Come Gen IA sta trasformando le ricerche di mercato

Fra tutte le funzioni manageriali, il marketing probabilmente è tra quelle dove l’avvento dell’IA generativa lascerà il segno più duraturo.

Gli studiosi della disciplina e i professionisti del settore, consapevoli delle potenzialità della tecnologia, già da un po’ ormai hanno cominciato a indagare su modi nuovi per applicarla al servizio clienti e alla creazione di contenuti, ma recentemente il mondo delle imprese ha cominciato a prestare attenzione all’impatto che potrebbe avere su altre aree del marketing: la più stimolante in questo senso è quella delle ricerche di mercato, cioè i processi che adottano le aziende per raccogliere dati e ricavare indicazioni sui clienti e sulle aziende concorrenti.

Negli ultimi due anni abbiamo studiato e lavorato direttamente con aziende che stanno esplorando l’uso dell’IA generativa nelle ricerche di mercato e possiamo dire che in questo campo sono in serbo cambiamenti rivoluzionari e di vasta portata. Se applicata nel modo giusto, la tecnologia offre alle imprese opportunità senza precedenti per comprendere i clienti e dialogare con loro, valutare meglio il contesto competitivo e diffondere capillarmente nelle loro organizzazioni il concetto di decisioni fondate sui dati.

Nel nostro studio abbiamo individuato quattro categorie di opportunità distinte: supportare i metodi correnti, rendendoli più veloci, più economici o più facili da applicare su larga scala; sostituire i metodi correnti, sfruttando i dati sintetici (dati sulle preferenze o i comportamenti delle persone che vengono creati dall’IA, invece di essere raccolti attraverso sondaggi o interviste); colmare le lacune esistenti nella comprensione del mercato, estrapolando idee ed evidenze che non è possibile ricavare dai dati convenzionali; e infine (una categoria che sta emergendo solo adesso) creare nuovi tipi di dati e idee.

In questo articolo presenteremo un quadro d’insieme che può aiutare i manager e le aziende a orientarsi in questo terreno nuovo. Spiegheremo come l’IA generativa abbia già cominciato a trasformare il settore delle ricerche di mercato e continuerà a farlo, cosa si può fare per sfruttare al meglio le nuove opportunità e come guardarsi dai limiti della tecnologia e dai problemi etici che circondano i nuovi modi in cui viene applicata.

SUPPORTARE I METODI CORRENTI

Raccogliere indicazioni sulla clientela e sul mercato ha costi relativamente alti e richiede tempi lunghi, due cose che spesso sono motivo di frustrazione per le aziende. Cosa può fare l’IA generativa per affrontare il problema?

Basandoci su quello che abbiamo appreso nell’ambito delle nostre rispettive attività, professionali e accademiche, abbiamo sviluppato un metodo sistematico per individuare casi d’uso. Questo metodo coinvolge l’applicazione di quelle che a nostro parere sono le quattro capacità fondamentali dell’IA generativa – sintesi, codificazione (programmazione informatica), interazione umana e scrittura – a ogni fase di una ricerca di mercato. Per semplicità, abbiamo ridotto il processo a tre fasi soltanto: l’individuazione di opportunità e la progettazione di un programma di ricerca; la raccolta e l’analisi di dati; la pubblicazione e la divulgazione di informazioni e indicazioni. (Si veda il riquadro “Cosa può fare l’IA generativa per potenziare i metodi correnti nel campo delle ricerche di mercato”.) La capacità dell’IA generativa di sintetizzare informazioni, per esempio, può essere sfruttata nella prima fase per riassumere la letteratura scientifica e gli studi precedenti, nella seconda fase per estrarre risultati da interviste e nuovi dati e nella terza fase per formulare conclusioni. E l’IA generativa potrebbe svolgere tutte queste attività molto più rapidamente degli esseri umani.

