Como las capacidades organizacionales determinan la ventaja competitiva en la era de los ecosistemas hibridos.
1. Resumen Ejecutivo
El mercado global de agentes de inteligencia artificial crecera de USD 5.100 millones en 2024 a un rango proyectado de USD 47.000-53.000 millones para 2030, con una tasa compuesta anual (CAGR) estimada entre 43% y 50%. En paralelo, el mercado de robotica humanoide se situa entre USD 2.900 y 3.100 millones en 2025, con proyecciones que oscilan entre USD 38.000 millones (Goldman Sachs, 2035) y USD 5 billones (Morgan Stanley, 2050). Estas cifras, por si mismas, justificarian la atencion del C-suite. Sin embargo, la realidad operativa es considerablemente menos optimista: Gartner predice que el 30% de los proyectos de IA generativa seran abandonados tras la fase de prueba de concepto antes de finales de 2025, y actualmente solo el 10-12% de los agentes de IA desplegados por empresas se encuentran en produccion real.
La tension entre la aceleracion de la adopcion de IA y la insuficiente preparacion estrategica constituye el punto de partida de este reporte. El 78% de las empresas a nivel global estan desplegando IA en alguna capacidad (Gartner, 2025), pero la brecha entre adopcion y captura de valor es dramatica. Forrester lo sintetiza con claridad: tras tres anos de IA generativa, las empresas todavia persiguen un valor transformativo que se les escapa. El problema no es la tecnologia; es la capacidad organizacional para orquestarla, gobernarla y dirigirla estrategicamente.
1.1 Tesis Central
Este reporte se articula en torno a tres proposiciones interconectadas que forman la columna vertebral del analisis.
Primera: las empresas que ganaran en marketing hacia 2030 no seran aquellas con la mejor tecnologia, sino las que hayan construido la capacidad de orquestar ecosistemas hibridos de humanos, agentes de IA y, eventualmente, interfaces fisicas. La ventaja competitiva se desplaza del acceso tecnologico a la capacidad organizacional de integracion, supervision y gobernanza de sistemas autonomos que operan en entornos complejos y dinamicos.
Segunda: esa capacidad se construye hoy mediante transformacion organizacional, no mediante la compra de tecnologia. Las organizaciones que invierten exclusivamente en herramientas tacticas de automatizacion sin desarrollar las capacidades de sensing, seizing, transforming y governance necesarias para orquestar ecosistemas hibridos descubriran que han gastado en la capa equivocada de la pila de valor.
Tercera: la gobernanza etica, especialmente en entornos regulatorios emergentes como la LGPD brasileira y el EU AI Act europeo, se esta convirtiendo en fuente de ventaja competitiva, no meramente en un costo de cumplimiento. Las empresas que integran consideraciones eticas y regulatorias en su marco operativo desde el inicio construyen barreras de entrada que los competidores reactivos no pueden replicar facilmente.
1.2 Cuatro Escenarios hacia 2030
El reporte desarrolla cuatro escenarios plausibles construidos sobre dos ejes estructurales: la velocidad de adopción de IA en marketing y la fortaleza de la respuesta regulatoria. Cada escenario representa un cuadrante distinto de estos ejes y ofrece implicaciones diferenciadas para la estrategia.
Escenario A (Adopcion rapida, gobernanza debil): los agentes de IA se proliferan sin marcos de gobernanza adecuados. La hiperpersonalizacion se vuelve invasiva, la confianza del consumidor se erosiona y los reguladores reaccionan con intervenciones de emergencia. Brasil enfrenta una sobrecarga de la capacidad de enforcement de la ANPD mientras las empresas explotan vacios regulatorios.
Escenario B (Adopcion moderada, marco regulatorio fuerte): reguladores imponen requisitos estructurados que frenan la adopcion pero construyen confianza publica. Las empresas con marcos de gobernanza maduros (construidos antes de que la regulacion lo exigiera) operan con confianza. Brasil puede consolidarse como referencia de gobernanza de IA en America Latina.
Escenario C (Convergencia acelerada de IA encarnada): los costos de humanoides caen mas rapido de lo proyectado (la declinacion real observada ya alcanza el 40% anual vs. el 15-20% esperado). Los robots de servicio demuestran viabilidad en retail y hospitalidad. Las empresas con capacidades de orquestacion de software absorben hardware sin problemas; las que trataron la IA como herramientas aisladas quedan rezagadas.
Escenario D (Fragmentacion geopolitica de estandares): la competencia entre Estados Unidos y China genera estandares de IA incompatibles. La UE, EE.UU. y China implementan marcos regulatorios divergentes. America Latina, y especialmente Brasil, se convierte en campo de batalla de influencia entre ecosistemas rivales. Las empresas con arquitecturas modulares prevalecen.
1.3 El Marco de Capacidades para Ecosistemas Hibridos
El marco central de este reporte adapta la teoria de capacidades dinamicas de Teece (Sensing, Seizing, Transforming) al contexto especifico de ecosistemas de marketing donde operan humanos, agentes de IA y, prospectivamente, interfaces fisicas. Se anade una dimension transversal de Governance que cruza las tres capacidades, reconociendo que la gobernanza no es un complemento sino un requisito estructural para la operacion segura y etica de sistemas autonomos. El marco se desarrolla en detalle en el Capitulo 5 del reporte completo, pero el resumen ejecutivo lo menciona como herramienta de autoevaluacion inmediata.
Las empresas que construyen capacidades robustas de Sensing, Seizing, Transforming y Governance para agentes de software hoy poseen la arquitectura organizacional necesaria para absorber agentes fisicos manana, sin requerir una segunda transformacion radical.
1.4 Cinco Acciones Prioritarias
A partir del analisis presentado en los cuatro primeros capitulos y el marco de capacidades, el reporte recomienda cinco acciones inmediatas para los equipos de marketing y sus lideres.
• Construir un marco de gobernanza para agentes de IA que defina cuales decisiones pueden tomarse autonomamente, cuales requieren autorizacion humana y como se asigna la responsabilidad cuando un agente comete un error.
• Auditar el inventario actual de agentes de IA desplegados, su desempeno real (no reportado), sus brechas de supervision y los riesgos acumulados por pilotos que nunca escalaron a produccion.
• Desarrollar modelos operativos para equipos hibridos humano-agente, incluyendo protocolos de escalation, metricas de desempeno compartidas y capacitacion formal para la supervision de sistemas autonomos.
• Mapear brechas de cumplimiento regulatorio en LGPD y EU AI Act, con enfasis especifico en datos biometricos y emocionales que seran cada vez mas relevantes a medida que la IA multimodal se expanda.
• Establecer un sistema de monitoreo de senales tempranas (foresight) para evaluar la trayectoria de la IA encarnada, incluyendo indicadores de costos de hardware, regulaciones emergentes y casos de uso exitosos en retail.
2. La Convergencia — Por Que Ahora y Que Cambia
Este capitulo establece el contexto de mercado y el argumento temporal que sustenta el reporte. La pregunta central no es si la inteligencia artificial transformara el marketing (eso es un hecho), sino por que este momento especifico es estructuralmente diferente de ciclos tecnologicos anteriores y que consecuencias operativas tiene para las organizaciones.
2.1 Dos Fuerzas Convergentes
2.1.1 Agentes de IA: viabilidad operativa alcanzada
La primera fuerza es la maduracion de los agentes de IA hacia una viabilidad operativa real. Gartner reporta que el 78% de las empresas a nivel global estan desplegando IA en alguna capacidad, y proyecta que el 40% de las aplicaciones empresariales incorporaran agentes de IA para 2026, un salto desde menos del 5% en 2025. McKinsey estima que la IA generativa puede generar un incremento de ingresos del 3% al 15% en funciones de marketing, con el marketing y las ventas capturando el 28% del valor economico total de la IA generativa, lo que representa entre USD 2,6 y 4,4 billones anuales a nivel global. Esta es la mayor participacion funcional en el valor economico de la IA generativa, superior a manufactura, operaciones o desarrollo de software.
Sin embargo, la viabilidad operativa no equivale a adopcion exitosa. La brecha entre implementar un agente de IA en un entorno controlado y operarlo de forma confiable a escala en ecosistemas complejos de marketing sigue siendo significativa. Los agentes que funcionan bien en tareas discretas (responder FAQs, generar descripciones de producto, clasificar leads) colapsan cuando se les pide operar con autonomia en contextos que requieren juicio contextual, comprension de matices culturales o coordinacion entre multiples sistemas.
2.1.2 IA encarnada y robotica humanoide: la capa fisica
La segunda fuerza es la emergencia de la IA encarnada y la robotica humanoide como una nueva capa de capacidades que, aunque aun prematura para aplicaciones de marketing, redefine las fronteras de lo posible. El mercado de robotica humanoide se situa entre USD 2.900 y 3.100 millones en 2025, con proyecciones que varian dramaticamente segun la fuente: Goldman Sachs proyecta USD 38.000 millones para 2035, mientras que Morgan Stanley estima USD 5 billones para 2050. Esta varianza refleja la incertidumbre inherente del sector.
Los datos de costos son igualmente reveladores. Tesla establece como objetivo de precio para Optimus un rango de USD 20.000-30.000, pero el costo actual se estima en aproximadamente USD 140.000 por unidad. Sin embargo, la declinacion real de costos observada alcanza el 40% anual, significativamente superior al 15-20% que proyectaban las estimaciones conservadoras. Fabricantes chinos como Unitree ya ofrecen modelos por USD 5.900, acelerando la curva de democratizacion.
Las aplicaciones manufactureras e industriales dominan actualmente alrededor del 60% de los despliegues de robots, mientras que retail y hospitalidad representan menos del 10%. Para marketing, la relevancia directa es aun limitada, pero la velocidad de declinacion de costos y la mejora en capacidades de interaccion sugieren que la ventana de preparacion organizacional es mas corta de lo que la mayoria de los ejecutivos asume.
2.1.3 Por que este momento es estructuralmente diferente
Lo que hace este momento cualitativamente distinto de ciclos tecnologicos anteriores no es una sola tecnologia, sino la convergencia simultanea de tres factores. Primero, los modelos de IA han alcanzado una madurez suficiente para ejecutar tareas complejas de forma autonoma, incluyendo generacion de contenido, analisis de datos, personalizacion de mensajes y toma de decisiones operativas. Segundo, los costos de hardware associated con la IA encarnada estan cayendo a un ritmo que supera las proyecciones, ampliando el rango de aplicaciones economicamente viables. Tercero, la presion regulatoria se esta acelerando en los principales mercados (EU AI Act en Europa, LGPD y PL 2338 en Brasil), creando un marco que recompensa la preparacion y penaliza la reactividad.
La capa de encarnacion anade genuinas capacidades nuevas que la IA de software no posee: sensing multimodal (deteccion de expresiones faciales, tono de voz, proximitad fisica), interaccion fisica directa con el entorno y captura de datos emocionales que los sistemas de software pueden inferir pero no medir directamente. Cuando estos agentes fisicos operen en entornos de atencion al cliente retail, la capacidad de leer respuestas emocionales en tiempo real transformara la personalizacion de marketing de una disciplina basada en inferencia estadistica a una basada en senales conductuales directas.
