Doxa 2435

Preparando su marca para la IA de Agentic

Los LLM y los agentes están transformando la forma en que los consumidores investigan y compran. La mayoría de las empresas no están preparadas

Por Oguz A. Acar y David A. Schweidel

Tecnología y análisis

Harvard Business Review

#Doxa #IAagentic #AgentesIA #LLM #TransformaciónDigital #ExperienciaDelCliente #AutomatizaciónInteligente #MarcaIA #FuturoDelMarketing #BúsquedaConversacional #AsistentesIA #PersonalizaciónIA #EstrategiaDeMarca #InnovaciónTecnológica #ConsumidorDelFuturo #InteligenciaArtificialEmpresarial

Resumen. Los agentes de IA están transformando las relaciones entre marcas y consumidores. Los autores exploran cómo las marcas deben adaptarse a un nuevo entorno minorista en el que los consumidores recurren cada vez más a la IA generativa para la investigación, las recomendaciones y las compras de productos. Actualmente, existen tres modos de interacción con agentes: los consumidores (1) interactúan con agentes de marca, (2) buscan productos mediante agentes externos que han personalizado con el tiempo y (3) permiten que la IA interactúe con otras IA en su nombre. Las marcas deben desarrollar una estrategia híbrida que equilibre la automatización con las preferencias de compra humanas. Las empresas de éxito se basan en datos propios de clientes y productos para ofrecer experiencias personalizadas con agentes. Sin embargo, el proceso no es tan sencillo como adquirir un nuevo software. La experimentación continua, la optimización basada en indicaciones y la integración con otros ecosistemas de IA son pasos esenciales.

En 2024, Gokcen Karaca, director de diseño y digitalización de Pernod Ricard, se sorprendió al descubrir que dos tercios de la generación Z y más de la mitad de los millennials habían empezado a utilizar grandes modelos lingüísticos (LLM) para investigar productos. Pensó que era hora de estudiar formalmente lo que estos modelos decían sobre sus marcas de licores. Así que se asoció con la agencia de servicios de marketing digital Jellyfish para analizar cómo los principales modelos de IA representaban sus marcas. Los hallazgos lo desanimaron. Los datos de los LLM a menudo eran incompletos o incorrectos. Un popular modelo de IA, por ejemplo, categorizó erróneamente el whisky escocés Ballantine's, una oferta asequible para el mercado masivo, como un producto de prestigio.

Para contrarrestar este problema, Karaca y su equipo lanzaron una iniciativa para monitorear y redefinir lo que denominan "cuota de modelo": la medida de la frecuencia y la preferencia que las marcas muestran en los resultados de IA en comparación con sus competidores. Para mejorar la cuota de modelo de sus marcas, el equipo de Karaca ahora pregunta regularmente a todos los modelos populares sobre los productos de Pernod Ricard y cataloga sus respuestas. Posteriormente, los miembros del equipo actualizan el sitio web y el texto publicitario para que los LLM se hagan eco de su mensaje. Mediante una meticulosa iteración y ajuste, lograron perfeccionar la percepción de los modelos de IA sobre la cartera de marcas de la compañía. Los LLM ahora identifican correctamente Ballantine como un whisky escocés más asequible.

La experiencia de Pernod Ricard ilustra un cambio fundamental al que se enfrenta toda marca. Durante las últimas dos décadas, las marcas aprendieron a optimizar sus estrategias de palabras clave para aparecer en los primeros resultados de los motores de búsqueda. Ahora se enfrentan a un nuevo reto: optimizar para la IA. Como descubrieron Karaca y su equipo, muchos consumidores ya utilizan LLM para investigar productos o comparar precios. Una encuesta realizada en julio de 2025 a 750 consumidores estadounidenses por la consultora de gestión Kearney reveló que el 60 % de los compradores prevé utilizar IA agentic para realizar compras en los próximos 12 meses. Todas las principales empresas de IA están desarrollando agentes anticipándose a su adopción generalizada. Por ejemplo, OpenAI colabora con procesadores de pagos como Stripe y PayPal, y con minoristas como Walmart y la plataforma de compras Shopify para facilitar las compras dentro de ChatGPT. Esto sienta las bases para una experiencia del cliente automatizada y completa. Esto significa que las empresas pronto gestionarán sus marcas en una era en la que la IA agentic, basada en LLM, trabajará en nombre de los clientes, completando las transacciones sin asistencia humana.