Che cosa stanno facendo le aziende, concretamente, per supportare i loro metodi correnti? Un’indagine che abbiamo condotto recentemente con la società di Jeremy, la GBK Collective, una società di consulenza in idee e strategie di marketing che ha legami stretti con professori delle migliori business school e aziende del Fortune 500, lo rivela. Abbiamo raccolto le risposte di oltre 170 creatori e utilizzatori di ricerche di mercato e abbiamo scoperto che il 45% di loro sta già usando l’IA generativa nelle attività correnti, per quanto riguarda dati e idee, e un altro 45% progetta di farlo in futuro.

L’inchiesta ha fatto emergere alcune interessanti tendenze di alto profilo. Come ci si poteva attendere, più del 70% degli intervistati ha espresso timori per i possibili effetti collaterali e i problemi che potrebbe creare la nuova tecnologia: per esempio, il rischio di avere informazioni distorte o non accurate, i pericoli per la sicurezza e la riservatezza, il dispendio di tempo e di energie per integrare l’IA generativa ai metodi correnti. Una percentuale analoga di intervistati è preoccupata per il rischio che l’IA generativa crei situazioni di carenze di personale qualificato e arrivi a sostituire i professionisti umani nel campo dei dati e delle idee.

Detto questo, molti dei partecipanti all’inchiesta, così come molti professionisti del marketing con cui abbiamo collaborato, hanno una visione in larghissima parte positiva dell’IA e stanno già adottandola. Il 62% di quelli che stanno impiegando l’IA generativa nel loro lavoro ci hanno detto che la usano per sintetizzare trascrizioni di colloqui molto lunghe e altri documenti, una procedura che prima era laboriosa, il 58% la usa per analizzare dati e il 54% per scrivere rapporti. Complessivamente, i partecipanti alla nostra inchiesta appaiono entusiasti dei tanti potenziali impeghi dell’IA generativa: oltre l’80% è d’accordo sul fatto che può accrescere notevolmente la produttività e l’efficienza delle persone, e che integrarla ai loro processi di lavoro è fondamentale per assicurare che l’azienda rimanga competitiva. La stessa percentuale ci ha detto di ritenere che influenzerà positivamente, in generale, il settore in cui opera, migliorando il lavoro e stimolando una forte innovazione, perché, secondo loro, metterà i dipendenti in grado di eseguire le proprie mansioni più rapidamente, di focalizzarsi su quei compiti in cui possono offrire un maggior valore aggiunto e di avere più tempo per l’interpretazione dei dati e lo storytelling; più in generale, accrescerà la qualità, l’accuratezza e la personalizzazione del loro lavoro.

Nuove società, nel campo delle ricerche di mercato, si stanno già inserendo in questo spazio. Una di esse, la Meaningful, punta a “sovralimentare” le ricerche di mercato usando l’IA per creare inchieste personalizzate, distribuirle a gruppi di partecipanti, condurre interviste qualitative e analizzare i risultati. L’Outset.ai si focalizza sull’utilizzo dell’IA generativa per creare domande sui bisogni e i comportamenti dei consumatori, più che risposte (un’idea promettente). La sua piattaforma di ricerca moderata dall’IA sonda in modo dinamico i partecipanti con nuove domande basate sulle risposte date in precedenza, per avere da loro indicazioni più approfondite, combinando la velocità e l’ampiezza di un creatore automatico di inchieste con la capacità di approfondimento di un’intervista tradizionale. Aaron Cannon, cofondatore e amministratore delegato dell’Outset.ai, ha costruito la sua azienda partendo da una scoperta di singolare rilevanza: quando si dà all’IA generativa semplicemente il compito di conversare con le persone, queste sono molto più disponibili a condividere le loro opinioni, esperienze e sensazioni, e il problema delle allucinazioni dell’IA di fatto scompare.

