La IA ya forma parte de la operación del ecosistema de marketing, comunicación y publicidad en México, pero su adopción avanza más rápido que su integración organizacional. El desafío ya no es acceder a la tecnología, sino convertirla en una capacidad estratégica, con datos propios, talento con criterio, gobernanza, medición de impacto y supervisión humana efectiva. Este documento, elaborado por algunos integrantes del Grupo de Trabajo de IA de IAB México, presenta dónde está la industria, qué temas definen la conversación, qué decisiones y tensiones enfrentan las organizaciones y qué prioridades se perfilan hacia 2027.
La Inteligencia Artificial no es una sola tecnología ni una herramienta específica. Es un conjunto de métodos y sistemas computacionales capaces de utilizar datos, reglas y modelos para identificar patrones, clasificar, predecir, recomendar, generar contenido o ejecutar acciones. Su valor depende de la calidad de los datos, del diseño del sistema, del contexto en el que se utiliza y del criterio con el que se interpretan sus resultados.
| Componente | Función |
|---|---|
| Datos | Materia prima del sistema: históricos, CRM, comportamiento, imágenes, audio, texto, transacciones, campañas, investigación, sensores, etc. |
| Modelos y algoritmos | Permiten detectar relaciones, aprender patrones, clasificar, predecir, generar o decidir dentro de límites definidos. |
| Cómputo e infraestructura | Permiten entrenar y ejecutar modelos, almacenar información, integrar fuentes y operar a la velocidad requerida. |
| Objetivo y contexto | Definen qué problema se intenta resolver y bajo qué condiciones se evaluará el resultado. |
| Supervisión y criterio humano | Definen límites, validan evidencia, interpretan resultados, asignan responsabilidad y deciden qué hacer con el output. |
DATOS + MODELOS / ALGORITMOS + CÓMPUTO + CONTEXTO + SUPERVISIÓN → RESULTADO
| Capa | Pregunta de control |
|---|---|
| Calidad de datos | ¿Son correctos, suficientes, actuales, relevantes, representativos y permitidos para este uso? |
| Calidad del modelo | ¿El modelo y la arquitectura son adecuados para el problema? |
| Calidad del contexto | ¿La tarea, restricciones, políticas, fuentes y objetivos están suficientemente definidos? |
| Calidad de evaluación | ¿Se miden exactitud, sesgos, robustez, seguridad, costos de error y desempeño real? |
| Calidad de decisión | ¿Existe una persona o equipo capaz de interpretar el resultado y actuar con responsabilidad? |
La IA amplifica el sistema que ya existe. Datos deficientes, procesos débiles, incentivos incorrectos o sesgos históricos pueden hacerse más rápidos y escalables, no necesariamente mejores.
| IA es… | IA no es… |
|---|---|
| Un conjunto amplio de tecnologías y capacidades | Sinónimo de ChatGPT o de un chatbot |
| Capaz de detectar patrones a escala | Garantía de verdad |
| Capaz de predecir, clasificar, recomendar, generar o actuar | Una fuente infalible de información |
| Dependiente de datos, diseño, contexto y objetivos | Objetiva o neutral por definición |
| Probabilística en muchos usos actuales | Determinística en todos los casos |
| Una capacidad que puede aumentar el trabajo humano | Sustituto automático del criterio humano |
| Una herramienta para apoyar decisiones | La decisión de negocio en sí misma |
| Capaz de identificar relaciones entre variables | Prueba automática de causalidad |
| Cada vez más capaz de ejecutar acciones | Necesariamente autónoma |
| Complementaria a reglas y automatización | Sinónimo de cualquier automatización |
Una sola clasificación no es suficiente. Conviene distinguir el alcance de la inteligencia y la función que cumple el sistema.
