C

uando las organizaciones no logran generar valor a partir de la IA, el problema rara vez es técnico. Con mayor frecuencia, es organizacional y cultural.

La mayoría de los equipos no se resisten a los datos por malicia o indiferencia, sino porque los comportamientos, incentivos y expectativas que los rodean no están alineados. Las personas no tienen claro cómo actuar con base en los datos, cuándo confiar en ellos o si su uso será recompensado. Otros recurren por defecto a hábitos heredados: gestionar por instinto, actuar a partir de anécdotas u optimizar su función local por encima de los objetivos organizacionales.

Estos cinco componentes están diseñados para corregir los puntos de falla más comunes en la implementación de la IA:

1. Roles

Este componente aclara quién es responsable de qué a lo largo del ciclo de vida del proyecto, reduciendo la complejidad interfuncional para que los proyectos piloto no fracasen por las diferencias entre equipos. Los roles incluyen al patrocinador del negocio, el responsable del producto, los científicos de datos, los traductores, las áreas de riesgo y cumplimiento, y los responsables de la experiencia del cliente. La definición de estos límites elimina entregas fallidas, responsabilidades perdidas y posibles conflictos entre los equipos técnicos y empresariales. Contar con roles claros garantiza que los incentivos estén alineados en toda la organización y también a lo largo del ciclo de vida del proyecto, de modo que los proyectos se lancen a tiempo y continúen hasta su ejecución.

2. Responsabilidades

Este componente define qué significa el éxito para cada rol más allá del lanzamiento inicial del proyecto, incluyendo la adopción del modelo, la responsabilidad sobre los KPIs, el seguimiento continuo y el reentrenamiento cuando sea necesario. La rendición de cuentas se asigna explícitamente al patrocinador del proyecto desde el momento en que la iniciativa es aprobada y se mantiene hasta que el valor generado es efectivamente medido, no solo hasta que se completa la ejecución.

Esto garantiza que exista un responsable claro después de la puesta en marcha y aborda una falla crítica en muchos proyectos de IA: cuando el valor desaparece tras los proyectos piloto o cuando los modelos se desvían con el tiempo sin que nadie sea dueño de su desempeño. Dado que los modelos que aprenden continuamente no son herramientas “plug-and-play”, definir responsabilidades claras asegura que la supervisión y el involucramiento constante sean responsabilidad directa de una persona o equipo específico.

3. Rituales

Este componente establece la cadencia constante de interacciones necesarias tanto para lograr el lanzamiento del producto como para monitorear y adoptar modelos de IA que tienden a aprender y cambiar con el tiempo. Estos incluyen el arranque del proyecto, revisiones operativas semanales, comités ejecutivos quincenales y reuniones críticas de seguimiento posteriores al lanzamiento. Establecer estos recursos compartidos crea hábitos de actualización constante entre los distintos miembros del equipo, garantizando el flujo de información y permitiendo la iteración y la escalación en tiempo real. Estos hábitos son esenciales para evitar que los bloqueos persistan y que los problemas salgan a la luz demasiado tarde.

4. Recursos

Este componente exige el uso de plantillas, marcos de trabajo y aceleradores reutilizables para evitar que los equipos comiencen desde cero y repitan el mismo esfuerzo en cada proyecto. Por ejemplo, contar con una arquitectura compartida de IA generativa (que simplifique la implementación de estas soluciones a escala y, al mismo tiempo, reduzca riesgos como la pérdida de información o las alucinaciones) ha sido clave para acelerar tanto la ejecución como la adopción. La estandarización de estos procesos reduce los tiempos de entrega en un estimado de entre 50 y 60% frente a proyectos improvisados dentro de la empresa y garantiza que la gobernanza y las prácticas de IA responsable se apliquen de forma consistente. De este modo, se evita la reinvención constante y se asegura una calidad homogénea entre los distintos equipos de la organización.

5. Resultados

Este componente requiere que los equipos definan métricas que combinen la adopción con el impacto en el negocio incluso antes de comenzar el proyecto. Esto garantiza que el éxito no se mida únicamente por el valor técnico (como la precisión del modelo) o por métricas de vanidad, sino por métricas que se traduzcan en valor real para el negocio. Ejemplos de estas métricas incluyen el porcentaje de interacciones gestionadas por IA generativa, la reducción de la rotación de clientes y las ganancias en EBITDA. Definir estas métricas desde el inicio elimina la práctica de desarrollar demostraciones sin KPIs medibles y mantiene la atención enfocada en la adopción y los resultados empresariales.

