Doxa 2190

¿Cómo debería encajar Gen AI en su estrategia de marketing?

Por Dhruv Grewal, Cinthia B. Satornino, Thomas H. Davenport y Abhijit Guha

IA y Aprendizaje Automático

Harvard Business Review

#Doxa #GenAI #estrategia #IA #marketing #aprendizaje #automático #empresa #personalización #supervisión #tarea #datos #entrenamiento #modelo #invertir #precisión #riesgo #ascenso #evaluar #compensación #garantia #eficiencia #mitigue #error #privacidad #rigurosa #regulatorio

Resumen. Para integrar con éxito la IA generativa (generación de IA) en el marketing, las empresas necesitan equilibrar la automatización, la personalización y la supervisión humana. Como tal, deben seguir unos pasos. En primer lugar, determine si una tarea requiere IA de generación para la creación de contenido o IA analítica para las predicciones basadas en datos; a menudo, lo ideal es una combinación de ambas. A continuación, evalúe si debe confiar en modelos generales de IA o invertir en datos de entrenamiento patentados para mejorar la precisión y reducir los riesgos. Por último, establezca el nivel adecuado de revisión humana en función del riesgo: las tareas de bajo riesgo, como resumir las reseñas, pueden automatizarse por completo, mientras que el contenido de alto riesgo, como los ascensos legalmente vinculantes, requiere una supervisión rigurosa. El uso de un marco estructurado para evaluar estas compensaciones garantiza que la IA de generación mejore la eficiencia y, al mismo tiempo, mitigue los errores, los problemas de privacidad y los riesgos regulatorios.

La IA generativa (generación de IA) ha provocado una conmoción de disrupción tecnológica en todo el ecosistema del mercado, especialmente en lo que respecta a marketing—dejar que las partes interesadas lidien con sus implicaciones, oportunidades y desafíos. Como produce diversas formas de contenido, los vendedores suelen verlo como un avance poderoso en la creación de textos de productos, entradas de blog, anuncios de vídeo y web, ofertas personalizadas a los clientes y estudios de mercado (por ejemplo, en algunos casos, la IA de generación se puede utilizar para predecir las respuestas de los clientes potenciales, los clientes y otros participantes del mercado). De hecho, la novena edición de Informe sobre el estado del marketing de Salesforce, una encuesta realizada a 5000 vendedores de todo el mundo, reveló que «implementar o aprovechar la IA» era su prioridad número uno. Algunas organizaciones han utilizado herramientas de IA de generación para lograr resultados de marketing significativamente mejores. Por ejemplo, Vanguardia ha utilizado la IA de generación para aumentar las tasas de conversión de anuncios de LinkedIn en un 15%. Del mismo modo, De Unilever los agentes de servicio de atención al cliente confían en la IA de la generación para reducir su tiempo de respuesta en un 90%.

Sin embargo, la encuesta de Salesforce mostró que, aunque el 96% de los vendedores tenían una IA generativa o tenían previsto tenerla en un plazo de 18 meses, solo el 32% la había implementado completamente en las operaciones de marketing. Esto puede deberse a que implementar iniciativas de marketing impulsadas por la IA no está exento de riesgos. Por ejemplo, Coca-Cola, que utilizó la IA para crear un remake de su anuncio navideño de 1995 «, Se acercan las vacaciones», recibió inicialmente una respuesta muy positiva de los consumidores sobre el anuncio, pero más tarde recibió críticas considerables debido a la «falta de calidez», que es una crítica común a las imágenes de la generación de inteligencia artificial. El desafío, por lo tanto, no es si las empresas deberían, sino más bien cómo implementan herramientas de IA de generación en varias implementaciones de marketing para maximizar los beneficios y, al mismo tiempo, mitigar los riesgos.

