Cómo la IA generativa está transformando la investigación de mercados

La idea en pocas palabras La oportunidad La IA generativa está a punto de transformar los estudios de mercado, la forma en que las empresas recopilan datos y desarrollan perspectivas sobre los clientes y los competidores. Los profesionales del marketing deben comprender y aprovechar las posibilidades. La investigación Los autores han identificado cuatro clases de aplicaciones distintas para la IA generativa en la investigación de mercados: (1) apoyar las prácticas actuales, (2) sustituir las prácticas actuales, (3) cubrir las lagunas existentes y (4) crear nuevos tipos de datos y perspectivas. El camino a seguir A medida que la comunidad de marketing se comprometa con la IA generativa, tendrá que aprovechar el poder de la nueva tecnología y, al mismo tiempo, asegurarse de que las estrategias que diseña se basan en la imparcialidad, la precisión y la información genuina sobre los clientes. Entre todas las funciones directivas, es probable que el marketing sea la más perturbada por la IA generativa. Reconociendo el potencial de la tecnología, tanto académicos como profesionales llevan tiempo investigando nuevas formas de aplicarla al servicio al cliente y a la creación de contenidos, pero recientemente el mundo empresarial ha empezado a prestar atención al impacto que podría tener en otras actividades de marketing. La más apasionante de ellas es la investigación de mercado, el proceso por el que las empresas recopilan datos y generan ideas sobre los clientes y los competidores. Durante los dos últimos años hemos estudiado y trabajado directamente con empresas que están explorando el uso de la IA generativa en la investigación de mercados, y podemos informar de que se avecinan grandes cambios transformadores en ese ámbito. Cuando se despliega adecuadamente, la tecnología ofrece a las empresas oportunidades sin precedentes para comprender y relacionarse con los clientes, evaluar mejor el entorno competitivo y extender la toma de decisiones basada en datos a lo más profundo de sus organizaciones. En nuestra investigación hemos identificado cuatro clases distintas de oportunidades. La primera implica apoyar las prácticas actuales haciéndolas más rápidas, más baratas o más fáciles de ampliar. La segunda consiste en sustituir las prácticas actuales aprovechando los datos sintéticos (datos sobre las preferencias o el comportamiento de las personas creados por la IA y no recopilados mediante encuestas o entrevistas). La tercera implica colmar las lagunas existentes en la comprensión del mercado mediante la obtención de percepciones y pruebas que no están disponibles en los datos convencionales. Y la cuarta, que aún está surgiendo, implica la creación de nuevos tipos de datos y perspectivas. En este artículo expondremos un marco que ayudará a guiar a los líderes y a las empresas a través de este nuevo terreno. Explicaremos cómo la IA generativa ha empezado y seguirá cambiando la investigación de mercados, qué se puede hacer para aprovechar al máximo las nuevas oportunidades y cómo estar alerta ante las limitaciones de la tecnología y las cuestiones éticas que rodean a sus nuevas aplicaciones. Apoyar las prácticas actuales A menudo, las empresas se sienten frustradas por el coste relativamente elevado y los largos plazos de recopilación de información sobre los clientes y el mercado. Entonces, ¿cómo podría la IA generativa abordar ambos aspectos? Basándonos en lo que hemos aprendido en nuestra investigación y en los compromisos con las empresas, hemos desarrollado una forma sistemática de encontrar casos de uso. Se trata de aplicar lo que consideramos las cuatro capacidades básicas de la IA generativa -síntesis, codificación (programación informática), interacción humana y escritura- a cada etapa del proceso de investigación de mercado. Para simplificar, hemos reducido el proceso a sólo tres etapas: la identificación de oportunidades y el diseño de un programa de investigación; la recopilación y el análisis de datos; y la elaboración de informes y la difusión de información y perspectivas. (La capacidad de la IA generativa para sintetizar la información, por ejemplo, podría aprovecharse para resumir la