Quant, qual e dove l'AI si inserisce davvero

Per decenni la ricerca è stata raccontata come una scelta. Quantitativa o qualitativa. Numeri o storie. Scala o profondità. È sempre stato un falso dilemma, perché le due cose rispondono a domande diverse, e la domanda nasce dalla decisione che hai davanti, non da una preferenza di metodo.

Il quant misura la diffusione. Dice quanti clienti pensano una certa cosa, in cosa si distinguono i segmenti e se un cambiamento è reale o è solo rumore. Il qual lo spiega. Dice perché le persone la pensano così, le parole che usano e ciò che non avevi pensato di chiedere. Un punteggio di soddisfazione che cala di due punti è un dato quant. Il motivo di quel calo vive nei verbatim.

Il metodo segue la decisione, non la moda

La disciplina sta nel partire dalla decisione. Se la scelta chiede “quanti”, punta sul quant. Se chiede “perché” o “come dirlo”, aggiungi il qual. Quasi tutte le domande importanti richiedono entrambi, in sequenza. Le interviste esplorative fanno emergere temi e linguaggio; un sondaggio misura poi quanto quei temi siano diffusi e li lega ai comportamenti. Oppure il contrario: un tracker segnala un segmento che sta scivolando, e le interviste di approfondimento spiegano il calo prima che qualcuno finanzi una soluzione.

A cambiare non è stata la logica. È il costo. Il lavoro qualitativo è sempre stato la metà cara: lenta da condurre e ancora più lenta da codificare. Ed è proprio quella metà che l’AI ha riscritto.

L'AI non ha chiuso il dibattito tra quant e qual. Ha abbattuto il costo del qual su larga scala.

L’AI ha cambiato l’economia, non la domanda

Il motivo per cui oggi tutto questo conta è strutturale. Il segnale più ricco che un cliente ti lascia è destrutturato: la domanda aperta, la trascrizione di un contatto con l’assistenza, la recensione, l’intervista registrata. E la stragrande maggioranza di ciò che un’azienda possiede sui propri clienti è proprio questo tipo di dato.

La tematizzazione automatica delle risposte aperte, la sintesi delle trascrizioni e l’estrazione del sentiment hanno trasformato quella che era codifica manuale in qualcosa che l’analista supervisiona, anziché eseguire. Il risultato è il qual sulla scala del quant, e la comunità della ricerca se n’è accorta.

Il divario nell’adozione si traduce ormai in un divario nei risultati. Nello studio Qualtrics del 2026 su oltre 3.000 ricercatori in 14 Paesi, i team che hanno unito l’AI agentica a un disegno di ricerca guidato dall’uomo hanno staccato nettamente gli altri.

La velocità non è la stessa cosa dell’insight

È qui che la disciplina torna a contare. L’AI abbassa il costo di produrre una risposta, e questo rende pericolosamente facile produrre una risposta sicura alla domanda sbagliata. La forma più estrema di questa tentazione sono i dati sintetici: rispondenti simulati al posto di quelli reali. Il settore corre, e la maggior parte dei ricercatori è convinta che entro tre anni buona parte del lavoro poggerà su risposte sintetiche. Una convinzione che va più veloce della validazione.

La linea che separa una funzione di ricerca che acquista influenza da una che la perde non è quanta AI usa. È se un essere umano presidia ancora le parti che l’AI non può presidiare.

1. La domanda. L’AI risponde a qualunque cosa le chiedi. Inquadrare la decisione, e la domanda che ne discende, resta lavoro umano.
2. Il campione. I rispondenti sintetici sono utili per popolazioni ben documentate, pericolosi per quelle inesplorate. Distinguere gli uni dagli altri è una questione di giudizio, non un parametro da impostare.
3. L’interpretazione. Confronta i temi generati dalla macchina con un campione di verbatim grezzi. Deriva e allucinazioni esistono davvero, e una sintesi non verificata è un rischio, non un risultato.
4. La trasparenza. Di’ agli stakeholder dove hai usato l’AI. È la trasparenza a mantenere credibile una risposta veloce.

Usata così, l’AI non sostituisce l’analista. Lo sposta più in alto nella catena del valore: dalla codifica dei verbatim al chiedersi che cosa quei verbatim significhino. Le aziende che trasformano questo spostamento in un vantaggio sono quelle che trattano produttività e giudizio come complementari, non come alternative.

La domanda quant contro qual, allora, è sempre stata il surrogato di una migliore: quale decisione stiamo prendendo, e quale evidenza la cambierebbe davvero. Rispondi a questa, e il metodo, con il ruolo che l’AI vi gioca, viene di conseguenza.

Per vedere come disegniamo programmi quant e qual e mettiamo alla prova ciò che l’AI dovrebbe e non dovrebbe toccare, scopri il nostro lavoro su Customer Experience e Brand Performance, oppure sfoglia i case study.