Última actualización: 24 de agosto de 2026
Probar un mensaje, un precio o un envase contra una población simulada antes de gastarte el presupuesto ya es posible. La investigación de mercado con IA funciona, pero solo con criterio: los modelos generalistas aciertan entre el 20 % y el 30 % cuando el público es nicho. Aquí tienes qué puedes hacer hoy, qué no, y la pregunta que evita tirar el dinero.
¿Qué es la investigación de mercado con IA y por qué se habla ahora de ella?
Es someter una decisión (un anuncio, un precio, un cambio de envase) a una población simulada por ordenador antes de llevarla al mercado real. En lugar de reunir a doce personas en una sala, se consulta a cientos de perfiles construidos a partir de datos de personas reales.
El tema volvió a primera línea el pasado viernes 21 de agosto, con la entrevista a Joon Sung Park en el podcast Latent Space. Park firma el estudio académico que abrió esta vía, con más de 7.200 citas, y hoy dirige una empresa que acaba de levantar 200 millones de dólares a una valoración de 2.000 millones, cinco meses después de una ronda anterior de 100 millones. Es mucho capital apostando a que la investigación de mercado, una industria de 100.000 millones de dólares, cambia de manos.
Lo relevante para un empresario no es la ronda de financiación. Es cómo describe Park lo que pide de verdad quien decide: "Lo que la mayoría de los que deciden quiere saber es cómo dar forma al futuro. No te sirve de nada oír que tus ventas se van a hundir en dos trimestres". Traducido a la práctica: la IA no vale para adivinar, vale para decidir antes de gastar.
¿Puede una simulación acertar lo que van a hacer tus clientes de verdad?
Con metodología detrás, bastante. Sin ella, no. El estudio de referencia entrevistó a 1.000 personas muestreadas de forma representativa, dos horas de conversación cada una, y construyó un gemelo digital de cada participante. Quince días después volvió a llamarlas para repetir las mismas pruebas: test de personalidad, encuestas de actitudes sociales y juegos de decisión económica.
El resultado es la cifra que conviene memorizar: los gemelos digitales reprodujeron las conductas y actitudes de sus originales con un 85 % de la precisión con la que las propias personas se replican a sí mismas al repetir el test. Es decir, ni siquiera un ser humano contesta igual dos veces, y la simulación se queda a un 15 % de ese techo.
La condición está en la letra pequeña: dos horas de datos reales por persona. La precisión no sale del modelo, sale del material con el que lo alimentas.
¿Por qué pedirle a un chatbot "hazme diez clientes tipo" no funciona?
Porque un modelo genérico sin tus datos no simula a tus clientes, simula a un cliente promedio de internet. La misma investigación mide ese hueco: cuando se pide a los modelos generalistas punteros que representen a un público nicho, su acierto baja al 20 % o 30 %, y en población general se queda entre el 50 % y el 60 %.
Un 25 % de acierto no es una investigación de mercado. Es una moneda al aire con buena redacción. Y ese es exactamente el ejercicio que muchas empresas están haciendo hoy gratis, con la mejor intención, para justificar decisiones de varios miles de euros.
Hay una razón de fondo que explica el fallo y que además es la parte más útil de toda la entrevista. Los modelos están entrenados para ser racionales, y las personas no lo somos. Park lo dice sin rodeos: "Lo que intentamos crear son modelos tan torpes como yo. Si yo me equivoco, el modelo tiene que equivocarse igual". Una simulación buena no es la que da la respuesta más sensata, es la que se equivoca como se equivoca tu cliente.
¿Qué opciones tienes hoy y cuánto te cuesta cada una?
| Método | Coste y tiempo | Fiabilidad | Cuándo tiene sentido |
|---|---|---|---|
| Grupo de discusión presencial (focus group) | Alto, semanas de agenda | Alta, pero con muestra pequeña | Decisiones grandes y poco frecuentes |
| Diez clientes tipo pedidos a un chatbot sin datos | Cero, minutos | 20 % a 30 % en público nicho | Lluvia de ideas, nunca para decidir |
| Chatbot alimentado con tu material real de cliente | Cero, unas horas de preparación | Suficiente para detectar objeciones | Revisar un mensaje antes de lanzarlo |
| Plataforma de simulación validada | De cuota mensual a proyecto | Exige el dato de validación | Volumen alto de pruebas o mercados grandes |
La fila útil para una pyme es la tercera. No requiere contratar nada nuevo y es la que casi nadie hace bien, porque exige el paso previo: reunir el material.
