Simulazione del pubblico: i LLM possono prevedere il comportamento umano?
Nel marketing, valutare con quanta precisione i LLM prevedono il comportamento umano è fondamentale per valutarne l'efficacia nell'anticipare le esigenze del pubblico e nel riconoscere i rischi di disallineamento, comunicazione inefficace o influenza non intenzionale.
La simulazione del pubblico con i LLM consente di modellare pubblici virtuali, aiutando le organizzazioni ad anticipare le reazioni a contenuti o prodotti senza fare affidamento su costosi sondaggi o gruppi di discussione.
Abbiamo testato quanto bene i modelli di intelligenza artificiale possono prevedere quale dei due post LinkedIn dello stesso autore otterrà un engagement più elevato (like, commenti, condivisioni), simulando essenzialmente il comportamento del pubblico umano.
Risultati del benchmark di simulazione del pubblico
Motivi delle differenze di prestazioni nei LLM
I grandi modelli linguistici mostrano diversi livelli di accuratezza nel prevedere quale dei due post LinkedIn dello stesso autore riceverà un engagement più elevato. Queste differenze emergono da quanto bene ogni modello elabora gli input descritti nel benchmark e da quanto efficacemente identifica i fattori che influenzano le reazioni del pubblico.
Comprendere i segnali di engagement
Il benchmark richiede ai modelli di valutare segnali sottili che predicono l'engagement. I modelli ad alte prestazioni tendono a rilevare questi segnali con maggiore accuratezza. Questi segnali includono se il post:
- Presenta un'idea personale o una lezione
- Pone una domanda diretta
- È relazionabile a un ampio pubblico
- Appare promozionale
- La struttura influisce sull'attenzione del lettore
Modelli come DeepSeek Chat V3 e Claude Opus 4 si comportano bene perché identificano questi segnali con maggiore coerenza.
Utilizzo di informazioni contestuali
La valutazione include diverse parti di dati contestuali per ogni post, e i modelli differiscono su quanto bene li utilizzano. Ogni modello riceve:
- Testo del post
- Tipo di media come testo, immagine, video o link
- Bucket di follower dell'autore
Una previsione accurata richiede che il modello combini questi input. I modelli ad alte prestazioni riconoscono modelli, come un engagement inferiore per i post con link e un engagement più elevato per le narrazioni riflessive. I modelli più deboli spesso trattano gli input in isolamento o ignorano le loro interazioni.
Interpretare il comportamento umano
Prevedere l'engagement richiede un ragionamento sulle preferenze del pubblico. Solo pochi modelli mostrano una forte capacità in quest'area. Molti modelli rimangono vicino alla baseline del 50% perché il comportamento del pubblico è variabile e dipende da fattori psicologici difficili da inferire dal solo testo.
I modelli che si comportano intorno al 52% mostrano una comprensione parziale di questi segnali. Possono identificare modelli generali ma faticano nei casi borderline. I modelli con punteggi molto bassi, come o1, sembrano giudicare male i driver di engagement standard e spesso favoriscono l'opzione meno coinvolgente.
Influenza dei dati di addestramento
Si nota che gli output del modello riflettono i dati su cui sono addestrati. Se i dati di addestramento non rappresentano un'ampia gamma di stili di comunicazione o gruppi demografici, il modello potrebbe interpretare male certi tipi di contenuti. Queste differenze di addestramento contribuiscono direttamente alla dispersione dei risultati nel benchmark.
I modelli addestrati su dataset più ampi o più conversazionali tendono ad approssimare meglio le reazioni degli utenti. I modelli addestrati su dataset più ristretti spesso fanno affidamento su caratteristiche di superficie che non si correlano bene con l'engagement effettivo.
Generalizzazione tra gli autori
Il dataset include post di 50 autori con vari conteggi di follower, preferenze di media e stili di scrittura. I modelli devono generalizzare attraverso queste differenze. I modelli più forti formano aspettative coerenti su ciò che guida l'engagement indipendentemente dall'autore.
I modelli a prestazioni più basse applicano criteri incoerenti tra diversi autori e post.