bibliografía y la investigación previa en la primera etapa, para extraer conclusiones de las entrevistas y los nuevos datos en la segunda etapa y para articular las conclusiones en la tercera etapa. Y la IA generativa podría realizar todas esas actividades mucho más rápidamente que los humanos. Cómo la IA generativa puede mejorar las prácticas actuales de investigación de mercado Una herramienta sencilla para identificar casos de uso Síntesis Codificación Interacción Redacción Identificación de oportunidades y diseño de la investigación Síntesis Resumir la investigación y la bibliografía existentes Codificación Búsqueda de hipótesis en los datos existentes Interacción Uso de chatbots para el brainstorming y la generación de ideas Escribir Generación de hipótesis Recogida y análisis de datos Síntesis Extracción del significado y las ideas del texto Codificación Configuración de encuestas en una interfaz web; realización de análisis Interacción Utilización de entrevistadores sintéticos para realizar preguntas de seguimiento Redacción de Creación de materiales de estudio Elaboración de informes y difusión Síntesis Articular las conclusiones Codificación Creación de herramientas de visualización de datos Interacción Uso de chatbots para la exploración de datos Redacción de Elaboración de resúmenes ejecutivos ¿Cómo aprovechan realmente las empresas la IA generativa para apoyar sus prácticas actuales? Una encuesta que realizamos recientemente con la empresa de Jeremy, GBK Collective, una firma de estrategia e información de marketing con profundos vínculos con los mejores profesores de escuelas de negocios y empresas de la lista Fortune 500, revela cómo. En ella recogimos las respuestas de más de 170 profesionales y usuarios de la investigación de mercados. Descubrimos que el 45% de ellos ya empleaban la IA generativa en sus actividades actuales de obtención de datos e información; otro 45% nos dijo que tenía previsto hacerlo en el futuro. La encuesta puso de manifiesto algunas tendencias interesantes de primer nivel. No es sorprendente que más del 70% de los encuestados manifestaran su preocupación por los posibles efectos secundarios y retos de la IA generativa. Entre esas preocupaciones se incluían la posibilidad de que la información fuera sesgada o inexacta, los riesgos para la seguridad y la privacidad, y el tiempo y la energía adicionales que requeriría integrar la IA generativa en las prácticas actuales. A un porcentaje similar de encuestados le preocupaba el potencial de la IA generativa para crear brechas de habilidades e incluso sustituir a los profesionales humanos de los datos y la información. Dicho esto, muchos encuestados -como muchos de los profesionales con los que hemos trabajado- se mostraron abrumadoramente positivos y ya están adoptando la tecnología. El 62% de los que emplean actualmente la IA generativa en su trabajo nos dijeron que la utilizaban para sintetizar largas transcripciones de entrevistas y otros documentos, un proceso antes laborioso; el 58% la utilizaba para analizar datos y el 54% para redactar informes. En general, nuestros encuestados parecían entusiasmados con las muchas formas en que la IA generativa podría ayudarles a hacer las cosas. Más del 80% estaban de acuerdo en que tiene el potencial de mejorar significativamente la productividad y la eficiencia personales y que integrarla en sus procesos de trabajo es fundamental para seguir siendo competitivos. Un porcentaje igual nos dijo que creía que afectará positivamente a su sector en general mejorando sus puestos de trabajo e impulsando una innovación significativa. Lo hará, dijeron, al permitir a las personas realizar tareas más rápidamente, centrarse en tareas en las que pueden añadir más valor y dedicar más tiempo a la interpretación de datos y a la narración de historias. En términos más generales, aumentará la calidad, la precisión y la personalización de su trabajo. Inspirada en la tradición del acolchado americano y el arte de la performance, Carson Davis Brown monta instalaciones de guerrilla de objetos encontrados en grandes almacenes. Las start-up de estudios de mercado ya se están moviendo en este espacio. Una de ellas, Meaningful, por ejemplo, pretende "supercargar" la