«Le ricerche di mercato, non le facciamo fare tutte all’IA?». Nelle riunioni di marketing e di sviluppo prodotto questa frase, ultimamente, salta fuori quasi ogni volta.
Il motivo è comprensibile: un’indagine seria costa tempo e costa soldi, e chi la commissiona lo sa benissimo. «Almeno la prima metà, alleggerirla con l’IA, no?». Capita anche a me di pensarci.
Solo che dentro quella richiesta ci sono due cose diverse, e vengono confuse di continuo.
Una è sostituire l’indagine con l’IA. L’altra è comprimerne le fasi iniziali. Sembrano parenti stretti, ma richiedono una precisione diversa e regole d’uso diverse.
Andiamo allora a mettere in fila i tre approcci che circolano davvero, per capire dove conviene usarli senza farsi male.
Approccio 1: all’IA si fa fare l’intervistato
Il primo è quello che fa più notizia: si costruisce un’IA che risponde come risponderebbe una persona vera. Park e colleghi (Stanford e Google DeepMind) hanno fatto proprio questo (R1). Sono partiti dalle interviste a 1.052 persone, hanno costruito un agente per ciascuna e hanno misurato quanto quell’agente riuscisse a riprodurre le risposte del suo originale.
E il risultato? L’85% di riproduzione. A guardare solo la cifra, c’è di che restare a bocca aperta.
Ma la cifra da sola non dice la cosa più importante: quel numero nasce da un materiale di partenza ricchissimo, cioè un’intervista vera, lunga, su quella specifica persona.
Provate a immaginarvi la scena al contrario. Vi danno tre righe di profilo — età, professione, area di residenza — e vi chiedono di fare il migliore amico di qualcuno. Ecco, con un profilo così scarno, la stessa precisione non ce la si può aspettare.
Quindi il posto giusto per l’agente-intervistato non è la decisione finale. È il gradino prima: scremare gli assi di comunicazione, mettere alla prova le ipotesi quando ancora sono tante e confuse.
Approccio 2: all’IA si fanno scrivere le domande
Secondo approccio, molto meno appariscente ma molto più usato: le domande del questionario.
Mburu e colleghi hanno presentato un quadro metodologico chiamato SQRA, che serve a validare le domande generate dall’IA prima che partano (R2). La velocità con cui l’IA adatta le domande al contesto è, per chi lavora, una comodità niente male.
Però lo stesso studio segnala il rovescio della medaglia. Le bozze uscivano prolisse, e ci si infilava con facilità la classica domanda doppia (in gergo, «double-barreled»), quella che schiaccia due questioni dentro una sola voce («il prodotto è comodo ed economico?» — e se fosse comodo ma carissimo?).
Ecco quindi la riga da tenere a mente: la generazione di domande con l’IA è un’arma per tagliare le ore, mica un sostituto del controllo qualità.
Funziona a una condizione sola, ed è che qualcuno in carne e ossa la rilegga prima dell’invio. Senza quella condizione, non è un metodo: è un azzardo.
Approccio 3: i prompt veri diventano l’oggetto della ricerca
Terzo approccio, ed è quello di cui si parla di meno: invece di far parlare l’IA, si va a guardare cosa le chiedono le persone.
Otterly AI ha analizzato i prompt reali di ChatGPT e li ha messi accanto a quelli che si immagina vengano scritti (R3). I reali erano più lunghi, molto più personali e decisamente orientati al problema.
Il valore, qui, è tutto in una frase: si riesce a trasformare in dato il modo in cui le persone si consultano davvero, senza passare dal filtro di chi immagina al posto loro.
C’è però una cautela, e non è di forma. Se la del materiale raccolto è debole, anche le indicazioni che se ne tirano fuori nascono storte, nella stessa identica misura.
Il che vuol dire una cosa sola nel lavoro di tutti i giorni: questi dati non sono «la verità», sono un segnale in più da appoggiare accanto alle indagini che già avete.
Conclusione: non tre candidati alla sostituzione, ma tre attrezzi per tre fasi
E allora, cosa ci portiamo a casa da questi tre approcci?
Che nessuno dei tre è in corsa per rimpiazzare l’indagine sulle persone. Agente-intervistato, generazione delle domande e dati sui comportamenti digitali servono in punti diversi dello stesso processo: allargare le ipotesi, buttare giù la prima stesura del questionario, aggiungere un segnale sul comportamento. Ognuno è bravo in un posto solo, e non è lo stesso posto.
Ecco perché la prima decisione da prendere non è «quale metodo adottiamo», ma «in quale fase lo mettiamo». La scrematura delle ipotesi all’agente-intervistato, la prima bozza delle domande alla generazione automatica, la decisione vera di nuovo alle persone.
E alla fine, un controllo comune, uguale per tutti e tre: qualcuno che verifichi la ricchezza del materiale di partenza, la qualità delle domande e la rappresentatività dei dati. Non è un passaggio appariscente, lo so. Ma è l’unico modo per tenere insieme la velocità e il non farsi male.
Fonti
- [R1] Park et al. (Stanford / Google DeepMind), “Generative Agent Simulations of 1,000 People”, arXiv:2411.10109, 2024, link
- [R2] Mburu et al., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 2025, link
- [R3] Thomas Peham (Otterly AI), “Real vs Estimated Prompts: I Analyzed 100s of Real ChatGPT Queries”, 2026-02-03, link
