Cómo La IA General Está Transformando La Investigación De Mercado

Entre todas las funciones gerenciales, es probable que el marketing sea el que más se vea afectado por la IA generativa. Reconociendo el potencial de la tecnología, tanto académicos como profesionales han estado investigando nuevas formas de aplicarla al servicio al cliente y a la creación de contenido desde hace algún tiempo, pero recientemente el mundo de los negocios ha comenzado a prestar atención al impacto que podría tener en otras actividades de marketing. El más emocionante de estos es la investigación de mercado, los procesos por los cuales las empresas recopilan datos y generan información sobre clientes y competidores.

Durante los últimos dos años hemos estudiado y trabajado directamente con empresas que están explorando el uso de la IA de generación en la investigación de mercado, y podemos informar que se están deveniendo grandes cambios transformadores en ese ámbito. Cuando se implementa correctamente, la tecnología ofrece a las empresas oportunidades sin precedentes para comprender e interactuar con los clientes, evaluar mejor el entorno competitivo y extender la toma de decisiones basadas en datos profundamente en sus organizaciones.

En nuestra investigación hemos identificado cuatro clases distintas de oportunidades. El primero implica apoyar las prácticas actuales hacéndolas más rápidas, más baratas o más fáciles de ampliar. El segundo implica reemplazar las prácticas actuales aprovechando los datos sintéticos (datos sobre las preferencias o el comportamiento de las personas que son creados por la IA y no recopilados a través de encuestas o entrevistas). El tercero implica llenar las lagunas existentes en la comprensión del mercado mediante la obtención de conocimientos y pruebas que no están disponibles en los datos convencionales. Y el cuarto, que aún está surgiendo, implica la creación de nuevos tipos de datos e ideas.

En este artículo, estrataremos un marco que ayudará a guiar a los líderes y empresas a través de este nuevo terreno. Explicaremos cómo la IA general ha comenzado y continuará cambiando la investigación de mercado, qué se puede hacer para aprovechar al máximo las nuevas oportunidades y cómo estar atento a las limitaciones de la tecnología y a las cuestiones éticas que rodean sus nuevas aplicaciones.

Apoyo a las prácticas actuales

Las empresas a menudo se sienten frustradas por el costo relativamente alto y los largos plazos de recopilación de información de clientes y mercado. Entonces, ¿cómo podría la IA de la generación abordar ambos?

Basándonos en lo que hemos aprendido en nuestra investigación y compromisos con la empresa, hemos desarrollado una forma sistemática de encontrar casos de uso. Implica aplicar lo que consideramos las cuatro capacidades principales de la IA general (síntesis, codificación (programación informática), interacción humana y escritura) a cada etapa del proceso de investigación de mercado. En aras de la simplicidad, hemos reducido el proceso a solo tres etapas: la identificación de oportunidades y el diseño de un programa de investigación; la recopilación y el análisis de datos; y la presentación de informes y difusión de información y conocimientos. (Vea la exposición “Cómo la IA de la Generación puede mejorar las prácticas actuales de investigación de mercado”). La capacidad de Gen AI para sintetizar información, por ejemplo, podría aprovecharse para resumir la literatura y la investigación previa en la primera etapa, para extraer hallazgos de entrevistas y nuevos datos en la segunda etapa, y articular conclusiones en la tercera etapa. Y la IA general podría hacer todas esas actividades mucho más rápidamente que los humanos.

¿Cómo están aprovechando realmente las empresas la IA de generación para apoyar sus prácticas actuales? Una encuesta que realizamos recientemente con la empresa de Jeremy, GBK Collective, una empresa de estrategia de marketing e información con profundos vínculos con los mejores profesores de escuelas de negocios y empresas de Fortune 500, revela cómo. En él recopilamos respuestas de más de 170 profesionales y usuarios de investigación de mercado. Nos enteramos de que el 45% de ellos ya estaban empleando la IA de generación en sus actividades actuales de datos e información; otro 45% nos dijo que planeaban hacerlo en el futuro.

