Che cosa sono le persona sintetiche? Guida completa (2026)

2026-08-13 · 17 min di lettura

In sintesi

• Le persona sintetiche sono rispondenti generati dall'intelligenza artificiale e calibrati su profili demografici e attitudinali estratti da sondaggi reali sulla popolazione: rispondono alle domande di ricerca restando nel personaggio.
• Danno il meglio nel confronto, nello screening e nell'ampiezza di copertura; danno il peggio sui numeri assoluti, sulle categorie inedite e sulle popolazioni specialistiche.
• Il limite qualitativo lo fissano i dati di ancoraggio, non la dimensione del modello: è la calibrazione su distribuzioni reali di popolazione a portare i risultati sintetici verso quelli dei sondaggi reali (Sun et al., 2024).
• Integrano la ricerca reale e non la sostituiscono mai. La letteratura sottoposta a revisione paritaria le colloca nelle fasi iniziali — nei pretest e negli studi pilota — non nello studio che decide (Sarstedt et al., 2024).

Che cos'è una persona sintetica?

Una persona sintetica è un partecipante alla ricerca simulato: un modello linguistico di grandi dimensioni calibrato su un profilo demografico e psicografico, a cui si chiede di rispondere nel personaggio a domande di intervista, item di questionario o stimoli creativi. A differenza della persona tradizionale — un documento statico che descrive un tipo di cliente — è interattiva: le può chiedere qualcosa che il profilo non aveva previsto e ottenere comunque una risposta.

Quell'interattività è centrale, ed è qui che comincia il disaccordo. Una persona sintetica non ha opinioni; dispone di una distribuzione di probabilità, appresa dal testo, su ciò che direbbe plausibilmente qualcuno con quel profilo. Se questo basti ad avvicinarsi a una popolazione reale al punto da orientare una decisione dipende da come la persona è stata costruita e da che cosa le si chiede. Una rassegna del 2024 su Psychology & Marketing, che confronta campioni al silicio e campioni umani, ha rilevato che il grado di accordo varia sensibilmente da un dominio all'altro e ha collocato la promessa nelle fasi iniziali — nel pretest qualitativo e negli studi pilota (Sarstedt et al., 2024). La categoria più ampia è trattata nel nostro approfondimento sugli utenti sintetici.

Il termine è entrato nel vocabolario aziendale più in fretta delle prove. Il Nielsen Norman Group ha confrontato gli utenti sintetici con tre propri studi, trovando risultati superficiali e compiacenti, e ha concluso che possono sostenere la ricerca a tavolino ma non sostituire mai utenti reali (Moran, 2024). Interactions dell'ACM si è spinta oltre con "The Synthetic Persona Fallacy", accusando la categoria di prendere in prestito l'autorevolezza della ricerca abbandonandone gli standard (Papangelis, 2025). Entrambi hanno ragione su come questi strumenti vengono venduti; la posizione utile sta un passaggio più avanti.

Persona sintetiche e persona tradizionali

Le persona tradizionali sono un artefatto di sintesi: un ricercatore conduce dodici interviste, individua tre pattern, li scrive come personaggi con un nome. Le persona sintetiche sono invece un artefatto di campionamento.

Una persona tradizionale del 2022 appesa a una parete nel 2026 non è più veritiera di una sintetica: sbaglia più lentamente e con una sicurezza meno visibile. Nessuna delle due si autoconvalida e nessuna delle due decide la strategia: l'output della segmentazione è descrittivo, non determinante per la strategia (Sharp, Dawes & Victory, 2024), e una rianalisi dei più noti esperimenti di targeting psicologico ha mostrato che quei dati non dimostravano affatto la superiorità del targeting sulla pubblicità ordinaria (Sharp, Danenberg & Bellman, 2018).

Persona sintetiche, rispondenti sintetici e gemelli digitali

Una persona sintetica è un singolo personaggio descritto in modo ricco, pensato per il lavoro qualitativo: interviste lunghe, domande aperte, approfondimenti. Se ne usano poche, perché si cerca profondità. Un rispondente sintetico è un'unità più sottile usata su larga scala: attributi sufficienti a compilare un questionario, non a reggere un'intervista di due ore. Se ne usano centinaia, perché si cercano distribuzioni.

