Utenti sintetici: che cosa sono e che cosa possono o non possono fare

2026-08-13 · 17 min di lettura

Gli utenti sintetici sono partecipanti alla ricerca generati dall'intelligenza artificiale: persona basate su un modello linguistico e definite da un profilo demografico e attitudinale. A queste persona si pongono le stesse domande che si porrebbero a un panel reale. Non sono persone e non producono opinioni. Offrono una simulazione rapida, economica e direzionale di come una popolazione descritta potrebbe rispondere: utile per alcune domande di ricerca e attivamente fuorviante per altre. Questa pagina distingue le une dalle altre.

In sintesi

• Gli utenti sintetici sono rispondenti simulati, generati da un modello linguistico di grandi dimensioni e calibrati su una popolazione descritta. Nulla di ciò che dicono ha origine da una persona.
• Danno il meglio sulle domande comparative e direzionali, il peggio sui numeri assoluti, sui comportamenti inediti e sulle popolazioni specialistiche. Le rassegne pubblicate tracciano la stessa linea: l'accordo fra campioni al silicio e campioni umani "varia sensibilmente fra domini diversi", e la promessa sta a monte, nei pretest e negli studi pilota (Sarstedt et al., 2024).
• La qualità dipende soprattutto dai dati di ancoraggio, non dalla dimensione del modello: la sola calibrazione sulle distribuzioni demografiche a livello di gruppo può riprodurre da vicino le distribuzioni dei sondaggi reali, anche se la replicabilità varia per gruppo e per tema (Sun et al., 2024).
• Sono un complemento alla ricerca reale, non un sostituto — e la letteratura di marketing arriva alla stessa conclusione sull'IA in generale: potenzia i manager più di quanto li rimpiazzi (Davenport et al., 2020).

Che cosa sono gli utenti sintetici?

Gli utenti sintetici sono partecipanti alla ricerca artificiali. Nascono quando a un modello linguistico di grandi dimensioni viene chiesto di rispondere nei panni di un membro di una popolazione definita. Ognuno ha un profilo — età, mercato, reddito, valori, atteggiamenti, abitudini mediatiche — e risponde a domande di intervista, item di questionario o stimoli creativi come farebbe plausibilmente qualcuno con quel profilo. La letteratura chiama lo stesso costrutto campione al silicio (Sarstedt et al., 2024). Il risultato sembra un dato di ricerca. È una simulazione.

Questa distinzione è centrale. Un utente sintetico non ricorda di aver comprato nulla: possiede soltanto un modello statistico di come tende a suonare un testo su persone di quel tipo. A volte è un'approssimazione sufficiente per decidere; spesso non lo è. Il termine viene usato in modo elastico in tutta la categoria, quindi conviene prima chiarire il vocabolario.

Utenti sintetici, persona sintetiche e rispondenti sintetici

Spesso trattati come sinonimi, si comprendono meglio come tre stadi di un unico concetto.

Un quarto termine, gemello digitale, indica il modello simulato di una specifica persona reale costruito sui dati di quella persona: una tecnica diversa, con requisiti molto più pesanti. Toubia et al. (2025) hanno intervistato 2.058 persone su 500 domande, 2,42 ore ciascuna, solo per costruire un banco di prova pubblico per i gemelli a livello individuale. Non è il campionamento a livello di popolazione descritto qui.

Per la costruzione dei profili, veda la guida alle persona sintetiche. Questa pagina resta su ciò che accade quando una di esse comincia a rispondere.

Come si generano gli utenti sintetici

Quattro fasi, di cui la seconda determina gran parte della differenza di qualità fra gli strumenti.

1. Definizione della popolazione. Descriva chi vuole ascoltare — mercato, fascia d'età, reddito e i tratti rilevanti per la domanda: il brief che consegnerebbe a un'agenzia di reclutamento.

2. Ancoraggio e campionamento. Il sistema costruisce profili coerenti con quel brief. Lasciare che il modello li inventi produce testo scorrevole, ma con un difetto preciso: delle 14 repliche psicologiche esaminate da Sarstedt et al. (2024), sei mostravano un "effetto risposta corretta", cioè il modello rispondeva in modo estremamente uniforme, quasi senza variazione. L'alternativa è estrarre gli attributi da dati reali di popolazione. Sun et al. (2024) mostrano perché questo è decisivo: un modello calibrato soltanto su distribuzioni demografiche a livello di gruppo ha prodotto distribuzioni di risposta "notevolmente simili agli effettivi sondaggi d'opinione statunitensi". SynthFolk calibra le persona su dati dell'European Social Survey e di Eurobarometro in cinque regioni culturali. Così la fiducia istituzionale o la sensibilità al prezzo di una persona rispecchiano una distribuzione misurata, anziché l'impressione che ne ha il modello.

