Doxa 2495

Cómo ayuda la IA a ampliar la investigación cualitativa de clientes

Por Jeremy Korst, Stefano Puntoni y Olivier Toubia

IA generativa

Harvard Business Review

#Doxa #InvestigaciónCualitativa #InteligenciaArtificial #AnálisisDeSentimientos #ProcesamientoDeLenguajeNatural #TranscripciónAutomática #CodificaciónPredictiva #InsightsDeClientes #AnálisisTemático #ReconocimientoEmocional #AutomatizaciónDeEntrevistas #DetecciónDePatrones #InvestigaciónDeUsuarios #AnálisisDeVideo #EscalabilidadDeDatos #InterpretaciónEstratégica

Resumen. Los entrevistadores basados ​​en inteligencia artificial permiten a las empresas mantener conversaciones enriquecedoras y adaptativas con millas de participantes de forma rápida y económica. Estos sistemas no solo revelan lo que piensan los clientes, sinoTambién por qué lo piensan, captando matices emocionales, comportamientos en la vida real y respuestas sinceras, especialmente en temas delicados o entre grupos de difícil acceso. Además, reduce los plazos de investigación de semanas o meses a días, lo que hace posible la generación continua de información en tiempo real. Aunque no sustituye por completo a los investigadores humanos, la moderación mediante IA amplía los ámbitos y las formas en que se pueden utilizar los conocimientos cualitativos, lo que permite que estos influyan en muchas más decisiones empresariales que antes.

Para tomar buenas decisiones, las empresas necesitan información sobre las preferencias y el comportamiento de los clientes. Por lo tanto, la función de investigación de mercados es fundamental para el éxito comercial, pero adolece de un problema de siempre: el proceso de recopilación de datos de los consumidores suele ser difícil, lento y costoso. La buena noticia es que la IA generativa promete mejorar esta situación.

Los modelos de lenguaje grande (LLM), en particular, están permitiendo superar la dicotomía tradicional entre amplitud y profundidad. Los métodos cuantitativos (por ejemplo, las encuestas) ofrecen escala y poder estadístico, pero dependen en gran medida de autoinformes estandarizados que proporcionan solo una visión superficial de la experiencia vivida. La investigación cualitativa (por ejemplo, las entrevistas en profundidad) ofrece una visión más rica de cómo piensan, sienten y deciden las personas, pero es de pequeña escala y poco adecuada para la generalización.

Los entrevistadores basados ​​en modelos de lenguaje grande (LLM) están ayudando a las empresas a superar esta disyuntiva. Permiten a los investigadores llegar a un gran número de encuestados —a una escala comparable a la de las encuestas cuantitativas— al tiempo que captan gran parte de los matices, el contexto y la riqueza interpretativa que tradicionalmente se asocian a las entrevistas en profundidad. Además, los LLM pueden aportar conocimientos que serán muy difíciles, y en ocasiones incluso imposibles, de obtener con los enfoques tradicionales.

El verano pasado, analizamos cómo la IA generativa está transformando la recopilación, la creación y el análisis de información de mercado. Esto abarcaba desde el apoyo a las prácticas actuales hasta su sustitución por nuevos métodos y datos sintéticos. Varios meses después, profundizamos en el tema, analizando cómo los «personajes sintéticos» y los «gemelos digitales» generados por la IA generativa pueden servir como sustitutos de los consumidores reales en investigaciones y experimentos. En este artículo abordamos un ámbito en el que la IA generativa ya ha superado la fase de programas piloto y estudios académicos: la investigación cualitativa. Las empresas están utilizando ahora «moderadores» de IA generativa para realizar entrevistas en profundidad con personas reales a una escala y velocidad que los métodos tradicionales no pueden alcanzar.

La investigación cualitativa siempre ha sido la fuente más rica de información sobre los clientes, y la más difícil de ampliar. El costo relativamente elevado, los plazos prolongados y el reducido tamaño de las muestras de las entrevistas cara a cara han dejado a los líderes empresariales en una encrucijada: valoran la profundidad de los hallazgos cualitativos, pero les cuesta actuar en consecuencia con la misma confianza que depositan en los datos cuantitativos estructurados y estadísticamente significativos. Los directivos llevan mucho tiempo buscando un enfoque que ofrezca tanto la riqueza contextual de una conversación en profundidad como la amplitud y la estructura de una encuesta, a ser posible a un costo menor.