Las 5R también abordan un desafío que muchas empresas pasan por alto: cómo garantizar prácticas responsables de IA a gran escala. Esto hace que el marco no solo sea un impulsor de la productividad, sino también una garantía.

E

n las primeras etapas de la innovación, las empresas enfrentan un dilema familiar: ¿Qué ideas merecen más inversión? La solución tradicional, la investigación de mercado centrada en el ser humano, puede proporcionar ideas valiosas, pero a menudo es lenta, costosa y limitada en alcance. Ahora, la IA generativa ofrece una nueva y fascinante herramienta: usuarios sintéticos.

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), como ChatGPT y Gemini, han captado la atención por su capacidad para generar contenido e ideas. Pero una frontera menos explorada es su potencial para simular respuestas de clientes ante conceptos de productos y características. Nuestra investigación muestra que los LLM, usados con cuidado, pueden funcionar como grupos focales sintéticos, generando información temprana sobre las preferencias del cliente en una fracción del tiempo y costo de los estudios realizados con humanos.

De generador de texto a simulador de mercado

Los LLM se entrenan con enormes conjuntos de datos que incluyen reseñas de productos, discusiones y patrones de comportamiento expresados en lenguaje natural. Esto los hace sorprendentemente hábiles para responder preguntas estructuradas basadas en opciones sobre productos.

En nuestros estudios, utilizamos un programa para solicitar directamente a los LLM comparaciones de productos que imitan encuestas de investigación de mercado realizadas con humanos.

Para evaluar las respuestas de los LLM, también realizamos estos estudios de análisis conjunto con muestras humanas. ¿Los resultados? Los LLM produjeron preferencias realistas y direccionalmente precisas para muchos atributos conocidos.

En múltiples categorías de productos, los LLM generaron consistentemente clasificaciones de preferencias que se alineaban con los resultados obtenidos de humanos. Como herramienta de prueba previa, el potencial es claro: los LLM pueden identificar ideas débiles desde el principio y priorizar direcciones prometedoras antes de que comience la investigación formal.

Pero existen límites, y son importantes

A pesar de estos resultados prometedores, los LLM “listos para usar” no son simuladores perfectos. De hecho, tienden a sobreestimar el interés en características novedosas o inusuales.

Los LLM están preentrenados, y sin datos adicionales proporcionados por el investigador o acceso a internet, pueden revelar preferencias estáticas y no ajustarse dinámicamente a las condiciones actuales del mercado, proporcionando así información irrelevante.

Usando nuestras metodologías, actualmente los LLM pueden aproximarse a señales promedio del mercado, pero no pueden ofrecer información específica por segmento. Para cualquier cosa más allá de la detección de tendencias generales en etapas tempranas, la investigación humana sigue siendo esencial.

El poder de los datos propios

Uno de los hallazgos más contundentes de nuestra investigación es cuán mejor funcionan los LLM cuando se afinan con los datos históricos de clientes de una empresa.

El afinamiento implica ajustar los parámetros del modelo basándose en estas respuestas de encuestas pasadas. Este proceso mejora la capacidad del LLM para simular preferencias humanas, incluso para características que no ha visto antes.

Las empresas que construyen y afinan sus propios “simuladores de clientes” internos usando LLM y datos históricos de encuestas pueden desbloquear perspectivas más precisas en etapas tempranas.

Costo, velocidad y el embudo de innovación ampliado

Los estudios tradicionales de análisis conjunto pueden costar decenas de miles de dólares y tomar semanas en diseñarse, ejecutarse y analizarse. Nuestros estudios basados en LLM se realizaron en cuestión de horas, a una fracción del costo. Pudimos generar miles de respuestas simuladas e iterar rápidamente.

Esta velocidad permite un proceso de innovación diferente. En lugar de desarrollar solo unas pocas ideas para probar, los equipos ahora pueden explorar docenas, o incluso cientos, de conceptos iniciales, empleando usuarios sintéticos como filtro.

