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.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
In the early stages of innovation, companies face a familiar dilemma: Which ideas deserve further investment? The traditional solution, human-centric market research, can deliver valuable insights — but it can often be slow, expensive and constrained in scope. Now, generative AI offers an intriguing new tool: synthetic customers.
Large language models (LLMs), like Chat GPT and Gemini, have captured attention for their ability to generate content and ideas. But a less explored frontier is their potential to simulate customer responses to product and feature concepts. Our research shows that LLMs, used carefully, can function as synthetic focus groups, producing early insights on customer preferences in a fraction of the time and cost of human studies.
FROM TEXT GENERATOR TO MARKET SIMULATOR
LLMs are trained on massive datasets that include product reviews, discussions and behavioral patterns expressed in natural language. This makes them surprisingly adept at responding to structured choice-based questions about products.
In our studies, we used a program to directly prompt LLMs with product comparisons that mimic human market research surveys.
To evaluate the LLM responses, we also ran these conjoint studies with human samples. The results? LLMs produced realistic and directionally accurate preferences for many familiar attributes.
Across multiple product categories, LLMs consistently generated preference rankings that aligned with human-derived results. As a tool for pretesting, the potential is clear: LLMs can flag weak ideas early and prioritize promising directions before formal research begins.
BUT THERE ARE LIMITS — AND THEY MATTER
Despite these promising results, “off-the-shelf” LLMs aren’t perfect simulators. In fact, they tend to overestimate interest in novel or unusual features.
LLMs are pretrained, and without additional training data provided by the researcher or access to the internet, they may reveal static preferences and not adjust dynamically to current market conditions, thereby providing irrelevant information.
Using our methodologies, currently LLMs can approximate average market signals, but not segment-specific insights. For anything beyond early-stage high-level trend detection, human research remains essential.
THE POWER OF PROPRIETARY DATA
One of the most compelling findings in our research is how much better LLMs perform when fine-tuned with a company’s own historical customer data.
Fine-tuning involves adjusting a model’s parameters based on these past survey responses. This process improves the LLM’s ability to simulate humanlike preferences, even for features that it hasn’t seen before.
Firms that build and fine-tune their own internal “customer simulators” using LLMs and historical survey data can unlock sharper early-stage insights.
COST, SPEED AND THE EXPANDED INNOVATION FUNNEL
Traditional conjoint studies can cost tens of thousands of dollars and take weeks to design, field and analyze. Our LLM-based studies ran in a matter of hours, at a fraction of the cost. We were able to generate thousands of simulated responses and iterate rapidly.
This speed enables a different kind of innovation process. Rather than developing a handful of ideas for testing, teams can now explore dozens, or even hundreds, of early concepts, using synthetic consumers as a filter.
AUGMENTATION, NOT REPLACEMENT
It’s tempting to imagine a future where synthetic customers replace human research altogether. That future is not yet here, and it may never be.
While LLMs can generate credible first-pass insights, they still lack the nuance, emotional intelligence and variability of real people.
Used responsibly, LLMs should augment, not replace, market research.
Las claves para tener éxito con un nuevo jefe
Saber que tendrá un nuevo jefe puede despertar una mezcla de emociones: desde alivio y entusiasmo hasta frustración, inquietud y sensación de pérdida.
Nuestros consejos favoritos de gestión sobre cómo dar retroalimentación
A continuación, presentamos una selección de nuestros consejos favoritos sobre cómo dar (y pedir) retroalimentación.
Lo que las empresas internacionales pierden cuando la toma de decisiones gira en torno a la sede central
Cuando las organizaciones cierran la brecha entre la sede central y el resto, se generan mejores decisiones, mayor flujo de información y menos frustración derivada de trabajar alrededor del mundo.