La encuesta saltó a la luz algunas tendencias interesantes de alto nivel. Como era de esperar, más del 70 % de los encuestados informaron de su preocupación por los posibles efectos secundarios y desafíos de la IA gen. Esas preocupaciones incluían el potencial de riesgos de información sesgados o inexactos, seguridad y privacidad, y el tiempo y la energía adicionales que requerirían para integrar la IA de generación en las prácticas actuales. Un porcentaje similar de encuestados tenía preocupaciones sobre el potencial de la IA de generación para crear brechas de habilidades e incluso reemplazar a los profesionales de datos humanos e ideas.

Dicho esto, muchos encuestados, como muchos de los profesionales con los que hemos trabajado, fueron abrumadoramente positivos y ya estaban adoptando la tecnología. El sesenta y dos por ciento de los que actualmente emplean la IA de la generación en su trabajo nos dijeron que la estaban usando para sintetizar largas transcripciones de entrevistas y otros documentos, un proceso anteriormente laborioso; el 58 % la estaban usando para analizar datos; y el 54 % la estaban usando para escribir informes. En general, nuestros encuestados parecían entusiasmados con las muchas formas en que la IA general podría ayudarles a hacer las cosas. Más del 80 % estuvo de acuerdo en que tiene el potencial de mejorar significativamente la productividad y la eficiencia personal y que integrarlo en sus procesos de trabajo es fundamental para seguir siendo competitivos. Un porcentaje igual nos dijo que creían que afectará positivamente a su industria en general al mejorar sus trabajos e impulsar una innovación significativa. Lo hará, dijeron, al permitir a las personas realizar tareas más rápido, centrarse en tareas en las que puedan agregar más valor y dedicar más tiempo para la interpretación de datos y la narración de datos. En términos más generales, aumentará la calidad, precisión y personalización de su trabajo.

Inspirado en la tradición del acolchado estadounidense y el arte de la performance, Carson Davis Brown ensambla entregas de guerrilla de objetos encontrados en grandes tiendas.

Las startups de investigación de mercado ya se están moviendo hacia este espacio. Uno de ellos, Meaningful, por ejemplo, tiene como objetivo “sobrealimentar” la investigación de mercado usándola para crear encuestas personalizadas, distribuirlas a paneles de participantes, realizar entrevistas cualitativas y analizar los resultados. Outset.ai se centra en las formas en que la IA de la generación puede generar preguntas en lugar de respuestas sobre las necesidades y comportamientos de los consumidores, una idea prometedora. Su plataforma de investigación moderada por IA sondea dinámicamente a los participantes con nuevas preguntas que se basan en sus respuestas anteriores para obtener respuestas más perspicaces de ellos, combinando la velocidad y la escala de una herramienta de encuesta automatizada con la profundidad de una entrevista tradicional. Aaron Cannon, cofundador y CEO de Outset.ai, ha construido su empresa sobre un hallazgo singularmente importante: cuando la IA de generación tiene el simple trabajo de involucrar a las personas en la conversación, comparten sus pensamientos, experiencias y sentimientos en abundancia, y el problema de alucinación de la IA prácticamente desaparece.

El equipo de investigación de WeightWatchers (un cliente de Outset.ai) ha descubierto que los participantes también suelen ser más abiertos cuando son entrevistados por IA en lugar de por personas, porque ciertos efectos de sesgo se reducen. Wil Readinger, el ex jefe de investigación de la experiencia del usuario de la empresa, está lleno de entusiasmo por la IA de generación. Ya no, dice, los investigadores se verán obligados a elegir entre “los datos más ricos y contextualizados recopilados en una entrevista y el alcance más amplio de una encuesta”. En cambio, ahora tienen una tercera opción, que, como él dice, es “¡Ambas!”

Reemplazar las prácticas actuales

Una de las aplicaciones más innovadoras de la IA gen en marketing es producir y analizar lo que se conoce como “datos sintéticos”, datos generados artificialmente que imitan los comportamientos y preferencias de personas reales. Las empresas pueden hacer esto con cualquiera de los programas de IA generales ampliamente disponibles, pero también pueden desarrollar y entrenar sus propios modelos especializados utilizando los datos agregados que ya han recopilado de la investigación tradicional, datos sindicados, sistemas CRM e información transaccional. Los datos sintéticos se pueden utilizar para simular varias respuestas de clientes o competidores, destacando los posibles puntos débiles y los beneficios que los consumidores buscan en diferentes etapas de sus interacciones con un producto o servicio. Un 81 % de los encuestados en nuestra encuesta nos dijeron que ya utilizan o planean usar la IA de generación para crear datos sintéticos. Uno mencionó planes para “crear personas de audiencia sintéticas con las que mi equipo pueda interactuar y que coincidan con el público objetivo de mi cliente”.

