Cómo testar con compradores un concepto de expositor hecho con IA antes de fabricarlo

Un concepto creíble de expositor de suelo costaba un render de estudio o un favor de un fabricante. Así que un proyecto llegaba a la reunión con uno, dos como mucho, y la sala elegía por gusto. Ahora cuatro propuestas salen de un mismo brief en una sola tanda. Eso cambia la reunión. Con un concepto, la pregunta era si al equipo le gustaba. Con cuatro, la pregunta es cuál se pone delante de los compradores, y la mayoría de los proyectos de expositores nunca han tenido que responderla.

Llevo casi cuatro años en el sector de la PLV y construyo AI POP Displays. Este post va de qué puede aprender un test con compradores de una imagen generada de un expositor, qué no puede aprender y dónde encajan los respondientes sintéticos.

Si lo buscas, acabas en dos mundos separados. Uno es el test de lineal virtual, en el que el comprador busca un pack en un lineal simulado. El otro son los respondientes sintéticos, paneles de IA que contestan encuestas sobre conceptos de producto y precios. Los dos giran alrededor del pack y del producto. Donde sí aparece un expositor, en las simulaciones de tienda virtual, entra como un modelo 3D colocado en una tienda simulada. Nada de lo que encontré parte de un concepto generado, que hoy es lo que menos cuesta de todo el proyecto.

¿Por qué testar pasa a ser la pregunta cuando los conceptos cuestan poco?

Porque lo caro se mueve, de hacer conceptos a elegir entre ellos.

En AI POP Displays un brief da hasta cuatro variantes en una sola tanda, y una segunda tanda con el brief ajustado da más. Son más propuestas creíbles de las que un equipo puede defender por gusto.

Y la sala suele estar dividida. El director de retail quiere más facings, el director de marca quiere más espacio de marca, y los dos discuten en nombre de un comprador que no está. Conté cómo llevar tres propuestas a una presentación, en inglés, en conceptos de expositor con IA para agencias de shopper marketing. Un test es el paso siguiente, en el que el comprador también opina.

No todas las piezas lo merecen. Una regleta no. Un expositor de suelo que va a unos cientos de tiendas, con dos propuestas que dividen de verdad al equipo, sí.

¿Qué puede aprender un test con compradores de una imagen de un expositor?

Todo lo que el comprador decide con los ojos en los primeros segundos, que es casi todo lo que hace un expositor antes de que nadie lo toque.

Si se ve. Frente al pasillo que lo rodea, desde donde el comprador se lo encuentra por primera vez.

Si la marca y el mensaje se leen. El copete, el claim y el nombre del producto, a la distancia desde la que se van a leer.

Si gusta, y si parece de la marca. Preguntado a gente que compra la categoría, no al equipo que lo ha hecho.

En cuál de las propuestas se pararía. La comparación que la sala no consiguió cerrar.

Adónde va la mirada. El eye tracking funciona con imágenes en pantalla igual que en tienda, y da el tiempo hasta la primera fijación, el tiempo de permanencia y mapas de calor. Enseña dónde miró la gente, no por qué. Una mirada larga al copete puede querer decir que atrae o que confunde.

Todas son preguntas visuales, y una imagen es un estímulo justo para una pregunta visual. La investigación de packaging ya trabaja sobre lineales renderizados a partir de imágenes de los packs.

¿Qué tienen que cumplir las imágenes para que el test signifique algo?

Que los conceptos se diferencien solo en el expositor.

Un test compara. Si el concepto A está en un supermercado luminoso a la altura de los ojos y el B en un pasillo oscuro visto en tres cuartos, el comprador elige la luz, y el resultado se lee como una preferencia por el diseño. Si un concepto lleva el pack real del cliente y el otro uno parecido, el test va del pack. La misma tienda, la misma luz, la misma cámara, el mismo encuadre, el mismo pack, y lo único que cambia es el expositor.

Un modelo de imagen genérico lo pone difícil, porque cada imagen es una imagen nueva y la tienda, la luz y el pack se vuelven a decidir. El color suele ser lo primero que se mueve, como expliqué en el color de marca en un render de PLV con IA, y en un test de si un expositor se ve, el color es buena parte de lo que se está midiendo.