A pesar de lo mucho que está en juego, muchos directores de datos y análisis de las CDAO, que suelen ser responsables de introducir la IA en toda la organización, no han formalizado sus estrategias y tácticas de IA de generación para uso de marketing u otras funciones. Las decisiones sobre la selección de herramientas de IA de generación (de las que hay una enorme variedad) suelen tomarse a nivel individual, lo que refleja un sistema heterogéneo de experimentación sobre la marcha, a veces sin que la alta dirección lo sepa. En nuestras conversaciones con más de 20 líderes empresariales, nos enteramos de que el camino de las empresas hacia una estrategia de IA de generación exitosa para el marketing suele incluir tres decisiones clave: 1) si utilizan la IA de la generación o la IA analítica tradicional; 2) qué se debe añadir, si es que hay algo, a un modelo de IA de generación para generar el resultado deseado y 3) qué nivel de aumento humano, como las indicaciones y la revisión de los resultados, es necesario.

Para tomar estas decisiones, las empresas tienen que responder a una serie de preguntas, entre ellas:

• ¿Qué tareas queremos realizar con esta herramienta de IA de generación (por ejemplo, estamos intentando hacer predicciones empresariales o generar contenido)?
• ¿Tenemos datos estructurados o no estructurados para este caso de uso?
• ¿Qué limitaciones de recursos tenemos?
• ¿Cuánta mejora de productividad necesitamos lograr?
• ¿Con qué rapidez debemos entregar la salida a los usuarios finales?
• ¿Qué tan perjudiciales son los errores o imprecisiones en las salidas de la IA de la generación?
• ¿Qué relación tienen la precisión, la privacidad y la mitigación de riesgos con nuestra reputación y propuesta de valor?
• ¿Cuánto control necesitamos sobre el proceso y la salida?
• ¿Cuánto riesgo legal y reglamentario estamos dispuestos a asumir?
• ¿Qué tan intensos son los problemas de privacidad para nosotros? ¿Para nuestros usuarios finales?

En este artículo, explicamos cómo los vendedores pueden abordar estas preguntas, las ventajas y desventajas con respecto a la formación y la creación de entradas basadas en las indicaciones para la generación de herramientas y procesos de IA, y un marco que ayuda a los vendedores a sopesar las ventajas de forma estratégica.

¿El caso de uso es adecuado para la IA de generación o la IA analítica?

La primera decisión clave para los vendedores es determinar si el caso de uso necesita una IA de generación o si la IA analítica sería suficiente. Muchos vendedores no entienden del todo la diferencias entre la IA generativa y la IA analítica. Para aclarar, el propósito de la IA analítica es analizar los datos existentes y utilizarlos para predecir o clasificar los datos que aún no existen. Se basa en datos estructurados (datos que se pueden organizar en filas y columnas de números) y, a su vez, produce resultados estructurados. En marketing, se ha utilizado para predecir el producto o servicio que es probable que compre un cliente, el precio que probablemente pagará un cliente, la promoción a la que responderá un cliente o el anuncio en el que hará clic el cliente.

Los vendedores han utilizado el aprendizaje automático analítico tradicional de forma amplia y eficaz durante varias décadas. Por ejemplo, hace unos 10 años, Kia usó IBM Watson para identificar a las personas influyentes que encarnaban los rasgos asociados a la marca Kia (estas personas influyentes se utilizaron posteriormente para reforzar la presencia de Kia en la Super Bowl de 2016), una información útil que todavía se necesita hoy en día. La IA analítica es bastante buena en este tipo de predicciones y, por lo tanto, la IA analítica sigue siendo muy valiosa para los vendedores. Pero dado el reciente bombo publicitario en torno a la IA generativa, muchos líderes empresariales parecen no estar considerando la IA analítica cuando es apropiado y, por miedo a perder una fuente de ventaja competitiva o quedarse atrás, simplemente buscan la última tecnología.

Al igual que la IA analítica, la IA de generación también utiliza métodos analíticos y aprendizaje automático. Sin embargo, el objetivo de la IA de generación es menos hacer predicciones y más crear nuevo contenido a partir de patrones discernidos en el contenido existente. La IA generativa se entrena con datos relativamente desestructurados, como palabras, sonidos e imágenes, en una secuencia, y puede producir salidas de datos no estructurados. Por ejemplo, en las funciones de marketing y atención al cliente, se puede utilizar para generar ofertas, anuncios, imágenes de nuevos productos, entradas de blog, mensajes para los clientes y descripciones de los productos, así como para analizar la opinión de los clientes, proponer soluciones a los problemas de servicio y, en algunos casos, predecir el comportamiento futuro de los clientes.