2.2 El Mito de la Adopcion Lineal
La narrativa dominante en la prensa de negocios sugiere una trayectoria de adopcion que avanza de forma relativamente lineal desde la experimentacion hasta la produccion. Los datos cuentan una historia mas matizada y considerablemente menos alentadora.
Si bien el 78% de las empresas reportan estar desplegando IA en alguna capacidad, solo el 10-12% tienen agentes de IA en produccion real. Gartner predice que el 30% de los proyectos de IA generativa seran abandonados tras la fase de prueba de concepto antes de finales de 2025, una cifra que deberia alarmar a cualquier ejecutivo que supervise presupuestos de innovacion en marketing. Forrester, en su evaluacion del estado del arte tras tres anos de IA generativa, concluye que las empresas todavia estan persiguiendo un valor transformativo que les ha esquivado sistematicamente.
Este fenomeno, que denominamos el cementerio de pilotos, tiene una causa raiz identificable: las organizaciones compran herramientas pero no construyen capacidades. La inversion masiva en plataformas de automatizacion, generadores de contenido impulsados por IA y chatbots de servicio al cliente se realiza como adquisiciones tecnologicas discretas, sin una estrategia organizacional que aborde como estos sistemas interactuaran entre si, como se supervisaran, como se escalaran exitosamente y como se gobernaran eticamente. El resultado predecible es una coleccion de herramientas desconectadas que funcionan aisladamente pero no generan valor sinergico.
El espectro de madurez que observamos en las empresas revela una distribucion aproximadamente piramidal: alrededor del 22% se encuentra en fase de concientizacion (reconocen la importancia de la IA pero aun no han actuado de forma significativa), un 40% esta en fase de experimentacion (pilotos activos, pero sin escala), un 10-12% en fase de integracion (agentes en produccion real integrados en procesos de negocio), un 10% en fase de optimizacion (medicion sistematica del desempeno y mejora continua) y apenas un 5% en fase de transformacion (reconfiguracion del modelo operativo alrededor de ecosistemas hibridos). La brecha entre la base y la cima de esta piramide representa la oportunidad estrategica que este reporte busca direccionar.
2.3 La Dimension Regulatoria como Acelerador
La regulacion no es un obstaculo para la innovacion en IA; es un acelerador selectivo que favorece a las organizaciones que invierten en gobernanza desde el inicio. Este capitulo analiza los tres marcos regulatorios mas relevantes para las empresas que operan en America Latina y sirven mercados globales.
2.3.1 EU AI Act: cronograma de cumplimiento
El Reglamento Europeo de IA (EU AI Act) entro en vigor en agosto de 2024 con un cronograma de implementacion escalonado. Las practicas prohibidas (manipulacion subliminal, explotacion de vulnerabilidades, reconocimiento de emociones en lugares de trabajo y educacion, entre otros) se hicieron aplicables en febrero de 2025. Los requisitos de cumplimiento para sistemas de alto riesgo, que incluyen muchos sistemas de IA utilizados en marketing (scoring de credito, segmentacion avanzada, personalizacion predictiva), deberan cumplirse para agosto de 2026. Lo que muchas empresas latinoamericanas no comprenden es que el EU AI Act aplica a cualquier empresa, independientemente de su sede, que ofrezca servicios a usuarios en la Union Europea.
2.3.2 LGPD y el ecosistema regulatorio brasileiro
Brasil ha construido un ecosistema regulatorio de proteccion de datos e IA que, aunque menos maduro que el europeo, avanza con rapidez y tiene implicaciones directas para las estrategias de marketing basadas en IA. La Autoridad Nacional de Proteccion de Datos (ANPD) ha publicado su hoja de ruta de enforcement para 2025-2026, que apunta explicitamente a IA, biometria y datos de menores como prioridades de supervision. La ANPD se convirtio en agencia regulatoria plena en septiembre de 2025, adquiriendo capacidad sancionadora completa.
La LGPD clasifica los datos biometricos como datos sensibles (Articulo 11), y el interes legitimo esta explicitamente excluido como base legal para su tratamiento. Esto tiene implicaciones directas para las aplicaciones de IA que utilizan reconocimiento facial, analisis de emociones o biometria conductual, tecnologias que se estan incorporando rapidamente a las herramientas de marketing. El PL 2338/2023, que establece el marco regulatorio de IA, fue aprobado por el Senado y se encuentra actualmente en la Camara de Diputados. Paralelamente, el PL 5226/2025 busca prohibir la venta de datos sensibles y regular el uso de datos biometricos, anadiendo otra capa de requisitos de cumplimiento.
Un punto frecuentemente subestimado es que la LGPD comparte las restricciones sobre biometria del GDPR pero anade 10 bases legales (versus las 6 del GDPR), incluyendo proteccion al credito y prevencion del fraude. Para las empresas que sirven mercados en Brasil y la UE, existe la perspectiva de un cumplimiento triple: LGPD para proteccion de datos, EU AI Act para regulacion especifica de IA, y eventuales marcos nacionales adicionales.
2.3.3 La regulacion como diferenciador estrategico
La conclusión clave de este analisis regulatorio no es que las empresas deban prepararse para cumplir la ley, algo obvio, sino que las empresas con marcos de gobernanza maduros navegaran mas rapido y con menor costo de adaptacion que las reactivas. La regulacion, en este contexto, funciona como un filtro selectivo que elimina competidores que trataron la gobernanza como un afterthought. Las empresas brasileiras que desarrollan experiencia en cumplimiento de LGPD para IA y biometria pueden exportar esa capacidad a otros mercados de America Latina donde los marcos regulatorios estan en etapas mas tempranas, convirtiendo un costo de cumplimiento en una ventaja competitiva.
2.4 Por Que LatAm (y Especialmente Brasil) Importa
America Latina no es un apendice en la conversacion global sobre IA y marketing; es un laboratorio donde convergen dinamicas regulatorias, economicas y culturales que ofrecen lecciones relevantes para multiples mercados.
Brasil lidera la region en madurez de IA con una puntuacion de 18,0 puntos en el indice regional, por encima de Mexico (15,3) y Argentina (14,1). El 67% de las empresas brasileiras consideran la IA una prioridad estrategica (Bain, 2025), y el 47% de los retailers brasileiros ya utilizan IA en alguna capacidad operativa. La aceleracion del enforcement de LGPD, con la ANPD operando como agencia plena desde septiembre de 2025, anade urgencia regulatoria a la dinamica de adopcion.
Un factor critico que distingue a Brasil de mercados desarrollados es la economia del trabajo. Con un salario minimo de aproximadamente USD 295 mensuales, la ecuacion economica de la automatizacion es cualitativamente diferente. Un robot humanoide de USD 20.000 equivale a mas de 5,6 anos de trabajo a salario minimo sin costo alguno de mantenimiento. En Estados Unidos, el mismo robot representa menos de un ano de trabajo a salario minimo. Esta realidad tiene dos implicaciones. Primero, Brasil puede adoptar IA encarnada mas tard en terminos de costo directo de reemplazo laboral. Segundo, los casos de uso que emergan probablemente seran premium (experiencias de hospitalidad de alta gama, retail de lujo) en lugar de reemplazo de costos, lo cual cambia la naturaleza de la proposicion de valor de marketing.
El 92% de las empresas brasileiras encuestadas por TI Inside (2025) planean utilizar agentes de IA, una cifra que supera los promedios regionales y sugiere un nivel de ambicion tecnologica que contrasta con los desafios de capacidad organizacional que este reporte identifica. Complementariamente, los consumidores latinoamericanos muestran un entusiasmo por la IA sorprendentemente alto en comparacion con mercados occidentales, una dimension cultural que puede acelerar la adopcion pero que tambien requiere marcos de gobernanza mas robustos para proteger la confianza a medida que las expectativas se ajusten a la realidad operativa.
3. La Commoditizacion de la Ejecucion Tactica
Este capitulo constituye el nucleo analitico del reporte. Mapea la cadena de valor de marketing segun su grado de automatizabilidad, identifica donde se concentra la diferenciacion emergente y explica por que la inversion en la capa de juicio humano es el movimiento estrategico de mayor retorno disponible para un CMO hoy, independientemente de la trayectoria que tome la IA encarnada.
3.1 Mapeo de la Cadena de Valor por Automatizabilidad
La tabla siguiente clasifica las principales funciones de marketing segun su nivel de automatizacion, estado actual y horizonte temporal de commoditizacion. Esta clasificacion se basa en datos de adopcion de multiples fuentes (Gartner, McKinsey, HubSpot State of Marketing) y en evaluacion cualitativa de la complejidad cognitiva requerida para cada funcion.
| Funcion de Marketing | Nivel | Estado Actual (2026) | Horizonte |
|---|---|---|---|
| Generacion de contenido (copy, imagenes, video) | ALTO | 93% de marketers usan IA para generar contenido mas rapido | Ya commoditizado |
| Analisis de datos e insights | ALTO | 81% usan IA para descubrir insights mas rapido | Ya commoditizado |
| Personalizacion de mensajes | ALTO | 30% de mensajes de grandes empresas generados por IA (fin 2025) | Commodity para 2028 |
| Media buying / programatico | ALTO | Bien establecido | Commodity maduro |
| Email marketing automation | ALTO | Mercado USD 6.650M (2024) | Commodity maduro |
| Customer service (chatbots N1) | MEDIO-ALTO | 72%+ empresas desplegando | Avanzando rapido |
| SEO y optimizacion | MEDIO-ALTO | Creciendo rapidamente | Casi commodity |
| Toma de decisiones de marketing | MEDIO | 90% usan IA para decisiones mas rapidas | Requiere supervision |
| Estrategia de marca | BAJO | Intuicion cultural, vision largo plazo | Resistente |
| Direccion creativa | BAJO | Juicio creativo original humano | Resistente |
| Gestion de relaciones clave | BAJO | Confianza, empatia | Resistente |
| Comunicacion de crisis | BAJO | Juicio matizado, implicaciones legales | Resistente |
| Liderazgo interfuncional | BAJO | Politica organizacional | Resistente |
McKinsey estima que aproximadamente el 30% de las horas de trabajo en marketing seran automatizables para 2030. Pero el insight critico no es cuantas horas se automatizan, sino que la automatizacion elimina la ventaja competitiva de estas tareas, no las tareas mismas. Cuando todos los competidores pueden generar contenido con IA, la generacion de contenido deja de ser un diferenciador. Cuando todos pueden analizar datos con la misma velocidad, el analisis de datos se convierte en un requisito minimo, no en una ventaja.
Los nuevos diferenciadores emergen en los puntos de interseccion donde la IA no puede operar de forma autonoma: el juicio estrategico sobre hacia donde dirigir los recursos, la direccion creativa que define la identidad de marca, la supervision etica que protege la reputacion corporativa y la gestion de relaciones que depende de la confianza y la empatia humana. Estos son los territorios donde se concentra la futura ventaja competitiva en marketing.
3.2 La Cola Larga de la Diferenciacion
La democratizacion de la IA genera una paradoja estructural: a medida que la tecnologia hace la ejecucion tactica accesible para todos, el valor migra hacia lo que la IA no puede replicar. Este patron no es nuevo en la historia del marketing, pero se esta acelerando a una escala sin precedentes.
