EL ANÁLISIS DE LOS SENTIMIENTOS CON

INTELIGENCIA ARTIFICIAL COMO

ESTRATEGIA DE LAS RELACIONES PÚBLICAS

RESUMEN

Este artículo, a través de una metodología cualitativa y una investigación descriptiva basada en el

análisis de información de bases de datos científicas e informes de tendencias, explora cómo el análisis

de sentimientos con Inteligencia Artificial (IA) está revolucionando las Relaciones Públicas (RRPP).

El objetivo es describir cómo el análisis de sentimientos con IA se emplea como estrategia de gestión

en las RRPP, planteando la hipótesis de que la IA se está convirtiendo en una herramienta indispensable

para los relacionistas públicos, permitiendo a las organizaciones obtener información valiosa sobre su

público y adaptar sus estrategias de comunicación. Mediante la revisión de literatura científica y análisis

limitación para interpretar los sentimientos por parte de la IA cuando existen elementos relacionados

con el lenguaje natural, por lo que la intervención y criterio del ser humano sigue siendo crucial para

complementar el análisis de los datos que se pueden obtener.

Palabras clave: inteligencia artificial, comunicación, tecnología de la comunicación, relaciones

públicas

1

Intelligence (AI) is revolutionizing Public Relations (PR). The objective is to analyze how sentiment

analysis with AI is used as a management strategy in PR, raising the hypothesis that AI is becoming an

indispensable tool for public relations professionals, allowing organizations to obtain valuable

information about their audiences and adapt their communication strategies. Through the review of

scientific literature and analysis of case studies of leading companies, it was established that sentiment

analysis with AI allows monitoring online reputation, managing crises, segmenting audiences and

measuring the effectiveness of campaigns, as companies such as Netflix, Starbucks and Nike use this

technology to make strategic decisions. Among the main conclusions, it is highlighted that sentiment

analysis with AI allows organizations to understand their audiences in the digital age to make technical

and informed decisions based on the reaction of their stakeholders. However, there are studies that

INTRODUCCIÓN

En la era digital, donde las interacciones online se han convertido en el epicentro de la comunicación,

las organizaciones se enfrentan miles de opiniones, comentarios y reacciones en redes sociales, foros

y plataformas digitales. Esta enorme cantidad de datos, si bien representa un desafío para las Relaciones

Públicas (RRPP), también ofrece una oportunidad sin precedentes para comprender la percepción del

2022).

Las RRPP, en su esencia, siempre han buscado comprender e influir en la opinión pública.

Anteriormente, esta tarea se basaba en la intuición y el análisis de un número limitado de fuentes

(comunicados de prensa, encuestas, etc.). Actualmente, existe una nueva realidad con la cantidad de

datos en el entorno digital, particularmente en redes sociales.

Este escenario, dominado por el Big Data, plantea retos y oportunidades para los relacionistas públicos.

Ahora, las RRPP tienen acceso a una cantidad masiva de datos sobre la opinión pública, pero necesitan

desarrollar nuevas estrategias para analizar y gestionar esta información (Pereira Villazón et al., 2019).

En esa línea de análisis, por ejemplo, imaginar a un profesional de RRPP de hace unas décadas tratando

de analizar miles de tweets, comentarios en Facebook y reseñas online para comprender la reacción del

cómo se percibe una campaña en tiempo real. Esta capacidad de monitorización permite a las RRPP

reaccionar con rapidez ante cualquier crisis o situación que requiera atención inmediata.

El análisis de sentimientos con IA, de acuerdo con Zhang y Liu (2017) también denominado, minería

de opinión, permite extraer información valiosa sobre las emociones que subyacen en las palabras. Por

ello, esta técnica, con aplicaciones en negocios y política, se ha convertido en un área clave en la

No se trata simplemente de contar menciones positivas o negativas, sino de ir más allá, pues es cuestión

de captar matices, ironías y sentimientos complejos que revelan la verdadera percepción del público.

Para Nasukawa y Yi (2003), el análisis de sentimientos se centra en dos tareas principales: primero,

detectar cómo se expresan las emociones en un texto, y segundo, determinar si esas expresiones reflejan

una opinión positiva o negativa sobre el tema en cuestión.

Para lograrlo, se emplean técnicas de Procesamiento del Lenguaje Natural (PLN) y algoritmos de

aprendizaje automático (machine learning). Una investigación de Joseph (2024) determinó que el

análisis de sentimientos en redes sociales se beneficia enormemente con estas técnicas avanzadas en

componentes, tales como, el aprendizaje automático y el aprendizaje profundo. Estas técnicas permiten

una mejor comprensión de las emociones expresadas en línea, incluso considerando el contexto, el

datos científicas e informes de tendencias, se busca detallar la forma en la que el análisis de los

sentimientos mediante la IA puede emplearse como estrategia de la gestión que se realiza desde las

RRPP, ante lo cual se puede hipotetizar que la tecnología se está convirtiendo en una herramienta

indispensable para los relacionistas públicos, permitiendo a las organizaciones obtener información

valiosa sobre su público y adaptar sus estrategias de comunicación para obtener mejores resultados

Desarrollo

es su habilidad para reconocer sinónimos, comprendiendo que términos como "feliz" y "alegre"

transmiten un sentimiento similar, lo que les permite interpretar con precisión la emoción expresada en

el mensaje, mediante algoritmos (Dereń, 2024).

