, traditional user experience methods are often expensive and time-consuming, creating challenges for start-ups and small design teams. Cross-functional communication of research outcomes is also frequently impeded by interpretative differences, reducing practical impact. In industrial design, this study investigates how real user data and generative artificial intelligence can be combined to create Synthetic Users0F0F _(SUs) capable of simulating human-like interactions. The goal is to enable lightweight, collaborative user research through behavioral analysis, early modeling, and team coordination, particularly in resource-limited or geographically and culturally diverse settings. To conclude, the study proposes a synthetic user construction workflow based on real user and scenario data, driven by large language models, to maintain behavioral logic and contextual coherence. This approach enhances traditional user modeling by incorporating dynamic, interactive mechanisms that better reflect real-world behavioral variability. The research includes theoretical and experimental components. Theoretical work involves literature review, expert interviews, and evaluation of AI tools to assess applicability and limitations. Experimentally, structured user data, project context, and scenarios are used to prompt LLMs to generate virtual users, whose realism, empathy, and design support potential are assessed via simulated interactions. Findings indicate that AI-generated SUs can reduce bias, accelerate hypothesis generation, and improve communication in early-stage design, particularly under resource constraints. While limitations such as data bias, contextual ambiguity, and tool complexity persist, many practitioners express cautious optimism about their lightweight integration into user modeling. Future research can focus on structured input and multi-round interaction mechanisms to promote the continuous integration of virtual users into the design process and enhance cross-team adaptation capabilities while taking ethical norms into account.

La ricerca sugli utenti svolge un ruolo fondamentale nell'informare le decisioni di design e nel promuovere l'innovazione nello sviluppo dei prodotti. Tuttavia, i metodi tradizionali di user experience sono spesso costosi e richiedono molto tempo, creando difficoltà per le start-up e i piccoli team di design. Inoltre, la comunicazione interfunzionale dei risultati della ricerca è frequentemente ostacolata da differenze interpretative, riducendone l'impatto pratico. Nel campo del design industriale, questo studio indaga su come i dati reali degli utenti e l'intelligenza artificiale generativa possano essere combinati per creare Utenti Sintetici1 _(SUs) capaci di simulare interazioni simili a quelle umane. L’obiettivo è abilitare una ricerca sugli utenti leggera e collaborativa attraverso l’analisi comportamentale, la modellazione precoce e il coordinamento del team, in particolare in contesti con risorse limitate o con una diversità geografica e culturale. A tal fine, lo studio propone un flusso di lavoro per la costruzione di utenti sintetici basato su dati reali di utenti e scenari, alimentato da modelli linguistici di grandi dimensioni, per mantenere la logica comportamentale e la coerenza contestuale. Questo approccio migliora la modellazione utente tradizionale incorporando meccanismi dinamici e interattivi che riflettono meglio la variabilità comportamentale del mondo reale. La ricerca comprende componenti teoriche e sperimentali. Il lavoro teorico include una revisione della letteratura, interviste con esperti e una valutazione degli strumenti di IA per analizzarne l’applicabilità e i limiti. A livello sperimentale, dati strutturati sugli utenti, contesto progettuale e scenari vengono utilizzati per stimolare i LLM (modelli linguistici di grandi dimensioni) nella generazione di utenti virtuali, la cui realismo, empatia e potenziale di supporto al design sono valutati tramite interazioni simulate. I risultati indicano che gli SU generati dall’IA possono ridurre i bias, accelerare la generazione di ipotesi e migliorare la comunicazione nelle fasi iniziali del design, in particolare in condizioni di risorse limitate. Sebbene permangano limiti come bias nei dati, ambiguità contestuale e complessità degli strumenti, molti professionisti esprimono un cauto ottimismo riguardo alla loro integrazione leggera nella modellazione utente. Le future ricerche potranno concentrarsi su input strutturati e meccanismi di interazione multi-turno per promuovere l’integrazione continua degli utenti virtuali nel processo di progettazione e migliorare le capacità di adattamento tra i team, tenendo conto delle norme etiche.