| Tipo | Descripción | Estado |
|---|---|---|
| IA estrecha (Narrow AI) | Diseñada para tareas o conjuntos de tareas específicas. | Es la IA que se utiliza actualmente. |
| AGI | Hipotética inteligencia con capacidades generales comparables con las humanas en múltiples dominios. | No existe como capacidad general demostrada. |
| Superinteligencia | Inteligencia hipotética que superaría ampliamente capacidades humanas en múltiples dimensiones. | Concepto teórico. |
| Capacidad | Qué hace | Aplicaciones en marketing y negocio |
|---|---|---|
| Reglas y automatización | Ejecuta decisiones explícitas del tipo “si A, entonces B”. | Workflows, validaciones, reglas CRM/ERP, automatización operativa. |
| Machine Learning | Aprende patrones a partir de datos para predecir, clasificar u optimizar. | Propensión, churn, forecasting, fraude, recomendación, optimización. |
| Deep Learning | Utiliza redes neuronales de múltiples capas para procesar relaciones complejas. | Imagen, voz, lenguaje, video y modelos generativos avanzados. |
| IA generativa | Genera nuevos resultados a partir de patrones aprendidos. | Texto, imagen, audio, video, código, datos sintéticos, prototipos. |
| LLM | Modelo especializado en patrones del lenguaje. | Síntesis, búsqueda conversacional, ideación, análisis, asistentes. |
| IA perceptiva | Interpreta señales del entorno. | Computer vision, speech AI, reconocimiento de producto, análisis audiovisual. |
| IA agéntica | Combina modelos, memoria, herramientas, reglas y capacidad de ejecutar acciones para perseguir un objetivo. | Agentes de servicio, orquestación de workflows, análisis y ejecución multietapa. |
La IA agéntica no significa necesariamente mayor inteligencia; significa mayor capacidad de actuar. A medida que aumenta la autonomía, aumenta también la importancia de permisos, límites, trazabilidad, monitoreo y mecanismos de parada.
| Nivel | Pregunta | Ejemplo |
|---|---|---|
| Predecir | ¿Qué es probable que ocurra? | “Este cliente tiene alta probabilidad de churn.” |
| Generar | ¿Qué contenido o alternativa puede crearse? | “Genera una oferta y mensaje de retención.” |
| Actuar | ¿Qué acciones puede ejecutar el sistema dentro de límites definidos? | “Consulta reglas, actualiza CRM, prepara oferta y escala excepciones.” |
Human-Centered AI pone a las personas en el centro del diseño, la operación y la evaluación de los sistemas. El objetivo no es conservar tareas humanas por principio, sino diseñar sistemas que aumenten capacidades, preserven control donde importa y hagan explícitos los límites de la automatización.
El valor humano se desplaza hacia la formulación del problema, el contexto, el pensamiento crítico, la creatividad, el juicio, la ética, la interpretación y la toma de decisiones.
| Principio | Implicación práctica |
|---|---|
| Amplificar y aumentar | Usar IA para extender capacidad humana, no para eliminar indiscriminadamente el juicio. |
| Transparencia y equidad | Hacer visibles fuentes, criterios, límites, sesgos potenciales y mecanismos de apelación. |
| Diseño participativo | Incluir a usuarios y expertos de dominio en diseño, validación y feedback loops. |
| Responsabilidad explícita | Definir quién es responsable del resultado, de los límites y de la escalación. |
En la ponencia “The Decisive Grain: Dismantling the Myth of Human-in-the-Loop AI”, el Dr. Charles C. Phiri plantea que la presencia de una persona no es, por sí misma, un mecanismo de control [8]. El control humano solo es real cuando la intervención humana puede cambiar el estado o la dirección del sistema.
Human control ≠ human presence
| Prueba de control humano | Pregunta |
|---|---|
| Evidence | ¿La persona puede aportar información o contexto que el sistema no tenía? |
| Authority | ¿Puede modificar, rechazar, detener o revertir una decisión? |
| Exit | ¿Existe una ruta alternativa cuando la automatización no puede resolver el caso con seguridad? |
| Accountability | ¿Existe un responsable identificable del resultado y de los límites dentro de los que opera la IA? |
El reto no es solo revisar el output, sino diseñar una arquitectura de autoridad que haga posible un control humano efectivo. Pero el control no se agota en revisar, aprobar o detener lo que la IA produce. Más que una verificación pasiva, la intervención humana de mayor valor es una dirección activa: definir casos de uso y objetivos claros, aportar datos propios de alta calidad, establecer parámetros precisos de seguridad y orientar la dirección general. Con ese marco, la IA ejecuta a escala.
| Modo | Rol de la IA | Rol humano |
|---|---|---|
| AI assists | Prepara información o borradores. | Decide. |
| AI recommends | Analiza y recomienda. | Acepta, modifica o rechaza. |
| AI acts with approval | Prepara una acción. | Autoriza antes de ejecutar. |
| AI acts within boundaries | Ejecuta dentro de límites definidos. | Monitorea, interviene por excepción y puede detener. |
| Agentic workflow | Encadena decisiones y acciones. | Diseña permisos, límites, stop rules, auditoría y accountability. |
La pregunta ya no es únicamente “¿dónde se coloca a un humano?”, sino “¿qué autoridad se delega a la IA, bajo qué límites, quién puede intervenir y qué ocurre cuando el sistema sale de esos límites?”.
Estas bases conceptuales (qué es la IA, cómo se clasifica y qué papel conserva el factor humano) permiten analizar cómo se está incorporando en el ecosistema de marketing, comunicación y publicidad en México.
