Vi analyserede, hvad AI faktisk tror om købere på tværs af 25 brancher. Resultaterne bør ændre den måde, du tænker på indholdsstrategi.
De fleste brands laver indhold ud fra antagelser. Interne workshops producerer tre til fem køberpersonaer, der føles rigtige, og de personaer styrer indholdskalenderen det næste år. Måske længere.
Problemet er, at AI-systemerne, dem der i stigende grad formidler købernes research, arbejder ud fra en helt anden model af, hvem dine købere er, og hvad de vil have. Og den model er bygget på mønstre på tværs af millioner af datapunkter, ikke på en to-timers workshop med interessenter.
Vi ville vide: Hvad tror AI faktisk om købere? Ikke hvad marketingfolk antager. Ikke hvad CRM-systemer foreslår. Hvad opstår, når man syntetiserer og strukturerer data om køberadfærd i stor skala?
Så vi byggede det største datasæt af køberpersonaer, der nogensinde er blevet offentliggjort. Og de mønstre, det afslører, bør få enhver indholdsstrateg til at genoverveje sin funnel.
Hvad vi byggede og hvorfor
PersonaGen-593K er et datasæt med 593.181 AI-genererede køberpersonaer, der spænder over 339 brancher (25 primære vertikaler). Hver persona indeholder strukturerede adfærdsdata: hvem de er, hvad de søger efter, hvilke spørgsmål de har, hvilke mål der driver dem, og hvad der frustrerer dem.
De rå tal:
| Attribut | Volumen |
|---|---|
| Personaer i alt | 593.181 |
| Dækkede brancher | 339 (25 primære vertikaler) |
| Udtrukne søgeforespørgsler | ~3 millioner |
| Udsagn om informationsbehov | ~3 millioner |
| Måludsagn | ~1,8 millioner |
| Udsagn om smertepunkter | ~1,8 millioner |
Vi startede med cirka 40 millioner rå personabeskrivelser fra fire offentlige datasæt (NVIDIA, BSC-LT, Orange og Tencent). Gennem GPU-accelereret deduplikering og semantisk filtrering reducerede vi det til cirka en million unikke beskrivelser. Derefter berigede vi hver enkelt med strukturerede adfærdsattributter ved hjælp af en stor sprogmodel og producerede i sidste ende 593.181 komplette, validerede personaer.
Dette er ikke en spørgeundersøgelse blandt 500 mennesker. Det er en struktureret syntese af, hvad AI-modeller forstår om køberadfærd i en skala, som traditionelle researchmetoder ville bruge år og millioner af dollars på at nærme sig.
Resultatet, der bør omskrive din indholdsstrategi
78,7 % af købernes søgninger er informationssøgende. Kun 4,3 % er transaktionelle.
Læs det igen. På tværs af næsten 3 millioner søgeforespørgsler i datasættet er næsten fire ud af fem spørgsmål som "Hvordan evaluerer jeg X?" eller "Hvad er de bedste tilgange til Y?", ikke "Køb X" eller "Abonnér på Y".
De resterende 17 % er kommercielle: sammenligningsforespørgsler som "Hvilken leverandør skal jeg vælge?". Det er overvejelsesfasen. Vigtig, men stadig ikke transaktionel.
Hvad det betyder i praksis
| Søgeintention | Andel af forespørgsler | Hvad køberne gør |
|---|---|---|
| Informationssøgende | 78,7 % | Lærer, researcher, forstår muligheder |
| Kommerciel | 17,0 % | Sammenligner leverandører, vurderer alternativer |
| Transaktionel | 4,3 % | Klar til at købe, abonnere eller tilmelde sig |
De fleste indholdsstrategier er bygget op omkring bunden af funnelen. Produktsider. Prissammenligninger. Feature-matricer. Demo-anmodninger. Det er de 4,3 %.
De 78,7 %, spørgsmålene som køberne faktisk stiller, bliver ofte underprioriteret. Og det er præcis det indhold, AI-systemer trækker på, når de danner anbefalinger.
Hvis dit brand ikke har stærkt informationssøgende indhold, der besvarer de spørgsmål, køberne stiller, før de er klar til at købe, vil AI anbefale en, der har det.
