Investigación de mercados con IA: que cada dato esté verificado

Hace unos meses me llamó un director de ventas. Tenía una presentación con un banco en dos horas y una tabla de benchmark que la IA le devolvía mal, una y otra vez. La arreglamos con una sola instrucción: por cada dato, traeme el link de donde lo sacaste.

La tabla salió bien. No porque el modelo se volviera más inteligente. Porque le pedimos lo mismo que le pediríamos a cualquier analista junior: mostrame la fuente.

Ahí está todo el cambio del market research con IA, resumido en una llamada de dos horas antes de una reunión.

El rubro ya cruzó el puente

La discusión de "¿usamos IA para research?" terminó. Qualtrics encuestó a más de 3.000 researchers en 14 países: el 89% ya usa IA, de forma regular o experimental. Y el informe GRIT 2025 de Greenbook muestra la otra cara: adopción universal, satisfacción despareja, y la calidad de datos como la principal preocupación de la industria.

Traducción: todos la usan, pocos confían en lo que devuelve. Esa brecha no se cierra con un modelo mejor. Se cierra con método.

Confiada y equivocada

El Tow Center de Columbia puso a prueba ocho buscadores con IA. Más del 60% de las respuestas citaron mal la fuente. Y el detalle que más importa para una agencia: los modelos casi nunca matizan. No dicen creo que. Afirman.

Las versiones pagas eran peores en eso: contestaban con más seguridad, no con más precisión.

El problema no es que la IA se equivoque. Es que se equivoca con la misma cara con la que acierta. En consumo masivo eso es un papelón. En investigación de mercados es un problema existencial: si lo que vendés es información, un dato inventado en un reporte te cuesta el cliente.

Tratala como a un analista junior

La regla número uno es simple: cuando hagas research, decile que busque online. Explícitamente. "Busca online y pegame la URL de donde sacaste cada dato."

¿Por qué? Porque un modelo de IA está entrenado hasta una fecha. No tiene el precio de hoy, ni el market share del trimestre, ni el lanzamiento de la semana pasada. Si no lo obligás a buscar, responde de memoria. Y su memoria es un promedio de internet, no tu mercado.

Pedirle "no te equivoques" es una expresión de deseo. Pedirle la URL por dato es una instrucción auditable: cada celda de la tabla tiene un link que podés abrir.

Si no le pedís la fuente, no estás haciendo research. Estás tomando dictado.

Citar una fuente no es verificar

Citar un link es el piso, no el techo. Para el contenido que de verdad importa, el que va a la slide que decide una reunión, se construye un proceso por encima. Una escalera de tres niveles:

1. Nivel 1: citar. Busca online y pegá la URL de donde salió cada dato. Toda celda sin link no existe.
2. Nivel 2: abrir y leer. Una vez citada la fuente, pedile específicamente que abra cada link, lo lea y verifique que el dato esté ahí, tal cual lo escribió. Si queda alguna duda, que busque otro link y verifique de nuevo. Es la diferencia entre "encontré una fuente" y "leí la fuente".
3. Nivel 3: tercera fuente y score de certeza. Para lo crítico, una tercera fuente independiente. Y al final, que puntúe qué tan seguro está de cada dato. Si no está seguro, que diga exactamente por qué: qué le falta, qué supuesto hizo. Los supuestos no declarados son los que te queman en la presentación.

Lo confirmado, avanza. Lo que quedó abajo del score, lo revisa una persona.

Esto no es un invento nuevo. Es el control de calidad que cualquier agencia seria ya aplica al trabajo de campo: supervisión, no fe. Lo único que cambia es a quién supervisás.

Los procesos invisibles

¿Por qué hace falta todo esto? Porque vos ya lo hacías antes de la IA, sin darte cuenta. Cuando hacías research a mano, buscabas, contrastabas, y sacabas un print de pantalla para quedarte con la evidencia. Nadie te lo pidió: es el profesionalismo del oficio. Yo a eso lo llamo procesos invisibles.

Un analista senior no "analiza": compara contra la competencia, corta por región, descarta los gaps menores a un umbral, pondera lo que importa para ese cliente. Todo eso vive en su cabeza. La IA no lo ve. Hay que escribírselo, para que trabaje con el mismo grado de profesionalismo con el que trabajás vos.

En vez de "analizá esta data", el prompt de una agencia dice: revisá marca por marca, calculá el gap contra cada competidor, cortalo por región, y solo marcá como hallazgo lo que supere el 20%. Después pedile algo más: un score de confianza por cada insight. Vas a ver que en los primeros diez se juega la presentación y en los últimos diez no.

La IA no tiene criterio propio. Tiene el que vos le escribas.

Una skill por verificación

Nada de esto sirve si depende de que cada analista se acuerde de pedirlo. La solución es estandarizarlo: cada nivel de verificación se escribe una vez como una skill, una instrucción que la IA carga siempre que se lo pedís.

Podés tener una skill por nivel, o una sola que corra la escalera completa: citar, abrir y leer, tercera fuente, score de certeza. El analista escribe "verificá este benchmark" y el proceso corre entero, igual para todo el equipo.

Ahí es cuando el método deja de ser una buena costumbre tuya y pasa a ser el estándar de la agencia.

El estándar no cambió

ESOMAR ya actualizó su código para la era de la IA: transparencia, supervisión humana, cuidado con lo sintético. El mensaje de fondo es el mismo que el de este artículo. La IA entra al proceso. La responsabilidad no sale de tu lado.

Las agencias que van a ganar esta década no son las que más IA usen. Son las que puedan mostrar de dónde salió cada número.

La próxima vez que la IA te devuelva un benchmark impecable, hacele la pregunta que le harías a un junior: ¿de dónde sacaste esto? Si la respuesta es un link, tenés un analista nuevo en el equipo. Si es silencio, tenés un problema con muy buena redacción.

¿Querés armar este método sobre tus procesos reales de research? Es exactamente lo que hacemos. Hablemos.