Como a IA generativa está transformando a pesquisa de mercado

A ideia em resumo A oportunidade A IA generativa está pronta para transformar a pesquisa de mercado - a forma como as empresas coletam dados e desenvolvem insights sobre clientes e concorrentes. Os profissionais de marketing precisam entender e aproveitar as possibilidades. A pesquisa Os autores identificaram quatro classes distintas de aplicações para a IA generativa na pesquisa de marketing: (1) apoiar as práticas atuais, (2) substituir as práticas atuais, (3) preencher as lacunas existentes e (4) criar novos tipos de dados e insights. O caminho a seguir À medida que a comunidade de marketing se envolve com a IA generativa, ela precisará abraçar o poder da nova tecnologia e, ao mesmo tempo, garantir que as estratégias que elabora sejam baseadas na justiça, na precisão e em insights genuínos sobre o cliente. Entre todas as funções gerenciais, é provável que o marketing seja a que mais gerará disrupção com a IA generativa. Reconhecendo o potencial da tecnologia, acadêmicos e profissionais vêm investigando novas maneiras de aplicá-la ao atendimento ao cliente e à criação de conteúdo há algum tempo, mas recentemente o mundo dos negócios começou a prestar atenção ao impacto que a TI poderia ter em outras atividades de marketing. A mais empolgante delas é a pesquisa de mercado, os processos pelos quais as empresas coletam dados e geram insights sobre clientes e concorrentes. Nos últimos dois anos, estudamos e trabalhamos diretamente com empresas que estão explorando o uso da IA generativa na pesquisa de marketing e podemos informar que grandes e transformadoras mudanças estão reservadas para essa área. Quando implantada adequadamente, a tecnologia oferece às empresas oportunidades sem precedentes para entender e interagir com os clientes, avaliar melhor o ambiente competitivo e estender a tomada de decisões orientada por dados para dentro de suas organizações. Em nossa pesquisa, identificamos quatro classes distintas de oportunidades. A primeira envolve o suporte às práticas atuais, tornando-as mais rápidas, mais baratas ou mais fáceis de serem ampliadas. A segunda envolve a substituição das práticas atuais pelo uso de dados sintéticos (dados sobre as preferências ou o comportamento das pessoas criados por IA e não coletados por meio de pesquisas ou entrevistas). A terceira envolve o preenchimento de lacunas existentes na compreensão do mercado, obtendo insights e evidências que não estão disponíveis nos dados convencionais. E a quarta, que ainda está surgindo, envolve a criação de novos tipos de dados e insights. Neste artigo, apresentaremos uma estrutura que ajudará a orientar líderes e empresas nesse novo terreno. Explicaremos como a IA generativa começou e continuará a mudar a pesquisa de marketing, o que pode ser feito para aproveitar ao máximo as novas oportunidades e como estar atento às limitações da tecnologia e às questões éticas que envolvem suas novas aplicações. Apoio às práticas atuais As empresas geralmente se sentem frustradas com o custo relativamente alto e os longos prazos de coleta de insights sobre clientes e mercado. Então, como a IA generativa pode atender a ambos? Com base no que aprendemos em nossas pesquisas e compromissos com as empresas, desenvolvemos uma maneira sistemática de encontrar casos de uso. Isso envolve a aplicação do que consideramos ser os quatro principais recursos da IA generativa - síntese, codificação (programação de computadores), interação humana e redação - a cada estágio do processo de pesquisa de mercado. Para simplificar, reduzimos o processo a apenas três estágios: a identificação de oportunidades e a elaboração de um programa de pesquisa; a coleta e a análise de dados; e o relatório e a divulgação de informações e insights. (A capacidade da IA generativa de sintetizar informações, por exemplo, poderia ser aproveitada para resumir a literatura e as pesquisas anteriores no primeiro estágio, para extrair descobertas de entrevistas e novos dados no segundo estágio e para articular as conclusões no terceiro estágio. E a IA generativa poderia realizar todas essas atividades muito mais rapidamente do que os humanos. Como a IA generativa pode aprimorar as práticas atuais de pesquisa de mercado Uma ferramenta simples para identificar casos de uso Síntese Codificação Interação Redação Identificação de oportunidades e projeto de pesquisa Síntese Resumo da pesquisa e da literatura existentes Codificação Extração de dados existentes para hipóteses Interação Uso de chatbots para brainstorming e geração de ideias Redação Geração de hipóteses Coleta e análise de dados Síntese Extração de significado