Cuanti, cuali y dónde encaja realmente la IA

Durante décadas, la conversación sobre investigación se ha planteado como una disyuntiva. Cuantitativa o cualitativa. Números o relatos. Escala o profundidad. Siempre fue una falsa dicotomía, porque cada una responde a preguntas distintas, y la pregunta la marca la decisión que estás a punto de tomar, no una preferencia metodológica.

La cuanti mide la prevalencia. Te dice cuántos clientes sienten algo, cómo difieren los segmentos y si un cambio es real o ruido. La cuali lo explica. Te dice por qué la gente siente lo que siente, el lenguaje que usa y aquello que no se te había ocurrido preguntar. Una puntuación de satisfacción que baja dos puntos es un hallazgo cuanti. El motivo de esa caída vive en las respuestas literales.

El método sigue a la decisión, no a la moda

La disciplina consiste en partir de la decisión. Si la cuestión necesita un “cuántos”, inclínate por la cuanti. Si necesita un “por qué” o un “cómo decirlo”, incluye la cuali. La mayoría de las preguntas de peso necesitan ambas, ejecutadas en secuencia. Las entrevistas exploratorias hacen aflorar temas y lenguaje; una encuesta mide después cuán extendidos están esos temas y los vincula al comportamiento. O al revés: un tracker señala un segmento que se está deslizando, y las conversaciones de seguimiento explican el deslizamiento antes de que nadie financie una solución.

Lo que ha cambiado no es la lógica, sino el coste. El trabajo cualitativo siempre fue la mitad cara: lenta de llevar a campo y aún más lenta de codificar. Esa es la mitad que la IA ha reescrito.

La IA no zanjó el debate cuanti contra cuali. Desplomó el coste de la cuali a escala.

La IA cambió la economía, no la pregunta

El motivo por el que esto importa ahora es estructural. La señal más rica que te da un cliente no está estructurada: la pregunta abierta, la transcripción de soporte, la reseña, la entrevista grabada. Y la inmensa mayoría de lo que una empresa guarda sobre sus clientes es justo ese tipo de dato.

El etiquetado automático de preguntas abiertas, el resumen de transcripciones y la extracción de sentimiento han convertido lo que antes era codificación manual en algo que el analista supervisa en lugar de ejecutar. El resultado es cuali a escala de cuanti, y la comunidad investigadora ya ha tomado nota.

La brecha de adopción empieza a notarse ya como una brecha de resultados. En el estudio de Qualtrics de 2026, con más de 3.000 investigadores en 14 países, los equipos que combinaron IA agéntica con un diseño liderado por personas se distanciaron con claridad del resto.

Velocidad no es lo mismo que insight

Aquí es donde la disciplina vuelve a imponerse. La IA reduce el coste de producir una respuesta, y eso hace peligrosamente fácil producir una respuesta solvente a la pregunta equivocada. La versión más nítida de esta tentación son los datos sintéticos: encuestados simulados que sustituyen a los reales. El sector va deprisa, y la mayoría de los investigadores cree que el grueso del trabajo se apoyará en respuestas sintéticas dentro de tres años. Esa convicción va por delante de la validación.

Lo que separa a una función de investigación que gana influencia de otra que la pierde no es cuánta IA usa, sino si una persona sigue siendo dueña de las partes que la IA no puede asumir.

1. La pregunta. La IA responderá a lo que le preguntes, sea lo que sea. Enmarcar la decisión, y la pregunta que la alimenta, sigue siendo trabajo humano.
2. La muestra. Los encuestados sintéticos resultan útiles para poblaciones bien documentadas y peligrosos para las nuevas. Saber distinguir unas de otras es cuestión de criterio, no de configuración.
3. La lectura. Contrasta los temas que genera la máquina con una muestra de respuestas literales en bruto. La deriva y la alucinación son reales, y un resumen sin verificar es un pasivo, no un hallazgo.
4. La transparencia. Dile a los stakeholders dónde se ha usado la IA. La transparencia es lo que mantiene creíble una respuesta rápida.

Usada así, la IA no sustituye al analista, sino que lo asciende en la cadena de valor: pasa de codificar respuestas literales a interrogar qué significan esas respuestas. Las firmas que convierten ese cambio en ventaja son las que tratan potencia y criterio como complementos, no como sustitutos.

Así que la pregunta de cuanti contra cuali fue siempre un sucedáneo de otra mejor: qué decisión estamos tomando y qué evidencia la cambiaría de verdad. Responde a eso y el método, junto con el papel que la IA juega dentro de él, vendrá detrás.

Para ver cómo diseñamos programas de cuanti y cuali y ponemos a prueba qué debe y qué no debe tocar la IA, explora nuestro trabajo de Customer Experience y Brand Performance, o echa un vistazo a los casos de éxito.