El rol de Epical para convertir "comportamiento digital en inteligencia útil"

Epical es una startup especializada en inteligencia digital (Social & Consumer Intelligence) que analiza la conversación dentro de todo el ecosistema digital para identificar tendencias, riesgos y oportunidades para empresas y organizaciones. Con operaciones en más de 10 países de Latinoamérica, procesa más de 320 millones de conversaciones por día para transformarlas en insights sintéticos y accionables. Para eso, combina herramientas de inteligencia artificial con análisis humano senior para interpretar comportamientos y detectar patrones que circulan en el entorno digital.

La compañía trabaja con grandes empresas internacionales, entre ellas Warner Bros., Kimberly-Clark, Uber, PepsiCo, Coca-Cola y McDonald’s, además de organismos como el Banco Interamericano de Desarrollo (BID). Su propuesta apunta a transformar el volumen de información disponible en redes sociales y otras plataformas digitales en datos que puedan utilizarse para tomar decisiones de negocio.

Al frente de la empresa está Tomás Criado, CEO y cofundador, quien cuenta con más de 17 años de experiencia en la industria. En 2025, fue incluido por The Social Intelligence Lab entre los 50 profesionales más influyentes del mundo en esta disciplina.

En un escenario en el que la inteligencia artificial modifica la forma en que las empresas analizan a sus consumidores y planifican sus estrategias, iProfesional dialogó con Tomás Criado sobre el funcionamiento de Epical, el uso de estas tecnologías en Latinoamérica y los desafíos que enfrentan las compañías para interpretar las conversaciones digitales y convertirlas en decisiones concretas.

-¿Qué explica el rápido crecimiento de Epical en Latinoamérica y la llegada a compañías como Warner Bros., Uber, Coca-Cola y McDonald’s?

Encontramos un espacio que, al menos en Latinoamérica, estaba poco desarrollado. El social listening existe hace más de veinte años. Las marcas ya escuchaban redes y tenían herramientas para hacerlo, pero veíamos que gran parte de ese potencial quedaba en una capa bastante superficial: menciones; sentimiento; engagement; operaciones y servicio al cliente; seguimiento de campañas y canales propios.

Además, normalmente era un servicio adicional dentro de agencias digitales, de publicidad, PR o comunicación que hacían muchas otras cosas. Nosotros tomamos una decisión diferente: especializarnos.

Vimos que detrás de esas conversaciones había una fuente muchísimo más rica para entender consumidores, categorías y mercados. Pero para aprovecharla no alcanzaba con comprar una herramienta.

Especialmente cuando empezamos Epical, esas plataformas requerían equipos que configuraran búsquedas, limpiaran información, mantuvieran dashboards y, sobre todo, interpretaran qué significaban los datos para el negocio. Muchas compañías terminaban con una enorme cantidad de información que nadie explotaba realmente o con reportes bastante básicos.

Ahí encontramos nuestro lugar: convertir el listening en una capacidad de inteligencia que pudiera utilizarse transversalmente en marketing, operaciones, comunicación, reputación, servicio al cliente, contenidos, campañas, influencers, estrategia o conocimiento del consumidor.

Esa especialización nos permitió crecer desde Argentina hacia proyectos regionales y trabajar con compañías de renombre y gran escala como las que mencionaste. También nos llevó a desafíos diferentes, como trabajar con el Banco Interamericano de Desarrollo en análisis vinculados con comportamiento digital y preocupaciones ciudadanas. No puedo entrar en detalles por confidencialidad, pero muestra hasta dónde puede extenderse esta capacidad de análisis.

Nuestro foco principal sigue estando en las empresas y en ayudarlas a entender mejor consumidores, mercados y competidores. Pero la lógica es la misma: convertir comportamiento digital en inteligencia útil para tomar decisiones.

-¿Qué diferencia a Epical del social listening tradicional y qué valor aporta ese enfoque a las decisiones de negocio?

Para nosotros la diferencia aparece cuando dejás de mirar la conversación digital como un conjunto de métricas y empezás a tratarla como una fuente de conocimiento.

Internet tiene una característica muy particular: permite escuchar lo que las personas dicen sobre una marca o una categoría cuando la marca no está participando de esa conversación.

Eso es muy distinto de una encuesta o un focus group. No porque una metodología sea mejor que otra -responden preguntas diferentes- sino porque en una encuesta formulamos una pregunta y la persona responde dentro de ese marco. En la conversación digital podemos observar qué temas aparecen espontáneamente, qué lenguaje utilizan las personas, qué les preocupa o qué las motiva y eso lo expresan en el momento real de compra o uso del producto, y en forma orgánica, sin sesgos, lo que lo vuelve información muy valiosa para la marca.