Vedi la nostra metodologia per capire come calcoliamo queste misurazioni.
Cos'è la simulazione del pubblico?
La simulazione del pubblico è la pratica di utilizzare popolazioni sintetiche guidate da modelli, talvolta chiamate pubblici virtuali, per prevedere come le persone reali potrebbero reagire a contenuti, prodotti o idee di policy prima che vengano rilasciati. Invece di eseguire test dal vivo con costosi sondaggi o gruppi di discussione, le organizzazioni possono creare personaggi che rappresentano il loro pubblico target e osservare le loro risposte simulate.
La tecnica si basa su metodi di modellazione basata su agenti, grandi modelli linguistici e simulazione di personaggi. Ogni agente o personaggio simulato è progettato con attributi come demografia, preferenze o tendenze comportamentali. Insieme, questi personaggi interagiscono, producendo dati sintetici che approssimano il comportamento di un gruppo di clienti reali o cittadini nella stessa situazione.
Come funzionano gli strumenti di simulazione del pubblico?
La meccanica della simulazione del pubblico dipende dagli strumenti utilizzati, ma la maggior parte degli approcci condivide componenti standard:
- Progettazione del personaggio: I ricercatori definiscono i personaggi in base a demografie, psicografie o segmenti di mercato specifici. Questi personaggi possono variare da semplici agenti basati su regole a personaggi AI dettagliati arricchiti con biografie e capacità conversazionali.
- Generazione di dati sintetici: I grandi modelli linguistici aiutano a simulare dialoghi, risposte ai sondaggi o comportamenti di pubblicazione. Ad esempio, Artificial Societies gestisce 100-300 personaggi AI che leggono, reagiscono e ridistribuiscono post LinkedIn per simulare le dinamiche di rete.
- Modellazione delle interazioni: I personaggi non agiscono in isolamento. Interagiscono, si influenzano a vicenda e formano modelli come camere dell'eco, cascate di ripost o cambiamenti nell'opinione pubblica. Ciò consente alle simulazioni di catturare non solo le reazioni individuali ma anche fenomeni a livello di gruppo.
- Test degli scenari: Variando input come l'inquadratura del messaggio, il tipo di media o le domande del sondaggio, le organizzazioni possono osservare come i pubblici simulati rispondono a queste variazioni. Questi scenari aiutano a generare ipotesi e testare idee in una fase di pratica sicura prima di coinvolgere persone reali.
- Analisi dei dati: Gli output sono analizzati utilizzando tecniche come nuvole di parole, analisi del sentiment e punteggio di accuratezza. I risultati possono mostrare i probabili vincitori tra due varianti di post, temi comuni nel feedback o la prospettiva di un personaggio sul perché un'idea risuoni più di un'altra.
Esempio della vita reale: Simulazioni di Agenti Generativi di Stanford
Un team di ricerca dell'Università di Stanford ha sviluppato un'architettura di agente che converte dati qualitativi di interviste in rappresentazioni guidate da LLM di individui reali.
Invece di costruire personaggi solo da etichette demografiche, ogni agente è radicato in un'intervista di due ore con la persona che rappresenta. Testato contro il General Social Survey, gli agenti hanno corrisposto alle risposte dei loro individui sorgente quasi quanto quegli individui corrispondevano alle proprie risposte quando sono stati nuovamente intervistati a due settimane di distanza.
L'architettura ha anche mostrato una riduzione del bias di previsione tra gruppi razziali e ideologici rispetto agli approcci di personaggio solo demografici, suggerendo che può modellare popolazioni diverse in modo più fedele rispetto a metodi più semplici.1
Casi d'uso della simulazione del pubblico
Marketing e pubblicità
I marchi possono testare slogan di campagne, visuali o posizionamento del prodotto con un pubblico virtuale prima di spendere per la distribuzione su larga scala. Invece di fare affidamento esclusivamente sulle risposte tradizionali ai sondaggi, possono generare dati sintetici da personaggi AI e confrontare le prestazioni tra i gruppi.
Ad esempio, i marketer possono determinare se un prodotto risuona di più con la Gen Z rispetto ai professionisti più anziani e adeguare di conseguenza la loro strategia creativa. Questa capacità di validare le campagne nella fase di test porta a risparmi sui costi e a un targeting più preciso.
