Índice
Sentiment Analysis: qué es y por qué lo necesitas en 2026
En la era de la sobrecarga de datos, no se trata solo de lo que dicen tus clientes, sino de cómo se sienten. Ahí es donde entra en juego el sentiment analysis. De hecho, las marcas que usan sentiment detection con IA han registrado una tasa de conversión hasta 4 veces mayor. ¿Quieres beneficiarte tú también? Aquí tienes una guía.
Resumen rápido:
- El sentiment analysis es una forma de averiguar cómo se sentían las personas cuando escribieron un texto concreto. Puede ser negativo, positivo o neutral e incluir emociones más específicas como la ira y la alegría.
- Las empresas lo utilizan para saber qué piensan y sienten los clientes sobre sus productos, campañas o la empresa en general. Ayuda a tomar mejores decisiones, reforzar la imagen de marca y reaccionar más rápidamente a los comentarios.
– La mayoría de las herramientas utilizan aprendizaje automático para aprender de muchos ejemplos etiquetados. Escanean el texto, buscan patrones y deciden el estado de ánimo o la emoción que hay detrás.
Previsiones de mercado:
- El mercado mundial de sentiment analysis está creciendo rápidamente y se prevé que alcance los 7.130 millones de dólares en 2028.
- La analítica de redes sociales y el sentiment analysis generaron unos ingresos aproximados de 3 940 millones de USD en 2024 y se prevé que crezcan hasta superar los 17 050 millones de USD en 2030.
¿Qué es el sentiment analysis?
El sentiment analysis es una técnica de procesamiento del lenguaje natural (PLN) para determinar el tono emocional que subyace en un texto, un discurso u otras formas de comunicación. El objetivo es comprender si las personas expresan sentimientos positivos, negativos o neutros sobre una marca, un producto o un tema.
Dicho de forma sencilla: Es una herramienta que entiende cómo se siente la gente cuando se expresa en línea.
Cómo funciona:
- Recogida de datos: La herramienta empieza monitorizando múltiples fuentes en línea.
- Procesamiento del lenguaje natural (PLN)los algoritmos de sentiment analysis ayudan a controlar la percepción de la marca en todos los canales, desde Reels hasta TikTok.
- Clasificación de los sentimientos: Los modelos de aprendizaje automático o los métodos basados en reglas clasifican el sentimiento.
En la práctica, las herramientas de sentiment analysis escanean automáticamente las menciones online y les asignan un sentiment score. Por ejemplo:
- Sentimiento positivo: "¡Me encanta lo fácil que es utilizar esta aplicación!"
- Sentimiento neutral: "Esta aplicación se lanzó en marzo".
- Sentimiento negativo: "La aplicación se bloquea constantemente".
Para obtener insights más profundos sobre cómo se sienten los clientes, el sentiment analysis con IA más avanzado puede incluso detectar:
- Ironía,
- Sarcasmo,
- Emociones específicas (como admiración, ira, asco, miedo, alegría, tristeza),
- Intención del cliente (como información, promoción, ventas, creación de redes, saludos, defensa, entretenimiento, intercambio de opiniones).
Tipos de sentiment analysis
Estos son los principales tipos de sentiment analysis. Cada uno con su propia forma de indagar en lo que hay detrás de lo que dice la gente:
1. Fine-grained sentiment analysis
Va más allá de "positivo/negativo" para clasificar en múltiples niveles, como:
- Muy positivo
- Positivo
- Neutro
- Negativo
- Muy negativo
Puede ser una clasificación por estrellas o una puntuación de 0 a 100.
Caso práctico: Perfecto para encuestas y comentarios de los clientes.
2. Análisis de las emociones
Va más allá de la polaridad para identificar emociones específicas como:
- Alegría
- Ira
- Tristeza
- Miedo
- Asco
Caso práctico: Esto ayuda a las marcas a entender cómo se siente la gente, no sólo si el sentimiento es bueno o malo.
Por ejemplo, "No puedo dejar de sonreír después de usar esta aplicación" se etiquetaría como feliz, no sólo como positivo.
3. Análisis basado en la intención
Detecta no sólo el tono, sino la intención del usuario detrás de un mensaje:
- Denuncia
- Elogios
- Sugerencia
- Intención de compra
Caso práctico: Súper útil para el servicio al cliente y la investigación de mercado.
