«¿No podemos adelantar la investigación con IA?». Si trabajas en marketing, seguro que has oído esa frase en una reunión. O la has dicho tú.
La investigación es necesaria, pero pesa. Reclutar lleva tiempo, el tamaño de la muestra choca con el presupuesto y cada cambio en el cuestionario retrasa el calendario.
Por eso aparece la idea de preguntarle antes a la IA. Y muchos equipos ya lo hacen: dejan que el modelo responda como si fuera el consumidor, o que redacte las preguntas. Pero el problema es la precisión y el sitio exacto donde encaja.
Porque la respuesta lo cambia todo. Si la IA sustituye al estudio real, montas el proceso de una forma. Si solo acelera la fase previa, lo montas de otra. Vamos a ver dos estudios que deciden cuál de las dos es.
Una IA «bastante creíble» llegó al 85%
Empecemos por el trabajo de Park y su equipo, en Stanford y Google DeepMind (estudio).
Lo ingenioso está en la entrada. Entrevistaron a 1.052 personas durante dos horas cada una y crearon un agente de IA de cada persona a partir de esa transcripción. No una etiqueta demográfica, sino historia de vida y valores. La densidad de información no tiene nada que ver con la típica «persona de tres líneas».
Para validar los agentes usaron la . ¿Y el resultado? Los agentes reprodujeron las respuestas de cada persona alrededor del 85% de las veces.
Ese 85% no es un acierto a secas. Se mide contra las respuestas de la misma persona cuando repitió la encuesta dos semanas después. Las personas tampoco somos del todo consistentes con nosotras mismas, así que la lectura correcta es esta: el agente se acercó a ese techo de humano contra humano.
Y hay un detalle que importa más que el titular. Los agentes hechos a partir de entrevistas mostraron menos sesgo entre grupos que los hechos solo con datos demográficos. Así que la palanca no es la magia del modelo: es la profundidad del conocimiento del cliente que metes dentro.
Redactar preguntas es rápido. Pero si las lanzas tal cual, te la pegas.
El segundo estudio, de Mburu y su equipo, le da la vuelta a los papeles (estudio). Aquí la IA no es quien responde, sino quien diseña la encuesta. Su procedimiento SQRA hace que el modelo redacte preguntas y luego las valide contra respuestas sintéticas, antes de que las vea ningún humano.
Lo que salió fue lo bueno y lo malo a la vez. El modelo es rápido generando preguntas adaptadas al contexto. Pero también cuela frases redundantes y preguntas de doble cañón (una sola pregunta que en realidad pregunta dos cosas). Es decir, el borrador es fuerte, pero el control de calidad se queda del lado humano.
Para «sacar un primer borrador rápido», es de verdad útil. Pero lanzar esas preguntas en producción sin un repaso previo es jugártela. Aquí conviene poner la raya bien clara.
Dos planteamientos opuestos, tropezando en el mismo sitio
Un estudio pone a la IA como encuestado; el otro, como redactor de preguntas. Enfoques opuestos. Y aun así, lo que decidía la precisión coincide casi punto por punto. En los dos, el resultado dependía de lo rica que fuera la entrada y de cuánto se quedaba el humano, no de lo lista que sea la IA.
El 85% de Park solo existe gracias a una entrevista densa de dos horas. Si la entrada es pobre, la precisión baja y el sesgo entre grupos vuelve a asomar. El generador de preguntas de Mburu suelta borradores rápido, pero quitar la redundancia y el doble cañón siguió cayendo en una persona.
Dale la vuelta y tienes la lección de verdad: lo que se le da mal a la IA es que le sueltes una decisión pesada con material pobre. Esquivar ese punto es lo que de verdad cuenta al llevarlo a la práctica.
Conclusión: usa la IA para comprimir la fase previa, no para sustituir el estudio
El valor de la investigación de consumo con IA no está en reemplazar el estudio humano entero, sino en acelerar la fase previa: las hipótesis y el cuestionario. Es fuerte cuando la alimentas con material denso de entrevistas, y del montón cuando la entrada es pobre. Si olvidas ese límite, es fácil confundir un borrador cómodo con la base de una decisión.
Así que el primer paso es hacer inventario de tus entrevistas antiguas de clientes y tus notas de voz del cliente, y engordar lo que le metes al modelo. Y después, fija la frontera: la salida de la IA llega hasta validar hipótesis, y las decisiones reales (el reparto de presupuesto, lo que de verdad lanzas) se toman con datos humanos. Si dejas esto clavado, te ahorras casi todos los accidentes de «cogí la velocidad y perdí la calidad».
Si quieres seguir por lo poco fiable que puede ser la propia medición con IA, el artículo sobre la tasa de aparición y la visibilidad en IA tira del mismo hilo desde el lado de la medición.
Fuentes
- Park, J. S. et al. (Stanford University, Google DeepMind), “Generative Agent Simulations of 1,000 People”, arXiv:2411.10109, 2024, arXiv
- Mburu, T. K. et al., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 114(3), e70012, 2025, DOI: 10.1002/jee.70012
