Amedida que la IA generativa juega un papel cada vez más relevante en nuestras vidas, a todos nos convendría desarrollar nuestros propios puntos de vista matizados sobre esta tecnología.

¿Cómo podemos entender qué están haciendo las personas con la IA? Hasta ahora, se han utilizado tres métodos principales:

1. Telemetría

Lo que hacen realmente los usuarios: los registros de uso a los que solo pueden acceder los propios LLM.

— Fortalezas: capta el comportamiento real, gran volumen de datos.

— Debilidades: se limita a plataformas individuales, excluye a usuarios que no han iniciado sesión y a quienes optan por no participar, carece de detalle contextual (debido a la privacidad) y es inaccesible para la mayoría de nosotros.

2. Encuestas

Lo que dicen los usuarios cuando se les pregunta.

— Fortalezas: permite preguntar cualquier detalle (por ejemplo, datos demográficos), es fácil de implementar.

— Debilidades: sesgo de autoselección, puede no reflejar el comportamiento real, bajo volumen de datos.

3. Escucha social

Lo que dicen los usuarios sin que se les pregunte.

— Fortalezas: veracidad (el anonimato proporciona seguridad psicológica), nivel de detalle, lo que más preocupa a las personas, reflexiones posteriores e impacto.

— Debilidades: bajo volumen de datos, sesgo hacia las fuentes, ausencia de datos demográficos.

Ningún método por sí solo lo captura todo. Pero, juntos, estos enfoques complementarios ayudan a formar una imagen funcional y útil de cómo mil millones de seres humanos ya están integrando la IA en su vida diaria.

Cuando distintos informes coinciden, probablemente haya una señal a la que conviene prestar atención. Y coinciden en muchas cosas.

No es sorprendente que el uso de los LLM esté creciendo rápidamente.

ChatGPT acaba de alcanzar aproximadamente 800 millones de usuarios activos semanales que, en conjunto, envían alrededor de 20 mil millones de mensajes por semana. Anthropic afirma que el 40% de los empleados reporta usar IA en el trabajo, el doble del porcentaje de hace apenas dos años.

Las tareas siguen una distribución de ley de potencia.

En una distribución de ley de potencia, unos pocos eventos son desproporcionadamente grandes, mientras que la mayoría son muy pequeños. OpenAI observa que el 78% de todos los mensajes encaja en sus tres categorías principales (orientación práctica, escritura y búsqueda de información). Anthropic señala que el 20% de las categorías de tareas representa el 87% del uso. En mi investigación, los 20 principales grupos de casos de uso representan más de la mitad del total de casos de uso. Esta concentración sugiere que los líderes deberían enfocar las inversiones en IA en un pequeño conjunto de casos de uso de alto impacto, en lugar de intentar hacerlo todo al mismo tiempo.

Usamos la IA de forma sustancial para escribir.

El informe de OpenAI indica que “la escritura es el caso de uso más común en el trabajo, y representa alrededor del 40% de los mensajes relacionados con el trabajo”. Anthropic en realidad no dice mucho sobre esto en su informe más reciente, pero en su informe de febrero de 2025, uno de los hallazgos principales fue que “el uso se concentra en el desarrollo de software y en tareas de redacción técnica”. Al menos 20 de los 100 principales casos de uso que analizo están directamente relacionados con la escritura. Esto tiene sentido, dado que el texto es el formato de salida que la IA generativa produce predominantemente. Dado cuánto domina la escritura el uso, las organizaciones podrían ver un retorno de inversión más rápido con herramientas que se mantengan más cerca de las palabras en presentaciones, informes y comunicaciones, que con aplicaciones más exóticas y ambiciosas.

El aprendizaje y la educación son una categoría importante.

Para Anthropic, el uso relacionado con educación creció de 9.3% a 12.4%. Para OpenAI, alrededor del 10% de todos los mensajes de ChatGPT son solicitudes de tutoría o enseñanza. En mi investigación, el 20% de mis casos de uso pertenece al grupo de aprendizaje y educación, lo cual no resulta sorprendente, dado que se trata de una tecnología “inteligente” diseñada para una especie cognitivamente avanzada, curiosa y neoténica.

La ampliación ya está aquí y la automatización está en camino.

Para Anthropic, las conversaciones directivas (automatización) pasaron del 27% al 39% en ocho meses, y entre las transcripciones de APIs empresariales, el 77% ya está dominado por la automatización. Para OpenAI, en el trabajo la mayoría de las tareas (56%) son de ejecución (en lugar de expresión o consulta). En las plataformas sociales que observo a diario, estoy viendo más publicaciones que nunca sobre el uso de agentes de IA.

H

ay algo que los gerentes de mercadeo parecen olvidar acerca de Internet: fue hecho para las personas, no para compañías y marcas. Por definición, le ofrece a los gerentes una fuente de conocimiento que nunca habían tenido: la escucha social.

Escuchar la conversación de los consumidores en redes sociales le permite a los vendedores observar las vidas económicas y sociales de las personas, sin introducir prejuicios a través de la interacción directa.

La capacidad de escuchar socialmente será crítica para las ventajas competitivas en la era digital. Sin embargo, a pesar de este potencial, las compañías desaprovechan el flujo de las redes sociales respecto a la inteligencia de mercados.

Usualmente, la información de las redes sociales es manejada en forma de datos a cargo de profesionales técnicos, como científicos computacionales y econométricos. Su función es reduccionista: llevar datos complejos hasta el simple nivel de los números.

Los antropólogos, y los analistas culturalmente sensibles que piensan como ellos, se especializan en la administración del significado. Su función es tomar pedazos complejos de información y desarrollar una idea de nivel más alto respecto a ellos.

Cuando le damos nuestros proyectos de escucha social a profesionales de la información, perdemos una apreciación del contexto, y con ello la habilidad de extraer los significados que brinden conocimientos para nuestras compañías y marcas. Para resolver ese problema, necesitamos movernos de un manejo funcional de los datos a una mentalidad más holística del manejo del significado.

La información de las redes sociales es inherentemente cualitativa. Para apreciar lo cualitativo y extraer su significado, los gerentes deben pensar como antropólogos y dejar de lado muchos de los principios científicos que sustentan la tradicional investigación de las ciencias duras.

Considere el principio de los “tamaños adecuados de muestras” y su antítesis en línea. Con los datos del escucha social, una cita, un comentario o una imagen publicada pueden detonar una idea con profundas implicaciones.

Del mismo modo, la noción de “muestras representativas”, que imponemos cuando juzgamos el valor de la investigación cuantitativa, debe quedar de lado. Los participantes comprometidos en las redes sociales son sin duda un grupo distinto al de los no usuarios, o aquellos que leen, pero no contribuyen con contenido, sin embargo, los primeros pueden brindar un valioso servicio de señalización.

El manejo del significado también involucra una apreciación más profunda de la escucha social como componente de un sistema más amplio para construir sentidos, en lugar de simplemente como una fuente de información a explotarse. Los datos de la escucha social no están solos: son parte de un paquete complementario de conocimientos en cuanto a los consumidores, el consumo, los mercados y culturas.

Para aprovechar al máximo la información de las redes sociales, las operaciones deben ir más allá de los científicos de datos y los departamentos de ventas que los alojan. Cada ejecutivo debe ser un escucha.

Para aprovechar a las redes sociales en cuanto a conocimientos sobre los consumidores, muévase más allá de la ciencia de la administración de datos, hacia el arte de la interpretación, aproveche el contexto que ofrecen los comentarios cualitativos y no le delegue la escucha social al departamento de ventas.