IA generativa para insights de clientes: P&G, PepsiCo y Novartis revelan qué sí resuelve (y qué no)

Novartis habría ahorrado 29 millones de dólares con IA generativa para insights de clientes, según un resumen de AISential sobre un nuevo estudio de MIT Sloan Management Review. Pero la lección más valiosa del trabajo de Thomas Davenport y Viktor Dörfler no es la cifra. Es una advertencia: la tecnología ya funciona, y lo que sigue frenando a las empresas son los mismos obstáculos culturales que hundieron la gestión del conocimiento hace veinte años.

Qué están haciendo P&G, PepsiCo y Novartis con la IA generativa

Los autores hablaron con especialistas y líderes de insights de clientes y mercado en ocho empresas de consumo, entre ellas P&G, PepsiCo y Novartis. También consultaron a varios proveedores de tecnología y a una agencia de investigación de mercado que usa IA generativa en investigación cualitativa. El patrón común es un enfoque híbrido basado en RAG (retrieval-augmented generation). Este método combina el contenido propio de la empresa (estudios de mercado, transcripciones de entrevistas, tickets de soporte, comentarios en redes, resultados de focus groups) con el conocimiento general de un modelo de lenguaje. El empleado pregunta en lenguaje natural y recibe una respuesta sintetizada, no una lista de documentos.

P&G es un buen ejemplo de la variedad de caminos posibles. La compañía usa software de un proveedor para almacenar y acceder al conocimiento, pero desarrolló su propio sistema para el análisis y la categorización con IA generativa. Según Kirti Singh, su directora de analítica, insights y medios, así obtienen «respuestas precisas y directas» en lugar de enlaces a archivos. El mercado de proveedores también se está segmentando: unos se centran en el almacenamiento y el acceso, otros en el análisis de datos cualitativos y otros en la prueba rápida de anuncios con consumidores. Los autores esperan que a futuro surjan plataformas amplias que cubran todo el ciclo. Un directivo lo resumió así: «La IA solo es tan útil como los datos de los que aprende».

Lo que la IA no arregla: el problema de siempre es cultural

Las herramientas de gestión del conocimiento con IA prometen resolver lo que Lotus Notes o SharePoint no lograron. Aquellas plataformas dieron acceso amplio al contenido, pero no produjeron una revolución en su uso. Pesaron más la dificultad para organizar y recuperar el conocimiento, la indiferencia hacia el contenido, los silos, las duplicidades y la poca colaboración con agencias externas. Según el estudio, esos obstáculos siguen ahí.

Por eso los autores advierten contra repetir el error histórico de mirar solo el almacenamiento y el acceso. Las empresas deben atender los flujos de conocimiento: cómo se crean, analizan, guardan y consultan los insights. La IA generativa puede ayudar en cada etapa, pero ninguna tecnología arregla por sí sola una organización que no comparte lo que sabe. Esto coincide con lo que reporta TechTarget en su repaso de casos reales: la IA generativa ya es un requisito básico de eficiencia, y lo que separa a los proyectos que funcionan de los que fracasan es el contexto organizacional.

Qué puedes aplicar en tu empresa para sacar valor a los insights de clientes

Estas son las acciones concretas que se desprenden del estudio:

Centraliza y cura el contenido antes de conectar el modelo. Los casos analizados reúnen la mayor cantidad posible de contenido de clientes y mercado en un solo sistema. Eliminan duplicados y documentos obsoletos, porque un RAG alimentado con basura responde con basura.

Define qué tipo de problema resuelves. Una herramienta de almacenamiento asume que el análisis ya está hecho y solo hay que encontrarlo. Si tu cuello de botella es analizar entrevistas, comentarios o tickets, necesitas capacidad de análisis cualitativo, que es donde muchas herramientas aún son limitadas.

Decide si construyes, compras o combinas. P&G compra el almacenamiento y construye la capa de análisis. Hacerlo todo internamente es posible, pero puede ser difícil.

Diseña el flujo completo. Define quién genera los insights, quién los valida, dónde viven y quién los consulta. Incluye a las agencias externas, que suelen quedar fuera.

Trabaja la adopción como un proyecto de cambio. Si los equipos no ven el valor o protegen su información, el sistema se quedará vacío. Mide el uso, no solo el despliegue.

Verifica las respuestas. Las respuestas sintetizadas necesitan trazabilidad hacia la fuente. Casos como el de IskayPet, que unificó sus documentos de SharePoint en cuatro idiomas con IA, muestran lo importante que es resolver la capa de conocimiento corporativo antes de escalar. Y cuando la precisión es crítica, conviene revisar cómo un retailer redujo las alucinaciones del 15% al 1,5% sin cambiar de modelo.

¿Cuándo es el momento correcto?

La respuesta práctica es que ya hay suficiente madurez para empezar, siempre que tu contenido de clientes esté disperso y los equipos pierdan tiempo buscando lo que la empresa ya sabe. Si en tu organización nadie sabe dónde están los estudios del año pasado, es la señal más clara. Si, en cambio, el problema es que nadie los consulta, empieza por la cultura y no por el modelo.

El verdadero reto de la IA generativa para insights de clientes

La conclusión del estudio es incómoda y útil: comprar un buen sistema de RAG es la parte fácil. Lo difícil es lograr que los datos estén limpios, que los equipos colaboren y que los insights fluyan hasta quien toma decisiones. Si vas a invertir en IA generativa para insights de clientes, ¿tu organización está preparada para compartir lo que ya sabe, o solo vas a automatizar el archivo?