Il team di ricerca della WeightWatchers (un cliente dell’Outset.ai) ha scoperto anche che i partecipanti, quando sono intervistati da un’IA, spesso sono più disponibili a fornire informazioni che quando intervistati da una persona, perché certi effetti distorsivi pesano meno. Will Readinger, ex responsabile della ricerca sull’esperienza utente alla WeightWatchers, è pieno di entusiasmo per l’IA generativa. I ricercatori, dice, non saranno più costretti a scegliere fra «avere dei dati più ricchi e contestualizzati, che è la cosa che ottieni con le interviste, e avere una maggiore ampiezza di risultati, che è la cosa che ottieni con le inchieste». Ora, hanno una terza opzione, per citare le sue parole: «Entrambe le cose!».

SOSTITUIRE I METODI CORRENTI

Una delle applicazioni più innovative dell’IA generativa nel marketing è la produzione e analisi dei cosiddetti “dati sintetici”, dati generati artificialmente per imitare i comportamenti e le preferenze delle persone reali. Le aziende possono fare questa cosa usando uno qualunque dei programmi di IA generativa disponibili, ma possono anche sviluppare e addestrare i loro modelli specializzati usando dati aggregati raccolti attraverso ricerche tradizionali, syndicated data, sistemi CRM e dati sulle transazioni. I dati sintetici possono poi essere usati per simulare le diverse reazioni dei clienti o delle aziende concorrenti, evidenziando potenziali criticità e i benefici che ricercano i consumatori nelle diverse fasi delle loro interazioni con un prodotto o un servizio. Un buon 81% dei partecipanti alla nostra inchiesta ci ha detto che utilizza già l’IA generativa (o ha in programma di utilizzarla) per creare dati sintetici. Uno ha detto di voler «creare personaggi sintetici che corrispondono al pubblico di riferimento del mio cliente, per farli interagire con i dirigenti del mio team».

Creando con dovizia di dettagli ipotetici profili di clienti e ipotetici scenari, questi modelli aiutano le aziende ad anticipare meglio le esigenze e le preferenze, e a prendere decisioni più efficaci. Ma di certo non possono replicare fino in fondo la profondità e l’imprevedibilità del comportamento umano. I nostri partecipanti erano fortemente consapevoli di questo limite: solo il 31% di loro ha giudicato «molto elevata» l’utilità dei dati prodotti dall’IA generativa, una delle percentuali di soddisfazione più basse nella nostra inchiesta. È importante sottolineare, però, che gli studi hanno dimostrato che l’IA generativa può migliorare la qualità dei dati sintetici se le si forniscono esempi di domanda e risposta nei prompt, se può sfruttare la base di conoscenze ricavata da studi precedenti per recuperare contenuti rilevanti per ciascuna domanda e se i suoi parametri sono calibrati in modo da collimare meglio con i dati esistenti.

Le aziende, sia quelle appena fondate che quelle consolidate, stanno esplorando le potenzialità dei dati sintetici. La startup Evidenza, per esempio, ha condotto più di 60 studi di validità, confrontando i risultati sintetici con le ricerche tradizionali in molti settori diversi. In uno studio, ha collaborato con EY per realizzare un test a doppio cieco, il metodo più comunemente usato nella ricerca scientifica, in cui nessuna delle due parti conosce i risultati dell’altra prima della conclusione dello studio. EY ha fornito a Evidenza il questionario annuale che realizza sui marchi e dettagli sul suo target di pubblico (amministratori delegati di aziende statunitensi con più di 1 miliardo di dollari di ricavi), ma ha tenuto per sé i risultati dell’inchiesta reale, per fare un confronto alla fine. Evidenza ha creato più di mille personaggi sintetici che coincidevano con il profilo del target e ha sottoposto loro il questionario. «I risultati sono stati strabilianti», ci ha detto Toni Clayton-Hine, la direttrice del marketing di EY Americas. «Le conclusioni erano al 95% le stesse, le correlazioni erano solidissime e in molti casi le percentuali erano quasi identiche».

L’IA generativa non produce soltanto dati quantitativi strutturati. Uno studio del 2024 condotto dalla Wisconsin School of Business ha dimostrato che è in grado di produrre anche dati qualitativi approfonditi. In particolare, è in grado di condurre interviste rivelatrici e penetranti dei partecipanti sintetici che lei stessa ha creato (per replicare i clienti desiderati, per esempio). Molti ricercatori e manager hanno già utilizzato con successo l’IA per attività di questo tipo. Un buon esempio di una società che offre questo tipo di servizi è la startup portoghese Synthetic Users.