El paralelo historico mas instructivo es la publicidad programatica. Cuando la compra de medios se democratizo mediante plataformas automatizadas, la ventaja competitiva se desplazo de la habilidad de compra hacia la estrategia de datos y la diferenciacion creativa. Las empresas que habian construido sus capacidades alrededor de la negociacion de medios (una habilidad tactica que se volvio commodity) descubrieron que necesitaban capacidades completamente diferentes (analisis de datos, creatividad, estrategia de audiencia) para competir en el nuevo entorno. El patron se repite ahora a una escala mayor: la automatizacion de toda la cadena de valor tactica de marketing requiere una reconfiguracion similar de las capacidades estrategicas.
El cuello de botella emergente no es tecnologico. Es la capacidad organizacional de orquestar, gobernar y dirigir estrategicamente sistemas de IA multiples que operan en diferentes puntos del customer journey. A medida que los agentes de IA asumen mas tareas operativas, la funcion de marketing se redefine: de ser primariamente una funcion de ejecucion a ser primariamente una funcion de orquestacion. El orquestador no ejecuta las tareas individuales, pero define la estrategia que coordina todas las tareas en un sistema coherente.
Este concepto, que denominamos la prima de orquestacion, sugiere que las empresas capaces de coordinar multiples agentes de IA a lo largo del customer journey, mantener la coherencia de marca, e intervenir cuando los agentes se desvian de la intencion estrategica, capturaran un valor desproporcionado. La prima no proviene de tener mas agentes o mejores agentes, sino de tener la capacidad organizacional de hacer que esos agentes trabajen juntos de forma efectiva bajo una vision estrategica unificada.
La evidencia preliminar respalda esta tesis. Las empresas que han implementado equipos de supervision de IA dedicados, protocolos de escalation humano-agente y metricas de desempeno hibridas reportan mejores resultados que aquellas que simplemente despliegan herramientas de IA de forma aislada. La diferencia no esta en la tecnologia, sino en la capacidad organizacional que la rodea.
3.3 Lo Que las Empresas No Estan Automatizando (y Por Que Importa)
El analisis de las funciones resistentes a la automatizacion revela un patron consistente que tiene implicaciones directas para la asignacion de recursos y la planificacion de talentos en marketing.
Gartner (2024) identifica tres roles que los CMOs consideran que la IA transformara pero no reemplazara: la construccion estrategica de marca, el liderazgo interfuncional y la supervision etica. El 65% de los CMOs encuestados indican que la IA cambiara dramaticamente su rol, pero no lo eliminara. La razon es estructural: estas funciones dependen de capacidades que la IA actual y previsible no posee, como la intuicion cultural basada en experiencia vivida, la capacidad de navejar politica organizacional compleja y el juicio etico que integra consideraciones legales, sociales y comerciales de forma simultanea.
La capa de juicio humano es particularmente relevante en el contexto de la IA encarnada. La investigacion en interaccion humano-robot (HRI) demuestra que cuando un robot comete un error en un entorno de servicio al cliente, por ejemplo, al malinterpretar el estado emocional de un consumidor en un entorno retail, la falla de servicio se juzga mas severamente que un error equivalente cometido por un humano o por un sistema de software. El efecto de expectativas amplificadas significa que los consumidores toleran menos los errores de los robots que los errores de los humanos, a pesar de que los robots tecnicamente cometen menos errores en terminos absolutos.
Esta observacion tiene una implicacion estrategica poderosa: invertir en la capa de juicio humano (sensing, governance, direccion creativa) es la inversion de mayor retorno disponible para un CMO hoy, independientemente de si la IA encarnada se materializa o no en el horizonte temporal proyectado. Si la IA encarnada llega, la capa de juicio sera mas necesaria, no menos, porque la superficie de riesgo aumenta con la interaccion fisica. Si la IA encarnada se retrasa, la capa de juicio sigue siendo el diferenciador principal en un entorno donde la ejecucion tactica esta commoditizada. En ambos escenarios, la inversion es correcta.
Las empresas que comprenden este dinamismo asignan sus recursos de forma diferente. En lugar de aumentar el presupuesto de herramientas de IA tacticas, invierten en capacidades de governance, capacitacion de equipos hibridos, marcos de toma de decisiones para sistemas autonomos y procesos de supervision. No es una inversion menos tecnologica; es una inversion mas estrategica. El CMO que comprende que su trabajo ya no es ejecutar sino orquestar, y que la orquestacion requiere capacidades organizacionales que se construyen, no se compran, estara mejor posicionado que aquel que sigue compitiendo en la capa de ejecucion tactica.
4. Escenarios 2030 — Cuatro Escenarios Plausibles
Este capitulo desarrolla cuatro escenarios detallados hacia 2030, cada uno basado en una combinacion especifica de velocidad de adopcion de IA en marketing y fortaleza de la respuesta regulatoria. Los escenarios no son predicciones ni ejercicios de ciencia ficcion; son herramientas de planificacion que permiten a las organizaciones prepararse para multiples futuros simultaneamente.
4.1 Metodologia de Construccion de Escenarios
Los escenarios se construyen sobre dos ejes estructurales. El primer eje mide la velocidad de adopcion de agentes de IA en funciones de marketing, desde una adopcion lenta y fragmentada hasta una adopcion rapida y generalizada. El segundo eje mide la fortaleza de la respuesta regulatoria, desde marcos debiles con escaso enforcement hasta marcos fuertes con sanciones significativas y cumplimiento obligatorio. Cada escenario representa un cuadrante distinto de estos ejes.
El proposito de los escenarios no es predecir el futuro sino reducir la sorpresa estrategica. Una organizacion que ha pensado sistematicamente sobre multiples futuros puede identificar mas rapido cuando las senales apuntan hacia uno u otro escenario y activar las respuestas preparadas. Los indicadores de monitoreo incluidos en cada escenario estan disenados para funcionar como sistema de alerta temprana, no como predicciones definitivas.
4.2 Escenario A: Adopcion Rapida, Gobernanza Debil
Descripcion
En este escenario, los agentes de IA se proliferan rapidamente en funciones de marketing sin que existan marcos de gobernanza adecuados para contener los riesgos asociados. La presion competitiva impulsa a las empresas a desplegar agentes autonomos en pricing, segmentacion, generacion de contenido y atencion al cliente sin la supervision humana necesaria. Los marcos regulatorios existentes (LGPD, GDPR) no se adaptan lo suficientemente rapido para cubrir las nuevas formas de riesgo que los agentes autonomos generan, particularmente en lo que respecta a datos biometricos, emocionales y conductuales.
Conductores clave y supuestos
Este escenario se sustenta en varios factores convergentes. Gartner proyecta que el 40% de las aplicaciones empresariales tendran agentes de IA para 2026, lo que genera una presion masiva sobre las empresas para no quedarse atras. En America Latina, la capacidad de enforcement regulatorio de la ANPD puede verse abrumada por el volumen y la complejidad de los casos. Las empresas que operan en los vacios regulatorios obtienen ventajas competitivas a corto plazo, creando un efecto de carreras armamentistas donde la velocidad prima sobre la seguridad.
Como se ve el marketing
La hiperpersonalizacion se vuelve agresiva e invasiva. Los agentes de IA toman decisiones autonomas sobre precios dinamicos, segmentacion de audiencias y contenido generado sin supervision humana directa. Los datos biometricos (expresiones faciales, respuestas emocionales, patrones de navegacion) se recopilan sin marcos de consentimiento adecuados. Los consumidores perciben que las interacciones con marcas son manipulativas y pierden confianza en los canales digitales. La publicidad personalizada, lejos de ser relevante, se siente como vigilancia.
Quien gana y quien pierde
Los ganadores a corto plazo son los adoptantes tempranos con fuertes capacidades tecnicas que pueden desplegar agentes rapidamente. Sin embargo, esta ventaja es temporal: a medida que la confianza del consumidor se erosiona, los reguladores reaccionan con medidas de emergencia que penalizan tanto a los pioneros como a los rezagados. Los perdedores incluyen a los adoptantes tardios (que pierden posicion competitiva durante la carrera de adopcion) y a los propios adoptantes tempranos (que enfrentan retroceso regulatorio y perdida de reputacion). Los consumidores pierden confianza en las interacciones digitales, lo que beneficia a los canales analogicos y las marcas que se mantuvieron al margen.
Indicadores a monitorear
Los indicadores clave de este escenario incluyen: un aumento significativo en quejas de consumidores sobre marketing impulsado por IA, investigaciones regulatorias sobre uso de datos biometricos o emocionales sin consentimiento, brechas de datos de alto perfil que involucren sistemas de IA autonomos, y una caida medible en las metricas de confianza del consumidor hacia las interacciones con marcas digitales. En Brasil, un indicador especifico seria la sobrecarga declarada de la ANPD para procesar denuncias relacionadas con IA.
4.3 Escenario B: Adopcion Moderada, Marco Regulatorio Fuerte
Descripcion
En este escenario, los reguladores imponen requisitos estructurados que moderan la velocidad de adopcion pero construyen confianza publica a largo plazo. El EU AI Act se implementa con plenitud para agosto de 2026, la ANPD en Brasil acelera su agenda de enforcement sobre IA y biometria, y la convergencia regulatoria entre mercados crea un marco predecible que las empresas pueden navegar.
Conductores clave y supuestos
Este escenario requiere que los plazos regulatorios se cumplan y que el enforcement sea efectivo. El deadline de cumplimiento del EU AI Act para sistemas de alto riesgo (agosto de 2026) actua como catalizador global, incluso para empresas que no operan directamente en Europa, porque los estandares europeos tienden a exportarse (el efecto Bruselas). La aprobacion del PL 2338 en Brasil anade una capa especifica de regulacion de IA que complementa la LGPD en proteccion de datos.
Como se ve el marketing
Los agentes de IA operan dentro de limites claros y transparentes. Los requisitos de transparencia garantizan que los consumidores sepan cuando estan interactuando con un agente de IA. La recopilacion de datos biometricos requiere consentimiento explicito y limitacion de proposito. Las empresas que invirtieron en gobernanza desde el inicio operan con confianza, mientras que las reactivas luchan por adaptar sus sistemas retroactivamente. La personalizacion continua siendo relevante, pero dentro de marcos que protegen la autonomia y la privacidad del consumidor.
Quien gana y quien pierde
Los ganadores son las empresas con marcos de gobernanza maduros que construyeron sus capacidades antes de que la regulacion lo exigiera. Estas empresas no solo cumplen con los requisitos regulatorios de forma mas eficiente (menor costo de adaptacion) sino que convierten su experiencia en governance en una ventaja competitiva exportable. En America Latina, las empresas brasileiras con expertise en LGPD y cumplimiento de IA pueden liderar la expansion regional. Los perdedores son las empresas que trataron la governance como un afterthought, los proveedores que no pueden demostrar cumplimiento regulatorio y las empresas dependientes de proveedores con marcos de compliance deficientes.
Indicadores a monitorear
Los indicadores incluyen: incremento en sanciones de la ANPD, acciones de enforcement del EU AI Act contra empresas no europeas, encuestas de confianza del consumidor que muestren recuperacion tras la inicial incertidumbre, y anuncios de empresas que posicionan su governance de IA como diferenciador comercial. En Brasil, un indicador especifico seria la credibilidad internacional creciente de la ANPD como referencia regulatoria regional.