Esempio della vita reale: Focus Agent
I ricercatori della KU Leuven hanno costruito un sistema multi-agente che replica la struttura di un tradizionale gruppo di discussione interamente nel software, inclusi sia i partecipanti che il ruolo del moderatore.
Il sistema è stato validato eseguendo cinque sessioni reali di gruppi di discussione con 23 partecipanti umani sugli stessi argomenti di discussione, quindi confrontando gli output con quelli generati solo dai partecipanti AI. Le opinioni generate dall'AI si sono allineate strettamente a quelle dei rispondenti umani.
Oltre a sostituire i partecipanti, il moderatore LLM ha offerto anche vantaggi pratici rispetto alla moderazione umana, come un controllo più coerente degli argomenti e una gestione del tempo.2
Media e editoria
Le aziende dei media possono simulare come diversi formati di contenuto (ad esempio post brevi, articoli lunghi, video esplicativi) si esibiranno tra i loro pubblici.
La simulazione dei personaggi consente anche di testare come i titoli influenzano i click-through o come il tono influenza le condivisioni. Anticipando le reazioni, gli editori possono dare priorità alle storie che hanno maggiori probabilità di diffondersi, invece di attendere le metriche post-pubblicazione.
Policy pubbliche e ricerca
I governi e i think tank possono utilizzare la simulazione del pubblico per testare idee di ricerca sulle policy. Le popolazioni sintetiche modellate su specifiche demografie possono illustrare come diverse comunità potrebbero rispondere a una nuova tassa, sanità regolamentazione o iniziativa climatica. I ricercatori hanno applicato simulazioni generative per esplorare questioni come la polarizzazione e la disinformazione.
Questo approccio facilita la generazione di ipotesi e fornisce un ambiente più sicuro per anticipare le conseguenze non intenzionali prima di coinvolgere persone reali.
Sviluppo del prodotto
Le aziende possono simulare come i personaggi che rappresentano specifiche demografie parlano di una nuova funzionalità o dispositivo. Ad esempio, un'azienda tecnologica potrebbe confrontare se i proprietari di piccole imprese, gli studenti o i manager aziendali trovano più valore in un nuovo aggiornamento software.
Le intuizioni dalla simulazione possono informare le decisioni di progettazione e mitigare il rischio di rilasciare funzionalità che non riescono a risuonare con il pubblico previsto.
Formazione e istruzione
Le università e le aziende possono utilizzare le simulazioni per creare ambienti di pratica in cui gli studenti interagiscono con personaggi AI. Un negoziatore in formazione potrebbe esercitarsi con controparti simulate, o uno studente di medicina potrebbe testare strategie di comunicazione con pazienti sintetici.
Questi scenari di formazione offrono una gamma realistica di risposte, consentendo agli studenti di affinare le loro competenze prima di incontrare individui reali.
Agenzie di ricerca di mercato
I tradizionali quesiti dei sondaggi e i gruppi di discussione possono essere costosi e lenti. Le agenzie di ricerca di mercato possono integrarli con la simulazione del pubblico per generare dati sintetici che forniscono rapide indicazioni direzionali.
Sebbene le simulazioni non sostituiscano l'engagement con i clienti reali, possono ridurre la dipendenza da panel costosi e accelerare i test nelle fasi iniziali.
Strumenti di simulazione del pubblico
Se stai cercando uno strumento dedicato per la simulazione del pubblico invece di utilizzare LLM, ecco alcune opzioni:
Artificial Societies
Artificial Societies consente agli utenti di descrivere un pubblico target in linguaggio semplice o di generarne uno in base alle interazioni sui social media. Successivamente costruisce una "società" di personaggi ed esegue simulazioni guidate dall'AI.
Ogni simulazione include test A/B automatici, che generano variazioni di un messaggio nello stile dell'utente e le testano contro il pubblico. I risultati sono presentati con punteggi, commenti e riepiloghi, consentendo un'interpretazione rapida. I casi d'uso spaziano dalle PR, dallo sviluppo del prodotto, dal branding, dal marketing, dal giornalismo e dai social media.