La mayoría de las marcas no están preparadas para este cambio. Los ejecutivos deberán plantearse preguntas cruciales, como: ¿Cómo adaptamos nuestra estrategia de comunicación cuando nuestro público objetivo principal puede no ser humano? ¿Qué sucede con las relaciones de marca en un mundo mediado por agentes de IA? ¿Cómo podemos prepararnos para un futuro en el que ambas partes de la relación con el cliente estén cada vez más gestionadas por la IA? Este problema no se resolverá con una simple solución técnica. Las empresas deben replantearse fundamentalmente cómo interactúan las marcas, los clientes y la IA.

En este artículo, basado en nuestra extensa investigación con miles de consumidores de varios países, incluyendo EE. UU. y el Reino Unido, y en nuestro trabajo en el desarrollo de marcos de adopción de IA para empresas y startups, presentamos el espectro de las relaciones entre marcas y consumidores que surgen mediante el uso de agentes de IA. Mostramos cómo empresas con visión de futuro como AG1, Lamborghini y ServiceNow ya están adaptando sus estrategias para optimizar la IA. Y ofrecemos una hoja de ruta para ayudar a los ejecutivos a empezar.

Los tres tipos de interacciones de los agentes de IA

La mayoría de los consumidores aún no delegan la compra en la IA. Sin embargo, utilizan cada vez más herramientas de gestión de la experiencia de compra (LLM) como ChatGPT, al igual que Google: para la investigación previa a la compra. Preguntan sobre las características de los productos, comparan opciones y leen reseñas sintetizadas por IA antes de tomar sus propias decisiones de compra. Como muestra el ejemplo de Pernod Ricard, las empresas deben supervisar y optimizar su presencia en IA, independientemente de si los consumidores delegan o no sus decisiones de compra. Los tipos de agentes que describiremos representan la evolución natural de este comportamiento de investigación, a medida que la recopilación pasiva de información se transforma en intermediación activa. Afortunadamente, muchas de las estrategias que ayudan a las empresas a gestionar la compra con IA agéntica también les ayudarán a obtener mejores resultados con los consumidores que realizan investigación básica mediante LLM.

A medida que los agentes de IA se vuelven más comunes, la relación tradicional entre marcas y consumidores está dando paso a un nuevo conjunto de modos de interacción, algunos mediados por IA y otros impulsados ​​completamente por ella. Además de la interacción directa entre personas, tres tipos emergentes de interacción están comenzando a coexistir en el mercado.

En el primer tipo de relación, los agentes de marca interactúan directamente con los clientes. A diferencia de los chatbots de IA tradicionales, que simplemente responden preguntas, estos agentes ayudan a los consumidores a explorar productos, tomar decisiones y acceder a servicios de nuevas maneras. El Auto Navigator Chat Concierge de Capital One es un excelente ejemplo. Puede consultar el inventario del concesionario, programar pruebas de manejo, estimar el valor de los vehículos usados ​​y responder preguntas sobre financiación. Los clientes pueden completar la mayor parte del proceso de compra a través de un agente de IA antes de entrar en el concesionario.

En el segundo tipo, los agentes de consumo actúan en nombre de individuos de múltiples marcas. La capacidad de Claude para usar la computadora, por ejemplo, permite a un agente navegar por las pantallas, completar formularios y completar compras de forma autónoma. Actúa prácticamente como el representante digital personal del consumidor.

En el tercer tipo, la intermediación completa de IA, los agentes de IA interactúan de forma autónoma en ambos lados de la transacción sin intervención humana directa. En este modo, las intenciones, emociones y preferencias humanas se prefiltran mediante algoritmos. Ya estamos viendo las primeras etapas de este proceso: el agente de ChatGPT busca en OpenTable, selecciona restaurantes, completa automáticamente los datos de las reservas y las completa. El conserje de IA de Hostie gestiona las consultas, evalúa la disponibilidad y envía confirmaciones de reserva en nombre de los restaurantes. La supervisión humana puede ser la norma hoy en día, pero estos sistemas son ejemplos tempranos de procesos totalmente autónomos, desde el inicio de la investigación del producto hasta la finalización de la transacción.

