Durante décadas, el 'market research' giró en torno a un principio simple: validar la gran apuesta antes de invertir. Una campaña de televisión, una compra de medios nacional o un aviso de prensa de alto impacto justificaban semanas de grupos focales y pruebas de concepto. Ese mundo ya no existe.
Steve Phillips, cofundador y CEO de Zappi, lo describe con precisión: las marcas han migrado hacia una realidad de «muchas decisiones pequeñas». Estée Lauder, por ejemplo, ha comunicado públicamente que destina la gran mayoría de su inversión en medios a canales digitales, sociales y de influencers —casi el polo opuesto de lo que hacía hace menos de una década—. El patrón se repite en las mayores marcas globales.
El problema es estructural. Los equipos de 'insights' fueron diseñados para los grandes momentos, no para los cientos de activos menores —adaptaciones locales, mensajes personalizados, ejecuciones por formato— que hoy construyen la marca en acumulado. Los datos de plataformas programáticas miden clics, vistas y conversiones, pero no miden coherencia de marca ni si los activos refuerzan la misma idea central. Ese vacío se llenó, durante años, con supuestos.
La solución que emerge combina dos elementos: agentes de IA especializados y respondentes sintéticos. Según Phillips, el ecosistema que se construye implica distintos agentes integrados en los flujos de trabajo: uno para desarrollar el 'brief' creativo, otro para localizar un activo según datos históricos de consumidor, otro para evaluar si una ejecución digital alcanzará y resonará con la audiencia objetivo, y otro para monitorear rendimiento y recomendar ajustes.
El combustible de ese sistema, sostiene Phillips, no es la IA en sí misma, sino los datos acumulados por los equipos de 'insights': investigación histórica, guías de marca, respuesta del consumidor, rendimiento de campañas e inteligencia competitiva. Los respondentes sintéticos —entrenados sobre esos datos— permiten validar activos en cualquier etapa del desarrollo sin esperar ciclos largos ni incurrir en el costo de una prueba formal.
Eso no elimina la validación humana. Para momentos de alto riesgo —lanzamiento de marca, reposicionamiento, campaña global— la investigación con personas reales sigue siendo el estándar. La distinción que propone Phillips es de método según decisión: validación sintética rápida para el volumen, validación humana profunda para la apuesta mayor.
La pregunta de fondo no es tecnológica: es de productividad y asignación de recursos. Cada dólar de 'media spend' comprometido sin validación previa es un riesgo innecesario. En un entorno donde el presupuesto de marketing compite con otras prioridades corporativas, la capacidad de aprender rápido y barato antes de gastar es, en términos prácticos, una ventaja competitiva medible.
Desde la perspectiva de Ágora Capital, el mensaje es claro: la libre empresa premia a quienes optimizan el capital antes de desplegarlo. Las marcas que construyan sistemas de validación continua —apoyados en IA, pero anclados en datos reales de consumidor— tendrán menores tasas de desperdicio en medios y mayor retorno por activo creativo. El mercado ya está votando: la inversión en 'martech' e 'insights' automatizados no para de crecer. Las que no adapten su modelo de investigación no perderán una campaña; perderán la capacidad de competir en un entorno donde la velocidad de aprendizaje es el activo más escaso.