Al crear perfiles y escenarios de clientes hipotéticos detallados, estos modelos ayudan a los vendedores a anticipar mejor las necesidades y preferencias y a tomar decisiones más efectivas. Pero ciertamente no pueden replicar toda la profundidad e imprevisibilidad del comportamiento humano. Nuestros encuestados fueron muy conscientes de esa deficiencia: solo el 31 % calificó el valor de los datos producidos por la IA de generación como “excelente”, lo que la convierte en una de las áreas de satisfacción más bajas en nuestra encuesta. Sin embargo, los estudios han demostrado que la IA de la generación puede mejorar la calidad de los datos sintéticos cuando se alimentan con ejemplos de preguntas y respuestas en las indicaciones, cuando se le permite aprovechar una base de conocimientos de estudios anteriores para recuperar contenido relevante para cada pregunta y cuando sus parámetros se ajustan para adaptarse mejor a los datos existentes.

Las empresas nuevas y establecidas por igual están explorando el potencial de los datos sintéticos. La startup Evidenza, por ejemplo, ha realizado más de 60 estudios de validación comparando los resultados sintéticos con la investigación tradicional en múltiples industrias. En un estudio colaboró con EY para realizar una prueba doble ciego, el estándar de oro en la investigación científica, en la que ninguna de las partes conocía los resultados de la otra hasta que concluyó el estudio. EY proporcionó a Evidenza su cuestionario anual de encuesta de marca y detalles sobre su público objetivo (CEOs de empresas estadounidenses con más de mil millones de dólares en ingresos), pero retuvo los resultados reales de la encuesta para su uso posterior como punto de referencia. Evidentemente luego creó más de mil personas sintéticas que coincidían con el perfil del público objetivo y les hizo responder a la encuesta. “Los resultados fueron asombrosos”, nos dijo Toni Clayton-Hine, el CMO de EY Americas. “Las conclusiones fueron 95% iguales, las correlaciones fueron muy fuertes y en muchos casos los números fueron casi idénticos”.

La IA ofrece a las empresas oportunidades sin precedentes para comprender e interactuar con los clientes, evaluar mejor el entorno competitivo y ampliar la toma de decisiones basada en datos.

La IA de la generación no solo produce datos cuantitativos estructurados. Un estudio de 2024 realizado en la Escuela de Negocios de Wisconsin demostró que también puede producir datos cualitativos profundos. En particular, puede realizar entrevistas reveladoras y perspicaces de los encuestados sintéticos que ha creado, por ejemplo, para replicar a los clientes deseados. Varios investigadores y gerentes ya lo han utilizado con éxito de esa manera. Un buen ejemplo de un proveedor que ofrece este tipo de trabajo es la startupSynthetic Users, con sede en Portugal.

Por supuesto, cualquier empresa que quiera seguir un enfoque personalizado para crear datos sintéticos tiene que compartir alguna información patentada con el programa de IA general que utiliza, y eso hace que algunas empresas se sientan incómodas. Para aliviar sus preocupaciones, todos los principales proveedores de IA de generación ofrecen versiones empresariales de pago de modelos que no compartirán datos o conocimientos patentados de la empresa con otras empresas. Algunos también están ayudando a las empresas a crear modelos de IA de “pequeña generación” que ellos mismos controlarán por completo. La startup Rockfish Data, por ejemplo, permite a las empresas desarrollar y entrenar sus propios modelos de IA de generación personalizados en conjuntos de datos internos, un enfoque que mantiene los datos y los modelos completamente privados. Estos modelos pueden ser pequeños, pero algunos de los usuarios no lo son: los EE. UU. Tanto el Ejército como el Departamento de Seguridad Nacional son clientes de Rockfish Data.

Una vez más, hay aspectos positivos y negativos en los que pensar: los modelos de IA de pequeña generación se limitan en su mayoría a datos estructurados o semiestructurados (datos numéricos o categóricos) y no se benefician de los amplios conjuntos de entrenamiento de los modelos públicos, mientras que los modelos públicos también pueden trabajar con datos cualitativos menos estructurados. Para algunas empresas, ajustar modelos grandes utilizando datos patentados puede ser un compromiso efectivo.

