La IA cambia el research de medios menos haciendo que sea más rápido que haciéndolo continuo, convierte las personas de un documento puntual en un modelo de trabajo que el sistema actualiza, y desplaza la ventaja duradera de datos desde el research público —ahora barato para todos— a tus datos first-party propietarios y tu memoria acumulada.
He pasado 18 años en planificación y compra, y durante la mayor parte de ese tiempo el research era un proyecto. Lo encargabas, recibías un deck, lo usabas un trimestre, y se quedaba obsoleto en una carpeta. La gente que lo hacía bien era lectores rápidos y buenos sintetizadores. La IA cambia cuánto vale esa habilidad, y cambia dónde está la ventaja. Tomemos las tres piezas por turno —research, personas y datos— porque el giro es distinto en cada una.
El research deja de ser un proyecto
El ritmo antiguo era periódico: un estudio de categoría en el Q1, un escaneo de la competencia cuando alguien lo pedía, un refresco de audiencia antes del plan anual. Cada uno era un evento, y entre eventos el equipo funcionaba con memoria e instinto.
Un equipo AI-native ejecuta el research como una capacidad permanente. Las señales públicas —giros de categoría, creatividad de la competencia, demanda de búsqueda, conversación social— se recogen y resumen de forma continua, según un calendario y no bajo petición. La salida no es un deck. Es un flujo que el equipo lee, como lees un panel en vez de pedir un informe.
El efecto práctico es que el equipo nunca parte de cero en una categoría, porque la categoría se ha ido resumiendo todo el tiempo. Llegar ahí es el mismo trabajo poco glamuroso que el resto del clúster: hay que cablear las fuentes de señal, el resumen tiene que tener un estándar, y alguien tiene que ser dueño de la interpretación. El modelo hace la lectura, no la decisión.
Qué pasa a ser el trabajo del analista
Cuando la síntesis es continua y mecánica, el valor del analista pasa de encontrar la respuesta a elegir la mejor pregunta.
Ese no es un cambio pequeño, y es incómodo para quien tenía por identidad ser la persona que sabía dónde mirar. En el modelo antiguo el cuello de botella era la recuperación —encontrar la cifra, el estudio, el benchmark. En el modelo nuevo la recuperación es casi gratis, así que la habilidad escasa es enmarcar: saber qué pregunta necesita de verdad responder el negocio, y qué respuesta cambiaría una decisión.
He visto equipos hacer esta transición bien y mal. Los que la hacen bien dan al analista un asiento en la conversación de planificación, porque ahí viven las buenas preguntas. Los que la hacen mal automatizan la recuperación y dejan al analista haciendo el mismo trabajo más rápido, y luego se preguntan por qué su persona más curiosa está aburrida. Si la recuperación era el trabajo, el trabajo se fue; si el juicio era el trabajo, el trabajo acaba de volverse más interesante.
Las personas se convierten en un modelo de trabajo
El documento de persona es uno de los artefactos más silenciosamente inútiles del marketing. Se redacta una vez, se ilustra con una foto de banco de imágenes y nunca se actualiza, porque actualizarlo es caro y nadie es su dueño.
Un equipo AI-native trata las personas como un modelo de trabajo en su lugar. La definición de audiencia vive con los datos, y el sistema la afina a medida que cambia el comportamiento: qué segmentos convierten, qué mensaje aterriza, qué supuestos se rompieron. La persona no es un entregable; es un modelo consultable que está detrás de la planificación y la creatividad.
La consecuencia estratégica es que las personas dejan de ser un proyecto artístico y empiezan a ser una herramienta de decisión. En vez de preguntar «¿encaja esta campaña con nuestra persona?» —una conversación que suele acabar en acuerdo— puedes preguntar al modelo cuál de varias definiciones de audiencia explica mejor los resultados del último trimestre, y obtener una respuesta anclada en lo que se ejecutó de verdad. Es una calidad distinta de input para el brief.
La ventaja de datos se mueve a la capa propietaria
Aquí está la parte que de verdad importa para la estrategia, y es fácil de perder porque el research público ahora es tan impresionante.
Si la IA puede sintetizar la web pública para cualquiera, entonces el research público ya no es una ventaja —es una commodity. El benchmark de categoría, la creatividad del competidor, el estudio del sector: cualquiera con un buen flujo de trabajo puede resumirlos. La ventaja no puede vivir ahí, porque ya no es escasa.
La ventaja duradera se mueve a lo que un competidor no puede suscribir: tus datos first-party, los resultados de tus campañas pasadas, tus relaciones con clientes y la memoria que tu flujo de trabajo acumula sobre qué funcionó. Un modelo que recuerda los tests del año pasado y los resultados de este vale más que un modelo más listo sin historia. Es el mismo argumento que hice sobre por qué la memoria de la IA importa más que la elección del modelo, aplicado al research: la capitalización está en el contexto, no en el modelo.
