Ricerca di mercato con l'IA: cosa può e cosa non può fare ChatGPT per il vostro studio

Quante imprese europee usano già l'IA?

L'adozione ha subito una forte accelerazione. Secondo Eurostat, nel 2025 il 19,9% delle imprese dell'UE con almeno dieci addetti utilizzava almeno una tecnologia di IA, contro l'8,1% del 2023. In due anni la quota è più che raddoppiata.

Le medie nascondono un'ampia dispersione tra gli Stati membri. I Paesi Bassi sono ben al di sopra della media UE, la Bulgaria ben al di sotto, e la distanza tra i due continua a crescere.

Nel 2021 il divario tra imprese olandesi e bulgare era di 9,8 punti percentuali; nel 2025 aveva raggiunto 24,6 punti. Valgono due cautele. L'indicatore conta qualsiasi tecnologia di IA, dall'analisi del testo al machine learning, quindi non mostra quante imprese usino l'IA specificamente per il marketing o la ricerca. Inoltre riguarda le imprese con almeno dieci addetti, quindi non dice nulla sulle ditte individuali. Altri indicatori della digitalizzazione delle imprese, tra cui l'uso dei social media e la pubblicità online a pagamento, si trovano nella nostra sezione dati sulle imprese.

Per chi acquista ricerca, la conseguenza pratica è che gli strumenti di IA sono ormai di uso corrente in molti team, sia dei clienti sia dei fornitori. La domanda non è più se usarli, ma dove aiutano e dove traggono in inganno.

Che cosa fa bene un modello linguistico in un progetto di ricerca?

I modelli linguistici danno il meglio su materiale già disponibile, con un'istruzione abbastanza precisa da consentire di verificare il risultato. Ecco come si distribuiscono sulle fasi di un progetto tipico:

Nella fase di analisi il risparmio di tempo è reale. Raggruppare per temi duemila commenti aperti richiedeva giorni di codifica manuale; un modello produce una prima versione in pochi minuti, e il lavoro del ricercatore si sposta sulla correzione del piano di codifica anziché sulla sua costruzione da zero.

Dove fallisce ChatGPT come strumento di ricerca?

I fallimenti sono prevedibili, se si ricorda che cos'è un modello linguistico: un sistema addestrato su testi passati che genera la continuazione più probabile del prompt.

1. Risponde a domande di cui non può sapere la risposta. Se si chiede quale quota di proprietari italiani di animali domestici pagherebbe un abbonamento a cibo premium, si ottiene una percentuale formulata con sicurezza. Dietro non c'è alcun campione, quindi non esiste un margine di errore né un modo per giudicare quanto possa essere sbagliata.
2. Le sue conoscenze hanno una data limite. Un aumento di prezzo nell'ultimo trimestre, un nuovo concorrente o una modifica normativa mancheranno, a meno di fornirli esplicitamente.
3. Inventa le fonti. I modelli a volte citano report inesistenti, o attribuiscono tabelle verosimili a istituzioni reali.
4. Parla per chi scrive online. I dati di addestramento sovrarappresentano gli utenti assidui di internet. Eurostat riporta che nel 2025 l'89,5% delle persone nell'UE usava internet ogni giorno, contro l'82,7% in Bulgaria e il 98,4% nei Paesi Bassi. Chi resta fuori da quel gruppo quotidiano è sottorappresentato nei testi da cui i modelli imparano, ed è anche il più difficile da raggiungere con i panel online.

Il quarto problema pesa soprattutto negli studi su più Paesi. L'idea che un modello ha del consumatore medio probabilmente si adatta meglio ad Amsterdam che a una piccola città della Bulgaria nord-occidentale.

Rispondenti sintetici: un banco di prova, non un campione

I rispondenti sintetici sono personaggi generati dall'IA che rispondono a un questionario come se fossero clienti. Il risultato ha l'aspetto di dati da sondaggio, con percentuali, segmenti e citazioni, ed è proprio questo a renderlo rischioso.

Sono utili in un ruolo circoscritto:

• verificare se le domande vengono comprese come previsto, prima di un test pilota;
• stimare la durata del questionario e individuare dove i filtri si interrompono;
• generare ipotesi e opzioni di risposta per una successiva indagine su persone reali.