En AI POP Displays, un conjunto comparable es como ya funciona la herramienta.

• Varias propuestas desde un brief. Hasta cuatro variantes por tanda.
• El pack real en todas. Las fotos de producto entran como producto, colocadas a escala y mirando al frente, así que cada concepto lleva el pack que el comprador conoce. Qué fotos mandar lo conté, en inglés, en cómo meter tu producto real en un render de expositor con IA.
• La misma tienda detrás de cada concepto. Cambiar fondo, en el plan Free, pone cada uno en el mismo entorno, un supermercado, una farmacia, un pasillo retail, una boutique y otros, y mantiene el expositor, los productos y la luz que les da.
• A la altura de los ojos del comprador. Convertir a vida real, en Pro, coloca el expositor en un entorno retail real acorde a su sector y formato, como una fotografía en tienda a la altura de los ojos del comprador.
• La misma cámara. Generar ángulos, en Pro, saca una vista frontal, en tres cuartos, lateral o cenital de cada concepto, así que todos se pueden enseñar desde el mismo ángulo.
• El mismo encuadre. Cambiar ratio, en el plan Free, deja todas las imágenes con la misma proporción, de cuadrado a 16:9 o 9:16.
• Una revisión antes de que salga. Comparar pone dos versiones cualesquiera lado a lado sin gastar créditos, así que compruebas que el conjunto cambia donde tiene que cambiar y en ningún otro sitio.

AI POP Displays funciona sobre Nano Banana Pro, de Google. Lo que hace comparables cuatro conceptos es la capa de encima: una taxonomía de formatos con proporciones, materiales que se comportan, entornos de tienda como opciones, la carga de producto a partir de los packs reales y una consola de edición que mantiene el expositor mientras cambia una sola cosa. Son casi cuatro años en la PLV, metidos una vez en la herramienta.

Si dos propuestas para la misma pieza tienen dividido a tu equipo, pasa el brief por el plan Free con los packs reales y pon las dos en la misma tienda antes de que nadie vote.

¿Qué no puede decirte un test con imágenes sobre un expositor?

Todo lo que el comprador hace con las manos, y todo lo que la tienda hace con la pieza.

Si el producto sale. Hasta dónde tiene que estirarse el comprador, si un pack se desliza fuera de la bandeja o se engancha en el canto, si la balda de arriba se compra o se ignora.

Si aguanta la tienda. Si se sostiene cuando está medio vacío, si el personal puede reponerlo y si se monta donde decía el plan, o siquiera si se monta.

Cómo de grande se ve en un pasillo de verdad. En una pantalla, el tamaño del expositor es el que diga la imagen. Un render mantiene la proporción, no la medida, como conté, en inglés, en qué precisión tienen los renders de expositores con IA.

Si vende. Una preferencia declarada en una encuesta no es una compra, y la distancia entre una imagen y la cosa real puede ser grande. En un estudio publicado en la American Economic Review en 2010, la gente pujó entre un 40 y un 61 % más por artículos que tenía físicamente delante que por los mismos artículos enseñados como imagen o como texto.

Así que un test con imágenes ordena propuestas. No predice una cifra de ventas. Esa ordenación vale la pena, porque decide qué concepto se lleva el dinero del prototipo. La respuesta sobre ventas sale de las tiendas, con el expositor en unas y no en otras, y midiendo la diferencia.

¿Dónde encajan los respondientes sintéticos?

Delante del test, como filtro. No en su lugar.

Un respondiente sintético es un modelo de lenguaje que contesta una encuesta como si fuera un consumidor descrito. Un preprint de 2025 de investigadores de PyMC Labs y Colgate-Palmolive comparó respuestas sintéticas con 9.300 respuestas humanas en 57 encuestas sobre conceptos de producto de cuidado personal, y alcanzó el 90 % de la fiabilidad test-retest humana en intención de compra. Los conceptos eran diapositivas de presentación, con una descripción en texto y a menudo una imagen del producto. Sus autores proponen filtrar los conceptos con sintéticos y reservar los paneles humanos para los más prometedores.

