Analizamos lo que la IA cree realmente sobre los compradores en 25 sectores. Los hallazgos deberían cambiar tu forma de pensar la estrategia de contenidos.
La mayoría de las marcas crean contenido a partir de suposiciones. Unos talleres internos producen entre tres y cinco buyer personas que suenan bien, y esas personas guían el calendario de contenidos durante el año siguiente. Quizá más.
El problema es que los sistemas de IA, los que median cada vez más en la investigación de los compradores, operan con un modelo completamente distinto de quiénes son tus compradores y qué quieren. Y ese modelo se construye a partir de patrones que atraviesan millones de puntos de datos, no a partir de una sesión de dos horas con los responsables.
Queríamos saber: ¿qué cree realmente la IA sobre los compradores? No lo que suponen los responsables de marketing. No lo que sugieren los CRM. Lo que emerge cuando sintetizas y estructuras datos de comportamiento de compra a gran escala.
Así que construimos el mayor conjunto de datos de buyer personas jamás publicado. Y los patrones que revela deberían hacer que cada estratega de contenidos reconsidere su embudo.
Qué construimos y por qué
PersonaGen-593K es un conjunto de datos de 593.181 buyer personas generadas por IA que abarcan 339 sectores (25 verticales principales). Cada persona incluye datos de comportamiento estructurados: quién es, qué busca, qué preguntas tiene, qué objetivos la impulsan y qué la frustra.
Las cifras en bruto:
| Atributo | Volumen |
|---|---|
| Total de personas | 593.181 |
| Sectores cubiertos | 339 (25 verticales principales) |
| Consultas de búsqueda extraídas | ~3 millones |
| Declaraciones de necesidades de información | ~3 millones |
| Declaraciones de objetivos | ~1,8 millones |
| Declaraciones de puntos de dolor | ~1,8 millones |
Partimos de aproximadamente 40 millones de descripciones de personas en bruto procedentes de cuatro conjuntos de datos públicos (NVIDIA, BSC-LT, Orange y Tencent). Mediante deduplicación acelerada por GPU y filtrado semántico, las redujimos a cerca de un millón de descripciones únicas. Después enriquecimos cada una con atributos de comportamiento estructurados usando un gran modelo de lenguaje, produciendo finalmente 593.181 personas completas y validadas.
Esto no es una encuesta a 500 personas. Es una síntesis estructurada de lo que los modelos de IA entienden sobre el comportamiento de compra, a una escala que a los métodos de investigación tradicionales les costaría años y millones de dólares aproximar.
El hallazgo que debería reescribir tu estrategia de contenidos
El 78,7% de las búsquedas de los compradores son informativas. Solo el 4,3% son transaccionales.
Léelo de nuevo. En casi 3 millones de consultas de búsqueda del conjunto de datos, casi cuatro de cada cinco son preguntas como "¿Cómo evalúo X?" o "¿Cuáles son los mejores enfoques para Y?", no "Comprar X" o "Suscribirse a Y".
El 17% restante son comerciales: consultas de comparación como "¿Qué proveedor debería elegir?". Esa es la fase de consideración. Importante, pero todavía no transaccional.
Qué significa esto en la práctica
| Intención de búsqueda | Porcentaje de consultas | Qué están haciendo los compradores |
|---|---|---|
| Informativa | 78,7% | Aprender, investigar, entender opciones |
| Comercial | 17,0% | Comparar proveedores, evaluar alternativas |
| Transaccional | 4,3% | Listos para comprar, suscribirse o registrarse |
La mayoría de las estrategias de contenido se construyen alrededor del fondo del embudo. Páginas de producto. Comparativas de precios. Matrices de funcionalidades. Solicitudes de demo. Eso es el 4,3%.
El 78,7%, las preguntas que los compradores realmente están haciendo, a menudo queda desatendido. Y ese es precisamente el contenido del que los sistemas de IA tiran cuando forman recomendaciones.
Si tu marca no tiene contenido informativo sólido que responda a las preguntas que los compradores hacen antes de estar listos para comprar, la IA recomendará a otro que sí lo tenga.
