El problema de la caja negra no es filosófico: es operativo
La mayoría de las implementaciones actuales de IA en marketing comparten un defecto estructural con los Video LLMs que describen Wang et al. (2025): existe una disociación crítica entre la precisión aparente de la respuesta y la percepción real del modelo sobre los datos que procesa [1]. El modelo genera una salida que parece correcta —un copy, una segmentación de audiencia, un análisis de creatividad— pero no hay forma de verificar qué vio para llegar a esa conclusión. En el contexto de video, esto significa que un modelo puede responder correctamente a preguntas sobre un spot publicitario sin haber procesado realmente las dinámicas visuales relevantes: oclusiones, deformaciones, la secuencia temporal de elementos. Trasladado al marketing digital en general, la implicación es directa: un modelo que recomienda sin evidencia trazable es un modelo que no puedes auditar, y un modelo que no puedes auditar no puede ser la base de decisiones de inversión.
El escalado del modelo por sí solo no resuelve esta disociación, según los propios investigadores [1]. Más parámetros no equivalen a más transparencia.
La respuesta correcta sin evidencia es la respuesta equivocada
La propuesta E-VQA de Wang et al. (2025) establece un estándar que la industria del marketing debería adoptar como principio: toda respuesta generada por un modelo debe ir acompañada de evidencia espacio-temporal precisa —en el caso de video, segmentos temporales y máscaras de segmentación densa rastreadas [1]. La lectura que hacemos desde IDO es que este principio aplica mucho más allá del video. Cuando un sistema de IA recomienda pausar una campaña, reasignar presupuesto o modificar un mensaje, la respuesta semántica ('pausa esta campaña') no tiene valor sin la evidencia que la sostiene ('porque el CTR cayó un 40% en el segmento X entre los días Y y Z, correlacionado con el cambio de creatividad W'). La tarea E-VQA exige producir simultáneamente respuesta y grounding verificable. Esa simultaneidad es lo que distingue al marketing con IA del marketing que simplemente consulta a un LLM.
El problema de la caja negra no es filosófico: es operativo
La mayoría de las implementaciones actuales de IA en marketing comparten un defecto estructural con los Video LLMs que describen Wang et al. (2025): existe una disociación crítica entre la precisión aparente de la respuesta y la percepción real del modelo sobre los datos que procesa [1]. El modelo genera una salida que parece correcta —un copy, una segmentación de audiencia, un análisis de creatividad— pero no hay forma de verificar qué vio para llegar a esa conclusión. En el contexto de video, esto significa que un modelo puede responder correctamente a preguntas sobre un spot publicitario sin haber procesado realmente las dinámicas visuales relevantes: oclusiones, deformaciones, la secuencia temporal de elementos. Trasladado al marketing digital en general, la implicación es directa: un modelo que recomienda sin evidencia trazable es un modelo que no puedes auditar, y un modelo que no puedes auditar no puede ser la base de decisiones de inversión.
La segunda pieza de infraestructura que define al marketing digital con IA es cómo se gestionan los flujos de trabajo. Quinto, Rozzi y Zanitti (2025) señalan que los sistemas existentes tratan los workflows como secuencias de pasos que producen resultados y dejan trazas, pero esta visión impide la inspección, reanudación y revisión de procesos en curso [2]. Esto es precisamente lo que ocurre con la mayoría de las automatizaciones de marketing: una secuencia de emails se ejecuta, se registra un log, y si algo falla o cambia el contexto, hay que reconstruir la lógica desde cero. El modelo Workflow-as-Knowledge propone tratar cada workflow como un objeto de conocimiento inspeccionable, reanudable y revisable [2], lo que para marketing significa que una campaña automatizada no es un script que corre y muere, sino un proceso vivo cuyo estado intermedio tiene valor semántico.
La tercera dimensión estructural viene del problema de asignación de crédito. Tao et al. (2025) demuestran que en agentes de largo horizonte, las recompensas basadas únicamente en el resultado final son escasas, de alta varianza y potencialmente engañosas [3]. Un episodio que falla puede contener muchas acciones útiles que acercaron al agente al objetivo; asignarles una valoración negativa idéntica al error final perjudica el aprendizaje [3]. La analogía con marketing es casi literal: una campaña que no convierte puede haber tenido fases de awareness o consideración que funcionaron excepcionalmente bien. Evaluar toda la secuencia solo por la conversión final destruye la señal útil.
derive (determinista): calcular el ROAS de una campaña a partir de datos disponibles, aplicar reglas de segmentación conocidas, extraer métricas de un dashboard. No requiere juicio del LLM [Fuente 2].
infer (no determinista): decidir si el tono de una creatividad es coherente con el posicionamiento de marca, evaluar si un descenso en engagement refleja fatiga de audiencia o estacionalidad, proponer un nuevo ángulo narrativo. Requiere juicio del LLM y está sujeto a revisión [2].
TRACE propone asignación densa de crédito por turno, operando sobre los puntos de transición entre llamadas a herramientas [3]. Representar cada paso de una campaña como una transición de estado y evaluar su contribución marginal al objetivo —no su correlación con el resultado final— es lo que permite aprender de campañas 'fallidas' y no repetir los errores específicos de campañas 'exitosas' que tuvieron suerte en el último paso.
Nótese que los tres problemas —caja negra, workflows efímeros, recompensa terminal— son manifestaciones del mismo defecto: tratar la IA como una función input→output en vez de como un sistema con estado, evidencia y memoria.
Nuestra posición
Marketing digital con inteligencia artificial, en la lectura de IDO, es la disciplina de construir sistemas de marketing donde cada decisión automatizada produce evidencia verificable [1], donde los flujos de trabajo persisten como conocimiento revisable y no como logs desechables [2], y donde la evaluación del rendimiento asigna crédito a cada paso del proceso en vez de colapsar todo en una métrica terminal [3]. No es una capa de herramientas sobre el marketing existente. Es una reconfiguración de cómo se toman, registran y evalúan las decisiones de marketing. Quien lo entienda como 'usar ChatGPT para escribir copies' se queda en la superficie de una transformación que es, fundamentalmente, epistemológica: cambia lo que cuenta como evidencia, lo que cuenta como proceso y lo que cuenta como aprendizaje dentro de una operación de marketing.