Figura 1: Dashboard di simulazione di Artificial Societies.
Esempio della vita reale: Teneo
Teneo, un'azienda di pubbliche relazioni, si stava preparando a lanciare una nuova strategia tecnologica e aveva bisogno di testare se i suoi messaggi sarebbero risuonati con le parti interessate chiave prima di annunciarlo pubblicamente. Tuttavia, l'azienda ha affrontato diversi vincoli:
- La strategia era confidenziale, limitando i metodi di ricerca tradizionali.
- La tempistica era breve, rendendo difficili i sondaggi su larga scala.
- Pubblici importanti, come i responsabili politici, i leader del settore e le parti interessate specializzate, erano quasi impossibili da raggiungere attraverso i tradizionali panel di ricerca di mercato.
Per affrontare queste sfide, Teneo si è associata ad Artificial Societies. Il processo includeva:
- Creazione di personaggi AI: Sono stati generati oltre 5.000 personaggi AI. Questi personaggi erano basati su profili demografici e psicografici reali, informati dall'ascolto sociale e dalla ricerca qualitativa.
- Costruzione di "società" specializzate: Società AI separate rappresentavano diversi gruppi di parti interessate, tra cui:
- Consumatori
- Colleghi del settore
- Responsabili politici, lobbisti e influencer politici.
- Test delle narrazioni di messaggistica: I ricercatori hanno testato sei narrazioni tecnologiche concorrenti utilizzando sondaggi ed esperimenti all'interno di ogni società AI.
- Analisi delle reazioni: Le risposte sono state analizzate sia a livello aggregato che a livello di personaggio individuale, consentendo al team di confrontare le reazioni tra i segmenti del pubblico.
La simulazione ha prodotto intuizioni su larga scala molto più velocemente dei metodi di ricerca tradizionali. I risultati chiave includevano:
- 189.756 risposte uniche generate dalle simulazioni AI.
- Intuizioni basate su 30 domande di ricerca approfondite su sei narrazioni.
- Identificazione della narrazione più efficace e della messaggistica personalizzata per ogni segmento del pubblico.
- Consegna dei risultati attraverso una piattaforma di analisi interattiva e un rapporto scritto.3
Ask rally
Ask Rally è un simulatore di pubblico virtuale che consente agli utenti di testare domande, contenuti e idee con personaggi AI progettati per assomigliare a pubblici reali.
Gli utenti creano o modificano personaggi, o li clonano da dati esistenti come interviste o sondaggi. Dopo aver definito un pubblico, possono porre domande e ricevere risposte generate dai personaggi, che vanno da 5 a 100. La piattaforma aggrega le risposte, fornisce intuizioni chiave e consente agli agenti di votare le opzioni.
Le funzionalità chiave includono:
- Risposte multi-agente con riepiloghi e intuizioni aggregati.
- La memoria del personaggio alimentata da Mem0 consente ai personaggi di mantenere il contesto e i modelli comportamentali nel tempo, aiutando a simulare reazioni del pubblico più coerenti e realistiche.
- La sofisticazione del pubblico a quattro livelli consente agli utenti di modellare pubblici con diversi livelli di competenza o familiarità con un argomento.
- La simulazione della reazione video consente ai team di testare come i pubblici potrebbero rispondere a contenuti video come annunci, materiali di campagna o presentazioni.
- L'accesso API consente ai team di integrare il simulatore nei flussi di lavoro di ricerca, negli strumenti interni o nelle pipeline di test automatizzati.
- Ambienti di test per siti web, campagne e media.
- Capacità aggiuntive come gemelli digitali, ambienti di simulazione e calibrazione rispetto ai dati del mondo reale.
- Piano gratuito per sperimentazione e test iniziali.
Generative Audiences di Dentsu
Generative Audiences è uno strumento di intelligence di marketing AI che crea pubblici consumatori simulati da dati reali. Aiuta i marchi a migliorare il targeting del pubblico, la pianificazione dei media e le prestazioni delle campagne consentendo ai marketer di interagire con questi personaggi AI e analizzare le loro risposte.4
- Dati deterministici e guidati dall'AI: Combina dati deterministici basati sulle persone con segnali comportamentali guidati dall'AI per modellare accuratamente il comportamento del pubblico.