Una oleada de start-ups nativas de IA pretende impulsar por fin esa convergencia, y la comunidad de capital riesgo ha tomado nota. Durante el último año, por ejemplo, Outset, Listen Labs y Simile han recaudado cada una entre 50 y 100 millones de dólares de fondos de capital riesgo de primer nivel. Estos son solo tres de las muchas empresas que utilizan la IA generativa no solo para reducir el costo y la duración de los proyectos de investigación cualitativa, sino para hacer posible una investigación que antes simplemente no podía llevarse a cabo. A continuación, informaremos sobre el estado actual del sector y ofreceremos un marco de referencia para ayudar a los directivos a evaluar y orientarse en el prometedor conjunto de herramientas de moderación de la IA.

Cuando se necesita el «porqué» que hay detrás de las cifras

Quizás la aplicación más significativa de las entrevistas moderadas por IA sea su capacidad para combinar la profundidad cualitativa con la amplitud cuantitativa, al permitir ampliar la investigación cualitativa —una capacidad difícil de alcanzar que los profesionales llevan mucho tiempo deseando—.

Microsoft demostró recientemente el potencial de esta capacidad en su esfuerzo por comprender las percepciones de los consumidores sobre sus productos en comparación con los de la competencia. El sistema tradicional de seguimiento de marca de la empresa podía indicar al equipo qué percepciones estaban cambiando en la categoría de IA, pero no por qué.

Mediante el uso de Listen Labs para llevar a cabo más de 250 entrevistas con tres públicos diferentes, Microsoft puso una prueba lo que internamente denomina «Frontier Listening», un programa de entrevistas semiestructuradas y de funcionamiento continuo que recoge tanto la profundidad cualitativa de las respuestas abiertas como métricas cuantificables en un único flujo de trabajo. «Este nuevo enfoque nos permite combinar profundidad, escala y rapidez en un único flujo de trabajo, sacando a la luz los matices más sutiles de los clientes en cuestión de días en lugar de semanas», nos explicó Rob Graves, director sénior que supervisó el proyecto de Microsoft. «Al recopilar y sintetizar continuamente las perspectivas de los clientes, convierte los comentarios en información útil que guía las decisiones de todos los equipos en tiempo real, al tiempo que reduce la dependencia de ciclos de investigación esporádicos y más lentos».

Conscientes de que los cuadros de texto tradicionales a menudo no logran captar los matices emocionales necesarios para crear perfiles sintéticos de alta fidelidad, una de nuestras empresas (la de Jeremy), GBK Collective, se comercializa con Twinloop, una empresa emergente dedicada al desarrollo de métodos de investigación basados ​​en la inteligencia artificial, para comparar sus entrevistas de voz moderadas por IA con las encuestas escritas estándar.

Los resultados fueron contundentes: las respuestas verbales fueron, de media, siete veces más largas que las escritas. La capacidad de la IA para indagar activamente y dar seguimiento a sentimientos específicos permitió alcanzar un nivel de «empatía escalada» poco habitual en la investigación cuantitativa, lo que hizo posible transformar datos de encuestas planos en narrativas ricas y multidimensionales.

El término «escala» puede tener distintos significados según el contexto. En muchas ocasiones, se refiere a la cobertura global. Anthropic, por ejemplo, anunció recientemente que había utilizado su «Anthropic Interviewer», basado en Claude, para realizar más de 80 000 entrevistas a usuarios de 159 países y en 70 idiomas, mediante una combinación de preguntas abiertas predeterminadas y preguntas de seguimiento generadas dinámicamente. «La IA nos ha permitido recopilar entrevistas abiertas y exhaustivas a una escala extraordinaria», informó la empresa. «Este enfoque resuelve la típica disyuntiva en la investigación cualitativa entre profundidad y volumen».

A veces, las ideas más valiosas que surgen de las entrevistas se producen cuando los investigadores humanos se salen del guion o profundizan con preguntas más específicas en tiempo real. Las entrevistas moderadas por IA pueden reproducir esta dinámica a gran escala.

Eso es exactamente lo que ocurrió cuando Sweetgreen colaboró ​​con Listen Labs para averiguar qué esperaban los clientes de su menú. La IA de Listen Labs descubrió que los clientes no solo deseaban una mayor cantidad de determinados macronutrientes (como las proteínas), sino también una mayor capacidad para ver y personalizar los ingredientes de su comida. Esos datos influyeron directamente en la decisión de Sweetgreen de lanzar una nueva herramienta de seguimiento de macronutrientes integrada en la aplicación.