El ecosistema de marketing, comunicación y publicidad en México ha pasado de la exploración inicial a una fase de adopción acelerada y experimentación aplicada. Entre 2024 y 2026, la IA, especialmente la generativa, se ha incorporado a las operaciones de marcas, agencias, medios y plataformas tecnológicas.
Sin embargo, persiste una brecha fundamental: la industria avanza rápidamente en la adopción táctica de IA, pero aún debe convertirla en una capacidad estratégica y organizacional. Su uso cotidiano todavía no se traduce en una transformación generalizada de los modelos operativos, las decisiones y el liderazgo empresarial. El uso individual de IA crece más rápido que su integración organizacional. Persisten diferencias en madurez, gobernanza, preparación de datos y medición de resultados; por ello, el desafío ya no es solo acceder a la tecnología, sino desarrollar capacidades para utilizarla sistemáticamente, con responsabilidad e impacto medible en el negocio.
Los datos disponibles permiten dimensionar esta brecha desde tres ángulos: uso, capacidades y confianza. En el uso, los profesionales de marketing en México se declaran entusiastas ante la IA aplicada a la publicidad (71.4%) y la emplean principalmente para trabajar con mayor efectividad (66.7%) y eficiencia (57.1%), más que para hacerlo de forma más creativa (42.9%). En capacidades, 42.9% considera que ni ellos ni sus equipos cuentan con las habilidades necesarias para aprovecharla. En confianza, las audiencias son más cautas: solo 43% de los consumidores se muestra entusiasta ante los anuncios con IA y 39% declara no confiar en la publicidad producida con ella. Su principal preocupación (60%) no es la tecnología en sí, sino que facilite la creación de anuncios falsos; el rechazo explícito es menor (28% afirma que le molesta).
En México, la IA ya interviene en distintas funciones de la cadena de valor, aunque con niveles de madurez diferentes:
Mientras las plataformas tecnológicas avanzan hacia la automatización de la planificación y optimización de medios, así como hacia sistemas capaces de ejecutar procesos de múltiples etapas, la industria mexicana enfrenta una transición decisiva: pasar de utilizar IA para producir más rápido a usarla de forma más estratégica y bien integrada a los procesos internos para tomar mejores decisiones y generar mayor valor.
La conversación comienza así a desplazarse de las herramientas hacia las decisiones estratégicas: qué automatizar, dónde mantener supervisión humana, cómo proteger los datos, preservar la diferenciación creativa y cómo evaluar el retorno de inversión. La siguiente etapa dependerá menos de la sofisticación tecnológica que de la capacidad de combinar datos, talento, creatividad, gobernanza y responsabilidad humana en nuevos modelos de trabajo y generación de valor, sin perder la confianza de las audiencias en el camino. Para comprender hacia dónde se orienta esa transición, resulta necesario revisar los temas que hoy concentran la conversación en la industria.
Nota metodológica. Consumidores: entrevistas en línea en México, personas de 16 a 65 años, n=600 (base de 579 en las preguntas sobre IA en publicidad). Profesionales de marketing: n=32 (base de 21 en las preguntas sobre IA). Top 2 Box: suma de “totalmente de acuerdo” y “algo de acuerdo”. Dado el tamaño de la base de profesionales, sus resultados son indicativos y no pueden generalizarse para toda la industria. Fuente: Kantar. (2025, 2026). Estudio Media Reactions.
En este contexto, la inteligencia artificial ya es una prioridad para la industria publicitaria. El 97% de las agencias en México la considera relevante para su negocio, pero solo el 19% de sus ejecutivos asume un papel de liderazgo en su adopción y más de la mitad todavía no cuenta con un presupuesto específico para desarrollarla. [11]
Esta diferencia entre intención y ejecución ayuda a entender buena parte de la conversación actual. La adopción tecnológica avanza, pero las decisiones sobre cómo integrarla a los modelos de negocio, desarrollar capacidades internas y establecer responsabilidades siguen tomando forma.
Los ocho temas que hoy forman parte de la agenda de ejes prioritarios del Grupo de Trabajo de IA de IAB México (adopción y madurez; talento y capacidades; medición, ROI y productividad; datos; casos de uso y creatividad; automatización y agentes; modelos de negocio y monetización; gobernanza y posicionamiento estratégico) reflejan distintos niveles de madurez. Algunos, como la adopción de herramientas, la automatización y los casos de uso, ya muestran avances concretos. Otros, como la gobernanza, la monetización y la medición del retorno, requieren cambios más profundos en la manera en que operamos.
En todos aparece un elemento común: el papel de las personas en las decisiones que se toman con ayuda de la tecnología.
