Listen Labs recauda 69 millones tras un truco publicitario viral: números encriptados en una valla para contratar ingenieros

Alfred Wahlforss se había quedado sin opciones. Su startup, Listen Labs, necesitaba contratar a más de 100 ingenieros, pero competir contra las ofertas de 100 millones de dólares de Mark Zuckerberg parecía imposible. Así que gastó 5.000 dólares —una quinta parte de su presupuesto de marketing— en una valla publicitaria en San Francisco que mostraba lo que parecía un galimatías: cinco cadenas de números aleatorios. Los números eran en realidad tokens de IA. Decodificados, conducían a un desafío de programación: construir un algoritmo que actuara como portero digital del Berghain, el club nocturno de Berlín famoso por rechazar a casi todos en la puerta. En cuestión de días, miles intentaron el acertijo. 430 lo resolvieron. Algunos fueron contratados. El ganador voló a Berlín, con todos los gastos pagados.

Ese enfoque poco convencional ahora ha atraído 69 millones de dólares en una ronda Serie B, liderada por Ribbit Capital con participación de Evantic y los inversores existentes Sequoia Capital, Conviction y Pear VC. La ronda valora a Listen Labs en 500 millones de dólares y eleva su capital total a 100 millones. En nueve meses desde su lanzamiento, la compañía ha multiplicado por 15 sus ingresos anualizados hasta alcanzar ocho cifras y ha realizado más de un millón de entrevistas impulsadas por IA.

"Cuando te obsesionas con los clientes, todo lo demás viene solo", dijo Wahlforss en una entrevista con VentureBeat. "Los equipos que usan Listen traen al cliente a cada decisión, desde marketing hasta producto, y cuando el cliente está encantado, todos lo están".

Por qué la investigación de mercados tradicional está rota

El investigador de IA de Listen encuentra participantes, realiza entrevistas en profundidad y entrega información procesable en horas, no en semanas. La plataforma reemplaza la elección tradicional entre encuestas cuantitativas —que proporcionan precisión estadística pero pierden matices— y entrevistas cualitativas, que ofrecen profundidad pero no pueden escalarse. Wahlforss explicó la limitación de los enfoques existentes: "Esencialmente, las encuestas te dan una precisión falsa porque las personas terminan respondiendo la misma pregunta... No puedes obtener los valores atípicos. La gente en realidad no es honesta en las encuestas".

La alternativa, las entrevistas humanas uno a uno, "te da mucha profundidad. Puedes hacer preguntas de seguimiento. Puedes verificar si realmente saben de lo que están hablando. Y el problema es que no puedes escalar eso". La plataforma funciona en cuatro pasos: los usuarios crean un estudio con asistencia de IA, Listen recluta participantes de su red global de 30 millones de personas, un moderador de IA realiza entrevistas en profundidad con preguntas de seguimiento, y los resultados se empaquetan en informes ejecutivos que incluyen temas clave, carretes destacados y presentaciones.

Lo que distingue el enfoque de Listen es su uso de conversaciones de video abiertas en lugar de formularios de opción múltiple. "En una encuesta, puedes adivinar lo que debes responder, y tienes cuatro opciones", dijo Wahlforss. "Oh, probablemente quieren que compre ingresos altos. Déjame hacer clic en ese botón versus una respuesta abierta. Simplemente genera mucha más honestidad".

El secreto sucio de la industria de 140 mil millones de dólares: fraude rampante

Listen encuentra y califica a los participantes adecuados en su red global de 30 millones de personas. Pero construir ese panel requirió confrontar lo que Wahlforss llamó "una de las cosas más impactantes que hemos aprendido al entrar en esta industria": el fraude rampante. "Esencialmente, hay una transacción financiera involucrada, lo que significa que habrá malos actores", explicó. "De hecho, algunas de las empresas más grandes, algunas de ellas con miles de millones en ingresos, nos enviaron personas que afirmaban ser compradores empresariales a nuestra plataforma y nuestro sistema inmediatamente detectó: fraude, fraude, fraude, fraude, fraude".

La compañía construyó lo que llama un "guardián de calidad" que cruza perfiles de LinkedIn con respuestas de video para verificar la identidad, verifica la consistencia en cómo los participantes responden preguntas y marca patrones sospechosos. El resultado, según Wahlforss: "La gente habla tres veces más. Son mucho más honestos cuando hablan sobre temas sensibles como política y salud mental".

Emeritus, una compañía de educación en línea que usa Listen, informó que aproximadamente el 20% de las respuestas de encuestas previamente caían en la categoría fraudulenta o de baja calidad. Con Listen, redujeron esto a casi cero. "No tuvimos que reemplazar ninguna respuesta debido a fraude o información sin sentido", dijo Gabrielli Tiburi, Gerente Asistente de Insights de Clientes en Emeritus.

Cómo Microsoft, Sweetgreen y Chubbies usan entrevistas de IA para construir mejores productos

La ventaja de velocidad ha resultado central en la propuesta de Listen. La investigación tradicional de clientes en Microsoft podía tomar de cuatro a seis semanas para generar insights. "Para cuando llegamos a ellos, o la decisión ya se ha tomado o perdemos la oportunidad de influir realmente en ella", dijo Romani Patel, Gerente Senior de Investigación en Microsoft. Con Listen, Microsoft ahora puede obtener insights en días y, en muchos casos, en horas.