Según Jonathan Neman, CEO de Sweetgreen, gracias al uso de la IA generativa, la empresa pudo llevar a cabo su estudio a un tercio del costo, con cinco veces más respuestas y con unos resultados obtenidos aproximadamente cinco veces más rápido. De hecho, lo que en el pasado habría sido un ciclo de investigación de varias semanas se redujo a unos pocos días.

Cuando es necesario ver lo que las personas no pueden decir

La mayoría de las plataformas de entrevistas moderadas por IA se basan en grandes modelos de lenguaje y, por lo tanto, se centran internamente en lo que dicen los participantes. Sin embargo, algunas de las aplicaciones más prometedoras captan lo que la gente hace y siente.

Conveo, una empresa surgida de Y Combinator, ha desarrollado capacidades de inteligencia artificial precisamente para eso. En una colaboración reciente con Unilever, la empresa llevó a cabo entrevistas en vídeo a través del móvil, con tecnología de inteligencia artificial, a consumidores en sus propias cocinas, lo que permitió a Unilever tanto recabar información verbal como observar los comportamientos y actitudes reales en sus contextos naturales mediante análisis de vídeo multimodal. A continuación, la plataforma utilizó esos datos para generar perfiles sintéticos que los equipos de innovación y análisis de Unilever pudieron consultar de forma interactiva para poner a prueba conceptos adicionales. El proceso comprimió lo que normalmente llevaría meses de investigación convencional en ciclos rápidos, dando lugar finalmente a dos conceptos de producto que obtuvieron las resultados más altas posibles en la validación cuantitativa.

Cuando el tema es demasiado delicado para un entrevistador humano

Una de las ventajas más sorprendentes de la IA en la investigación cualitativa no tiene nada que ver con la velocidad ni con el coste. Más bien se debe a que las personas pueden sentirse más cómodas abbriéndose ante un entrevistador de IA que ante uno humano. Cuando la investigación aborda cuestiones de salud, inseguridades personales u otros temas delicados, resulta que los entrevistados a menudo se muestran evasivos, eluden las preguntas o, sencillamente, no acuden a la entrevista.

Una empresa líder en el sector de la salud masculina lo descubrió de primera mano. El intento de llevar a cabo una investigación cualitativa tradicional con hombres que padecían disfunción eréctil, junto con sus parejas, resultó ser prácticamente imposible. Los participantes no concertaban entrevistas, no acudían a ellas o se negaban a encender la cámara. Sin embargo, cuando la empresa pasó a realizar entrevistas en vídeo moderadas por IA, con la ayuda de Outset, los participantes se mostraron más comunicativos y proporcionaron una visión en profundidad a la que la empresa no habría podido acceder de otra manera.

Listen Labs se encontró con una dinámica similar al trabajar con la marca de ropa Chubbies, que deseaba hablar con niños pequeños para comprender cómo realizar el marketing de una nueva línea de ropa. Descubrieron que los niños suelen mostrarse más comunicativos con un entrevistador de IA que con un desconocido.

Este patrón sugiere un principio que va en contra de lo que cabría esperar: en contextos en los que el factor humano de la investigación puede generar incomodidad o fricciones sociales, un entrevistador basado en IA suele obtener información más valiosa que una persona real. Varios artículos académicos recientes han confirmado esta conclusión. En un estudio, por ejemplo, cuando los participantes en la investigación creían que estaban interactuando con una persona simulada en lugar de con una real, manifestaron menos temor a ser juzgados, se preocuparon menos por causar una buena impresión y se mostraron más abiertos a la hora de revelar información.

Cuando es difícil contactar con los encuestados o concertar una cita

La investigación cualitativa tradicional parte del supuesto de que los participantes pueden dedicar hasta una hora o más a interactuar con un entrevistador en un momento que convenga a ambas partes. Esa suposición no se cumple en el caso de muchos de los públicos de gran valor que las empresas más desean comprender.

Doximity, una comunidad médica en línea, se enfrentó a una variante de ese desafío. Sus clientes objetivo —principalmente médicos, cirujanos y enfermeros— simplemente no podían reservar tiempo para entrevistas en directo debido a sus dinámicas agendas diarias. Sin embargo, gracias a Outset, los profesionales sanitarios pudieron hacer clic en un enlace y completar entrevistas preprogramadas cuando les resultaba más conveniente, entre un paciente y otro oa última hora de la noche. El resultado no fue solo un mayor número de entrevistas, sino entrevistas con personas que probablemente nunca habrían participado en un estudio tradicional.