Por ejemplo, si alguien dice: "Me costó mucho configurar mi cuenta", puede detectar la intención de pedir ayuda en lugar de limitarse a expresar frustración.
4. Aspect-based sentiment analysis
Este tipo desglosa el sentimiento por temas o aspectos. Por ejemplo:
- Calidad del producto: sentimiento positivo
- Atención al cliente: sentimiento negativo
Caso práctico: Muy utilizado en el análisis de las opiniones de los clientes.
Por ejemplo, si alguien escribe: "La aplicación es genial, pero las notificaciones me vuelven loco", el sistema sabe que la mala crítica se refiere a la estrategia de notificaciones, no a toda la aplicación.
¿Cuáles son los casos de uso del sentiment analysis?
Según SEO Sandwitch:
- 76% de los marketers monitorea el sentimiento de marca como indicador clave de la salud de la marca
- 45% de las marcas realizar análisis de sentiment analysis o con mayor frecuencia
- 92% de los líderes de marca cree que monitorizar el sentimiento en tiempo real mejora la experiencia del cliente
- 66% de los consumidores dice que su confianza en una marca mejora cuando esta responde con transparencia al sentimiento negativo
En 2026, el sentiment analysis es un sistema de alerta temprana y un generador de confianza para las marcas.
Analiza las conversaciones en línea, las reseñas de productos, las publicaciones en redes sociales y los comentarios de los clientes para revelar información significativa en tiempo real.
Estas percepciones emocionales ayudan a los equipos:
- Detectar y prevenir las crisis
- Definir el mensaje de la marca
- Mejorar los productos y servicios
- Adelántate a la competencia
- Comprender la opinión pública y las tendencias sociales
Gestión de la reputación de marca
En la era de los comentarios instantáneos y las reacciones virales, la reputación puede cambiar de la noche a la mañana. Los algoritmos sentiment analysis ayudan a controlar la percepción de la marca en todos los canales, desde Reels a TikTok.
Puedes:
- Entender cómo percibe el público su marca, sus campañas o sus productos.
- Responder rápidamente a la negatividad o la desinformación
- Seguir las tendencias de opinión a largo plazo para orientar la estrategia de comunicación
Ejemplo: un pico de menciones negativas sobre retrasos en la entrega ayuda a una marca minorista a identificar problemas operativos antes de que caigan las puntuaciones de las reseñas.
Monitorización de marca
Analizando el sentimiento en torno a sus competidores, las tendencias del sector o las palabras clave, puede hacerse una idea completa de su posición en el mercado.
Puedes:
- Comparar los resultados de la marca con los de la competencia
- Descubra qué resuena entre su público (y el suyo)
- Identificar oportunidades de espacio en blanco o riesgos de relaciones públicas
Ejemplo: Una empresa de SaaS se da cuenta de que la nueva función de un competidor suscita un sentimiento positivo creciente, lo que le lleva a acelerar un despliegue similar.
Customer feedback analysis
Los comentarios son ahora públicos, se mueven con rapidez y se extienden por todas las plataformas. El sentiment detection captura y clasifica estos datos, ahorrando tiempo y revelando tendencias.
Puedes:
- Clasifique automáticamente miles de reseñas, tweets y comentarios
- Medir la satisfacción general de los clientes
- Identificar los puntos problemáticos recurrentes o elogiar
Ejemplo: Una marca de cosméticos detecta un sentimiento negativo constante de los clientes en torno al aroma de una nueva loción, lo que lleva a reformularla antes de que se envíe el siguiente lote.
Detección y prevención de crisis
Gracias a las alertas en tiempo real y a las bases históricas de sentimiento, los equipos pueden identificar y mitigar posibles crisis antes de que se agraven.
Puedes:
- Recibe alertas de picos repentinos de sentimiento negativo
- Identifica el origen del ruido negativo
- Implementa rápidamente los mensajes adecuados
Ejemplo: Una aplicación de tecnología financiera detecta en cuestión de minutos las reacciones negativas a una actualización de seguridad y publica un FAQ transparente, calmando a los usuarios y evitando el escrutinio de los medios.
Mejorar el servicio al cliente
Los equipos de soporte reciben una avalancha de mensajes de texto, correos electrónicos y comentarios. Gracias al sentiment detection, puedes detectar las menciones críticas y adaptar las respuestas con más empatía.