Los vendedores necesitarán ambos IA generativa y analítica para lograr sus objetivos. Si, por ejemplo, una empresa quiere enviar las «próximas mejores ofertas» a los clientes, la IA analítica puede predecir qué oferta tiene más probabilidades de ser comprada por un cliente en particular basándose en los datos de compras de clientes anteriores. Si el vendedor quiere presentar un mensaje personalizado y ofrecer al cliente descripciones de los productos para la compra prevista, la IA de generación a generación será la mejor herramienta para llevar a cabo esa tarea. Al combinar ambas IA, los vendedores pueden enviar la siguiente mejor oferta generada por las herramientas de IA analítica, incluida en un mensaje de marketing personalizado generado por la IA de la generación diseñado para atraer aún más la compra.

¿Necesitamos entradas personalizadas o generales para la generación de IA?

En segundo lugar, suponiendo que la IA de generación sea adecuada para el caso de uso identificado, la siguiente decisión clave es si se necesitan entradas personalizadas o generales para las aplicaciones orientadas al cliente. Se puede pensar que los insumos utilizados para entrenar a las herramientas de IA de la generación existen en un continuo. Por un lado, hay insumos generales proporcionados por los proveedores en los llamados «modelos básicos» (que se basan en grandes cantidades de disponible públicamente datos, como Wikipedia, GitHub, datos extraídos de redes sociales y fuentes similares). Por otro lado, hay una entrada personalizada o propietario, específico de la empresa datos. Entre los dos puntos finales del continuo hay muchas aplicaciones que se basan en entradas híbridas (datos generales y personalizados).

En muchos casos, la aplicación de IA de la generación se beneficia del entrenamiento y el acceso a un conjunto de datos relativamente amplio: modelos lingüísticos (LLM) de gran tamaño o modelos de imágenes (LIMs) de gran tamaño. Por ejemplo, al interactuar con usuarios individuales, como agente de servicio o acompañante virtual, o al resumir las conversaciones con los clientes, las herramientas de IA de generación, como ChatGPT, se benefician del acceso a datos amplios en varios dominios y puntos de vista, lo que les permite generar una amplia gama de respuestas según el contexto y el contenido de la interacción. Este contenido formativo puede considerarse como una educación general amplia para los modelos de IA.

Por el contrario, si se necesita contenido específico de la empresa para generar el resultado deseado (fundamental para generar textos de productos, entradas de blog, anuncios o respuestas del servicio de atención al cliente, por ejemplo), puede que sea necesario entrenar o ampliar los modelos con un conjunto de datos patentado reducido y cuidadosamente construido. Algunos modelos personalizados suelen entrenarse desde cero en estas fuentes de datos. Los modelos suelen ser específicos de un dominio, como BloombergGPT y FingPT para finanzas, KL3M y Chat Law para solicitudes legales, y BioMemo y MedLM para aplicaciones de ciencias de la vida. (Tenga en cuenta que ninguno de estos ejemplos se utiliza actualmente en marketing, ventas o servicio de atención al cliente.) Otros modelos pueden ser «entrenados a medida» en contenido específico, lo que a su vez modifica los modelos básicos generales, aunque este método también es relativamente difícil y poco frecuente. Un ejemplo es Harvey, un máster en derecho que se ha formado con contenido legal, en colaboración con OpenAI y GPT-4. Al menos un vendedor, Jasper, ahora ofrece versiones personalizadas de los modelos de OpenAI sobre contenido orientado al marketing.

