¿Qué pasa si creemos que el sabor de una galleta es demasiado dulce? ¿O si pensamos que la línea gráfica de un afiche resulta muy estridente o kitsch? Salimos a buscar al consumidor. Ya sea mediante formularios o grabadoras, las entrevistas y los focus groups han permitido tradicionalmente escuchar a los usuarios antes de llevar una decisión al mercado. Pero, como viene ocurriendo en tantos otros ámbitos, un actor recurrente amenaza con cambiar también este proceso: la inteligencia artificial.
Una nueva generación de herramientas apunta a construir consumidores sintéticos: perfiles digitales capaces de responder preguntas y reaccionar ante distintos escenarios como sustitutos de participantes humanos. ¿Será este el inicio del fin de los estudios de mercado tal como los conocemos? En realidad, el panorama es más complejo de lo que parece.
¿Qué tan avanzados se encuentran los consumidores sintéticos?
En Estados Unidos, compañías como CVS Health ya experimentan con “gemelos digitales” (digital twins) construidos a partir de información de consumidores reales para ensayar decisiones antes de llevarlas al mercado. La empresa ha utilizado estos agentes para detectar fricciones en recorridos digitales y probar cambios en productos y servicios.
Estas herramientas pueden resultar especialmente útiles para estudiar poblaciones difíciles de investigar con rapidez, como pacientes con enfermedades crónicas. En un caso relacionado con la adherencia a medicamentos, las simulaciones permitieron explorar por qué algunos pacientes no seguían sus tratamientos e identificar factores como la confianza en la farmacia o la ansiedad asociada a los tiempos de reposición.
Los agentes de CVS fueron construidos a partir de 2.9 millones de respuestas consentidas de más de 400,000 participantes, distribuidas en más de 200 escenarios de comportamiento. Según The Wall Street Journal, CVS recopiló esta información a través de su trabajo con la startup de inteligencia artificial Simile y reportó, en determinadas pruebas de validación, coincidencias de hasta el 95% con hallazgos conocidos.
¿Pueden representar esas respuestas a un consumidor real?
Mucho se habla de lo verosímiles que pueden resultar los modelos de IA generativa cuando conversan con nosotros. Sin embargo, al recordar la cantidad de “alucinaciones” o de información procedente de fuentes poco confiables que estas plataformas pueden generar, la desconfianza persiste. Con los consumidores sintéticos puede ocurrir algo similar.
Así, NielsenIQ advierte que, si bien estos participantes sintéticos pueden acelerar la evaluación de conceptos, también pueden generar resultados convincentes sin suficiente sustento cuando los modelos no se alimentan con datos adecuados. Esta brecha resulta especialmente relevante si consideramos que no basta con pedirle a un modelo global que “actúe como un consumidor de Lima, Arequipa o Trujillo” para obtener resultados representativos del mercado peruano.
Por ello, si las simulaciones terminan consolidándose como una herramienta empresarial, su utilidad dependerá, a su vez, de la calidad y profundidad de los datos locales empleados para construir estos perfiles.
Para Rodrigo Chanamé, peruano formado en matemática e inteligencia artificial, con estudios en la Universidad de Harvard y cuatro años de experiencia como data scientist en Meta, la oportunidad reside en avanzar desde modelos que se limitan a imitar respuestas plausibles hacia sistemas sustentados en información de personas reales. A su juicio, esta evolución podría llevar, tarde o temprano, a reproducir procesos de decisión.
En conversación con Sectoriales Marketing y Retail, Chanamé explica hasta qué punto han avanzado estos consumidores sintéticos, qué decisiones podrían empezar a delegarse en ellos y por qué, al menos por ahora, simular al consumidor no equivale a dejar de escucharlo.
¿Qué tendría que demostrar una empresa antes de confiar una decisión de producto o campaña a estos consumidores sintéticos como reemplazo de los focus groups?
Primero, para contextualizar, creo que debemos entender cómo ha progresado el uso de la inteligencia artificial en marketing y hacia dónde se dirige. En el nivel más elemental, donde ya existe una adopción considerable, encontramos herramientas diseñadas para apoyar procesos que ya existen. Por ejemplo, acabamos de grabar esta reunión: hoy puedes utilizar una herramienta de IA para transcribirla, obtener insights y resumirla.
Luego evolucionamos hacia herramientas capaces de reemplazar parcialmente procesos existentes. Pensemos en los focus groups. En lugar de realizar uno de manera presencial, se puede desarrollar mediante Zoom utilizando un software especializado que emplee IA para analizar cómo hablan las personas, hacia dónde dirigen la mirada o cómo reaccionan frente a determinados productos.
A medida que esta tecnología evoluciona, llegamos a las simulaciones, que constituyen una categoría distinta. En lugar de trabajar exclusivamente con personas reales, utilizamos modelos especializados de IA para intentar reproducir su comportamiento.