e insights do texto Codificação Configuração de pesquisas em uma interface da Web; realização de análises Interação Uso de entrevistadores sintéticos para fazer perguntas de acompanhamento Redação Criação de materiais de estudo Relatórios e divulgação Síntese Articulação de conclusões Codificação Criação de ferramentas de visualização de dados Interação Uso de chatbots para exploração de dados Redação Elaboração de resumos executivos Como as empresas estão realmente aproveitando a IA generativa para apoiar suas práticas atuais? Uma pesquisa que realizamos recentemente com a empresa de Jeremy, a GBK Collective, uma empresa de estratégia de marketing e insights com laços profundos com os principais professores de escolas de negócios e empresas da Fortune 500, revela como. Na TI, reunimos respostas de mais de 170 profissionais e usuários de pesquisa de mercado. Descobrimos que 45% deles já estavam empregando IA generativa em suas atividades atuais de dados e insights; outros 45% nos disseram que planejavam fazer isso no futuro. A pesquisa revelou algumas tendências interessantes de alto nível. Não é de surpreender que mais de 70% dos entrevistados tenham relatado preocupações sobre os possíveis efeitos colaterais e desafios da IA generativa. Essas preocupações incluíam a possibilidade de informações tendenciosas ou imprecisas, riscos à segurança e à privacidade e o tempo e a energia adicionais que seriam necessários para integrar a IA generativa às práticas atuais. Uma porcentagem semelhante de entrevistados se preocupou com o potencial da IA generativa de criar lacunas de habilidades e até mesmo substituir os profissionais de dados e insights humanos. Dito isso, muitos entrevistados - como muitos dos profissionais com quem trabalhamos - foram extremamente positivos e já estão adotando a tecnologia. Sessenta e dois por cento dos que atualmente empregam IA generativa em seu trabalho nos disseram que a estavam usando para sintetizar longas transcrições de entrevistas e outros documentos, um processo que antes era trabalhoso; 58% a estavam usando para analisar dados; e 54% a estavam usando para escrever relatórios. De modo geral, nossos entrevistados pareciam entusiasmados com as diversas maneiras pelas quais a IA generativa poderia ajudá-los a realizar suas tarefas. Mais de 80% concordaram que a TI tem o potencial de aumentar significativamente a produtividade e a eficiência pessoal e que integrá-la em seus processos de trabalho é fundamental para se manterem competitivos. Uma porcentagem igual nos disse que acredita que a TI afetará positivamente seu setor em geral, melhorando seus empregos e impulsionando inovações significativas. A TI fará isso, segundo eles, permitindo que as pessoas executem tarefas mais rapidamente, concentrem-se em tarefas em que possam agregar mais valor e dediquem mais tempo à interpretação de dados e à narração de histórias. De modo mais geral, a TI aumentará a qualidade, a precisão e a personalização de seu trabalho. Inspirado pela tradição da arte americana de quilting e performance, Carson Davis Brown monta instalações de guerrilha de objetos encontrados em grandes lojas. As start-ups de pesquisa de mercado já estão entrando nesse espaço. Uma delas, a Meaningful, por exemplo, tem como objetivo "turbinar" a pesquisa de marketing, usando-a para criar pesquisas personalizadas, distribuí-las a painéis de participantes, realizar entrevistas qualitativas e analisar os resultados. A Outset.ai concentra-se nas maneiras pelas quais a IA generativa pode gerar perguntas em vez de respostas sobre as necessidades e os comportamentos dos consumidores - uma ideia promissora. Sua plataforma de pesquisa moderada por TI sonda dinamicamente os participantes com novas perguntas baseadas em suas respostas anteriores para obter respostas mais perspicazes, combinando a velocidade e a escala de uma ferramenta de pesquisa automatizada com a profundidade de uma entrevista tradicional. Aaron Cannon, cofundador e CEO da Outset.ai, construiu sua empresa com base em uma descoberta singularmente importante: Quando a IA generativa tem a simples tarefa de envolver as pessoas em uma conversa, elas compartilham seus pensamentos, experiências e sentimentos em abundância, e o problema de alucinação da IA praticamente desaparece. A equipe de pesquisa da WeightWatchers (um cliente da Outset.ai) descobriu que os participantes também costumam ser mais solícitos quando são entrevistados pela IA em vez de por pessoas, porque certos efeitos de viés são reduzidos. Wil Readinger, ex-diretor de pesquisa de experiência do usuário da empresa, está cheio de entusiasmo com a IA generativa. Segundo ele, os