Puedes:
- Detectar en tiempo real los temas que generan frustración
- Priorizar las cuestiones críticas
- Monitorizar el sentimiento en los canales de atención al cliente a lo largo del tiempo
Ejemplo: Una aerolínea utiliza la sentiment detection para hacer un seguimiento rápido de los mensajes de los pasajeros angustiados durante los retrasos de los vuelos, evitando así las consecuencias en las redes sociales.
Investigación de mercado y desarrollo de productos
El sentiment analysis ofrece insights orgánicos y sin filtrar perspectivas del mercado, sin recurrir a los métodos de investigación tradicionales.
Puedes:
- Explorar las nuevas preferencias y comportamientos de los clientes
- Descubrir necesidades insatisfechas y peticiones de funciones
- Analizar la reacción del público ante nuevas campañas o productos
Ejemplo: Una empresa de videojuegos analiza el sentimiento en torno a los comentarios de la beta, descubre un amor inesperado por un personaje secundario y lo convierte en un importante DLC.
¿Cómo hacer sentiment analysis?
Hacer un análisis de sentimiento preciso sin usar herramientas de análisis de opiniones puede ser difícil.
¿Por qué?
Como destacó Krzysztof Rajda, el análisis basado en un gran volumen de datos requiere mucho tiempo.
Claro, puedes intentar investigar y analizar las menciones sobre tu negocio por tu cuenta, pero te quitará mucho tiempo y energía.
Además, el riesgo de error humano es bastante significativo en ese caso.
En caso de que tenga conocimientos técnicos, he aquí el proceso de sentiment analysis, en pocas palabras:
- Define tu objetivo ¿quieres saber si el texto es positivo, negativo o neutro?
- Recopilar y limpiar texto - Recopila reseñas, comentarios o publicaciones y, a continuación, elimina los símbolos sobrantes o las partes desordenadas.
- Elige un método:
- Utiliza una lista de palabras (positivas/negativas).
- O utilizar una herramienta de IA ya entrenada para detectar emociones.
- Pruébalo - Comprueba si los resultados tienen sentido.
- Aplícalo - Pásalo por texto nuevo y observa el sentimiento general o las tendencias.
Suena bastante complicado, ¿verdad? La buena noticia es que las herramientas de IA pueden hacer el trabajo por ti.
En resumen: el análisis de sentimiento se puede hacer manualmente en proyectos pequeños, pero la mayoría de las marcas en 2026 confían en herramientas basadas en IA porque son más rápidas, escalables y dan información en tiempo real.
Confían en herramientas basadas en inteligencia artificial porque son más rápidas, escalables y proporcionan información en tiempo real.
A continuación, puede consultar sentiment analysis de marca utilizando la herramienta Brand24.
Caso práctico de brand sentiment analysis: Duolingo
Duolingo ha tenido algunos altibajos recientemente debido a la polémica por los reemplazos por IA dentro de la empresa.
Averigüemos qué ocurrió exactamente.
Analizando el sentimiento de las menciones de las redes sociales, podemos obtener información valiosa sobre la percepción pública de la marca Duolingo.
01 Sentimiento general
El sentimiento general en torno a Duolingo sigue siendo positivo, con:
- 34% de menciones positivas
- 19% de menciones negativas
02 Sentimiento por categorías
El sentimiento de Duolingo es muy diferente en las distintas plataformas de redes sociales.
La mayoría de los rumores se producen en X (Twitter). Allí es donde la gente expresa más sus frustraciones.
Por otro lado, Instagram tiene, sobre todo, un buen ambiente.
Duolingo debería centrarse definitivamente en abordar la negatividad en X.
Por eso es tan importante comprobar cómo se forma el sentimiento en distintos lugares. Permite a las marcas adaptar mejor sus esfuerzos y mensajes.
03 Sentimiento a lo largo del tiempo
En los últimos 3 meses, Duolingo recibió casi 300k menciones. Más de 93 000 son positivas, 53 000 son negativas y el resto, neutras..
El gráfico dentro del panel de sentiment analysis muestra el aumento de menciones negativas en torno a abril.
También fue la época en la que se produjeron más menciones negativas que positivas.
Tras seleccionar abril y mayo como intervalo de tiempo, utilicé la función AI Events y descubrí que a los fans no les gustaban los reemplazos por IA en la empresa:
El seguimiento de las opiniones a lo largo del tiempo ayuda a identificar tendencias emergentes en los comentarios de los clientes y la opinión pública, lo que permite detectar nuevos cambios o pautas a medida que se desarrollan.