Naturalmente, qualunque azienda che voglia portare avanti un approccio personalizzato alla creazione di dati sintetici deve necessariamente condividere alcune informazioni riservate con il programma di IA generativa che utilizza, e questo mette a disagio alcune organizzazioni. Per alleviare le loro preoccupazioni, tutti le principali società che forniscono programmi di IA generativa offrono versioni a pagamento per le imprese che non condividono dati riservati o idee del cliente con altre aziende. Alcuni stanno anche aiutando le imprese a creare modelli di IA generativa “piccoli”, interamente sotto il loro controllo: la startup Rockfish Data, per esempio, consente alle aziende di sviluppare e addestrare i loro modelli di IA generativa personalizzati sulla base di dati interni, un approccio che consente di mantenere i dati e i modelli interamente riservati. Questi modelli saranno anche piccoli, ma chi li utilizza a volte non è piccolo per nulla: l’esercito e il dipartimento per la Sicurezza interna degli Stati Uniti sono due dei clienti di Rockfish Data.

Anche in questo caso, ci sono aspetti positivi e negativi da considerare: un modello piccolo di IA generativa nella maggior parte dei casi si limita a trattare dati strutturati o semistrutturati (dati che sono numerici o categoriali) e non beneficia dei training set su larga scala su cui possono contare i modelli pubblici, che possono lavorare anche con dati qualitativi meno strutturati. Per alcune aziende, affinare i modelli grandi usando dati riservati può essere un efficace compromesso.

COLMARE LE LACUNE ESISTENTI

Perfino in quelle organizzazioni che affermano di essere incentrate sui dati, chi lavora nel marketing racconta che la maggior parte delle decisioni viene presa senza un’analisi empirica formale, semplicemente perché mancano il tempo e i soldi per poterla fare. Ma l’IA generativa promette di essere un motore intelligente sempre acceso per fornire indicazioni su clienti e mercati, in grado di offrire agli autori di ricerche di mercato accesso istantaneo a evidenze empiriche quando non ci sono dati a disposizione, o costa troppo procurarseli. L’IA generativa può essere usata per verificare ipotesi precostituite, concetti pilota e strategie di attuazione, e fare da cassa di risonanza per le decisioni dei manager. Le imprese possono anche sviluppare “laboratori” che mettano a disposizione dei dipendenti modelli di IA personalizzati in modo sicuro e pratico, per supportare il processo decisionale in tutta l’organizzazione.

Nella nostra inchiesta, i partecipanti nel 30% dei casi hanno detto che la loro azienda usava l’IA generativa per indirizzare decisioni che prima sarebbero state prese senza fare affidamento su dati e indicazioni esterne. Complessivamente, l’81% dei partecipanti riferiva di usare o avere in programma di usare l’IA generativa per «ascoltare il mercato» e tenere le loro organizzazioni informate sul contesto competitivo. Uno, per esempio, la usava per analizzare le ultime tendenze e le strategie dei rivali, e produrre “informazioni di intelligence” tempestive sulla concorrenza, utili per prendere decisioni; un altro la usava per eseguire analisi predittive, attingendo a dati storici e ipotesi precostituite.

Molte aziende stanno sperimentando l’uso di dati sintetici a supporto di innovazioni di prodotto. Una di esse è la General Mills. «Stiamo cercando di capire se sia possibile usare i dati sintetici per accelerare e migliorare i nostri processi di ideazione di prodotti, accrescendo le probabilità di trovare idee realmente valide sui modi migliori per servire i nostri consumatori», dice Lanette Shaffer Werner, direttrice dell’innovazione, della tecnologia e della qualità.

