Investigación de mercados con IA: qué sustituye realmente (y qué no)

2026-08-13 · 9 min de lectura

La investigación de mercados con IA utiliza aprendizaje automático —en la práctica, grandes modelos de lenguaje— para ejecutar o acelerar partes de un estudio: diseñar el instrumento, seleccionar participantes, recoger respuestas y analizar resultados. El término reúne tres actividades muy distintas: analizar con IA datos de personas reales, realizar entrevistas moderadas por IA con personas reales y generar encuestados completamente sintéticos.

Buena parte del debate improductivo nace de confundirlas. Cuando una dirección de investigación dice «ya usamos IA», quizá solo se refiera al resumen automático de una encuesta. Para un proveedor puede significar que no se entrevistó a nadie. Esta guía separa los enfoques para elegir según la pregunta, no según la herramienta disponible.

Ideas clave

• Es un espectro, no una única categoría: desde resumir respuestas humanas hasta simular encuestados, pasando por entrevistas moderadas por IA.
• La pregunta determina el método, no el presupuesto. La simulación sirve para comparar y orientar; no para cifras absolutas, experiencia vivida ni afirmaciones reguladas.
• La economía es distinta. Un panel tiene un coste marginal alto por persona; la simulación, casi plano. Esto cambia qué preguntas merece la pena plantear, no la precisión de las respuestas.
• Los encuestados sintéticos no son datos personales, pero tampoco son contacto directo con personas reales. Son un complemento, no un sustituto.

Qué significa realmente «investigación de mercados con IA»

Nivel 0 — funciones de IA dentro de herramientas existentes. La plataforma agrupa texto abierto, redacta un resumen o propone un gráfico. Los participantes y los datos siguen siendo reales; se acelera el análisis, no el trabajo de campo.

Nivel 1 — análisis asistido por IA a escala. Codificación de miles de respuestas, extracción de temas de reseñas, tickets o transcripciones y síntesis entre fuentes. La IA hace más deprisa trabajo analítico sobre datos humanos. Timoshenko y Hauser mostraron que el contenido generado por usuarios seleccionado por máquinas puede aportar necesidades del cliente con gran productividad analítica.

Nivel 2 — investigación moderada por IA con personas reales. Un modelo dirige la entrevista, profundiza y adapta el guion. Sigue siendo necesario reclutar, incentivar y esperar; se ahorra tiempo de moderación. La metaanálisis de Gelbrich y sus colegas advierte que la reacción ante agentes automatizados depende del contexto y no se generaliza entre robots, chatbots y algoritmos.

Nivel 3 — encuestados sintéticos. No participa ninguna persona. Un modelo crea perfiles condicionados por datos demográficos y actitudinales y responde desde ellos. El reclutamiento desaparece y el campo dura minutos, pero la conexión con la realidad depende de los datos que fundamentan las personas. Sarstedt y sus colegas encuentran grandes diferencias entre dominios y sitúan la utilidad principal en pretests y pilotos, no en estudios definitivos.

«Investigación sintética» y «datos sintéticos en investigación de mercados» suelen apuntar al nivel 3, aunque los datos sintéticos también pueden ser una copia estadísticamente similar de un conjunto real. Una técnica simula personas; la otra protege datos existentes.

El proceso de investigación, etapa por etapa

La IA comprime sobre todo reclutamiento y campo, las fases lentas y caras. No resuelve si se formuló la pregunta correcta. En el estudio de Caruso y sus colegas sobre rediseño de envases, investigar no garantizaba mejores resultados; importaba investigar los elementos que los compradores ya vinculaban a la marca.

Elegir según la pregunta

La simulación funciona bien para amplitud, velocidad y comparación; funciona mal para calibración, observación y defensa regulatoria.

Dónde encajan los encuestados sintéticos

Un encuestado sintético es una persona de modelo lingüístico instruida para responder desde un perfil. La diferencia entre una persona útil y una vacía es la fundamentación (grounding): si el perfil fue inventado o muestreado a partir de datos poblacionales reales.

Las personas sin fundamento convergen. Diez respuestas se convierten en diez reformulaciones de la opinión media del entrenamiento. Lin encuentra que el texto mediado por IA es mucho más homogéneo que el humano; desaparecen las colas donde viven ambivalencia y opiniones extremas. Valenzuela y sus colegas denominan el mecanismo reduccionismo paramétrico.

Las personas fundamentadas pueden partir de la European Social Survey y el Eurobarómetro. Sun y sus colegas obtuvieron distribuciones parecidas a encuestas reales al condicionar el modelo con distribuciones demográficas grupales, aunque la reproducibilidad variaba por grupo y tema. El desacuerdo es información; la unanimidad, una alerta.

Consulta las guías sobre usuarios sintéticos y personas sintéticas.

Flujo de trabajo práctico

1. Definir la audiencia. Mercado, edad, ingresos y dos o tres actitudes relevantes. «Compradores online españoles de 25–55 años, divididos por sensibilidad al precio» funciona; «consumidores» no.

2. Generar el panel. Para cualitativo, de tres a ocho personas con suficiente detalle biográfico. Para cuantitativo, de 50 a 250 respuestas independientes.

3. Ejecutar el instrumento. Entrevistas con repreguntas en cualitativo; hasta cinco preguntas independientes en cuantitativo. Un grupo focal simulado tiende al consenso sin la resistencia real de una minoría.

