Análisis de recuperación de servicios en el sector de fabricantes de productos alimenticios: un estudio mediante modelos de lenguaje de gran escala

Abstract

La gestión efectiva de reclamos en la industria alimentaria requiere estrategias de respuesta que integren principios de justicia percibida para optimizar la satisfacción del consumidor. Existe una brecha en la comprensión de qué elementos comunicacionales específicos en las respuestas empresariales generan mayor efectividad en la recuperación de servicios. Esta investigación examina si las respuestas empresariales que implementan alta justicia distributiva e interaccional se asocian positivamente con mayor satisfacción del consumidor en reclamos de productos alimenticios. Se emplea análisis computacional mediante Modelos de Lenguaje de Gran Escala (LLMs) con zeroshot learning para identificar elementos de justicia percibida en respuestas de fabricantes alimentarios registradas en SENACON (2020-2025). Los LLMs cuantifican automáticamente compensación y empatía, correlacionándolos estadísticamente con evaluaciones de satisfacción del consumidor mediante validación híbrida que combina codificación humana experta (n=300) con análisis algorítmico (n=5.465). Los hallazgos empíricos desafían la hipótesis central, revelando correlaciones prácticamente nulas entre la presencia binaria de elementos de justicia y la satisfacción del consumidor (r=0,02 para justicia distributiva, r=0,06 para justicia interaccional). La investigación contribuye a la teoría de recuperación de servicios al demostrar que los marcos tradicionales requieren adaptaciones significativas para contextos digitales, establece precedentes metodológicos para análisis LLM en validación de comunicación empresa-consumidor, y proporciona evidencia de que la calidad y contextualización de respuestas son más críticas que la simple presencia de elementos empáticos o compensatorios en la gestión de reclamos de la industria alimentaria.

Effective complaint management in the food industry requires response strategies that integrate perceived justice principles to optimize consumer satisfaction. A gap exists in understanding which specific communicational elements in corporate responses generate greater effectiveness in service recovery. This research investigates whether corporate responses implementing high distributive, interactional, and procedural justice are positively associated with greater consumer satisfaction in food product complaints. Computational analysis using Large Language Models (LLMs) with zeroshot learning is employed to identify perceived justice elements in food manufacturers' responses recorded in SENACON (2020-2025). LLMs automatically quantify compensation and empathy, statistically correlating them with consumer satisfaction evaluations through hybrid validation combining expert human coding (n=300) with algorithmic analysis (n=5,465). Empirical findings challenge the central hypothesis, revealing practically null correlations between the binary presence of justice elements and consumer satisfaction (r=0.02 for distributive justice, r=0.06 for interactional justice). The research contributes to service recovery theory by demonstrating that traditional frameworks require significant adaptation for digital contexts, establishes methodological precedents for LLM analysis in business-consumer communication validation, and provides evidence that response quality and contextualization are more critical than simple presence of empathetic or compensatory elements in food industry complaint management.