Cómo los actores del sector de la belleza pueden beneficiarse de la IA generativa (IA gen)

Uno de los movimientos más importantes que una marca de belleza puede llevar a cabo para sobrevivir en el competitivo sector de la belleza consiste en desarrollar una propuesta de valor única. Pero los actores de la belleza también deben asegurarse de que los productos que han posicionado cuidadosamente lleguen a los consumidores que serán más receptivos a ellos.

Hoy en día, la mayoría de las empresas de belleza solo pueden permitirse dirigirse a un puñado de segmentos de consumidores, ya que disponen de capacidades limitadas para personalizar los mensajes a mayor escala. Este enfoque amplio de la segmentación de consumidores deja gran parte del mercado sin explotar. Según una encuesta de McKinsey, con la IA generativa las marcas de belleza pueden crear mensajes de marketing hiperpersonalizados, lo que podría mejorar las tasas de conversión hasta en un 40 por ciento, según nuestras observaciones.

La IA puede analizar grandes conjuntos de datos de consumidores, detectar patrones y crear microsegmentos a partir de algoritmos de reconocimiento de patrones. A partir de ahí, una marca de belleza puede entrenar su plataforma de IA generativa utilizando una variedad de entradas, entre ellas datos de clientes, entradas que describen la voz de la marca e información de productos. Al entrar en nuevos mercados, las marcas de belleza pueden entrenar los modelos de IA generativa con datos internos de productos así como con investigaciones de mercado externas, como encuestas a clientes. La IA generativa puede entonces crear y probar variaciones de textos e imágenes para ver qué resuena mejor con cada segmento de consumidores.

Los especialistas en marketing deberían revisar los mensajes generados por la IA antes de que se envíen para garantizar que reflejen la ética y la propuesta de valor de la marca, evitando al mismo tiempo el plagio o connotaciones potencialmente perjudiciales. Algunos mensajes que parecen inofensivos pueden ser perjudiciales para la imagen de una marca. En el ejemplo anterior, el saludo creado por la IA generativa podría haber dicho «Buenas noches, encantadora dama» en lugar de «Bonjour». Un cliente podría considerar el tono de este mensaje ofensivo o inapropiado, o el mensaje podría estar en desacuerdo con la ética general de la marca. El equipo de marketing debería proporcionar comentarios al modelo de IA generativa —por ejemplo, valorando sus resultados con un mecanismo de pulgar arriba o pulgar abajo e introduciendo comentarios detallados en campos de texto libre—. La plataforma de IA generativa puede entonces procesar los comentarios y convertirlos en nuevos datos de entrenamiento.

Las marcas de belleza también necesitarán integrar sus modelos de IA generativa con los recursos de sus sistemas de gestión de activos digitales (DAM), que sirven de repositorio para todos los activos creativos digitales que utiliza una marca, así como integrar los modelos con las herramientas de gestión de campañas de la marca. La IA generativa puede categorizar los activos creativos del sistema DAM —una tarea que, de lo contrario, tendría que realizarse manualmente—. Esta automatización libera tiempo para que el equipo de marketing se centre en tareas de mayor valor.

Aunque sigan colaborando con agencias de marketing para desarrollar su estrategia de marca y llevar a cabo campañas especializadas, las grandes empresas de belleza podrían plantearse invertir en capacidades de hiperpersonalización internas. Esto ofrecería dos ventajas principales: las empresas pueden utilizar sus propios datos de consumidores para entrenar los modelos de IA generativa y pueden crear y probar comunicaciones personalizadas con mayor rapidez y agilidad.

Descubrimiento experiencial de productos

A pesar de las innovaciones impulsadas por la tecnología en el descubrimiento de productos por parte de los consumidores en los últimos años, existe un amplio margen de mejora. La primera generación de chatbots dirigidos a los consumidores, por ejemplo, ofrece respuestas relativamente rígidas y puede resultar frustrante de usar para los consumidores. Cuando un consumidor pide una recomendación para un nuevo colorete adecuado para una tez más oscura, por ejemplo, un chatbot podría ofrecer una lista genérica de productos, en lugar de personalizar la conversación para un comprador concreto e involucrarlo en un diálogo más profundo. Las pruebas virtuales son útiles, pero pueden presentar fallos o no reflejar con precisión el aspecto que tendría un producto en un consumidor. En estos casos, las compras en línea pueden a menudo dar lugar a devoluciones costosas, dado que los productos de belleza devueltos por lo general no pueden revenderse.

Los chatbots impulsados por la IA generativa pueden contribuir a mejorar el recorrido de compra y a reducir la probabilidad de devoluciones. Estos chatbots basados en grandes modelos de lenguaje (LLM), entrenados con datos de productos y preferencias de los consumidores, pueden responder a una mayor variedad de preguntas y ofrecer recomendaciones más personalizadas, lo que en ambos casos puede mejorar las tasas de conversión. Un actor global del estilo de vida desarrolló un asistente de compra impulsado por la IA generativa y vio aumentar sus tasas de conversión hasta en un 20 por ciento.