4. Leer el resultado. Temas y citas, distribuciones y segmentos, o puntuaciones relativas en A/B. Cada cifra es una comparación, no una previsión.

5. Validar. Contrasta un hallazgo con investigación previa, ventas o una diferencia de segmento conocida y lleva las decisiones supervivientes a personas reales.

El módulo cuantitativo permite trabajar con 250 encuestados sintéticos y el módulo de medios evaluar creatividades.

Cuánto cuesta

Un panel tiene un coste marginal alto por participante, determinado por tamaño, incidencia y duración. En una audiencia europea general, varios cientos de respuestas suelen costar miles de euros; una audiencia B2B escasa, mucho más.

La simulación tiene un coste marginal casi plano:

Los planes cuestan 9,99 € por 75 créditos, 24,99 € por 250 y 79,99 € por 750 al mes. Consulta precios. Cuando comparar cuesta menos que un café, se prueban preguntas antes resueltas en una reunión; por eso validar importa más, no menos.

Qué se puede y no se puede inferir

Se puede inferir dirección: qué mensaje funciona mejor, qué concepto sobrevive al escepticismo y qué objeción se repite.

No se puede inferir magnitud: un 63 % de intención de compra sintética no está calibrado a una población y no existe un factor universal para corregirlo.

Se puede inferir poco sobre poblaciones escasas: minorías pequeñas, grupos clínicos raros o profesiones especializadas tienen menos datos de fundamento y se desplazan hacia el promedio mayoritario. Plausibilidad no es validez.

Precisión de los encuestados sintéticos resume la evidencia publicada y sus fallos.

Datos personales, RGPD y Ley de IA

Un estudio convencional procesa datos personales durante el cribado, contacto, incentivo, grabación y vinculación de respuestas. Esto exige base jurídica, minimización, retención y derechos de participantes.

Un estudio sintético no recoge datos de participantes: no hay interesado, consentimiento ni transferencia de sus respuestas. El fundamento usa estadísticas agregadas publicadas. Sin embargo, los propios inputs del cliente sí cuentan: subir una cita identificable o una creatividad confidencial sigue siendo una decisión de tratamiento. El informe debe declarar que los encuestados son sintéticos. La página de RGPD explica cómo SynthFolk trata los datos aportados. No es asesoramiento jurídico.

Lo que no sustituye

• Conducta observada: uso, vacilación, atajos y compra real.
• Categorías realmente nuevas: sin datos previos, el modelo interpola con seguridad injustificada.
• Cifras comerciales absolutas: demanda, precio y tamaño de mercado requieren personas.
• Riesgo regulatorio o de seguridad: afirmaciones publicitarias, salud y finanzas requieren evidencia auditable.
• Contacto con clientes: hablar con una persona real sigue siendo parte del valor del programa.

La investigación sintética es un complemento, no un sustituto. Reduce el coste de preguntas que no se financiarían y elimina caminos débiles antes de invertir en investigación humana.

Cómo elegir una herramienta

1. Precio publicado.
2. Fuentes de grounding identificadas.
3. Modelo utilizado y trazabilidad de cambios.
4. Participantes muestreados y consultados de forma independiente.
5. Tratamiento, retención y residencia de datos.
6. Exportación e idiomas realmente disponibles.

Preguntas frecuentes

¿Es fiable la investigación de mercados con IA?

Los niveles 0–1 son tan fiables como los datos humanos de entrada. El nivel 3 es útil para preguntas direccionales y comparativas, no para cifras absolutas, poblaciones escasas o categorías nuevas.

¿Cuánto cuesta?

En SynthFolk, desde 6 créditos por tres personas y 50 por una encuesta de 250 participantes. Los paneles humanos se cotizan por proyecto.

¿Puede sustituir un panel?

En cribado, priorización y piloto, puede sustituir el panel preliminar. En una decisión basada en una cifra absoluta, no. Sintético para reducir; humano para confirmar.

¿Cumple el RGPD?

Los encuestados sintéticos no son personas y no aportan datos personales. Los inputs del cliente son otra cuestión y el método debe describirse con transparencia. No es asesoramiento jurídico.

¿Cuántos encuestados necesito?

De tres a ocho personas bien fundamentadas en cualitativo. En cuantitativo, 250 hacen legibles los cortes demográficos; 50 pueden bastar para comparar dos opciones.

La prueba más rápida es repetir una pregunta ya contestada con investigación real y comparar. Abre el panel y somete el método a su propia prueba.

Referencias

Caruso, W., et al. (2025). The role of market research in pack redesign performance. International Journal of Market Research, 67(1), 17–32. https://doi.org/10.1177/14707853241296656

Davenport, T., et al. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24–42. https://doi.org/10.1007/s11747-019-00696-0

Gelbrich, K., et al. (2026). Automated versus human agents. Journal of Marketing, 90(2), 1–26. https://doi.org/10.1177/00222429251344139

Sarstedt, M., et al. (2024). Using large language models to generate silicon samples in consumer and marketing research. Psychology & Marketing. https://doi.org/10.1002/mar.21982

Sun, S., et al. (2024). Random silicon sampling. arXiv:2402.18144. https://arxiv.org/abs/2402.18144

Timoshenko, A., & Hauser, J. R. (2019). Identifying customer needs from user-generated content. Marketing Science. https://doi.org/10.1287/mksc.2018.1123

Valenzuela, A., et al. (2024). How artificial intelligence constrains the human experience. Journal of the Association for Consumer Research, 9(3). https://doi.org/10.1086/730709