Anche molte startup si stanno lanciando nel campo dei dati sintetici. La già citata Evidenza fornisce strumenti per creare dati sintetici su clienti B2B, che nel mondo reale sono notoriamente difficili da raggiungere. L’Arena Technologies usa l’IA generativa e dati sintetici su profili e gusti di clienti locali per aiutare i rivenditori al dettaglio a prendere decisioni più intelligenti, per esempio su come ritagliare su misura le offerte a seconda dei punti vendita. Di nuovo Evidenza usa i dati sintetici per aiutare le imprese a prendere decisioni su targetizzazione, posizionamento e messaggio, e la sua piattaforma stima anche l’impatto finanziario di quelle scelte, con proiezioni del ritorno dell’investimento e parametri utili per i direttori finanziari e i manager che si occupano dei ricavi.

CREARE NUOVI TIPI DI DATI E IDEE

Un mantra, nel content marketing e nelle vendite, è che hai solo una chance per lasciare una prima impressione positiva. Ma forse non è più così.

Quelli che si occupano di content marketing e vendite stanno cominciando a usare l’IA per creare “gemelli digitali” (repliche virtuali di singoli clienti costruite usando informazioni pubblicamente disponibili o dati riservati dell’azienda) per testare e affinare i loro materiali e presentazioni prima di sottoporli a persone reali. Questo approccio consente una meticolosa calibrazione degli sforzi di marketing, perché i gemelli digitali, a differenza delle persone reali, non si stancano mai, non si irritano né si annoiano quando devono interagire con un’azienda e rispondere alle sue domande. Più del 40% dei partecipanti al nostro studio ha detto che sta già sperimentando questi gemelli digitali: uno, per esempio, ha riferito che sta usandoli in un contesto di vendite virtuali per «simulare i comportamenti d’acquisto dei clienti, le percentuali di clic e gli schemi di interazione in differenti contesti», tutto nello sforzo di «aiutare a testare sul mercato le strategie e ottimizzare l’esperienza utente». Un altro 42% ha detto di voler fare esperimenti con i gemelli digitali in futuro.

L’uso dei gemelli digitali nel marketing sta esplodendo. L’Arena Technologies ha costruito uno strumento di apprendimento che i rappresentanti vendite B2B possono usare per interagire con gemelli digitali dei clienti. La CivicSync ha sviluppato una tecnologia che consente ai suoi clienti (con il loro consenso) di tracciare le attività di acquisto, di ricerca e altri comportamenti online, per costruire poi gemelli digitali estremamente precisi dei loro utenti target. La società di pubbliche relazioni Ogilvy li ha usati per sperimentare idee creative, per assicurarsi che le sue campagne possano far breccia tra i consumatori. E la GBK Collective sta sperimentando in varie forme l’uso di risultati di inchieste per addestrare o istruire l’IA generativa, facendole creare gemelli digitali che poi avranno il compito di rispondere a domande di follow-up. L’azienda usa diversi sottoinsiemi di dati ricavati da inchieste passate per creare varianti differenti di gemelli digitali, e poi conduce test per vedere se alcuni funzionano meglio o peggio per certi obiettivi di ricerca commerciale. I risultati dei test vengono confrontati con le risposte reali ottenute da inchieste passate, per valutare l’efficacia di ogni approccio.

Molte aziende stanno facendo i loro esperimenti anche usando strumenti liberamente disponibili, come il NotebookLM di Google, che crea un “assistente di ricerca” personalizzato addestrato con informazioni sui concorrenti, dati rilevanti relativi al settore e alla disciplina e profili di clienti target. L’assistente può preparare i manager a confrontarsi con i clienti aiutandoli ad affinare le presentazioni, le offerte e le interazioni, e ad anticipare potenziali obiezioni. Henry Sosa, account manager tecnico capo all’Oleria, una startup di cybersecurity (dove uno di noi, Jeremy, lavora come consulente), ha già creato una moltitudine di questi assistenti di IA generativa per i suoi colleghi dei reparti vendite e marketing.