No alcanza con saber que una conversación fue positiva o negativa. Queremos entender qué explica esa percepción, qué motivaciones aparecen detrás, qué diferencias existen entre comunidades. Nos enfocamos en buscar qué tipo de señales digitales dejan los consumidores antes de hacer una compra y en entender cómo esa lectura puede anticipar decisiones de negocio. Decisiones que no se restringen a lo comunicacional, sino que muchas veces invitan a modificar cuestiones de producto, precio, promociones y el mismo modelo de negocio en general.

Y hay otra diferencia importante: no dejamos que la herramienta defina qué parte de la realidad vamos a mirar. Las plataformas tienen coberturas diferentes. Una puede ser muy buena en determinadas redes y tener limitaciones en TikTok o sus comentarios. Otra puede cubrir mejor el formato video, pero no lo que se dice en determinados foros o comunidades. A partir del cruce de esa información con desarrollos propios, podemos decir que logramos la mejor cobertura posible en cada canal y no se nos escapa nada. En vínculo con eso, las reseñas de productos o servicios o marcas, por ejemplo, en general son uno de los puntos ciegos más comunes dentro del análisis y para nosotros es un espacio sumamente relevante. Lo es especialmente porque miramos también las de los competidores, y eso da un panorama mucho más amplio de las preferencias y fricciones que genera la categoría con sus consumidores.

Si dependés de una única plataforma, existe el riesgo de confundir lo que la herramienta puede observar con lo que realmente está ocurriendo. Por eso, combinamos tecnología propia y de terceros y elegimos las fuentes según el problema. Es decir, vamos donde está la conversación. Y eso también libera al cliente de contratar múltiples licencias y formar equipos especializados para operarlas. Nosotros asumimos esa complejidad y, para ofrecer inteligencia ya interpretada antes, definimos qué herramientas son las más acordes de todo nuestro stack para poder ofrecer a nuestros clientes el tipo de insight que necesita.

Tomás Criado, CEO y cofundador de Epical

-¿Cómo combinan inteligencia artificial y análisis humano para interpretar las conversaciones digitales de Latinoamérica?

Hoy podemos automatizar buena parte de ese procesamiento y trabajar sobre volúmenes muchísimo mayores. De cualquier modo, no alcanza con contar con el soporte de un agente e IA o una herramienta de social listening para ofrecer un análisis que sea realmente valioso: es cada vez más fundamental que haya un equipo especializado y con el criterio indicado para leer información de manera estratégica. Ahí es donde vimos un espacio valioso, de modo que sea una solución verdadera y no un problema u obstáculo más para nuestros clientes.

Eso mueve el trabajo del analista hacia donde aporta más valor: formular hipótesis, conectar fenómenos, cuestionar resultados, profundizar donde aparece algo interesante y entender qué implicancia puede tener para el negocio. Y hay algo que aprendimos usándola: procesar lenguaje y comprender contexto no son exactamente lo mismo.

En Latinoamérica esto se nota muchísimo. Ironía, memes, expresiones locales o incluso una misma palabra pueden significar cosas completamente distintas entre Argentina, México, Colombia o Chile.

Usamos IA intensivamente, pero no asumimos que porque un modelo clasificó algo esa interpretación sea necesariamente correcta. Para mí, el cambio interesante es que podemos dedicar cada vez menos capacidad humana a procesar información y mucha más a investigarla.

¿Qué tipo de riesgos u oportunidades pueden detectar antes de que se conviertan en tendencias masivas o lleguen a los medios?

Hay que tener cuidado con la idea de "predecir tendencias". Internet está lleno de señales que parecen importantes y dos semanas después desaparecen. Lo que sí podemos hacer es aumentar mucho la sensibilidad frente a cambios que todavía son pequeños.

Puede ser una frustración que empieza a repetirse alrededor de un producto, una forma inesperada de utilizarlo, un atributo que aparece cada vez más en las decisiones o una conversación que nace dentro de una comunidad y después empieza a aparecer en otras.

Y ahí el volumen por sí solo puede engañar. Un tema puede tener diez mil menciones todos los meses y mantenerse estable. Otro puede pasar de cien a mil en una semana. El primero sigue siendo mucho más grande, pero probablemente quiera entender urgentemente qué está ocurriendo con el segundo.

No todo lo que crece importa y no todo lo que importa termina siendo masivo. Precisamente por eso es clave detectar comentarios aislados que pueden tener una carga simbólica super importante que, si pusiéramos el foco únicamente en el volumen, pasarían por alto. Ahora bien, para una compañía hay una diferencia enorme entre entender qué está ocurriendo en tiempo real, mientras todavía sucede, y hacerlo semanas o meses después.

