Simulazione del pubblico: gli LLM possono prevedere il comportamento umano?
Nel marketing, valutare con quanta precisione gli LLM prevedono il comportamento umano è fondamentale per valutare la loro efficacia nell'anticipare le esigenze del pubblico e riconoscere i rischi di disallineamento, comunicazione inefficace o influenza non intenzionale.
La simulazione del pubblico con gli LLM consente la modellazione di pubblici virtuali, aiutando le organizzazioni ad anticipare le reazioni a contenuti o prodotti senza dover ricorrere a costosi sondaggi o focus group.
Abbiamo testato quanto bene i modelli di intelligenza artificiale riescano a prevedere quale di due post LinkedIn dello stesso autore otterrà maggiore coinvolgimento (like, commenti, condivisioni), simulando essenzialmente il comportamento del pubblico umano.
Risultati del benchmark di simulazione del pubblico
Ragioni alla base delle differenze di prestazioni negli LLM
I modelli linguistici di grandi dimensioni mostrano diversi livelli di accuratezza nel prevedere quale di due post LinkedIn dello stesso autore riceverà un maggiore coinvolgimento. Queste differenze emergono da quanto bene ciascun modello elabora gli input descritti nel benchmark e da quanto efficacemente identifica i fattori che influenzano le reazioni del pubblico.
Comprendere i segnali di coinvolgimento
Il benchmark richiede ai modelli di valutare indizi sottili che prevedono il coinvolgimento. I modelli con prestazioni più elevate tendono a rilevare questi indizi con maggiore accuratezza. Questi indizi includono se il post:
- Presenta un'intuizione personale o una lezione
- Pone una domanda diretta
- È riconoscibile per un pubblico ampio
- Appare promozionale
- La struttura influisce sull'attenzione del lettore
Modelli come DeepSeek Chat V3 e Claude Opus 4 ottengono buoni risultati perché identificano questi indizi con maggiore coerenza.
Utilizzare le informazioni contestuali
La valutazione include diversi elementi di dati contestuali per ciascun post, e i modelli differiscono in quanto bene li utilizzano. Ciascun modello riceve:
- Testo del post
- Tipo di media, come testo, immagine, video o link
- Fascia di follower dell'autore
Una previsione accurata richiede che il modello combini questi input. I modelli con prestazioni più elevate riconoscono schemi, come un coinvolgimento inferiore per i post con link e un coinvolgimento maggiore per le narrazioni riflessive. I modelli più deboli spesso trattano gli input isolatamente o trascurano le loro interazioni.
Interpretare il comportamento umano
Prevedere il coinvolgimento richiede di ragionare sulle preferenze del pubblico. Alcuni modelli mostrano una forte capacità in quest'area. Molti modelli rimangono vicini alla linea di base del 50% perché il comportamento del pubblico è variabile e dipende da fattori psicologici difficili da dedurre solo dal testo.
I modelli che si attestano intorno al 52% mostrano una comprensione parziale di questi indizi. Riescono a identificare schemi generali ma faticano nei casi limite. I modelli con punteggi bassi, come o1, sembrano valutare male i fattori standard di coinvolgimento e spesso favoriscono l'opzione meno coinvolgente.
Influenza dei dati di addestramento
Si osserva che i risultati dei modelli riflettono i dati su cui sono stati addestrati. Se i dati di addestramento non rappresentano un'ampia gamma di stili comunicativi o gruppi demografici, il modello potrebbe interpretare erroneamente certi tipi di contenuto. 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 si basano su caratteristiche superficiali che non correlano bene con il coinvolgimento reale.
Generalizzazione tra gli autori
Il dataset include post di 50 autori con diversi conteggi di follower, preferenze sui media e stili di scrittura. I modelli devono generalizzare attraverso queste differenze. I modelli più forti formano aspettative coerenti su ciò che genera coinvolgimento, indipendentemente dall'autore.
I modelli con prestazioni inferiori applicano criteri incoerenti tra diversi autori e post.
Consulta la nostra metodologia per capire come calcoliamo queste misurazioni.
Che cos'è la simulazione del pubblico?
La simulazione del pubblico è la pratica di utilizzare popolazioni sintetiche guidate da modelli, a volte chiamate pubblici virtuali, per prevedere come le persone reali potrebbero reagire a contenuti, prodotti o idee politiche prima che vengano rilasciati. Invece di condurre test dal vivo con costosi sondaggi o focus group, 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, modelli linguistici di grandi dimensioni e simulazione di personaggi. Ogni agente o personaggio simulato è progettato con attributi come dati demografici, preferenze o tendenze comportamentali. Together, questi personaggi interagiscono, producendo dati sintetici che approssimano il comportamento di un gruppo di clienti o cittadini reali nella stessa situazione.