Fem branchemønstre værd at kende
Datasættet afslører tydelige adfærdssignaturer på tværs af brancher. Her er de mønstre, der er mest relevante for indholds- og marketingledere.
1. EdTech dominerer i volumen, og i muligheder
EdTech udgør 24,3 % af alle personaer i datasættet (36.152). Det er ikke, fordi vi overrepræsenterede branchen. Det opstod naturligt ud fra kildedataene og afspejler den store mængde og mangfoldighed af læringsorienteret køberadfærd.
EdTech-personaer koncentrerer sig om certificeringsforløb, fleksibilitet i onlinelæring og kompetenceudvikling. Hvis du arbejder inden for uddannelsesteknologi, tilstødende læringstjenester eller professionel udvikling, er dette den største pulje af potentielle personaer i datasættet. Indholdsmuligheden er enorm, og det samme er konkurrencen om AI'ens opmærksomhed.
2. Konsulentbranchen har den højeste kommercielle intention
Mens det samlede datasæt hælder mod det informationssøgende, bryder konsulentpersonaer med tendensen. De viser den højeste kommercielle søgeintention på 28 %, næsten det dobbelte af datasættets gennemsnit på 17 %.
Konsulentkøbere ved, hvad de har brug for. De sammenligner muligheder, de udforsker ikke konceptet. Deres smertepunkter drejer sig om kundetilgang og differentiering, hvilket betyder, at indhold, der hjælper dem med at vurdere muligheder (benchmarks, cases, ROI-frameworks), vil klare sig bedre end generel thought leadership.
3. Sundhedssektoren står over for en særlig compliance-udfordring
Sundhedspersonaer udviser den højeste koncentration af compliance-relaterede informationsbehov på 38 %. De søger efter akkreditering, lovkrav og evidensbaseret praksis.
For brands inden for sundhed eller sundhedsnære brancher indebærer det en specifik risiko: AI-systemer, der genererer anbefalinger om sundhedsemner, står over for en højere barre for nøjagtighed. Inkonsistent eller dårligt struktureret sundhedsindhold bliver en risikofaktor, når AI trækker det frem i professionelle sammenhænge.
4. Produktion vil have proces, ikke vision
Produktionspersonaer samler sig omkring driftseffektivitet (29 % af målene) og kæmper mest med værktøjskompleksitet (24 % af smertepunkterne). Deres søgninger fokuserer på procesoptimering og automatisering.
Dette publikum reagerer ikke på ambitiøs marketing. De vil have det konkrete: implementeringsguides, integrationsdokumentation, sammenligningsmatricer med tekniske specifikationer. Indhold, der springer visionen over og går direkte til det operationelle "hvordan", vinder i denne vertikal.
5. Work-life balance er det universelle smertepunkt
På tværs af alle 25 branchevertikaler viste work-life balance sig at være det dominerende smertepunkt med 107.000 omtaler. Det optræder som en top-fem-bekymring i 72 % af branchesegmenterne.
Dette er en tværgående sandhed, som det meste B2B-indhold ignorerer fuldstændigt. Brands, der anerkender den menneskelige dimension af professionelle beslutninger, tidspres, kognitiv belastning, konkurrerende prioriteter, taler til den virkelighed, deres købere lever i, ikke kun den kategori, de køber i.
De demografiske profiler, AI antager
Datasættet afslører også, hvilken demografisk profil AI forbinder med forskellige brancher og roller:
- Kønsfordeling: 52,2 % kvinder, 45,4 % mænd, 2,3 % nonbinære. Næsten i balance, men ikke ensartet på tværs af brancher.
- Aldersmønster: Bimodalt, med toppe ved 18-25 (27,9 %) og 55-75+ (41,4 % samlet). Den midt-karriere-kohorte, som det meste B2B-marketing retter sig mod (25-55), udgør blot 30,8 %.
- Markedskontekst: 71,5 % B2C, 22,5 % B2B, 4,4 % B2B2C, 1,5 % B2G.
