Un director de insights de una multinacional de gran consumo reconocía hace unos meses, en una charla cerrada del sector, que su equipo había reducido a la mitad el presupuesto destinado a paneles online en apenas dos años. No porque los paneles fallasen, sino porque ya no eran la opción más rápida ni la más barata para responder preguntas que antes justificaban seis semanas de trabajo de campo. Esa frase resume mejor que cualquier informe de consultora lo que está pasando ahora mismo en la industria.
La investigación de mercado lleva décadas apoyada en tres pilares: encuestas estructuradas, paneles representativos y análisis manual de datos cualitativos. Ese modelo no ha desaparecido, pero ha empezado a mostrar grietas serias frente a herramientas que prometen resultados en horas, con muestras sintéticas y a una fracción del coste. El problema, y aquí conviene ser honesto desde el principio, es que no todo lo que brilla en una demo de producto funciona igual cuando se somete a la exigencia de una decisión de negocio real.
Los paneles online llevan años perdiendo la confianza que tuvieron
Antes de hablar de inteligencia artificial hay que entender por qué el terreno estaba abonado para la disrupción. El informe GRIT de Greenbook, referencia habitual del sector, lleva varias oleadas señalando una caída sostenida en la calidad percibida de los paneles online: respuestas automatizadas, panelistas profesionales que rellenan cuestionarios por dinero y tasas de fraude que en algunas categorías superan el 15% de las respuestas recogidas. Cualquier investigador con experiencia de campo sabe que limpiar esos datos consume más tiempo que analizarlos.
A eso se suma un problema estructural: la fatiga por encuestas. Las tasas de respuesta llevan cayendo de forma constante desde hace más de una década, y lo que antes eran quince minutos de cuestionario aceptable hoy provoca abandonos masivos a partir del minuto siete. El resultado es una paradoja incómoda que pocos discuten en público: gran parte de la investigación cuantitativa que se presenta como «representativa» se sostiene sobre muestras cada vez más sesgadas hacia quien tiene tiempo libre y necesidad de incentivos económicos.
Ahí es donde entra la inteligencia artificial, no como una moda pasajera, sino como una respuesta a un modelo que ya cojeaba antes de que existiera ChatGPT.
Respondientes sintéticos: la promesa que más divide al sector
Herramientas como Synthetic Users, Aaru o el módulo de «audiencias sintéticas» de plataformas como Qualtrics permiten simular respuestas de consumidores entrenando modelos de lenguaje con datos demográficos, psicográficos y de comportamiento previo. La propuesta suena casi demasiado bien: en lugar de reclutar quinientas personas, pagarles un incentivo, esperar días de recogida de datos y limpiar la muestra, se generan miles de «respuestas» en minutos.
Un caso que circuló bastante en foros de investigación de mercado durante 2024 fue el de una startup de bebidas funcionales que testó tres conceptos de packaging con un panel sintético antes de validar con consumidores reales. El orden de preferencia coincidió en dos de los tres conceptos con el estudio tradicional posterior, pero la magnitud de las diferencias entre opciones fue completamente distinta: donde el panel sintético mostraba una ventaja del 40% para el concepto ganador, el estudio real apenas reflejaba un 12%. Ese matiz, que en un informe ejecutivo puede pasar desapercibido, es exactamente el tipo de error que puede llevar a decisiones de inversión desproporcionadas.
Esto apunta a algo que muchos proveedores de IA no cuentan con la misma alegría con la que venden su producto: los modelos de lenguaje generan respuestas plausibles, no respuestas empíricamente correctas. Un LLM entrenado con textos de internet reproduce patrones de opinión pública, sesgos culturales dominantes y, en muchos casos, la opinión más «obvia» o socialmente esperable sobre un tema, no necesariamente la reacción real de un segmento concreto de consumidores ante un estímulo nuevo.
Un matiz que conviene no perder de vista
Dicho esto, sería un error simplista descartar los paneles sintéticos como un simple espejismo. Su utilidad real no está en sustituir la validación final, sino en las fases previas: descartar conceptos claramente malos antes de gastar presupuesto de campo, generar hipótesis para guiar el diseño de un cuestionario, o pre-testar mensajes publicitarios en volumen antes de decidir cuáles llevar a un estudio cuantitativo serio. Usados así, como filtro y no como sustituto, aceleran el proceso sin comprometer la fiabilidad de la decisión final. El error no está en la herramienta, sino en la ambición desmedida con la que algunos departamentos de marketing quieren usarla para saltarse por completo la validación humana.