Come funzionano gli strumenti di simulazione del pubblico?
I meccanismi della simulazione del pubblico dipendono dagli strumenti utilizzati, ma la maggior parte degli approcci condivide componenti standard:
- Progettazione dei personaggi: I ricercatori definiscono i personaggi in base a specifici dati demografici, psicografici o segmenti di mercato. Questi personaggi possono variare da semplici agenti basati su regole a personaggi IA dettagliati arricchiti con biografie e capacità conversazionali.
- Generazione di dati sintetici: I modelli linguistici di grandi dimensioni aiutano a simulare dialoghi, risposte a sondaggi o comportamenti di pubblicazione. Ad esempio, Artificial Societies gestisce da 100 a 300 personaggi IA che leggono, reagiscono e ricondividono post di LinkedIn per simulare le dinamiche di rete.
- Modellazione delle interazioni: I personaggi non agiscono isolatamente. Interagiscono, si influenzano a vicenda e formano schemi come camere d'eco, cascate di ricondivisioni o cambiamenti nell'opinione pubblica. Ciò consente alle simulazioni di catturare sia le reazioni individuali che i fenomeni a livello di gruppo.
- Test di scenari: Variando input come l'inquadramento 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 a testare idee in una fase di pratica sicura prima di interagire con persone reali.
- Analisi dei dati: I risultati vengono analizzati utilizzando tecniche come nuvole di parole, analisi del sentiment e punteggi 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 reale: Generative Agent Simulations di Stanford
Un team di ricerca della Stanford University ha sviluppato un'architettura di agenti che converte i dati qualitativi delle interviste in rappresentazioni di individui reali basate su LLM.
Invece di costruire personaggi solo da etichette demografiche, ogni agente è fondato su un'intervista di due ore con la persona che rappresenta. Testati contro il General Social Survey, gli agenti hanno eguagliato le risposte dei loro individui di origine quasi quanto quegli stessi individui hanno eguagliato le proprie risposte quando re-intervistati a due settimane di distanza.
L'architettura ha anche mostrato una ridotta distorsione predittiva tra i gruppi razziali e ideologici rispetto agli approcci basati su personaggi demografici specifici, suggerendo che può modellare popolazioni diverse in modo più fedele rispetto ai metodi più semplici.1
Casi d'uso della simulazione del pubblico
Marketing e pubblicità
I marchi possono testare slogan di campagne, elementi visivi o posizionamento di prodotti con un pubblico virtuale prima di investire in una distribuzione su larga scala. Invece di affidarsi esclusivamente alle risposte tradizionali dei sondaggi, possono generare dati sintetici da personaggi IA e confrontare le prestazioni tra i gruppi.
Ad esempio, gli esperti di marketing possono determinare se un prodotto risuona di più con la Gen Z che con i professionisti più anziani e adattare di conseguenza la loro strategia creativa. Questa capacità di convalidare le campagne in fase di test porta a risparmi sui costi e a un targeting più preciso.
Esempio reale: Focus Agent
I ricercatori della KU Leuven hanno costruito un sistema multi-agente che replica la struttura di un focus group tradizionale interamente nel software, includendo sia i partecipanti che il ruolo del moderatore.
Il sistema è stato convalidato conducendo cinque sessioni reali di focus group con 23 partecipanti umani sugli stessi argomenti di discussione, quindi confrontando i risultati con quelli generati dai soli partecipanti IA. Le opinioni generate dall'IA erano strettamente allineate con quelle dei rispondenti umani.
Oltre a sostituire i partecipanti, il moderatore LLM ha anche offerto vantaggi pratici rispetto alla moderazione umana, come una guida più coerente degli argomenti e una migliore gestione del tempo.2
Media ed editoria
Le aziende mediatiche possono simulare come diversi formati di contenuto (ad esempio, post brevi, articoli lunghi, video esplicativi) performeranno 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, i redattori possono dare priorità alle storie che hanno maggiori probabilità di diffondersi, invece di aspettare le metriche post-pubblicazione.
Politiche pubbliche e ricerca
I governi e i think tank possono utilizzare la simulazione del pubblico per testare idee di ricerca politica. Popolazioni sintetiche modellate su dati demografici specifici possono illustrare come diverse comunità potrebbero rispondere a una nuova tassa, a una regolamentazione sanitaria o a un'iniziativa sul clima. 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 conseguenze indesiderate prima di interagire con persone reali.
Sviluppo prodotto
Le aziende possono simulare come i personaggi che rappresentano specifici dati demografici 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 risuonano 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 IA. 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 proprie competenze prima di incontrare individui reali.