La regola che ne discende è nostra, non un risultato pubblicato, ma segue dal meccanismo: il disaccordo è il segnale. L'unanimità descrive l'impostazione predefinita del modello, non la dispersione del mercato.

3. Interrogazione indipendente. Ogni utente sintetico viene generato e interrogato separatamente, non fatto recitare insieme agli altri dentro un'unica finestra di contesto. Il testo mediato da un LLM è già più omogeneo di quello umano — 45% di somiglianza nei compiti di sintesi contro 27% delle sintesi umane (Lin) — e un contesto condiviso non fa che amplificare l'attrazione verso la media. Anche con persone reali il formato di gruppo è uno strumento debole: sui più recenti restyling di packaging di 227 marketer, Caruso et al. (2025) hanno trovato i focus group fra i metodi associati a esiti meno riusciti, mentre la ricerca che individua quali elementi di design i consumatori già collegano alla marca era associata a esiti migliori — un'associazione in una categoria, non una legge, ma una pessima difesa dell'idea di simulare la discussione di gruppo.

4. Aggregazione. Per il qualitativo emergono temi e verbatim, per il quantitativo distribuzioni e scomposizioni, per gli stimoli A/B punteggi comparativi.

Una conseguenza della seconda fase, come ragionamento più che come misura: un panel più piccolo ma meglio ancorato dovrebbe battere uno più grande e privo di ancoraggio. Più rispondenti estratti dalla stessa distribuzione collassata aggiungono sicurezza, non informazione.

Il modulo qualitativo di SynthFolk trasforma una descrizione del pubblico in linguaggio naturale in 3–8 persona ancorate ai dati.

A che cosa serve la ricerca con utenti sintetici

La ricerca sintetica si guadagna il suo spazio dove il valore sta nell'ampiezza, nella velocità e nel confronto, non nella scoperta. Sarstedt et al. (2024) collocano la sua promessa nelle "parti a monte del processo di ricerca, come il pretest qualitativo e gli studi pilota", e giudicano ben più criticamente l'uso nello studio principale.

Screening dei concept. Undici statement di posizionamento, budget per testarne due. Un panel sintetico le fornisce un ordinamento su cui discutere — abbastanza per decidere che cosa entra nel test reale, una scelta che oggi la maggior parte dei team risolve a colpi di argomentazioni in sala riunioni.

Confronto di messaggi e creatività. I confronti A/B fra titoli, proposte di valore o creatività pubblicitarie si adattano meglio al metodo: un giudizio relativo è meno esposto al problema di calibrazione di uno assoluto. Ciò che sostituisce non è il test reale, ma la rosa di candidati per quel test — uno studio su stimoli con potenza statistica adeguata assomiglia a Caruso et al. (2026), dove 484 consumatori statunitensi e 491 britannici hanno valutato 48 packaging ridisegnati. Il modulo media di SynthFolk esegue questa passata di screening in modalità A/B.

Collaudo di questionari e interviste. Provi il suo strumento sui rispondenti sintetici prima di spendere in reclutamento. Le domande ambigue rompono le risposte sintetiche come rompono quelle umane, e gli item difettosi li troverà in un pomeriggio.

Prime passate cross-mercato. Una dozzina di mercati è proibitiva con panel reali e banale con quelli sintetici. I numeri per singolo mercato non sono difendibili — Sun et al. (2024) rilevano che la replicabilità varia per gruppo demografico e per tema, attribuendolo ai bias sociali presenti nei modelli — quindi legga il pattern di divergenza come un'ipotesi su dove serva la rilevazione sul campo.

Mappatura delle obiezioni. Chiedere a un panel eterogeneo che cosa lo fermerebbe dall'acquisto produce in fretta un inventario di obiezioni: non quanto sia diffusa ciascuna, solo che nessuna la colga di sorpresa più avanti.

Sono tutti compiti di filtraggio a monte di una decisione reale, non la decisione stessa — il che segna anche il confine con la categoria più ampia delle ricerche di mercato con l'IA, dove analisi assistita dall'IA e interviste moderate dall'IA con persone reali vengono confuse con il lavoro interamente sintetico.

Le ragioni di chi critica gli utenti sintetici

Le pagine più lette su questo tema non le scrivono i fornitori. La critica agli utenti sintetici del Nielsen Norman Group (2024) sostiene che non possono sostituire ciò che si impara studiando persone reali e che spesso restituiscono feedback superficiali o eccessivamente favorevoli. Papangelis (2025), su ACM Interactions, avanza l'argomento affine della "fallacia della persona sintetica": vendere riconoscitori statistici di pattern come cognizione simulata prende in prestito l'autorevolezza della ricerca abbandonandone gli standard. I professionisti della UX quantitativa lo dicono nel modo più netto: le risposte simulate non sono dati, perché non è stato misurato nulla.

Tre parti di quella critica sono corrette, e nessun ancoraggio le risolve.

