No hay atajos tecnológicos en la toma de decisiones estratégicas de mercadeo. Reemplazar el conocimiento estructurado del consumidor por respuestas generativas estandarizadas conduce a la homogeneización y la pérdida de diferenciación. Las etapas clave de la decisión —definición del problema, diseño de modelos y elección— requieren un criterio gerencial indelegable.

Un faraón le pidió al mejor matemático de su tiempo un truco para aprender rápidamente y sin esfuerzo. El faraón era nada más y nada menos que Ptolomeo I Sóter y el matemático era nada más y nada menos que Euclides. Su respuesta fue una tremenda bofetada al interés, tan antiguo como actual, por los atajos.

Euclides es el padre de la geometría y quizá el matemático más influyente de la historia. Sus obras se estudiaron por más de dos mil años y siguen vigentes. Pero su ciencia no era fácil (para la mayoría tampoco lo es ahora). Requería muchas horas de estudio, esfuerzo y paciencia. Su conocimiento se desarrolla trabajando paso a paso, con la demostración de cada teorema. No había forma de entenderla en una sola pasada; exigía trabajo verdadero construyendo piedra sobre piedra, «como todo lo que merece la pena».

Un día, Ptolomeo llamó a Euclides: quería aprender geometría. Pero el faraón necesitaba que esta «transferencia» de conocimiento fuese fácil y rápida: tenía una agenda muy ocupada. El faraón le preguntó a Euclides si existía una manera corta y fácil de dominar su conocimiento. El sabio no se impresionó con la petición de tan poderoso hombre; le dio una respuesta tan vigente como sus conocimientos de geometría. Con la humildad del que sí conoce, le respondió: «Para la geometría no hay camino real».[1]

En los interesantísimos tiempos que corren esa respuesta está más vigente que nunca. Las personas viven rodeadas de promesas de atajos, de vías rápidas. En lo cotidiano, reciben un bombardeo de promesas para aprender idiomas en pocas semanas, hacerse ricos en pocos meses y hasta bajar de peso en 28 días y sin sudar…

Si se traslada la escena ocurrida hace más de dos mil años a las actuales salas de juntas de mercadeo es posible encontrar un panorama inquietantemente parecido. En el ámbito del mercadeo actual, la irrupción masiva de la inteligencia artificial (IA) y los modelos de lenguaje a gran escala (LLM) ha hecho resucitar la antigua ilusión de Ptolomeo: una vía rápida y hasta mágica para obtener respuestas estratégicas complejas, sin necesidad de hacer un análisis suficientemente estructurado, sistémico, crítico y creativo.

La ilusión del atajo en el mercadeo moderno

Desde la perspectiva de la analítica de datos aplicada a mercadeo, se observa la sustitución del conocimiento estructurado —la comprensión y el estudio integral del consumidor, así como el análisis sistemático del mercado— por soluciones «estandarizadas» propuestas por la IA. Si bien es cierto que las labores estratégicas y tácticas inherentes al mercadeo implican una carga de trabajo, con mucha presión de tiempo, también lo es que muchos profesionales están cediendo en la delegación de elementos clave de sus responsabilidades como encargados de tomar decisiones.

La IA aporta grandes ventajas en la eficiencia operativa y la exploración de hipótesis: debe ser vista siempre como un medio y no como un fin.

En un modelo de analítica aplicado a mercadeo, las decisiones tienen componentes clave. Se parte de una etapa de inteligencia en la que se define el «problema»; es decir, la discrepancia entre una situación ideal (planteada en metas y objetivos) y una situación real (evidenciada por los datos). Esta etapa tiene un componente estratégico profundamente gerencial y muy difícil de delegar a la IA.