En México, el uso de inteligencia artificial entre empresas medianas y grandes prácticamente se duplicó en menos de un año. En 2026, cerca de la mitad reportó utilizarla, frente a una cuarta parte que anteriormente declaraba usarla o tener planes de hacerlo. [14]
Sin embargo, la adopción no necesariamente implica integración. Dos de cada tres grandes organizaciones consultadas continúan trabajando en etapas piloto, sin haber escalado su implementación a toda la operación. [15] A nivel global, la brecha también es de integración entre funciones: 81% de los profesionales de marketing quiere que sus socios ofrezcan capacidades integradas en creatividad, medios, medios ganados y comercio, pero solo 45% siente que hoy está integrado [20].
En publicidad, los casos de uso más comunes ya forman parte del trabajo cotidiano: análisis de información, generación de contenido, escritura y producción. El ahorro de tiempo es el beneficio que más reportan las agencias. [11]
Ese tiempo recuperado abre posibilidades que van más allá de aumentar el volumen de entregables. Permite explorar más rutas creativas, experimentar con formatos, profundizar en el conocimiento de las audiencias y dedicar más atención a decisiones estratégicas. El reto está en que la eficiencia se traduzca en un mejor trabajo, no únicamente en producirlo más rápido.
La automatización también está evolucionando. Se inició con herramientas que asistían en tareas específicas y ahora se avanza hacia agentes capaces de ejecutar procesos completos, con distintos niveles de autonomía.
En septiembre de 2026, IAB Tech Lab presentó AAMP 3.0, un estándar que permite la comunicación entre agentes compradores y vendedores de publicidad. [16] Esto abre la posibilidad de que parte de la planeación, negociación y ejecución de campañas ocurra directamente entre sistemas.
A nivel global, 71% de los profesionales de marketing anticipa incrementar su inversión en comercio digital y compra agéntica, y la proporción de su gasto non-working (no destinado directamente a medios) en soluciones de IA pasaría de 7% a 17% en dos años [20].
El nivel de desarrollo todavía es distinto entre mercados. En Estados Unidos, las principales plataformas ya experimentan con agentes para la compra de medios en tiempo real. En Europa, las exigencias de protección de datos condicionan su implementación. En América Latina, los casos de uso siguen concentrándose principalmente en la optimización de presupuestos y la automatización de procesos.
Conforme estas capacidades evolucionen, será necesario definir qué decisiones pueden delegarse, bajo qué condiciones y quién asume la responsabilidad cuando algo sale mal. Son preguntas que involucran a agencias, anunciantes, medios y plataformas, y que requieren acuerdos compartidos.
La incorporación de IA también está cambiando las capacidades que requieren las organizaciones.
Los estudios muestran que los principales obstáculos no son exclusivamente económicos. Los procesos internos, la capacitación y la disponibilidad de talento especializado tienen un peso importante en la velocidad de adopción. [11]
Aprender a utilizar una herramienta puede ser relativamente sencillo. Desarrollar la capacidad de evaluar sus resultados, identificar errores, entender sus limitaciones y decidir cuándo conviene utilizarla requiere experiencia, formación y acompañamiento. Esto también modifica la manera en que se entiende el valor del trabajo.
El estudio de IAB México e IPADE introduce el concepto de AI-flation para describir la tensión que genera la eficiencia tecnológica en la relación comercial entre agencias y clientes. [11]
Si una tarea que antes requería varias horas ahora puede resolverse en menos tiempo, es natural que los anunciantes cuestionen cómo debería reflejarse esa eficiencia en sus inversiones.
Para las agencias, esto obliga a revisar modelos de remuneración que históricamente han estado ligados al tiempo de ejecución. El valor de una estrategia, una idea creativa o una recomendación de negocio no depende únicamente de las horas necesarias para producirla.
La conversación sobre monetización tendrá que incorporar de manera más clara el conocimiento, la experiencia, el criterio y los resultados que aporta cada equipo.
La velocidad de adopción también ha puesto sobre la mesa la necesidad de establecer reglas. IAB México ya cuenta con un Manifiesto de IA que plantea principios para su desarrollo y utilización responsable. [5] El siguiente paso es llevarlos a la operación cotidiana de las organizaciones.
Hoy poco más de un tercio de las grandes empresas consultadas cuenta con un marco de gobernanza aplicado. [3] Esto significa que una parte importante de la industria sigue utilizando herramientas sin necesariamente tener políticas consolidadas sobre el manejo de información, la validación de resultados o la asignación de responsabilidades.
El tema cobra especial relevancia para las agencias, donde distintos equipos trabajan con plataformas externas, información de clientes, datos de audiencias y materiales que pueden estar sujetos a derechos de propiedad intelectual o acuerdos de confidencialidad.
La calidad de los datos también determina qué tan confiables pueden ser los resultados. Para aprovechar la automatización se requieren fuentes verificables, procesos estandarizados y claridad sobre qué información puede utilizarse, compartirse o incorporarse a un sistema.