Aumento, no reemplazo

Es tentador imaginar un futuro en el que los usuarios sintéticos reemplacen por completo a la investigación humana. Ese futuro aún no ha llegado, y puede que nunca lo haga.

Aunque los LLM pueden generar conocimientos iniciales creíbles, todavía carecen del matiz, la inteligencia emocional y la variabilidad de las personas reales.

Si se usan de manera responsable, los LLM deben aumentar, no reemplazar, la investigación de mercado.

E

n los primeros días de las marcas directas al consumidor, conocidas como DTC, vimos a las empresas participar en tácticas innovadoras para ganar la atención de los medios, que les ayudaron a lograr un marketing orgánico (en lugar de pagarlo). Por ejemplo, Casper, el vendedor de colchones en línea, creó Nap-Mobiles, permitiéndole probar sus camas a los clientes potenciales. Algunas empresas de DTC optimizaron su empaque para que fuera “instagrameable”, atrayendo a la gente a publicar videos de “unboxing” orgánicamente. Con el tiempo, estas tácticas se volvieron comunes y, por lo tanto, llamaron menos la atención.

En los últimos años, los costos de adquisición de clientes en los canales digitales han aumentado, haciendo de estos canales una estrategia de crecimiento menos económica. Además, los mercados se enfriaron hacia las marcas DTC, dejándolas más limitadas en cuanto al efectivo.

Ante estos desafíos, en 2023 las nuevas marcas DTC, al igual que las ya establecidas, deben desarrollar estrategias que les permitan generar atención y marketing orgánicos. Con ese fin, pueden aprovechar las 4 C del marketing orgánico de la manufactura:

Contenido

Las marcas necesitan dedicar tiempo y esfuerzo a desarrollar contenido atractivo que atraiga a los consumidores a sus ofertas. En 2023, el video y los reels dominan las redes sociales. Las empresas deben adaptarse rápidamente a este nuevo medio y generar contenido de video, para asegurarse de que sean lo más importante para los consumidores. Aunque es imposible predecir qué ganará tracción y se volverá viral, generar muchas ideas diferentes puede llevar a un ganador. Los consumidores buscan autenticidad y se sienten menos atraídos por los videos muy pulidos.

Consumidores

Las marcas y los productos superiores a menudo pueden ganar naturalmente evangelistas y partidarios. Eso conduce a publicaciones orgánicas y entusiasmo por parte de los consumidores, quienes crean su propio contenido que, con suerte, gana tracción. A veces, esto puede ser completamente involuntario.

Creadores

En 2023, los influencers y los creadores son la realeza de las redes sociales y los promotores y líderes de opinión de esta era. A diferencia de los consumidores, que pueden publicar un testimonio o unirse a un desafío, los influencers suelen publicar contenido interesante que llama la atención de otros usuarios de las redes sociales, quienes luego los siguen. Los creadores más pequeños pueden tener cientos o miles de seguidores y los más grandes pueden tener millones. Creadores de todos los tamaños pueden generar una comunidad animada.

Celebrities

En cierto sentido, las celebridades son megacreadores. Tienen muchos seguidores y, por lo tanto, pueden influir en esos seguidores. Durante años, las marcas han pagado a celebridades para anunciarlas en anuncios y acuerdos de patrocinio. Hemos visto que las marcas que tienen relaciones sólidas con celebridades a menudo ganan terreno. Esto alguna vez se conoció como “el efecto Oprah”, pues todo lo que ella recomendó se volvió viral. Las celebridades a menudo pueden generar más entusiasmo en comparación con los creadores que no son celebridades, debido al interés del público general en ellos y a sus capacidades publicitarias.

Hay un dicho atribuido a Neil Blumental, CEO de la marca de gafas Warby Parker: “Nunca ha sido más barato iniciar un negocio, aunque creo que nunca ha sido más difícil escalar un negocio”. Estamos de acuerdo. En la nueva era de la venta minorista, las marcas deben adaptarse y desarrollar estrategias para “fabricar” marketing orgánico. El marco de las 4 C (contenido, consumidores, creadores y celebridades) proporciona una guía para desbloquear el marketing orgánico. Las marcas pueden elegir un subconjunto o todos estos para promover su crecimiento y éxito.