Llenando los vacíos existentes

Incluso en las organizaciones que profesan estar basadas en datos, los profesionales a menudo informan que la mayoría de las decisiones se toman sin un análisis empírico formal. Simplemente no hay suficiente tiempo o dinero para hacer uno. Pero la IA de generación promete ser un motor inteligente siempre activo para la información de los clientes y del mercado, uno que puede ofrecer a los investigadores de mercado acceso instantáneo a la evidencia empírica cuando los datos no están disponibles o son demasiado costosos de adquirir. La IA general se puede utilizar para probar suposiciones, conceptos piloto y estrategias de ejecución, y proporcionar una caja de resonancia para las decisiones gerenciales. Las empresas incluso pueden desarrollar “laboratorios” que pongan a disposición de los empleados modelos de IA personalizados de una manera segura y conveniente para apoyar la toma de decisiones en toda la organización.

En nuestra encuesta, el 30 % de los encuestados dijo que su empresa había utilizado la IA de la generación para guiar la toma de decisiones que anteriormente no habrían aprovechado los datos y conocimientos externos. En general, el 81 % de los encuestados informó que utilizaba o planeaba utilizar la IA de la generación para “escuchar al mercado” y mantener a sus organizaciones informadas sobre el entorno competitivo. Uno, por ejemplo, lo utilizó para analizar las últimas tendencias y estrategias de los rivales y producir inteligencia competitiva oportuna para la toma de decisiones, y otro lo utilizó para realizar análisis predictivos para las decisiones, basándose en datos y suposiciones históricas.

Carson Davis Brown

Muchas empresas están experimentando con el uso de datos sintéticos para apoyar la innovación de productos. Uno de ellos es General Mills. “Estamos explorando cómo los datos sintéticos podrían acelerar y mejorar nuestros procesos de ideación de productos, aumentando la probabilidad de encontrar ideas realmente geniales sobre cómo servir mejor a nuestros consumidores”, dice Lanette Shaffer Werner, directora de innovación, tecnología y calidad de la compañía.

Varias startups también se están involucrando en datos sintéticos. Evidenza está proporcionando herramientas para crearlo en clientes B2B, que son notoriamente difíciles de alcanzar. Arena Technologies está utilizando IA de generación y datos sintéticos sobre los perfiles y gustos de los clientes locales para ayudar a los minoristas a tomar decisiones más inteligentes, por ejemplo, sobre cómo adaptar las ofertas por punto de venta. Evidenza emplea datos sintéticos para ayudar a los vendedores a tomar decisiones sobre la orientación, el posicionamiento y la mensajería, y su plataforma también estima el impacto financiero de esas opciones, con proyecciones de ROI y métricas que hablan con los directores financieros y los equipos de ingresos.

Creación de nuevos tipos de datos y conocimientos

Un mantra en marketing de contenidos y ventas es que solo tienes una oportunidad de causar una primera impresión. Pero tal vez eso ya no sea cierto.

Decimos eso porque los vendedores de contenido y los vendedores están empezando a usar la IA de la generación para crear “gemelos digitales” (réplicas virtuales de clientes individuales que se construyen utilizando información disponible públicamente o datos patentados) para probar y refinar sus materiales y lanzamientos antes de presentarlos a personas reales. Este enfoque permite la calibración meticulosa de los esfuerzos de marketing porque los gemelos digitales, a diferencia de las personas reales, nunca se cansan, se irritan o se aburren cuando interactúan con los vendedores y sus preguntas. Más del 40 % de nuestros encuestados dijeron que ya están experimentando con gemelos digitales. Uno, por ejemplo, informó que utiliza gemelos digitales en un entorno de ventas virtual para “simular el comportamiento de compra de los clientes, las tasas de clics y los patrones de interacción en diferentes contextos”, todo en un esfuerzo por “ayudar a probar las estrategias de mercado y optimizar la experiencia del usuario”. Otro 42 % dijo que planeaban experimentar con gemelos digitales en el futuro.