Aplicaciones del análisis de sentimientos en las RRPP

Monitoreo de la reputación: En lugar de revisar manualmente cientos de publicaciones, la IA puede

rastrear menciones de la marca en tiempo real y alertar sobre posibles crisis de reputación debido a que

puede analizar información en tiempo real para detectar problemas potenciales, antes de que se

conviertan en crisis, y monitorear cómo reacciona el público durante una crisis. Esto permite a las

organizaciones identificar rápidamente comentarios negativos, rumores o noticias que puedan afectar

su imagen y tomar medidas para contrarrestar su impacto (Voltaje X, 2023).

Segmentación de la audiencia: Comprender las diferentes opiniones y necesidades de los distintos

segmentos de público permite personalizar los mensajes y lograr una mayor conexión (Russell, 2021).

En este caso, una empresa puede utilizar el análisis de sentimientos para identificar a los clientes más

influyentes en redes sociales y desarrollar campañas específicas para ellos.

Medición de la efectividad de campañas: Ya no se trata solo de contar "likes" o "shares". El análisis

estratégicas. Netflix lo usó para medir el impacto de sus precios y contenido original en la satisfacción

del cliente. Starbucks lo empleó para gestionar una crisis de relaciones públicas, mientras que Nike

monitoreó las reacciones a una campaña controvertida. Apple rastreó la reputación de su marca en

diferentes mercados y Coca-Cola evaluó el éxito de sus campañas de marketing (Fastercapital, 2024).

No obstante, el análisis de sentimientos no es infalible y puede tener un margen de error de hasta el

30% debido a que no se pueden interpretar algunas características propias del lenguaje natural, así lo

demostró un estudio de Panico (2018), realizado a la empresa Dell Technologies, que utiliza el análisis

de sentimientos para abordar problemas relacionados con el control de calidad de productos y servicios,

atención al cliente; y mercadeo.

Esta limitante obedece a la complejidad que conlleva el lenguaje natural por las expresiones dialécticas

comprender sus necesidades y adaptar sus estrategias de comunicación para construir relaciones más

sólidas y duraderas.

Sin embargo, es importante recordar que la IA es solo una herramienta, y como tal, tiene sus

limitaciones. La interpretación humana sigue siendo fundamental para complementar el análisis, validar

los resultados y garantizar que la información se utilice de forma ética y responsable.

Adi, A. (2023). Artificial Intelligence in Public Relations and Communications: cases, reflections, and

predictions [Inteligencia Artificial en Relaciones Públicas y Comunicaciones: casos,

reflexiones y predicciones]. Quadriga University of Applied Sciences. Berlin.

Cambria, E., Das, D., Bandyopadhyay, S., & Feraco, A. (2017). A Practical Guide to Sentiment Analysis

[Una guía práctica para el análisis de sentimientos]. Springer.

Castillo Landínez, S. P., & Caicedo Rodríguez, P. E. (2019). 2do Congreso Latinoamricano de

Ingeniería - Retos en la formación de ingenieros en la era digital. Análisis de sentimientos, una

herramienta para valorar la actitud del estudiante frente a un curso [Ponencia]. Popayán,

Colombia: Corporación Universitaria Autónoma del Cauca.

Dereń, K. (28 de marzo de 2024). Brand24. ¿Cómo analizar el sentimiento en las redes sociales?:

Joseph, T. (2024). Natural Language Processing (NLP) for Sentiment Analysis in Social Media

[Procesamiento del lenguaje natural (PLN) para el análisis de sentimientos en las redes

sociales]. International Journal of Computing and Engineering, 6(2), 35-48.

https://doi.org/https://doi.org/10.47941/ijce.2135

Linkedin. (27 de septiembre de 2023). Gestión de marca. ¿How can you use sentiment analysis to

Mohamed, K., & Altan Bayraktar, Ü. (2022). Analyzing the role of Sentiment Analysis in Public

Relations: Brand Monitoring and Crisis Management [Analizando el papel del Análisis de

Sentimientos en las Relaciones Públicas: Monitoreo de Marca y Gestión de Crisis]. SSRG

International Journal of Humanities and Social Science, 9(3), 116-126.

https://doi.org/https://doi.org/10.14445/23942703/IJHSS-V9I3P116

Nasukawa, T., & Yi, J. (2003). Sentiment analysis: capturing favorability using natural language

processing [Análisis de sentimientos: captura de favorabilidad mediante el procesamiento del

lenguaje natural]. In Proceedings of the 2nd international conference on Knowledge capture

(K-CAP '03). New York: Association for Computing Machinery.

https://doi.org/https://doi.org/10.1145/94564