La experiencia de prueba virtual —que ya ha demostrado su eficacia en otras categorías de productos de consumo, como los accesorios y las gafas— también podría enriquecerse con la IA generativa. Utilizando la misma tecnología que impulsa las herramientas de IA generativa de generación de imágenes, los consumidores pueden ver el aspecto de distintos productos en su piel en diferentes contextos o ver los posibles beneficios que un producto podría tener en su aspecto con el paso del tiempo. Un comprador en línea que desee atenuar las manchas oscuras, por ejemplo, podría probar virtualmente el sérum antimanchas de una marca subiendo una foto al sitio web de un actor de la belleza y ejecutando una simulación del posible efecto del sérum en su piel a lo largo de varios meses.

La IA generativa también podría enriquecer el descubrimiento experiencial de productos en las tiendas físicas. Hoy en día, los monitores táctiles interactivos de las tiendas pueden mostrar los productos disponibles tanto en la tienda como en línea, lo que permite a los clientes explorar las referencias (SKU), seleccionar los artículos que desean ver en persona o escanear códigos QR para acceder a ofertas exclusivas. Incluso con su funcionalidad limitada, se ha demostrado que estas pantallas mejoran la experiencia de compra en la tienda y las tasas de conversión. La IA generativa puede aumentar la eficacia de estas pantallas. Por ejemplo, cuando un comprador que tiene activados los servicios de localización en la aplicación de un actor de la belleza entra en la tienda de la empresa, la IA generativa podría generar contenido personalizado para ese consumidor en función de su perfil de cliente y su historial de compras. Dado lo que sabemos sobre la eficacia del contenido personalizado, estos principios podrían trasladarse al contexto de la tienda, aunque todavía no se ha producido una implementación a gran escala.

Desarrollo rápido de conceptos de envasado

Al evaluar un producto de belleza, los consumidores tienen en cuenta tanto el producto en sí como su imagen de marca y su envasado. Las marcas de belleza suelen dedicar meses a desarrollar nuevos conceptos de imagen de marca y envasado —un proceso que normalmente requiere diseñadores, redactores correctores, estrategas y expertos en envasado que iteren sobre las ideas—.

La IA generativa no eliminaría necesariamente este proceso, pero podría acelerarlo de forma drástica. Así es como podría funcionar. Un diseñador de envasado plantea a una plataforma de IA generativa la siguiente instrucción: «Muéstrame cinco opciones de envasado para una crema hidratante de noche, haciendo hincapié en los beneficios para el cuidado de la piel y en materiales de envasado sostenibles». A continuación, el diseñador modifica el resultado de la plataforma de IA generativa en función de la información sobre las preferencias de los clientes, que podría proceder de grupos focales y encuestas a clientes. Después, un diseñador publicitario utiliza maquetas del nuevo envasado en anuncios digitales para comprobar si las imágenes atraen a los consumidores, basándose en la interacción en línea con los nuevos anuncios. Esos datos se utilizan luego para perfeccionar aún más la creación de conceptos y la creación de prototipos impulsadas por la IA generativa. Con este enfoque básico, una empresa de bebidas redujo su tiempo de desarrollo de conceptos en un 60 por ciento.

¿Cuál es el mejor enfoque para la IA generativa: comprar, tomar prestado o construir?

Al evaluar una herramienta o plataforma de IA generativa, los actores de la belleza deberían plantearse preguntas como las siguientes: ¿Cuáles son los protocolos de privacidad y cifrado de datos implantados en el proveedor? ¿Utilizará el proveedor los datos de las marcas para entrenar modelos propietarios de terceros o propios? ¿A quién pertenecen los derechos de autor de los resultados? ¿Qué grado de facilidad ofrece la integración con los sistemas internos del actor de la belleza? ¿Dispone el proveedor de una interfaz de programación de aplicaciones o está integrado con actores como Google Analytics para habilitar casos de uso más amplios?

El primer enfoque implica integrar soluciones de IA generativa de terceros listas para usar en los flujos de trabajo de una empresa, con poca o ninguna personalización. Es el menos costoso y el que menos recursos exige de los tres enfoques, por lo que constituye una opción atractiva para las marcas de belleza que dependen de los minoristas para la distribución (y que, por tanto, disponen de menos datos de consumidores con los que personalizar los modelos), que cuentan con menos talento tecnológico o con menos liquidez para inversiones.

El segundo enfoque requiere entrenar modelos de IA generativa de terceros con los datos y los conocimientos propios de la empresa relacionados con necesidades geográficas, sectoriales, organizativas y de casos de negocio específicas. Por ejemplo, para una segmentación hiperpersonalizada, los datos pueden incluir información sobre la voz de una marca, los datos demográficos y las preferencias de los clientes, o las campañas exitosas. Para un desarrollo de productos innovador, los datos en bruto procedentes de los resultados de ensayos clínicos podrían contribuir a entrenar los modelos.