Todo lo que defiende un expositor es visual, y ahí la evidencia es más escasa. Un preprint de septiembre de 2026 pasó seis experimentos de marketing visual, prerregistrados, por consumidores sintéticos, y ninguna de las configuraciones reprodujo más de dos de los seis efectos humanos. Sus respuestas, además, tenían menos de la mitad de la dispersión natural de las respuestas humanas.

Para un expositor salen dos cosas. Un panel sintético solo puede reaccionar a lo que se le enseña, así que las imágenes siguen teniendo que ser un conjunto comparable. Y su sitio está al principio del embudo, para pasar de ocho propuestas a tres antes de que las vea gente que compra la categoría. La decisión sigue siendo de las personas.

¿Cómo se pasa de cuatro conceptos a una pieza en la tienda?

En un orden en el que cada paso responde solo a lo que puede responder.

1. Generar las propuestas desde el brief, con el pack real y la misma tienda, como un conjunto comparable.
2. Recortar por restricciones antes de que las vea ningún comprador. Las especificaciones del retailer, el presupuesto, las reglas de marca. Una propuesta que no se puede fabricar con ese dinero no necesita un panel para descartarla.
3. Recortar una lista larga, con un panel sintético o una ronda interna, si hay más de tres.
4. Testar las que quedan con compradores reales. En un diseño monádico cada persona ve un solo concepto, lo que evita el efecto orden y pide más gente. En un diseño monádico secuencial cada persona ve varios en orden rotado, lo que pide menos gente y deja entrar algo de efecto orden.
5. Hacer el prototipo de la ganadora y comprobar lo que la imagen no podía: alcance, carga, estabilidad, reposición.
6. Hacer un piloto en unas pocas tiendas frente a tiendas sin el expositor, antes del despliegue completo.

El primer paso era el lento, y la razón de que el resto casi nunca se hiciera. Si en tu próximo lanzamiento hay un expositor, pasa su brief por AI POP Displays y lleva cuatro propuestas a la reunión en lugar de una.

¿De dónde sale el prototipo?

El quinto paso es el que una imagen de concepto no puede alimentar. Un taller no puede fabricar una muestra a partir de un render, porque un render no tiene medidas, ni grosor de material por pieza, ni uniones. Alguien tiene que redibujarlo antes, y esa es la mitad que estamos construyendo ahora.

Bellto es un agente de IA para marcas y agencias que lleva una campaña de PLV del brief a los planos de taller. Le cuentas qué lanzas (marca, producto, canal, tiendas, presupuesto, fecha) y te pide lo que le falta. Propone el mix de campaña y los materiales, expositor de suelo, glorificador, regleta, stopper, con el presupuesto repartido por tienda, y diseña cada pieza contigo a escala real en 3D paramétrico, con proporciones derivadas del producto y de los facings. Un cambio de cota recalcula la pieza entera y repite los chequeos de fabricación en segundos. Cada pieza aprobada sale como modelo 3D, cutlist pieza a pieza, planos acotados, STEP del conjunto y DXF de corte por pieza, un paquete que un taller presupuesta sin redibujar, y sugiere fabricantes que encajan por material, formato y volumen. El presupuesto lo da el fabricante.

Lo estamos construyendo ahora. La lista de espera está abierta a cualquier marca, y pronto contactamos con las primeras para correr las primeras campañas reales de principio a fin. Abre por invitación, en grupos pequeños. El precio se comunica primero a los de la lista, y no hace falta tarjeta. Los fabricantes de PLV también pueden apuntarse.

Para los conceptos que pondrías delante de los compradores, el registro es gratis, con 15 créditos de una sola vez y sin tarjeta, suficiente para pasar un brief con variantes y ponerlas en la misma tienda. Pro cuesta 49 $ al mes por 150 generaciones de concepto con el precio de fundador, con el precio de lista de 69 $ dicho desde el principio. Nada de lo que subes o generas entrena modelos de IA, en ningún plan. Cuando la propuesta ganadora tenga que convertirse en una muestra, apunta la campaña en la lista de espera de Bellto.