-¿Cómo está cambiando la inteligencia artificial la manera en que los consumidores buscan y eligen marcas?

Hay algo que me empezó a pasar personalmente y que después empezamos a mirar con mucho más detenimiento en Epical. Si tengo que comprar un producto, elegir un hotel o resolver algo que no conozco, cada vez más veces empiezo contándole a una IA exactamente qué necesito y le pido que me recomiende opciones.

A primera vista parece otra forma de buscar, pero hay una diferencia esencial. En una búsqueda tradicional recibís resultados y después hacés vos buena parte del trabajo: abrís páginas, investigás, comparás y decidís. Un asistente puede hacer varias de esas cosas dentro de la misma conversación: interpretar tu necesidad, descartar opciones, comparar alternativas y recomendar.

Eso puede comprimir varias etapas del journey en una sola interfaz. Para las marcas, cambia una pregunta bastante básica. Durante años se preocuparon por aparecer cuando alguien buscaba su nombre o su categoría y tenían un mayor control sobre su discurso. En cambio, hoy las marcas pierden esa noción de control en el posicionamiento, ya que también los agentes eligen y recomiendan a qué darle mayor visibilidad en base a una conversación mucho más amplia y no únicamente lo que las marcas dicen sobre sí mismas. Es decir, ahora las compañías tienen que preguntarse qué ocurre cuando una persona todavía no eligió una marca y le pide directamente a una IA que le recomiende una.

¿Mi marca entra entre las alternativas? ¿Contra quién compite? ¿Por qué aparece? ¿Con qué atributos la describe? ¿En qué situaciones queda afuera?

Las empresas pasaron años aprendiendo a posicionarse para ser encontradas. Ahora también van a tener que entender cómo ser consideradas y recomendadas.

-¿Qué deberían empezar a hacer las empresas para mejorar su posicionamiento en las recomendaciones de los asistentes de IA?

Lo primero es medirlo correctamente. Y una de las primeras cosas que aprendimos investigando este fenómeno es que una captura de ChatGPT no es una medición.

En uno de nuestros primeros ejercicios hicimos 50 consultas y repetimos exactamente cada una tres veces. La marca que aparecía primera coincidió en las tres respuestas solamente en el 38% de los casos. Eso nos llamó muchísimo la atención porque muestra que no podemos estudiar estos sistemas como estudiábamos un ranking tradicional.

No alcanza con preguntarle una vez a un modelo "¿cuáles son las mejores marcas de esta categoría?" y sacar conclusiones. Necesitás repetición, distintos escenarios de consumo, diferentes modelos y una metodología que contemple esa variabilidad.

Una de las métricas que utilizamos es el Share of Recommendation: qué participación tiene una marca dentro de las recomendaciones generadas para un universo determinado de consultas. Ahora bien, el número es apenas el comienzo. Lo realmente interesante es entender por qué una máquina termina recomendando una marca sobre otra: qué atributos le reconoce, qué fuentes aparecen d letrás de sus respuestas, con quién la compara y en qué situaciones la deja afuera.

Por esa razón, tengo ciertos reparos con reducir todo esto a "SEO para IA". Hay una dimensión de visibilidad, obviamente, pero también hay reputación, posicionamiento y consideración. Una compañía puede tener una marca muy conocida entre personas y descubrir que los modelos construyeron sobre ella una representación completamente diferente. Las empresas van a necesitar entender las dos cosas.

-¿Qué necesidades detectaron en las pymes que los llevaron a desarrollar Pulse?

Pulse surgió de conversaciones con empresas más chicas que tenían preguntas muy parecidas a las de nuestros clientes grandes. También quieren entender qué está haciendo mejor un competidor, qué está cambiando entre sus clientes o dónde puede existir una oportunidad. La diferencia es que no pueden tener la misma infraestructura para responderlas.

Una multinacional puede contratar plataformas enterprise, tener equipos internos de Insights y encargar investigaciones específicas. Para una pyme eso muchas veces no tiene sentido económico. Entonces no quisimos hacer simplemente una versión más chica y barata de un dashboard enterprise.

Con Pulse queremos empaquetar una capacidad de análisis: que una empresa pueda preguntar qué cambió en su mercado, qué debería mirar esta semana o dónde aparece una amenaza y recibir algo que pueda utilizar para decidir, sin tener que aprender a operar una plataforma compleja ni contar con un equipo de Consumer Insights.

