«Non possiamo anticipare la ricerca con l’IA?». Se lavorate nel marketing, questa frase l’avete già sentita in riunione. O l’avete detta voi.
La ricerca serve, ma pesa. Il reclutamento va per le lunghe, la dimensione del campione sbatte contro il budget, e ogni ritocco al questionario sposta in avanti le date.
Da qui l’idea di chiedere prima all’IA. E molti team lo fanno già: il modello risponde come fosse il consumatore, oppure scrive le domande. Solo che il punto è la precisione, e il posto esatto in cui tutto questo va a incastrarsi.
Perché la risposta cambia tutto a valle. Se l’IA sostituisce la ricerca vera, il processo si monta in un modo. Se accelera solo la fase iniziale, si monta in un altro. Andiamo allora a vedere due studi che decidono quale delle due.
Una persona-IA «piuttosto credibile» è arrivata all’85%
Partiamo dal lavoro di Park e colleghi, tra Stanford e Google DeepMind (studio).
La trovata sta nell’input. Hanno intervistato 1.052 persone per due ore ciascuna e poi costruito un agente IA di ogni singola persona a partire da quella trascrizione. Non un’etichetta demografica, ma storia di vita e valori. La densità di informazione non ha niente a che vedere con la solita «persona in tre righe».
Per validare gli agenti hanno usato la . E il risultato? Gli agenti IA hanno riprodotto le risposte di ciascuna persona circa l’85% delle volte.
Quell’85% non è un tasso di risposte esatte secco. Si misura contro le risposte della stessa persona quando ha rifatto l’indagine due settimane dopo. Nemmeno noi siamo del tutto coerenti con noi stessi; quindi la lettura giusta è questa: l’agente si è avvicinato a quel tetto umano contro umano.
E c’è un dettaglio che conta più del titolo. Gli agenti costruiti dalle interviste mostravano meno distorsione tra i gruppi rispetto a quelli fatti con la sola demografia. La leva, insomma, non è la magia del modello: è la profondità della conoscenza del cliente che ci si mette dentro.
Scrivere le domande è veloce. Ma mandarle così come sono, e sono guai.
Il secondo studio, di Mburu e colleghi, ribalta i ruoli (studio). Qui l’IA non risponde: progetta il questionario. La loro procedura SQRA fa scrivere le domande al modello e poi le verifica contro risposte sintetiche, prima che le veda un umano.
Quello che è emerso è il bello e il brutto insieme. Il modello è rapido a generare domande adatte al contesto. Però infila anche frasi ridondanti e domande a doppia canna (una sola domanda che ne fa due). In altre parole: la bozza è forte, ma il controllo qualità resta dalla parte umana del tavolo.
Per «sfornare in fretta una prima bozza» è davvero utile. Ma mandare quelle domande in produzione senza un giro di revisione è rischioso. Qui conviene tracciare una linea netta.
Due impostazioni opposte, che inciampano nello stesso punto
Uno studio mette l’IA come rispondente; l’altro come autore delle domande. Approcci opposti. Eppure ciò che decideva la precisione si sovrappone quasi parola per parola. In entrambi, il risultato dipendeva da quanto fosse ricco l’input e da quanto teneva l’umano, non da quanto sia sveglio il modello.
L’85% di Park esiste solo grazie all’intervista densa di due ore. Se l’input si assottiglia, la precisione cala e la distorsione tra gruppi torna a salire. Il generatore di domande di Mburu sforna bozze in fretta, ma togliere la ridondanza e la doppia canna è comunque ricaduto su una persona.
Girate l’immagine e avete la lezione vera: ciò che l’IA fa male è quando le si affida una decisione pesante su materiale scarso. Schivare quel punto è tutto il gioco, quando si passa alla pratica.
Conclusione: l’IA per comprimere la fase iniziale, non per sostituire lo studio
Il valore della ricerca sui consumatori con l’IA non sta nel rimpiazzare in blocco lo studio umano, ma nell’accelerare la fase iniziale: ipotesi e questionario. È forte quando la si nutre con materiale denso da interviste, ed è nella media quando l’input è scarso. Se si dimentica questo limite, è facile scambiare una bozza comoda per la base di una decisione.
Quindi la prima mossa è fare l’inventario delle vecchie interviste ai clienti e degli appunti di voce del cliente, e ingrossare ciò che diamo al modello. E poi fissare il confine: l’output dell’IA arriva fino a testare le ipotesi, e le decisioni vere — la ripartizione del budget, cosa si lancia davvero — si prendono sui dati umani. Teniamo fermo questo, e ci si risparmia quasi tutti gli incidenti del tipo «ho preso la velocità e ho perso la qualità».
Se volete proseguire su quanto possa essere poco affidabile la misurazione stessa fatta con l’IA, l’articolo sul tasso di presenza e la visibilità nell’IA tira lo stesso filo, dal lato della misura.
Fonti
- Park, J. S. et al. (Stanford University, Google DeepMind), “Generative Agent Simulations of 1,000 People”, arXiv:2411.10109, 2024, arXiv
- Mburu, T. K. et al., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 114(3), e70012, 2025, DOI: 10.1002/jee.70012