Un enfoque mucho más común en las aplicaciones de marketing y servicio al cliente es aumentar los modelos de uso general con contenido especializado y patentado mediante una serie de instrucciones que no cambian el modelo subyacente sino que influyen en gran medida en sus resultados. Este enfoque de «generación aumentada y recuperación» (RAG) lo han adoptado muchas empresas que lo utilizan para modificar sus modelos. Este método proporciona beneficios en términos de reducción de la frecuencia de alucinaciones o resultados inapropiados, una fuente de riesgo importante para las empresas de marketing. Colgate-Palmolive, por ejemplo, trabajó con el proveedor Market Logic para utilizar este enfoque para captar el conocimiento de los consumidores y el mercado, de modo que los vendedores de la empresa pudieran acceder fácilmente a él. Del mismo modo, la IA de Jasper también permite a los clientes introducir su propio contenido patentado relacionado con «normas de marca y requisitos de contenido específicos» en un programa llamado « Aplicaciones personalizadas.”

Como las entradas personalizadas pueden modificar los modelos de forma permanente o temporal, las empresas que necesitan entradas personalizadas suelen trabajar con modelos de código abierto almacenados en sus propias instalaciones o con versiones patentadas de modelos básicos de proveedores de nube. Al establecer el control sobre los modelos patentados o fundamentales, también pueden evitar la filtración de propiedad intelectual o datos confidenciales a los modelos disponibles públicamente, otra fuente de riesgo importante para las empresas. Si las empresas restringen (normalmente mediante Filtrado RAG y prompt técnicas) indicaciones a las que implican el contenido de entrada personalizado, las alucinaciones suelen reducirse sustancialmente y el sistema puede proporcionar citas al contenido personalizado correspondiente.

Por lo tanto, la compensación entre una entrada general y una entrada personalizada implica tanto el coste como el riesgo. Con las entradas generales, las empresas no incurren en los gastos de crear sus propios conjuntos de datos para entrenar los modelos y apoyar la generación de productos. Las empresas que solo necesitan aportaciones generales pueden asociarse con OpenAI o Google Gemini, por ejemplo, y evitar el gasto por completo. Sin embargo, estos modelos no proporcionan necesariamente las salidas de información más precisas y específicas en dominios de contenido limitados. También crean un riesgo relativamente alto de alucinaciones o resultados no deseados obtenidos por estos modelos de LLM de «predecir la siguiente palabra». El empleo de modelos disponibles al público también aumenta riesgos de privacidad y confidencialidad que dejan a las empresas expuestas a vulnerabilidades éticas y reglamentarias. Las empresas deben tener en cuenta detenidamente sus necesidades de tolerancia al riesgo, privacidad y confidencialidad y sus limitaciones de recursos al seleccionar las herramientas basándose en datos generales o personalizados.

¿Cuánto aumento humano necesitamos?

La tercera decisión clave a la hora de implementar la IA de la generación se refiere a la nivel de aumento humano antes de que la producción se entregue al consumidor final. En un extremo, las empresas pueden optar por dejar que la producción de IA de generación fluya directamente al consumidor final, lo que puede ser apropiado cuando hay riesgos mínimos relacionados con la inexactitud, el sesgo o el contenido ofensivo. Por ejemplo, dado que los riesgos derivados de errores o imprecisiones son relativamente bajos, la tarea de resumir las reseñas de los productos mediante una herramienta de inteligencia artificial de la generación se puede ejecutar y subir directamente a un sitio web sin que una persona necesite revisar el resultado. Por el contrario, cuando estos riesgos son altos, por ejemplo, si se utilizara la IA de generación para crear promociones u ofertas legalmente vinculantes, las empresas pueden optar por niveles sustanciales de revisión y edición por parte de un agente humano, aumentando así la producción antes de entregarla al usuario final.

Aunque en nuestras entrevistas, algunos representantes de la empresa afirmaron que hay pocos o ningún aumento de productividad asociado con el uso de la IA de generación si el contenido debe revisarse y editarse posteriormente, la falta de aumento humano puede provocar pérdidas materiales para las empresas en los casos en que el riesgo de error es alto. Por ejemplo, un chatbot de Air Canada ofreció a un cliente un descuento por duelo que la aerolínea le negó más tarde. Sin embargo, posteriormente, un tribunal dictaminó que la aerolínea tenía que cumplir con la oferta de descuentos del chatbot. Las ventajas y desventajas del aumento humano incluyen el aumento del coste de un agente humano y la disminución de la velocidad de entrega que se introducen las etapas adicionales del proceso de revisión del resultado, pero la ventaja incluye una mayor precisión e idoneidad del resultado.