Cinco patrones sectoriales que conviene conocer
El conjunto de datos revela firmas de comportamiento diferenciadas entre sectores. Estos son los patrones más relevantes para los responsables de contenido y marketing.
1. EdTech domina en volumen, y en oportunidad
EdTech representa el 24,3% de todas las personas del conjunto de datos (36.152). Y no porque lo hayamos sobremuestreado. Emergió de forma natural de los datos de origen, reflejando el volumen y la diversidad del comportamiento de compra orientado al aprendizaje.
Las personas de EdTech se concentran en torno a las rutas de certificación, la flexibilidad del aprendizaje en línea y el desarrollo de competencias. Si operas en tecnología educativa, servicios de aprendizaje adyacentes o desarrollo profesional, este es el mayor grupo de personas abordable del conjunto de datos. La oportunidad de contenido es enorme, y también lo es la competencia por la atención de la IA.
2. Consultoría tiene la mayor intención comercial
Aunque el conjunto de datos en su conjunto se inclina hacia lo informativo, las personas de Consultoría rompen la tendencia. Muestran la mayor intención de búsqueda comercial, con un 28%, casi el doble de la media del conjunto de datos, que es del 17%.
Los compradores de consultoría saben lo que necesitan. Están comparando opciones, no explorando el concepto. Sus puntos de dolor giran en torno a la captación de clientes y la diferenciación, lo que significa que el contenido que les ayude a evaluar opciones (benchmarks, casos de estudio, marcos de ROI) rendirá mejor que el liderazgo de opinión genérico.
3. Salud afronta un reto de cumplimiento singular
Las personas de Salud presentan la mayor concentración de necesidades de información relacionadas con el cumplimiento, con un 38%. Buscan acreditaciones, requisitos regulatorios y prácticas basadas en la evidencia.
Para las marcas del sector salud o de sectores adyacentes, esto conlleva un riesgo específico: los sistemas de IA que generan recomendaciones sobre temas de salud se enfrentan a un listón más alto de precisión. El contenido de salud incoherente o mal estructurado se convierte en un vector de riesgo cuando la IA lo muestra en contextos profesionales.
4. Manufactura quiere proceso, no visión
Las personas de Manufactura se agrupan en torno a la eficiencia operativa (29% de los objetivos) y su mayor dificultad es la complejidad de las herramientas (24% de los puntos de dolor). Sus búsquedas se centran en la optimización de procesos y la automatización.
Este público no responde a los mensajes aspiracionales. Quieren concreción: guías de implementación, documentación de integración, matrices de comparación con especificaciones técnicas. El contenido que se salta la visión y va directo al "cómo" operativo gana en esta vertical.
5. La conciliación entre trabajo y vida es el punto de dolor universal
En las 25 verticales sectoriales, la conciliación entre trabajo y vida emergió como el punto de dolor dominante, con 107.000 menciones. Aparece como una de las cinco principales preocupaciones en el 72% de los segmentos sectoriales.
Es una verdad transversal a todos los sectores que la mayoría del contenido B2B ignora por completo. Las marcas que reconocen la dimensión humana de las decisiones profesionales (limitaciones de tiempo, carga cognitiva, prioridades que compiten entre sí) hablan la realidad que viven sus compradores, no solo la categoría en la que compran.
La demografía que la IA da por supuesta
El conjunto de datos también revela qué perfil demográfico asocia la IA con distintos sectores y roles:
- Distribución por género: 52,2% mujeres, 45,4% hombres, 2,3% no binario. Casi equilibrada, pero no uniforme entre sectores.
- Patrón de edad: bimodal, con picos en 18-25 (27,9%) y 55-75+ (41,4% combinado). La cohorte de mediana carrera a la que apunta la mayor parte del marketing B2B (25-55) representa apenas el 30,8%.
- Contexto de mercado: 71,5% B2C, 22,5% B2B, 4,4% B2B2C, 1,5% B2G.