Como puede ver, gracias al sentiment analysis, puede controlar fácilmente los cambios en las emociones de los clientes.
04 Sentimiento por tema
Gracias al AI Topic Analysis descubrí los temas más importantes y de tendencia relacionados con Duolingo:
Y puedo comprobar fácilmente cuál es su sentimiento pulsando el botón "más estadísticas".
Esto es lo que parece según el tema más popular - Memes de Duolingo.
- Este tema tiene 27% de menciones positivas y un 21% de menciones negativas.
- Las emociones más comunes dentro del tema son admiración y repugnancia.
05 Sentimiento de los autores
Ahora, detectemos quién habla de Duolingo de forma positiva y negativa.
Puede encontrar este análisis en la pestaña "Análisis de influenciadores".
Aquí están las personas más positivas:
Y aquí están las personas más negativas:
06 Contexto de una discusión
Durante los últimos 3 meses, las discusiones en torno a Duolingo giraban sobre todo en torno a palabras como:
¿Cómo funciona el sentiment analysis?
El sentiment analysis usa procesamiento del lenguaje natural (PLN) y machine learning (ML) para clasificar el texto como positivo, neutro o negativo.
Las tecnologías de sentiment analysis pueden utilizar varios tipos de algoritmos.
¿De qué tipo?
1. Automático (aprendizaje automático)
- Aprende a partir de datos etiquetados (positivo/negativo/neutro).
- Encuentra patrones y los aplica a nuevos textos.
- Puede procesar enormes conjuntos de datos, pero a menudo funciona como una "caja negra".
- La precisión depende en gran medida de los datos de entrenamiento.
2. Basado en reglas
- Se basa en léxicos y reglas predefinidos (por ejemplo, listas de palabras, sintaxis).
- Transparente y fácil de aplicar.
- Tiene dificultades con el lenguaje complejo, como la negación, el sarcasmo o las metáforas.
3. Híbrido
- Combina la precisión ML con la estabilidad basada en reglas.
- Las herramientas más avanzadas utilizan este enfoque para obtener los mejores resultados.
¿Cómo funciona el sentiment analysis en Brand24?
Para ofrecerle información fiable, he consultado Krzysztof RajdaJefe de Inteligencia Artificial de la software de control de medios que cuenta con más de 10 años de experiencia.
Estos son sus comentarios:
El sentiment analysis de Brand24 se basa en una rama de la IA conocida como machine learning, mediante la exposición de un algoritmo de aprendizaje automático a una cantidad masiva de datos cuidadosamente seleccionados.
Puede aprender y mejorar automáticamente a partir de la experiencia.
Nuestro equipo de IA incorporó las recientes ventajas de Modelos de lenguaje preentrenados (PLM)una técnica que también utilizan las grandes empresas tecnológicas (como Google, Microsoft, Facebook o Baidu).
¿Por qué?
El resultado es que las capacidades de la máquina se aproximan lo más posible a la comprensión real del texto con el estado actual de los conocimientos científicos.
Además, el uso de PLM multilingüe nos permite hacer sentiment analysis en más de 100 lenguas del mundo
Si quieres saber más sobre este proceso, hace poco contribuimos a la investigación con nuestro trabajo sobre análisis de sentimiento multilingüe.
Se presentó en una de las conferencias científicas más notables y prestigiosas:.
Obtenga más información sobre este proceso, incluidas las aplicaciones prácticas y los casos de uso reales. Consulte nuestra guía sobre Cómo utilizar el sentiment analysis en Brand24 para la creación de marca.
Retos del sentiment analysis
Aunque hay muchos ventajas del sentiment analysisPero también hay que ser consciente de sus retos.
Debido a la complejidad del lenguaje, el sentiment analysis tiene que enfrentarse a varios retos.
En algunos casos, resulta difícil asignar una clasificación de sentimiento a una frase.
Ahí es donde resulta útil el sentiment analysis basado en procesamiento del lenguaje natural, porque el algoritmo intenta imitar el lenguaje humano natural.
¿Cuáles son los retos más comunes del sentiment analysis?
1. Conjunciones contrastivas
Las frases pueden mezclar palabras positivas y negativas, lo que dificulta la interpretación.
Ejemplo: "¡El tiempo era terrible, pero la excursión fue increíble!"
2. Reconocimiento de identidades
Las palabras pueden tener múltiples significados según el contexto.
Ejemplo: "Everest" puede significar la montaña o la película.