Las marcas deben evaluar qué aspectos de las relaciones tradicionales con los clientes preservar y cuáles desarrollar. Para guiar este cambio, los gerentes de marca deben centrarse en tres etapas críticas de la adopción de agentes. Primero, determinar si es necesario implementar un agente de IA. Segundo, si es necesario, persuadir a los consumidores para que utilicen el agente de su marca en lugar del suyo. Y tercero, para los consumidores que prefieren sus propios agentes de IA, asegurarse de que estos intermediarios autónomos elijan su marca.

[   Etapa 1   ]

Decide si necesitas un agente de IA

La primera pregunta que las marcas deben responder es si sus consumidores realmente desean interactuar con un agente. Implementar IA en contextos donde los clientes prefieren la interacción humana es ineficaz y puede perjudicar seriamente las relaciones con la marca. La respuesta depende de varios factores: la naturaleza de su producto o servicio, el contexto de consumo, la importancia de la conexión humana en su propuesta de valor y la percepción que tienen sus clientes de la IA.

La investigación de los académicos Bingqing Li, Edward Yuhang Lai y Xin Wang sugiere que las personas están dispuestas a usar agentes de IA en contextos con poco riesgo, decisiones rutinarias y resultados predecibles. Pocas empresas entienden esto mejor que Amazon, que ha estado automatizando silenciosamente tales decisiones durante casi una década. En 2015, Amazon lanzó el Dash Button, un pequeño dispositivo conectado a Wi-Fi que los clientes podían tocar para reordenar instantáneamente artículos para el hogar. A medida que evolucionaron las expectativas de los clientes, también lo hizo el enfoque de Amazon. La empresa introdujo los servicios Virtual Dash Buttons y Dash Replenishment, que permiten que los dispositivos inteligentes reordenen los suministros automáticamente en función del uso. Pero el verdadero salto llegó con la expansión de Subscribe & Save en 2019, que permitió a los clientes automatizar entregas recurrentes en cientos de categorías de productos, desde toallitas húmedas para bebés hasta hojas de afeitar, en intervalos de su elección. En 2024, el 23% de los clientes de Amazon en EE. UU. tenían un pedido activo de Subscribe & Save. Hoy, Amazon inicia una nueva fase en su estrategia de agencia con Alexa+ AI, un asistente inteligente diseñado para interpretar intenciones, tomar decisiones y ejecutar tareas de compra de varios pasos de forma autónoma. Una indicación como "reabastecer mis compras" puede desencadenar una cadena de acciones, como consultar los niveles de la despensa mediante integraciones con el hogar inteligente, consultar pedidos anteriores, seleccionar marcas preferidas y confirmar los plazos de entrega, todo ello sin la intervención del usuario.

Las marcas deben ser cautelosas en ámbitos donde los consumidores son menos receptivos, o incluso resistentes, a la IA. La investigación de Li, Lai y Wang, que abarca múltiples estudios y 119.000 participantes, destaca varios de estos contextos. La reticencia tiende a ser alta durante las compras personalmente significativas, cuando los consumidores, como los aficionados cuya identidad personal está asociada con la compra, prefieren la participación directa. De igual manera, en ámbitos donde el esfuerzo humano indica cuidado y consideración, como la entrega de regalos o la escritura de mensajes personales, la participación de la IA se siente impersonal porque las personas valoran el esfuerzo humano percibido en interacciones emocionalmente significativas. Las decisiones de alto riesgo son otro ámbito de resistencia: los consumidores tienden a preferir mantener el control sobre las decisiones consecuentes. Por ejemplo, una investigación de la Universidad de Boston y una encuesta de consumidores de Salesforce revela que las personas a menudo dudan sobre la IA en el ámbito de la salud. Las personas también se sienten más cómodas usando la IA para tareas que perciben como objetivas (como analizar datos o dar instrucciones) en lugar de subjetivas (como recomendar una pareja romántica o una película). La oposición es mayor en ámbitos donde las relaciones humanas y el servicio personalizado son cruciales, como los productos de lujo o las experiencias premium. En estas situaciones, las personas suelen pagar tanto por la orientación humana como por el producto en sí.