pesquisadores não serão mais forçados a escolher entre "os dados mais ricos e contextualizados coletados em uma entrevista e o alcance mais amplo de uma pesquisa". Em vez disso, eles agora têm uma terceira opção, que, como ele diz, é "Ambas!" Substituindo as práticas atuais Uma das aplicações mais inovadoras da IA generativa no marketing é produzir e analisar o que é conhecido como "dados sintéticos" - dados gerados artificialmente que imitam o comportamento e as preferências de pessoas reais. As empresas podem fazer isso com qualquer um dos programas de IA generativa amplamente disponíveis, mas também podem desenvolver e treinar seus próprios modelos especializados usando os dados agregados que já coletaram de pesquisas tradicionais, dados sindicalizados, sistemas de CRM e informações transacionais. Os dados sintéticos podem então ser usados para simular várias respostas de clientes ou concorrentes, destacando possíveis pontos problemáticos e os benefícios que os consumidores buscam em diferentes estágios de suas interações com um produto ou serviço. Um total de 81% dos entrevistados em nossa pesquisa nos disseram que já usam ou planejam usar IA generativa para criar dados sintéticos. Um deles mencionou planos para "criar personas de público sintético com as quais minha equipe possa interagir e que correspondam ao público-alvo do meu cliente". Ao criar perfis e cenários hipotéticos detalhados de clientes, esses modelos ajudam os profissionais de marketing a prever melhor as necessidades e preferências e a tomar decisões mais eficazes. Mas eles certamente não podem reproduzir toda a profundidade e imprevisibilidade do comportamento humano. Nossos entrevistados estavam bem cientes dessa deficiência: Apenas 31% classificaram o valor dos dados produzidos pela IA generativa como "ótimo", o que a torna uma das áreas de satisfação mais baixas de nossa pesquisa. No entanto, estudos demonstraram que a IA generativa pode melhorar a qualidade dos dados sintéticos quando recebe exemplos de perguntas e respostas nos prompts, quando pode aproveitar uma base de conhecimento de estudos anteriores para recuperar o conteúdo relevante para cada pergunta e quando seus parâmetros são ajustados para se adequar melhor aos dados existentes. Empresas novas e estabelecidas estão explorando o potencial dos dados sintéticos. A start-up Evidenza, por exemplo, realizou mais de 60 estudos de validação comparando resultados sintéticos com pesquisas tradicionais em vários setores. Em um estudo, ela colaborou com a EY para realizar um teste duplo-cego - o padrão ouro em pesquisa científica - no qual nenhuma das partes conhecia os resultados da outra até a conclusão do estudo. A EY forneceu à Evidenza seu questionário anual de pesquisa de marca e detalhes sobre seu público-alvo (CEOs de empresas dos EUA com mais de US$ 1 bilhão em receita), mas reteve os resultados reais da pesquisa para uso posterior como referência. Em seguida, a Evidenza criou mais de mil personas sintéticas que correspondiam ao perfil do público-alvo e fez com que elas respondessem à pesquisa. "Os resultados foram surpreendentes", disse-nos Toni Clayton-Hine, CMO da EY Americas. "As conclusões foram 95% iguais, as correlações foram muito fortes e, em muitos casos, os números foram quase idênticos." A IA oferece às empresas oportunidades sem precedentes para entender e interagir com os clientes, avaliar melhor o ambiente competitivo e ampliar a tomada de decisões orientada por dados. A IA generativa não produz apenas dados quantitativos estruturados. Um estudo realizado em 2024 na Wisconsin School of Business demonstrou que a TI também pode produzir dados qualitativos profundos. Em particular, a TI pode realizar entrevistas reveladoras e perspicazes com os entrevistados sintéticos que criou - por exemplo, para replicar os clientes desejados. Vários pesquisadores e gerentes já utilizaram a TI com sucesso dessa forma. Um bom exemplo de fornecedor que oferece esse tipo de trabalho é a start-up Synthetic Users, sediada em Portugal. É claro que qualquer empresa que queira adotar uma abordagem personalizada para a criação de dados sintéticos precisa compartilhar algumas informações proprietárias com o programa de IA generativa que utiliza, e isso deixa algumas empresas desconfortáveis. Para aliviar suas preocupações, todos os principais fornecedores de IA generativa oferecem versões empresariais pagas de modelos que não compartilham dados ou insights proprietários da empresa com outras empresas. Alguns também estão ajudando as empresas a criar "pequenos" modelos de IA generativa que elas mesmas controlarão totalmente. A start-up Rockfish Data, por exemplo, permite