investigación de mercado utilizándola para crear encuestas personalizadas, distribuirlas a paneles de participantes, realizar entrevistas cualitativas y analizar los resultados. Outset.ai se centra en las formas en que la IA generativa puede generar preguntas en lugar de respuestas sobre las necesidades y los comportamientos de los consumidores, una idea prometedora. Su plataforma de investigación moderada por IA sondea dinámicamente a los participantes con nuevas preguntas que se basan en sus respuestas anteriores para obtener de ellos respuestas más perspicaces, combinando la velocidad y la escala de una herramienta de encuesta automatizada con la profundidad de una entrevista tradicional. Aaron Cannon, cofundador y CEO de Outset.ai, ha construido su empresa sobre un hallazgo de singular importancia: Cuando la IA generativa tiene la sencilla tarea de entablar una conversación con las personas, éstas comparten sus pensamientos, experiencias y sentimientos en abundancia, y el problema de alucinación de la IA prácticamente desaparece. El equipo de investigación de WeightWatchers (cliente de Outset.ai) ha descubierto que los participantes también suelen ser más comunicativos cuando son entrevistados por la IA en lugar de por personas, porque se reducen ciertos efectos de sesgo. Wil Readinger, antiguo jefe de investigación de la experiencia del usuario en la empresa, está lleno de entusiasmo por la IA generativa. Ya no, dice, los investigadores se verán obligados a elegir entre "los datos más ricos y contextualizados recogidos en una entrevista y el mayor alcance de una encuesta". En su lugar, ahora tienen una tercera opción, que, como él dice, es "¡Ambas!". Sustituir las prácticas actuales Una de las aplicaciones más innovadoras de la IA generativa en el marketing es la producción y el análisis de lo que se conoce como "datos sintéticos": datos generados artificialmente que imitan los comportamientos y las preferencias de personas reales. Las empresas pueden hacer esto con cualquiera de los programas de IA generativa ampliamente disponibles, pero también pueden desarrollar y entrenar sus propios modelos especializados utilizando los datos agregados que ya han recopilado de la investigación tradicional, los datos sindicados, los sistemas CRM y la información transaccional. Los datos sintéticos pueden utilizarse entonces para simular diversas respuestas de clientes o competidores, destacando los posibles puntos de dolor y los beneficios que buscan los consumidores en las diferentes etapas de sus interacciones con un producto o servicio. Un 81% de los participantes en nuestra encuesta nos dijeron que ya utilizan o tienen previsto utilizar la IA generativa para crear datos sintéticos. Uno de ellos mencionó sus planes de "crear personas sintéticas de audiencia con las que mi equipo pueda interactuar y que coincidan con el público objetivo de mi cliente". Al crear perfiles y escenarios hipotéticos detallados de los clientes, estos modelos ayudan a los profesionales del marketing a anticipar mejor las necesidades y preferencias y a tomar decisiones más eficaces. Pero desde luego no pueden reproducir toda la profundidad e imprevisibilidad del comportamiento humano. Nuestros encuestados eran muy conscientes de esa carencia: Sólo el 31% calificó de "estupendo" el valor de los datos producidos por la IA generativa, lo que la convierte en una de las áreas de satisfacción más bajas de nuestra encuesta. Sin embargo, los estudios han demostrado que la IA generativa puede mejorar la calidad de los datos sintéticos cuando se le proporcionan ejemplos de preguntas y respuestas en los prompt, cuando se le permite aprovechar una base de conocimientos de estudios anteriores para recuperar el contenido relevante para cada pregunta y cuando se ajustan sus parámetros para que se adapten mejor a los datos existentes. Tanto las empresas nuevas como las ya establecidas están explorando el potencial de los datos sintéticos. La start-up Evidenza, por ejemplo, ha realizado más de 60 estudios de validación comparando los resultados sintéticos con los de la investigación tradicional en múltiples sectores. En un estudio colaboró con EY para realizar una prueba doble ciego -la norma de oro en la