Una investigadora compara un grupo de consumidores con sus representaciones digitales generadas mediante inteligencia artificial

Consumidores sintéticos con IA y el futuro de la investigación de mercados

Una empresa puede pedir a un modelo de inteligencia artificial que actúe como un consumidor, le muestre un nuevo producto y le pregunte si lo compraría. Si repite el proceso con miles de perfiles, obtendrá miles de respuestas en poco tiempo. La cuestión es qué representan esas respuestas y hasta qué punto sirven para tomar decisiones.

Una publicación reciente en X plantea que este procedimiento podría acabar con la investigación de mercados tradicional. Para sostenerlo, cita un trabajo en el que participan investigadores vinculados a Colgate-Palmolive y que propone una técnica denominada Semantic Similarity Rating o SSR.

La propuesta merece atención, pero la conclusión difundida en redes es excesiva. El trabajo compara respuestas sintéticas con respuestas humanas a encuestas sobre conceptos de productos; no demuestra que la IA pueda predecir las compras reales ni sustituir la investigación de mercados.

La pregunta interesante, por tanto, no es si debemos elegir entre consumidores reales o artificiales. Es en qué tareas puede ser útil una simulación, cómo podemos comprobarlo y qué información perderíamos si dejáramos de observar a las personas.

Qué es un consumidor sintético

Un consumidor sintético es una respuesta generada por un modelo de IA al que se le pide que adopte un determinado perfil. Por ejemplo, se le puede indicar que responda como una persona de 35 años, con un determinado nivel de ingresos y hábitos de compra, ante el lanzamiento de un nuevo producto de cuidado personal.

El modelo recibe esa descripción y genera una respuesta compatible con las instrucciones y con los patrones aprendidos durante su entrenamiento. La respuesta puede resultar razonable e incluso parecer espontánea. Sin embargo, no procede de una persona con ese perfil que haya considerado realmente la compra.

Esta diferencia afecta a la interpretación de los resultados. Un consumidor real responde desde sus circunstancias, experiencias, conocimientos y limitaciones. Un perfil sintético produce una simulación a partir de la información disponible para el modelo y de las condiciones que ha definido quien investiga. Cuanto menos sepamos sobre cómo influyen esas condiciones, más difícil será saber qué representan las respuestas.

La propuesta de Colgate-Palmolive y PyMC Labs

El trabajo citado en la publicación de X propone una forma de generar valoraciones sintéticas de intención de compra. Para ello, los autores comparan los resultados del modelo con información procedente de 57 encuestas sobre conceptos de productos de cuidado personal, realizadas con un total de 9.300 participantes estadounidenses.

En lugar de pedir directamente al modelo una puntuación de uno a cinco, la técnica SSR sigue dos pasos. Primero, solicita una respuesta escrita ante el concepto de producto. Después, compara el significado de ese texto con una serie de frases de referencia asociadas a los distintos valores de la escala.

Por ejemplo, ante un producto imaginario, el modelo podría generar una respuesta como esta:

«Me parece práctico y el precio podría encajar en mi presupuesto, aunque necesitaría saber más sobre sus ingredientes antes de comprarlo».

A partir de la proximidad semántica entre esa respuesta y las frases de referencia, el sistema construye una distribución de probabilidades para los distintos puntos de la escala. El ejemplo es ilustrativo; no reproduce una respuesta del estudio.

La idea tiene interés metodológico porque separa dos tareas: generar una opinión en lenguaje natural y traducirla después a una escala numérica. La forma de solicitar una respuesta puede afectar al resultado, tanto en una encuesta convencional como en una simulación con IA.

Según informan los autores en su prepublicación, la técnica produjo distribuciones de respuestas similares a las observadas en las encuestas humanas y permitió aproximarse a la ordenación relativa de los conceptos evaluados. Son resultados que conviene examinar, pero su condición de prepublicación y las características de la validación obligan a interpretarlos con cautela.

Qué significa realmente el 90 %

La publicación de X destaca que los consumidores sintéticos alcanzaron el 90 % de la fiabilidad humana. Expresado así, el dato puede sugerir que la IA respondió correctamente al 90 % de las preguntas, que acertó el 90 % de las compras o que ofrece una precisión del 90 % para cualquier producto. Ninguna de esas interpretaciones se desprende de la medida utilizada.

Los autores compararon cómo se relacionaba la ordenación media de los conceptos obtenida con respuestas sintéticas con la derivada de contestaciones humanas. Después, expresaron esa relación respecto a una referencia estimada a partir de divisiones de las propias muestras humanas. El resultado resume, por tanto, una comparación relativa de correlaciones bajo las condiciones del estudio.

Se trata de una referencia construida dividiendo las muestras disponibles, no de una repetición convencional de las encuestas con un nuevo grupo de participantes. Además, una correlación elevada entre ordenaciones no implica que las puntuaciones coincidan exactamente para cada concepto ni que las personas terminen comprando el producto.

Dicho de otro modo, aproximarse al orden de preferencia declarado en un conjunto de encuestas es una tarea distinta de anticipar ventas. Entre la intención expresada y la compra intervienen factores como la disponibilidad, el precio efectivo, la competencia, la exposición publicitaria y las circunstancias de cada consumidor.

Las limitaciones que el mensaje viral deja fuera

La primera limitación tiene que ver con el alcance de los datos. Los conceptos pertenecían a una misma área de producto y estaban dirigidos al mercado estadounidense. El trabajo indica que el método no funcionará igual en servicios financieros, turismo, alimentación o productos industriales, ni en otros contextos culturales.

