Come un'IA riproduce l'intenzione d'acquisto senza mai chiederle un voto

Quando si immagina di «usare un'IA per fare una ricerca di mercato», si pensa spesso a una ricetta semplice: descrivere un prodotto e poi chiedere al modello di dare un voto da 1 a 5 alla sua intenzione d'acquisto. È intuitivo, ma è anche il metodo sbagliato. È esattamente ciò che la ricerca dimostra.

La trappola del voto diretto

Chiedere un numero a un grande modello linguistico (LLM) produce distribuzioni degenerate: rispondono tutti «4». La varianza crolla, le risposte diventano ipersensibili al modo in cui è formulata la domanda e la correlazione con i consumatori reali è debole. Il modello «recita» certi voti perché ottimizza una risposta plausibile, non un'opinione.

In altre parole: un numero chiesto direttamente non contiene quasi nessuna informazione utilizzabile.

L'idea centrale: disaccoppiare l'opinione dalla sua misurazione

Il paper «LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings» (arXiv 2510.08338) propone un'indirezione elegante. Invece di chiedere un punteggio, si procede in due tempi:

1. La persona si esprime liberamente. Facciamo impersonare al modello un rispondente, con un'età, una professione, una regione e degli atteggiamenti, e gli chiediamo di reagire al concept in linguaggio naturale, come un vero panelista.
2. Misuriamo quel testo dall'esterno. Confrontiamo la risposta con un set di frasi di ancoraggio, una per ogni livello della scala, tramite la similarità semantica (embedding + coseno). Il livello più vicino, o una media ponderata, dà il voto.

Questa separazione cambia tutto. La varianza ritorna, le distribuzioni assomigliano a quelle umane e la correlazione con i dati reali sale.

Perché funziona

Un verbatim contiene mille sfumature che un numero schiaccia: «avrei preferito una versione meno dolce» non è un «no», è un «sì, ma». La similarità semantica coglie questa sfumatura e la proietta sulla scala, invece di costringere il modello a decidere in modo artificiale.

È anche ciò che rende il metodo difendibile: non è «un chatbot che tira a indovinare», è un protocollo di misurazione riproducibile, con ancore versionate e validate per lingua.

Cosa ne fa Panelia

In Panelia, questa pipeline gira su centinaia di rispondenti sintetici per ogni studio. Aggreghiamo i voti in una distribuzione di intenzione, calcoliamo un Top-2-Box e degli intervalli di confidenza tramite bootstrap, e calibriamo il tutto su dati umani di riferimento.

Il risultato non è un oracolo. È uno strumento di supporto alle decisioni, con la sua incertezza dichiarata: esattamente ciò che serve per selezionare i concept prima di impegnare un vero budget di field.

Vuoi vedere il metodo completo, ancore comprese? Vai alla pagina La Scienza.