Las preferencias de IA difieren entre generaciones, culturas y categorías de productos, y cambian a medida que la tecnología avanza. Debido a que los LLM pueden evolucionar rápidamente, las marcas deben monitorear las actitudes cambiantes de los clientes para que puedan adaptar sus métodos para usar la IA de maneras que realmente satisfagan las necesidades de los clientes. Lamborghini ejemplificó esto en su enfoque de la tecnología de conducción autónoma. Mientras que empresas como Tesla han hecho de las capacidades de conducción autónoma una piedra angular de su hoja de ruta de innovación, Lamborghini ha trazado deliberadamente un curso diferente. "El propósito de un automóvil como un Lamborghini es conducirlo, no ser conducido en él", dijo una vez el CEO Stephan Winkelmann. Cree que la motivación principal de sus clientes no es la conveniencia o la eficiencia, sino la experiencia visceral de controlar una máquina de alto rendimiento. La misma lógica se aplica a las experiencias de compra premium, donde los consumidores a menudo valoran el viaje de descubrimiento. Un cliente que compra un reloj Patek Philippe o un bolso Hermès disfruta del proceso de investigación, la anticipación y la experiencia en la tienda. Ese viaje no debería ser automatizado por un agente de IA.

Su elección no tiene por qué ser binaria. Incluso en ámbitos donde cabría esperar resistencia del consumidor, la IA puede desempeñar un papel importante. Por ejemplo, las experiencias híbridas de IA y humano cuidadosamente diseñadas permiten tanto la eficiencia de la IA como la orientación humana.

Cuando AG1, la empresa global de nutrición antes conocida como Athletic Greens, comenzó a atender decenas de miles de consultas de clientes en medio de su rápida expansión global, la presión sobre su equipo de soporte era intensa. Leala Francis, vicepresidenta sénior de conocimiento del cliente y experiencia de los miembros, vio la oportunidad de replantear cómo la marca podría atender a los clientes. En lugar de elegir entre la automatización y el servicio personalizado, desarrolló una estrategia selectiva de IA que preserva la conexión humana, fundamental para la misión de la marca. El plan se basa en dos principios. Primero, capacitar al agente de IA como si fuera un nuevo representante de soporte. Darle acceso a los sistemas administrativos, imbuirlo del tono de voz de la marca y guiarlo con datos de los clientes en tiempo real. Por ejemplo, si alguien se va de vacaciones, el agente puede sugerir pausar una suscripción u ofrecer paquetes de viaje. Segundo, mantener las interacciones que fomentan la comunidad estrictamente humanas. Por ejemplo, el equipo humano de AG1 responde personalmente a cada reseña de los clientes. Desde su lanzamiento en 2024, los resultados del programa han sido alentadores: los agentes de IA obtuvieron puntuaciones perfectas en el 99 % de las interacciones, lo que coincide con los altos estándares de servicio humano de la marca. Y en lugar de encontrar resistencia, AG1 ha visto cómo los clientes adoptan el cambio. La compañía ha registrado un cambio porcentual de dos dígitos, pasando de las interacciones por correo electrónico a las interacciones con su agente de IA. Y lo más importante, las mejoras en la eficiencia han permitido a los representantes humanos dedicar más tiempo a problemas complejos de los clientes, que se benefician de la empatía y la resolución creativa de problemas.

Vuori, una marca de ropa deportiva premium, enfrentó presiones similares en sus operaciones de atención al cliente. A principios de 2023, la empresa se asoció con la plataforma de atención al cliente Kustomer para desarrollar agentes de IA adaptados a la voz de la marca, definiendo cuidadosamente los parámetros de lenguaje, tono y acceso a la información. Al igual que AG1, Vuori adoptó un enfoque híbrido: implementó IA para consultas rutinarias y escaló los problemas complejos a especialistas humanos. Los resultados fueron alentadores. Con la IA gestionando aproximadamente el 40% de las conversaciones de chat, los trabajadores pudieron centrarse en interacciones donde la atención personalizada generaba mayor valor y conexiones más profundas con los clientes.

Prevemos que la mayoría de las empresas adoptarán una estrategia híbrida. Los agentes de IA gestionarán algunas solicitudes. También dirigirán a los clientes a los trabajadores cuando sea necesario o cuando sea favorable para el cliente. La pregunta estratégica es cómo implementarlos adecuadamente: ¿Dónde valoran los clientes la participación directa? ¿Cuándo mejora la experiencia la asistencia de IA? Lograr este equilibrio requiere experimentación continua y la retroalimentación de los clientes.