Anche gli studiosi stanno rivolgendo la loro attenzione a nuove possibilità. Un team di ricercatori della Columbia Business School, per esempio, sta costruendo un gruppo rappresentativo di 2.500 personaggi, ognuno gemello digitale di una persona reale. Le persone di cui sono immagine verranno sottoposte a tutta una serie di test (psicologici, comportamentali, cognitivi, attitudinali) che stabiliranno, collettivamente, una “verità di fondo” che l’IA generativa potrà poi utilizzare per creare i gemelli. L’idea è utilizzare questo gruppo di 2.500 personaggi come soggetti virtuali per nuove ricerche e inchieste. Uno studio condotto da un team di cui fanno parte ricercatori dell’Università di Stanford e di Google DeepMind sembra indicare che questo approccio ha delle potenzialità: dopo aver intervistato un campione di individui per un paio d’ore e aver dato loro una serie di questionari da compilare, il team ha usato le trascrizioni delle interviste per creare gemelli digitali di ciascun partecipante, poi ha chiesto a questi gemelli digitali di rispondere agli stessi questionari; i partecipanti reali sono stati richiamati, due settimane dopo, per compilare di nuovo lo stesso questionario e si è visto che le risposte dei gemelli digitali replicavano quelle iniziali delle persone reali con un’accuratezza pari all’85% della seconda serie di risposte delle stesse persone.

ESSERE CONSAPEVOLI DEI LIMITI

L’IA generativa offre tantissimo alle aziende, ma ha ancora molti limiti, ed è importante esserne consapevoli. Come abbiamo osservato prima, uno dei timori principali evidenziati dalla nostra inchiesta è il rischio di risultati distorti, citato dal 77% dei partecipanti. Le distorsioni sono un aspetto intrinseco di qualunque dataset di addestramento e possono produrre risultati deformati, con rappresentazioni errate di segmenti di clientela o tendenze di mercato. (È bene tuttavia ricordare che anche i metodi usati attualmente per le inchieste possono determinare distorsioni nei risultati, per una serie di ragioni.) Inoltre, considerando che i modelli di IA generativa sono addestrati su dati e idee esistenti, non è ancora chiaro fino a che punto possano prevedere cambiamenti repentini nei comportamenti dei consumatori, o anticipare innovazioni di prodotto discontinue. I modelli di IA generativa, inoltre, notoriamente sono sensibili al modo in cui sono strutturate le istruzioni che ricevono: abbiamo dimostrato, per esempio, che quando rispondono a quesiti a risposta multipla l’ordine e l’etichettatura dei dati influenza quello che dicono in modi a volte imprevedibili. I ricercatori devono essere consapevoli di questo effetto e fare in modo (come già fanno nelle inchieste con persone reali) di randomizzare tutti gli aspetti rilevanti dell’inchiesta, per limitare le potenziali distorsioni.

Qualcuno ha espresso timori anche riguardo alla capacità dell’IA di simulare risposte basandosi su un campione rappresentativo della popolazione. Uno studio del 2023, condotto da ricercatori della Columbia e di Stanford, ha riscontrato che i modelli di OpenAI più recenti esprimono opinioni che sono più tipiche di persone, per esempio, con orientamento politico di sinistra o con un alto livello di istruzione, e meno di persone che hanno superato i 65 anni o sono più religiose. Distorsioni come queste forse non derivano soltanto dai dati di addestramento con cui sono costruiti i modelli, ma anche dal coinvolgimento umano nel loro affinamento, che spiegherebbe perché i modelli più recenti evidenziano distorsioni sempre più accentuate. Stanti questi limiti, forse non è sorprendente che uno studio del 2024 condotto da James Bisbee, dell’Università Vanderbilt, abbia scoperto che quando si sottopone un sondaggio di opinione a un gruppo di partecipanti sintetici le loro risposte assomigliano molto a quelle dei normali esseri umani, ma evidenziano una minore variazione, sono sensibili alla formulazione delle domande e non rimangono stabili in un intervallo di tre mesi.