3. Resolución de anáforas
Determinar a qué se refieren los pronombres o sustantivos suele ser difícil.
Ejemplo: "Fuimos al teatro y cenamos. Fue horrible".
4. Sarcasmo e ironía
El sarcasmo suele invertir el sentimiento, y la ironía depende del tono, del que carece el texto.
Ejemplo: "Me alegro mucho de que el avión se retrase".
5. 5. Lenguaje de Internet
Los textos en línea están llenos de abreviaturas, faltas de ortografía, gramática deficiente y análisis complicados.
Ejemplo: "gr8 película lol" o "smh esta actualización sux."
6. Negación
La negación puede invertir el sentimiento.
Ejemplo: "No bueno" ≠ "bueno".
7. Contexto
El significado exacto de las palabras puede variar en función de las frases que las rodean.
Ejemplo: "La película era fría". (mal ambiente frente a temperatura literalmente baja).
8. Lenguaje idiomático
Los modismos rara vez significan lo que las palabras sugieren literalmente, lo que confunde a los algoritmos.
Ejemplo: "Romper el hielo" significa iniciar una conversación, no destruir el agua congelada.
Y, por último, también hay una lucha de datos a la que se enfrentan las herramientas:
¿Cómo usan las industrias las herramientas de sentiment analysis?
Estos son algunos ejemplos de cómo se usa el sentiment analysis en distintos sectores:
- Los minoristas usan sentiment analysis para:
- Mejorar la satisfacción del cliente
- Optimizar el desarrollo de productos
- Gestionar la reputación de la marca
El análisis en tiempo real de las redes sociales y las opiniones de los clientes les permite rastrear los cambios en las preferencias, personalizar las promociones y reducir los comentarios negativos.
Según Journal of Big Data, puede ayudar a mejorar la retención y a aumentar hasta 95% los beneficios.
- Las aseguradoras aplican el sentiment analysis para:
- Detectar la insatisfacción en las comunicaciones con los clientes
- Señalar los siniestros arriesgados o fraudulentos
Analizando el tono y las emociones en las interacciones con los asegurados, las aseguradoras pueden mejorar la experiencia del cliente y agilizar la tramitación de siniestros en flujos de trabajo cada vez más digitalizados.
- Los fabricantes utilizan el sentiment analysis para mejorar:
- Calidad del producto
- Capacidad de respuesta de la cadena de suministro
- Mantenimiento predictivo.
De hecho, más del 55% de los fabricantes utilizan ahora herramientas de IA para estos fines, lo que refleja una tendencia hacia el control de calidad basado en datos (fuente: Deloitte).
- Los medios de comunicación y el mundo del espectáculo aplican el sentiment analysis para:
- Personalizar la entrega de contenidos
- Seguimiento de la participación de los espectadores
- Optimizar las campañas de marketing
A medida que el mercado OTT crece rápidamente, los estudios y las plataformas utilizan herramientas de sentimiento para incluir en sus planes las reacciones de la audiencia a través de las plataformas sociales.
- Las empresas financieras utilizan el sentiment analysis para:
- Toma de decisiones en consonancia con la opinión pública y los inversores
- Mejora de la evaluación de riesgos y el desarrollo de estrategias de negociación
Analizar el sentimiento a partir de noticias financieras, conferencias sobre resultados y redes sociales permite a las instituciones pronosticar el comportamiento del mercado y ajustar sus carteras en consecuencia.
- Los proveedores de telecomunicaciones utilizan el sentiment analysis para:
- Identificar los riesgos de pérdida de clientes
- Intervenir proactivamente con mejoras del servicio u ofertas de retención específicas.
Supervisar las interacciones de los clientes en todos los canales ayuda a las empresas de telecomunicaciones a detectar a tiempo la insatisfacción y aplicar medidas correctivas para mejorar la fidelidad.
- Las organizaciones políticas utilizan el sentiment analysis para:
- Analizar la opinión pública sobre políticas y servicios
- Orientar la toma de decisiones durante las crisis
- Mejorar las estrategias de comunicación
Al evaluar el sentimiento de los votantes y ciudadanos en tiempo real (especialmente durante elecciones o emergencias), el gobierno puede adaptar sus mensajes, generar confianza y responder más eficazmente a las preocupaciones del público.