[   Etapa 2   ]

Consiga que los clientes utilicen su agente

Una vez que sus clientes estén dispuestos a usar agentes de IA, se enfrenta a un nuevo reto: persuadirlos para que elijan el agente de su marca en lugar de alternativas de terceros. Considere la opción entre Rufus de Amazon y el agente de ChatGPT. Ambos pueden ayudar con las compras, pero reflejan dinámicas fundamentalmente diferentes. Rufus está controlado por Amazon, mientras que el agente de ChatGPT es un agente de consumo diseñado para actuar en nombre de los usuarios. El agente de ChatGPT tiene acceso a la información personal proporcionada por el usuario y no fue diseñado para servir a Amazon ni a ningún minorista en particular. Desde la perspectiva del consumidor, los agentes de IA independientes ofrecen ventajas inherentes en dos áreas: confianza y datos. Las personas confían naturalmente en los agentes que controlan directamente, percibiéndolos como defensores imparciales que actúan únicamente en los intereses de los usuarios, de forma similar a los asesores financieros con responsabilidad fiduciaria. Por el contrario, las personas pueden ver a los agentes de marca con escepticismo porque los agentes están diseñados principalmente para servir a los objetivos de la empresa. Consumer Reports, la organización sin fines de lucro conocida por sus reseñas independientes de productos que van desde automóviles hasta electrodomésticos y software, ya ha reconocido este desafío de confianza. “El caso de uso más atractivo para los agentes personales de IA es su capacidad para defender a los consumidores sin prejuicios ni conflictos de intereses”, afirmó Dazza Greenwood, responsable de protocolo en Consumer Reports Digital Lab. La organización ha lanzado AskCR, un chatbot para ayudar a los consumidores a acceder rápidamente a información confiable, y está explorando agentes de IA diseñados específicamente para priorizar los intereses del usuario por encima de todo, basándose en marcos regulatorios de larga data que anticiparon el auge de los agentes electrónicos que actúan en nombre de las personas.

Los agentes de atención al cliente también cuentan con una ventaja en materia de datos. Pueden recopilar, analizar y aprovechar datos de múltiples dominios y marcas. Esto les proporciona una comprensión más completa de las preferencias y comportamientos de cada individuo. La función de memoria de ChatGPT, por ejemplo, le permite retener información del usuario de conversaciones anteriores, creando un perfil detallado del usuario a lo largo del tiempo en todas las marcas. Esta amplitud y profundidad de conocimiento le permite realizar recomendaciones altamente personalizadas y contextualizadas.

Las ventajas inherentes de los agentes de consumo generan una tensión estratégica: las marcas buscan relaciones directas con los clientes a través de sus propios agentes para un mayor control, mientras que los consumidores tienen sólidas razones para preferir los agentes independientes. Para afrontar este reto, las marcas deben redoblar sus esfuerzos en capacidades que los agentes personales no pueden replicar fácilmente. Una ventaja significativa de los agentes de marca es su capacidad para aprovechar un profundo conocimiento del producto. A diferencia de los agentes de propósito general como ChatGPT, que se basan en datos de terceros e información genérica del producto que puede estar desactualizada, los agentes de marca tienen acceso a datos estructurados del producto en tiempo real y pueden responder a consultas específicas con un nivel de precisión que las herramientas genéricas no pueden. Al combinarlos con datos propios de los clientes, estos agentes pueden ofrecer experiencias consultivas personalizadas basadas en un profundo conocimiento de las preferencias, comportamientos e historial de cada cliente con la marca. Tendría más sentido conversar con el agente de un asesor financiero sobre decisiones de inversión, por ejemplo, que con la versión profesional estándar de ChatGPT. El reto para las marcas es convencer a los consumidores de esta lógica.

