今天分享的公司还挺有趣的：Aaru，https://aaru.com/
做一个新饮料，到底该选柠檬味还是桃子味？
产品涨价 20%，原来愿意买高端版的人还会买吗？
一条广告还没投出去，能不能先知道 30 岁女性、北上广用户和高收入家庭分别有什么反应？
过去，公司解决这些问题的办法通常是：找调研公司，发问卷，做访谈，组织焦点小组。
Aaru 想换一种方式：
不找真人，先造几十万甚至十万个“AI 消费者”，让他们替公司试一遍。
2024 年，Cameron Fink、Ned Koh 和 John Kessler 创办了 Aaru。三个人创业时分别只有 18 岁、19 岁和 15 岁。
Fink 在达特茅斯只待了一个晚上，Koh 在哈佛读了两周，两个人随后退学创业；Kessler 更夸张，他 12 岁开始读高中，两年后已经在 MIT City Science Lab 做模拟基础设施相关工作。
公司成立不到两年，Aaru 就进入麦当劳、Boston Beer、A24、拜耳、安永等公司的测试和研究项目。
截至 2026 年，公司已经累计融资约 8800 万美元。
这三个少年，做的其实是一门很老的生意：帮公司判断，消费者下一步会怎么做。
只是他们不再去问消费者。
先造 10 万个“人”
Aaru 的核心产品叫 Lumen。
它可以做创意测试、新产品上市测试、价格优化、市场细分、卖点测试、客户流失预测、广告策略和品牌认知跟踪。
简单来说，一家公司可以把一个问题交给 Aaru：
假设某款高端产品涨价 20%，消费者还会不会继续买？
Aaru 不只是把这个问题扔给一个大模型。
它会先建立一批“数字消费者”。
Aaru 会使用人口、行为、情绪和其他领域数据建立不同的 AI Agent。
每个 Agent 都有自己的属性，比如年龄、收入、地区、风险偏好和行为倾向。
数据来源可能包括人口统计资料、金融机构数据、交易和销售结果、社交媒体、产品评价以及其他领域数据。
比如：
一个 32 岁、住在纽约、高收入、风险偏好较高的人；
一个 55 岁、住在中西部、收入稳定、价格敏感的人；
一个 24 岁、重度使用社交媒体、喜欢尝试新品的人。
但 Aaru 不是简单写一句提示词：
“你现在是一个 32 岁纽约女性，请回答下面的问题。”
Aaru 会先判断在具体问题中，哪些人群和属性真正影响决策，再建立对应的数字人群，并让 Agent 根据自身行为特征评估选项、权衡取舍和做决定。
每次选择都会留下可分析的决策记录。
这也是 Aaru 和普通 AI 用户画像工具的区别。
它不是生成十个消费者故事，而是建立一批具有统计结构的人群，然后观察整个群体的选择分布。
安永在测试 Aaru 时，使用的数字样本规模达到 10 万个 Agent。
换句话说，公司过去可能花几个月找 3000 个人填问卷。
现在 Aaru 的做法是：
先在电脑里造出 10 万个消费者，让产品、价格和广告分别跑一遍。
为什么不直接问真人？
Aaru 的整个产品建立在一个判断上：
人并不擅长预测自己未来会做什么。
你问一个人：“你愿不愿意购买环保产品？”
他可能说愿意。
但真的站在货架前，当环保产品贵 30% 时，他可能还是拿走了便宜的那一个。
你问一个投资者：“你能接受多大的风险？”
市场上涨时，他可能说自己很激进。
账户真正跌掉 20% 后，答案完全不同。
Aaru 直接把问题归结为：记忆会出错，回答会受到激励和社会压力影响，人说出来的选择和实际行动之间经常存在差异。
因此，公司更强调真实结果、行为轨迹和可观测行动，而不是只依赖“消费者声称自己会怎么做”。
安永后来做了一次很具体的对比测试。
安永每年会做全球财富研究，2025 年的研究覆盖全球 30 多个市场、3600 名富裕投资者，传统调查周期大约需要 6 个月。
2025 年 8 月，安永把这套已经做完的研究交给 Aaru。
Aaru 用一天重新模拟了一遍。
双方比较了 53 个单选问题，Aaru 模拟结果与真实调查结果的中位相关系数达到 0.90。
更有意思的是其中两个具体的问题。
安永问受访者：继承父母财富后，你会继续使用父母的财富顾问吗？
真人问卷里，82% 的人说会。Aaru 模拟出的留存率是 43%。
而安永引用的行业研究数据显示，现实中最终继续使用父母财富顾问的人只有 20% 到 30%。
另一个问题是：你是否更喜欢只使用一家金融服务机构？