Una segunda etapa consiste en diseñar un «modelo» o representación simplificada de la realidad: no se toman decisiones sobre los datos, sino más bien sobre modelos que representan lo mejor posible la realidad. Los modelos producen diferentes alternativas o soluciones, de modo que en una tercera etapa estas soluciones se identifican y evalúan (en este punto puede ayudar la IA). En la tercera etapa ocurre la «elección»: se compara, se elige y se recomienda la posible mejor solución al problema dadas las circunstancias. Aquí también se asumen riesgos y consecuencias por decisiones y recomendaciones.

Delegar este proceso a la IA implica muchos riesgos. La IA tiene limitaciones para entender la dinámica que hace único a un negocio. Trabaja con secuencias probabilísticas basadas en indicadores estadísticos de gigantescos volúmenes de datos extraídos de internet. En tal sentido, propende a una solución promedio. ¿Quién se sometería a un especialista médico que aplique tratamientos basados en la media de las patologías? ¿Cuán justa sería la decisión de un juez basada en el patrón más frecuente en la comisión de algún delito? En mercadeo cada negocio es único, por su estrategia, mucho más cuando se dirige hacia las particularidades de cada cliente, tal como dictan las nuevas tendencias.

El problema no está en la tecnología en sí misma que, de hecho, llegó para quedarse y quien no la adopte estará condenado a la extinción. El problema radica en una confusión conceptual entre las soluciones a problemas de negocio y la construcción del conocimiento estratégico capaz de lograr diferenciación, innovación y reducción de la incertidumbre en las decisiones.

Bondades y retos: el verdadero lugar de la inteligencia artificial

Los tiempos que corren requieren mucha madurez y criterio equilibrado. La humanidad ha pasado por saltos tecnológicos importantes en el pasado que han propiciado importantísimos avances en muchos aspectos. Es necesario reconocer las enormes potencialidades y capacidades que las nuevas herramientas pueden ofrecer al mundo de los negocios y, muy en particular, al mercadeo. Pero hay que verlas como medios y nunca como un fin.

Uno de los grandes avances aportados por la tecnología es la automatización de tareas repetitivas que hasta hace poco consumían más del sesenta por ciento del esfuerzo en un proyecto de analítica para decisiones de mercadeo, tales como preprocesamiento, exploración y transformación de los datos. La posibilidad de ajustar múltiples modelos y producir escenarios que se puedan valorar y modificar tienta a pensar que es posible crear el futuro.

Las aplicaciones en experimentación y optimización pueden proponer las mejores ideas estratégicas por la multiplicidad de circunstancias que pueden tomar en cuenta. La democratización del acceso en analítica permite que perfiles no necesariamente técnicos puedan interactuar con sus datos mediante el lenguaje natural, como si estuvieran conversando y agilizando las decisiones. Estas son solo algunas de las ventajas ineludibles que se presentan como realidades.

Luego surge el reto de no confundir mejoras y eficiencia en lo operativo con la capacidad de diseñar y lograr objetivos estratégicos. Es aquí donde hay que separar el uso de la herramienta como poderoso catalizador para mejorar la productividad de la disciplina crítica y visión sistémica estratégica. Los resultados de un buen modelo de analítica aplicado a decisiones de mercadeo no se miden por lo rápido que se obtienen, sino por la capacidad de desarrollo para hacer cada vez mejores preguntas y por la profundidad del conocimiento alcanzado en un contexto siempre retador.

La pirámide de datos, información, conocimiento y sabiduría (DIKW, por su sigla en inglés) parte de los hechos que son abundantes, pero desordenados. Luego, cuando se identifica un propósito para estos datos se puede empezar a hablar de información, pero esta no es conocimiento hasta que se comprenda y, sobre todo, se divulgue. Finalmente, se llega al nivel de sabiduría cuando se sabe qué hacer con el conocimiento para tomar las mejores decisiones. Hoy sabiduría es, también, saber qué preguntarle a la IA. La inquietud mayor viene de una creciente práctica de preguntar a un chat antes de haber observados datos, identificar un propósito y comprender patrones y relaciones de forma irreflexiva.