Cuando Sephora se propuso integrar la IA en la experiencia de sus clientes, la compañía aprovechó sus fortalezas. Lanzado originalmente en 2012 y actualizado con capacidades avanzadas de IA en 2021, el sistema agentic aprovecha recursos propios a los que los agentes genéricos no pueden acceder, incluyendo un catálogo de productos con taxonomías detalladas de tonos y fórmulas, la tecnología Color IQ que diferencia 140.000 tonos de piel y perfiles propios de más de 34 millones de miembros de Beauty Insider. Cuando una clienta solicita recomendaciones de base de maquillaje, la IA consulta su tono de piel específico, sus compras y devoluciones anteriores, y el inventario de la tienda en tiempo real. Las clientas de Sephora que utilizan estas herramientas triplican la probabilidad de completar sus compras. Estas herramientas también han ayudado a reducir las devoluciones de productos en un 30%.

Otro factor diferenciador clave para los agentes de marca es la capacidad de incorporar el modelo de intervención humana. Las marcas que desarrollan sistemas de gestión que mantienen la supervisión humana y escalan sin problemas problemas complejos a expertos humanos pueden obtener una ventaja sobre los agentes de consumo y reducir la brecha de confianza. Este tipo de modelo híbrido no suele estar disponible para los agentes de consumo, ya que los únicos involucrados son los propios consumidores.

El agente de IA creado por ServiceNow, empresa de automatización de flujos de trabajo, ejemplifica este enfoque. La empresa implementó un agente de IA capaz de resolver de forma autónoma el 80 % de las consultas entrantes, como actualizaciones de pedidos, acceso al sistema y resolución de problemas básicos. Para el 20 % restante, que implica mayor complejidad o matices, el sistema escala automáticamente el problema a los trabajadores, quienes revisan los resultados generados por la IA, aplican su criterio experto y toman las decisiones finales. Esta fusión de IA con intervención humana ha reducido el tiempo de resolución de casos complejos en un 52 %, lo que demuestra cómo las marcas pueden mejorar la eficiencia a la vez que mantienen la confianza, la precisión y el control.

Es importante destacar que el valor de marca tradicional sigue siendo importante para que los clientes utilicen a su agente. Cuando los consumidores tienen experiencias positivas previas con una marca, es más probable que confíen en él. Pero esa base por sí sola no es suficiente. Los propios agentes de IA también deben ganarse la confianza. Una encuesta reciente de Salesforce reveló que la mayoría de los consumidores no cree que las empresas utilicen la IA de forma ética, y el 72 % de los encuestados exigió transparencia sobre cuándo interactúan con IA en lugar de con una persona. Esto representa una oportunidad estratégica. Las marcas que adoptan y comunican claramente prácticas responsables de IA no solo pueden generar confianza en sus propios agentes, sino también cerrar parte de la brecha de confianza inherente entre los agentes de marca y los agentes de consumo.

Para explorar cómo la IA responsable influye en la elección del consumidor, uno de nosotros (Oguz) colaboró ​​con colegas para realizar tres experimentos de elección discreta a gran escala con 3268 participantes del Reino Unido. Se pidió a los consumidores que hicieran concesiones realistas entre productos de IA con distintos niveles de características de IA responsable (como privacidad, auditabilidad y comprensibilidad) y otros atributos comunes como precio, rendimiento, personalización y autonomía.

Los hallazgos fueron sorprendentes. En un estudio, centrado en una aplicación de planificación de pensiones basada en IA, la privacidad se posicionó como el factor más influyente en la toma de decisiones (31%), seguida de la auditabilidad o supervisión humana (26%). En otro estudio, que involucró una herramienta de inversión basada en IA, la privacidad volvió a ser un factor clave, casi igual de importante que el precio. Incluso cuando existían opciones de alto rendimiento, los atributos de IA responsable influyeron significativamente en las preferencias de los consumidores. Quizás lo más revelador sea que, al integrar funciones de IA responsable en el diseño del producto, las tasas de adopción previstas aumentaron del 2,4% al 63,2% para la aplicación de pensiones y del 27,5% para la aplicación de inversión.

Persuadir a los consumidores de que elijan a su agente en lugar de alternativas independientes requiere dos buenas prácticas. Las marcas deben aprovechar lo que los agentes independientes no pueden replicar: experiencias altamente contextualizadas basadas en el conocimiento exclusivo del producto. También deben crear sistemas flexibles que permitan a los agentes derivar las conversaciones a expertos humanos. Ofrecer este nivel de personalización y adaptabilidad ofrece a los clientes una opción inteligente que pueden usar (o anular) según sus preferencias.