4.4 Escenario C: Convergencia Acelerada de IA Encarnada
Descripcion
En este escenario, los costos de humanoides caen mas rapido de lo proyectado, los robots de servicio demuestran viabilidad en entornos de retail y hospitalidad, y las empresas con capacidades de orquestacion de software absorben hardware de forma seamless. La convergencia entre agentes de software y agentes fisicos redefine el customer journey, que se vuelve genuinamente phygital.
Conductores clave y supuestos
Este escenario se sustenta en la observacion de que la declinacion real de costos ya supera las proyecciones (40% anual observado vs. 15-20% proyectado). El objetivo de Tesla de USD 20.000-30.000 para Optimus y la disponibilidad de modelos chinos como Unitree a USD 5.900 sugieren que el punto de paridad economica para tareas simples en entornos de servicio puede alcanzarse entre 2028 y 2030. Un dato estructural relevante: por cada USD 100 invertidos en robotica, aproximadamente USD 80 corresponden a integracion, lo que significa que las empresas con experiencia en integracion de sistemas tienen una ventaja significativa sobre las que simplemente compran hardware.
Como se ve el marketing
Las tiendas fisicas despliegan robots para asistencia al cliente, demostracion de productos y recopilacion de datos emocionales (expresiones faciales, tono de voz, comportamiento de proximidad). El customer journey se integra a traves de canales digitales y fisicos de forma fluida. Las habilidades de orquestacion de agentes de software se transfieren directamente a la gestion de agentes fisicos. La marca ya no existe solo en pantallas y medios impresos, sino en la experiencia directa de interaccion con agentes fisicos que representan la marca en tiempo real.
Las implicaciones para la diferenciacion son profundas. Si un robot puede demostrar un producto con la misma efectividad que un vendedor humano (o mayor, dada la consistencia), la diferenciacion se desplaza hacia la calidad de la orquestacion: como se coordina el robot con los sistemas digitales, como se gestiona la transicion entre interaccion humana y robotica, como se recopilan y utilizan los datos emocionales capturados por el robot de forma etica.
Quien gana y quien pierde
Los ganadores son las empresas que construyeron capacidades hibridas de orquestacion (sensing, seizing, transforming, governance) para agentes de software. Estas capacidades son directamente transferibles a la gestion de agentes fisicos porque los mecanismos de supervision, governance y coordinacion son estructuralmente analogos. Los perdedores son las empresas que trataron la IA como herramientas aisladas sin construir un marco de orquestacion, y las empresas que carecen de marcos de governance para interacciones fisicas de IA, un territorio regulatorio que evolucionara a medida que los robots se desplieguen a escala.
Indicadores a monitorear
Los indicadores clave incluyen: despliegues exitosos de robots de servicio a escala en retail, anuncios de grandes retailers sobre integracion de robots en tiendas fisicas, crossover de paridad de costos 2028-2030 para tareas simples de servicio al cliente, y regulaciones emergentes especificas para interacciones de IA encarnada con consumidores. En Brasil, un indicador especifico seria la adopcion en sectores premium y de hospitalidad, donde la economia de reemplazo laboral es menos relevante que la diferenciacion de experiencia.
4.5 Escenario D: Fragmentacion Geopolitica de Estandares
Descripcion
En este escenario, la competencia entre Estados Unidos y China genera ecosistemas de IA incompatibles. La UE, EE.UU. y China implementan marcos regulatorios divergentes que no convergen hacia un estandar global. America Latina se convierte en un campo de batalla de influencia donde los tres ecosistemas compiten por dominancia. Las empresas multinacionales deben mantener sistemas paralelos de IA para diferentes regiones, incrementando significativamente los costos de cumplimiento y complejidad operativa.
Conductores clave y supuestos
Este escenario se sustenta en la dinamica geopolitica actual. Los controles de exportacion de EE.UU. sobre chips de IA han fragmentado la cadena de suministro de hardware. China ha construido un ecosistema domestico de IA completo que opera bajo estandares propios. La UE, a traves del Brussels Effect, busca exportar sus estandares regulatorios pero se enfrenta a resistencia de otras jurisdicciones. America Latina, como mercado de 650 millones de personas con marcos regulatorios emergentes, se convierte en un territorio estrategico para los tres bloques.
Como se ve el marketing
Las operaciones de marketing se fragmentan por region. Una empresa global que sirve mercados en Brasil, la UE y EE.UU. necesita tres conjuntos diferentes de agentes de IA, cada uno calibrado para cumplir los estandares regulatorios locales. Los costos de cumplimiento se duplican o triplican. Las empresas brasileiras y latinoamericanas enfrentan una decision estrategica critica: adherirse al ecosistema estadounidense, al europeo, al chino, o construir la flexibilidad para operar a traves de los tres.
La modularidad se convierte en la capacidad organizacional mas valiosa. Las empresas con arquitecturas de IA modulares que pueden intercambiar componentes por jurisdiccion (reemplazar un motor de personalizacion, cambiar un proveedor de datos, ajustar un sistema de consentimiento) operan con agilidad en un entorno fragmentado. Las empresas con pilas de IA monoliticas dependientes de un unico proveedor o ecosistema enfrentan costos prohibitivos de adaptacion.
Quien gana y quien pierde
Los ganadores son las empresas con arquitecturas de IA modulares y capacidades de compliance flexibles. Brasil puede ganar si se posiciona como puente entre sistemas regulatorios, aprovechando la experiencia acumulada con la LGPD y la proximidad cultural tanto con mercados anglosajones como europeos. Los perdedores son las empresas con pilas tecnologicas monoliticas dependientes de un unico ecosistema, las empresas que dependen de proveedores con capacidades limitadas de cumplimiento multinacional y las empresas que no previeron la fragmentacion y construyeron sistemas optimizados para un solo marco regulatorio.
Indicadores a monitorear
Los indicadores clave incluyen: nuevos controles de exportacion sobre tecnologia de IA, divergencia creciente entre estandares nacionales de IA, anuncios de empresas sobre despliegues regionales separados de sistemas de IA, y negociaciones comerciales que involucren condiciones de acceso a tecnologia de IA. En Brasil, un indicador especifico seria la posicion oficial del gobierno sobre estandares de IA y los acuerdos bilaterales con bloques competidores.
4.6 Uso Estrategico de los Escenarios
Los cuatro escenarios no son mutuamente excluyentes. Elementos de diferentes escenarios pueden coexistir en diferentes mercados o en diferentes momentos. El proposito del ejercicio es doble: primero, permitir a las organizaciones identificar que indicadores monitorear para reducir la sorpresa estrategica; segundo, construir un portafolio de capacidades que sea robusto en multiple escenarios, no optimizado para uno solo.
La capacidad de governance emerge como la unica inversion que genera valor en los cuatro escenarios. En el Escenario A, la governance protege contra retroceso regulatorio y perdida de confianza. En el Escenario B, la governance es un diferenciador competitivo directo. En el Escenario C, la governance es necesaria para gestionar la mayor superficie de riesgo que introduce la interaccion fisica. En el Escenario D, la governance flexible permite adaptarse a marcos regulatorios divergentes. Esta convergencia refuerza la tesis central del reporte: la capacidad organizacional de gobernar ecosistemas de IA es la inversion mas estrategica disponible hoy para cualquier funcion de marketing.
5. MARCO DE CAPACIDADES PARA ECOSISTEMAS HIBRIDOS
Este capitulo presenta el artefacto central del reporte: un marco de capacidades dinamicas adaptado especificamente al contexto de ecosistemas de marketing hibridos, donde operan de forma simultanea seres humanos, agentes de inteligencia artificial y, prospectivamente, interfaces fisicas (IA encarnada). El marco no es una lista de mejores practicas ni un checklist tecnologico. Es una arquitectura conceptual que permite a las organizaciones diagnosticar, priorizar y construir las capacidades organizacionales necesarias para competir en un entorno donde la inteligencia artificial no es solo una herramienta que se utiliza, sino un actor con creciente autonomia dentro del ecosistema de marketing.
5.1 Fundamentos: De Teece a la Era Hibrida
El marco de capacidades dinamicas, desarrollado originalmente por David Teece en 1997 y refinado en 2007, proporciona el andamiaje teorico fundamental para este trabajo. Teece definio las capacidades dinamicas como la capacidad de la firma para integrar, construir y reconfigurar competencias internas y externas para dirigirse a entornos que cambian rapidamente. Su marco se estructura en tres dimensiones: sensing (detectar y evaluar oportunidades y amenazas), seizing (movilizar recursos para capturar valor) y transforming (reconfigurar activos y estructuras para mantener la evolucion).
La literatura academica reciente esta convergiendo hacia la aplicacion de este marco al dominio de la inteligencia artificial. Un articulo publicado en 2025 en la revista Emerald, titulado «AI-driven dynamic capabilities in international marketing», establece explicitamente la conexion entre los agentes de IA y las capacidades dinamicas de Teece. De forma paralela, un trabajo en SSRN bajo el titulo «Dynamic AI Marketing Capabilities» desarrolla argumentos similares. Esta convergencia no es accidental: la velocidad de cambio que Teece identifico en 1997 como motivacion para su marco se ha multiplicado exponencialmente con la irrupcion de sistemas autonomos de IA.
Paralelamente, la logica de servicio dominante (service-dominant logic) propuesta por Vargo y Lusch ofrece una lente complementaria esencial. Esta perspectiva establece que el marketing ya no se trata de producir valor para los clientes, sino de co-crear valor a traves de ecosistemas de servicio. Los agentes de IA y las potenciales interfaces fisicas (robots) son nuevos actores en estos ecosistemas. Un chatbot que negocia condiciones con un cliente, un agente de IA que personaliza la experiencia de compra en tiempo real, o un futuro robot de servicio que asiste en una tienda fisica: todos operan dentro de la logica de co-creacion de valor que Vargo y Lusch articularon, pero con un nivel de autonomia decisional que los marcos originales no contemplaban.
El vacio que este reporte llena es claro: no existe en la literatura un marco que aplique las capacidades dinamicas especificamente a ecosistemas hibridos (humano + agente de IA + potencial robot) en el contexto del marketing. Los marcos existentes tratan la IA como herramienta o como factor de produccion, no como actor autonomo del ecosistema. Este reporte propone esa extension.
5.2 SENSING: Detectar Senales en un Entorno Autonomo
Definicion: la capacidad organizacional de detectar senales relevantes cuando los agentes de IA operan con creciente autonomia en el ecosistema de marketing.
En un entorno tradicional, sensing implica monitorizar competidores, tendencias de consumo, cambios regulatorios y movimientos tecnologicos. En un ecosistema hibrido, la complejidad se multiplica porque las senales no solo provienen del entorno externo, sino tambien del comportamiento interno de los propios agentes de IA. La organizacion necesita detectar no solo lo que ocurre en el mercado, sino lo que sus agentes autonomos estan haciendo dentro de ese mercado.
Esto implica, de forma concreta, cinco dimensiones operativas. Primera: monitorear el rendimiento de los agentes de IA a lo largo del customer journey, incluyendo la calidad de las respuestas generadas, la deteccion de drift (desviacion del comportamiento esperado a lo largo del tiempo) y la identificacion de anomalias en las decisiones que los agentes toman de forma autonoma. Segunda: rastrear cambios regulatorios relevantes, incluyendo acciones de fiscalizacion de la ANPD en Brasil, plazos de implementacion del EU AI Act en Europa y resoluciones que afecten directamente el uso de agentes autonomos en interacciones con consumidores. Tercera: identificar movimientos competitivos, especificamente que capacidades de IA estan desplegando los competidores y con que resultados. Cuarta: detectar cambios en el sentimiento de los consumidores respecto a las interacciones con IA, un indicador que las empresas rara vez miden de forma sistematica pero que es critico para la adopcion. Quinta: monitorizar las curvas de costos y los hitos de capacidad de la IA encarnada (robotica), incluso cuando la empresa no tenga planes inmediatos de adopcion.