que as empresas desenvolvam e treinem seus próprios modelos personalizados de IA gen em conjuntos de dados internos - uma abordagem que mantém os dados e os modelos totalmente privados. Esses modelos podem ser pequenos, mas alguns dos usuários não são: O Exército dos EUA e o Departamento de Segurança Interna são clientes da Rockfish Data. Novamente, há pontos positivos e negativos a serem considerados: Os modelos de IA generativa de pequeno porte são limitados principalmente a dados estruturados ou semiestruturados (dados numéricos ou categóricos) e não se beneficiam dos amplos conjuntos de treinamento dos modelos públicos, enquanto os modelos públicos também podem trabalhar com dados qualitativos menos estruturados. Para algumas empresas, o ajuste fino de modelos grandes usando dados proprietários pode ser um compromisso eficaz. Preenchendo as lacunas existentes Mesmo em organizações que afirmam ser orientadas por dados, os profissionais geralmente relatam que a maioria das decisões é tomada sem uma análise empírica formal. Simplesmente não há tempo ou dinheiro suficiente para fazê-la. No entanto, a IA generativa promete ser um mecanismo inteligente e sempre ativo para obter insights sobre clientes e mercados - um mecanismo que pode oferecer aos pesquisadores de mercado acesso instantâneo a evidências empíricas quando os dados não estão disponíveis ou são muito caros para serem adquiridos. A IA generativa pode ser usada para testar suposições, conceitos-piloto e estratégias de execução, além de fornecer uma caixa de ressonância para decisões gerenciais. As empresas podem até desenvolver "laboratórios" que disponibilizam modelos personalizados de IA para os funcionários de forma segura e conveniente para apoiar a tomada de decisões em toda a organização. Em nossa pesquisa, 30% dos entrevistados disseram que sua empresa havia usado IA generativa para orientar a tomada de decisões que anteriormente não teriam aproveitado dados e percepções externas. No geral, 81% dos entrevistados relataram que usam ou planejam usar a IA generativa para "ouvir o mercado" e manter suas organizações informadas sobre o ambiente competitivo. Um deles, por exemplo, usou a TI para analisar as últimas tendências e estratégias dos rivais e produzir inteligência competitiva em tempo hábil para a tomada de decisões, e outro a usou para realizar análises preditivas para decisões, com base em dados históricos e suposições. Carson Davis Brown Muitas empresas estão experimentando o uso de dados sintéticos para apoiar a inovação de produtos. Uma delas é a General Mills. "Estamos explorando como os dados sintéticos podem acelerar e aprimorar nossos processos de ideação de produtos, aumentando a probabilidade de encontrar ideias realmente excelentes sobre como atender melhor nossos consumidores", diz Lanette Shaffer Werner, diretora de inovação, tecnologia e qualidade da empresa. Várias start-ups também estão se envolvendo com dados sintéticos. A Evidenza está fornecendo ferramentas para criá-los em clientes B2B, que são notoriamente difíceis de alcançar. A Arena Technologies está usando IA generativa e dados sintéticos sobre perfis e gostos de clientes locais para ajudar os varejistas a tomar decisões mais inteligentes - sobre como adaptar as ofertas por ponto de venda, por exemplo. A Evidenza emprega dados sintéticos para ajudar os profissionais de marketing a tomarem decisões sobre segmentação, posicionamento e mensagens, e sua plataforma também estima o impacto financeiro dessas escolhas, com projeções de ROI e métricas que falam aos CFOs e às equipes de receita. Criação de novos tipos de dados e percepções Um mantra em marketing de conteúdo e vendas é que o senhor tem apenas uma chance de causar uma primeira impressão. Mas talvez isso não seja mais verdade. Dizemos isso porque os profissionais de marketing de conteúdo e os vendedores estão começando a usar a IA generativa para criar "gêmeos digitais" - réplicas virtuais de clientes individuais que são construídas usando informações publicamente disponíveis ou dados proprietários - para testar e refinar seus materiais e argumentos de venda antes de apresentá-los a pessoas reais. Essa abordagem permite a calibração meticulosa dos esforços de marketing porque os gêmeos digitais, ao contrário das pessoas reais, nunca ficam cansados, irritados ou entediados ao interagir com os profissionais de marketing e suas perguntas. Mais de 40% dos nossos entrevistados disseram que já estão fazendo experiências com gêmeos digitais. Um deles, por exemplo, relatou o uso de gêmeos digitais em um ambiente de vendas virtual para "simular o comportamento de compra dos clientes, as taxas