A diferencia de una compañía que solo “usa IA” generando imágenes y textos, aquellas que han tomado la delantera no necesitan que una persona recuerde usarla y delegan la ejecución de su marketing a la herramienta. “La IA está ahí, analiza, opera, entrega, y el equipo revisa resultados, guía, pero ya no ejecuta ningún proceso”, sostiene Francisco Kemeny, experto en esta tecnología. 

La conversación en torno a la inteligencia artificial aplicada al marketing ha evolucionado rápidamente en los últimos años. Si en 2023 el foco estaba puesto en comprender esta tecnología y explorar sus primeros casos de uso, hoy el escenario es más exigente: las empresas ya no solo deben entender la IA, sino decidir cómo y dónde integrarla para generar impacto real en sus resultados. Y mientras algunas organizaciones han logrado pasar de la experimentación a la implementación -con aprendizajes concretos y retornos medibles-, muchas otras continúan atrapadas en pilotos interminables o en la inacción. 

Desde una mirada práctica, basada en implementación real, Francisco Kemeny -fundador & Chief AI Builder de Kemeny Studio y miembro del Comité de Inteligencia Artificial de la Cámara de Comercio de Santiago, además de impulsor de diversas iniciativas relacionadas con la materia en México y Estados Unidos- aborda el estado actual de adopción de la IA en marketing, los casos de uso con mayor impacto, los errores más comunes en su implementación y las capacidades que hoy deben desarrollar los equipos para no quedar rezagados.  

En 2023 hablábamos de la necesidad de entender qué es la IA y conocer casos reales. Hoy, ¿dirías que las empresas ya superaron esa etapa exploratoria o siguen en piloto? 

Depende de a quién le preguntes. Las empresas que tienen un CEO o un CTO inquieto o un gerente de innovación con presupuesto propio y autonomía ya pasaron la etapa de exploración. Están en implementación, con resultados mixtos pero reales. El resto sigue atrapado en el análisis-parálisis con pilotos eternos y otros que ni siquiera han movido la primera pieza. Estos últimos son la mayoría. Este año recién veremos a la mayoría temprana empezar a meterse al agua. 

Lo que vemos en LATAM con nuestros clientes: el cuello de botella ya no es entender qué es la IA, sino más bien saber qué proceso específico vale la pena automatizar y quién dentro de la organización tiene la autoridad para tomar esa decisión sin pedir permiso cinco niveles arriba y no tener que rediseñar la operación para ajustarse a la tecnología. 

¿Qué distingue hoy a una empresa que «usa IA» de una que realmente la tiene integrada en su estrategia de marketing? 

La empresa que «usa IA» tiene un equipo que genera imágenes con Nano Banana y textos con ChatGPT. La empresa que la tiene integrada tiene un sistema que toma decisiones de forma autónoma dentro de flujos de trabajo reales y la ejecución de su marketing se comienza a delegar a la IA. 

La diferencia más tácita es que una empresa integrada no necesita que una persona recuerde usar la herramienta. La IA está ahí, analiza, opera, entrega, y el equipo revisa resultados, guía, pero ya no ejecuta ningún proceso. Cuando ves a un equipo de marketing que redujo a la mitad el tiempo de producción de contenido o el time to market de una campaña, sin contratar a nadie más, eso es integración. Todo lo demás son experimentos técnicos-tácticos disfrazados de estrategia. Sirven para decir “estamos en la vanguardia, usamos IA”, pero no es un diferenciador competitivo. 

¿Cuáles son hoy los casos de uso de IA en marketing que realmente están generando impacto medible? 

Los que más impacto están generando en nuestros proyectos y en lo que veo globalmente: 

Personalización a escala, integrada al CRM. Correos, mensajes, notificaciones que se adaptan al perfil del usuario sin intervención humana. El impacto en conversión es inmediato y medible.  

Agentes de calificación de leads. No me refiero a chatbots de FAQ. Me refiero a sistemas que leen la intención del usuario, califican, y pasan al equipo comercial solo lo que tiene sentido trabajar. Incluso cuando se trata de interacciones complejas. 

Generación de contenido estructurado para verticales específicas. Una empresa de retail no necesita contenido genérico. Necesita descripciones, correos y posts optimizados para sus SKUs, su tono, y su historial de campañas. Eso ya se puede automatizar con calidad real y generar impacto en SEO y en ventas. 

De todos los casos posibles, ¿cuáles han demostrado mayor ROI en el corto plazo? 

Sin duda, para nosotros es la calificación automatizada de leads y personalización de comunicaciones outbound. 