investigación científica- en la que ninguna de las partes conocía los resultados de la otra hasta que el estudio concluyó. EY proporcionó a Evidenza su cuestionario anual de encuesta sobre marcas y detalles sobre su público objetivo (CEO de empresas estadounidenses con más de 1.000 millones de dólares de ingresos), pero retuvo los resultados reales de la encuesta para utilizarlos posteriormente como referencia. A continuación, Evidenza creó más de mil personajes sintéticos que coincidían con el perfil del público objetivo y les hizo responder a la encuesta. "Los resultados fueron sorprendentes", nos dijo Toni Clayton-Hine, CMO de EY Américas. "Las conclusiones coincidían en un 95%, las correlaciones eran muy fuertes y, en muchos casos, las cifras eran casi idénticas". La IA ofrece a las empresas oportunidades sin precedentes para comprender a los clientes y relacionarse con ellos, evaluar mejor el entorno competitivo y ampliar la toma de decisiones basada en datos. La IA generativa no sólo produce datos cuantitativos estructurados. Un estudio de 2024 realizado en la Escuela de Negocios de Wisconsin demostró que también puede producir datos cualitativos profundos. En concreto, puede realizar entrevistas reveladoras y perspicaces a los encuestados sintéticos que ha creado, por ejemplo, para reproducir a los clientes deseados. Varios investigadores y directivos ya lo han utilizado así con éxito. Un buen ejemplo de proveedor que ofrece este tipo de trabajo es la start-up Synthetic Users, con sede en Portugal. Por supuesto, cualquier empresa que quiera seguir un enfoque a medida para crear datos sintéticos tiene que compartir cierta información de propiedad con el programa de IA generativa que utiliza, y eso incomoda a algunas empresas. Para aliviar sus preocupaciones, todos los principales proveedores de IA generativa ofrecen versiones empresariales de pago de modelos que no compartirán con otras empresas datos o perspectivas de propiedad de la empresa. Algunos también están ayudando a las empresas a crear "pequeños" modelos de IA generativa que ellas mismas controlarán por completo. La start-up Rockfish Data, por ejemplo, permite a las empresas desarrollar y entrenar sus propios modelos personalizados de IA gen en conjuntos de datos internos, un enfoque que mantiene los datos y los modelos completamente privados. Puede que estos modelos sean pequeños, pero algunos de los usuarios no lo son: El Ejército de EE.UU. y el Departamento de Seguridad Nacional son ambos clientes de Rockfish Data. De nuevo, hay aspectos positivos y negativos en los que pensar: Los modelos de IA generativa pequeños se limitan sobre todo a datos estructurados o semiestructurados (datos numéricos o categóricos) y no se benefician de los amplios conjuntos de entrenamiento de los modelos públicos, mientras que éstos también pueden trabajar con datos cualitativos menos estructurados. Para algunas empresas, afinar los grandes modelos utilizando datos propios puede ser un compromiso eficaz. Colmar las lagunas existentes Incluso en las organizaciones que profesan estar impulsadas por los datos, los profesionales a menudo informan de que la mayoría de las decisiones se toman sin un análisis empírico formal. Sencillamente, no hay tiempo ni dinero suficientes para hacer uno. Pero la IA generativa promete ser un motor inteligente siempre activo para obtener información sobre los clientes y el mercado, capaz de ofrecer a los investigadores de mercado un acceso instantáneo a pruebas empíricas cuando los datos no están disponibles o son demasiado costosos de adquirir. La IA generativa puede utilizarse para probar suposiciones, pilotar conceptos y estrategias de ejecución y servir de caja de resonancia para las decisiones de gestión. Las empresas pueden incluso desarrollar "laboratorios" que pongan a disposición de los empleados modelos de IA personalizados de forma segura y cómoda para apoyar la toma de decisiones en toda la organización. En nuestra encuesta, el 30% de los encuestados afirmó que su empresa había utilizado la IA generativa para orientar la toma de decisiones que antes no habrían aprovechado datos y perspectivas externas. En general, el 81% de los encuestados afirmaron utilizar o tener previsto