El riesgo de la homogeneización: un atentado contra la diferenciación

Recientemente, un gerente de mercadeo de una empresa importadora de víveres comentó sobre una recomendación provista por la IA para resolver un problema de negocio. Ante cierto cuestionamiento de sus interlocutores, la justificación fue que una gran empresa nacional de consumo masivo estaba aplicando la misma solución. Le habían compartido las instrucciones (prompts). A los pocos días un colega del viejo continente confesó que estaba haciendo lo mismo. Ante una pregunta similar, la respuesta es similar.

La tecnología no tiene la culpa. Los gerentes son los que hacen un mal uso cuando desconocen que cada empresa opera en un mercado distinto, con una realidad sensiblemente diferente. Es posible que la identificación de esta extraña coincidencia haya ocurrido porque en el entorno de negocios existe la posibilidad de comunicarse con diversos gerentes. Pero la pregunta es si quien toma decisiones con la IA está consciente de que la respuesta puede llevarlo a la indiferenciación. Quizás su competidor está ejecutando la misma estrategia.

La delegación excesiva en IA promueve la atrofia del pensamiento crítico: reduce al profesional a un ejecutor intercambiable.

De aquí nace una reflexión vital. ¿Se está haciendo el mejor uso de la IA? ¿Se están diseñando las instrucciones adecuadas a la realidad y la potencialidad del mercado local con base en criterios estratégicos, pensamiento crítico y datos propios? ¿Se ha entendido el potencial que ofrece la IA como reforzador y amplificador de las competencias gerenciales propias o solo se está resolviendo una coyuntura mediante un «atajo»?

¿Qué sucede cuando cientos de marcas competidoras de una misma industria utilizan las mismas herramientas de IA, configuradas con instrucciones similares, para definir sus arquetipos de clientes, su posicionamiento, sus propuestas de valor y sus estrategias de comunicación? La respuesta es inevitable: la convergencia hacia el promedio y la homogeneización estratégica.

La gran mayoría de los modelos de IA generativa se entrenan o aprenden a partir de un cuerpo de conocimiento público previo, generalmente tomado de bancos de datos digitales en la red. Luego existe un creciente riesgo de adoptar recomendaciones que tienden hacia lo promedio, lo estándar, lo común y, sobre todo, lo predecible. Esto ciertamente puede manejarse y procurar su control, pero hay que «saber» hacerlo.

El efecto más común es que estas recomendaciones se tomen directamente. Si bien las propuestas suenan coherentes y armonizan con la teoría, en realidad carecen del espíritu propio de cada marca, empresa o negocio. Se puede encontrar la paradoja de empresas que buscan «diferenciación» construyendo una marca que suena exactamente igual a las demás porque faltó el espíritu propio (la voz propia) y se confió en el medio usado. Incluso se llega a declarar: «Esta es la diferenciación propuesta por la IA». Cuando esto ocurre, con seguridad, la marca será intercambiable en la mente de los consumidores.

Otro problema es que los modelos pueden inventar patrones. Se sabe que la IA tiene «alucinaciones». Muchas veces estos resultados pueden parecer increíblemente coherentes y razonables, pero las decisiones que se tomen con ellos están basadas en premisas falsas o inexistentes. Esto se puede controlar, pero requiere conocimiento.

También suelen obtenerse propuestas y resultados que no se ajustan al contexto local, cultural y sectorial del negocio. Si no se le proporciona, la IA desconoce la dinámica operativa interna. Lo mismo ocurre con los matices culturales de un mercado específico o la fricción emocional real que experimenta un usuario al interactuar con un servicio. Todo este conocimiento debe suministrársele para obtener un resultado óptimo. Ello requiere un banco de conocimiento, así como una disciplina crítica y sistémica.

