¿Qué nos dice la IA sobre lo que quieren los clientes?

La pregunta «¿qué quieren nuestros clientes?» suele ser demasiado amplia para orientar el trabajo. Resulta más útil concretar qué decisión está pendiente: por ejemplo, qué dudas debe resolver una página de producto. Así se puede buscar información pertinente sin presentar el análisis como una encuesta sobre todo el mercado.

Primero hay que distinguir el problema de su posible explicación

Imaginemos este comentario ficticio: «El pedido llegó dentro del plazo, pero no encontré la fecha prevista hasta que pregunté». La observación es que la persona describe una entrega puntual y una dificultad para informarse. El tema sería la falta de claridad sobre la fecha, no un retraso del envío.

A partir de ahí se puede plantear una hipótesis: quizá el dato existe, pero cuesta localizarlo durante la compra o el seguimiento. La siguiente comprobación podría quedar a cargo de la persona responsable de contenidos: revisar los mensajes de confirmación y pedir a clientes que muestren dónde buscan la fecha.

Esa hipótesis no debe absorber todos los comentarios sobre entregas. Habrá que conservar tanto los que señalen retrasos reales como los que describan información clara. La frecuencia de una palabra o una valoración negativa no equivale a una intención, ni demuestra por qué alguien deja de comprar. Una conclusión causal necesita pruebas adicionales.

Definir los límites evita contar más de lo que sabemos

El corpus es el conjunto de textos reunidos para el análisis. Anote los canales, el periodo, los idiomas, los productos y las exclusiones. Identifique también qué experiencias podrían faltar. Quienes publican reseñas o escriben a atención al cliente no son necesariamente comparables con quienes no lo hacen.

La guía de Statistics Canada sobre muestreo no probabilístico explica los límites de generalizar a partir de una selección no aleatoria. Aplicado a este análisis, contar temas permite describir las consultas seleccionadas, no a toda la clientela. Extraer una parte al azar no corrige el hecho de que esas personas decidieran contactar con atención al cliente. Esta limitación no vuelve inútiles sus aportaciones.

Decida si contará mensajes, conversaciones o clientes distintos. Una persona puede escribir varias veces y una conversación puede tratar varios asuntos. Elimine duplicados, establezca cómo tratará los contactos repetidos y haga explícito el denominador: el total de unidades incluidas. Si admite varios temas por unidad, sus recuentos pueden superar ese total.

Explorar, revisar y medir requieren conjuntos con funciones distintas

Lea algunos textos antes de pedir a la IA que sugiera agrupaciones. Esa exploración sirve para descubrir temas posibles; después el equipo debe definir qué incluye cada categoría, qué excluye y cuándo corresponde asignar varias.

Prepare una selección variada para la revisión humana, con idiomas y canales diferentes, textos largos y breves, casos ambiguos, problemas poco habituales y comentarios que mezclen asuntos. Los materiales de Google sobre clasificación de textos aconsejan revisar ejemplos y etiquetas y reunir los distintos tipos de texto que habrá que analizar. Tratan de aprendizaje supervisado; trasladar estas prácticas a este flujo con IA es una propuesta de método, no una prueba de rendimiento.

La selección de revisión puede incluir deliberadamente más casos difíciles o raros. Por eso no sirve para estimar la frecuencia de los temas. Calcule las frecuencias sobre una base definida por separado: una selección equilibrada para probar categorías no conserva necesariamente su frecuencia en los comentarios originales.

La revisión debe llegar hasta el comentario original

Trabaje con datos autorizados en herramientas aprobadas y retire la información personal innecesaria. Conserve el identificador de origen y el fragmento exacto que respalda cada clasificación. Si procede de una entrevista, compruébelo en la grabación. Marque las traducciones y las paráfrasis de la IA para que no se confundan con citas originales.

El Government Digital Service recomienda separar observaciones, hallazgos y acciones al analizar investigación con usuarios, y contar con varias personas en la revisión. MindVerve adapta ese criterio al análisis asistido por IA. Una síntesis convincente no sustituye la comprobación de las pruebas.

Cuando dos revisores discrepen, vuelvan al texto y a la definición de la categoría. Pueden resolver el caso o dejarlo como indeterminado. No borre las objeciones ni las quejas aisladas que podrían revelar un problema grave.

Cada hallazgo necesita una ficha que se pueda comprobar

Puede copiar esta estructura en el documento de trabajo. Su utilidad está en permitir que otra persona examine la conclusión y sepa qué investigar después.

1. Tema: definición y límites de la categoría.
2. Unidad contada y denominador: número de mensajes, conversaciones o clientes con el tema y total incluido.
3. Alcance del corpus: fuentes, fechas, idiomas, productos, exclusiones y tratamiento de duplicados.
4. Pruebas de origen: identificadores y fragmentos verificados, con traducciones y paráfrasis señaladas.
5. Evidencia contraria o ambigua: desacuerdos, casos sin resolver y problemas poco frecuentes de posible impacto elevado.
6. Siguiente investigación y responsable: pregunta pendiente, datos necesarios y persona encargada de comprobarla.

La ficha permite discutir una propuesta de contenido sin elevarla automáticamente a una afirmación sobre toda la clientela.

Un modelo más capaz debe responder a un error concreto

La documentación de Anthropic sobre clasificación y asignación de consultas señala dificultades como las peticiones implícitas, la confusión entre emoción e intención y la presencia de varios problemas en un mensaje. Es orientación de un proveedor para atención al cliente, no una evaluación independiente de marketing. Tampoco obliga a elegir un único tema para cada comentario.

Si los errores de lectura persisten aun con la información autorizada necesaria y categorías claras, tiene sentido probar un modelo más capaz. Si el desacuerdo está entre las personas que definen las categorías, aclárelo primero.

Compare modelos con los mismos casos variados, reservados para la evaluación y no utilizados para ajustar las instrucciones, tomando como referencia valoraciones humanas. Examine los tipos de error, la fidelidad a las fuentes, el manejo de la ambigüedad, el tiempo total de revisión y corrección, el tiempo de respuesta y el coste. No se trata de elegir por una clasificación pública de modelos. Comprobar una selección de casos tampoco garantiza la calidad de todos los resultados.

El piloto empieza por un trabajo bien delimitado

AI Workflow Launch puede configurar un único flujo de investigación, informes o contenidos, con selección de herramientas dentro del alcance acordado, pruebas con casos representativos del uso previsto y situaciones que puedan provocar errores, instrucciones y documentos de trabajo reutilizables, documentación, formación y traspaso al equipo. No incluye licencias, consumo de API ni integraciones adicionales; el soporte y el mantenimiento continuos se contratan aparte. Si todavía no están claros la tarea, los datos o los criterios, AI Opportunity Sprint ayuda a definir prioridades y alcance.