Un gemello digitale è un'affermazione molto più forte: il modello di una specifica persona reale, costruito sui dati di quella persona, per prevedere che cosa farebbe lei. Consideri un campanello d'allarme l'uso disinvolto che ne fanno certi fornitori: l'asticella delle prove è ben più alta. Testare la previsione a livello individuale richiede qualcosa come Twin-2K-500, dove 2.058 partecipanti statunitensi hanno dedicato in media 2,4 ore ciascuno a oltre 500 domande distribuite su quattro rilevazioni, l'ultima delle quali ripeteva compiti precedenti al solo scopo di stabilire una linea di base test–retest (Toubia et al., 2025). Le prime analisi sono promettenti, ma dataset di tale profondità quasi non esistono.

Come si costruisce davvero una persona sintetica

È qui che le persona sintetiche per le ricerche di mercato si guadagnano o si giocano la credibilità: il processo fa la differenza fra uno strumento di ricerca e un completamento automatico in costume.

1. Specifica demografica. Descrive la popolazione: mercato, fascia d'età, reddito, occupazione, composizione del nucleo familiare e i tratti comportamentali che contano. Tutto ciò che segue si calibra su queste informazioni.

2. Ancoraggio a dati di sondaggio reali. Gli atteggiamenti della persona non se li inventa il modello. SynthFolk li campiona dall'European Social Survey e da Eurobarometro — decine di migliaia di risposte reali su fiducia istituzionale, valori, consumo di media, sicurezza finanziaria e atteggiamenti sociali in tutta Europa. Il meccanismo non è esotico: Sun et al. (2024) hanno rilevato che il solo condizionamento su distribuzioni demografiche a livello di gruppo produceva distribuzioni di risposta "notevolmente simili" ai sondaggi d'opinione statunitensi reali — e che la fedeltà dipende dal gruppo e dal tema.

3. Assegnazione della regione culturale. Il Paese è un indicatore mediocre degli atteggiamenti, e comunque migliore del nulla. SynthFolk mappa perciò i mercati su cinque regioni culturali ricavate empiricamente dai dati di sondaggio anziché dalla geografia, così che i pattern nordici, mediterranei, centroeuropei, occidentali e post-transizione partano distinti invece che appiattiti in un'unica media europea. L'appiattimento è la modalità di fallimento contro cui progettare: ridurre le persone a pochi parametri fa perdere tutto ciò che quei parametri non portano con sé — il riduzionismo parametrico (Valenzuela et al., 2024).

4. Individuazione dell'obiettivo e scelta dello strumento. La sua domanda di ricerca viene interpretata per capire quale studio richieda — intervista esplorativa, confronto misurato, valutazione di uno stimolo — e indirizzata al modulo adatto. Porre a un panel di intervista una domanda che richiede una distribuzione produce sciocchezze molto sicure di sé.

5. Generazione delle risposte con soluzione di riserva. Ogni persona viene interrogata in modo indipendente, non calata in una conversazione condivisa: così si preserva il disaccordo che rende l'esercizio informativo. Mettere insieme le voci è una scelta debole anche con persone reali: sui più recenti restyling di packaging di 227 marketer, i focus group risultavano fra i metodi associati a esiti meno riusciti (Caruso et al., 2025). Una soluzione di riserva interviene quando un modello non è disponibile.

L'ancoraggio vincola gli atteggiamenti di partenza; non rende corretto il ragionamento del modello sul suo prodotto. I dati di sondaggio hanno una data di raccolta. L'ancoraggio europeo è europeo: una persona al di fuori di quella copertura è più fragile.

Lo veda all'opera: SynthFolk costruisce un panel a partire dalla descrizione del pubblico in linguaggio naturale — guardi il flusso qualitativo.

A che cosa servono davvero le persona sintetiche

Screening dei concept. Ha quattordici statement di posizionamento e budget per testarne tre. Un panel sintetico aiuta a separare la metà bassa dalla metà alta: faccia girare 3–8 persona, legga quali concept attirano obiezioni argomentate invece di consenso educato, porti i sopravvissuti al test reale — l'uso a monte che Sarstedt et al. (2024) indicano come difendibile.

Confronto fra creatività e messaggi. I giudizi relativi resistono al bias del modello meglio di quelli assoluti: valutatori che confrontano due varianti di annuncio rispondono a "quale è più chiara", dove l'accuratezza direzionale è alla portata. La ricerca su stimoli reali non costa poco — uno studio del 2026 ha sottoposto 48 packaging ridisegnati a 484 consumatori statunitensi e 491 britannici (Caruso et al., 2026). Il nostro modulo di media testing esegue quel confronto su 10–50 valutatori per scegliere quali candidati meritino il budget.