Un marco para el uso eficaz de GenAI en el marketing

Nuestro marco (más abajo) puede ayudar a los responsables de la toma de decisiones a clasificar estas compensaciones entre diferentes enfoques, a aprovechar las ventajas de la IA de la generación y a seleccionar las herramientas que mejor se adapten a los objetivos estratégicos y tácticos de sus empresas, así como a cubrirse las apuestas a la hora de sortear la compensación entre riesgo y recompensa. Cada uno de los cuatro cuadrantes representa una combinación específica de beneficios y costes en función de las compensaciones con respecto a la formación y el acceso, los insumos y la entrega de productos a los usuarios finales.

Considerando las desventajas al trabajar con IA generativa. Una matriz de 2x2 explica las desventajas de los diferentes enfoques para usar IA generativa en marketing. Cuatro categorías se basan en el grado de personalización de la entrada y la cantidad de revisión humana de la salida requerida. El cuadrante 1 (entrada general, sin revisión) presenta la mayor velocidad y el menor costo de los cuatro enfoques, pero presenta el mayor riesgo para la privacidad y la menor precisión; un ejemplo es resumir reseñas en línea con ChatGPT. El cuadrante 2 (entrada general, con revisión humana de la salida) presenta mayor precisión y menor costo, pero conlleva un mayor riesgo para la privacidad y menor velocidad; un ejemplo es generar publicaciones en redes sociales con ChatGPT. El cuadrante 3 (entrada personalizada, sin revisión de la salida) presenta mayor velocidad y menor riesgo para la privacidad, pero un mayor costo y menor precisión; un ejemplo es un localizador de productos en tienda por SKU. El cuadrante 4 (entrada personalizada, con revisión humana de la salida) presenta la mayor precisión y el menor riesgo para la privacidad de los cuatro enfoques, pero presenta la menor velocidad y el mayor costo; un ejemplo es crear una presentación ante la SEC con Bloomberg GPT. Fuente: Dhruv Grewal et al. “Cómo la IA generativa está moldeando el futuro del marketing”, Revista de la Academia de Ciencias del Marketing, 2024.

Ver más gráficos de HBR en Datos e imágenes

Cuadrante 1 (primer trimestre): Sin entrada personalizada, sin necesidad de revisar los resultados.

Hay aplicaciones de marketing que no necesitan datos de entrada aumentados y que implican un riesgo relativamente bajo de errores o imprecisiones (por ejemplo, resumir las reseñas de productos). En esos casos, pueden ser adecuadas las implementaciones de IA de generación que impliquen poco o ningún aumento humano antes de entregar la salida a los usuarios finales. Estos procesos generales de aumento humano con pocos insumos suelen ofrecer altas velocidades de entrega a un bajo coste. Cabe destacar que existen riesgos con respecto a la privacidad y la precisión. Sin embargo, los vendedores que implementan estos procesos deberían haber considerado que estos riesgos eran compensaciones aceptables por las ventajas de velocidad y coste antes de la implementación. Esta categoría podría incluir resúmenes internos de documentos de investigación de mercado o conversaciones con clientes, resúmenes de reuniones internas o cualquier otro contenido que sea poco probable que consuman los clientes o que contenga promesas cumplidas por contrato.

Cuadrante 2 (segundo trimestre): Sin entrada personalizada, pero se necesita revisar los resultados.

Para las empresas que exigen más precisión pero que siguen confiando en productos genéricos y públicos, emplear un LLM público y asignar a un agente humano para que revise y edite los resultados antes de su entrega puede ser adecuado. Estas empresas incurren en el coste de una revisión humana, lo que probablemente ralentice la producción y reduzca las ganancias de productividad. Sin embargo, este enfoque mitiga los posibles riesgos costosos debido a errores o imprecisiones. Los ejemplos de esta celda podrían incluir entradas de blog, podcasts creados por IA o textos de productos para productos que se entiendan bien.