El ROI es rápido porque el costo de no hacerlo es visible. Un equipo de marketing pierde mucho tiempo transformando leads fríos, porque manda el mismo correo a diez mil personas, tiene un costo concreto que se puede calcular. Cuando lo automatizamos bien, generando contenido contextual, se genera un ahorro inmediato y el incremento en conversión son medibles en 30 a 60 días. 

El segundo caso con ROI rápido es la automatización de reportes y análisis de campañas. Suena poco sexy para muchos gerentes de marketing, pero liberar 10 horas semanales de una persona, en especial cuando los recursos son escasos, tiene un valor real que las empresas sistemáticamente subestiman. 

¿Qué aprendizajes dejan los casos de éxito más avanzados a nivel global? 

Tres cosas que los casos más avanzados tienen en común y que la mayoría ignora: 

Primero, la calidad del dato interno es el verdadero activo. Los casos que fracasan casi siempre tienen el mismo problema, los datos son un desastre. El modelo es lo de menos. 

Segundo, la adopción interna es el cuello de botella real, no la tecnología. Los mejores proyectos que hemos entregado han tenido un champion interno que empuja el cambio y la adopción. Sin eso, el sistema se construye y nadie lo usa. 

Tercero, empezaron por un proceso doloroso y específico, no por una visión grandiosa. «Vamos a transformar el marketing con IA» no lleva a ningún lado. «Vamos a eliminar las 8 horas que el equipo pierde recalificando leads manualmente cada semana» sí. 

La IA generativa se masificó rápidamente. ¿Sigue siendo una ventaja competitiva o ya es un commodity? 

La IA generativa como herramienta ya es un commodity. ChatGPT, Claude, Gemini: cualquier persona con tarjeta de crédito tiene acceso al mismo modelo de estado del arte que usa la empresa más sofisticada del mundo y las startups más innovadoras. 

La ventaja competitiva está en tres capas que no son commodity: los datos propios de la empresa, el diseño de los flujos donde opera el modelo, y el criterio de quién decide qué es lo correcto y lo qué no. A eso le llamamos el harness, el sistema alrededor de la IA que la controla, evalúa y direcciona, y es lo que realmente diferencia a las empresas que obtienen resultados de las que se quedan con el demo. 

¿Dónde está hoy el verdadero diferencial: en la herramienta, en los datos o en el criterio humano? 

En ese orden inverso al que mencionas: criterio primero, datos segundo, herramienta al final. 

El criterio es saber qué problema vale la pena resolver con IA y cuál no. Ese juicio no se puede automatizar todavía. Las empresas que tienen ese criterio bien desarrollado toman mejores decisiones de inversión que las que persiguen la tecnología de moda, el  modelo más nuevo, o la app que salió hoy. 

Los datos propios son el segundo activo diferencial. Una empresa que tiene 5 años de historial de comportamiento de sus clientes puede construir algo que un competidor nuevo no puede replicar en 6 meses. 

La herramienta es la parte más fácil de copiar. Nadie tiene ventaja competitiva sostenible por usar una API que cualquiera puede contratar hoy. La cancha es pareja para todos. Lo menos relevante es preguntarse “qué diferencia tiene esta solución con ChatGPT, Gemini o Claude”, no hay ninguna, es más en qué y con que la usas. 

¿Cómo están evolucionando las expectativas de los consumidores frente a experiencias mediadas por IA? 

Los consumidores más avanzados ya saben si están interactuando con IA y lo que más resaltan es si la experiencia fue buena o mala. Si el sistema los entendió, les resolvió el problema rápido, y no los hizo repetir información cinco veces, la experiencia fue buena. En el caso del contenido, si la comunicación les genera emoción, funciona. Si se siente falso, son rápidos para detectar una IA y rechazarla.  

Lo que está cambiando es la intolerancia a experiencias vacías y sí el consumidor tuvo una experiencia personalizada con una marca no tolera fácilmente que otra marca le hable como si fuera cualquiera. El punto de comparación está evolucionando más rápido que antes. La IA está subiendo el piso de lo que se considera una experiencia aceptable, y eso es un problema para las empresas que no están al ritmo. 

¿Qué capacidades deben desarrollar hoy las áreas de marketing para trabajar con IA? 

