La ricerca di mercato ha un problema strutturale: per capire cosa pensano e come potrebbero comportarsi le persone bisogna tradizionalmente chiederglielo. Sembra semplice, ma costruire un campione, reclutare i partecipanti, raccogliere le risposte e analizzarle richiede tempo e risorse. A questo si aggiungono i bias legati alla composizione del campione, al modo in cui vengono formulate le domande e soprattutto, alla distanza che può esistere tra ciò che una persona dichiara e ciò che farà realmente di fronte a un prodotto, un messaggio o una scelta.
Non è quindi soltanto questione di costi. È una questione di velocità, scalabilità e qualità dell’informazione. E l’arrivo dell’intelligenza artificiale apre una domanda ulteriore: se disponiamo di dati sufficienti per rappresentare il comportamento di una persona, possiamo costruirne una versione digitale con cui simulare una ricerca?
È qui che entra in gioco il concetto di digital twin. Nato in ambiti industriali per rappresentare sistemi e processi fisici, il concetto può essere applicato anche alle persone: un copia digitale di un individuo reale, costruito a partire da dati reali, capace di simulare come un individuo potrebbe reagire a determinati stimoli.
L’obiettivo non è creare una “persona artificiale” generica. La differenza è sostanziale: il valore del digital twin sta nella possibilità di mantenere una relazione con le caratteristiche e i comportamenti osservati di persone reali, trasformando i dati raccolti in uno strumento di simulazione.
La proposta Hi twin
È proprio su questo terreno che si muove Hi twin, startup italiana che sta sviluppando una piattaforma AI per creare gemelli digitali di utenti reali e utilizzarli per testare messaggi, creatività e campagne. Ma la sfida non è soltanto tecnologica: è soprattutto metodologica.
Quanto è accurato un digital twin? Quanto deve essere aggiornato il modello? Quali dati servono per rappresentare un comportamento e come evitare che i bias presenti nei dati di partenza vengano trasferiti nella simulazione? Sono domande che rendono centrale il rapporto tra tecnologia e ricerca e che Hi twin affronta attraverso il confronto con il mondo accademico e collaborazioni con università e istituti di ricerca, tra cui l’Università degli Studi di Padova.
A guidare Hi twin sono i co-founder Matteo Serafino e Gregorio Martinelli da Silva. Serafino, Ceo e ricercatore AI, ha un percorso sviluppato tra Italia e Stati Uniti, con attività di ricerca al City College of New York e un’esperienza come chief data scientist in Kcore Analytics, startup americana che utilizza l’AI per l’analisi dei dati e dei comportamenti. Martinelli da Silva, con un master alla Luiss Business School, affianca Serafino nello sviluppo della startup e nella sua crescita sul mercato. Un mix di ricerca, tecnologia e visione imprenditoriale che caratterizza l’approccio di Hi twin.
Sul fronte applicativo, Hi twin sta collaborando con MondadoriLab e Licensing Italia a un progetto dedicato al licensing, utilizzando AI predittiva e digital twin per individuare segnali e trend e valutare il potenziale di proprietà intellettuali emergenti. L’obiettivo è integrare questi strumenti nel processo di ricerca e validazione, simulando la possibile risposta di specifiche audience prima di arrivare alla fase di mercato. Un caso concreto di come i digital twin possano affiancare la ricerca tradizionale, accelerando il test di ipotesi e scenari e aggiungendo un nuovo livello di analisi ai dati raccolti.
Anche l’ingresso di Hi twin nell’ecosistema di Plai, l’acceleratore di startup del Gruppo Mondadori, si colloca in questa direzione. Lo scorso 28 Settembre Plai ha finalizzato un investimento nella startup, indicandola tra le realtà selezionate per il valore della soluzione, il livello di maturità e il fit strategico con il Gruppo. La piattaforma viene descritta come uno strumento per creare modelli virtuali di utenti reali e testare messaggi, creatività e campagne restituendo insight di audience in tempo reale.
I digital twin potranno davvero sostituire la ricerca tradizionale? La questione, forse, non è tanto la sostituzione quanto l’integrazione: dati reali, ricerca qualitativa e quantitativa, modelli predittivi e simulazioni possono entrare nello stesso processo, ciascuno con un ruolo diverso. Il digital twin diventa così uno strumento per esplorare scenari e formulare ipotesi prima di arrivare alle persone. La sfida sarà capire quanto queste simulazioni siano affidabili e, soprattutto, quanto riescano a migliorare le decisioni quando dalla teoria si passa alla pratica.
© RIPRODUZIONE RISERVATA