El análisis cualitativo ha cambiado de velocidad, no solo de herramienta
Si el impacto en la parte cuantitativa genera debate, en la investigación cualitativa el cambio es prácticamente indiscutible. Transcribir, codificar y analizar veinte entrevistas en profundidad podía llevar a un equipo de dos analistas entre tres y cuatro semanas. Herramientas como Dovetail, Marvin o los módulos de análisis de texto integrados en plataformas como UserTesting hacen ese trabajo en horas, con detección automática de temas emergentes, sentimiento y citas relevantes.
Esto no es una mejora incremental. Es un cambio de categoría en lo que un equipo pequeño puede permitirse investigar. Una agencia de branding en Madrid con la que colaboré hace un año procesaba antes cuatro focus groups al mes por limitaciones de capacidad de análisis; con IA generativa como apoyo para la codificación temática, ese mismo equipo llegó a analizar quince sesiones mensuales sin ampliar plantilla. El cuello de botella ya no es procesar la información, sino decidir qué preguntas merece la pena hacer.
Ahora bien, y esto es importante decirlo sin rodeos: la IA es notablemente peor detectando ironía, contradicciones internas del entrevistado o silencios significativos que un investigador cualitativo experimentado capta de forma casi instintiva. Cuando un consumidor dice «sí, claro, me encantaría pagar más por eso» con un tono que cualquier persona en la sala reconocería como sarcasmo, el modelo de análisis de texto lo codifica, en la mayoría de los casos, como una afirmación positiva literal. La transcripción pierde el contexto de voz, gesto y pausa que constituye buena parte del valor real de una entrevista en profundidad. Confiar el análisis íntegro a un modelo sin revisión humana experta es, sencillamente, tirar por la borda la razón principal por la que se elige el método cualitativo frente al cuantitativo.
Los datos de primera parte están desplazando el poder dentro de las organizaciones
Aquí llega el punto que menos se comenta en artículos sobre IA e investigación de mercado, y probablemente el más relevante a medio plazo: la disrupción no viene solo de nuevas herramientas de investigación, sino de la erosión del monopolio que los departamentos de insights tenían sobre el conocimiento del consumidor.
Durante años, si un director de marketing quería entender a su cliente, dependía casi por completo del equipo de investigación para diseñar, ejecutar e interpretar un estudio. Hoy, cualquier equipo de producto o de datos con acceso a los registros de comportamiento de la aplicación, cruzados con un modelo de IA capaz de segmentar patrones y generar hipótesis en lenguaje natural, puede llegar a conclusiones sobre preferencias de usuario sin pasar por el departamento de investigación en absoluto. Amazon lleva haciendo esto desde hace más de una década con sus algoritmos de recomendación, pero lo que antes exigía un equipo de ciencia de datos con presupuesto de multinacional ahora está disponible, en versión más rudimentaria, para cualquier empresa mediana con un analista de datos y suscripción a herramientas de IA generativa.
Esto genera una fricción organizativa que casi nadie anticipó: los equipos de insights que sobrevivirán no serán los que mejor diseñen cuestionarios, sino los que mejor sepan integrar datos de comportamiento, datos declarativos y análisis de IA en una narrativa coherente para la toma de decisiones. El futuro del investigador de mercado no es competir contra la IA en velocidad de procesamiento, sino aportar el criterio que decide qué preguntas importan y qué respuestas merecen escepticismo.
Tres fricciones que rara vez aparecen en los casos de éxito
Los artículos que celebran la adopción de IA en investigación de mercado suelen omitir tres problemas prácticos que cualquier profesional que haya intentado implementarla en serio conoce de primera mano.
El primero es el sesgo de entrenamiento invisible. Los modelos de lenguaje mayoritarios están entrenados con corpus predominantemente angloparlantes y con sobrerrepresentación de ciertos perfiles demográficos en internet. Testar el posicionamiento de una marca de alimentación tradicional andaluza con un panel sintético generado por un LLM entrenado mayoritariamente con texto anglosajón produce, casi con seguridad, sesgos culturales que ningún informe de metodología menciona.
El segundo es la ilusión de significancia estadística. Un panel sintético puede generar diez mil respuestas en minutos, lo que da una falsa sensación de robustez estadística. Pero diez mil respuestas generadas por variaciones de un mismo modelo no equivalen, ni de lejos, a diez mil opiniones humanas independientes; en términos estadísticos, la varianza real de la muestra es muchísimo menor de lo que aparenta el tamaño de la muestra.
El tercero, y probablemente el más costoso a largo plazo, es la pérdida de serendipia. La investigación de mercado tradicional bien ejecutada produce hallazgos inesperados: ese comentario al margen en un focus group que revela una necesidad que nadie había preguntado, esa observación etnográfica en el punto de venta que contradice todas las hipótesis previas. Un sistema de IA optimizado para responder preguntas concretas tiende a confirmar el marco de la pregunta planteada, no a cuestionarlo. Y las decisiones de negocio más valiosas casi siempre nacen de cuestionar el marco, no de responderlo con más precisión.