Sostituiscono male i rispondenti reali perché non hanno una lista di campionamento, quindi non si può calcolare alcun margine di errore (la nostra guida alla dimensione del campione spiega che cosa significhi in pratica). Le loro risposte variano meno di quelle umane, riproducono gli stereotipi presenti nei dati di addestramento e non possono conoscere eventi successivi alla data limite del modello.

Se un fornitore propone dati sintetici per una decisione reale, conviene chiedere uno studio di validazione: lo stesso questionario somministrato a un campione reale, con criteri di concordanza fissati in anticipo. Si confrontano la distribuzione delle risposte, l'ordine delle opzioni e soprattutto le differenze tra sottogruppi, che è dove i dati sintetici più spesso si discostano.

Come validare l'output dell'IA prima che arrivi in un report

Ogni output dell'IA va trattato come la bozza di un collaboratore junior capace ma poco affidabile. Cinque controlli intercettano la maggior parte dei problemi:

• Doppia codifica di un sottoinsieme casuale. Un ricercatore codifica un campione di risposte aperte, per esempio una su dieci, senza vedere i codici della macchina, poi confronta i due risultati.
• Risalire all'origine di ogni numero. Ogni statistica deve ricondurre a una tavola, un anno e un URL precisi. I dati sull'adozione dell'IA riportati sopra, per esempio, provengono dalla tavola Eurostat isoc_eb_ai.
• Confrontare le citazioni con le trascrizioni. Per ogni citazione va richiesta la riga o il minutaggio, e va aperta la fonte.
• Rieseguire il prompt. Se una seconda esecuzione sullo stesso materiale produce temi diversi, i temi non sono solidi.
• Documentare la configurazione. Vanno registrati modello, versione, data e prompt, così che l'analisi si possa ripetere.

Governance: protezione dei dati, AI Act e codici di ricerca

Trascrizioni delle interviste, registrazioni e file delle indagini contengono spesso dati personali: nomi, voci, datori di lavoro, a volte informazioni sanitarie o finanziarie. Caricarli in un chatbot pubblico equivale a trasferirli a un terzo, il che ai sensi del GDPR (e, nel Regno Unito, dello UK GDPR) richiede una base giuridica, un'informativa ai partecipanti e un accordo sul trattamento con il fornitore.

Una policy praticabile copre quattro punti:

• eliminare nomi, recapiti e altri elementi identificativi prima che il testo entri in uno strumento di IA;
• usare versioni business con un accordo sul trattamento dei dati e con l'addestramento sui propri dati disattivato;
• informare i partecipanti, nel testo del consenso, che le loro risposte potrebbero essere elaborate con l'IA;
• conservare separatamente i dati grezzi, così che l'analisi si possa ripetere senza IA.

Il regolamento europeo sull'intelligenza artificiale (AI Act), i cui obblighi si applicano per fasi, prevede doveri di trasparenza quando le persone interagiscono con un sistema di IA. Chi conduce interviste moderate dall'IA deve informare i partecipanti che l'intervistatore non è una persona. Anche il Codice internazionale ICC/ESOMAR richiede trasparenza verso i clienti sui metodi, quindi un report dovrebbe indicare quali fasi sono state svolte con l'aiuto dell'IA e come sono state verificate. La nostra pagina sulla metodologia descrive come applichiamo queste regole.

Quando serve ancora uno studio commissionato?

L'IA accorcia preparazione e analisi. Non può però fornire le evidenze quando la decisione dipende da quante persone agiranno, a quale prezzo o perché:

• per misurare quote, notorietà o intenzione d'acquisto serve un'indagine quantitativa con un campione definito; il calcolatore della dimensione del campione mostra quante interviste richiede una data precisione;
• per capire motivazioni di cui i clienti non scrivono online, le interviste in profondità con acquirenti reali restano la via affidabile;
• per analizzare grandi volumi di recensioni e post sui social media, un'analisi del mercato digitale combina la classificazione automatica con la verifica umana;
• per le statistiche di mercato ufficiali, il punto di partenza è il nostro elenco di fonti gratuite di dati di mercato per l'Europa.

In caso di dubbio su quale opzione si applichi, basta descrivere la decisione nel modulo di richiesta preventivo: proporremo un disegno che usi l'IA dove fa risparmiare tempo e rispondenti reali dove la risposta dipende da loro.