Habr AI: los LLM podrán asumir la rutina de la investigación empresarial, pero no la estrategia

Un extenso análisis sobre el futuro de la investigación de producto y marketing se resume en una idea sencilla: los LLM no son igual de útiles para todos los tipos de trabajo de investigación. Cuanto más rígido es el marco definido de antemano (qué medir, cómo preguntar y cómo interpretar la respuesta), más fácil resulta automatizar ese trabajo.

Tres niveles de investigación

El autor propone ver la investigación empresarial no como un conjunto de métodos aislados, sino como trabajo con una «matriz de conocimiento»: el sistema de distinciones con el que una empresa describe el mercado, al usuario y el producto. En el primer nivel, la matriz ya está construida y el investigador se limita a rellenarla con datos. En el segundo, el marco se afina sobre la marcha: cambian las categorías, se reorganizan los segmentos y el modelo de comportamiento del usuario se ajusta poco a poco a la realidad. En el tercero, lo que se analiza es el propio marco: cómo define la empresa el valor, el problema, la lealtad o el éxito.

De esta lógica se desprende la principal conclusión del texto: la cuestión no es si «un LLM sabe investigar en general», sino en qué nivel se sitúa una tarea concreta. Si una empresa necesita medir parámetros predefinidos, el modelo lo resolverá mucho antes. Si hay que revisar los conceptos con los que el equipo describe el mercado, los modelos de lenguaje actuales por sí solos no bastan. Por eso el debate sobre la sustitución total de los investigadores resulta aquí demasiado burdo: distintas clases de tareas se automatizarán a distinta velocidad.

Dónde los LLM ya son fuertes

El candidato más evidente a la automatización es la investigación de primer nivel. Aquí la empresa ya dispone de métricas, plantillas de preguntas y reglas de interpretación. En esencia, no se trata de buscar una nueva lógica de investigación, sino de ejecutar con rapidez un procedimiento formalizado. Por eso el autor cree que muchas de estas tareas podrían haberse automatizado antes en principio, y que los LLM solo reducen drásticamente el coste 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
• estudios de precios como Van Westendorp, Gabor-Granger y enfoques conjoint
• entrevistas CustDev estructuradas y pruebas de usabilidad con guion rígido
• priorización de funciones mediante modelos como Kano, MaxDiff y TURF

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

costes de la formalización».

En las tareas más complejas del segundo nivel, la situación es más sutil. Aquí no basta con un prompt o con RAG: el modelo no solo debe procesar respuestas, sino también ir afinando el conjunto de distinciones sobre el que se construye el análisis. El artículo menciona LoRA y Representation Engineering entre los enfoques adecuados: métodos que modifican los pesos o las activaciones del modelo y permiten así corregir su campo semántico. Es decir, el autor admite que los LLM podrían ayudar a segmentar audiencias complejas, construir modelos de toma de decisiones y afinar categorías de investigación, pero eso ya no es un «chat con documentos», sino un ajuste más profundo del sistema.

Dónde está el límite

La principal limitación empieza en el tercer nivel, donde la investigación no debe rellenar ni afinar un marco existente, sino desmontarlo y volver a montarlo. Son tareas en las que el equipo no pregunta «por qué cae el NPS», sino «qué llamamos exactamente lealtad y por qué la consideramos importante». Aquí entran también los estudios sobre el lenguaje de marca, los códigos culturales, los discursos organizativos y los conceptos estratégicos a través de los cuales una empresa ve sus problemas y oportunidades.

Según el autor, la arquitectura actual de los LLM choca aquí con un límite de principio. El modelo puede generar interpretaciones, discutir consigo mismo en un esquema multiagente e incluso usar autorreflexión, pero todo ello sigue siendo trabajo dentro de un mismo sistema de distinciones. Ese circuito puede mejorar una respuesta, pero no convierte al propio modelo en objeto de una transformación duradera. Por eso puede apoyar al investigador, sugerir jugadas y acelerar el análisis, pero no sustituye a la persona allí donde hay que reconstruir la propia óptica de investigación.

Qué significa esto

La conclusión práctica es dura: la mayor parte de lo que hoy se llama investigación de producto y marketing se convertirá en un servicio automatizable. El valor de las personas se desplazará hacia donde no basta con contar, comparar y codificar respuestas, sino que hay que cambiar el lenguaje con el que se plantea el problema, detectar marcos ocultos y unir negocio, cultura y estrategia en una sola imagen de investigación.

De ahí el pronóstico del autor: en lugar de roles rígidamente separados como investigador UX, responsable de CX o analista de marketing, crecerá la demanda de investigadores-curadores capaces de dirigir un conjunto de herramientas de IA.