La plataforma ya ha impulsado varias iniciativas de alto perfil. Microsoft usó Listen Labs para recopilar historias de clientes globales para su celebración del 50 aniversario. "Queríamos que los usuarios compartieran cómo Copilot los está empoderando para mostrar su mejor versión", dijo Patel, "y pudimos recopilar esas historias de video de usuarios en un día". Tradicionalmente, ese tipo de trabajo habría tomado de seis a ocho semanas.

Simple Modern, una empresa de Oklahoma de productos para bebidas, usó Listen para probar un nuevo concepto de producto. El proceso tomó aproximadamente una hora para escribir preguntas, una hora para lanzar el estudio y 2.5 horas para recibir comentarios de 120 personas en todo el país. "Pasamos de '¿Deberíamos tener este producto?' a '¿Cómo deberíamos lanzarlo?'", dijo Chris Hoyle, Director de Marketing de la compañía. Chubbies, la marca de pantalones cortos, logró un aumento de 24 veces en la participación de investigación juvenil —creciendo de 5 a 120 participantes— al usar Listen para superar los desafíos de programación de los grupos focales tradicionales con niños.

"Cuando algo se vuelve más barato, no necesitas menos de ello. Quieres más. Hay una demanda infinita de comprensión del cliente. Los investigadores pueden hacer un orden de magnitud más investigación, y otras personas que no eran investigadores antes ahora pueden hacerlo como parte de su trabajo".

La paradoja de Jevons explica por qué la investigación más barata crea más demanda, no menos

Listen Labs está entrando en un mercado masivo pero fragmentado. Wahlforss citó investigaciones de Andreessen Horowitz que estiman la industria de investigación de mercados en aproximadamente 140 mil millones de dólares anuales, poblada por actores heredados —algunos con más de mil millones de dólares en ingresos— que él cree son vulnerables a la disrupción. "Hay líneas presupuestarias muy existentes que estamos reemplazando", dijo Wahlforss. "Por qué las estamos reemplazando es que, uno, son súper costosas. Dos, están atrapadas en este viejo paradigma de elegir entre una encuesta o una entrevista, y también tardan meses en trabajar".

Pero la dinámica más intrigante puede ser que la investigación impulsada por IA no solo reemplaza el gasto existente, sino que crea nueva demanda. Wahlforss invocó la paradoja de Jevons, un principio económico que ocurre cuando los avances tecnológicos hacen que un recurso sea más eficiente de usar, pero el aumento de eficiencia conduce a un aumento del consumo general en lugar de una disminución. "Lo que he notado es que a medida que algo se vuelve más barato, no necesitas menos de ello. Quieres más de ello", explicó Wahlforss. "Hay una demanda infinita de comprensión del cliente. Así que los investigadores en el equipo pueden hacer un orden de magnitud más investigación, y también otras personas que no eran investigadores antes ahora pueden hacerlo como parte de su trabajo".

El equipo de élite que construyó Listen Labs antes de tener un baño funcional

Listen Labs remonta sus orígenes a una aplicación de consumo que Wahlforss y su cofundador construyeron después de conocerse en Harvard. "Construimos esta aplicación de consumo que obtuvo 20,000 descargas en un día", recordó Wahlforss. "Teníamos todos estos usuarios, y estábamos pensando, vale, ¿qué podemos hacer para conocerlos mejor? Y construimos este prototipo de lo que es Listen hoy".

El equipo fundador trae un pedigrí inusual. El cofundador de Wahlforss "fue el campeón nacional en programación competitiva en Alemania, y trabajó en Tesla Autopilot". La compañía afirma que el 30% de su equipo de ingeniería son medallistas de la Olimpiada Internacional de Informática, la misma competencia que produjo a los fundadores de Cognition, la startup de codificación de IA. El truco de la valla de Berghain generó aproximadamente 5 millones de visualizaciones en redes sociales, según Wahlforss. Reflejó la intensidad de la guerra de talentos en el Área de la Bahía.

"Tuvimos que hacer estas cosas porque algunos de nuestros primeros empleados se unieron a la compañía antes de que tuviéramos un baño funcional", dijo. "Pero ahora arreglamos esa situación". La compañía creció de 5 a 40 empleados en 2024 y planea llegar a 150 este año. Contrata ingenieros para roles no ingenieriles en marketing, crecimiento y operaciones, una apuesta a que en la era de la IA, la fluidez técnica importa en todas partes.

Clientes sintéticos y decisiones automatizadas: lo que Listen Labs está construyendo a continuación

Wahlforss delineó una ambiciosa hoja de ruta de producto que se adentra en territorio más especulativo. La compañía está construyendo "la capacidad de simular a tus clientes, para que puedas tomar todas esas entrevistas que hemos hecho, y luego extrapolar basándote en eso y crear usuarios sintéticos o voces de usuarios simuladas". Más allá de la simulación, Listen pretende permitir acciones automatizadas basadas en hallazgos de investigación. "¿Puedes no solo hacer recomendaciones, sino también crear agentes generados para cambiar cosas en el código o si algún cliente se va? ¿Puedes darles un descuento e intentar traerlos de vuelta?"