El camino por delante

Consideramos que estos enfoques basados ​​en la inteligencia artificial amplían considerablemente las oportunidades de obtener información cualitativa valiosa, en lugar de sustituir por completa a la entrevista tradicional dirigida por personas. En muchos casos, ambos métodos funcionarán bien en conjunto. Algunos temas seguirán requiriendo la conexión y la confianza que solo puede generar el contacto humano, como el trabajo etnográfico con matices emocionales o la investigación en la que la experiencia o la credibilidad del entrevistador forman parte de la propia metodología (por ejemplo, investigaciones B2B complejas). Sin embargo, para los responsables que evalúan en qué ámbitos las entrevistas cualitativas moderadas por IA pueden aportar un valor inmediato, los casos anteriores sugieren un marco práctico.

La moderación mediante IA se encuentra aún en una fase incipiente. Al igual que con cualquier nueva herramienta de medición, será importante establecer claves métricas, como la confiabilidad test-retest y la validez externa. También resultará útil determinar en qué medida cualquier beneficio derivado de la moderación mediante IA proviene de la modalidad de interacción (por ejemplo, IA frente a humano, voz frente a texto) o del contenido de la interacción (por ejemplo, la capacidad del agente para adaptar las preguntas y profundizar en ellas). La investigación académica sobre estos temas sigue en curso. En esta etapa, antes de comprometerse con la moderación mediante IA, se recomienda a los responsables establecer una prueba de concepto, tal vez comparando la moderación mediante IA con los métodos tradicionales utilizando una muestra reducida.

De cara al futuro, prevemos que las capacidades de moderación basadas en la inteligencia artificial se combinarán cada vez más con los enfoques de «personas sintéticas» y «gemelos digitales» que hemos analizado en nuestros artículos anteriores. De hecho, empresas como Simile.ai y Twinloop utilizan entrevistas moderadas por IA para recopilar los datos necesarios para crear gemelos digitales, que posteriormente se implementan en diversos casos de uso. Esta profundidad es fundamental para entrenar a la próxima generación de gemelos digitales. Con el fin de validar rigurosamente este vínculo entre datos más profundos y mejores predicciones, GBK ha puesto en marcha un nuevo estudio en colaboración con la Columbia Business School y Twinloop para determinar qué datos de entrenamiento, combinados con qué modalidades de entrevistas de encuesta, producen los gemelos digitales más precisos desde el punto de vista empírico.

Los investigadores también han comenzado a explorar la creación de rostros sintéticos para estos gemelos digitales: rostros diseñados para parecerse en cierta medida a cómo podrían ser las personas, teniendo en cuenta lo que se sabe sobre su personalidad. Ya se dispone de la tecnología necesaria para animar estos rostros y crear avatares de gemelos digitales con los que los profesionales del marketing podrán realizar entrevistas cualitativas cuando les resulte conveniente: avatares que imitan los pensamientos, los comportamientos e incluso las expresiones de los consumidores reales. Cuando eso suceda, la moderación de la IA habrá hecho posible que los agentes de IA actúen como profesionales del marketing que hablan con consumidores reales y como consumidores que hablan con profesionales del marketing reales.

...

La principal ventaja de los moderadores de IA es su capacidad para ampliar el alcance de la investigación cualitativa. Además, permiten a las empresas aplicar la investigación cualitativa en contextos en los que antes no era viable: las decisiones rápidas sobre productos, las revisiones estratégicas a mitad de ciclo o la entrada en un mercado en el que no hay tiempo ni presupuesto para un estudio tradicional. El resultado será un mayor número de conocimientos cualitativos que se incorporarán a decisiones que antes se tomarán basándose únicamente en datos cuantitativos o, lo que es peor, en el instinto.

Lea más sobre IA generativa o temas relacionados Inteligencia artificial y aprendizaje automático, Informática empresarial, Ventas y marketing, Marketing, Investigación de mercado, Comportamiento del consumidor, Innovación, Experimentación, Innovación disruptiva y Algoritmos

Jeremy Korst es el fundador de Mindspan Labs, una consultora e incubadora dedicada a la transformación mediante la inteligencia artificial. Anteriormente, ocupó puestos ejecutivos sénior en Microsoft y T-Mobile. También es socio de GBK Collective, que proporciona información estratégica a marcas globales. Es coautor del estudio anual de la Wharton School sobre la adopción de la inteligencia artificial en las empresas.

Stefano Puntoni es profesor de marketing en la Wharton School de la Universidad de Pensilvania y codirector de Wharton Human-AI Research.

Olivier Toubia es profesor de marketing en la Columbia Business School y un líder reconocido en el campo del marketing cuantitativo.