I dati sintetici, inoltre, possono essere di limitata utilità nella simulazione di esperimenti che assegnano trattamenti diversi ai partecipanti. Abbiamo esplorato l’uso di IA generativa in simulazioni di esperimenti in cui il prezzo del prodotto variava a seconda dei partecipanti (digitali), che dovevano dire se erano intenzionati a comprarlo: quello che abbiamo osservato è che le curve di domanda ricavate dall’IA non solo erano diverse dalle curve che si ottenevano sottoponendo le stesse domande a esseri umani reali, ma erano anche poco plausibili.

La ragione forse è semplice, con il senno di poi: gli esperimenti che coinvolgono persone reali normalmente usano sistemi “ciechi”, in cui ogni partecipante non è a conoscenza delle condizioni degli altri e dello scopo dello studio. È quello che succede quando i consumatori prendono decisioni nel mondo reale, dove normalmente nessuno offre loro di scegliere lo stesso identico prodotto a prezzi diversi. Ma questo sistema, applicato a esperimenti che coinvolgono modelli di IA generativa, produce un fenomeno chiamato confounding, in cui una variabile imprevista associata sia al trattamento (in questo caso il prezzo) che alla variabile dipendente (in questo caso la decisione di comprare) intorbida la relazione fra il primo e la seconda. Nei nostri esperimenti di prezzo abbiamo scoperto che l’IA generativa incontrava difficoltà a trattare il prezzo del prodotto come casuale e tendeva a presumere che altre variabili (prezzi passati, prezzi di altre merci in vendita nel negozio) variassero a loro volta con il prezzo del prodotto, cosa che giustificava la scelta di comprarlo a un prezzo maggiore e quindi dava come risultato che il comportamento delle “persone” cambiava poco con il variare del prezzo.

L’IA generativa, inoltre, non è ancora in grado di predire efficacemente le reazioni emotive dei consumatori a stimoli multisensoriali. Lo ha scoperto la società di aromi e fragranze Takasago quando ha provato a sostituire un gruppo di esseri umani con un gruppo di personaggi generati dall’IA, per una ricerca di mercato. Le fragranze, per esempio, non hanno sui modelli generati dall’IA lo stesso effetto che hanno sulle persone reali. «Il nostro modello è in grado di imparare dai dati passati», ci ha detto Jelena Le Breton, vicepresidente responsabile della conoscenza del cliente e delle ricerche di mercato a livello mondiale per Takasago, «ma è ancora difficile prevedere le variazioni delle preferenze olfattive tra gli esseri umani, che spesso possono essere associate a esperienze ed emozioni individuali».

La comunità del marketing, nelle acque incerte nel futuro della disciplina nell’era dell’IA generativa e dei dati sintetici, deve procedere con un approccio equilibrato e informato, perché solo così sarà possibile imbrigliare la forza di questi strumenti e tecnologie straordinari e garantire che le nostre strategie siano fondate su equità, accuratezza e una reale conoscenza del cliente.

Tenendo a mente questo, vorremmo concludere su una nota ottimistica, citando un’idea sottopostaci da Cannon dell’Outset.ai: se l’IA generativa è in grado di parlare ogni ora con migliaia di persone in tutto il mondo in centinaia di lingue, ed è in grado di tirar fuori all’istante dai dati generati da quelle conversazioni intuizioni uniche e di elevata qualità, allora il risultato sarà che la nostra comprensione reciproca diventerà più profonda e i prodotti, servizi ed esperienze che costruiamo saranno imbevuti di umanità, non il contrario.

Jeremy Korst è socio della GBK Collective, una società di consulenza specializzata in strategia, comportamento del consumatore e analitica. In precedenza, ha ricoperto cariche direttive in Microsoft, T-Mobile, Avalara e altre aziende. Stefano Puntoni è professore di marketing alla Wharton School of Business dell’Università della Pennsylvania e scienziato comportamentale impegnato negli studi delle applicazioni commerciali dell’IA. Olivier Toubia è professore di marketing alla Columbia Business School e uno dei massimi esperti nel campo del marketing quantitativo.