Pretest degli strumenti. Prima di spendere in reclutamento, provi la sua traccia di intervista sui rispondenti sintetici: gli item ambigui producono risposte sintetiche incoerenti esattamente come accade con gli esseri umani. Il collaudo della traccia è uno dei pochi usi che NN/g approva (Moran, 2024).

Prime passate cross-mercato. Uno studio su una dozzina di mercati è proibitivo con panel reali ed economico in versione sintetica. I numeri per singolo mercato non saranno difendibili — è la fedeltà per sottogruppo e per tema a variare (Sun et al., 2024) — ma capirà quali mercati giustificano una rilevazione sul campo.

Dove le persona sintetiche falliscono

Ogni trattazione onesta di questa categoria ha bisogno di questa sezione; la sua assenza dalla pagina di un fornitore le dice qualcosa. La nostra rassegna su quanto siano accurati i rispondenti sintetici copre la letteratura; i fallimenti sono prevedibili.

Sensibilità al prezzo a grana fine. Un panel sintetico può dirle che 49 € suona caro e 19 € suona economico. Non può distinguere 22,90 € da 24,50 €. La ragione è strutturale: un confronto sopravvive a qualsiasi distorsione che preservi l'ordinamento, una soglia assoluta no; e poiché l'accordo fra silicio e umani varia per dominio, non esiste alcun fattore di correzione da applicare (Sarstedt et al., 2024).

Popolazioni rare e specialistiche. I dati di ancoraggio sono più sottili proprio dove serve più accuratezza — e la finzione non avrà l'aria di essere finzione. Fernandez, Berner e Shevlin hanno fornito a un modello commerciale standard nient'altro che brevi descrizioni diagnostiche e hanno generato 2.106 persona sintetiche a partire da 13 profili ispirati al DSM. Le persona hanno superato le soglie cliniche in cinque dei sette strumenti validati di screening psichiatrico, con una gravità che scalava in modo monotono su tutti e sette (tutti P < ,001). Un'approvazione coerente dei sintomi al di sopra delle soglie cliniche, concludono, non può più dimostrare la partecipazione autentica. Un panel sintetico di una popolazione rara è finzione con una buona grammatica — e supererà il suo strumento di misura.

Misurazione della notorietà e del ricordo di marca. I modelli conoscono i brand dai testi di addestramento, non dal riconoscimento parziale che hanno i consumatori reali. La notorietà è comportamentale: in una replica controllata, di fronte a differenziali marcati di notorietà le persone hanno scelto in modo schiacciante il brand più noto nonostante differenze di qualità e di prezzo (Macdonald & Sharp, 2000), e la salienza è la propensione di una marca a venire in mente in una situazione d'acquisto — una proprietà delle strutture di memoria, non del testo (Romaniuk & Sharp, 2004).

Qualunque cosa successiva al cutoff di addestramento. Nuovi concorrenti, una normativa recente, una categoria nata l'anno scorso: il modello interpola con sicurezza e l'output non lo lascerà trasparire.

Tabù culturali e temi sensibili. L'addestramento di allineamento spinge i modelli verso risposte inoffensive e accomodanti. La rassegna di Lin sulla contaminazione da IA quantifica l'effetto di omogeneizzazione — 45% di somiglianza fra sintesi mediate dal modello contro 27% per quelle umane — e osserva che la sanificazione "tronca proprio le code della distribuzione: espressioni di pregiudizio, ambivalenza, posizioni estreme" (Lin, n.d.). Dove i rispondenti reali temporeggiano o si rifiutano, quelli sintetici diventano cooperativi, e le differenze fra sottogruppi collassano su un default maggioritario.

Comportamenti osservati, di qualsiasi tipo. Le persona sintetiche riferiscono ciò che le persone dicono, non l'espediente che qualcuno si è inventato o l'esitazione prima di un clic. Le domande comportamentali richiedono dati comportamentali: stabilire come si concentra la spesa nei grandi magazzini ha richiesto 550 milioni di transazioni in tre anni (Tanusondjaja et al., 2023). Test di usabilità, studi diaristici e indagini contestuali non hanno equivalente sintetico.