Lo que el sector todavía no ha resuelto en términos éticos
Existe además una capa de riesgo que empieza a generar inquietud regulatoria: el consentimiento en el uso de datos de comportamiento para entrenar modelos predictivos de consumo. La Esomar (la asociación internacional de investigación de mercado y opinión pública) publicó en 2023 unas directrices específicas sobre IA generativa en investigación, insistiendo en la necesidad de transparencia sobre cuándo un consumidor está interactuando con un sistema automatizado y cuándo sus datos alimentan modelos de predicción a gran escala. En la práctica, buena parte del sector avanza más rápido que la regulación, y eso tarde o temprano generará algún caso mediático incómodo para alguna marca que haya sido menos cuidadosa de lo debido.
¿Qué papel le queda al investigador humano en este escenario?
No el de operador de encuestas, eso desde luego. Tampoco el de analista que codifica manualmente transcripciones línea a línea. El papel que gana peso es el de diseñador de criterio: quien decide qué preguntas de negocio son realmente relevantes, qué metodología combina mejor velocidad con fiabilidad para cada decisión concreta, y quién sabe interpretar cuándo un resultado de IA merece confianza y cuándo necesita validación adicional.
Las empresas de investigación que están saliendo reforzadas de esta transición, agencias como Zappi o System1, no son las que han eliminado al investigador humano, sino las que lo han recolocado más arriba en la cadena de valor: menos tiempo diseñando cuestionarios y programando encuestas, más tiempo interpretando resultados híbridos que combinan IA y metodología tradicional, y comunicando implicaciones estratégicas a comités de dirección que no tienen tiempo ni interés en leer un informe de ochenta páginas.
Aquí conviene introducir un matiz que probablemente no coincide con el consenso habitual del sector: existe la tentación, especialmente en departamentos de marketing con presupuestos ajustados, de vender la adopción de IA como una forma de «democratizar» la investigación, permitiendo que cualquier profesional sin formación en metodología diseñe y ejecute estudios. Esa democratización, en la práctica, está generando una oleada de decisiones de negocio basadas en investigación mal diseñada, con muestras insuficientes o sesgadas, simplemente porque la herramienta de IA hizo que pareciera fácil. La accesibilidad de la tecnología no sustituye la necesidad de criterio metodológico, y confundir ambas cosas va a costarle dinero a más de una empresa en los próximos años, antes de que el mercado aprenda la lección por la vía dura.
Datos que conviene tener en la cabeza antes de decidir presupuesto
Para quien esté valorando dónde invertir el presupuesto de insights del próximo año, resulta útil comparar de forma directa dónde aporta más valor cada enfoque en función del objetivo de la investigación:
- Validación final de un lanzamiento con implicaciones de inversión alta: metodología tradicional con muestra real, sin excepciones. El coste de un error aquí supera con creces el ahorro en tiempo de la IA.
- Exploración temprana de conceptos o descarte de ideas claramente débiles: paneles sintéticos o análisis de IA como filtro rápido, con validación posterior únicamente de las opciones finalistas.
- Análisis de grandes volúmenes de datos cualitativos ya recogidos (reseñas, transcripciones, comentarios en redes): IA generativa con supervisión humana en la fase de interpretación final, especialmente para detectar matices de tono.
- Seguimiento continuo de marca y tracking de indicadores ya validados previamente: automatización casi total, dado que el riesgo metodológico ya fue asumido en el diseño original del estudio.
Esta clasificación no es universal ni definitiva, y cualquier profesional con experiencia sabrá matizarla según el sector y la categoría de producto. Pero sirve como punto de partida más honesto que la promesa habitual de que la IA «sustituye» a la investigación tradicional sin más letra pequeña.
Una pregunta que el sector prefiere no hacerse en voz alta
Hay una posibilidad incómoda que casi nadie plantea en las conferencias del sector: si los modelos de lenguaje siguen entrenándose masivamente con contenido generado por otros modelos de lenguaje, y las marcas empiezan a apoyarse cada vez más en paneles sintéticos para validar decisiones, ¿qué ocurre cuando la «opinión del consumidor» que alimenta las decisiones de negocio empieza a ser, en una proporción creciente, una simulación de una simulación, cada vez más alejada del comportamiento humano real y más parecida a un consenso estadístico generado por máquinas que se retroalimentan entre sí?
Puede que dentro de cinco años el verdadero valor diferencial no esté en quién use mejor la inteligencia artificial para investigar al consumidor, sino en quién conserve, casi como un lujo artesanal, la capacidad de sentarse delante de una persona real y escuchar lo que dice cuando nadie le está pidiendo una respuesta optimizada.