Uso de la IA generativa para la investigación de mercados en fases tempranas

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.