Los actores de la belleza pueden utilizar una combinación de los dos enfoques de la IA generativa, en función de sus necesidades y casos de uso específicos. La rapidez —para llegar al mercado y responder a la demanda de los consumidores— es especialmente importante para los actores de la belleza. Por esta razón, las organizaciones de la belleza deberían plantearse componentes modulares de IA generativa, que facilitan el cambio entre proveedores de LLM (grandes modelos de lenguaje), de modo que la escalabilidad resulte más sencilla.

Desarrollo de productos innovador

La creación de nuevas fórmulas de productos de belleza es un proceso que abarca varios años. Exige que los actores de la belleza se asocien con laboratorios para investigar ingredientes y experimentar con fórmulas a fin de determinar la seguridad, la estabilidad y la eficacia de un nuevo producto.

La IA generativa puede acelerar este proceso. Un modelo de IA generativa —una vez que ha sido entrenado con la lista de materiales de un producto de belleza, el uso de materias primas, los parámetros de proceso, los datos de investigación internos y otros datos (como patentes de productos o ensayos de productos anteriores)— puede identificar los ingredientes que podrían ser más adecuados para un nuevo producto, predecir los beneficios del producto y recomendar recetas de fórmulas.

Volviendo al ejemplo de una crema hidratante de noche, supongamos que un científico de formulación pudiera pedir a la herramienta de IA generativa que cree una nueva fórmula que haga hincapié en los neuropéptidos, un popular ingrediente para el cuidado de la piel, y que priorice los beneficios antienvejecimiento al tiempo que reduce los costes de formulación. Una vez que la herramienta crea una receta potencial, el científico realizaría pruebas de laboratorio para evaluar la compatibilidad y la estabilidad de los ingredientes en la formulación, así como pruebas adicionales de seguridad y de consumo y ensayos clínicos, si procede. La iteración de la fórmula continuaría sobre la base de los comentarios de los consumidores.

Si bien el proceso de pruebas físicas seguirá llevando tiempo, los analistas han constatado que las herramientas de IA generativa pueden reducir el tiempo necesario para investigar nuevos productos de semanas a días. Esto puede contribuir a ahorrar hasta un 5 por ciento en materias primas a la hora de desarrollar dichos productos.

En conclusión, cómo implementar la IA generativa

Los actores de la belleza pueden dar cuatro pasos para integrar verdaderamente la IA generativa en el negocio.

Los actores de la belleza deberían identificar cuál de los cuatro casos de uso descritos en este artículo generará el mayor incremento de ingresos, los mayores ahorros de tiempo y costes y el mayor impacto en la experiencia del cliente. Para calcular este potencial y dar luego forma a la hoja de ruta en consecuencia, los directivos deben reunir a responsables de diversas funciones, como el marketing, el servicio de atención al cliente y el desarrollo de productos.

A largo plazo, los líderes de la belleza deberían evaluar cómo encaja la IA generativa en su organización y cómo se sustenta en las capacidades, incluido su modelo operativo, sus prácticas de datos y tecnología, y su talento. Las empresas deberían crear equipos interfuncionales para evaluar las capacidades existentes de la organización y los requisitos de capacidades adicionales. Estos equipos deberían desplegar programas de mejora de competencias que ayuden a cubrir las carencias de capacidades dentro de sus filas.

Los actores de la belleza deberían probar el resultado de la IA generativa en entornos controlados para determinar qué funciona. Por ejemplo, en los casos de uso de marketing, un actor de la belleza seleccionaría un canal —como el correo electrónico, los SMS o los medios de pago— y utilizaría pruebas A/B para medir la eficacia de un anuncio creado por la IA generativa, tanto de forma cuantitativa (utilizando métricas como el impacto en las ventas o las tasas de clics) como cualitativa (formulando preguntas como «¿El anuncio resultaba fiel a la marca?»). La plataforma de IA generativa podría entonces entrenarse con estos aprendizajes para producir mejores resultados en las pruebas posteriores.

Los productos de belleza a menudo resuenan con los consumidores en un plano emocional. Debido a esto y a la naturaleza altamente social de la categoría, los actores de la belleza deben establecer salvaguardas firmes para prevenir y contener los riesgos que implica el uso de la IA generativa. Este marco de riesgos debería tener en cuenta la interpretabilidad y la fiabilidad de los resultados de la IA generativa, las amenazas a la seguridad, el menoscabo de la equidad o los sesgos, la vulneración de la propiedad intelectual, los riesgos asociados al uso de herramientas de IA de terceros y las preocupaciones relativas a la privacidad. La IA generativa debería potenciar —y no sustituir— el trabajo realizado por los equipos de marketing o de desarrollo de productos de un actor de la belleza.

Por: Massimiliano Morpurgo, Partner