Research antiguo vs. research AI-native
| Dimensión | Research tradicional | Research AI-native |
|---|---|---|
| Cadencia | Proyecto periódico | Capacidad permanente |
| Salida | Un deck | Un flujo más un modelo |
| Motor de coste | Horas de analista | Acceso a datos y gobernanza |
| Trabajo del analista | Encontrar y sintetizar | Enmarcar la pregunta e interpretar |
| Personas | Documento estático | Modelo vivo detrás de la planificación |
| Ventaja | Mejor síntesis | Datos propietarios y memoria |
| Modo de fallo | Obsoleto y sin usar | Datos sucios y propiedad poco clara |
Lee la última fila como la advertencia. La versión AI-native falla en un sitio distinto que la tradicional —no por quedarse obsoleta, sino por alimentar un sistema rápido y seguro de sí mismo con datos que nadie ha limpiado ni gobernado.
La gobernanza es una precondición, no papeleo
No puedes construir la capa de memoria antes de decidir qué puede ver el modelo, qué puede salir de tus sistemas y quién es dueño de la respuesta cuando algo va mal.
Por eso la gobernanza cae en el carril de Estrategia en lugar de en un anexo de cumplimiento. En el momento en que conectas datos first-party a un flujo de trabajo de research o planificación, has tomado un conjunto de decisiones sobre fronteras y consentimiento —y si las aplazas, reconstruirás la capa después bajo la supervisión de un abogado, a varias veces el coste. Los equipos que tratan la gobernanza como un requisito previo se mueven más despacio dos semanas y más rápido dos años.
La guía de Ejecución profundiza en el lado operativo de esto, pero el punto estratégico es simple: la capa propietaria es donde vive la ventaja, y la capa propietaria es exactamente aquello con lo que no se te permite ser descuidado.
Qué debería hacer de verdad un equipo interno
Si eres dueño de tus datos y tu hoja de ruta, la secuencia es inusualmente clara.
- Cablea las fuentes de señal para una categoría o una audiencia —no todo. El research continuo sobre una cosa vale más que el research esporádico sobre diez.
- Define el estándar del resumen para que el flujo sea fiable: qué fuentes cuentan, cómo es una buena síntesis, quién la valida.
- Levanta la persona como modelo detrás de un flujo de trabajo —planificación o creatividad— y deja que se actualice con resultados reales.
- Decide tus fronteras de datos antes de conectar datos first-party, y escribe quién es dueño de la respuesta cuando el modelo se equivoca.
- Protege el asiento del analista en la decisión, porque enmarcar la pregunta es ahora el trabajo.
El carril para equipos internos secuencia esto contra el resto del modelo operativo, y la guía de Estrategia lo pone en el contexto de todo el carril. Termina una etapa antes de ampliar a la siguiente.
FAQ
¿La IA reemplaza a los investigadores de medios?
Reemplaza la mitad de recuperación del trabajo, que era la mayor parte de las horas. No reemplaza enmarcar la pregunta ni interpretar la respuesta. Los investigadores que pasan a la mitad de juicio se vuelven más valiosos; los que cobraban por recuperación avanzan más rápido y luego necesitan una nueva definición del rol.
¿Las personas siguen sirviendo de algo?
Sí, pero como modelo de trabajo en lugar de documento. Una persona que se actualiza con resultados reales de campaña es una herramienta de decisión. Una persona redactada una vez y nunca revisitada es decoración, y la IA no la rescata —solo hace la decoración más barata de producir.
¿El research público ya no vale nada?
No, es un input útil y es más rápido que nunca. Simplemente no es una ventaja, porque todos tienen acceso a la misma síntesis. La ventaja se movió a tus datos propietarios y tu memoria, la parte que un competidor no puede copiar suscribiéndose a las mismas herramientas.
¿Dónde encaja la gobernanza de datos?
Como precondición, antes de conectar datos first-party. Decidir qué puede ver el modelo, qué puede salir de tus sistemas y quién es dueño de la respuesta es ahora parte del diseño del research, no una reflexión de cumplimiento. Sáltatelo y reconstruirás la capa después, bajo supervisión.
La versión corta
La IA hace el research continuo, convierte las personas en un modelo vivo y mueve la ventaja duradera a tus datos propietarios y tu memoria. El trabajo del analista pasa de la recuperación a enmarcar, y la gobernanza deja de ser papeleo y se convierte en lo que permite que la capa propietaria exista. El modelo hace la lectura; tú haces el juicio.
Sigo aprendiendo este campo en público, y me he equivocado más de una vez sobre dónde se asentaría la ventaja. Pero esta parte se ha mantenido: cuando la síntesis es gratis, lo escaso es una buena pregunta y tu propia historia.
Si tu equipo ha hecho este giro, me gustaría saber qué pasó con el rol de investigador —ahí suele estar la historia real.
Un abrazo, Chandler
Este artículo está disponible en español, pero los materiales del curso (videos, plantillas y guías complementarias) están en inglés, japonés, chino simplificado y coreano; este sitio está disponible en 13 idiomas.