La siguiente tabla presenta indicadores cualitativos de autoevaluacion para esta dimension.
| Indicador de Autoevaluacion Sensing |
|---|
| Existe un proceso formalizado de monitoreo del rendimiento de agentes de IA a lo largo del customer journey? |
| Se mide el tiempo de deteccion de comportamientos anomalos o drift en los agentes? |
| Hay canales de retroalimentacion sistematicos entre clientes, agentes de IA y equipos humanos? |
| Se monitorean activamente senales regulatorias relevantes (ANPD, EU AI Act, resoluciones sectoriales)? |
| Existe un proceso de vigilancia tecnologica para el seguimiento de interfaces fisicas (robotica de servicio)? |
Un sistema de sensing sofisticado podria detectar que un agente de IA esta tomando decisiones diferentes a las que tomaba el mes pasado sin poder determinar si esas decisiones son mejores o peores. Esta es la limitacion fundamental de sensing: detecta senales, pero no evalua la calidad decisional. Un agente puede haber mejorado su rendimiento o puede haber desviado su comportamiento hacia un patron suboptimo. Sensing alerta sobre el cambio; la evaluacion de calidad corresponde a la combinacion de sensing con mecanismos de supervision humana y metricas de resultado.
5.3 SEIZING: Movilizar Recursos para Capturar Oportunidades
Definicion: la capacidad organizacional de movilizar recursos humanos, tecnologicos y financieros para capturar oportunidades identificadas en ecosistemas hibridos.
Sensing identifica la oportunidad; seizing decide que hacer con ella y moviliza los recursos necesarios. En el contexto de ecosistemas de marketing hibridos, esta capacidad se manifiesta en cinco dimensiones criticas. Primera: estructurar pilotos de IA que puedan escalar efectivamente. Segun Gartner, aproximadamente el 70% de los pilotos de IA en marketing son abandonados antes de alcanzar produccion. La capacidad de seizing implica no solo iniciar pilotos, sino disenarlos desde el origen con arquitectura escalable, criterios de exito claros y un camino definido hacia produccion. Segunda: construir partnerships estrategicos con proveedores de tecnologia de IA que trasciendan la relacion proveedor-cliente y permitan co-desarrollo y adaptacion. Tercera: crear estructuras de equipos hibridos donde colaboradores humanos y agentes de IA trabajen de forma coordinada, no como reemplazo sino como complemento. Cuarta: asignar presupuesto entre tres categorias de inversion: defensiva (proteger la posicion competitiva actual frente a la automatizacion por parte de competidores), ofensiva (capturar nuevo territorio o nuevos segmentos mediante capacidades de IA) y exploratoria (construir opciones para el futuro, incluyendo la potencial convergencia con interfaces fisicas). Quinta: desarrollar talento con doble alfabetizacion: experiencia en marketing y fluidez en IA, una combinacion actualmente escasa y que se ha convertido en uno de los principales cuellos de botella organizacionales.
La tabla siguiente presenta los indicadores cualitativos de autoevaluacion para la dimension seizing.
| Indicador de Autoevaluacion Seizing |
|---|
| Cual es la tasa de escalamiento de pilotos de IA desde prueba hasta produccion? |
| Como se estructuran los partnerships con proveedores de tecnologia de IA? |
| Los equipos de marketing tienen la estructura organizacional para integrar nuevos agentes de IA? |
| Existe presupuesto diferenciado para inversiones defensivas, ofensivas y exploratorias en IA? |
| Hay programas de capacitacion especificos para equipos hibridos (humanos + agentes de IA)? |
La limitacion fundamental de seizing es que evalua la capacidad de ejecucion organizacional, pero no puede predecir el exito de una inversion especifica. Una empresa puede ejecutar un piloto de forma impecable (diseno riguroso, equipo capacitado, presupuesto adecuado) y descubrir que la tecnologia simplemente no entrega los resultados esperados. Seizing mide la madurez del proceso de captura, no la calidad del resultado capturado. Esta distincion es importante para evitar una falacia comun: confundir la sofisticacion del proceso de inversion con la certeza de su resultado.
5.4 TRANSFORMING: Reconfigurar para la Integracion Hibrida
Definicion: la capacidad organizacional de reconfigurar procesos, cultura y modelos operativos cuando la integracion hibrida lo requiere.
Mientras sensing detecta y seizing moviliza, transforming reconfigura. Es la dimension mas profunda del marco porque implica alterar la forma en que la organizacion opera, piensa y mide el exito. En el contexto de ecosistemas hibridos, transforming se manifiesta en cinco dimensiones que van desde lo operativo hasta lo cultural.
Primera: adaptar flujos de trabajo para integrar agentes de IA. No se trata de anadir IA a procesos existentes, sino de redisenar procesos para la ejecucion hibrida. Un proceso de atencion al cliente disenado para humanos puros opera con supuestos diferentes a uno disenado para la coordinacion humano-agente. Los tiempos de respuesta, los criterios de escalamiento, las metricas de calidad y los momentos de transferencia entre humano y agente requieren un rediseno integral, no un parche tecnologico.
Segunda: gestionar la resistencia cultural a la integracion de IA. La introduccion de agentes autonomos en equipos de marketing genera ansiedad laboral, resistencias politicas internas y percepciones de amenaza que, si no se gestionan proactivamente, pueden sabotear la adopcion independientemente de la calidad tecnologica. Las empresas con capacidades de transforming maduras desarrollan programas de gestion del cambio especificos para transiciones hibridas, no genericos.
Tercera: desarrollar metricas de rendimiento hibridas. Como se mide el desempeno de un equipo donde un humano y un agente de IA colaboran? Las metricas tradicionales de productividad individual son inadecuadas. Las empresas necesitan indicadores de rendimiento del ecosistema (no del individuo), de calidad de la coordinacion humano-agente y de valor generado por la sinergia hibrida.
Cuarta: redisenar customer journeys para incorporar touchpoints hibridos. Los recorridos del cliente deben reflejar que algunas interacciones ocurriran con humanos, otras con agentes de IA y otras con combinaciones de ambos. El rediseno no es solo tecnico sino estrategico: donde se ubica la frontera entre interaccion humana y autonoma es una decision de marca con implicaciones directas en la percepcion del consumidor.
Quinta: preparar la cultura organizacional para la potencial integracion de interfaces fisicas. Aunque la adopcion de robots de servicio en marketing no es inmediata, las empresas que desarrollan capacidad de transformacion cultural para la IA de software estan construyendo la base para absorber la IA encarnada con menor friccion cuando llegue el momento.
La tabla siguiente presenta los indicadores de autoevaluacion para transforming.
| Indicador de Autoevaluacion Transforming |
|---|
| Existen procesos sistematicos para adaptar flujos de trabajo al agregar nuevos agentes de IA? |
| Hay programas de capacitacion formal para equipos hibridos (humanos + agentes de IA)? |
| Los sistemas de medicion de rendimiento incluyen metricas especificas para equipos hibridos? |
| Como se gestiona la resistencia organizacional a la integracion de agentes autonomos? |
| Se han redisenado los customer journeys para incorporar touchpoints hibridos? |
Transforming evalua la capacidad de cambio, no la direccion del cambio. Indica si la organizacion puede adaptarse, pero no si la adaptacion que elige es la correcta. Una empresa puede demostrar excelentes capacidades de transformacion al reconfigurarse rapidamente para la integracion de agentes de IA y, aun asi, elegir un modelo de integracion que resulta suboptimo. Esta limitacion es inherente al marco de Teece y se reconoce explicitamente: las capacidades dinamicas son necesarias pero no suficientes para la ventaja competitiva. La direccion estrategica, que va mas alla del alcance de este marco, determina si la reconfiguracion genera o destruye valor.
5.5 GOVERNANCE: La Dimension Transversal
La gobernanza no es un cuarto pilar del marco sino una dimension que cruza transversalmente las tres capacidades. Cada decision de sensing (que monitorear), seizing (que invertir) y transforming (que cambiar) tiene implicaciones de gobernanza que deben abordarse de forma simultanea, no secuencial.
La gobernanza en ecosistemas hibridos comprende cinco componentes esenciales. Primero: marcos eticos que definan cuales decisiones pueden tomar los agentes de IA de forma autonoma y cuales requieren autorizacion humana. Esta distincion no es estatica: a medida que los agentes demuestran confiabilidad, la frontera de la autonomia puede expandirse, pero debe hacerlo dentro de un marco deliberado, no por inercia. Segundo: lineas de responsabilidad claras que determinen quien responde cuando un agente de IA comete un error. El EU AI Act divide la responsabilidad entre proveedor (provider) y desplegador (deployer); la LGPD designa al controlador de datos como responsable principal. Ambos marcos crean un entorno donde la ambiguedad de responsabilidad es un riesgo juridico, no solo etico.
Tercero: mecanismos de supervision que incluyen registro obligatorio de las decisiones de los agentes (EU AI Act, Articulo 12), evaluaciones de conformidad, monitoreo post-implementacion y reporte de incidentes. Estos mecanismos no son burocracia innecesaria: son la infraestructura que permite a la organizacion detectar problemas, corregir el rumbo y demostrar cumplimiento ante reguladores. Cuarto: requisitos de transparencia hacia los consumidores. El EU AI Act (Articulo 50) requiere que los sistemas de IA que interactuan con humanos revelen su naturaleza artificial. La LGPD (Articulo 9) establece derechos de informacion sobre el tratamiento de datos. El proyecto de ley brasileo PL 2338/2023 adopta un enfoque similar basado en riesgo. Quinto: gobernanza especifica para datos biometricos. Bajo la LGPD, los datos biometricos requieren consentimiento explicito y el interes legitimo esta expresamente excluido como base legal. Esta restriccion tiene implicaciones directas para cualquier aplicacion de marketing que utilice reconocimiento facial, analisis de emociones a traves de tono de voz o seguimiento de gestos.
La gobernanza es, en terminos de retorno sobre la inversion, posiblemente el componente de mayor impacto. Las empresas con marcos de gobernanza maduros navegan la regulacion con mayor velocidad, construyen confianza del consumidor de forma mas efectiva y crean barreras de entrada que los competidores reactivos no pueden replicar facilmente. La razon es estructural: la gobernanza requiere tiempo para construirse, cultura para internalizarse y liderazgo para mantenerse. No se compra ni se externaliza.
5.6 Prueba de Robustez: Software y Hardware
La prueba definitiva de la validez de este marco es la siguiente: las mismas capacidades que permiten la orquestacion de agentes de software tambien permiten la absorcion de interfaces fisicas. Si este argumento es correcto, las empresas que construyan estas capacidades una vez obtienen un beneficio compuesto que se amplifica cuando la IA encarnada madura.