Agenzie di ricerche di mercato
Le domande dei sondaggi tradizionali e i focus group possono essere costosi e lenti. Le agenzie di ricerche di mercato possono integrarli con la simulazione del pubblico per generare dati sintetici che forniscono rapide intuizioni direzionali.
Sebbene le simulazioni non sostituiscano il coinvolgimento con clienti reali, possono ridurre la dipendenza da costosi panel e accelerare i test in fase iniziale.
Strumenti di simulazione del pubblico
Se stai cercando uno strumento dedicato per la simulazione del pubblico invece di utilizzare gli LLM, ecco alcune opzioni:
Artificial Societies
Artificial Societies consente agli utenti di descrivere un pubblico target in linguaggio semplice o di generarne uno basato sulle interazioni sui social media. Costruisce quindi una "società" di personaggi ed esegue simulazioni guidate dall'IA.
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 una rapida interpretazione. I casi d'uso spaziano dalle PR, allo sviluppo prodotto, al branding, al marketing, al giornalismo e ai social media.
Figura 1: Dashboard di simulazione di Artificial Societies.
Esempio reale: Teneo
Teneo, un'azienda di PR, si stava preparando a lanciare una nuova strategia tecnologica e aveva bisogno di testare se la sua messaggistica avrebbe risuonato con gli stakeholder chiave prima di annunciarla pubblicamente. Tuttavia, l'azienda ha dovuto affrontare 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 decisori politici, leader del settore e stakeholder specializzati, erano quasi impossibili da raggiungere attraverso i panel convenzionali di ricerche di mercato.
Per affrontare queste sfide, Teneo ha collaborato con Artificial Societies. Il processo ha incluso:
- Creazione di personaggi IA: Sono stati generati oltre 5.000 personaggi IA. Questi personaggi erano basati su profili demografici e psicografici reali, informati dall'ascolto social e dalla ricerca qualitativa.
- Costruzione di "società" specializzate: Società IA separate rappresentavano diversi gruppi di stakeholder, tra cui:
- Consumatori
- Colleghi del settore
- Decisori 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 ciascuna società IA.
- Analisi delle reazioni: Le risposte sono state analizzate sia a livello aggregato che a livello di singolo personaggio, consentendo al team di confrontare le reazioni tra i segmenti di pubblico.
La simulazione ha prodotto intuizioni su larga scala più rapidamente rispetto ai metodi di ricerca tradizionali. I risultati chiave hanno incluso:
- 189.756 risposte uniche generate dalle simulazioni IA.
- Intuizioni basate su 30 domande di ricerca approfondite su sei narrazioni.
- Identificazione della narrazione più efficace e messaggistica su misura per ciascun segmento di 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 IA 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 sulle opzioni.
Le caratteristiche principali includono:
- Risposte multi-agente con riepiloghi aggregati e intuizioni.
- La memoria dei personaggi basata su Mem0 consente ai personaggi di mantenere il contesto e i modelli comportamentali, 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 automatizzate.
- Ambienti di test per siti web, campagne e media.
- Funzionalità aggiuntive come gemelli digitali, ambienti di simulazione e calibrazione rispetto a dati del mondo reale.
- Piano gratuito per la sperimentazione e i test iniziali.
Generative Audiences di Dentsu
Generative Audiences è uno strumento di intelligence di marketing IA che crea pubblici di consumatori simulati a partire da dati reali. Aiuta i marchi a migliorare il targeting del pubblico, la pianificazione dei media e le prestazioni delle campagne consentendo agli esperti di marketing di interagire con questi personaggi IA e analizzare le loro risposte.4
- Dati deterministici e guidati dall'IA: Combina dati deterministici basati sulle persone con segnali comportamentali guidati dall'IA per modellare accuratamente il comportamento del pubblico.
- Intuizioni interattive sui consumatori: Gli esperti di marketing possono interagire con personaggi simulati per esplorare motivazioni e comportamenti, ad esempio, per testare come i pubblici potrebbero rispondere a nuove messaggistiche, 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 IA possono essere utilizzate per costruire strategie media mirate e attivare campagne.
- Modellazione del pubblico attenta alla privacy: Poiché utilizza simulazioni statistiche invece di fare pesantemente affidamento sugli 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 a partire 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 condurre sondaggi.
- Test di scenari e messaggistica: I team possono valutare concetti di prodotto, campagne, strategie di prezzo e proposte politiche prima di lanciarli.
- Sondaggi e focus group simulati: Supporta sondaggi rapidi, interviste e discussioni in stile focus group con personaggi IA.
- Pubblici personalizzati e predefiniti: Le organizzazioni possono costruire pubblici utilizzando i propri dati di sondaggio o utilizzare popolazioni demografiche già pronte in più paesi.
