L

a IA generativa está transformando la recopilación, creación y análisis de información sobre los consumidores y el mercado: el motor del marketing estratégico.

Creemos que en el centro de esta transformación se encontrarán dos herramientas generadas por IA diseñadas para actuar como representantes de las personas: el perfil sintético (que representa a un individuo o grupo compuesto) y el gemelo digital (que representa a un individuo real). Al utilizar datos públicos o privados para simular las respuestas humanas a preguntas y encuestas, estas nuevas herramientas prometen permitir a los mercadólogos realizar investigaciones y experimentos sin el tiempo, costo y carga que implican las entrevistas o encuestas tradicionales para los participantes.

El perfil sintético

En este enfoque, los investigadores, mercadólogos, gerentes de producto y vendedores proporcionan a un modelo de IA información demográfica, psicográfica o conductual sobre un tipo o segmento de cliente para crear un perfil que sea representativo de ese tipo o segmento. Luego pueden pedirle al LLM (modelo de lenguaje de gran tamaño) que responda a preguntas como si fuera ese tipo de persona.

El gemelo digital

Este enfoque va más allá de los segmentos compuestos y los perfiles imaginarios, y aporta datos a nivel individual para la tarea. Si una empresa dispone de datos detallados a nivel individual sobre un grupo de clientes a partir de interacciones, encuestas o entrevistas anteriores, por ejemplo, podría utilizar esos datos para crear gemelos digitales de esas personas, que luego podrían participar en encuestas virtuales, “entrevistas” cualitativas e incluso experimentos en lugar de las personas a las que representan. Esto tiene muchas aplicaciones potenciales interesantes, pero también algunas implicaciones éticas importantes.

Cómo empezar

1. Determine su caso de uso. Es fundamental tener en mente el objetivo final: ¿Busca una estimación puntual de un segmento clave o desea comprender cómo las personas valoran de forma diferencial ciertas características del producto?

2. Determine el tipo de consumidores que quiere simular. ¿Quiere entender mejor el punto de vista promedio o compuesto de un segmento en particular, donde podría funcionar un perfil sintético? ¿O quiere “retroalimentación” de un consumidor específico o de un conjunto de consumidores, donde pueda valer la pena el esfuerzo y el costo extra de crear gemelos digitales capaces de captar variaciones y matices tanto dentro como entre segmentos?

3. Obtenga los datos necesarios para calibrar los perfiles o gemelos. Este puede ser el factor limitante para algunas opciones.

4. Defina métricas de rendimiento claras y precisas. Aunque es tentador tratar las métricas de rendimiento como intercambiables, no lo son, y su elección influirá en la conclusión que usted extraiga de sus datos.

5. Realice una pequeña prueba. Idealmente, esta prueba debe ser representativa de su caso de uso, y usted debe aplicarla a una muestra de participantes humanos que sean representativos de sus clientes.

6. Evalúe el rendimiento de sus perfiles sintéticos o gemelos digitales. Compare sus datos sintéticos con esa medida de la realidad sobre el terreno. Asegúrese de incluir puntos de referencia relevantes que le ayuden a contextualizar los resultados.

7. Decida si quiere escalar. En esta etapa del proceso, usted tendrá una visión holística del potencial de los datos sintéticos para su caso de uso.

8. Realice pruebas periódicas para garantizar la validez continua y mantener sus datos actualizados. Por ejemplo, puede ser útil realizar periódicamente estudios paralelos sobre las personas reales que hay detrás de su panel de gemelos digitales.

A medida que este campo continúa expandiéndose, es inevitable que los perfiles sintéticos y los gemelos digitales cobren cada vez más relevancia. Puede que aún no estén completamente preparados para posicionarse en el centro de la escena, pero pronto lo estarán, y cuando eso ocurra, es muy probable que transformen por completo el mundo del marketing.

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.