La auditabilidad como prerequisito: por qué el marketing con IA necesita trazas, no solo respuestas.

El análisis de Chatterji et al. sobre más de 1.500 organizaciones y más de 17 millones de mensajes en ChatGPT Enterprise hasta marzo de 2026 revela un dato que debería reconfigurar cómo los departamentos de marketing planifican su adopción de IA: la intensidad de uso es especialmente elevada entre trabajadores de menor antigüedad (early-career workers) [6]. Esto invierte la intuición habitual de que la IA se adopta top-down. En marketing, los analistas junior, los coordinadores de campaña y los ejecutivos de cuentas están usando herramientas generativas con más intensidad que sus directores — pero probablemente con menos supervisión sobre la calidad de las trazas.

La adopción se concentra en empresas de mayor tamaño, mayor valoración y mayor intensidad de gasto en I+D y SG&A [6]. La categoría SG&A — que incluye marketing y ventas — no es un accidente: es precisamente donde el trabajo del conocimiento es más diverso y menos estandarizado, y donde los LLMs encuentran más superficie de aplicación. Que el uso abarque redacción, trabajo técnico, comunicación y síntesis de información [6] confirma que no estamos ante una herramienta de nicho sino ante una infraestructura transversal.

Leshchikova et al. identifican una asimetría que la industria del marketing agéntico está ignorando: la disposición a enviar comunicación mediada por un agente y la disposición a recibirla son constructos distintos — altamente correlacionados (ρ = 0,92) pero separables [10]. El estudio, basado en dos encuestas a gran escala (N = 2.894 y N = 2.617), demuestra que diseñar un chatbot de ventas o un agente de prospección que funcione bien desde la perspectiva del emisor no garantiza que el receptor lo acepte.

Grispos y Qureshi añaden otra capa al documentar que, en aplicaciones móviles de e-commerce en Nigeria, la IA está ampliamente implementada pero la transparencia sobre su uso permanece limitada [5]. Los mecanismos de divulgación no informan adecuadamente a los usuarios sobre qué funcionalidades de IA están activas. Creemos que esta falta de transparencia no es solo un problema ético — es un riesgo de negocio. Un usuario que descubre a posteriori que interactuó con un agente sin saberlo tiene una reacción más negativa que uno al que se le ofreció un mecanismo de opt-in claro.

Kato y Kato formalizan el problema del handover de estado ICL entre sesiones [7]: cuando la conversación supera el límite de contexto o la aplicación se reinicia, qué información se transmite determina si el agente que continúa produce salidas equivalentes al original. En marketing, esto ocurre constantemente — un chatbot de atención al cliente que pasa de un turno a otro, un agente de planificación de medios cuya sesión se interrumpe. Los autores demuestran que la tensión entre recuperación exacta del material anterior y preservación de la distribución objetivo de respuestas no es trivial de resolver [7].

Y cuando medimos la calidad de nuestros agentes, ¿con qué la medimos? Koren, Bar-Haim y Goldsteen documentan que los benchmarks de agentes conversacionales orientados a tareas pueden contener tareas inconsistentes, escenarios simplistas y cobertura limitada de políticas [3]. Su framework sin referencia usa jueces LLM para diagnosticar estas debilidades. La implicación para marketing: si evaluamos un agente de servicio al cliente contra un benchmark deficiente, los resultados son directamente engañosos [3].

Wu argumenta que concatenar múltiples fuentes en un único prompt conflaciona la interpretación de cada fuente con la agregación de decisiones, y que separar ambas operaciones es estructuralmente necesario [8]. La interfaz que propone — una tupla de evidencia de cuatro campos: hypothesis, reliability bucket, rationale y provenance — es exactamente el tipo de disciplina arquitectónica que necesitan los sistemas de marketing que consolidan datos de múltiples plataformas publicitarias, CRMs y herramientas de analytics [8]. El fallo que identifica — count-scale drift en la agregación — es el equivalente LLM de sumar métricas con unidades distintas sin normalizar.

Desde IDO, la tesis que defendemos es esta: la madurez de un equipo de marketing en IA no se mide por cuántos agentes ha desplegado, sino por cuántos de esos agentes producen trazas que un tercero puede auditar, reproducir y cuestionar. Trace Integrity [11], Grounding F1 [1], separación de interpretación y agregación [8] — estos no son problemas de investigación académica. Son los estándares operativos mínimos para que la automatización de marketing deje de ser una apuesta y se convierta en infraestructura.