- Motore di previsione: Confronta i risultati con i 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 IA
Costruito da ricercatori di Stanford, Simile mira a simulare grandi gruppi, o persino intere società, per prevedere come le persone potrebbero reagire a prodotti, politiche o decisioni aziendali.6
- Personaggi gemelli digitali: Crea agenti IA che rappresentano individui reali basati su dati comportamentali e interviste.
- Simulazioni del comportamento umano su larga scala: Modella le interazioni tra migliaia di agenti per prevedere decisioni dei consumatori o risultati sociali.
- Previsione di scenari: Le aziende possono anticipare eventi come cambiamenti nella domanda dei consumatori o domande degli analisti durante le chiamate sugli utili.
- Architettura di agenti generativi: Gli agenti IA pianificano azioni, formano opinioni e interagiscono tra loro per produrre dinamiche comportamentali realistiche.
Metodologia del benchmark di simulazione del pubblico
La nostra domanda di ricerca per questo benchmark era "I modelli IA possono prevedere quale post LinkedIn otterrà più coinvolgimento prima che venga pubblicato?" Per questo scopo, abbiamo valutato quanto bene i modelli IA riescano a prevedere quale di due post LinkedIn dello stesso autore genererà un coinvolgimento 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 ciascun post
- Contesto dell'autore: Fascia di follower (ad es., "1k-5k", "5k-20k")
- Verità di riferimento: Numeri effettivi di coinvolgimento ed etichetta del vincitore (A o B)
Dati di esempio:
Post A (Vincitore – 156 coinvolgimenti): "Dopo tre startup fallite, ecco cosa avrei voluto che qualcuno mi dicesse sul product-market fit: Smetti di costruire funzionalità che i tuoi cinque beta utenti hanno richiesto. 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 più grande lezione sul prodotto che hai imparato a tue spese?"
- Media: testo
- Follower: 5k-20k
Post B (84 coinvolgimenti): "Entusiasta di condividere la nostra nuova dashboard di analisi basata sull'IA! Dai un'occhiata alla demo e facci sapere cosa ne pensi."
- Media: link
- Follower: 5k-20k
Analisi: Il Post A ha vinto perché fornisce consigli specifici e attuabili derivanti da un fallimento personale, pone una domanda coinvolgente e offre contenuti in cui riconoscersi. Il Post B è una promozione generica con meno potenziale di coinvolgimento.
Valutazione del benchmark di simulazione del pubblico
Nella valutazione, ciascun modello riceve queste informazioni per entrambi i post:
- Testo del post
- Tipo di media
- Fascia di conteggio dei follower dell'autore
Con queste informazioni, ci si aspetta che i modelli prevedano se il post A o B sia il migliore. Possono mostrarci il loro ragionamento, ma non abbiamo valutato il loro ragionamento in questo benchmark.
Poiché i modelli hanno una probabilità del 50% di essere accurati sul miglior performer (ci sono due scelte), stiamo considerando di esaminare il "miglioramento rispetto al caso (Accuratezza meno 50% che è la linea di base del tiro a caso)" come linea di base in futuro.
Tuttavia, in questo dataset, non abbiamo osservato tiri a caso; tutti i modelli hanno spiegato il loro ragionamento, che le loro risposte fossero giuste o sbagliate.
Aggiungi come fonte preferitaQuali 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 dei pubblici virtuali devono essere confrontate con i risultati effettivi. Senza benchmark, i risultati possono creare falsa fiducia. La validazione è fondamentale per garantire che i personaggi sintetici riflettano accuratamente il comportamento delle persone reali.
Distorsione nei modelli linguistici
I personaggi IA sono plasmati dai dati che hanno addestrato i modelli linguistici sottostanti. Se quei dati sottorappresentano certi gruppi, i personaggi risultanti possono distorcere il modo in cui specifici dati demografici vengono rappresentati. Ciò può influenzare il modo in cui le risposte ai sondaggi o l'opinione pubblica vengono simulate.
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 degli LLM può rendere difficile spiegare o convalidare il comportamento del pubblico.
Linee guida etiche
L'utilizzo di dati sintetici per la ricerca sui clienti o la ricerca politica richiede trasparenza. Le organizzazioni devono garantire di non presentare le simulazioni come un sostituto dei clienti reali e dovrebbero rispettare i confini etici nella definizione dei personaggi.
Generalizzabilità
Le simulazioni dipendono fortemente dall'ambito della progettazione dei personaggi. Un modello addestrato su fondatori tecnologici con sede negli Stati Uniti non può prevedere automaticamente le risposte della Gen Z in Asia. L'eccessiva 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 IA stiano migliorando l'efficienza, gli esperimenti su larga scala richiedono ancora tempo, conoscenze tecniche e infrastrutture.
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 and Alper, Şevval},
title = {{Simulazione del pubblico: gli 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.