- La sanidad utiliza el sentiment analysis para:
- Analizar las opiniones de los pacientes
- Descubrir deficiencias en los servicios
- Aumentar la satisfacción y la calidad asistencial
Los hospitales pueden utilizar herramientas de sentimiento para controlar el tono emocional de las opiniones de los pacientes y las respuestas a las encuestas, lo que ayuda a mejorar la comunicación entre médicos y pacientes, mejorar los tratamientos y aumentar la satisfacción general de los pacientes.
- Las organizaciones deportivas utilizan el sentiment analysis para:
- Comprender la percepción de los aficionados
- Eficacia de la campaña
- Reducir los costes de las encuestas manuales
PREGUNTAS FRECUENTES
¿Qué es el sentiment analysis con PLN?
El sentiment analysis se basa en el procesamiento del lenguaje natural (PLN) en general.
Permite a los ordenadores procesar y dar sentido al lenguaje humano y a los datos no estructurados.
Las herramientas de PNL actuales son mucho más avanzadas y permiten detectar emociones y opiniones con mayor precisión y profundidad.
Entre los métodos de PLN más usados en sentiment analysis se incluyen:
- Técnicas basadas en el léxico que utilizan listas de palabras sentimentales para asignar la polaridad
- Modelos de aprendizaje automático entrenado con datos etiquetados para clasificar textos según su sentimiento.
- Marcos de aprendizaje profundo como BERT y GPT que comprenden el contexto y el tono sutil
- Sentiment analysis basado en aspectosque se centra en partes específicas de un producto o servicio para determinar el sentimiento del público objetivo.
He aquí una explicación experta de Krzysztof Rajda, Director de Inteligencia Artificial de Brand24:
El Procesamiento del Lenguaje Natural (PLN), una parte de la IA que se ocupa de los datos textuales, es una técnica esencial en el mundo moderno para descubrir lo desconocido a partir de los resultados de al siguiente nivel .
Una de las tareas más útiles de la PLN es el sentiment analysis: un método de detección automática de las emociones que hay detrás de un texto.
El sentimiento puede analizarse a distintos niveles: desde la identificación de opiniones positivas, negativas o neutras, pasando por la cuantificación del nivel de positividad o negatividad, hasta incluso la minería de opiniones y la identificación de la emoción detallada que subyace a la opinión (por ejemplo, felicidad, enfado, tristeza, etc.).
¿Cuál es la diferencia entre sentiment analysis y emotion detection?
El sentiment analysis y la emotion detection son tareas relacionadas pero distintas dentro del procesamiento del lenguaje natural (PLN).
- El sentiment analysis se centra en determinar la actitud u opinión general expresada en un texto
- Detección de emociones profundiza al identificar estados emocionales específicos como alegría, ira, tristeza, miedoo sorpresa.
Mientras que un modelo de sentiment analysis ofrece una visión amplia de la polaridad, la emotion detection capta el tono emocional matizado que hay detrás de las palabras.
Por ejemplo, la frase "No me puedo creer que se hayan vuelto a olvidar de mi pedido" se etiquetaría como negativa en sentiment analysis, pero la emotion detection podría identificarla como expresión de frustración o ira.
¿Qué es el sentiment score?
Una de las formas de evaluar el sentimiento es el sentiment score.
Sentiment score es un sistema de escala que refleja la intensidad emocional de un texto.
- Detecta las emociones y les asigna un sentiment score, por ejemplo, de 0 a 10, del sentimiento más negativo al más positivo.
¿Cómo calcularlo?
Hay varias formas de calcular un sentiment score, pero el método más común es usar un diccionario de palabras negativas, neutras o positivas.
Para calcular un sentiment score se tienen en cuenta varios factores, como:
- El número y tipo de emociones expresadas
- La fuerza de esas emociones
- El contexto en el que se utilizan.
¿Puede ChatGPT hacer sentiment analysis?
Sí, ChatGPT puede hacer un sentiment analysis básico.
Puede leer texto y sugerir si el tono es positivo, negativo o neutro. También puede detectar algunas emociones como alegría, enfado o tristeza.
Sin embargo, hay algunos inconvenientes. ChatGPT no aplica de forma sistemática etiquetas de sentimiento estrictas, como sí hacen las herramientas especializadas de sentiment analysis.
Además, su análisis no está automatizado ni es escalable: tendrás que introducir el texto manualmente o crear un flujo de trabajo personalizado para analizar grandes volúmenes de datos.
¿A qué esperas? Empieza a investigar esos datos.
Artículo revisado por