- Intuizioni interattive sui consumatori: I marketer possono interagire con personaggi simulati per esplorare motivazioni e comportamenti, ad esempio per testare come i pubblici potrebbero rispondere a nuovi messaggi, idee di prodotto o eventi attuali.
- Integrazione di dati da più fonti: Sintetizza più fonti di dati (statiche e in tempo reale) e si integra con i dati esistenti dei clienti.
- Pianificazione e attivazione dei media: Le intuizioni dai pubblici AI possono essere utilizzate per costruire strategie di media mirate e attivare campagne.
- Modellazione del pubblico attenta alla privacy: Poiché utilizza simulazioni statistiche invece di fare molto affidamento su identificatori personali, la soluzione può scalare il targeting del pubblico rimanendo più conforme alla privacy.
Electric Twin
Electric Twin è una piattaforma di pubblico sintetico che crea popolazioni digitali da dati del mondo reale.5
- Modellazione del pubblico sintetico: Crea popolazioni digitali che rappresentano gruppi demografici reali e simulano il comportamento umano.
- Feedback del pubblico in tempo reale: Gli utenti possono porre domande e ricevere risposte immediate da personaggi simulati, invece di eseguire sondaggi.
- Test di scenari e messaggistica: I team possono valutare concetti di prodotto, campagne, strategie di prezzo e proposte di policy prima di lanciarle.
- Sondaggi e gruppi di discussione simulati: Supporta sondaggi rapidi, interviste e discussioni di tipo gruppo di discussione con personaggi AI.
- Pubblici personalizzati e predefiniti: Le organizzazioni possono costruire pubblici utilizzando i propri dati di sondaggio o utilizzare popolazioni demografiche pronte all'uso in più paesi.
- Motore di previsione: Confronta i risultati rispetto ai dati dei sondaggi del mondo reale per stimare le probabili risposte dei consumatori.
- Ambiente di ricerca che preserva la privacy: Le popolazioni sintetiche consentono di testare idee senza esporre dati sensibili o personali.
Simile AI
Costruito da ricercatori di Stanford, Simile mira a simulare grandi gruppi, o intere società, per prevedere come le persone potrebbero reagire a prodotti, policy o decisioni aziendali.6
- Personaggi gemelli digitali: Crea agenti AI che rappresentano individui reali basati su dati comportamentali e interviste.
- Simulazioni su larga scala del comportamento umano: Modella le interazioni tra migliaia di agenti per prevedere le decisioni dei consumatori o gli esiti sociali.
- Previsione degli scenari: Le aziende possono anticipare eventi come cambiamenti nella domanda dei consumatori o domande degli analisti durante le conference call sugli utili.
- Architettura di agente generativo: Gli agenti AI pianificano azioni, formano opinioni e interagiscono tra loro per produrre dinamiche comportamentali realistiche.
Aggiungi come fonte preferitaMetodologia del benchmark
La nostra domanda di ricerca per questo benchmark era "I modelli di AI possono prevedere quale post LinkedIn otterrà più engagement prima della pubblicazione?" Per questo motivo, abbiamo valutato quanto bene i modelli di AI possono prevedere quale dei due post LinkedIn dello stesso autore genererà un engagement totale più elevato (like + commenti + condivisioni) entro 7 giorni dalla pubblicazione.
Abbiamo utilizzato i post di 50 autori per il nostro dataset. Ogni riga contiene una coppia di post dello stesso autore con queste caratteristiche:
- Contenuto del post: Testo grezzo di entrambi i post
- Tipo di media: testo/immagine/video/link per ogni post
- Contesto dell'autore: Bucket di follower (ad es. "1k-5k", "5k-20k")
- Verità fondamentale: Numeri di engagement effettivi ed etichetta del vincitore (A o B)
Dati di esempio:
Post A (Vincitore – 156 engagement): "Dopo tre startup fallite, ecco cosa avrei voluto che qualcuno mi dicesse sul product-market fit: Smetti di costruire funzionalità richieste dai tuoi cinque utenti beta. Inizia a ossessionarti sul problema che il 95% del tuo mercato target affronta realmente. Ho fatto questo errore per 2 anni. Non ripeterlo. Qual è la lezione di prodotto più grande che hai imparato a modo difficile?"
