IA y personas: pros y contras

Dónde puede ayudarnos la IA...

La IA es mucho mejor que nosotros en algunas cosas: La IA no comete errores por descuido, no se cansa ni se distrae y no tiene dolores de cabeza. Y: la IA tampoco se aburre. Por eso la IA está prácticamente predestinada a hacerse cargo de todas esas tareas rutinarias que requieren un alto nivel de concentración y son lentas, monótonas y propensas a errores.

Al crear personas, esto se aplica en particular al trabajo preparatorio: analizar grandes cantidades de datos y ponerlos en un contexto significativo es una maravillosa tarea de IA. Esto incluye, por ejemplo

• Opiniones de los clientes
• Datos CRM (sociodemográficos, comportamiento de los usuarios, contactos, actividades de compra, analítica), analítica web
• Analítica social
• Datos de apoyo
• Datos ERP (datos de transacciones, ...)
• Datos del motor de búsqueda
• Análisis de sentimiento, etc.

Dependiendo de los datos introducidos y de su calidad, las tecnologías de IA pueden utilizarse para crear segmentos de clientes o solicitantes a partir de dichos datos. Las herramientas de IA suelen utilizar tecnologías clave como el aprendizaje profundo y/o las redes neuronales: sistemas de aprendizaje que reconocen patrones y tendencias en grandes cantidades de datos.

Otros métodos incluyen el análisis predictivo: modelos de predicción basados en datos históricos; análisis de las opiniones de los clientes y algoritmos de agrupación que forman segmentos de clientes basados en similitudes en el comportamiento de compra u otras características. A partir de estos segmentos de clientes (o de candidatos), se pueden crear personas basadas en datos que nos proporcionen información importante sobre nuestros clientes o candidatos ideales, por ejemplo:

• Comportamiento en el uso de los medios de comunicación (puntos de contacto publicitarios y acercamiento al cliente)
• Sensibilidad al precio/salario deseado
• Comportamiento de compra (y su predicción)
• Organización del proceso de compra (o de solicitud, ...)
• ¿Cómo funciona la orientación con la menor pérdida por dispersión posible?
• ¿Qué obstáculos hay a la hora de comprar el producto en cuestión? ¿O al solicitar un empleo?
• ¿Cuál es el pensamiento decisivo o la situación que impulsó la compra/solicitud? ¿O la cancelación?
• ¿Qué camino siguió el comprador o solicitante para llegar al producto/aplicación?
• ¿Qué criterios eran importantes?

Sin embargo, esto sólo funciona si alimentamos a la IA con datos propios o recopilados (y comprados), y con el conocimiento de la calidad de estos datos. Circulan por toda la red sugerencias para crear personas "basadas en datos" a través de ChatGPT. Sin embargo, si ChatGPT no accede a nuestros propios datos, el resultado son personas que tienen muy poco que ver con la realidad y están salpicadas de generalizaciones.

Así que, incluso con la ayuda de la IA, la creación de personas no es posible sin entrevistar realmente a la gente, ya sea internamente o utilizando encuestas representativas, encargando a institutos de mercado/opinión o similares.

...y dónde no

La IA necesita datos reales que analizar y clasificar para crear personas. Al navegar por la red, comprar en línea y comentar en las redes sociales, dejamos tras de sí grandes cantidades de datos de este tipo, consciente e inconscientemente. Pero seguimos viviendo fuera de la red, en una realidad llena de amigos, vecinos, colegas, familiares, cafeterías, mercados, lugares de trabajo, peluquerías y tiendas de papelería. En todos estos lugares tiene lugar la "vida real" con todas estas personas, con cotilleos, "¿Sabías que...?", "Hace poco descubrí/compré/probé un XX...", etc.
Si el viaje del cliente no se realiza en línea o sólo parcialmente, a menudo hay lagunas en la IA de personas. Las personas que obtienen información offline de otras personas simplemente no aparecen en muchos personajes de IA porque no hay datos disponibles.
Es aún más difícil con las transacciones B2B: Éstas tienen lugar muy a menudo sin la ayuda de motores de búsqueda y tiendas web, sino a través de centros de compradores con contacto directo con el proveedor. Además, en el centro de compras suelen participar varias personas.

Éstas son situaciones en las que la IA no puede ayudar realmente. Pero también hay situaciones en las que la IA no sólo no ayuda, sino que realmente perjudica:

Los modelos de IA suelen aprender basándose en datos de entrenamiento y de prueba. Sin embargo, estos conjuntos de datos nunca son neutrales, sino que siempre están influidos por la realidad social y los supuestos, estereotipos y normas sociales en los que se generaron. En el fondo, la IA siempre es un sistema que aprende y cuyo rendimiento depende del desarrollo subyacente, la base de datos y el mantenimiento continuo.
Por tanto, si la realidad de los datos de entrenamiento ya está distorsionada, el modelo de IA también lo estará: si los datos están plagados de contenido racista o sexista, por ejemplo, el modelo recurrirá a estos prejuicios y a la discriminación. Los personajes cargados de prejuicios y la publicidad basada en ellos pueden molestar a grupos enteros de clientes y distanciarlos de la marca a largo plazo. Los clientes descontentos pueden desencadenar una tormenta de mierda en las redes sociales, y el daño resultante a la imagen de la empresa puede disuadir a los candidatos y causar daños duraderos a toda la organización.

Para evitar que se produzcan estas situaciones, es imprescindible que los personajes se basen en datos y, preferiblemente, sean tan neutrales y diversos que puedan descartarse los sesgos.