La segunda afecta a la validación. Los propios autores señalan que ajustaron manualmente las frases de referencia utilizadas en SSR para las 57 encuestas analizadas. Esto deja abierta una cuestión esencial: cómo se comportaría el procedimiento con productos y encuestas nuevos, no utilizados para definir esos elementos. Una evaluación independiente y prospectiva ayudaría a responderla.

También conviene matizar la interpretación de los segmentos. La simulación reprodujo perfectamente las reacciones de los grupos de edad e ingresos ante cambios de precio. El trabajo describe una correspondencia relativamente buena en algunos patrones de edad e ingresos, pero también reconoce que otros, como los relativos a género, región o etnia, no se reprodujeron de forma consistente. Además, comparar conceptos situados en distintos segmentos de precio no equivale a demostrar qué ocurriría si se modificase experimentalmente el precio de un mismo producto.

Hay otra precaución que afecta a las respuestas abiertas. Un texto sintético puede ser claro, detallado y sugerente, pero eso no demuestra que exprese una motivación real. Si el modelo afirma que un supuesto consumidor desconfía de un ingrediente, esa frase puede servir para formular una pregunta; por sí sola no acredita que exista esa preocupación entre los compradores.

De hecho, una explicación convincente puede hacer más difícil detectar el problema: cuanto más verosímil sea la respuesta, más tentador resultará tratarla como una experiencia observada.

El riesgo de convertir estereotipos en resultados

Para generar perfiles sintéticos, normalmente se proporcionan características como edad, género, ingresos o lugar de residencia. Esos datos pueden ayudar a contextualizar la respuesta, pero también pueden activar asociaciones simplificadas presentes en el modelo.

Imaginemos que una empresa quiere estudiar la aceptación de un servicio digital entre personas mayores. Si únicamente describe a los perfiles por su edad, el modelo podría producir comentarios sobre dificultades tecnológicas que resulten plausibles, aunque no reflejen adecuadamente la diversidad de conocimientos, intereses y experiencias de ese grupo.

El problema no desaparece por generar muchas respuestas. Si todas proceden del mismo modelo y de una definición estrecha del perfil, una muestra sintética más grande puede dar una apariencia de precisión a un supuesto equivocado. Tampoco equivale a entrevistar a mil personas independientes: las respuestas comparten el sistema que las genera, sus datos de entrenamiento y las instrucciones utilizadas.

Una revisión publicada en Psychology & Marketing señala que los resultados de las comparaciones entre muestras humanas y sintéticas varían según el ámbito estudiado. Sus autores identifican posibilidades en las fases preliminares de investigación, como el pretest cualitativo y los estudios piloto, al tiempo que advierten de las dificultades de utilizar estas muestras en estudios principales.

Dónde pueden aportar valor los consumidores sintéticos

Las limitaciones no hacen que la herramienta carezca de interés. Su utilidad potencial cambia cuando dejamos de tratar las respuestas como observaciones del mercado y las utilizamos para preparar mejor el trabajo posterior.

Una empresa podría, por ejemplo, presentar al modelo varias descripciones preliminares de un producto y pedirle que identifique posibles ambigüedades, dudas o diferencias entre ellas. Las respuestas ayudarían al equipo a revisar los materiales antes de enseñárselos a consumidores reales. También podrían sugerir preguntas para una entrevista o aspectos que convendría incluir en un cuestionario.

Otro uso posible es explorar escenarios. Ante una propuesta de suscripción, el equipo podría pedir a la IA que genere posibles objeciones relacionadas con el precio, la cancelación o la utilidad del servicio. El resultado sería una lista de hipótesis para contrastar, no una estimación de cuántos clientes comparten cada preocupación.

En decisiones de mayor impacto —como fijar un precio, seleccionar el producto que se lanzará o estimar la demanda— sería necesario comprobar previamente si el sistema funciona para esa categoría y ese público. Esto implica comparar sus predicciones con datos humanos o de comportamiento que no se hayan utilizado para ajustar el procedimiento y examinar también sus errores, no solo sus aciertos medios.

La cuestión conecta con una idea que aparece en el análisis de mi trabajo sobre cómo reaccionan los consumidores ante imágenes de comida generadas por IA: la tecnología puede modificar percepciones relacionadas con el placer, el riesgo o la autenticidad. Saber qué reacciones se producen y en qué condiciones sigue exigiendo observar a las personas a las que afectan.

Una herramienta para investigar mejor

Los consumidores sintéticos pueden reducir el coste de explorar ideas, detectar preguntas que un equipo no había considerado o preparar materiales de investigación. En determinadas tareas, y tras una validación adecuada, podrían llegar a aportar predicciones útiles. Sin embargo, su capacidad depende del contexto, del modelo, de los perfiles, de las instrucciones y del criterio empleado para evaluar los resultados.

La investigación de mercados tampoco se limita a recoger respuestas de encuesta. Incluye definir el problema, observar prácticas, descubrir necesidades que no se habían anticipado, experimentar y comprobar cómo actúan las personas en situaciones concretas. Una simulación puede ayudar en algunas de esas tareas, pero no elimina la necesidad de contrastar sus respuestas con el mercado que pretende representar.

El valor de esta tecnología dependerá, en buena medida, de que sepamos mantener esa distinción: utilizar la IA para generar y refinar hipótesis, y recurrir a la observación y a la investigación empírica para decidir cuáles merecen ser consideradas conocimiento sobre los consumidores.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.