- Media: testo
- Follower: 5k-20k
Post B (84 engagement): "Entusiasta di condividere la nostra nuova dashboard di analisi alimentata dall'AI! Guarda la demo e facci sapere cosa ne pensi."
- Media: link
- Follower: 5k-20k
Analisi: Il post A ha vinto perché fornisce consigli specifici e azionabili da un fallimento personale, pone una domanda coinvolgente e offre contenuti relazionabili. Il post B è una promozione generica con meno potenziale di engagement.
Valutazione
Nella valutazione, ogni modello riceve queste informazioni per entrambi i post:
- Testo del post
- Tipo di media
- Bucket del conteggio dei follower dell'autore
Con queste informazioni, ci si aspetta che i modelli prevedano se il post A o B è il migliore. Possono mostrarci il loro ragionamento, ma non abbiamo valutato il loro ragionamento in questo benchmark.
Dato che i modelli hanno il 50% di probabilità di essere accurati sul migliore (ci sono solo due scelte), stiamo considerando di cercare "miglioramento rispetto al caso (Accuratezza meno 50% che è la baseline di indovinare a caso)" in futuro.
Tuttavia, in questo dataset, non abbiamo osservato indovinare a caso; tutti i modelli hanno spiegato il loro ragionamento, che le loro risposte fossero giuste o sbagliate.
Quali sono le potenziali sfide della simulazione del pubblico?
Nonostante le sue promesse, la simulazione del pubblico deve essere affrontata con cautela.
Validazione rispetto ai clienti reali
Le previsioni dai pubblici virtuali devono essere confrontate con i risultati effettivi. Senza benchmark, i risultati potrebbero creare una falsa fiducia. La validazione è fondamentale per garantire che i personaggi sintetici riflettano accuratamente il comportamento delle persone reali.
Bias nei modelli linguistici
I personaggi AI sono plasmati dai dati che hanno addestrato i modelli linguistici sottostanti. Se quei dati sottorappresentano certi gruppi, i personaggi risultanti potrebbero distorcere come vengono ritratte specifiche demografie. Questo può influenzare come vengono simulate le risposte ai sondaggi o l'opinione pubblica.
Interpretabilità
Sebbene le conversazioni dei personaggi o le nuvole di parole possano mostrare temi comuni, non è sempre chiaro perché emergano output specifici. La complessità delle risposte LLM può rendere difficile spiegare o validare il comportamento del pubblico.
Linee guida etiche
L'uso di dati sintetici per la ricerca sui clienti o la ricerca sulle policy richiede trasparenza. Le organizzazioni devono garantire che non presentino le simulazioni come un sostituto per i clienti reali e dovrebbero rispettare i limiti etici nella definizione dei personaggi.
Generalizzabilità
Le simulazioni dipendono fortemente dall'ambito della progettazione dei personaggi. Un modello addestrato su fondatori tecnologici statunitensi non può prevedere automaticamente le risposte della Gen Z in Asia. L'iper-generalizzazione è un rischio quando si estendono i risultati a popolazioni che non erano rappresentate nella simulazione.
Costo computazionale
Eseguire simulazioni dettagliate con migliaia di personaggi può richiedere risorse significative. Sebbene gli strumenti AI stiano migliorando l'efficienza, gli esperimenti su larga scala richiedono ancora tempo, conoscenze tecniche e infrastruttura.
Cita questa ricerca
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{ermut2026,
author = {Ermut, Sıla},
title = {{Simulazione del pubblico: i LLM possono prevedere il comportamento umano?}},
year = {2026},
month = apr,
howpublished = {\url{https://aimultiple.com/audience-simulation}},
note = {AIMultiple. Consultato il 28 Aprile 2026}
}Collegamenti di riferimento
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.