Ahora bien, ¿cómo podemos confiar en esos resultados? Una de las formas en las que actualmente se está avanzando es mediante comparaciones paralelas: se realiza una encuesta o un focus group con personas reales y, simultáneamente, se desarrolla el mismo estudio con consumidores sintéticos. Luego se comparan ambos resultados.
Algunos estudios advierten que estos modelos pueden exagerar las diferencias entre perfiles demográficos. ¿Cómo se valida una simulación para evitar que esa velocidad produzca una falsa sensación de precisión?
Todo depende de cómo se obtienen los datos. Puedo dar un ejemplo de un uso adecuado y otro incorrecto. Una forma equivocada sería tomar un modelo comercial, como Claude o ChatGPT, incorporar información censal y pedirle que represente a distintos tipos de consumidores.
Los censos nos proporcionan una visión general de cómo se distribuye una población, pero no necesariamente nos permiten saber cómo reaccionan individualmente esas personas. Allí existen muchas más posibilidades de que el modelo alucine o genere respuestas que pueden parecer creíbles, pero que no necesariamente son auténticas.
¿Cuál sería, entonces, el enfoque más adecuado?
Partir de abajo hacia arriba. En otras palabras, primero entrevistar a personas reales y se aprende cómo piensan. A partir de esa información, se utilizan modelos de IA, ya sean de lenguaje u otros desarrollados específicamente para la toma de decisiones. De esta manera, se reduce considerablemente la posibilidad de obtener respuestas estereotipadas o alucinaciones.
Imagina que entrevistas en profundidad a diez personas. Construyes perfiles psicológicos y de comportamiento, les preguntas qué compraron la semana pasada, cuáles son sus preferencias y cómo toman determinadas decisiones. Con esa información, posteriormente puedes realizar múltiples estudios simulados sin tener que volver a entrevistar a esas mismas personas cada vez.
Ahí aparece uno de los grandes beneficios de la simulación. Actualmente están surgiendo muchas compañías de este tipo en Estados Unidos y Europa. En mi opinión, las que tendrán mayores posibilidades de éxito serán aquellas que construyan sus modelos a partir de datos obtenidos de personas reales.
¿Dónde debería trazarse la frontera actual entre la investigación sintética y aquella realizada con personas reales? ¿Crees que la IA ya es lo suficientemente confiable como para descartar conceptos o segmentar consumidores?
Esta es una categoría muy nueva. Muchas de estas compañías recién comenzaron a aparecer en 2025. Por ejemplo, Simile, una de las empresas más importantes del sector, ha levantado una cantidad considerable de capital en Estados Unidos proveniente de fondos de inversión. Sin embargo, todavía estamos en una etapa de mucha investigación y desarrollo.
¿Cómo utilizaría yo esta tecnología hoy? Imaginemos una empresa de consumo masivo que realiza seis, siete u ocho estudios de mercado antes de lanzar un producto. Yo identificaría cuáles de esos estudios implican un menor riesgo y empezaría reemplazándolos por simulaciones.
Supongamos que quiero lanzar un nuevo perfume. Durante el desarrollo se realizan diversas investigaciones: algunas son críticas y otras sirven principalmente para ir afinando la propuesta.
Los estudios de menor riesgo podrían realizarse con consumidores simulados. Eso permitiría ahorrar dos, tres, cuatro o incluso cinco semanas dentro del proceso. Así, quizá podríamos reemplazar dos o tres de los siete u ocho estudios que tradicionalmente se realizan.
Sin embargo, las investigaciones más importantes, como la validación final antes de salir al mercado, todavía las realizaría con personas reales. Creo que durante los próximos dos o tres años continuaremos recurriendo a participantes humanos en los momentos más críticos. Además, muchas plataformas permitirán combinar ambos enfoques.
¿Qué tan extendido se encuentra actualmente el uso de estas herramientas en el mercado peruano y latinoamericano en comparación con Estados Unidos?
Diría que en Latinoamérica prácticamente todavía no se están utilizando. Creo que uno de los pocos casos se encuentra en Brasil, donde Itaú utiliza productos de Simile. Fuera de eso, aún no existe una adopción significativa.
No obstante, los profesionales de consumer insights sí están empezando a familiarizarse con estas tecnologías. Empresas como Qualtrics ya producen investigaciones y contenidos en torno a estos métodos. Por ello, profesionales de compañías como BCP, Culqi o Alicorp probablemente ya han escuchado hablar de estas metodologías a través de conferencias, reportes o artículos.
Todavía no necesariamente las están utilizando, pero muchas organizaciones ya empiezan a preguntarse cómo podrían implementarlas internamente.
El problema es que esta tecnología requiere una gran cantidad de información. Por eso, creo que una adopción realmente sólida dependerá de compañías capaces de comenzar a recopilar datos a gran escala.