Lo diciamo una volta sola: la ricerca sintetica integra la ricerca reale e non la sostituisce mai. Non sono opinioni reali di persone reali, ma un modo rapido di generare ipotesi da validare poi con esseri umani — ed è qui che convergono la rassegna con revisione paritaria (Sarstedt et al., 2024) e la critica più rumorosa fra i professionisti (Moran, 2024). Un team che compra un panel sintetico al posto di una funzione di ricerca ha comprato un modo costoso di confermare le proprie convinzioni.

Come capire se una persona sintetica vale qualcosa

Cinque verifiche, eseguibili in un pomeriggio su qualsiasi strumento, questo compreso — e da rifare quando cambia il modello, dato che formulazione del prompt e versione del modello sono variabili vive nella simulazione con LLM (Ong, 2024).

1. Chieda la fonte di ancoraggio per nome. "Addestrato su dati reali" non è una risposta. Quale sondaggio, quali rilevazioni, quali Paesi, quante risposte. È il condizionamento su distribuzioni reali a fare il lavoro (Sun et al., 2024); senza, le persona sono priori del modello con un'etichetta demografica.
2. Verifichi la divergenza. Ponga a dieci persona la stessa domanda moderatamente controversa. Se concordano, sta leggendo il modello, non una popolazione — il testo mediato dal modello è più omogeneo di quello umano (Lin, n.d.).
3. Faccia una domanda di cui conosce già la risposta. Scelga qualcosa su cui ha dati reali: uno studio passato, un sondaggio clienti, una statistica pubblica. L'accordo direzionale è la soglia di superamento; una corrispondenza esatta dovrebbe insospettirla. Il benchmarking sui propri dati pregressi è una prova legittima (Golder et al., 2023).
4. Controlli i sottogruppi. Segmenti i risultati sulla variabile demografica che dovrebbe contare di più. Se i sottogruppi somigliano al campione totale con un po' di rumore, le persona sono collassate su un unico default — riduzionismo parametrico (Valenzuela et al., 2024) proprio sulla dimensione dove è noto che la fedeltà dei campioni al silicio varia (Sun et al., 2024).
5. Provi a romperlo. Chieda qualcosa che la persona non ha alcun motivo di sapere: le notizie della settimana scorsa, una soglia di prezzo precisa. Un sistema costruito bene prende le distanze. Non scambi la scorrevolezza per rassicurazione: un agente IA autonomo ha superato il 99,8% di 6.000 controlli di attenzione pensati per smascherare umani distratti (Lin, n.d.), quindi la coerenza è una prova sul modello, non sui dati.

Domande frequenti

Le persona sintetiche sono accurate?

La prima domanda è: accurate rispetto a che cosa. Le prove disponibili in rassegna indicano che l'accordo fra campioni al silicio e campioni umani varia sensibilmente da un dominio all'altro, senza una cifra unica da citare (Sarstedt et al., 2024). Le distribuzioni aggregate possono avvicinarsi ai sondaggi reali quando il modello è condizionato sulla demografia della popolazione, benché la fedeltà vari per sottogruppo e per tema (Sun et al., 2024); la previsione a livello individuale resta una frontiera di ricerca (Toubia et al., 2025); e l'output sintetico è meno disperso di quello umano (Lin, n.d.). Prenda l'accordo direzionale come standard. La rassegna completa delle prove è qui.

Le persona sintetiche possono sostituire la ricerca con utenti reali?

No. Cambiano l'economia di domande che comunque non avrebbe finanziato e affinano la ricerca reale eliminando le svolte sbagliate più evidenti. Qualsiasi decisione con esposizione regolatoria, di sicurezza, finanziaria o reputazionale richiede partecipanti reali.

Quante persona sintetiche servono?

Per il lavoro qualitativo, da 3 a 8. Oltre, si ottengono riformulazioni anziché informazioni nuove, perché le persona provengono da un'unica distribuzione e il testo generato dal modello è già di per sé più omogeneo di quello umano (Lin, n.d.). Per il lavoro quantitativo serve un campione, non un panel: 50–250 rispondenti, a seconda di quanti sottogruppi vorrà leggere.

Quanto costano le persona sintetiche?

In SynthFolk uno studio qualitativo con tre persona parte da 6 crediti; ogni modello e ogni dimensione di studio ha un prezzo in crediti pubblicato sulla pagina dei prezzi — nessuna call dimostrativa richiesta. Il confronto che vale la pena fare è con i 10.000–40.000 € e le sei settimane di uno studio qualitativo convenzionale, che dà qualcosa di migliore ma risponde a una sola domanda.

Le persona sintetiche sono conformi al GDPR?