¿Qué puede hacer tu empresa desde hoy mismo sin contratar nada?
Tres acciones concretas, de la más barata a la más exigente:
- Alimenta la IA con tus objeciones reales antes de preguntarle nada. Reúne en un solo documento las últimas 30 objeciones de venta, los motivos de baja de clientes y dos o tres transcripciones de llamadas comerciales. Con ese material delante, pídele que actúe como tu cliente y liste por qué diría no a tu próxima campaña. Sin ese material, lo que sale es un cliente inventado.
- Mide el efecto cruzado, no solo el producto que promocionas. Park pone un ejemplo excelente: una marca de coches optimiza el marketing de su modelo eléctrico y hunde las ventas del resto de la gama. Aplicado a tu negocio: imagina una distribuidora de material de oficina de 35 personas que lanza un 20 % de descuento en su gama de sillas ergonómicas. La pregunta no es cuántas sillas venderá, es cuántas mesas dejará de vender el cliente que estaba a punto de comprar el conjunto. Esa pregunta se le puede hacer a la IA con el histórico de pedidos delante.
- Escribe la decisión antes de simularla. Antes de abrir cualquier herramienta, pon por escrito qué vas a decidir con el resultado y qué respuesta te haría cambiar de plan. Si no hay ninguna, no necesitas una simulación: ya has decidido y estás buscando quien te dé la razón. Es el mismo principio que aplicamos en cualquier diagnóstico previo a invertir en IA.
Ninguna de las tres depende de comprar software. Dependen de tener el material ordenado, que es justo el trabajo que suele faltar cuando revisamos casos de uso con retorno medible en empresas de 5 a 200 personas.
¿Qué preguntar antes de contratar un proveedor de audiencias sintéticas?
Una sola pregunta separa a un proveedor serio del humo: ¿cuál es tu precisión validada contra personas reales, y cómo la has medido? El número existe cuando el trabajo se ha hecho (el 85 % del estudio citado arriba es un ejemplo de cómo se presenta). Si el comercial responde con casos de éxito y ninguna cifra de validación, no hay metodología detrás.
Tres preguntas de apoyo para la misma reunión:
- ¿Con qué datos se han construido los perfiles? Si la respuesta es "con datos públicos", tus clientes no están dentro.
- ¿Cuánta precisión pierde el sistema en un sector nicho como el mío? Debe saber que la pierde. Si dice que no, miente.
- ¿Cada cuánto se revalida contra personas reales? Un panel sin revalidación caduca igual que un estudio de 2019.
Ojo con el sesgo que hace daño aquí: la respuesta rápida y bien escrita parece más fiable que el proceso lento de verificarla. Cuando una decisión de presupuesto se apoya en un texto plausible que nadie ha contrastado, el coste no aparece en la factura de la herramienta, aparece en la campaña que no funcionó.
Empieza por la decisión más cara que vas a tomar en el próximo trimestre y pregúntate con qué evidencia cuentas. Si la respuesta es "con la intuición del equipo comercial", ya tienes tu primer caso de prueba, y no necesitas una plataforma para abordarlo: necesitas ordenar lo que ya sabes de tus clientes.
Ese orden es la mitad del trabajo, y es lo que hacemos en una auditoría de IA cuando el objetivo es decidir mejor, no acumular herramientas. Cuando la decisión afecta al modelo de negocio y no solo a una campaña, el encaje es la consultoría de IA.
Si quieres saber qué decisión de tu empresa se puede probar antes de gastarte el presupuesto, agenda una llamada gratuita de 30 minutos y la revisamos juntos.