1. Non c'è misurazione. Una distribuzione sintetica è generata, non osservata; riportarla con le convenzioni degli intervalli di confidenza della ricerca campionaria è un errore di categoria. Né la coerenza può fare da surrogato: Lin documenta agenti IA autonomi che superano il 99,8% di 6.000 controlli di attenzione producendo dati psicometricamente solidi, indistinguibili dal lavoro di un umano scrupoloso.
2. I modelli hanno bias di risposta sistematici. Sun et al. (2024) collegano i fallimenti di replicabilità sui sottogruppi ai bias sociali presenti nei modelli. Lin è più tagliente: la sanificazione "tronca proprio le code della distribuzione — espressioni di pregiudizio, ambivalenza, posizioni estreme". Valenzuela et al. (2024) danno un nome al meccanismo, riduzionismo parametrico: rappresenti una persona con pochi parametri e perde tutto ciò che quei parametri non portano.
3. La sostituzione è un rischio istituzionale concreto. La modalità di fallimento non è uno studio sbagliato, ma un budget di ricerca silenziosamente rimpiazzato da un abbonamento, e un team che ha smesso di parlare con chiunque.

La risposta onesta non è confutare tutto questo, ma progettare tenendone conto. Quanto le persona ben ancorate seguano i rispondenti reali è trattato in quanto siano accurati i rispondenti sintetici.

Quando usare invece utenti reali

Dietro quella tabella stanno cinque limiti invalicabili.

Numeri assoluti. Un panel sintetico che riporta un'intenzione d'acquisto del 63% produce un numero senza alcuna calibrazione con la realtà. Quanto le righe sintetiche possano spostare una stima non è un'ipotesi: nelle simulazioni di Lin sui sondaggi presidenziali statunitensi del 2024, inserire da 10 a 52 rispondenti sintetici in campioni da 1.600 ribaltava quale candidato risultasse in testa. Legga le distribuzioni in chiave comparativa, mai come previsione.

Prodotti autenticamente nuovi. I dati di ancoraggio precedono il modello, e i dati di addestramento non sono ispezionabili — un problema aperto che Ong (2024) segnala per la ricerca che usa gli LLM come sostituti di persone. Dove non esiste alcuna distribuzione attitudinale il modello interpola con sicurezza; più ci si allontana dai comportamenti consolidati, meno l'output significa qualcosa.

Popolazioni sottorappresentate e specialistiche. I dati di ancoraggio sono più sottili esattamente dove l'accuratezza conta di più, e la finzione che ne risulta è convincente — ed è questa la parte pericolosa. Fernandez et al. hanno generato 2.106 persona sintetiche da 13 profili diagnostici ispirati al DSM e le hanno sottoposte a sette strumenti validati di screening psichiatrico; partendo da sole brevi descrizioni, il modello ha prodotto punteggi clinicamente differenziati e sensibili alla gravità. Rispondere in modo coerente superando le soglie non è più un indizio di partecipazione autentica. La plausibilità non è il suo controllo.

Esperienza vissuta e comportamento osservato. Gli utenti sintetici generano ciò che una persona descritta potrebbe dire. Non possono mostrarle l'espediente che qualcuno si è inventato né l'esitazione prima di un clic, e per la stessa ragione restano fuori portata due classi di misurazione. La frequenza comportamentale viene dai registri comportamentali: Tanusondjaja et al. (2023) ricavano le distribuzioni degli acquirenti forti da oltre 550 milioni di transazioni nei grandi magazzini, non da domande. I costrutti basati sulla memoria appartengono alla rete mnemonica di un acquirente in situazione d'acquisto, non al testo su una marca: la salienza di marca è quindi un problema di misurazione, non una domanda da porre a un modello (Romaniuk & Sharp, 2004).

Esposizione regolatoria, di sicurezza o legale. Se una risposta sbagliata produce un richiamo, una sanzione o un danno, usi esseri umani.

Ed ecco la posizione: la ricerca sintetica è un complemento, non un sostituto. Cambia l'economia di domande che comunque non avrebbe finanziato e affina la ricerca reale eliminando prima le svolte sbagliate più evidenti. Un team che smantella la propria funzione di ricerca e compra un panel sintetico ha comprato un modo per confermare i propri pregiudizi.

Utenti sintetici nella pratica

Un primo studio dovrebbe essere piccolo, comparativo e verificabile.

Impostazione. Modulo qualitativo. Pubblico in linguaggio naturale: acquirenti di generi alimentari fra i 30 e i 50 anni in due mercati europei, reddito misto. Tre persona, il panel più piccolo capace di dissentire al proprio interno. Da 6 crediti, pubblicati sulla pagina dei prezzi.

Strumento. Quattro o cinque domande aperte su una decisione che ha già preso, più una sonda di cui non conosce la risposta.

