Synthetische gebruikers waarmee je écht mag testen — Nemotron-Personas

Elk team dat AI-features bouwt loopt vroeg of laat tegen dezelfde muur aan: je hebt mensen nodig om mee te testen. Realistische gebruikers — met namen, leeftijden, beroepen, locaties, eigenaardigheden — om een staging-database te vullen, een agent-eval aan te sturen, een demo te bevolken, of een flow te red-teamen. En op het moment dat je naar echte grijpt, stapt legal binnen. Zeker in de EU is "laten we gewoon een stukje productiedata gebruiken" de manier waarop je een DPIA gaat schrijven die je niet had begroot.

Nemotron-Personas is NVIDIA's antwoord op die muur, en het is een goed antwoord. Het is een open dataset van synthetische personas — fictieve mensen — maar gefundeerd in real-world distributies: census-demografie, geografie en persoonlijkheidspsychologie. De Amerikaanse set bevat er ongeveer een miljoen, elk met gestructureerde velden (geslacht, leeftijd, burgerlijke staat, opleiding, studierichting, beroep, stad/staat/postcode) en rijke narratieve velden — een professionele persona, hobby's, reis- en culinaire voorkeuren, vaardigheden, carrièredoelen, culturele achtergrond. Het wordt gegenereerd met een probabilistisch grafisch model dat de statistiek vastlegt, met open-weight LLM's die de verhalen erbovenop schrijven. De licentie is CC BY 4.0 — commercieel gebruik is prima, mits je naamsvermelding geeft. Geen van deze mensen bestaat.

Waar het zijn waarde bewijst

De waarde is niet "gratis data." Het is data waarmee je snel mág bewegen. Een paar plekken waar ik ernaar zou grijpen:

• Testharnessen vullen. Bevolk een staging-omgeving met duizend plausibele gebruikers in plaats van met de hand test_user_1 tot en met test_user_50 te maken. Je edge cases zijn niet langer theoretisch — je hebt de 71-jarige gepensioneerde in een landelijke postcode en de mid-career omscholer al gewoon in de dataset zitten.
• ML/AI-experimentatie. Vul dunne trainings- of evalsets aan, stress-test een model over demografische segmenten die het zelden ziet, of genereer diverse instruction-tuning-inputs zonder te scrapen. NVIDIA positioneert het expliciet op het verbeteren van diversiteit, het mitigeren van bias, en het voorkomen van model collapse door te trainen op je eigen output.
• Agent-evals aansturen. Hier klikt het met hoe ik bouw. Een agent-harness heeft gevarieerde gebruikerscontexten nodig om iets waard te zijn — een held-out set personas geeft je die variatie deterministisch. Je kunt dezelfde duizend synthetische gebruikers tegen elke kandidaat-prompt of elk model afspelen en echt vergelijken.
• Red-teaming. Phishing- en social-engineering-simulaties hebben geloofwaardige doelwitten nodig. Synthetische personas geven je geloofwaardig zonder één echte inbox aan te raken.

De regelgevingshoek — waarom EU-teams dit interesseert

Dit is het deel dat ertoe doet waar ik werk. Onder de AVG is echte persoonsdata in een dev-, test- of demo-omgeving verwerking — het heeft een rechtsgrond, dataminimalisatie, bewaartermijnen, en vaak een DPIA nodig. Synthetische personas omzeilen dat hele apparaat: er is geen betrokkene, dus er is geen verwerking van persoonsgegevens die je moet rechtvaardigen. Je kunt een leverancier een realistische dataset geven, een demo uitbrengen met levensechte gebruikers, of een junior team vrij laten experimenteren — niets raakt een echt persoon.