de cliques e os padrões de interação em diferentes contextos", tudo em um esforço para "ajudar a testar estratégias de marketing e otimizar a experiência do usuário". Outros 42% disseram que planejavam fazer experiências com gêmeos digitais no futuro. O uso de gêmeos digitais no marketing está crescendo rapidamente. A Arena criou uma ferramenta de treinamento que os representantes de vendas B2B podem usar para interagir com gêmeos digitais de clientes. A CivicSync desenvolveu uma tecnologia que permite a seus clientes (com o consentimento dos consumidores) rastrear compras, pesquisas e outros comportamentos on-line e, em seguida, criar gêmeos digitais altamente precisos de seus usuários-alvo. A empresa de RP Ogilvy testou ideias criativas em gêmeos digitais para garantir que suas campanhas repercutam nos consumidores. E a GBK Collective está experimentando diferentes maneiras de usar os resultados de pesquisas para treinar ou prompt IA generativa para criar gêmeos digitais que podem ser consultados em perguntas de marketing individualizadas. A TI usa diferentes subconjuntos de dados de pesquisas anteriores para criar diferentes variantes de gêmeos digitais e, em seguida, executa testes para ver se alguns funcionam melhor ou pior para determinados objetivos de pesquisa de negócios. Os resultados dos testes são comparados com as respostas reais das pesquisas anteriores para medir a eficácia de cada abordagem. A IA generativa pode realizar entrevistas perspicazes com os entrevistados sintéticos que criou, por exemplo, para replicar os clientes desejados. Muitas empresas também estão experimentando ferramentas disponíveis gratuitamente, como o NotebookLM do Google, que cria um "assistente de pesquisa" personalizado, treinado com informações sobre concorrentes, dados relevantes do setor e do domínio e perfis de clientes-alvo. O assistente pode preparar os membros da equipe para os compromissos com os clientes, ajudando-os a refinar seus argumentos, ofertas e interações e a antecipar possíveis objeções. Henry Sosa, principal gerente técnico de contas da Oleria, uma start-up de segurança cibernética (onde um de nós, Jeremy, é consultor), já criou uma série desses assistentes de IA generativa para seus colegas de vendas e marketing. Os acadêmicos também estão voltando sua atenção para novas possibilidades. Uma equipe da Columbia Business School, por exemplo, está criando um painel representativo de 2.500 personas, cada uma delas o gêmeo digital de uma pessoa real. As pessoas que serão espelhadas passarão por uma extensa bateria de testes (psicológicos, comportamentais, cognitivos, de atitude) que estabelecerão coletivamente uma "verdade básica" que a IA generativa poderá usar para criar os gêmeos. A ideia é implantar o painel como sujeitos virtuais em novas pesquisas e levantamentos. Um estudo de uma equipe que inclui pesquisadores de Stanford e do Google DeepMind sugere que essa abordagem é promissora. Depois de entrevistar uma amostra de indivíduos por algumas horas e fazer com que eles respondessem a uma série de pesquisas, a equipe usou as transcrições das entrevistas para criar gêmeos digitais de cada participante. Em seguida, pediu aos gêmeos digitais que respondessem às mesmas pesquisas. Os participantes reais também foram solicitados a responder às mesmas perguntas novamente duas semanas depois. As respostas dos gêmeos digitais acabaram reproduzindo as respostas iniciais das pessoas reais com 85% de precisão, assim como o segundo conjunto de respostas dessas pessoas. Entendendo as limitações A IA generativa oferece muito aos profissionais de marketing, mas ainda tem muitas limitações, que é importante reconhecer. Como observamos anteriormente, uma das principais preocupações destacadas em nossa pesquisa foi a possibilidade de resultados tendenciosos, citada por 77% dos entrevistados. O viés é intrínseco a qualquer conjunto de dados de treinamento e pode distorcer os resultados, podendo levar a representações errôneas de segmentos de clientes ou tendências de mercado. (No entanto, as práticas atuais de pesquisa também podem levar a resultados tendenciosos por vários motivos). Além disso, como os modelos de IA generativa são treinados com base em dados e insights existentes, ainda não está claro o quão bons eles serão para prever mudanças drásticas no comportamento do consumidor ou antecipar inovações descontínuas de produtos. Os modelos de IA generativa também são conhecidos por serem sensíveis à arquitetura do prompt. Por exemplo, mostramos que, quando estão respondendo a perguntas de múltipla escolha, eles são influenciados pela ordem e pela rotulagem das opções de maneiras que podem ser