[   Etapa 3   ]

Haz que otros agentes de IA elijan tu marca

Aunque las marcas promocionan sus propios agentes de IA, es probable que muchos consumidores opten por confiar en agentes independientes como ChatGPT, Claude o Gemini. Esto crea un nuevo imperativo estratégico: garantizar que su marca sea visible y, en última instancia, recomendada por los agentes de IA.

Lograrlo requiere más que crear su propio agente. Las marcas también deben desarrollar puntos de integración perfectos con el ecosistema de IA más amplio. Considere la rápida adaptación de Instacart a las compras asistidas por IA. Cuando OpenAI introdujo los complementos de ChatGPT en 2023, Instacart respondió con una doble estrategia. Creó Ask Instacart, una herramienta de búsqueda impulsada por ChatGPT dentro de su aplicación. También desarrolló un complemento de ChatGPT que permite a los usuarios agregar artículos directamente a su carrito durante las conversaciones con el chatbot dentro de la aplicación ChatGPT. Los clientes comienzan con una consulta, como "¿Cómo hago un pastel de zanahoria fácil?". El complemento de Instacart luego proporciona una receta y coloca automáticamente los ingredientes en un carrito de compras dentro de la aplicación ChatGPT. Este enfoque subraya por qué es esencial desarrollar puntos de integración con agentes de IA para el consumidor. Al integrar sus servicios en su propia aplicación y plataformas de IA externas, Instacart se posicionó eficazmente para satisfacer una amplia gama de consultas relacionadas con la alimentación para muchos consumidores, independientemente de dónde comenzó la conversación.

Preparar las marcas para los agentes de IA también requiere aprendizaje, experimentación y adaptación continuos. Por ejemplo, cuando OpenAI introdujo GPT personalizados (transformadores generativos preentrenados; en este caso, versiones especializadas de ChatGPT), Instacart se adaptó de nuevo y lanzó su propio GPT para mantener su posición en la plataforma. Un aspecto fundamental de la adaptación es evaluar el rendimiento de la marca en los principales LLM y optimizarlos. Similar al enfoque de Pernod Ricard, Danone supervisa periódicamente cómo los LLM representan sus marcas y realiza intervenciones específicas para gestionar las percepciones impulsadas por la IA en tiempo real. Cuando surgen discrepancias o tergiversaciones, Instacart realiza ajustes específicos en sus comunicaciones de marketing y realiza un seguimiento de las mejoras mensurables en cómo los agentes de IA describen y recomiendan sus productos.

Una investigación reciente de la Harvard Business School explora herramientas adicionales para gestionar cómo los agentes de IA perciben su marca. En un estudio, los investigadores examinaron el uso de una secuencia de texto estratégica (STS). En pocas palabras, una STS es una secuencia de texto generada algorítmicamente, a menudo sin sentido para los lectores humanos, que se agrega a la página de información de un producto para aumentar la probabilidad de que el producto aparezca como la principal recomendación de los LLM. Los investigadores probaron dos marcas de café ficticias, ColdBrew Master y QuickBrew Express. ColdBrew fue inicialmente excluida de las sugerencias debido a su precio más alto, pero se convirtió en una opción muy recomendada después de la inserción de una STS. QuickBrew Express, que ya aparecía en los resultados, también se benefició de una inserción de STS y ganó prominencia en los LLM. Otros estudios destacan los sesgos positivos de la IA hacia las marcas globales o el contenido generado por IA, lo que proporciona más palancas para que las marcas tiren.

Los modelos de razonamiento de nueva generación añaden otra herramienta poderosa al conjunto de herramientas de optimización de marca. Estos modelos revelan el proceso de toma de decisiones de los LLM, permitiendo a las marcas comprender por qué se recomiendan ciertos productos en lugar de otros. Consideremos un ejemplo práctico: un consumidor que utiliza el modelo R1 de Perplexity para buscar un cargador inalámbrico en el Reino Unido. Cuando se le pregunta "¿Cuáles son los mejores productos disponibles en línea?", el modelo muestra su proceso de forma transparente. Muestra que extrae información de medios de comunicación de confianza y guía al cliente a través de criterios como precio, compatibilidad y reseñas de usuarios. Su principal recomendación en este caso fue el cargador Ugreen Qi2. Para los gerentes de producto de marcas de la competencia, esto ofrece una guía para la alineación.