Mientras en México continúa la discusión legislativa sobre la regulación de la inteligencia artificial [17], existe una oportunidad para que la propia industria avance en la definición de estándares y buenas prácticas.
La gobernanza no tendría que entenderse como una barrera para innovar, sino como una condición para poder hacerlo con mayor confianza y a mayor escala.
Uno de los temas que todavía necesita mayor desarrollo es la medición del retorno de inversión.
El ahorro de tiempo es un indicador útil, pero insuficiente para demostrar el valor de la IA. También es necesario considerar el tiempo que los equipos dedican a revisar, corregir y validar los resultados generados.
En las agencias, la medición del ROI ya aparece entre los principales desafíos de adopción. [11] A nivel global, 54% de los profesionales de marketing señala hoy los datos históricos de medición y de Marketing Mix Modeling (MMM) como un factor de gran influencia en la asignación de su inversión en medios, proporción que bajaría a 46% en dos años, mientras que la innovación y las nuevas capacidades de plataforma pasarían de 24% a 47% [20].
A medida que aumente la automatización, será importante contar con métricas comparables entre medios, mecanismos de verificación independientes y mayor conexión entre los resultados de las campañas y los objetivos de negocio de los anunciantes.
La posibilidad de integrar información de ventas, por ejemplo, permitiría evaluar las inversiones publicitarias por su contribución al negocio y no únicamente por indicadores de eficiencia en medios.
También es necesario medir qué sucede con el tiempo que se libera. Si la automatización permite que los equipos dediquen más recursos a la estrategia, la creatividad o el análisis, sería necesario poder identificar cómo mejora eso la calidad del trabajo y sus resultados.
La confianza sigue siendo uno de los factores que más influyen en la profundidad con la que las organizaciones están dispuestas a integrar inteligencia artificial.
En México, tres de cada cuatro grandes organizaciones reportan niveles bajos o moderados de confianza en la IA para tomar decisiones de negocio. [15]
Entre los consumidores encontramos una tensión similar. Aunque uno de cada tres ya utiliza asistentes de IA para investigar marcas, menos de una cuarta parte confía en sus recomendaciones. [7]
Desde la conversación digital también se empiezan a observar cambios. El monitoreo de Primetag y Gravity sobre redes sociales en México muestra que el crecimiento de la conversación alrededor de la IA se ha estabilizado y que los contenidos asociados con autenticidad y criterio humano generan una respuesta relevante frente a aquellos centrados únicamente en la tecnología. [19]
Estos hallazgos son importantes para una industria que trabaja directamente con la construcción de confianza, la influencia y las relaciones entre marcas y personas.
La IA puede ampliar las capacidades de análisis, producción y personalización, pero no sustituye la necesidad de entender contextos culturales, interpretar comportamientos o tomar decisiones con sensibilidad frente a las audiencias.
Por eso, y como se planteó en el apartado I, hablar de human in the loop implica algo más que incorporar una revisión humana al final de un proceso automatizado. Significa mantener la participación de las personas desde la definición del problema hasta la evaluación del resultado, con responsabilidades claras sobre las decisiones que se toman.
La industria ha avanzado considerablemente en el acceso y la experimentación con inteligencia artificial. Ahora es necesario que ese aprendizaje se convierta en capacidades organizacionales, modelos de negocio sostenibles y resultados demostrables.
Esto requiere liderazgo, inversión, capacitación y acuerdos sobre cómo utilizar la tecnología de manera responsable. También exige reconocer que no todas las decisiones deben automatizarse y que el criterio humano sigue siendo fundamental para determinar dónde y cómo generar valor.
Los ocho temas del Grupo de Trabajo están conectados por esa necesidad de pasar de la experimentación a una integración más estratégica.
La oportunidad para agencias, marcas, medios, plataformas y creadores está en participar activamente en la definición de cómo trabajar con inteligencia artificial, qué capacidades desarrollar y qué estándares construir como industria. Esa definición de capacidades y estándares se traduce en decisiones concretas para las organizaciones, que se analizan a continuación.
Hacia 2027, las decisiones deben desplazarse de la obtención de licencias y pruebas aisladas hacia cuestiones estructurales como definir dónde genera realmente valor la IA.
Una gran decisión está en los datos y el conocimiento propio, las ventajas competitivas no dependen únicamente de acceder al modelo más avanzado, sino de conectarlo de forma segura con información que otros no poseen, como datos de clientes, research, comportamiento, aprendizajes de campañas, catálogos, contenidos, lineamientos de marca y conocimiento comercial. En este sentido, la conversación debe evolucionar hacia una visión más amplia de activos propios de información y conocimiento. Ante la pérdida de identificadores tradicionales y los cambios regulatorios de privacidad, esto implica privilegiar datos de primera fuente obtenidos con consentimiento.