Che cosa torna indietro. Una trascrizione per persona, poi una sintesi: temi ricorrenti, punti in cui le persona si dividono, i verbatim dietro ciascuno. Legga per prima cosa la divisione. Se tutte e tre hanno dato la stessa risposta in tre registri diversi, la sua domanda era orientata oppure la descrizione del pubblico troppo stretta — entrambe correggibili al giro successivo, non dopo sei settimane di rilevazione sul campo.

Il controllo che conta. Prenda una domanda a cui l'anno scorso ha risposto con ricerca reale, la esegua in versione sintetica e verifichi se il panel riproduce il risultato. Due cose ne fanno un test serio. Condurre il proprio confronto sul proprio fenomeno genera conoscenza vera, non un surrogato di secondo rango di una teoria generale dell'accuratezza (Golder et al., 2023). E il metro non è la corrispondenza esatta: nemmeno gli esseri umani rispondono due volte allo stesso modo, ed è per questo che Toubia et al. (2025) hanno inserito una rilevazione ripetuta nel loro studio, per stabilire una linea di base test–retest. Anche il termine di confronto umano non è più pulito: circa il 34% dei rispondenti su Prolific e fino al 73% su MTurk dichiara di usare l'IA sulle domande aperte (Lin).

I team che ne ricavano valore nel tempo convergono su un unico ciclo: divergere in modo sintetico, stressare lo strumento in modo sintetico, validare con gli umani ciò che sopravvive, poi verificare la propria calibrazione rispetto a quanto ha trovato lo studio reale. È il quarto passaggio a separare l'uso serio da una macchina per razionalizzare, e nessuno può farlo al posto suo.

Domande frequenti

Gli utenti sintetici sono persone reali?

No. Sono simulazioni prodotte da modelli linguistici e condizionate su statistiche di popolazione: nessun individuo rappresentato, nessun dato personale trattato, nessuna risposta fornita da un essere umano. Qualsiasi strumento lasci intendere il contrario travisa il metodo.

Gli utenti sintetici sono accurati?

Non esiste una cifra unica di accuratezza, e la letteratura in rassegna spiega chiaramente perché: l'accordo con i campioni umani varia sensibilmente fra domini (Sarstedt et al., 2024) e la replicabilità varia per gruppo e per tema anche dove le distribuzioni aggregate cadono vicine al vero (Sun et al., 2024). I risultati si muovono anche con la formulazione del prompt e con la versione del modello, "iperparametri" ancora irrisolti di questo lavoro (Ong, 2024). Tratti l'output come direzionale e non calibrato; le prove sono passate in rassegna nella nostra guida all'accuratezza.

Quanto costano gli utenti sintetici?

SynthFolk applica prezzi in crediti, pubblicati apertamente: uno studio qualitativo con tre persona parte da 6 crediti; panel più ampi e campioni quantitativi da 50 a 250 rispondenti costano proporzionalmente di più. Il confronto va fatto con uno studio su panel reclutato per la stessa domanda: di norma settimane di lavoro e quattro cifre di spesa.

Gli utenti sintetici sostituiscono i test di usabilità?

No, ed è il confine più netto del metodo. Il test di usabilità misura ciò che le persone fanno sotto osservazione; gli utenti sintetici generano ciò che qualcuno potrebbe dire. Non c'è alcun sostituto per l'osservazione di una persona che non riesce a trovare un pulsante.

Quali lingue e mercati sono supportati?

SynthFolk funziona in 12 lingue di interfaccia, con persona ancorate a cinque regioni culturali europee: è questo a rendere praticabile una prima passata cross-mercato. La copertura segue i dati di sondaggio sottostanti — dove questi sono sottili, consideri altrettanto sottile l'output.

Lo provi di persona. Uno studio con tre persona parte da 6 crediti e i nuovi account cominciano con crediti gratuiti: abbastanza per testare il metodo su una domanda di cui conosce già la risposta. Apra la dashboard: se il panel riproduce ciò che lei già sa, è quello il banco di prova che conta.

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. https://doi.org/10.1016/j.jretconser.2026.104800
• Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24–42. https://doi.org/10.1007/s11747-019-00696-0
• Eurobarometer. Public opinion surveys of the European Commission. https://europa.eu/eurobarometer/
• European Social Survey. https://www.europeansocialsurvey.org/
• Fernandez, K., Berner, L. A., & Shevlin, B. R. K. 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 (undated).
• 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. Synthetic respondents and the illusion of human data. Preprint, Department of Psychology, Yonsei University (undated).
• Nielsen Norman Group. (2024, June 21). Synthetic users: If, when, and how to use AI-generated "research". 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 (blog). 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, 41, 1254–1270. https://doi.org/10.1002/mar.21982
• 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., Merlau, D. J., Li, A., & 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, 9(3). https://doi.org/10.1086/730709