Al enfatizar las características que interesan a los consumidores (como la carga Qi2 o la compatibilidad con múltiples dispositivos) y fijar un precio justo para el producto, se garantiza que aparezca cuando se consulta a los sistemas de IA y aumenta considerablemente la probabilidad de que los asistentes de IA lo elijan. Sin embargo, los esfuerzos de optimización corren el riesgo de fracasar si no se comprende claramente cómo los consumidores realmente incitan a los agentes de IA. Un estudio reciente de Carnegie Mellon muestra que incluso cambios sutiles en la redacción de las búsquedas pueden alterar significativamente las recomendaciones de marca. Los investigadores utilizaron sinónimos para modificar indicaciones básicas, como "Ayúdame a elegir el mejor servicio de VPN", y descubrieron que incluso una simple reformulación podía aumentar la probabilidad de que los consumidores eligieran una marca hasta en un 78,3 %. En resumen, conocer cómo formulan los consumidores sus consultas debería ser la base para refinar y optimizar el contenido de marketing. Esto implica comprobar periódicamente el rendimiento de la información del producto en diferentes variaciones de las indicaciones, así como supervisar, mediante registros de búsqueda e interacciones con el servicio de atención al cliente, la redacción real que utilizan los consumidores. A medida que evolucionan los sistemas de IA, la optimización basada en indicaciones deberá ser un esfuerzo continuo, no un ejercicio puntual.

De cara al futuro, las marcas deberían empezar a adoptar estándares emergentes de accesibilidad para IA. Una propuesta que está cobrando impulso es llms.txt, un formato legible por máquina diseñado específicamente para LLM. A diferencia del contenido web tradicional, llms.txt permite a las marcas estructurar y mostrar la información del producto de forma que los agentes de IA puedan analizarla y priorizarla fácilmente. Marcas con visión de futuro como Cloudflare, HubSpot y Stripe ya lo están haciendo. Los primeros resultados son prometedores: algunas marcas han obtenido beneficios mensurables, que van desde un aumento del 12 % en el tráfico generado por IA en dos semanas hasta un incremento del 25 % en el tráfico orgánico.

Las marcas también deben prepararse para la aparición de modelos de monetización basados ​​en IA. Los sistemas de pago por uso, similares a los de la publicidad en buscadores, pueden influir en los productos que recomiendan los agentes de IA. Para mantenerse competitivas, las marcas necesitarán estrategias para mantener su visibilidad en los mercados mediados por IA, garantizando al mismo tiempo la transparencia de las promociones de pago, de acuerdo con la evolución de las regulaciones globales.

...

El auge de los agentes de IA está redefiniendo fundamentalmente el contrato entre empresas y consumidores. Las conexiones que antaño constituían la base de las relaciones de marca están siendo reconfiguradas, a menudo mediadas y, en ocasiones, gestionadas por completo por la IA. Para tener éxito, las empresas deben operar eficazmente en todo el espectro de encuentros: desde los intercambios totalmente humanos hasta las interacciones con agentes de marca y de consumo, y la intermediación totalmente autónoma de la IA.

El uso que los consumidores hacen de los agentes varía según su relación con la marca y la naturaleza del producto o servicio. Incluso dentro de una misma marca, un consumidor podría preferir una combinación de métodos, como delegar tareas rutinarias a los agentes, consultar con los agentes de la marca para consultas detalladas y cerrar transacciones importantes con personal. Considere qué opciones funcionan mejor para sus clientes y úselas en el momento oportuno para impulsar el éxito de su marca.

Lea más sobre Tecnología y análisis o temas relacionados IA y aprendizaje automático, IA generativa, Publicidad, Gestión de marca, Marketing, Experiencia del cliente y Comportamiento del consumidor.

Una versión de este artículo apareció en la  próxima  edición de marzo-abril de 2026 de Harvard Business Review.

Oguz A. Acar es profesor de marketing e innovación en la King's Business School del King's College de Londres.

David A. Schweidel es titular de la Cátedra Goizueta en Tecnología Empresarial y profesor de marketing en la Escuela de Negocios Goizueta de la Universidad Emory.