Negli ultimi anni il dibattito su synthetic data, synthetic personas e digital twins ha assunto un ruolo centrale nel mondo delle ricerche di mercato.
Ricercatori, istituti e clienti si trovano oggi davanti a un bivio simile a quello vissuto con l’avvento delle prime indagini online: da un lato entusiasmo e aspettative elevate, dall’altro dubbi, diffidenze e interrogativi sulla qualità dei risultati generati artificialmente.
Nel suo recente webinar ESOMAR, Ray Poynter — insieme a contributi di Jon Puleston e Rupert van Hullen nel Global Research Software 2025 — ha delineato un quadro chiaro e pragmatico su opportunità, limiti e rischi delle nuove tecnologie di generazione dati basate sull’AI.
Che cosa sono i Synthetic Data secondo ESOMAR
Nel giugno 2025 l’ICC/ESOMAR Code ha introdotto una definizione ufficiale di synthetic data: dati generati artificialmente per sostituire ciò che normalmente verrebbe raccolto direttamente dalle persone. Si tratta di dataset che replicano distribuzioni, pattern e relazioni tipiche dei dati reali, non di semplici simulazioni casuali. Secondo ESOMAR, oggi esistono due principali approcci:
- Model-based tabular synthesis
Basata su algoritmi statistici, machine learning, GANs, modelli bayesiani o tecniche di diffusione: crea record sintetici che preservano la struttura del dataset reale. - LLM-generated data
Include: synthetic personas, agenti conversazionali che rispondono come esseri umani; digital twins, versioni digitali dinamiche del comportamento di individui reali.
Questi ultimi, pur molto discussi, sono ancora nella loro fase iniziale e richiedono criteri di valutazione più solidi.
Perché oggi si parla così tanto di dati sintetici?
La crescita dell’offerta è rapida: oltre a player storici come Ipsos, Kantar, Toluna, stanno emergendo fornitori specializzati come Fairgen o LivePanel, che propongono soluzioni basate su AI generativa e modellazione avanzata.
L’atteggiamento delle aziende verso i dati sintetici oggi si riassume in tre categorie:
- chi utilizza già i synthetic data in modo attivo;
- chi li rifiuta per principio, temendo perdita di qualità;
- chi attende prove più solide prima di adottarli.
Come ricordano Poynter e Puleston, questa fase assomiglia al “wild west” delle nuove tecnologie: grandi opportunità, ma anche rischio hype, risultati non sempre replicabili e promesse eccessive.
Le principali tipologie di Synthetic Data
Nel contesto delle ricerche di mercato possiamo distinguere quattro categorie di dati sintetici:
- Boosting / Augmenting / Imputation
Aumento artificiale di parti del campione per riequilibrare quote sottorappresentate o compensare mancanze. - Dati completamente sintetici
Dataset costruiti da zero sulla base di modelli che imitano la popolazione reale. - Dati sintetici anonimizzati
Dati reali trasformati per proteggere la privacy mantenendo proprietà statistiche valide. - Dati sintetici randomizzati
Dati generati con logiche controllate, utili per test tecnici e validazioni.
Ad oggi, l’area più matura è il boosting, grazie alla sua applicazione concreta nella gestione dei campioni difficili.
Il caso più comune: il boosting del campione
Vediamo un esempio tipico di boosting: uno studio richiede 500 interviste per ciascuno dei segmenti: giovani uomini, giovani donne, uomini adulti, donne adulte. Se solo 350 giovani uomini vengono raccolti, come procedere?
Le opzioni sono note: accettare la sotto-rappresentazione, pesare i dati o generare dati sintetici con tecniche statistiche o AI.
Metodi statistici tradizionali
Prima dell’AI generativa, erano già utilizzati approcci come:
- random sampling
- nearest neighbours
- SMOTE (Synthetic Minority Oversampling Technique)
Questi metodi creano nuovi casi “ibridi” basati sui soggetti più simili e funzionano ancora molto bene per dataset numerici e strutturati.
Boosting con AI avanzata
Oggi l’integrazione di machine learning e grandi panel storici permette soluzioni molto più raffinate. Alcuni case study presentati a ESOMAR LATAM mostrano come questi boosting con abbiano performato con errori medi tra l’1% e il 3%.
Come valutare la qualità dei dati sintetici
Quando valutiamo l’utilizzo di dati sintetici, dobbiamo porci due domande fondamentali:
Funziona in generale con il tuo tipo di dati?
Per rispondere, si possono utilizzare studi passati: si rimuove una parte delle interviste raccolte, si genera il boost e si compara il nuovo risultato con il dato reale precedentemente raccolto.
Funziona per questo progetto specifico?
Si può utilizzare un holdout sample: un sotto-campione reale che non viene usato dal modello, utile per confrontare la bontà del boosting con dati sintetici. Queste tecniche sono applicabili al boosting, ma diventano più complesse quando si parla di dataset completamente sintetici, perché manca il riferimento diretto a una popolazione reale.
Limiti e attenzioni nell’uso dei synthetic data
Nonostante le applicazioni promettenti, Poynter invita alla prudenza.
- Effetti temporali
I modelli dipendono dai dati di input. Se i dati sono obsoleti, i risultati saranno distorti.