El uso de gemelos digitales en el marketing está aumentando. Arena ha creado una herramienta de capacitación que los representantes de ventas B2B pueden usar para interactuar con gemelos digitales de clientes. CivicSync ha desarrollado una tecnología que permite a sus clientes (con el consentimiento de los consumidores) rastrear compras, búsquedas y otros comportamientos en línea y luego construir gemelos digitales altamente precisos de sus usuarios objetivo. La firma de relaciones públicas Ogilvy ha probado ideas creativas sobre gemelos digitales para garantizar que sus campañas resuenen con los consumidores. Y GBK Collective está experimentando con diferentes formas de usar los resultados de la encuesta para entrenar o solicitar la IA de generación para crear gemelos digitales que puedan ser consultados en preguntas de marketing de seguimiento. Utiliza diferentes subconjuntos de datos de encuestas anteriores para crear diferentes variantes de gemelos digitales y luego ejecuta pruebas para ver si algunos funcionan mejor o peor para ciertos objetivos de investigación empresarial. Los resultados de las pruebas se comparan con las respuestas reales de las encuestas anteriores para medir la efectividad de cada enfoque.

Gen AI puede realizar entrevistas perspicaces de los encuestados sintéticos que ha creado, por ejemplo, para replicar a los clientes deseados.

Muchas empresas también están experimentando con herramientas disponibles gratuitamente como NotebookLM de Google, que crea un “asistente de investigación” personalizado que está capacitado con información sobre competidores, datos relevantes de la industria y el dominio, y perfiles de clientes objetivo. El asistente puede preparar a los miembros del equipo para las interacciones con los clientes ayudándoles a refinar sus presentaciones, ofertas e interacciones y anticiparse a las posibles objeciones. Henry Sosa, gerente técnico principal de cuentas en Oleria, una startup de ciberseguridad (donde uno de nosotros, Jeremy, es asesor), ya ha creado una serie de estos asistentes de IA de generación para sus colegas de ventas y marketing.

Los académicos también están centrando su atención en nuevas posibilidades. Un equipo de Columbia Business School, por ejemplo, está construyendo un panel representativo de 2.500 personas, cada una de ellas el gemelo digital de una persona real. Las personas a las que reflejarán pasarán por una extensa batería de pruebas (psicológicas, conductuales, cognitivas, actitudinales) que establecerán colectivamente una “verdad sobre el terreno” que la IA de la generación puede usar para crear los gemelos. La idea es desplegar el panel como temas virtuales en nuevas investigaciones y encuestas. Un estudio de un equipo que incluye investigadores de Stanford y Google DeepMind sugiere que este enfoque es prometedor. Después de entrevistar a una muestra de individuos durante un par de horas y hacer que completaran una serie de encuestas, el equipo utilizó las transcripciones de la entrevista para crear gemelos digitales de cada participante. Luego pidió a los gemelos digitales que respondieran a las mismas encuestas. También se pidió a los participantes reales que respondieran las mismas preguntas de nuevo dos semanas después. Las respuestas de los gemelos digitales resultaron replicar las respuestas iniciales de las personas reales con un 85 % de precisión que el segundo conjunto de respuestas de esas personas.

Comprender las limitaciones

La IA general ofrece mucho a los vendedores, pero todavía tiene muchas limitaciones, que es importante reconocer. Como señalamos anteriormente, una de las principales preocupaciones que nuestra encuesta destacó fue el potencial de resultados sesgados, que fue citado por el 77 % de los encuestados. El sesgo es intrínseco a cualquier conjunto de datos de capacitación y puede sesgar los resultados, lo que podría llevar a tergiversar los segmentos de clientes o las tendencias del mercado. (Sin embargo, las prácticas actuales de la encuesta también pueden conducir a resultados sesgados por una variedad de razones). Además, dado que los modelos de IA de generación están entrenados en datos y conocimientos existentes, aún no está claro qué tan buenos serán para predecir cambios dramáticos en el comportamiento del consumidor o anticipar innovaciones de productos discontinuos. También se sabe que los modelos de IA de generación son sensibles a la arquitectura rápida. Por ejemplo, hemos demostrado que cuando responden preguntas de opción múltiple, están influenciados por el orden y el etiquetado de las opciones de maneras que pueden ser impredecibles. Los investigadores deben ser conscientes de este efecto y, como lo hacen con personas reales, asegurarse de aleatorizar todos los aspectos relevantes de la encuesta para limitar los posibles sesgos.