Ahí veo una consecuencia muy concreta de la IA. Una empresa de veinte personas no va a tener el área de Insights de una multinacional, pero puede acceder cada vez más a una parte de esa capacidad. Y eso puede cambiar bastante quién tiene buena información para competir.

-¿Qué aprendieron trabajando con grandes marcas que fueron sponsors durante el Mundial y cómo ese aprendizaje se transformó en nuevos productos?

El Mundial fue un laboratorio muy interesante porque todo ocurría a una velocidad fuera de lo normal. Podíamos estar siguiendo una conversación que nacía durante un partido, explotaba esa misma noche y pocos días después ya había perdido relevancia.

Eso nos dejó un aprendizaje bastante concreto: un insight puede ser correcto y, aun así, llegar tarde. Gran parte del research funciona por proyectos: aparece una pregunta, diseñamos un estudio, analizamos y entregamos una respuesta. Hay preguntas para las que ese modelo sigue teniendo todo el sentido del mundo, pero hay otras que no deberían empezar de cero cada vez.

A partir del trabajo durante el Mundial empezamos a desarrollar productos más continuos, donde parte de la inteligencia ya está funcionando cuando aparece la pregunta. Después vimos que eso no aplicaba solamente al deporte. Pasa en un lanzamiento, una crisis, una fecha comercial o cualquier contexto donde el mercado y la conversación se mueven rápido.

Ese fue uno de los proyectos que más influyó en cómo pensamos hoy la evolución de Epical: pasar, cuando el problema lo permite, de estudios aislados a una capacidad de inteligencia que permanece activa.

-¿Qué oportunidades ofrece Intelligence Pack Temporada Alta para las marcas de cara al Black Friday, Cyber Monday y las Fiestas?

Intelligence Pack Temporada Alta nace directamente de ese aprendizaje. Black Friday, Cyber Monday y las Fiestas concentran en pocas semanas cambios de precios, promociones, mensajes de competidores y decisiones de consumidores. Si esperamos a que termine todo para analizarlo, podemos aprender para el año siguiente, pero perdimos la posibilidad de intervenir sobre lo que está ocurriendo en ese momento.

De esta manera, el producto acompaña ese período mientras sucede. Seguimos qué empieza a mover la conversación de una categoría, qué fricciones aparecen, qué propuestas de competidores generan respuesta, qué atributos ganan relevancia y dónde puede haber oportunidades que la marca todavía está a tiempo de aprovechar.

Durante esos momentos nos importa especialmente una pregunta: ¿qué necesita saber hoy una persona que tiene que tomar una decisión mañana? Ese cambio de temporalidad modificó bastante nuestra forma de pensar los productos: no solamente mirar mejor el mercado, sino reducir el tiempo entre detectar algo, entenderlo y poder actuar.

-¿Cuáles son los próximos proyectos de Epical y hacia dónde apunta la compañía en los próximos años?

Hay dos transformaciones que estamos siguiendo muy de cerca y que probablemente definan bastante el futuro de Epical. La primera ocurre dentro de las empresas.

Durante décadas consumimos gran parte del research por proyectos: surge una pregunta, hacemos un estudio y obtenemos una respuesta. Hoy podemos empezar a pensar determinadas formas de inteligencia como una capacidad continua, que está funcionando permanentemente y que no necesita empezar de cero frente a cada pregunta.

Un sistema puede estar siguiendo una categoría y detectar que algo cambió antes de que alguien haya formulado la pregunta: un competidor empieza a crecer alrededor de determinado atributo, aparece un comportamiento extraño, cambia una preocupación del consumidor o una conversación pequeña empieza a acelerarse.

Ahí cambia la relación con la información. En vez de depender siempre de que alguien sepa qué buscar, podemos empezar a construir sistemas que ayuden a detectar dónde vale la pena mirar.

La segunda transformación ocurre del lado del consumidor. Las inteligencias artificiales empiezan a participar del proceso mediante el cual las personas descubren, comparan y eligen productos y servicios. Por eso estamos trabajando mucho en entender cómo los modelos construyen sus recomendaciones y qué representación tienen de cada marca.

Y las dos cosas se conectan con algo que para mí va a ser importante en los próximos años: el acceso a modelos de IA muy buenos se va a generalizar. Si todos podemos utilizar tecnología similar, tener acceso a IA por sí solo difícilmente sea una ventaja competitiva.

La diferencia va a estar en qué información tiene una compañía, qué preguntas hace sobre ella, qué es capaz de detectar y cuánto tarda en convertirlo en una decisión. Ahí es donde queremos construir Epical: una compañía de inteligencia nacida en Latinoamérica, pero pensada para competir globalmente.