Habr AI: Los LLM pueden asumir la rutina en investigación empresarial, pero no la estrategia

Un análisis exhaustivo del futuro de la investigación de productos y marketing se reduce a una idea simple: los LLM no son igualmente útiles para todos los tipos de trabajo de investigación. Cuanto más rígidamente se establece un marco de antemano — qué medir, cómo preguntar e interpretar la respuesta — más fácil es automatizar este trabajo.

Tres Niveles de Investigación

El autor propone ver la investigación empresarial no como un conjunto de métodos separados, sino como trabajo con una "matriz de conocimiento" — un sistema de distinciones a través del cual una empresa describe el mercado, usuario y producto. En el primer nivel, esta matriz ya está lista: el investigador simplemente la rellena con datos. En el segundo nivel, el marco se refina conforme avanza el trabajo: las categorías cambian, los segmentos se recombinaban y el modelo de comportamiento del usuario se ajusta gradualmente a la realidad.

En el tercer nivel, el propio marco se convierte en objeto de análisis — cómo la empresa define valor, problema, lealtad o éxito en primer lugar. De esta lógica se deduce la conclusión principal del texto: la pregunta no es si los LLM pueden realizar investigaciones en general, sino en qué nivel se encuentra la tarea específica. Si el negocio necesita medir parámetros predeterminados, el modelo tendrá éxito mucho antes.

Si el equipo necesita reconsiderar los propios conceptos a través de los cuales describe el mercado, los modelos de lenguaje actuales son insuficientes. Por eso el debate sobre la sustitución completa de investigadores aquí parece demasiado burdo: diferentes clases de tareas se automatizarán a velocidades diferentes.

Dónde los LLM Ya Son Fuertes

El candidato más obvio para la automatización es la investigación de primer nivel. Aquí la empresa ya dispone de métricas listas, plantillas de preguntas y reglas de interpretación. En esencia, no se trata de encontrar una nueva lógica de investigación, sino de la ejecución rápida de un procedimiento formalizado. Por eso el autor cree que muchas de estas tareas podrían haberse automatizado antes, y los LLM simplemente reducen drásticamente el costo y la barrera de entrada.

• embudos de ventas, NPS, CSI y otras métricas con reglas de cálculo fijas
• pruebas A/B puntuales para comparar variantes predefinidas
• investigación de precios como Van Westendorp, Gabor-Granger y enfoques conjoint
• entrevistas CustDev estructuradas y tests de usabilidad con guiones rígidos
• priorización de features mediante modelos como Kano, MaxDiff y TURF

"Los LLM no crean una nueva clase de capacidades, solo eliminan los

costos de la formalización."

Con tareas más complejas de segundo nivel, la situación es más matizada. Aquí un simple prompt o RAG es insuficiente: el modelo debe no solo procesar respuestas sino también refinar gradualmente el conjunto de distinciones sobre el cual se construye el análisis. El artículo nombra LoRA y Representation Engineering entre enfoques adecuados — métodos que cambian pesos o activaciones del modelo, permitiendo ajustar su campo semántico. En otras palabras, el autor sugiere que los LLM pueden ayudar en la segmentación de audiencias complejas, desarrollo de modelos de toma de decisión y refinamiento de categorías de investigación, pero esto ya no es "chat con documentos," sino ajuste más profundo del sistema.

Dónde Está el Límite

La limitación principal comienza en el tercer nivel, donde la investigación debe no llenar o refinar un marco existente, sino desarmarlo y volver a armarlo. Son tareas donde el equipo pregunta no "¿por qué cae NPS?" sino "¿qué exactamente llamamos lealtad y por qué creemos que es importante?"

Esto también incluye investigaciones de lenguaje de marca, códigos culturales, discursos organizacionales y conceptos estratégicos a través de los cuales la empresa ve sus problemas y oportunidades. Según el autor, la arquitectura actual de los LLM choca aquí con un límite fundamental. El modelo puede generar interpretaciones, debatirse en configuraciones multi-agente e incluso usar self-reflection, pero todo esto sigue siendo trabajo dentro del mismo sistema de distinciones.

Tal bucle puede mejorar la respuesta, pero no transforma el modelo en un objeto de transformación sostenible. Por lo tanto, puede apoyar al investigador, sugerir movimientos y acelerar el análisis, pero no puede reemplazar al humano donde es necesario rearmar la propia perspectiva de investigación.

Qué Significa Esto

La conclusión práctica es contundente: la mayoría de lo que hoy se llama investigación de productos y marketing se convertirá en un servicio automatizable. El valor de las personas se desplazará a donde no es suficiente simplemente contar, comparar y codificar respuestas, sino cambiar el lenguaje de formulación del problema, notar marcos ocultos y conectar negocio, cultura y estrategia en un cuadro de investigación único. De aquí surge la predicción del autor: en lugar de roles rígidamente separados como investigador UX, gerente CX o analista de marketing, crecerá la demanda de investigadores-curadores que sepan cómo gestionar un conjunto de herramientas AI.