La distribución por edad es especialmente destacable. Si tu estrategia de contenidos da por hecho que el comprador por defecto es un responsable de decisiones de entre 35 y 50 años, los modelos de IA pueden asociar tu sector con un perfil demográfico muy distinto. Ese desajuste entre la audiencia que tú supones y la que supone la IA afecta a qué contenido se muestra y a quién.
Qué significa esto para tu marca
Si estás en EdTech o desarrollo profesional
Operas en el espacio de personas más saturado. La diferenciación exige concreción: no "ayudamos a la gente a aprender", sino "ayudamos a diseñadores de UX de mediana carrera a pasar al diseño instruccional con credenciales reconocidas por los empleadores". Las personas muestran que las rutas de certificación y los horarios flexibles son los principales detonantes de búsqueda. El contenido de aprendizaje genérico no destacará.
Si estás en Consultoría o servicios profesionales
Tus compradores tienen la mayor intención comercial del conjunto de datos. Están comparando para comprar, no curioseando. Invierte en contenido que apoye la evaluación: marcos de precios transparentes, comparativas de metodología, datos de resultados de clientes con concreción. El manual de "liderazgo de opinión primero" que funciona en otras verticales puede rendir por debajo aquí, porque tus compradores ya han superado la fase de descubrimiento.
Si estás en Manufactura o industria
Sáltate la visión. Empieza por el detalle operativo. Las personas muestran que la complejidad de las herramientas es la principal frustración y la optimización de procesos es el principal objetivo. El contenido que demuestre mejoras de eficiencia medibles con pasos de implementación claros encajará con la forma en que la IA caracteriza la intención de compra en manufactura.
Si estás en Salud
Estructura tu contenido para la precisión y el cumplimiento. Los sistemas de IA son especialmente cautelosos con las recomendaciones relacionadas con la salud, y los datos de personas confirman que tus compradores priorizan la información sobre acreditación y regulación. En esta vertical, el contenido sin estructura o ambiguo tiene más probabilidades de ser despriorizado por la IA que en cualquier otra.
De dónde procede esta investigación
PersonaGen-593K fue desarrollado por investigadores de la Estonian Entrepreneurship University of Applied Sciences (EUAS) y Rankfor.AI, y publicado como artículo revisado por pares en la revista Discover Artificial Intelligence de Springer.
La metodología consistió en agregar cuatro conjuntos de datos públicos de personas (~40 millones de descripciones en bruto), aplicar deduplicación acelerada por GPU para eliminar el 89,5% de los duplicados y luego usar modelos de incrustación semántica para eliminar un 76,2% adicional de casi duplicados. El millón de descripciones únicas que sobrevivió se enriqueció con atributos de comportamiento estructurados y se validó mediante análisis estadístico.
El conjunto de datos completo, la metodología y el código de análisis están disponibles públicamente para verificación independiente.
La conclusión práctica
Los datos de comportamiento de compra a esta escala cuentan una historia coherente: la mayoría de los compradores están haciendo preguntas, no buscando comprar. Las marcas que ganan las recomendaciones de la IA son aquellas cuyo contenido responde a esas preguntas con claridad, concreción y en el lenguaje que los compradores usan de verdad.
Si el 78,7% de tus compradores potenciales están en modo aprendizaje y tu estrategia de contenidos destina el 80% de los recursos a material de fondo de embudo centrado en el producto, hay un desajuste estructural entre lo que produces y lo que la IA recomienda.
Cerrar esa brecha no es un problema de volumen de contenido. Es un problema de alineación. Y el primer paso es entender qué cree la IA que quieren tus compradores.
Comprueba cómo percibe la IA las buyer personas de tu marca. Usa el Persona Matcher para comparar tus personas supuestas con lo que la IA recomienda realmente para tu sector. O analiza tu marca con el AI Visibility Monitor para ver dónde estás.
Basado en "PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" de Dmitrij Zatuchin (EUAS) y Daniil Dzemesjuk (Rankfor.AI), preprint, presentado a Springer Discover Artificial Intelligence, 2026.