utilizar la IA generativa para "escuchar al mercado" y mantener a sus organizaciones informadas sobre el entorno competitivo. Uno de ellos, por ejemplo, la utilizó para analizar las últimas tendencias y las estrategias de los rivales y producir inteligencia competitiva oportuna para la toma de decisiones, y otro la utilizó para realizar análisis predictivos para las decisiones, basándose en datos históricos y suposiciones. Carson Davis Brown Muchas empresas están experimentando con el uso de datos sintéticos para apoyar la innovación de productos. Una de ellas es General Mills. "Estamos explorando cómo los datos sintéticos podrían acelerar y mejorar nuestros procesos de ideación de productos, aumentando la probabilidad de encontrar ideas realmente geniales sobre cómo servir mejor a nuestros consumidores", afirma Lanette Shaffer Werner, directora de innovación, tecnología y calidad de la empresa. Varias start-ups también se están involucrando en los datos sintéticos. Evidenza está proporcionando herramientas para crearlos sobre clientes B2B, a los que es notoriamente difícil llegar. Arena Technologies está utilizando IA generativa y datos sintéticos sobre los perfiles y gustos de los clientes locales para ayudar a los minoristas a tomar decisiones más inteligentes, por ejemplo, sobre cómo adaptar las ofertas por establecimiento. Evidenza emplea datos sintéticos para ayudar a los profesionales del marketing a tomar decisiones sobre la orientación, el posicionamiento y los mensajes, y su plataforma también calcula el impacto financiero de esas decisiones, con proyecciones de rendimiento de la inversión y métricas que hablan a los directores financieros y a los equipos de ingresos. Creación de nuevos tipos de datos y perspectivas Un mantra del marketing de contenidos y las ventas es que sólo se tiene una oportunidad para causar una primera impresión. Pero quizá eso ya no sea cierto. Decimos esto porque los profesionales del marketing de contenidos y los vendedores están empezando a utilizar la IA generativa para crear "gemelos digitales" -réplicas virtuales de clientes individuales que se construyen utilizando información disponible públicamente o datos propios- para probar y perfeccionar sus materiales y lanzamientos antes de presentarlos a personas reales. Este enfoque permite calibrar meticulosamente los esfuerzos de marketing porque los gemelos digitales, a diferencia de las personas reales, nunca se cansan, irritan o aburren al interactuar con los profesionales del marketing y sus preguntas. Más del 40% de nuestros encuestados dijeron que ya están experimentando con gemelos digitales. Uno, por ejemplo, informó de que utilizaba gemelos digitales en un entorno de ventas virtual para "simular el comportamiento de compra de los clientes, las tasas de clics y los patrones de interacción en diferentes contextos", todo ello en un esfuerzo por "ayudar a probar las estrategias de mercado y optimizar la experiencia del usuario." Otro 42% afirmó que tenía previsto experimentar con gemelos digitales en el futuro. El uso de gemelos digitales en el marketing está proliferando. Arena ha creado una herramienta de formación que los representantes de ventas B2B pueden utilizar para interactuar con gemelos digitales de clientes. CivicSync ha desarrollado una tecnología que permite a sus clientes (con el consentimiento de los consumidores) realizar un seguimiento de las compras, las búsquedas y otros comportamientos en línea y, a continuación, construir gemelos digitales muy precisos de sus usuarios objetivo. La empresa de RR.PP. Ogilvy ha ensayado ideas creativas con gemelos digitales para asegurarse de que sus campañas resonarán entre los consumidores. Y GBK Collective está experimentando con diferentes formas de utilizar los resultados de las encuestas para entrenar o incitar a la IA generativa a crear gemelos digitales que puedan ser consultados en preguntas de marketing de seguimiento. Utiliza diferentes subconjuntos de datos de encuestas anteriores para crear distintas variantes de gemelos digitales y luego realiza pruebas para ver si algunos funcionan mejor o peor para determinados objetivos de investigación empresarial. Los resultados de las pruebas se comparan con las