Lo principal es el pensamiento de procesos. Saber mapear un flujo de trabajo y detectar qué pasos son automatizables, cuáles requieren criterio humano, y cuáles simplemente no deberían existir. Esa habilidad vale más que saber escribir prompts. Aún para la mayoría de los marketeros es importante sostener el misticismo de la creatividad, cuando aún más y más las capacidades analíticas son más importantes para el marketing que cualquier otro skill. Esto nos lleva a la importancia de la cultura de datos. No solo la ciencia de datos, sino más bien a construir el hábito de preguntar «¿cómo medimos esto?» antes de ejecutar, y de registrar los resultados de forma consistente, que sirvan para mejorar. Y finalmente, lo dice, la capacidad de evaluar calidad del output. Si el equipo no puede distinguir un output malo de uno bueno, no puede supervisar ni mejorar ningún sistema de IA. Es cosa de ver el sin fin de contenido IA en redes sociales de mala calidad generado por profesionales de todas las áreas. 

¿Cómo deberían las marcas abordar riesgos como sesgos, alucinaciones o contenido engañoso generado por IA? 

Con procesos de revisión, no con miedo. El error más caro no es que un modelo alucine, es que nadie haya habido una persona en el flujo para detectarlo antes de que llegue al cliente. 

Lo que recomendamos siempre es que ningún output de IA vaya directo al cliente final sin un punto de revisión, al menos en los primeros meses de operación, hasta tener la confianza necesaria para darle rienda suelta a los sistemas. Conforme el sistema demuestra confiabilidad en casos específicos, se puede aumentar la autonomía gradualmente. 

En cuanto a ética, la pregunta más importante no es «¿puede hacer daño este modelo?» sino «¿quién dentro de la organización es responsable de lo que este sistema produce?» Si nadie tiene esa responsabilidad asignada, hay un problema mayor que la tecnología. 

¿Qué indicadores deberían mirar los CMOs para medir el impacto real de la IA en marketing? 

Los que más importan a nuestros clientes hoy son el tiempo de ciclo en procesos específicos antes y después de una sistema de IA. Por ejemplo, si la producción de un brief tomaba 3 días y ahora toma 4 horas, eso es medible y real. La IA hoy en la mayoría de los casos, es una herramienta de eficiencia operacional, se debe medir como tal. 

¿Qué viene ahora en IA aplicada al marketing? 

Agentes que operan de forma autónoma dentro de flujos de trabajo completos. No herramientas que el equipo consulta, sino sistemas que ejecutan: detectan una señal, toman una acción, reportan el resultado. 

El ejemplo concreto que ya estamos construyendo para clientes: un agente que monitorea el comportamiento de clientes en riesgo de churn, genera una comunicación personalizada, la envía en el momento correcto, y reporta si funcionó. Sin que un humano active el proceso. Esto cambia el rol del equipo de marketing. Deja de ejecutar y empieza a supervisar y diseñar sistemas. Las áreas que no hagan esa transición van a operar con costos mucho más altos que sus competidores. 

Si tuvieras que dar una recomendación concreta a un gerente de marketing en Chile hoy, ¿por dónde debería partir? 

Por el proceso más doloroso que tiene su equipo hoy. No el más glamoroso, no el que suena mejor en una presentación al directorio. El que más horas consume, el que más errores genera, el que más le molesta a su equipo hacer cada semana. Que comience preguntando ¿qué tareas no queremos seguir haciendo? 

Ahí es donde la IA tiene ROI inmediato. Eliminando el trabajo repetitivo que ya nadie quiere hacer y que está frenando al equipo para hacer cosas que de verdad requieren criterio humano. Hay una capa cognitiva de bajo valor que los modelos de lenguaje son mucho más costo-eficiente que un humano. Si es solo hacer gráficas o videos con IA, eso hoy ya es tan básico como usar Photoshop para editar una pieza. Y hacer A/B testing de todo. Crear múltiples versiones de la campaña, de la gráfica y del texto hoy cuesta tan poco que no aprovecharlo ya no tiene sentido. 

¿Cómo imaginas la relación entre marcas y personas en un entorno donde lo «real» y lo «sintético» se mezclan cada vez más? 

La confianza va a ser el activo más escaso y más valioso. En un entorno donde cualquier imagen, vídeo o texto puede ser generado, lo que va a diferenciar a las marcas no es si usan IA o no. Es si son consistentes, si cumplen lo que dicen, y si la experiencia que entregan tiene coherencia con los valores que comunican. 

Las marcas que usen IA para escalar autenticidad, es decir, para ser más relevantes para más personas sin perder su identidad, van a ganar. Las que la usen para fabricar ilusiones van a generar una reacción de rechazo que ya estamos empezando a ver en algunos mercados. Por otro lado, como en la música, lo hecho a mano va a tener un valor casi nostálgico, como los vinilos. Pero la mayoría del contenido será generado con IA, igual que hoy casi todos escuchamos música en digital. 

La pregunta que cada marca debería hacerse es: ¿estoy usando esto para ser mejor versión de lo que soy, o para parecer algo que no soy?