Otra decisión será definir qué autoridad otorgar a la IA. Por ejemplo, la IA generativa ha operado principalmente como copiloto: propone, analiza o produce, mientras una persona decide. Los sistemas agénticos permiten avanzar hacia la ejecución autónoma de procesos de múltiples pasos, sin embargo, una mayor autonomía no equivale necesariamente a mayor madurez. Cuanto más cerca esté un sistema de publicar contenidos, utilizar datos personales, modificar presupuestos o interactuar directamente con consumidores, mayor debe ser la claridad sobre límites, autorización y supervisión humana. Por ello, la intervención humana de mayor valor no se limita a supervisar al final del proceso, sino que consiste en ejercer una dirección activa, como se plantea en el apartado I.
Esto conduce a una de las principales tensiones del momento: automatización versus criterio humano. La transformación no consiste simplemente en sustituir personas, sino en rediseñar tareas, responsabilidades y capacidades. El valor profesional se desplazará progresivamente desde la ejecución repetitiva hacia la formulación de problemas, interpretación de datos, evaluación crítica de outputs, diseño de procesos humano-IA, conocimiento del contexto y criterio estratégico.
Otra tensión central es eficiencia versus diferenciación. La IA permite producir más contenidos y variaciones a menor costo, pero producir más no significa necesariamente construir marcas más distintivas. Como se señaló en el apartado II, la IA multiplica el talento creativo, sin sustituto: la narrativa emocional, el concepto central y la dirección estratégica siguen siendo el diferenciador. Y la escala ya es una opción real: a nivel global, 58% de los profesionales de marketing consideraría a las plataformas de IA y agénticas como socio para el desarrollo y la producción creativa con IA [20].
Sin embargo, un mayor uso de las herramientas puede aumentar el riesgo de no lograr una fuerte diferenciación de marca en su comunicación; por ello, se debe considerar el valor del insight cultural, del conocimiento profundo del consumidor, de los activos distintivos de marca y del juicio creativo. La IA puede eficientar la producción, pero no necesariamente la relevancia.
También emerge la tensión entre velocidad y gobernanza. Aunque en México existen discusiones normativas en curso [17], las organizaciones podrían ir definiendo qué información puede utilizarse, qué proveedores pueden procesarla, quién responde por decisiones automatizadas y qué usos requieren aprobación humana.
En paralelo, la IA está presionando el modelo económico entre marcas, agencias y proveedores, ciertas tareas requieren cada vez menos tiempo y, por lo tanto, la relación entre horas trabajadas y valor entregado se vuelve menos directa. Esto no implica que desaparezcan los modelos basados en tiempo, pero sí aumenta la relevancia de esquemas que reconozcan estrategia, propiedad intelectual, tecnología, resultados y valor de negocio.
Finalmente, la tensión más importante puede ser productividad versus impacto de negocio. Más variables, más campañas automatizadas o más horas ahorradas son indicadores de actividad, no necesariamente de valor, la adopción madura requiere conectar la IA con ventas incrementales, conversión, retención, margen, satisfacción, construcción de marca y velocidad de aprendizaje.
La adopción madura de IA no consiste en maximizar una sola variable. Consiste en administrar tensiones de forma consciente, con evidencia y criterios de decisión definidos antes de escalar.
|
Tensión |
Pregunta ejecutiva |
Framework |
|
Gain vs. Pain |
¿El valor potencial justifica dificultad, costo y riesgo? |
Gain/Pain |
|
Ambición vs. madurez |
¿Existe capacidad organizacional para operarlo, no solo para demostrarlo? |
Lente de madurez + readiness |
|
Experimentación vs. escalabilidad |
¿Existe suficiente evidencia para avanzar al siguiente nivel? |
Go / Conditional-Go / Not Ready Yet + Stage Gates |
|
Valor vs. viabilidad técnica |
¿Funciona técnicamente y además genera suficiente valor? |
Kill / Pause / Continue / Expand |
|
Velocidad vs. falsa precisión |
¿Qué puede estimarse razonablemente con la información disponible? |
Estimación Fermi |
|
Upside vs. downside |
¿Cuál es la distribución probable de resultados y el riesgo de pérdida? |
Monte Carlo |
|
Eficiencia vs. valor estratégico |
¿Solo se hace lo mismo más barato o se están creando capacidades nuevas? |
Value Horizons / unit economics |
|
Automatización vs. criterio humano |
¿Qué puede ejecutar la IA y dónde debe mantenerse juicio, autoridad o aprobación humana? |
Human-Centered AI + control efectivo |
|
Velocidad vs. gobernanza |
¿Qué controles permiten avanzar sin introducir riesgos inaceptables? |
NIST AI RMF + Manifiesto IAB |
|
Tecnología vs. capacidades |
¿Se invierte solo en herramientas o también en datos, talento, procesos y cambio? |
TCO + madurez |
|
Volumen vs. relevancia |
¿La escala agrega valor o solamente más contenido? |
Manifiesto IAB |
La madurez se manifiesta en la capacidad de decidir conscientemente dónde situarse en cada tensión y de revisar esa posición cuando cambia la evidencia.