respuestas reales de las encuestas pasadas para medir la eficacia de cada enfoque. La IA generativa puede realizar entrevistas perspicaces a los encuestados sintéticos que ha creado, por ejemplo, para reproducir a los clientes deseados. Muchas empresas también están experimentando con herramientas disponibles gratuitamente como NotebookLM de Google, que crea un "asistente de investigación" personalizado que se entrena con información sobre los competidores, datos relevantes del sector y del dominio, y perfiles de los clientes objetivo. El asistente puede preparar a los miembros del equipo para los compromisos con los clientes ayudándoles a perfeccionar sus discursos, ofertas e interacciones y a anticiparse a las posibles objeciones. Henry Sosa, uno de los principales gestores técnicos de cuentas de Oleria, una start-up de ciberseguridad (en la que uno de nosotros, Jeremy, es asesor), ya ha creado una gran cantidad de estos asistentes de IA generativa para sus colegas de ventas y marketing. También los académicos están centrando su atención en las nuevas posibilidades. Un equipo de la Columbia Business School, por ejemplo, está construyendo un panel representativo de 2.500 personas, cada una de ellas el gemelo digital de una persona real. Las personas que reflejarán pasarán por una extensa batería de pruebas (psicológicas, conductuales, cognitivas, actitudinales) que establecerán colectivamente una "verdad de base" que la IA generativa podrá utilizar después para crear los gemelos. La idea es desplegar el panel como sujetos virtuales en nuevas investigaciones y encuestas. Un estudio de un equipo que incluye investigadores de Stanford y Google DeepMind sugiere que este enfoque es prometedor. Tras entrevistar a una muestra de individuos durante un par de horas y hacerles rellenar una serie de encuestas, el equipo utilizó las transcripciones de las entrevistas para crear gemelos digitales de cada participante. A continuación, pidió a los gemelos digitales que respondieran a las mismas encuestas. También se pidió a los participantes reales que volvieran a responder a las mismas preguntas dos semanas después. Las respuestas de los gemelos digitales resultaron replicar las respuestas iniciales de las personas reales con un 85% de precisión, al igual que el segundo conjunto de respuestas de esas personas. Comprender las limitaciones La IA generativa ofrece mucho a los profesionales del marketing, pero sigue teniendo muchas limitaciones que es importante reconocer. Como hemos señalado antes, una de las principales preocupaciones que destacó nuestra encuesta fue la posibilidad de obtener resultados sesgados, que fue citada por el 77% de los encuestados. El sesgo es intrínseco a cualquier conjunto de datos de formación y puede sesgar los resultados, dando lugar potencialmente a representaciones erróneas de los segmentos de clientes o de las tendencias del mercado. (Sin embargo, las prácticas de encuesta actuales también pueden conducir a resultados sesgados por diversas razones). Además, dado que los modelos de IA generativa se entrenan a partir de datos y perspectivas existentes, aún no está claro lo buenos que serán para predecir cambios drásticos en el comportamiento de los consumidores o anticipar innovaciones discontinuas en los productos. También se sabe que los modelos de IA generativa son sensibles a la arquitectura prompt. Por ejemplo, hemos demostrado que cuando responden a preguntas de elección múltiple, se ven influidos por el orden y el etiquetado de las opciones de formas que pueden ser impredecibles. Los investigadores deben ser conscientes de este efecto y, al igual que hacen con las personas reales, asegurarse de aleatorizar todos los aspectos relevantes de la encuesta para limitar el sesgo potencial. También se han planteado dudas sobre la capacidad de la IA generativa para simular las respuestas de una muestra representativa de la población. Un estudio realizado en 2023 por investigadores de Columbia y Stanford descubrió que la mayoría de los modelos recientes de OpenAI expresan opiniones que son más típicas de las personas que son, por ejemplo, liberales o bien educadas, y son menos características de las personas mayores de 65 años o más religiosas. Ese