En de collectie wordt soeverein en regionaal, wat de werkelijk interessante beweging is. Er is nu een Nemotron-Personas-Belgium, gebouwd door Pleias met NVIDIA — 300k personas gefundeerd in Belgische demografie tot op het niveau van gewesten, taalgemeenschappen en gemeenten, samengesteld uit Statbel en regionale statistiek. Het is de tweede Europese set na Frankrijk, de synthetische levens zijn gegenereerd op Europese publieke compute (Jean Zay/GENCI), en het draait al in productie in gereguleerde sectoren waaronder de zorg. Voor een Benelux-team is dat een betekenisvol betere fit dan Amerikaanse personas: de taalverdeling, de regionale bestuurlijke realiteit en de culturele textuur kloppen — niet veramerikaniseerd.

Er bestaat nog geen Nederlandse set — en dat is het waard om te weten in plaats van halverwege te ontdekken. Twee realistische routes naar één:

1. Mede-ontwerpen. De regionale sets (Singapore, België) kwamen voort uit partners die met NVIDIA mede-ontwierpen tegen nationale statistiek. Als je een echte soevereine-AI-use-case hebt, is dat een reële route — de Belgische dataset is het sjabloon.
2. Zelf genereren. De toolchain (NeMo / Gretel Data Designer) is hier het eigenlijke product; de datasets zijn showcases ervan. Je kunt zelf een Nederlandse personaset funderen in CBS-data — provincies, de Randstad-versus-periferie-verdeling, opleidings- en beroepsdistributies — en personas krijgen die in de NL-context passen. Meer werk, maar je bezit de distributie en kunt hem op je domein afstemmen.

Kanttekeningen die bijten als je vergeet dat ze synthetisch zijn

Gefundeerde synthetische data is scherp gereedschap, en de faalmodus is het behandelen ervan als echter dan het is.

• Marginalen kloppen ≠ joint distribution echt. Het krijgt de individuele statistiek goed — leeftijd klopt, beroep klopt — maar de correlaties tussen velden zijn slechts zo goed als de generator. De postcode, inkomensproxy en het beroep van een persona komen misschien niet samen voor zoals dat in het echt zou gebeuren. Delf er geen verbanden uit die je er niet zelf in hebt gestopt.
• Het erft de bias van zijn bronnen. Census-data plus een LLM-verteller betekent dat zowel census-tijdperk-aannames als modelstereotypen meeliften. "Divers" is niet hetzelfde als "onbevooroordeeld." Als je op eerlijkheid test, kan een synthetische set die gestereotypeerde verhalen binnensmokkelt je vals comfort geven.
• Synthetisch, niet geanonimiseerd. Dit zijn verzonnen mensen, geen geschoonde echte — maar een gefabriceerde naam-plus-postcode kan toevallig nog op een echt persoon lijken. Behandel de dataset niet als een vrijbrief om je oordeel over te slaan, en onthoud dat een model dat erop is gefinetuned nog steeds patronen kan memoriseren en lekken. Synthetische input is risicoreductie, geen AVG-vrijstellingsstempel.
• Het modelleert plausibele identiteiten, niet plausibel gedrag. Een persona vertelt je wie een gebruiker zou kunnen zijn, niet wat die daadwerkelijk zou klikken, typen of breken. Het is uitstekend voor vullen en bevolken; het is geen vervanging voor echte gebruikssignalen of evals die tegen echte taken draaien.

Hoe het past bij hoe ik bouw

Dit past naadloos in de loop die ik overal draai: heldere input erin, geëvalueerde output eruit, een mens bij de gate. Synthetische personas zijn fixtures — ze maken de harness rijker en de experimenten eerlijker, net zoals een goede held-out evalset dat doet. Wat ze niet doen, is de gate verplaatsen. De personas vullen de test; echte evals en een mens beslissen nog steeds of het ding live gaat.

Zo gebruikt — als geloofwaardige, regelgeving-vriendelijke fixtures in plaats van een vervanging voor de werkelijkheid — is Nemotron-Personas een van de stilletjes nuttigere releases voor iedereen die AI bouwt onder EU-beperkingen. Hou alleen één hand op de kanttekening: de mensen zijn fictief, en zodra je beslissingen aannemen dat ze dat niet zijn, begint het gereedschap tegen je te liegen.

Bronnen: Nemotron-Personas-collectie · Nemotron-Personas-USA · NVIDIA-aankondiging.