Intervistare persone che non esistono
Per capire se una campagna funzionerà, quanto un cliente pagherebbe un prodotto o come un gruppo sociale reagirà a una nuova decisione, aziende e istituzioni hanno tradizionalmente utilizzato questionari, focus group e ricerche di mercato. Oggi una nuova categoria di società propone una possibilità diversa: porre le stesse domande a popolazioni generate dall’intelligenza artificiale.
Le synthetic audiences sono gruppi di agenti o “persone digitali” costruiti utilizzando dati demografici, comportamentali, sondaggi e altre informazioni provenienti da esseri umani reali. Invece di intervistare ogni volta migliaia di persone, è possibile sottoporre una nuova campagna, un prezzo o uno scenario alla popolazione simulata e ottenere risposte in pochi minuti.
L’idea è semplice ma ambiziosa: costruire una rappresentazione sufficientemente accurata della società per poter testare una decisione prima di applicarla nel mondo reale.
Da Aaru a una società artificiale
Le aziende che stanno entrando in questo campo utilizzano approcci differenti. Aaru costruisce popolazioni di agenti combinando dati pubblici, informazioni commerciali e dati forniti dai clienti. Una simulazione può comprendere decine di migliaia di agenti differenziati per reddito, abitudini di acquisto, composizione familiare e comportamento. La società sostiene che questi sistemi possano essere utilizzati anche per gruppi tradizionalmente difficili da raggiungere attraverso i normali sondaggi.
Artificial Societies tenta di aggiungere un livello ulteriore. Non simula soltanto individui isolati, ma reti nelle quali le persone artificiali possono influenzarsi tra loro. Ogni “società” comprende centinaia o migliaia di personas collegate attraverso relazioni che cercano di riprodurre la formazione delle opinioni. L’azienda dichiara di avere costruito oltre 2,5 milioni di personas e utilizza queste simulazioni per comunicazione, reputazione, politiche pubbliche e decisioni aziendali.
Dai sondaggi alla simulazione del comportamento
Simile porta l’ambizione ancora più avanti. La società nasce dal lavoro accademico sui generative agents, sistemi capaci di simulare il comportamento di persone reali sulla base di interviste e dati individuali. Il suo obiettivo dichiarato è costruire modelli in grado di simulare decisioni di clienti, lavoratori o intere popolazioni e testare scenari che non si sono ancora verificati.
Fairgen adotta invece un’impostazione più vicina alla ricerca di mercato tradizionale. I suoi sistemi possono utilizzare risposte realmente raccolte e generare respondent sintetici per ampliare campioni piccoli o costruire “digital twins” di persone già intervistate. La stessa società sottolinea che questi strumenti devono integrare, non sostituire completamente, la ricerca con esseri umani.
Non esiste quindi una singola tecnologia chiamata synthetic audience. Esiste un insieme di metodi che va dall’aumento statistico di un campione fino al tentativo molto più radicale di modellare intere società artificiali.
Il problema del passato
Il vantaggio è evidente. Una ricerca che normalmente richiede settimane può essere ripetuta decine di volte in poche ore. È possibile testare versioni diverse dello stesso prodotto, simulare gruppi difficili da raggiungere o esplorare scenari troppo costosi per una ricerca tradizionale.
Ma una popolazione sintetica non nasce dal nulla. Impara necessariamente da dati prodotti da persone reali, dalle loro risposte e dai loro comportamenti passati.
Questo introduce un limite importante: un modello può essere molto bravo a riprodurre il mondo che ha osservato proprio perché ne incorpora le regolarità, comprese distorsioni, stereotipi e disuguaglianze. Se un gruppo è rappresentato male nei dati originali, anche la sua versione sintetica rischia di esserlo. Se le persone cambiano opinione davanti a un evento nuovo, la simulazione potrebbe continuare a ragionare sulla base di un passato che non esiste più.
Anche risultati scientifici recenti mostrano un quadro interessante ma non definitivo. Uno studio pubblicato su Nature nel luglio 2026 ha trovato che i modelli linguistici possono prevedere con buona accuratezza l’esito di numerosi esperimenti di scienze sociali, ma tendono anche a sovrastimare sistematicamente la dimensione degli effetti.
Quando la simulazione inizia a decidere
Le synthetic audiences possono diventare uno strumento straordinario quando vengono utilizzate come laboratorio: permettono di esplorare possibilità, generare ipotesi e capire quali domande vale la pena porre alle persone reali.
Il rischio arriva quando la simulazione viene confusa con la società stessa.
Se un’azienda decide quale prodotto sviluppare interrogando soltanto clienti artificiali, o se una politica pubblica viene valutata soprattutto sulla base della reazione di cittadini simulati, il modello non si limita più a descrivere il mondo. Inizia indirettamente a influenzare le decisioni che lo costruiranno.
È un passaggio sottile. Simulare una società può aiutarci a comprenderla, ma una popolazione artificiale resta una rappresentazione del comportamento umano, non il comportamento umano stesso.
La vera utilità di queste tecnologie dipenderà quindi meno dalla capacità di sostituire le persone e più dalla capacità di sapere quando è ancora necessario tornare a interrogarle.
Lascia un commento