El razonamiento se sostiene en cuatro analogias estructurales. Los mecanismos de sensing que detectan drift en el comportamiento de agentes de IA son estructuralmente similares a los necesarios para identificar comportamientos anomalos en robots fisicos operando en entornos de atencion al cliente. Los procesos de seizing para escalar pilotos de software son analogos a los necesarios para desplegar robots fisicos en multiples ubicaciones retail. Las capacidades de transformacion para adaptar flujos de trabajo a equipos hibridos humano-agente se mapean directamente al cambio organizacional requerido cuando se introducen interfaces fisicas en el ecosistema de marketing. Los marcos de governance que definen la responsabilidad por las decisiones de agentes de IA proporcionan el andamiaje etico y legal para las decisiones de IA encarnada, las cuales conllevan mayor riesgo debido a la interaccion fisica con personas.
Propuesta de valor central: construir estas capacidades una vez, para el problema inmediato (agentes de software), crea la infraestructura organizacional para absorber el problema futuro (interfaces fisicas) sin requerir una segunda transformacion. Las empresas que construyen sistemas paralelos separados para software y hardware enfrentan costos exponencialmente mas altos y ciclos de adaptacion significativamente mas largos.
6. GOBERNANZA ETICA Y REGULATORIA COMO VENTAJA COMPETITIVA
Este capitulo analiza el estado regulatorio convergente que afecta el uso de inteligencia artificial en marketing, con enfasis en tres marcos juridicos de relevancia creciente para las operaciones en America Latina y globalmente. El argumento central no es que la regulacion sea un obstaculo, sino que la madurez en gobernanza regulatoria se ha convertido en una fuente concreta de ventaja competitiva.
6.1 El Estado Regulatorio: Tres Marcos Convergentes
Tres marcos regulatorios estan convergiendo hacia un enfoque comun basado en riesgo que afectara directamente las operaciones de marketing con inteligencia artificial. La tabla siguiente sintetiza su estado actual y su impacto especifico.
| Marco Regulatorio | Ambito | Status 2026 | Impacto en Marketing con IA |
|---|---|---|---|
| EU AI Act | Global (extraterritorial) | Prohibiciones feb 2025; GPAI ago 2025; Alto riesgo ago 2026 | Chatbots requieren disclosure (Art. 50); inferencia emocional prohibida en workplace; scoring/segmentacion puede clasificarse como alto riesgo |
| LGPD + PL 2338/2023 | Brasil | ANPD agencia plena sept 2025; PL 2338 aprobado en Senado, en Camara | Biometria = dato sensible, consentimiento explicito, interes legitimo excluido; PL 2338 adopta enfoque por riesgo similar a EU AI Act |
| GDPR | Europa | Marco maduro, en evolucion | Base Art. 9 para biometria; DPIA obligatoria para alto riesgo; Art. 22 para decisiones automatizadas |
El analisis de estos tres marcos revela una convergencia significativa hacia enfoques basados en riesgo. El EU AI Act clasifica los sistemas de IA por nivel de riesgo (inaceptable, alto, limitado, minimo) y impone obligaciones proporcionales. El PL 2338/2023 en Brasil adopta una estructura similar, inspirada directamente en el modelo europeo. El GDPR, aunque no es especifico para IA, proporciona la base de proteccion de datos sobre la cual ambos marcos se construyen.
Las empresas que operan simultaneamente en Brasil y la Union Europea enfrentan un escenario de triple cumplimiento potencial. La superposicion no es redundante: cada marco tiene sus propias definiciones, sus propias autoridades de supervision y sus propios mecanismos de aplicacion. El costo de cumplimiento es real y significativo, pero el costo de no cumplimiento es superior. Bajo la LGPD, las sanciones ascienden al 2% de la facturacion global o R$ 50 millones por infraccion, lo que puede representar un impacto material incluso para empresas de gran tamano.
6.2 Datos Biometricos: El Nuevo Campo de Batalla
El tratamiento de datos biometricos se ha convertido en uno de los temas regulatorios mas sensibles para el marketing con inteligencia artificial. La LGPD, en su Articulo 11, clasifica los datos biometricos como datos personales sensibles y establece diez condiciones posibles para su tratamiento. Criticamente, el interes legitimo esta explicitamente excluido como base legal para el tratamiento de datos biometricos bajo la LGPD, una restriccion mas estricta que la de otros marcos regulatorios.
El PL 5226/2025, actualmente en tramitacion en el Congreso brasileo, busca prohibir la venta de datos sensibles y regular especificamente el uso de datos biometricos. Paralelamente, la hoja de ruta de fiscalizacion de la ANPD para 2025-2026 identifica explicitamente la inteligencia artificial, los datos biometricos y los datos de ninos como prioridades de enforcement. Estas tres lineas regulatorias convergen en un mensaje claro para las empresas de marketing: el uso de datos biometricos sera objeto de escrutinio regulatorio creciente.
Para las operaciones de marketing, las implicaciones son concretas y abarcan multiples tecnologias actualmente en uso o en desarrollo. El reconocimiento facial en entornos retail, la analisis de emociones a traves del tono de voz en call centers, el seguimiento de gestos en aplicaciones interactivas y la lectura de expresiones faciales en videollamadas: todas estas aplicaciones requieren consentimiento explicito bajo los marcos regulatorios vigentes y propuestos. Cuando la IA encarnada llegue al marketing presencial, robots equipados con camaras y microfonos generaran flujos continuos de datos biometricos en entornos de atencion al cliente, multiplicando la complejidad de cumplimiento.
La implicacion estrategica es clara: las empresas que construyan gobernanza biometrica ahora, por ejemplo para agentes de software que analizan expresiones faciales en videollamadas de atencion al cliente, estaran preparadas para la gobernanza de IA encarnada mas adelante. La alternativa, reaccionar cuando la tecnologia llegue, implica un retraso en el cumplimiento que puede traducirse en sanciones regulatorias y perdida de confianza del consumidor.
6.3 De Costo a Activos: Empresas que Gobernan como Ventaja
La evidencia empirica reciente respalda el argumento de que la gobernanza de IA no es un costo puro sino una inversion con retorno medible. Investigaciones publicadas en ScienceDirect entre 2025 y 2026 documentan mejoras significativas en desempeno organizacional correlacionadas con la madurez en gobernanza de IA. PwC, por su parte, ha senalado que las empresas que adoptan posturas proactivas en materia de confianza y transparencia con IA obtienen ventajas duraderas frente a competidores reactivos.
El caso de Banco Bradesco en el mercado brasileo ilustra esta dinamica de forma concreta. El banco invirtio de forma temprana en cumplimiento de la LGPD, no como reaccion a una obligacion regulatoria inminente sino como decision estrategica anticipada. Esta inversion se convirtio en diferenciador de marca en el sector financiero brasileo, posicionando al Bradesco como una institucion confiable en proteccion de datos en un mercado donde la confianza es un activo critico. La gobernanza dejo de ser un centro de costo para convertirse en un activo estrategico.
El mecanismo a traves del cual la gobernanza genera ventaja competitiva opera en tres niveles. Primero: la madurez en gobernanza acelera la seleccion de proveedores de tecnologia de IA, ya que permite pre-filtrar por cumplimiento regulatorio desde la etapa de evaluacion. Segundo: la madurez en gobernanza facilita la entrada mas rapida a mercados regulados, ya que la empresa ya cuenta con las estructuras de cumplimiento necesarias. Tercero: la madurez en gobernanza genera mayor confianza del consumidor a traves de interacciones con IA transparentes, lo que se traduce en mayor disposicion a interactuar con sistemas automatizados y, potencialmente, en mayor lealtad.
En el Escenario B (regulacion fuerte), las empresas con marcos de gobernanza maduros operan con confianza mientras los competidores luchan por adaptarse. En el Escenario C (IA encarnada), las empresas con gobernanza preparada absorben hardware mas rapido porque ya resolvieron los desafios regulatorios fundamentales. En ambos escenarios, la gobernanza no es un costo marginal sino un multiplicador de capacidad estrategica.
6.4 Marco de Referencia: Cinco Estandares Internacionales
Las empresas que buscan construir marcos de gobernanza robustos pueden utilizar como andamiaje los cinco estandares internacionales mas relevantes. La tabla siguiente presenta una sintesis de cada uno y su aplicabilidad al contexto de marketing con IA.
| Estandar | Organizacion | Enfoque | Aplicabilidad a Marketing con IA |
|---|---|---|---|
| IEEE EAD (Ethically Aligned Design) | IEEE | Principios eticos para el diseno de sistemas autonomos | Directrices para el diseno etico de agentes de IA que interactuan con consumidores |
| OECD AI Principles | OCDE | Principios de IA responsable adoptados por 46 paises | Marco amplio de referencia para politicas corporativas de IA |
| UNESCO Recommendation on AI Ethics | UNESCO | Recomendacion global sobre etica de IA (193 estados) | Referencia para alineacion con estandares globales en mercados emergentes |
| NIST AI RMF | NIST (EE.UU.) | Marco de gestion de riesgos de IA | Metodologia estructurada para identificar, evaluar y gestionar riesgos de agentes de IA |
| ISO 42001 | ISO | Sistema de gestion de IA (certificable) | Certificacion que puede funcionar como sello de confianza para stakeholders |
Estos estandares no son mutuamente excluyentes ni representan un menu de opciones. Las empresas mas avanzadas utilizan combinaciones de estos marcos como capas de un sistema de gobernanza integral. La ISO 42001, al ser certificable, ofrece un mecanismo de verificacion externa que puede ser util como prueba de cumplimiento ante reguladores y como sello de confianza ante consumidores. Los principios de la OECD y UNESCO proporcionan el marco filosofico y politico. El NIST AI RMF aporta la metodologia operativa de gestion de riesgos. Y las directrices de IEEE ofrecen guias especificas para el diseno etico de sistemas que interactuan con humanos.
7. IMPLICACIONES POR INDUSTRIA Y REGION
Este capitulo examina como las dinamicas descritas en los capitulos anteriores se manifiestan de forma diferente segun la industria y la region geografica. La premisa fundamental es que la convergencia hacia ecosistemas hibridos no afecta a todos los sectores ni a todas las regiones con la misma intensidad ni en los mismos plazos.
7.1 Retail: El Escenario de Mayor Impacto Potencial
El sector retail representa posiblemente el escenario de mayor impacto potencial de la convergencia hacia ecosistemas hibridos en marketing. Segun datos de 2025, el 47% de los minoristas brasileos ya utilizan alguna forma de inteligencia artificial en sus operaciones. Empresas globales como Walmart y Amazon estan desplegando robots en almacenes y centros de distribucion, aunque todavia no en entornos de atencion directa al consumidor.
La importancia estrategica del retail reside en tres factores convergentes. Primero: el punto de contacto directo con el consumidor, lo que convierte al retail en el laboratorio natural para la interaccion hibrida humano-agente. Segundo: el alto volumen de interacciones repetibles, que hace que la automatizacion parcial genere ahorros o mejoras medibles a escala. Tercero: la cadena de valor del retail incluye multiples eslabones susceptibles de automatizacion, desde la gestion de inventario hasta la atencion al cliente, pasando por la personalizacion de la experiencia de compra y la prediccion de demanda.
Los agentes de software ya estan presentes en multiples puntos de la cadena de valor del retail. Los motores de personalizacion utilizan algoritmos de aprendizaje para recomendar productos basandose en patrones de comportamiento. La optimizacion de inventario emplea modelos predictivos para anticipar la demanda y reducir tanto los quiebres de stock como el exceso de inventario. Los chatbots de atencion al cliente manejan un volumen creciente de consultas de primer nivel. Los sistemas de prediccion de demanda alimentan decisiones de surtido y planificacion de promociones.