Le persona sintetiche sono generate da distribuzioni di sondaggio aggregate e pubblicate e non contengono dati personali di individui identificabili: viene così a cadere l'attrito di conformità più comune nella ricerca sui consumatori. Gli stimoli che carica e le sue domande di ricerca sono un discorso a parte — veda la nostra pagina sul GDPR.

Costruisca la sua prima persona sintetica. Uno studio qualitativo con tre persona parte da 6 crediti, gira in pochi minuti e funziona in dodici lingue. I nuovi account partono con crediti gratuiti, quindi il test onesto è aprire la dashboard e lanciare uno studio su una domanda di cui conosce già la risposta.

Bibliografia

Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., & Williams, J. (2025). The role of market research in pack redesign performance. International Journal of Market Research, 67(1), 17–32. https://doi.org/10.1177/14707853241296656

Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., Saeed, R., & Williams, J. (2026). The packaging redesign modernisation dilemma: The relationship with familiarity, likeability, and its effect on purchase intent. Journal of Retailing and Consumer Services, 92, 104800.

Fernandez, K., Berner, L. A., & Shevlin, B. R. K. (n.d.). The threat of synthetic respondents extends to clinical mental health screening. Submitted manuscript, University of California, Los Angeles, and Icahn School of Medicine at Mount Sinai.

Golder, P. N., Dekimpe, M. G., An, J. T., van Heerde, H. J., Kim, D. S. U., & Alba, J. W. (2023). Learning from data: An empirics-first approach to relevant knowledge generation. Journal of Marketing, 87(3), 319–336. https://doi.org/10.1177/00222429221129200

Lin, Z. (n.d.). Synthetic respondents and the illusion of human data. Preprint, Department of Psychology, Yonsei University.

Macdonald, E. K., & Sharp, B. M. (2000). Brand awareness effects on consumer decision making for a common, repeat purchase product: A replication. Journal of Business Research, 48(1), 5–15. https://doi.org/10.1016/S0148-2963(98)00070-8

Moran, K. (2024, June 21). Synthetic users: If, when, and how to use AI-generated "research". Nielsen Norman Group. https://www.nngroup.com/articles/synthetic-users/

Ong, D. C. (2024). GPT-ology, computational models, silicon sampling: How should we think about LLMs in cognitive science? arXiv:2406.09464. https://arxiv.org/abs/2406.09464

Papangelis, K. (2025, December 17). The synthetic persona fallacy: How AI-generated research undermines UX research. ACM Interactions. https://interactions.acm.org/blog/view/the-synthetic-persona-fallacy-how-ai-generated-research-undermines-ux-research

Romaniuk, J., & Sharp, B. (2004). Conceptualizing and measuring brand salience. Marketing Theory, 4(4), 327–342. https://doi.org/10.1177/1470593104047643

Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing. https://doi.org/10.1002/mar.21982

Sharp, B., Danenberg, N., & Bellman, S. (2018). Psychological targeting. Proceedings of the National Academy of Sciences, 115(34). https://doi.org/10.1073/pnas.1810436115

Sharp, B., Dawes, J., & Victory, K. (2024). The market-based assets theory of brand competition. Journal of Retailing and Consumer Services, 76, 103566.

Sun, S., Lee, E., Nan, D., Zhao, X., Lee, W., Jansen, B. J., & Kim, J. H. (2024). Random silicon sampling: Simulating human sub-population opinion using a large language model based on group-level demographic information. arXiv:2402.18144. https://arxiv.org/abs/2402.18144

Tanusondjaja, A., Romaniuk, J., Nenycz-Thiel, M., Sakashita, M., & Viswanathan, V. (2023). Examining Pareto law across department store shoppers. International Journal of Market Research. https://doi.org/10.1177/14707853221145851

Toubia, O., Gui, G. Z., Peng, T., Li, A., Merlau, D. J., & Chen, H. (2025). Twin-2K-500: A dataset for building digital twins of over 2,000 people based on their answers to over 500 questions. arXiv:2505.17479. https://arxiv.org/abs/2505.17479

Valenzuela, A., Puntoni, S., Hoffman, D., Castelo, N., De Freitas, J., Dietvorst, B., Hildebrand, C., Huh, Y. E., Meyer, R., Sweeney, M. E., Talaifar, S., Tomaino, G., & Wertenbroch, K. (2024). How artificial intelligence constrains the human experience. Journal of the Association for Consumer Research.