Lo más delicado de todo es la paulatina «atrofia» de las potencialidades del profesional de mercadeo, que poco a poco irá cayendo en la dependencia de la herramienta hasta que su valor en las decisiones sea irrelevante. En el mejor de los casos se convierte en un simple ejecutor, intercambiable con cualquier otro profesional del mercadeo (o de cualquier área).

La diferenciación también afecta al profesional. Un especialista que sabe obtener lo mejor de las herramientas de IA es muy bien valorado, pero para eso se necesita «sabiduría». Lo recomendado es mantener la disciplina de bajar a los datos, cuestionar críticamente las fuentes, los procesos y resultados, comprender y evaluar alternativas para no perder el foco en la jerarquía del conocimiento que facilita y refina la capacidad de diagnóstico estratégico.

Construir «piedra sobre piedra»: la analítica de datos como disciplina

Euclides no construyó su conocimiento con atajos, sino mediante una estructura en la que cada elemento se sostenía sobre la demostración del anterior. La analítica para mercadeo exige la misma actitud intelectual. Quien quiera construir un conocimiento profundo del mercado —que permita innovar, establecer diferencias significativas y difíciles de replicar por competidores, o simplemente tomar las mejores decisiones, según las circunstancias— necesita trabajar piedra sobre piedra.

El profesional necesita «ensuciarse» con los datos, sean propios o captados mediante mediciones que es capaz de comprender. No se tiene que inventar la rueda todos los días. Los métodos ofrecen abordajes objetivos que libran al profesional de la tentación de confirmar sus creencias y enriquecen su criterio y pensamiento estructurado.

La analítica de mercadeo exige construir el conocimiento «piedra sobre piedra» a partir de la inmersión en los datos y métodos rigurosos.

La IA potencia las capacidades, pero debe haber capacidades. Los elementos estratégicos, la interpretación del contexto, la conexión emocional, la responsabilidad ética, en general, la «sabiduría» deben estar bajo control humano. La IA no es un «atajo», porque exige el compromiso responsable de quien la usa. En los próximos años se verá cómo esta herramienta sustituirá a muchos profesionales. Quizás la mayoría porque no la usan, otros porque la usan mal. Lo más doloroso será observar profesionales que usan la IA, pero su aporte humano resulta irrelevante.

El esfuerzo estratégico tiene un valor irrenunciable

La tecnología es una bendición para el profesional de la analítica de datos aplicada al mercadeo moderno, siempre y cuando se entienda como una herramienta de amplificación y no de reemplazo. La IA está en pleno desarrollo y es imposible en este momento fijar límites. Pero no puede sentir empatía por el cliente, entender la visión a largo plazo de una marca ni asumir la responsabilidad de un fracaso estratégico.

No existen atajos hacia una ventaja competitiva duradera. Las empresas que se destaquen en la próxima década no serán las que utilicen la IA para pensar menos, sino las que la utilicen para pensar más profundamente, las que combinen la potencia del cálculo algorítmico con la disciplina del estudio estructurado, el análisis de datos riguroso y el criterio humano insustituible.

Como enseñó Euclides hace más de 2200 años: en el arte de construir conocimiento verdadero, sea en la geometría o en la estrategia de mercadeo, no existen caminos «reales» (para reyes o en el caso de Ptolomeo, faraones). El precio de la excelencia sigue siendo el mismo: estudio, rigor, paciencia y trabajo constante «en todos los niveles», dentro de una organización orientada al mercado.

José Felipe Prat, profesor del IESA

Suscríbase aquí al boletín de novedades (gratuito) de Debates IESA.

Notas:

[1] Melogno, P. (2011). Los elementos de Euclides y el desarrollo de la matemática griega. En P. Melogno, P. Rodríguez y M. S. Fernández (comps.), Elementos de historia de la ciencia (pp. 61-80). Departamento de Publicaciones, Unidad de Comunicación de la Universidad de la República José Enrique Rodó (p. 63). https://dialnet.unirioja.es/servlet/articulo?codigo=6075780