El potencial de la IA encarnada en retail incluye asistencia en tienda, demostracion de productos, recoleccion de datos emocionales a traves de proxemica y expresiones faciales, y guia personalizada de compras. Sin embargo, la evidencia disponible debe matizar el entusiasmo. El hotel Henn-na en Japon, pionero en la adopcion de robots de servicio, despidio a mas de la mitad de sus robots por problemas de rendimiento y molestias a los huespedes. La produccion del robot Pepper, de SoftBank, fue descontinuada en 2020 tras no lograr la adopcion comercial esperada. Estos casos son advertencias, no condenas: indican que la tecnologia no estaba lista entonces, no que no lo estara nunca, pero subrayan la importancia de no confundir la proyeccion tecnologica con la realidad comercial inmediata.
En el contexto brasileo, la economia laboral introduce un factor diferencial significativo. Con un salario minimo de aproximadamente USD 295 al mes, el caso de reemplazo de costos laborales por robotica es considerablemente mas debil que en mercados desarrollados donde los costos laborales son cinco a diez veces superiores. Sin embargo, el retail premium y la hosteleria de alto valor pueden adoptar IA encarnada por diferenciacion, no por ahorro de costos, un posicionamiento diferente que cambia la ecuacion economica. La implicacion estrategica para las empresas retail brasileas es clara: enfocarse ahora en la orquestacion de agentes de software, monitorear las curvas de costo de la robotica y asegurar la preparacion en gobernanza biometrica para cuando el momento de adopcion llegue.
7.2 Financial Services: Regulacion como Primera Barrera
El sector de servicios financieros opera en el entorno regulatorio mas restrictivo para la adopcion de inteligencia artificial. Las regulaciones del Banco Central, los requerimientos de Basilea y las normas de proteccion al consumidor financiero crean un ecosistema donde la innovacion tecnologica esta condicionada al cumplimiento normativo de forma mas estricta que en la mayoria de los sectores.
Los casos de uso de IA en servicios financieros son simultaneamente atractivos y riesgosos. La deteccion de fraude se beneficia enormemente de la capacidad de los modelos de IA para identificar patrones anomalos en transacciones en tiempo real. El credit scoring utiliza algoritmos para evaluar la solvencia de solicitantes, pero aqui la regulacion es particularmente estricta: bajo el EU AI Act, los sistemas de IA utilizados para la evaluacion de credito y la fijacion de precios de seguros estan clasificados como ALTO RIESGO, lo que impone obligaciones de transparencia, supervision humana y evaluacion de impacto obligatoria.
La LGPD protege particularmente los datos financieros, y la autenticacion biometrica (reconocimiento facial, huella dactilar, reconocimiento de voz) esta creciendo rapidamente en el sector financiero brasileo como mecanismo de seguridad, pero requiere marcos de gobernanza especificos para cumplir con la restriccion de consentimiento explicito para datos biometricos.
La implicacion estrategica es que los servicios financieros tienen el mayor potencial de ganancia de una aproximacion governance-first. La madurez en gobernanza de IA esta directamente correlacionada con el cumplimiento regulatorio, y el cumplimiento regulatorio es el costo de entrada al mercado. Las instituciones financieras que construyan capacidades robustas de gobernanza de IA no solo cumplen con la regulacion mas rapido que sus competidores, sino que pueden innovar con mayor confianza dentro de los limites regulatorios, creando productos y servicios que los competidores menos preparados no pueden ofrecer legalmente.
7.3 Brasil como Caso de Estudio Integrado
Brasil ocupa una posicion unica en el panorama de adopcion de inteligencia artificial en America Latina que lo convierte en un caso de estudio particularmente revelador. Lidera la madurez en IA de la region, cuenta con un marco de proteccion de datos comprehensivo (la LGPD), esta desarrollando regulacion especifica para IA (el PL 2338/2023) y, simultaneamente, enfrenta dinamicas economicas que modulan la velocidad y la forma de adopcion.
La ventaja de la gobernanza en Brasil opera a traves de un mecanismo que puede describirse como madurez forzada. La ANPD, al intensificar su actividad de fiscalizacion, crea un incentivo regulatorio para que las empresas desarrollen capacidades de gobernanza de IA como condicion para operar legalmente. Esta presion, que desde la perspectiva del corto plazo puede percibirse como costo, genera paradoxicamente una ventaja a mediano plazo: las empresas brasileas que invierten en gobernanza para cumplir con la LGPD y con la futura regulacion de IA estan construyendo exactamente las capacidades que necesitaran cuando la IA encarnada madure. El compliance obligatorio se convierte en inversion estrategica.
El desafio de talento, sin embargo, es significativo. Brasil ocupa el puesto 63 a nivel global en habilidades de IA segun el indice de Coursera/ILIA de 2025, y el noveno en America Latina. La construccion de capacidades internas de IA requiere inversion deliberada en formacion y atraccion de talento, una tarea que compite con los salarios que ofrecen las empresas tecnologicas globales. Este deficit de talento no es exclusivo de Brasil, pero es particularmente agudo en un mercado donde la demanda de profesionales con doble competencia (marketing + IA) crece mas rapido que la oferta.
La oportunidad cultural es un factor frecuentemente subestimado. Los consumidores latinoamericanos, en comparacion con los mercados occidentales, muestran un entusiasmo sorprendentemente alto hacia la interaccion con sistemas de IA. Esta disposicion favorable crea un entorno de adopcion mas receptivo que el de mercados donde la desconfianza hacia la IA es mas pronunciada. Para las empresas brasileas, esto significa que la friccion del lado de la demanda es potencialmente menor, lo que acelera la curva de aprendizaje organizacional con agentes de IA.
El riesgo principal es asimetrico: la capacidad de enforcement regulatorio puede verse desbordada por la velocidad del desarrollo tecnologico. Si las empresas explotan los vacios regulatorios antes de que la ANPD pueda responder, se genera un ciclo de abusos seguidos de regulacion reactiva excesivamente restrictiva. Las empresas que actuan con intencion estrategica de gobernanza, en lugar de optimizar por vacios regulatorios, contribuyen a un ecosistema mas estable y sostenible.
7.4 Norteamerica vs. Europa vs. Asia: Tres Modelos de Convergencia
El panorama global de adopcion de IA en marketing revela tres modelos de convergencia distintos, cada uno con sus propias fortalezas y debilidades.
Estados Unidos representa el modelo impulsado por el mercado. La regulacion es fragmentada, principalmente a nivel estatal, y la friccion regulatoria para la adopcion de IA es relativamente baja. La velocidad de adopcion es alta, la innovacion es rapida y el ecosistema de venture capital para IA es el mas desarrollado del mundo. Sin embargo, la falta de un marco regulatorio federal coherente crea incertidumbre juridica a largo plazo y puede generar problemas de confianza del consumidor si ocurren incidentes de alto perfil sin mecanismos regulatorios de respuesta.
La Union Europea representa el modelo liderado por la regulacion, frecuentemente descrito como el Brussels Effect. El EU AI Act establece el estandar global de facto para la regulacion de IA, un efecto extraterritorial que obliga a empresas de todo el mundo a cumplir con estandares europeos si desean operar en ese mercado. La adopcion es mas lenta, pero la confianza del consumidor es potencialmente mayor. El enfoque europeo prioriza la proteccion de derechos y la transparencia sobre la velocidad de innovacion.
Asia presenta un panorama mas heterogeneo pero con una caracteristica comun: los consumidores asiaticos son, en general, las poblaciones mas receptivas a la interaccion con sistemas de IA y robotica. Japon es pioneer en robotica de servicio con una cultura que normaliza la presencia de robots en entornos publicos. China dirige estatalmente el desarrollo de IA con inversiones masivas y una regulacion que prioriza el control gubernamental. Corea del Sur combina alta adopcion tecnologica con marcos regulatorios en desarrollo.
La implicacion para America Latina, y especificamente para Brasil, es que existe la posibilidad de elegir un modelo o, mas precisamente, de posicionar entre el impulso norteamericano y la gobernanza europea. Un posicionamiento que combine la velocidad de adopcion del modelo estadounidense con la solidez regulatoria del modelo europeo podria crear una ventaja competitiva unica: la agilidad para innovar con la confianza que genera la proteccion regulatoria. Brasil tiene los elementos regulatorios (LGPD, PL 2338) para construir ese posicionamiento, pero requiere voluntad estrategica para capitalizarlo.
8. ROADMAP DE ACCION
Este capitulo traduce los marcos, analisis e implicaciones de los capitulos anteriores en un conjunto estructurado de acciones concretas organizadas en tres horizontes temporales: acciones inmediatas (0-12 meses), dimensiones a monitorear (12-24 meses) y preparaciones de mediano plazo (24-36 meses). El roadmap no pretende ser prescriptivo sino orientativo; cada empresa debe calibrar las prioridades segun su industria, madurez actual y posicion competitivo.
8.1 Que Hacer Ahora (0-12 meses)
Las acciones del primer horizonte se concentran en construir los cimientos de gobernanza, visibilidad y preparacion organizacional. Ninguna de estas acciones requiere inversion significativa en tecnologia de IA; todas requieren inversion en procesos, personas y pensamiento estrategico.
| Accion | Responsable | Resultado Esperado | Prioridad |
|---|---|---|---|
| Construir marco de gobernanza para agentes de IA | CDO / DPO + CMO | Framework documentado con lineas de rendicion de cuentas claras | CRITICA |
| Auditar inventario de agentes de IA existentes | Equipo de marketing + TI | Mapa completo de agentes activos, rendimiento y riesgos identificados | ALTA |
| Evaluar brechas de cumplimiento LGPD / EU AI Act | DPO + Legal | Lista de gaps con plan de remediacion y plazos | ALTA |
| Disenar modelo operativo para equipos hibridos | CMO + CHRO | Estructura organizacional para gestion humano-agente | ALTA |
| Establecer mecanismos de monitoreo de agentes | Equipo de TI + Marketing | Dashboard de rendimiento y deteccion de anomalias operativo | MEDIA |
| Capacitar equipos en IA y gobernanza | CHRO + L&D | Programa de formacion para 100% del equipo de marketing | MEDIA |
La priorizacion refleja un principio fundamental: gobernar antes de escalar. Las acciones criticas y altas se enfocan en crear el marco de gobernanza, la visibilidad sobre el estado actual y la estructura organizacional necesaria antes de ampliar el despliegue de agentes de IA. La capacitacion y el monitoreo son importantes pero pueden desarrollarse en paralelo con las acciones de mayor prioridad, siempre que no se conviertan en excusa para posponer las decisiones estructurales.
8.2 Que Monitorear (12-24 meses)
El segundo horizonte no implica accion directa sino atencion sistematica. Las organizaciones deben establecer mecanismos de monitoreo continuo sobre las siguientes dimensiones, con la frecuencia y el nivel de detalle apropiados para su contexto.
Evolucion del mercado de agentes de IA: tasas de adopcion por industria, nuevas capacidades que emergen, cambios en el pricing de proveedores, consolidacion del mercado y aparicion de nuevos actores. Este monitoreo alimenta la dimension sensing del marco de capacidades.