Rischi principali: stagionalità, trend di lungo periodo, eventi disruptivi (es. pandemia, lancio di un nuovo device, AI). - Impossibilità di stimare il margine d’errore
Con dati completamente sintetici non si può parlare di errore di campionamento. Il bootstrapping misura solo la stabilità del modello, non la sua accuratezza verso la popolazione reale. - Promesse eccessive
Vendor che parlano di “precisione tripla” devono essere considerati con prudenza. La storia recente dimostra che anche modelli apparentemente solidi possono contenere bias (come avvenuto per modelli di ricostruzione facciale distorti). - Cannibalizzazione dei dati
Usare dataset sintetici come base per generare nuovi dataset sintetici causa: model drift, model collapse, perdita di realismo.
Il mondo delle Synthetic Personas
Se i synthetic data rappresentano la parte quantitativa, le synthetic personas sono la componente qualitativa della rivoluzione.
Sono agenti intelligenti che rispondono ai questionari, partecipano a discussioni qualitative, generano insight, permettono di testare messaggi e creatività.
Sempre più spesso sono progettate come digital twins, ovvero gemelli digitali dinamici di consumatori reali.
I digital twins non si limitano a rappresentare un target: replicano processi decisionali, preferenze e atteggiamenti, consentendo simulazioni predittive molto più sofisticate.
Caso Ipsos in Giappone: cosa possono (e non possono) fare i digital twins
Uno studio Ipsos su 150 donne giapponesi ha permesso di costruire digital twins individuali e confrontarne le risposte con quelle reali in uno studio follow-up su tematiche legate al ciclo mestruale.
Risultati chiave:
- I temi principali coincidevano tra reali e twins.
- La profondità emotiva era inferiore nei twins.
- In fase creativa i twins generavano molte idee, ma non sempre rilevanti.
- Nelle valutazioni finali i twins privilegiavano benefici razionali, mentre le persone reali scelgono spesso in base all’emotività.
Conclusione:
I twins replicano bene struttura e direzione, meno la sensibilità umana.
Rischi e criticità dei digital twins (secondo van Hullen)
La potenza dei digital twins porta con sé una serie di rischi che non devono essere sottovalutati, come sottolineato da Rupert van Hullen nel Global Research Software 2025 di ESOMAR. La necessità di gestire grandi quantità di informazioni personali aumenta, ad esempio, il pericolo di data leakage, ovvero la possibilità che dettagli sensibili vengano esposti in modo involontario a causa di vulnerabilità nei sistemi o di errori nella gestione dei dati. A questo si aggiunge il rischio di attacchi avversariali: modelli e infrastrutture possono essere presi di mira da soggetti malintenzionati che tentano di estrarre informazioni riservate o di manipolare i modelli stessi.
Un’altra criticità riguarda la presenza di special categories data, come opinioni politiche, credo religioso o informazioni sulla salute. Si tratta di dati particolarmente delicati, che richiedono un livello di protezione superiore e rigorose procedure di trattamento. Anche le risposte aperte possono rappresentare un punto debole: spesso contengono più informazioni personali del previsto, dando luogo a forme di unintended disclosure difficili da controllare completamente.
Infine, la stessa complessità delle pipeline necessarie per costruire digital twins multiplica i punti di possibile vulnerabilità: ogni nuovo passaggio di elaborazione o archiviazione amplia la superficie di rischio.
Per far fronte a queste sfide, ESOMAR evidenzia l’importanza di un approccio di mitigazione strutturato.
Tecniche avanzate di anonimizzazione, come l’adversarial anonymisation, permettono di ridurre drasticamente la tracciabilità dei dati. L’adozione di architetture che prevedono un rigoroso controllo degli accessi e la segregazione dei dati contribuisce a limitare l’esposizione di informazioni sensibili. Tutto ciò deve essere accompagnato da un’impostazione privacy by design, cioè una progettazione che integra la protezione dei dati fin dalle prime fasi, e da una revisione etica continua, indispensabile per monitorare l’evoluzione dei rischi e garantire un utilizzo responsabile dei digital twins.
Le opportunità dei synthetic data per le ricerche di mercato
Esistono diversi ambiti in cui i synthetic data e le personas stanno già dimostrando la loro utilità come:
- test rapidi di concept, messaggi e creatività,
- ottimizzazione di questionari prima del fieldwork,
- integrazione di campioni difficili o costosi,
- simulazioni predittive e analisi what-if,
- pre-screening qualitativo tramite personas o digital twins.
I synthetic data non sostituiscono l’intera pipeline: sono strumenti complementari che accelerano il lavoro e riducono i costi nelle prime fasi dei progetti.
Una rivoluzione già in corso
Il messaggio centrale è chiaro: i synthetic data sono già qui, funzionano, e cresceranno rapidamente.
Il boosting e la tabular synthesis sono oggi le aree più solide. Le synthetic personas e i digital twins rappresentano invece la frontiera più innovativa — ricca di opportunità ma anche di limiti, soprattutto sul piano emotivo e della sensibilità umana.
L’approccio giusto è sperimentare, testare, validare, evitare promesse di realismo assoluto, non sostituire completamente i dati reali.
Così come è accaduto per i sondaggi online vent’anni fa, anche l’adozione dei synthetic data richiederà tempo, standard e maggiore familiarità. Ma la direzione è già tracciata: non un sostituto, ma un nuovo strumento capace di ampliare le possibilità della ricerca di mercato.
Leggi anche AI e ricerca di mercato: la qualità resta umana.
