想知道消费者最近是否改了主意，却让一个读过大量旧资料的 AI 代替真人答卷，问题很直观：它或许能猜出“这类人通常怎么说”，却未必知道人们刚刚发生了什么变化。
Andrew 将问卷流程拆成一条链：调查方法产生数据，数据形成总体估计——也就是从样本推断更大人群的态度分布——估计再支持行动。合成受访者则让模型按人口、地域等特征扮演受访者，批量生成答案，再经加权推到总体。它便宜，也可能看起来合理；但作者认为，模型主要从过去学习，而调查通常正是为了发现变化，因此直接用模拟替代真人“似乎没有希望”。生成再多答案，也不能自动消除测量误差和选择偏差。
作者并未完全否定这项工具：合成回答或可作为真实调查中的一个辅助调整变量，为预测增加信息。关键仍是拿真人数据校准。否则，若估计不再受新数据约束，问卷只是为既定决策补一个数字。