Mejore sus habilidades con los conocimientos expertos semanales de Growth Memo. ¡Suscríbete gratis!
Todos sabemos que el seguimiento rápido es direccional. La forma más eficaz de reducir el ruido es realizar un seguimiento de las indicaciones basadas en personas.
Esta semana, estoy cubriendo:
- Por qué la personalización de la IA hace que los modelos tradicionales de “seguimiento de SERP” sean incompletos y cómo las personas sintéticas llenan ese vacío.
- Los datos de validación de Stanford muestran una precisión del 85% a un tercio del costo y cómo Bain redujo el tiempo de investigación entre un 50% y un 70%.
- La estructura de la tarjeta personal de cinco campos y cómo generar entre 15 y 30 mensajes rastreables por segmento en todos los niveles de intención.
Una gran diferencia entre la búsqueda clásica y la de IA es que esta última ofrece resultados altamente personalizados.
- Cada usuario obtiene respuestas diferentes según su contexto, historial e intención inferida.
- El mensaje promedio de IA es ~5 veces más largo que las palabras clave de búsqueda clásicas (23 palabras frente a 4,2 palabras), lo que transmite señales de intención mucho más ricas que los modelos de IA utilizan para la personalización.
- La personalización crea un problema de seguimiento: ya no se puede monitorear “la” respuesta de la IA porque cada mensaje es esencialmente único y está determinado por el contexto individual del usuario.
La investigación tradicional de personas resuelve esto (se mapean diferentes segmentos de usuarios y se rastrean las respuestas de cada uno), pero crea nuevos problemas. Se necesitan semanas para realizar entrevistas y sintetizar los hallazgos.
Cuando termines, los modelos de IA habrán cambiado. Las personas se convierten en documentación obsoleta que nunca se utiliza para un seguimiento rápido real.
Las personas sintéticas llenan el vacío creando perfiles de usuario a partir de datos de comportamiento y de perfiles: análisis, registros de CRM, tickets de soporte, sitios de revisión. Puede crear cientos de variantes de microsegmentos e interactuar con ellos en lenguaje natural para probar cómo formularían las preguntas.
Lo más importante: son la clave para un seguimiento rápido más preciso porque simulan las necesidades y limitaciones de información reales.
el cambio: Las personas tradicionales son descriptivas (quién es el usuario), las personas sintéticas son predictivas (cómo se comporta el usuario). Uno documenta un segmento, el otro lo simula.
Ejemplo: La persona compradora de TI empresarial con una tarea pendiente de “evaluar el cumplimiento de la seguridad” y la restricción “necesita seguimiento de auditoría para la adquisición” generará mensajes de manera diferente que un usuario individual con la tarea “encontrar la opción más barata” y la restricción “necesita una decisión en 24 horas”.
- Primer mensaje: «herramientas de gestión de proyectos empresariales registros de auditoría de cumplimiento SOC 2».
- Segundo mensaje: «la mejor aplicación gratuita de gestión de proyectos».
- Misma categoría de producto, indicaciones completamente diferentes. Necesita ambas personas para realizar un seguimiento de ambos patrones de avisos.
Cree personas con un 85 % de precisión por un tercio del precio
Stanford y Google DeepMind entrenaron personajes sintéticos en transcripciones de entrevistas de dos horas y luego probaron si los personajes de IA podían predecir cómo esas mismas personas reales responderían a las preguntas de la encuesta más adelante.
- El método: Los investigadores realizaron encuestas de seguimiento con los participantes de la entrevista original y les hicieron nuevas preguntas. Los personajes sintéticos respondieron las mismas preguntas.
- Resultado: 85% de precisión. Las personas sintéticas replicaron lo que dijeron los participantes reales del estudio.
- Por contexto, eso es comparable a la consistencia entre pruebas y repruebas humanas. Si le haces la misma pregunta a la misma persona con dos semanas de diferencia, es aproximadamente un 85% coherente consigo misma.
El estudio de Stanford también midió qué tan bien las personas sintéticas predecían patrones de comportamiento social en experimentos controlados: cosas como quién cooperaría en juegos de confianza, quién seguiría las normas sociales y quién compartiría recursos de manera justa.
La correlación entre las predicciones sintéticas de las personas y el comportamiento real de los participantes fue del 98%. Esto significa que las personas de IA no solo memorizaron las respuestas de las entrevistas; captaron tendencias conductuales subyacentes que predecían cómo actuarían las personas en situaciones nuevas.