Wahlforss reconoció las implicaciones éticas. "Obviamente, como dijiste, hay preocupaciones éticas allí. Como, la toma de decisiones automatizada en general puede ser mala, pero tendremos barreras considerables para asegurarnos de que las empresas siempre estén en el circuito". La compañía ya maneja datos sensibles con cuidado. "No entrenamos con ninguno de los datos", dijo Wahlforss. "También eliminaremos automáticamente cualquier PII sensible para que el modelo pueda detectar eso. Y hay momentos en que, por ejemplo, trabajas con inversores, donde si accidentalmente mencionas algo que podría ser información material no pública, la IA puede detectarlo y eliminar cualquier información como esa".

Quizás la implicación más provocativa del modelo de Listen es cómo podría remodelar el desarrollo de productos en sí. Wahlforss describió a un cliente —una startup australiana— que ha adoptado lo que equivale a un ciclo de retroalimentación continua. "Están basados en Australia, así que están codificando durante el día, y luego en su noche, están lanzando un estudio de Listen con una audiencia estadounidense. Listen valida lo que construyeron durante el día, y obtienen comentarios sobre eso. Luego pueden conectar esos comentarios directamente en herramientas de codificación como Claude Code e iterar".

La visión extiende el famoso dictamen de Y Combinator —"escribe código, habla con usuarios"— en un ciclo automatizado. "Escribir código ahora se está automatizando. Y creo que hablar con usuarios también lo será, y tendrás este tipo de bucle infinito donde puedes comenzar a enviar este producto verdaderamente increíble, casi de forma autónoma". Si esa visión se materializa depende de factores fuera del control de Listen: la mejora continua de los modelos de IA, la disposición empresarial a confiar en la investigación automatizada y si la velocidad realmente se correlaciona con mejores productos.

Contexto clave

La paradoja de Jevons en la era de la IA: Este principio económico del siglo XIX, formulado por el economista William Stanley Jevons, observó que cuando las mejoras tecnológicas aumentan la eficiencia con la que se usa un recurso, el consumo total de ese recurso tiende a aumentar en lugar de disminuir. En el contexto de Listen Labs, significa que al hacer la investigación de clientes más rápida y económica, las empresas no reducen su gasto en investigación, sino que realizan mucha más investigación. Este fenómeno explica por qué las herramientas de IA no necesariamente reemplazan trabajos humanos, sino que expanden el alcance de lo que es posible investigar.

Tokens de IA y el truco de la valla publicitaria: Los tokens son las unidades básicas en las que los modelos de lenguaje procesan texto. Cada palabra o fragmento de palabra se convierte en un número (token) que el modelo puede entender. El truco publicitario de Listen Labs consistió en mostrar secuencias de estos números en una valla, que los ingenieros capacitados podían reconocer como tokens y decodificar de vuelta a texto legible. Esta fue una forma ingeniosa de filtrar candidatos: solo aquellos familiarizados con el funcionamiento interno de los modelos de IA podrían siquiera comenzar el desafío.

Investigación cualitativa versus cuantitativa: La investigación cuantitativa utiliza encuestas con opciones predefinidas para obtener datos estadísticos de grandes muestras, pero pierde matices y contexto. La investigación cualitativa usa entrevistas abiertas para obtener profundidad y comprensión, pero tradicionalmente no puede escalar más allá de docenas de participantes debido al tiempo y costo. Listen Labs afirma resolver este dilema histórico usando IA para realizar entrevistas cualitativas a escala cuantitativa, combinando lo mejor de ambos mundos: profundidad conversacional con alcance masivo.

Para profundizar

• El problema de la confianza en datos sintéticos — A medida que Listen Labs avanza hacia la creación de "clientes sintéticos" basados en entrevistas reales, surge la pregunta de cuándo una simulación se convierte en una distorsión. ¿Pueden los modelos de IA realmente capturar la imprevisibilidad y contradicciones del comportamiento humano, o simplemente reflejarán patrones promedio que ocultan insights verdaderamente disruptivos?
• La economía de la atención en investigación de mercados — Si las empresas pueden obtener feedback de clientes en horas en lugar de semanas, ¿cambia fundamentalmente qué tipos de decisiones se someten a investigación? Podríamos estar presenciando una transición de la investigación como validación estratégica ocasional a la investigación como función operativa continua, similar a cómo el monitoreo de servidores pasó de ser periódico a ser en tiempo real.
• Fraude de identidad y la verificación multimodal — El descubrimiento de Listen Labs de que el 20% de las respuestas en investigación tradicional son fraudulentas señala un problema más amplio en cualquier sistema que recompense la participación. La solución de verificar identidad mediante video y datos de LinkedIn representa un enfoque de verificación multimodal que podría tener aplicaciones más allá de la investigación de mercados, desde educación en línea hasta verificación de identidad en servicios financieros.