Para administrar estas tensiones con evidencia y criterios definidos antes de escalar, se plantean los siguientes marcos de decisión.
Gain pregunta cuánto vale el resultado si la iniciativa funciona. Pain pregunta qué tan difícil, costoso y riesgoso es lograrlo. El objetivo es evitar que la sofisticación tecnológica sustituya a la priorización de negocio.
|
Gain |
Pain bajo |
Pain alto |
|
Gain alto |
PRIORITAR: quick wins con valor material. |
EXPERIMENTAR Y VALIDAR: alto potencial, pero requiere evidencia y control. |
|
Gain bajo |
AUTOMATIZAR SOLO SI ES SIMPLE: revisar si una regla o herramienta convencional basta. |
NO PRIORIZAR: complejidad desproporcionada frente al valor. |
Regla de disciplina: si una regla, lookup table, checklist o automatización convencional resuelve el problema, no hay que agregar IA solo por agregar IA.
|
Decisión |
Cuándo aplica |
Acción |
|
GO |
Data, proceso, integración, ownership y governance son suficientemente maduros. |
Escalar con controles y métricas. |
|
CONDITIONAL-GO |
El caso es prometedor, pero hay brechas concretas. |
Convertir las brechas en precondiciones y stage gates. |
|
NOT READY YET |
Múltiples fundamentos siguen inmaduros. |
Invertir primero en capacidades y reevaluar después. |
La decisión de readiness es una decisión de negocio, no una decisión tecnológica.
|
Gate |
Pregunta |
Evidencia mínima |
|
G0 · Problema |
¿Existe un problema material y una hipótesis de valor? |
Sponsor, datos accesibles, hipótesis específica y cuantificable. |
|
G1 · Proof of Concept |
¿Funciona técnicamente? |
Baseline, golden dataset, integración factible, costos dentro de rango. |
|
G2 · Piloto controlado |
¿Mejora resultados reales? |
KPI vs. control, adopción, SLA, revisión de riesgos. |
|
G3 · Producción |
¿Puede operarse de forma segura y sostenida? |
Monitoreo, fallback, incident response, compliance. |
|
G4 · Scale & Expand |
¿Los economics se sostienen a escala? |
Unit economics, ROI, operating model y siguiente unidad identificada. |
Un stage gate no es una fecha ni un milestone. Es una decisión: ¿existe suficiente evidencia para seguir financiando y ampliando el alcance?
|
Valor de negocio bajo |
Valor de negocio alto |
|
|
Confianza técnica alta |
PAUSE: la tecnología funciona, pero la hipótesis de valor no está demostrada. |
EXPAND: valor y viabilidad demostrados; escalar. |
|
Confianza técnica baja |
KILL: ni valor ni viabilidad justifican más inversión. |
CONTINUE: el valor es claro, pero deben resolverse bloqueos técnicos con tiempo y presupuesto acotados. |
|
Función |
Propósito |
|
GOVERN |
Definir cultura, políticas, roles, accountability y prácticas de gestión de riesgo. |
|
MAP |
Entender contexto, usuarios, impactos, supuestos y riesgos del caso de uso. |
|
MEASURE |
Evaluar, probar, monitorear y documentar desempeño, confiabilidad y riesgos. |
|
MANAGE |
Priorizar riesgos, actuar sobre ellos y revisar decisiones a medida que cambia el contexto. |
|
Categoría TCO |
Incluye |
|
People |
Talento, product owners, data/ML, arquitectura, capacitación y soporte. |
|
Infrastructure |
Cómputo, almacenamiento, redes, ambientes y operación. |
|
Data |
Adquisición, limpieza, etiquetado, calidad, permisos y mantenimiento. |
|
Platform & Tools |
APIs, MLOps/LLMOps, observabilidad, seguridad y tooling. |
|
Change & Governance |
Rediseño de procesos, adopción, training, legal, compliance, auditoría y risk management. |
|
Comprar acceso a un modelo puede ser rápido. Construir capacidad sostenible requiere invertir en datos, procesos, talento, gobernanza y cambio organizacional. |
|
Horizonte |
Pregunta de valor |
Ejemplo en marketing |
|
H1 · Eficiencia |
¿Se hace lo mismo más rápido o barato? |
Generar borradores, resumir, automatizar tareas repetitivas. |
|
H2 · Calidad |
¿Mejora la decisión o la experiencia? |
Mejor segmentación, mayor relevancia, mejor respuesta al cliente. |
|
H3 · Transformación |
¿Es posible hacer algo que antes no era viable? |
Personalización dinámica, agentes de compra, nuevas experiencias y modelos de servicio. |
Los frameworks anteriores pueden integrarse en un solo sistema de decisión. El objetivo es pasar de “tenemos una herramienta de IA, ¿dónde la usamos?” a una secuencia disciplinada que empieza por el problema y termina en evidencia de valor.