sesgo puede proceder no sólo de los datos de entrenamiento sobre los que se construyen los modelos, sino también de la participación humana en su perfeccionamiento, lo que explicaría por qué los modelos más recientes resultan cada vez más sesgados. Dadas esas limitaciones, quizá no sorprenda que un estudio de 2024 dirigido por James Bisbee, de la Universidad de Vanderbilt, descubriera que cuando los encuestados sintéticos realizaban una encuesta de opinión pública, sus respuestas se parecían mucho a las de los humanos, pero mostraban menos variación, eran sensibles a la formulación de las preguntas y no eran estables a lo largo de un periodo de tres meses. Los datos sintéticos también pueden ser de ayuda limitada en la simulación de experimentos que asignan a los encuestados diferentes tratamientos según las condiciones. Hemos explorado el uso de la IA generativa en simulaciones de experimentos en los que el precio del producto variaba entre los encuestados digitales, a los que se preguntaba si tenían intención de comprarlo. Hemos descubierto que las curvas de demanda elicitadas por la IA no sólo eran diferentes de las curvas elicitadas haciendo las mismas preguntas a los encuestados humanos, sino que además eran inverosímiles. La razón es quizá sencilla en retrospectiva. Los experimentos en los que participan personas reales suelen emplear diseños ciegos, en los que cada participante desconoce las demás condiciones y el objetivo del estudio. Eso es lo que ocurre cuando los consumidores toman decisiones en el mundo real, donde normalmente no se les ofrece la posibilidad de elegir exactamente el mismo producto a diferentes precios. Pero cuando se aplica a experimentos con modelos de IA generativa, el diseño ciego conduce a un fenómeno llamado "confusión", por el que una variable imprevista asociada tanto al tratamiento (digamos, el precio) como a la variable dependiente (digamos, la decisión de compra) enturbia la relación entre el tratamiento y la variable dependiente. En nuestros experimentos sobre precios, descubrimos que a la IA generativa le costaba mucho tratar el precio del producto como aleatorio y tendía a suponer que otras variables (precios anteriores, precios de otros productos en la tienda) también variaban con el precio del producto, lo que justificaba la compra a un precio más alto, dando lugar a pocos cambios en el comportamiento a medida que variaba el precio. La IA generativa tampoco predice bien las reacciones emocionales de los consumidores a los estímulos multisensoriales. Eso es lo que aprendió la empresa de sabores y fragancias Takasago cuando exploró la posibilidad de sustituir un panel de investigación humano por un panel generado por IA. Las fragancias, por ejemplo, no tienen los mismos efectos en los modelos de IA generativa que en las personas reales. "Aunque nuestro modelo puede aprender de los datos del pasado", nos dijo Jelena Le Breton, vicepresidenta global de la empresa para información del cliente e investigación de mercado, "sigue siendo difícil predecir para el ser humano el cambio de las preferencias olfativas, que a menudo pueden asociarse a experiencias y emociones individuales". . . . Mientras navegamos por el futuro del marketing en la era de la IA generativa y los datos sintéticos, la comunidad del marketing tendrá que proceder con una perspectiva equilibrada e informada. De este modo, podremos aprovechar el poder de estas extraordinarias herramientas y tecnologías al tiempo que nos aseguramos de que nuestras estrategias se basan en la imparcialidad, la precisión y el conocimiento genuino de los clientes. Con esto en mente, nos gustaría concluir con una nota optimista, trayendo a colación una idea que nos propuso Cannon de Outset.ai. Si la IA generativa puede hablar con miles de personas de todo el mundo en cientos de idiomas cada hora, y puede extraer al instante todo tipo de conocimientos únicos y de alta fidelidad de los datos que esas conversaciones generan, entonces nuestra comprensión mutua debería profundizarse, y los productos, servicios y experiencias que construyamos estarán impregnados de más humanidad, no de menos.

Cómo la IA generativa está transformando la investigación de mercados

Resumen.

Partner Center