Desarrollo regulatorio: resoluciones de la ANPD en Brasil, acciones de enforcement del EU AI Act, progreso del PL 2338 en la Camara de Diputados brasilea, y cualquier cambio normativo que modifique las reglas del juego para el uso de IA en marketing.
Curva de costos de robotica humanoide: el seguimiento de los costos unitarios de plataformas como Tesla Optimus y proveedores chinos es relevante porque la tasa de reduccion de costos determinara el punto de paridad costo-laboral. Si los costos caen al ritmo actual (40% anual real en algunos segmentos, frente al 15-20% proyectado por consenso), el horizonte de viabilidad comercial se acelera.
Competidores: que capacidades de IA estan desplegando, con que resultados y con que enfoque de gobernanza. La inteligencia competitiva en este dominio es critica porque las dinamicas de adopcion son rapidas y los beneficios de ser primero (o segundo) pueden ser significativos.
Satisfaccion del consumidor: comparativa de satisfaccion entre interacciones con IA y con humanos, segmentada por tipo de interaccion, momento del customer journey y perfil demografico. Este indicador, raramente medido de forma sistematica, es esencial para calibrar la frontera entre automatizacion y contacto humano.
Senales de convergencia: el momento en que los agentes de software y las interfaces fisicas empiezan a operar dentro del mismo ecosistema de marketing es un punto de inflexion que las empresas deben detectar temprano.
Para orientar el monitoreo, se sugieren los siguientes KPIs como referencia.
| KPI Sugerido | Descripcion |
|---|---|
| % de interacciones gestionadas por agentes de IA | Del total de interacciones de marketing, que porcentaje es manejado autonomamente por agentes |
| Tiempo promedio de deteccion de anomalias en agentes | Duracion entre la aparicion de un comportamiento anomalo y su deteccion por los sistemas de monitoreo |
| Brechas de cumplimiento identificadas y cerradas | Numero de gaps regulatorios detectados y resueltos en el periodo |
| Indice de satisfaccion por tipo de interaccion | NPS o CSAT segmentado por interaccion con IA vs. humana vs. hibrida |
| Costo de gobernanza de IA como % del presupuesto | Inversion en gobernanza relativa al presupuesto total de marketing |
8.3 Que Preparar Para (24-36 meses)
El tercer horizonte es prospectivo por naturaleza, pero las preparaciones deben comenzar ahora para estar listas cuando las condiciones lo requieran. La incertidumbre es mayor en este horizonte, pero no.actionable en absoluto.
Capacidades de absorcion de hardware: si los costos de humanoides continuan cayendo al ritmo actual de 40% anual real (frente al 15-20% que la mayoria de los analistas proyectan como escenario base), el punto de paridad costo-laboral para tareas simples en entornos de atencion al consumidor podria alcanzarse entre 2028 y 2030 en mercados desarrollados. En Brasil, el diferencial salarial extiende este horizonte, pero las empresas deben tener la capacidad organizacional lista para evaluar y absorber la tecnologia cuando sea economicamente viable.
Partnerships estrategicos con proveedores de robotica: al igual que las empresas que establecieron partnerships tempranos con proveedores de agentes de software de IA (OpenAI, Anthropic, Google) obtuvieron ventajas competitivas, las que establezcan relaciones con proveedores de robotica de servicio estaran mejor posicionadas para pilotos y despliegues tempranos.
Modelos de integracion fisico-digital para customer journeys: los recorridos del cliente del futuro combinan interacciones digitales y presenciales de forma fluida. Disenar estos journeys, definir los puntos de transicion y establecer los criterios para la asignacion de tareas entre humanos, agentes de software y agentes fisicos es un ejercicio de diseno estrategico que requiere tiempo para madurar.
Governance para datos biometricos en entornos fisicos: las camaras y microfonos de robots de servicio en entornos retail generan flujos continuos de datos biometricos que requieren consentimiento explicito, supervision y cumplimiento regulatorio. La gobernanza construida para datos biometricos digitales (analisis facial en videollamadas, por ejemplo) proporciona la base, pero los entornos fisicos anaden capas de complejidad que requieren preparacion especifica.
Transformacion cultural: el paso de percibir la IA como herramienta a percibirla como socio del ecosistema es quizas el cambio mas profundo que este roadmap implica. No se trata de un programa de capacitacion ni de una campana interna; es una evolucion en la forma en que la organizacion conceptualiza su relacion con los sistemas inteligentes que operan en su nombre. Las empresas que inician esta transformacion cultural con anticipacion tendran una ventaja significativa cuando la autonomia de los agentes de IA aumente y la IA encarnada se integre al ecosistema.
APENDICE A: METODOLOGIA
Este reporte se basa en investigacion secundaria extensa, con mas de 30 fuentes consultadas entre publicaciones de firmas consultoras (Gartner, McKinsey, Goldman Sachs, MarketsandMarkets, IDC, Bain & Company), fuentes regulatorias oficiales (ANPD, Comision Europea, EUR-Lex), y publicaciones academicas en revistas indexadas (Emerald, SSRN, Sage, ScienceDirect).
Las limitaciones del presente trabajo deben senalarse con honestidad. No se ha realizado investigacion primaria mediante entrevistas a nivel C-suite en esta version del reporte; el marco de capacidades presentado en el Capitulo 5 es una propuesta teorica que requiere validacion empirica a traves de entrevistas con ejecutivos de marketing, directores de innovacion y responsables de gobernanza de IA en empresas que operan en America Latina. Las proyecciones de mercado incorporan incertidumbre inherente y deben interpretarse como estimaciones, no como predicciones.
La fecha de corte de los datos de mercado es el primer trimestre de 2026. La fecha de corte de los datos regulatorios es abril de 2026. Dado el ritmo de cambio en ambos dominios, es probable que algunos datos especificos hayan sido actualizados al momento de lectura. La validez del reporte reside en el marco conceptual, no en la precision punto-a-punto de cada cifra individual.
APENDICE B: GLOSARIO
| Termino | Definicion |
|---|---|
| AI Agent (Agente de IA) | Sistema de software que percibe su entorno, toma decisiones y ejecuta acciones de forma autonoma o semi-autonoma para cumplir objetivos definidos |
| Embodied AI (IA Encarnada) | Inteligencia artificial integrada en un cuerpo fisico (robot) que interactua con el mundo real a traves de sensores y actuadores |
| Dynamic Capabilities (Teece) | Capacidad de la firma para integrar, construir y reconfigurar competencias internas y externas para entornos cambiantes (sensing, seizing, transforming) |
| Service-Dominant Logic (Vargo y Lusch) | Marco teorico que concibe el marketing como co-creacion de valor a traves de ecosistemas de servicio, no como produccion de valor para clientes |
| Human-Robot Interaction (HRI) | Campo de estudio interdisciplinario que analiza la interaccion entre humanos y robots, incluyendo diseno, aceptacion y etica |
| LGPD | Lei Geral de Protecao de Dados (Brasil, Ley 13.709/2018): marco de proteccion de datos personales brasileo |
| EU AI Act | Regulacion de la Union Europea sobre inteligencia artificial (Reglamento 2024/1689), basada en enfoque por niveles de riesgo |
| ANPD | Autoridade Nacional de Protecao de Dados: autoridad de supervision de la LGPD en Brasil |
| Sensing / Seizing / Transforming | Las tres dimensiones del marco de capacidades dinamicas de Teece: detectar senales, movilizar recursos, reconfigurar la organizacion |
| Governance (Gobernanza) | Conjunto de marcos, procesos y lineas de responsabilidad que regulan el comportamiento de los sistemas de IA en la organizacion |
| Phygital | Convergencia de experiencias fisicas y digitales en un mismo ecosistema de interaccion con el consumidor |
| Anthroformismo | Tendencia a atribuir caracteristicas humanas a sistemas de IA o robots, que influye en las expectativas y percepciones de los usuarios |
| Emotional Contagion | Transferencia de estados emocionales entre humanos y sistemas de IA, relevante en interacciones de servicio y marketing |
| Orchestration (Orquestacion) | Capacidad de coordinar multiples agentes de IA (y humanos) de forma integrada dentro de un ecosistema de marketing |
APENDICE C: FUENTES DE DATOS
Las siguientes fuentes han sido consultadas para la elaboracion de este reporte. Las URLs fueron accesadas por ultima vez en abril de 2026.
| Fuente | Tipo | URL / Referencia |
|---|---|---|
| Gartner | Firma consultora / Proyecciones de mercado | gartner.com |
| McKinsey Global Institute | Firma consultora / Reportes de IA | mckinsey.com/featured-insights/artificial-intelligence |
| Goldman Sachs Research | Banco de inversion / Proyecciones robotica | goldmansachs.com/insights |
| MarketsandMarkets | Firma de investigacion / Market sizing | marketosandmarkets.com |
| IDC | Firma de investigacion / Datos de adopcion | idc.com |
| Bain & Company | Firma consultora / Reportes sectoriales | bain.com |
| ANPD | Autoridad regulatoria / Resoluciones y guias | gov.br/anpd |
| Comision Europea | Organismo regulatorio / EU AI Act | digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai |
| EUR-Lex | Base legal / Textos legislativos | eur-lex.europa.eu |
| Emerald Publishing | Revista academica / Articulos peer-reviewed | emerald.com |
| SSRN | Repositorio academico / Working papers | ssrn.com |
| ScienceDirect | Base academica / Investigacion 2025-2026 | sciencedirect.com |
| Coursera / ILIA | Plataforma educativa / Global AI Skills Index 2025 | coursera.org |
| OECD | Organizacion internacional / AI Principles | oecd.ai/en/ai-principles |
| NIST | Instituto estandares (EE.UU.) / AI RMF | nist.gov/itl/ai-risk-management-framework |
APENDICE D: NOTA SOBRE LA INVESTIGACION PRIMARIA PENDIENTE
Este reporte incorpora investigacion secundaria extensa y rigurosa, pero su valor se amplificaria significativamente con la incorporacion de investigacion primaria. Tal como se establece en el brief de FASE 1, se recomienda la realizacion de entrevistas individuales, anonimas y semi-estructuradas con ejecutivos de nivel C-suite que lideren decisiones de inversion en inteligencia artificial para marketing.
El perfil recomendado para los entrevistados es: Chief Marketing Officers (CMOs), Vicepresidentes de Marketing, Heads de Innovacion o Digital, y Directores de IA o Datos de empresas que operen en America Latina, con enfasis prioritario en Brasil. Se recomienda un minimo de 8 entrevistas para alcanzar saturacion cualitativa, con la siguiente distribucion sugerida: 4 a 5 de grandes empresas (ingresos superiores a USD 500 millones), 2 a 3 de empresas mid-market, y 1 a 2 de proveedores de tecnologia o empresas de robotica.
Los hallazgos de estas entrevistas se utilizarian para validar y refinar el marco de capacidades presentado en el Capitulo 5, contrastar los escenarios del Capitulo 4 con la percepcion de los tomadores de decisiones, verificar la aplicabilidad de las recomendaciones del Capitulo 8 al contexto real de las empresas, y enriquecer los estudios de caso por industria del Capitulo 7 con evidencia primaria. Los datos de entrevistas se integrarian en futuras versiones del reporte como un apendice complementario o como incorporaciones al texto principal segun la relevancia de los hallazgos.