Cuadrante 3 (tercer trimestre): contenido personalizado, pero no es necesaria la revisión de los resultados.

Algunas empresas producen productos derivados de datos privados, pero corren un riesgo mínimo de inexactitud o error. Estas implementaciones incluyen el coste de desarrollar y mantener un conjunto de datos patentado para el entrenamiento y el acceso, un gasto no trivial. Sin embargo, ofrecen resultados más relevantes y mitigan los riesgos de privacidad. La falta de aumento humano puede provocar imprecisiones, pero en estos casos de uso, los riesgos relacionados con la inexactitud se consideran bajos. Los ejemplos pueden incluir aplicaciones de IA de generación que asesoran sobre la ubicación de los productos en las tiendas, los chatbots del servicio de atención al cliente con contenido propio sobre productos y servicios o los sistemas internos de gestión del conocimiento de marketing.

Cuadrante 4 (cuarto trimestre): contenido personalizado con revisión humana.

Cuando los datos patentados, la mitigación de riesgos y la precisión de los resultados son todos necesarios, se necesita un enfoque de alto nivel. Estas implementaciones de IA de generación son las más caras porque las empresas incurren en los costes de generar y mantener un conjunto de datos patentado y de realizar revisiones de agentes humanos. Además, la entrega de los resultados al usuario final se ve ralentizada por las fases de revisión y edición. Sin embargo, este es el cuadrante en el que es deseable una reducción sustancial del riesgo. Los ejemplos relevantes incluyen las solicitudes con altos niveles de sensibilidad normativa o contractual, como una oferta aplicable a un cliente o la descripción del producto de un medicamento o dispositivo médico.

• • •

Es importante que los especialistas en marketing recuerden que tanto la IA analítica como la generativa pueden aportar valor y que las interacciones con los clientes, en muchos casos, requerirán ambos tipos de IA. Es probable que las empresas que se comprometen a utilizar la IA de generación a gran escala acaben encontrando casos de uso que cubran los cuatro cuadrantes que hemos descrito. La figura anterior y los debates proporcionan orientación para considerar las diversas compensaciones que implica la implementación de la IA de una generación. Con el tiempo, los cambios tecnológicos pueden facilitar la incorporación de contenido personalizado y reducir la prevalencia de errores e imprecisiones en los sistemas disponibles al público. Sin embargo, hoy y en un futuro próximo, todo lo anterior requiere una atención y un esfuerzo considerables para abordarlo.

Lea más sobre IA y aprendizaje automático o temas relacionados: Tecnología y analítica, Marketing y Ventas.

Dhruv Grewal ocupa la Cátedra Toyota de Comercio y Negocios Electrónicos y es profesor de marketing en Babson College. Es coautor de Marketing and Retailing Management y autor de Retail Marketing Management: The 5 E of Retailing.

Cinthia B. Satornino es Profesora Asociada de Marketing en la Universidad de New Hampshire, Paul College of Business and Economics, y autora del libro de próxima publicación, At the Helm: Navigating the Next Era of Sales Management. Su investigación se centra en la psicología del vendedor y en cómo las estructuras sociales y la tecnología/inteligencia artificial impactan en el rendimiento.

Thomas H. Davenport es Profesor Distinguido del Presidente de Tecnología de la Información en Babson College, Profesor Bicentenario de Analítica en la Escuela de Negocios Darden de la UVA, profesor visitante en la Iniciativa del MIT sobre la Economía Digital y asesor principal del Programa de Director de Datos y Analítica de Deloitte.

Abhijit Guha es profesor asociado del Departamento de Marketing de la Escuela de Negocios Darla Moore de la Universidad de Carolina del Sur. Sus intereses de investigación y docencia incluyen la venta minorista, la fijación de precios y la inteligencia artificial.