imprevisíveis. Os pesquisadores devem estar cientes desse efeito e, como fazem com pessoas reais, certificar-se de randomizar todos os aspectos relevantes da pesquisa para limitar o possível viés. Também foram levantadas preocupações sobre a capacidade da IA generativa de simular respostas de uma amostra representativa da população. Um estudo de 2023 realizado por pesquisadores da Columbia e de Stanford constatou que os modelos mais recentes da OpenAI expressam opiniões mais típicas de pessoas que são, por exemplo, liberais ou bem-educadas, e são menos características de pessoas com mais de 65 anos ou mais religiosas. Esse viés pode ser proveniente não apenas dos dados de treinamento com base nos quais os modelos são criados, mas também do envolvimento humano no refinamento deles, o que explicaria por que os modelos mais recentes estão se mostrando cada vez mais tendenciosos. Dadas essas limitações, talvez não seja surpreendente que um estudo de 2024, liderado por James Bisbee, da Universidade de Vanderbilt, tenha descoberto que, quando os entrevistados sintéticos participaram de uma pesquisa de opinião pública, suas respostas se assemelharam muito às respostas dos humanos, mas apresentaram menos variação, foram sensíveis à formulação das perguntas e não foram estáveis em um período de três meses. Os dados sintéticos também podem ser de ajuda limitada na simulação de experimentos que atribuem aos entrevistados diferentes tratamentos em diferentes condições. Exploramos o uso de IA generativa em simulações de experimentos nos quais o preço do produto variava entre os entrevistados digitais, que foram questionados se pretendiam comprá-lo. Descobrimos que as curvas de demanda obtidas pela IA não só eram diferentes das curvas obtidas ao fazer as mesmas perguntas aos entrevistados humanos, mas também eram implausíveis. Em retrospectiva, o motivo talvez seja simples. Os experimentos que envolvem pessoas reais geralmente empregam projetos cegos, em que cada participante não tem conhecimento das outras condições e do objetivo do estudo. Isso é o que acontece quando os consumidores tomam decisões no mundo real, onde normalmente não lhes é oferecida a opção de escolher exatamente o mesmo produto a preços diferentes. Porém, quando aplicado a experimentos que envolvem modelos de IA generativa, o design cego leva a um fenômeno chamado "confusão", em que uma variável imprevista associada ao tratamento (por exemplo, o preço) e à variável dependente (por exemplo, a decisão de compra) confunde a relação entre o tratamento e a variável dependente. Em nossos experimentos de preços, descobrimos que a IA generativa tinha dificuldade em tratar o preço do produto como aleatório e tendia a presumir que outras variáveis (preços anteriores, preços de outros produtos na loja) também variavam com o preço do produto, o que justificava a compra a um preço mais alto, levando a pouca mudança de comportamento conforme o preço variava. A IA generativa também ainda não prevê bem as reações emocionais dos consumidores a estímulos multissensoriais. Foi isso que a empresa de aromas e fragrâncias Takasago aprendeu quando explorou a substituição de um painel de pesquisa humano por um painel gerado por TI. As fragrâncias, por exemplo, simplesmente não têm os mesmos efeitos nos modelos de IA generativa que têm em pessoas reais. "Embora nosso modelo possa aprender com os dados anteriores", disse-nos Jelena Le Breton, vice-presidente global de insights de clientes e pesquisa de mercado da empresa, "ainda é difícil prever mudanças humanas nas preferências olfativas, que muitas vezes podem estar associadas a experiências e emoções individuais". . . . Ao navegarmos pelo futuro do marketing na era da IA generativa e dos dados sintéticos, a comunidade de marketing precisará proceder com uma perspectiva equilibrada e informada. Ao fazer isso, podemos aproveitar o poder dessas ferramentas e tecnologias notáveis e, ao mesmo tempo, garantir que nossas estratégias sejam baseadas em justiça, precisão e insights genuínos sobre o cliente. Com isso em mente, gostaríamos de concluir com uma nota otimista, trazendo à tona uma ideia que Cannon, da Outset.ai, nos propôs. Se a IA generativa puder conversar com milhares de pessoas em todo o mundo, em centenas de idiomas, a cada hora, e puder extrair instantaneamente todos os tipos de insights exclusivos e de alta fidelidade dos dados que essas conversas geram, então nossa compreensão mútua deverá se aprofundar - e os produtos, serviços e experiências que construirmos serão infundidos com mais humanidade, e não menos.

Como a IA generativa está transformando a pesquisa de mercado

Resumo.

Partner Center