|
Paso |
Pregunta |
Herramienta |
|
1. PAIN / GAIN |
¿Vale la pena resolverlo? |
Gain/Pain |
|
2. MADUREZ / READINESS |
¿La organización está preparada para hacerlo? |
Lente de madurez + readiness |
|
3. FERMI |
¿Los economics tienen sentido aproximadamente? |
Rangos y sensibilidad |
|
4. PILOTO / STAGE GATE |
¿Qué evidencia debe obtenerse antes de invertir más? |
G0–G4 |
|
5. MONTE CARLO |
¿Qué ocurre al incorporar incertidumbre? |
Distribución de resultados |
|
6. PORTFOLIO DECISION |
¿Escalar, continuar, pausar o detener? |
Kill / Pause / Continue / Expand |
|
7. GOVERN + HUMAN CONTROL |
¿Cómo se opera de forma responsable? |
NIST + Evidence / Authority / Exit / Accountability |
|
8. MEASURE → LEARN → REASSESS |
¿Está creando valor sostenido? |
Unit economics, adopción, riesgo y feedback loops |
Primero el problema. Después evidencia. Luego tecnología. Finalmente escala.
|
Caso |
Decisión madura |
|
Contenido generativo |
No medir éxito por número de piezas. Evaluar relevancia, calidad, brand safety, IP y efecto en negocio. |
|
Optimización de medios |
Separar recomendación de ejecución. Definir límites de presupuesto, stop rules, trazabilidad y posibilidad de override. |
|
Customer service |
Determinar qué consultas pueden automatizarse, cuáles requieren evidencia y cuándo debe existir handoff humano. |
|
Social listening / insights |
Distinguir señal digital de representatividad. Usar IA para detectar patrones, no para declarar causalidad o opinión poblacional sin evidencia. |
|
Agentes |
Diseñar permisos, herramientas disponibles, límites de acción, monitorización, logs, rollback y accountability. |
|
Personalización |
Balancear performance con privacidad, equidad, transparencia y control de datos. |
|
Creatividad |
Usar IA para ampliar exploración sin confundir volumen con originalidad, diferenciación o valor cultural. |
Estas decisiones y tensiones no se resuelven una sola vez: la forma en que se administren definirá las prioridades que enfrentará la industria hacia 2027.
Qué sigue: de la experimentación a la creación de valor
Los datos presentados en el apartado II muestran una paradoja relevante. Los profesionales de marketing presentan altos niveles de entusiasmo y uso de IA para mejorar eficiencia y efectividad, mientras que una proporción importante considera que faltan habilidades para aprovecharla plenamente. Al mismo tiempo, los consumidores muestran apertura hacia la IA, pero mantienen preocupaciones relevantes sobre autenticidad, confianza y anuncios falsos.
Esto sugiere que hacia 2027 la conversación dejará de centrarse en “usar IA” y se enfocará en seis preguntas más complejas:
Hipótesis para 2027: la brecha competitiva no estará entre empresas que usan IA y las que no, sino entre aquellas que tienen una estrategia integrada y aquellas que operan mediante experimentos aislados.
Una prioridad emergente: IA Agéntica
Al considerar la evolución más reciente de la IA, surge una sexta prioridad que probablemente dominará la agenda hacia 2027:
Hacia 2027, la ventaja competitiva no provendrá del acceso a la inteligencia artificial, sino de la capacidad para convertirla en confianza, criterio y valor de negocio. La siguiente etapa de la adopción estará definida menos por la tecnología disponible y más por la madurez organizacional, el desarrollo de talento, la medición rigurosa del impacto y la capacidad de integrar la supervisión humana en cada decisión relevante. Las organizaciones que logren equilibrar innovación y confianza serán las que capturen el mayor valor de la IA en marketing y publicidad.
Documento elaborado por algunos integrantes del Grupo de Trabajo de Inteligencia Artificial de IAB México.
Coordinación del entregable
Redacción
Retroalimentación y revisión