Bain & Company realizó un piloto separado que mostró una calidad de conocimiento comparable a un tercio del costo y la mitad del tiempo que los métodos de investigación tradicionales. Sus conclusiones: reducción de tiempo entre un 50 y un 70 % (días en lugar de semanas) y un ahorro de costes entre un 60 y un 70 % (sin comisiones de contratación, incentivos ni servicios de transcripción).
El problema: estos resultados dependen completamente de la calidad de los datos de entrada. El estudio de Stanford utilizó ricas transcripciones de entrevistas de dos horas de duración. Si entrenas con datos superficiales (solo páginas vistas o datos demográficos básicos), obtendrás personas superficiales. Basura entra, basura sale.
Cómo crear personas sintéticas para un mejor seguimiento rápido
La construcción de una persona sintética consta de tres partes:
- Aliméntelo con datos de múltiples fuentes sobre sus usuarios reales: transcripciones de llamadas, entrevistas, registros de mensajes, datos de búsqueda orgánica.
- Complete la Tarjeta de Persona: los cinco campos que capturan cómo alguien piensa y busca.
- Agregue metadatos para realizar un seguimiento de la calidad de la persona y cuándo es necesario actualizarla.
El error que cometen la mayoría de los equipos: intentar crear personajes a partir de indicaciones. Esta es una lógica circular: necesitas personas para comprender qué indicaciones seguir, pero estás utilizando indicaciones para crear personas. En su lugar, comience con las necesidades de información del usuario y luego deje que la persona traduzca esas necesidades en indicaciones probables.
Fuentes de datos para alimentar a personas sintéticas
El objetivo es comprender qué intentan lograr los usuarios y el lenguaje que utilizan de forma natural:
- Tickets de soporte y foros comunitarios: lenguaje exacto que utilizan los clientes al describir problemas. Señal sin filtrar y de alta intención.
- Transcripciones de llamadas de ventas y CRM: Preguntas que hacen, objeciones que plantean, casos de uso que cierran tratos. Muestra el proceso de toma de decisiones.
- Entrevistas y encuestas a clientes: Voz directa del cliente sobre las necesidades de información y el comportamiento de investigación.
- Sitios de reseñas (G2, Trustpilot, etc.): Lo que desearían haber sabido antes de comprar. Brecha entre expectativa y realidad.
- Datos de consulta de Search Console: Preguntas que le hacen a Google. Utilice expresiones regulares para filtrar consultas de tipo pregunta:
(?i)^(who|what|why|how|when|where|which|can|does|is|are|should|guide|tutorial|course|learn|examples?|definition|meaning|checklist|framework|template|tips?|ideas?|best|top|lists?|comparison|vs|difference|benefits|advantages|alternatives)\b.*
(Me gusta usar los últimos 28 días, segmentar por país de destino)
Estructura de la tarjeta de persona (solo cinco campos; más crean deuda de mantenimiento):
Estos cinco campos capturan todo lo necesario para simular cómo alguien accionaría un sistema de IA. Son mínimos por diseño. Siempre puedes agregar más más adelante, pero comenzar de manera simple mantiene las personas mantenibles.
- Trabajo por hacer: ¿Cuál es la tarea del mundo real que están tratando de realizar? No “aprender sobre X” sino “decidir si comprar X” o “solucionar el problema Y”.
- Restricciones: ¿Cuáles son sus presiones de tiempo, niveles de tolerancia al riesgo, requisitos de cumplimiento, límites presupuestarios y restricciones de herramientas? Estos determinan cómo buscan y qué pruebas necesitan.
- Métrica de éxito: ¿Cómo juzgan que es “suficientemente bueno”? Los ejecutivos quieren confianza direccional. Los ingenieros quieren detalles reproducibles.
- Criterios de decisión: ¿Qué pruebas, estructura y nivel de detalle necesitan antes de confiar en la información y actuar en consecuencia?
- Vocabulario: ¿Cuáles son los términos y frases que utilizan naturalmente? No «mitigar la deserción» sino «mantener a los clientes». No «optimización de UX» sino «hacer que el sitio sea más fácil de usar».
Requisitos de especificación
Estos son los metadatos que hacen que las personas sintéticas sean confiables; previene el problema de la “caja negra”.
Cuando alguien cuestiona los resultados de una persona, se puede rastrear hasta la evidencia.
Estos requisitos forman la columna vertebral del desarrollo continuo de la persona. Realizan un seguimiento de los cambios, las fuentes y la confianza en la ponderación.
- Procedencia: Qué fuentes de datos, rangos de fechas y tamaños de muestra se utilizaron (p. ej., “Tickets de soporte del tercer trimestre de 2024 + revisiones de G2”).