También se han planteado preocupaciones sobre la capacidad de la IA de la generación para simular respuestas de una muestra representativa de la población. Un estudio de 2023 realizado por investigadores de Columbia y Stanford encontró que los modelos más recientes de OpenAI expresan opiniones que son más típicas de las personas que son, por ejemplo, liberales o bien educadas, y son menos características de las personas mayores de 65 años o más religiosas. Este sesgo puede venir no solo de los datos de entrenamiento sobre los que se construyen los modelos, sino también de la participación humana en su refinamiento, lo que explicaría por qué los modelos más recientes están demostrando ser cada vez más sesgados. Dadas esas limitaciones, tal vez no sea sorprendente que un estudio de 2024 dirigido por James Bisbee de la Universidad de Vanderbilt encontrara que cuando los encuestados sintéticos realizaron una encuesta de opinión pública, sus respuestas se parecían mucho a las respuestas de los humanos, pero mostraron menos variación, eran sensibles a la redacción de las preguntas y no eran estables durante un período de tres meses.

Los datos sintéticos también pueden ser de ayuda limitada en la simulación de experimentos que asignan a los encuestados diferentes tratamientos en todas las condiciones. Hemos explorado el uso de la IA de generación en simulaciones de experimentos en los que el precio del producto variaba entre los encuestados digitales, a los que se les preguntó si tenían la intención de comprarlo. Hemos descubierto que las curvas de demanda provocadas por la IA no solo eran diferentes de las curvas provocadas al hacer las mismas preguntas a los encuestados humanos, sino que también eran inverosímiles.

La razón es quizás simple en retrospectiva. Los experimentos que involucran a personas reales suelen emplear diseños ciegos, donde cada participante desconoce las otras condiciones y el objetivo del estudio. Eso es lo que sucede cuando los consumidores toman decisiones en el mundo real, donde normalmente no se les ofrece la opción del mismo producto exacto a diferentes precios. Pero cuando se aplica a experimentos que involucran modelos de IA gen, el diseño ciego conduce a un fenómeno llamado “confunde”, en el que una variable imprevista asociada tanto con el tratamiento (por ejemplo, el precio) como con la variable dependiente (digamos, la decisión de comprar) confunde la relación entre el tratamiento y la variable dependiente. En nuestros experimentos de precios descubrimos que la IA de la generación tenía dificultades para tratar el precio del producto como aleatorio y tendía a asumir que otras variables (precios anteriores, precios de otros productos en la tienda) también variaban con el precio del producto, lo que justificaba la compra a un precio más alto, lo que llevó a pocos cambios en el comportamiento a medida que el precio variaba.

Gen AI tampoco predice bien las reacciones emocionales de los consumidores a los estímulos multisensoriales. Eso es lo que la compañía de sabores y fragancias Takasago aprendió cuando exploró la sustitución de un panel de investigación humana por un panel generado por IA. Las fragancias, por ejemplo, simplemente no tienen los mismos efectos en los modelos de IA de generación que en las personas reales. “Si bien nuestro modelo puede aprender de los datos pasados”, nos dijo Jelena Le Breton, vicepresidenta global de la compañía para conocimientos de clientes e investigación de mercado, “todavía es difícil predecir el cambio humano de las preferencias olfativas, que a menudo pueden asociarse con experiencias y emociones individuales”.

. . .

A medida que navegamos por el futuro del marketing en la era de la IA gen y los datos sintéticos, la comunidad de marketing tendrá que proceder con una perspectiva equilibrada e informada. Al hacerlo, podemos aprovechar el poder de estas notables herramientas y tecnologías al tiempo que garantizamos que nuestras estrategias se basen en la equidad, la precisión y la visión genuina del cliente.

Con eso en mente, nos gustaría concluir con una nota optimista, sacando a relucir una idea que Cannon of Outset.ai nos propuso. Si la IA de generación puede hablar con miles de personas en todo el mundo en cientos de idiomas cada hora, y puede extraer instantáneamente todo tipo de ideas únicas y de alta fidelidad de los datos que generan esas conversaciones, entonces nuestra comprensión mutua debería profundizarse, y los productos, servicios y experiencias que construimos estarán infundidos con más humanidad, no menos.