Aldersfordelingen er særligt bemærkelsesværdig. Hvis din indholdsstrategi antager en 35- til 50-årig beslutningstager som standardkøber, kan AI-modeller forbinde din branche med en meget anderledes demografisk profil. Det misforhold mellem din antagne målgruppe og AI'ens antagne målgruppe påvirker, hvilket indhold der bliver trukket frem, og til hvem.
Hvad det betyder for dit brand
Hvis du er inden for EdTech eller professionel udvikling
Du opererer i det mest overfyldte personarum. Differentiering kræver specificitet, ikke "vi hjælper folk med at lære", men "vi hjælper midt-karriere UX-designere med at skifte til instructional design med certificeringer, som arbejdsgivere anerkender". Personaerne viser, at certificeringsforløb og fleksibel planlægning er de dominerende søgetriggere. Generisk læringsindhold vil ikke trænge igennem.
Hvis du er inden for konsulentbranchen eller professionelle tjenester
Dine købere har den højeste kommercielle intention i datasættet. De sammenligner priser, de browser ikke. Invester i indhold, der understøtter vurdering: gennemsigtige prisrammer, metodesammenligninger, konkrete data om kunderesultater. Playbooket med "thought leadership først", der virker i andre vertikaler, kan underpræstere her, fordi dine købere allerede er forbi awareness-stadiet.
Hvis du er inden for produktion eller industri
Spring visionen over. Før an med driftsdetaljer. Personaerne viser, at værktøjskompleksitet er den primære frustration, og procesoptimering er det primære mål. Indhold, der demonstrerer målbare effektivitetsgevinster med klare implementeringstrin, vil matche den måde, AI karakteriserer produktionskøberes intention på.
Hvis du er inden for sundhedssektoren
Strukturér dit indhold med henblik på nøjagtighed og compliance. AI-systemer er særligt forsigtige med sundhedsrelaterede anbefalinger, og persona-dataene bekræfter, at dine købere prioriterer akkreditering og reguleringsoplysninger. Ustruktureret eller tvetydigt indhold har større sandsynlighed for at blive nedprioriteret af AI i denne vertikal end i nogen anden.
Hvor denne research kommer fra
PersonaGen-593K blev udviklet af forskere ved Estonian Entrepreneurship University of Applied Sciences (EUAS) og Rankfor.AI og udgivet som en peer-reviewet artikel i Springers tidsskrift Discover Artificial Intelligence.
Metoden bestod i at samle fire offentlige persona-datasæt (~40 millioner rå beskrivelser), anvende GPU-accelereret deduplikering for at fjerne 89,5 % af dubletterne og derefter bruge semantiske embedding-modeller til at eliminere yderligere 76,2 % af næsten-dubletterne. De overlevende en million unikke beskrivelser blev beriget med strukturerede adfærdsattributter og valideret gennem statistisk analyse.
Det fulde datasæt, metoden og analysekoden er offentligt tilgængelige til uafhængig verifikation.
Den praktiske konklusion
Data om køberadfærd i denne skala fortæller en konsistent historie: De fleste købere stiller spørgsmål, de leder ikke efter at købe. De brands, der vinder AI-anbefalinger, er dem, hvis indhold besvarer disse spørgsmål klart, specifikt og i det sprog, køberne faktisk bruger.
Hvis 78,7 % af dine potentielle købere er i læringstilstand, og din indholdsstrategi allokerer 80 % af ressourcerne til produktfokuseret bund-funnel-materiale, er der et strukturelt misforhold mellem det, du producerer, og det, AI anbefaler.
At lukke det hul er ikke et problem med indholdsvolumen. Det er et problem med alignment. Og det første skridt er at forstå, hvad AI tror, dine købere vil have.
Tjek, hvordan AI opfatter dit brands køberpersonaer. Brug Persona Matcher til at sammenligne dine antagne personaer med det, AI faktisk anbefaler for din branche. Eller kør dit brand gennem AI Visibility Monitor for at se, hvor du står.
Baseret på "PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" af Dmitrij Zatuchin (EUAS) og Daniil Dzemesjuk (Rankfor.AI), preprint, indsendt til Springer Discover Artificial Intelligence, 2026.