- Puntuación de confianza por campo: Una calificación Alta/Media/Baja para cada uno de los cinco campos de la Tarjeta de Persona, respaldada por recuentos de evidencia. (p. ej., “Criterios de decisión: ALTA confianza, basado en 47 llamadas de ventas versus Vocabulario: BAJA confianza, basado en 3 correos electrónicos internos”).
- Notas de cobertura: Indique explícitamente lo que faltan en los datos (por ejemplo, «Representa excesivamente a los compradores empresariales, omite por completo a los usuarios que abandonaron antes de contactar al soporte»).
- Puntos de referencia de validación: De tres a cinco comprobaciones de la realidad con verdades comerciales conocidas para detectar alucinaciones. (por ejemplo, «Si la persona afirma que el ‘precio’ es la principal limitación, ¿coincide eso con nuestros datos reales del ciclo de negociación?»).
- Desencadenantes de la regeneración: Señales predefinidas de que es hora de volver a ejecutar el script y actualizar la persona (por ejemplo, un nuevo competidor ingresa al mercado o el vocabulario en los tickets de soporte cambia significativamente).
Dónde funcionan mejor las personas sintéticas
Antes de crear personajes sintéticos, comprenda dónde agregan valor y dónde se quedan cortos.
Casos de uso de alto valor
- Diseño rápido para seguimiento de IA: Simule cómo diferentes segmentos de usuarios formularían preguntas a los motores de búsqueda de IA (el caso de uso principal que se trata en este artículo).
- Pruebas de concepto en etapa inicial: Pruebe 20 variaciones de mensajes, limitándose a las cinco principales antes de gastar dinero en una investigación real.
- Exploración de microsegmentos: Comprenda el comportamiento en docenas de funciones laborales de usuarios diferentes (administrador empresarial, colaborador individual o comprador ejecutivo) o casos de uso sin entrevistar a cada uno de ellos.
- Segmentos de difícil acceso: Pruebe ideas con compradores ejecutivos o evaluadores técnicos sin necesidad de su tiempo.
- iteración continua: actualice las personas a medida que lleguen nuevos tickets de soporte, reseñas y llamadas de ventas.
Limitaciones cruciales de las personas sintéticas que debes comprender
- Sesgo de adulación: Los personajes de IA son demasiado positivos. Los usuarios reales dicen: «Empecé el curso pero no lo terminé». Las personas sintéticas dicen: «Completé el curso». Quieren agradar.
- Falta de fricción: Son más racionales y consistentes que las personas reales. Si sus datos de entrenamiento incluyen tickets de soporte que describen frustraciones o reseñas que mencionan puntos débiles, la persona puede hacer referencia a estos patrones cuando se le pregunte; simplemente no experimentará espontáneamente nuevas fricciones que no haya visto antes.
- Priorización superficial: Pregunte qué importa y le enumerarán 10 factores igualmente importantes. Los usuarios reales tienen una jerarquía clara (el precio importa 10 veces más que el color de la interfaz de usuario).
- Sesgo heredado: Los sesgos en los datos de entrenamiento fluyen. Si su CRM no representa adecuadamente a los compradores de pequeñas empresas, sus personajes también lo harán.
- Riesgo de falsa confianza: El mayor peligro. Las personas sintéticas siempre tienen respuestas coherentes. Esto hace que los equipos se sientan demasiado confiados y se salten la validación real.
Regla de funcionamiento: Utilice personajes sintéticos para exploración y filtrado, no para decisiones finales. Reducen su conjunto de opciones. Los usuarios reales toman la decisión final.
Resolviendo el problema del arranque en frío para un seguimiento rápido
Las personas sintéticas son una herramienta de filtrado, no una herramienta de decisión. Reducen su conjunto de opciones de 20 ideas a cinco finalistas. Luego, validas esos cinco con usuarios reales antes del envío.
Específicamente para el seguimiento de mensajes de IA, las personas sintéticas resuelven el problema del arranque en frío. No puede esperar a acumular seis meses de volumen rápido real antes de comenzar a optimizar. Las personas sintéticas le permiten simular un comportamiento rápido entre segmentos de usuarios de inmediato y luego perfeccionarlo a medida que llegan datos reales.
Donde te harán fracasar es si los usas como excusa para saltarte la validación real. A los equipos les encantan las personas sintéticas porque son rápidas y siempre dan respuestas. Eso es también lo que los hace peligrosos. No te saltes el paso de validación con clientes reales.
Imagen publicada: Paulo Bobita/Search Engine Journal