69% 的真人受访者说喜欢。Aaru 模拟结果是 37%。
现实数据是，只有 33% 的高净值人群只使用一位顾问。
这两个案例很好理解 Aaru 到底在卖什么。
问卷得到的是：“你认为自己会怎么做。”
Aaru 试图计算的是：
“按照类似人群过去的行为和当前条件，你更可能怎么做。”
饮料还没生产，先让 AI “喝”一遍
Aaru 很快把这套方法卖到了消费品公司。
Spindrift 是美国一家饮料公司，也是 Aaru 的早期客户之一。双方曾用模拟系统测试新产品、营销和媒体相关问题。
Aaru 官方披露，团队连续数月参与 Spindrift 的产品测试和开发；双方的产品创新合作最终涉及 Spindrift 进入非碳酸茶饮品类。
传统饮料研发有一个很长的周期：
公司先提出几个产品概念、做配方、生产样品、招募消费者、组织测试、修改产品、再测试一次。
时间和成本都很高。
现在，Aaru 可以先建立目标消费人群。然后直接测试：
消费者是否理解这个产品？
喜欢哪些口味？
产品应该放在哪个价格带？
原来的气泡水消费者会不会购买？
哪些人群最可能第一次尝试？
改变一句产品介绍，购买意愿有什么变化？
在 Aaru 的产品设计里，同一套模拟系统本来就支持新产品上市、价格优化、用户细分和卖点测试。
这意味着产品团队可以在真正生产之前，先快速排除一批明显较差的方案。
一家国际广告公司也将 Aaru 用于预测广告活动上线前的受众反应：
比如一家公司准备了 20 条广告语，过去可能先由品牌团队筛成 5 条，再找消费者测试。
现在 Aaru 可以先让不同地区、收入、年龄和消费习惯的数字人群分别看一遍。
不是问一句：“你喜欢 A 还是 B？”
而是继续看：谁会点击？谁会产生兴趣？谁觉得太贵？谁已经在使用竞品？换一种表述后，哪些人的选择发生变化？
Aaru 实际上就是在产品正式进入市场前，先搭一个小型的“虚拟市场”。
他们怎么让大公司相信三个少年？
Aaru 最大的问题其实不是技术，而是信任。
一个 19 岁的人走进大公司会议室，说：
“不要再花几个月调查消费者了，我们造一群 AI 人，告诉你消费者会怎么做。”
正常反应大概都是：凭什么？
所以 Aaru 早期有一个很聪明的销售方法：
专门找客户已经知道答案的问题。
比如一家企业刚刚花几百万美元完成一项消费者研究。报告已经出来了。
Aaru 会说：先别告诉我结果。
把问题和必要数据给我，我们重新模拟一次。
然后双方对答案。
Aaru 早期经常用这种方式获得客户：
先模拟一项客户已经掌握真实结果的问题，再与企业花费大量资金获得的真人研究进行比较。
联合创始人 Ned Koh 后来甚至直接把销售话术说成：
不要相信我们，也不要相信我们的模型，先测试。
Koh 会鼓励客户拿已经做过的决策和历史项目验证 Aaru。
因为客户越怀疑，越愿意认真比较模型结果和真实结果。
这套销售方法很适合 Aaru，因为它卖的就是“预测”。
做一个新的 AI 写作工具，客户用五分钟，大概就知道好不好用。
但一家公司的价格策略、广告投放和新品选择，可能要半年以后才知道结果。
让客户等半年验证模型，销售周期太长。
Aaru 直接把验证过程倒过来：先预测过去。
只要模型能在不知道结果的情况下，还原客户已经发生过的市场结果，双方才开始讨论未来。
对于一个极难证明价值的 AI 产品，这可能比做 100 页产品介绍更有效。
Aaru 想替代的，不只是市场调研
Aaru 现在已经把产品分成三套系统。
Lumen 面向企业，用于广告、新产品、定价、客户细分和竞争定位。
Seraph 面向政府，可以模拟公众对政策、危机沟通、监管变化和公共项目的反应。
Dynamo 面向政治，可以做选举预测、投票率模拟、信息测试、候选人背书影响和舆情变化分析。
这家公司最初看上去像一家 AI 市场调研公司，但它显然不准备停在这里。
Aaru 官网对自己的描述是：
用多智能体方法重新构建一个世界。
它最终想做的事情其实很明确：把现实世界的一部分人，先搬进电脑。
公司准备涨价？先模拟。
政府准备推出一项政策？先模拟。
品牌准备花 1 亿美元投广告？先模拟。
一家私募基金准备收购公司？也先看看收购完成后，客户可能怎么变化。
Aaru 的客户已经把这套系统用于图书封面选择、饮料口味、新艺人判断以及潜在收购项目分析。
当然，现在就说 AI 可以准确预测人类，显然还太早。
但至少现在看上去，Aaru 已经找到了一个很具体的产品位置。