¿Dónde están los casos prácticos de IA en marketing con cifras reales? En menos sitios de los que sugiere el circuito de conferencias. La mayoría de las «historias de éxito de IA» cuentan producción: piezas generadas, horas ahorradas en teoría, herramientas adoptadas. Las pocas de las que merece la pena aprender señalan una ineficiencia concreta, la miden, explican el método y dicen con honestidad si el resultado ya se ha producido.
El ejemplo más reciente llegó esta semana. Campaign Middle East informó de que la agencia de performance TRKKN usó el modelo de marketing mix de código abierto Meridian, de Google, para mostrar a Faces, la cadena minorista de belleza, de dónde proceden realmente sus ingresos en Arabia Saudí. Tres años de datos, 11 canales y un aumento incremental de ingresos proyectado del 8,5 % más una mejora del ROI de 10,8 puntos porcentuales, solo con mover un presupuesto que Faces ya estaba gastando.
¿Qué demuestra realmente el caso de Faces y TRKKN?
Algo concreto y útil. TRKKN desplegó Meridian dentro del entorno de Google Cloud que Faces ya tenía, modelizó datos de marketing e ingresos online y offline de 2023 a 2025 y construyó curvas de respuesta y de saturación para cada canal. Performance Max resultó ser el canal más fuerte. El modelo también mostró dónde el gasto adicional toparía con rendimientos decrecientes.
Harry Lonergan, director de marketing digital de Faces, parte de Chalhoub Group, resumió el valor en una sola frase: «Meridian nos ha ayudado a dejar atrás lo que vemos en el rendimiento del último clic».
Dos matices. Primero, como deja claro el informe, el 8,5 % y los 10,8 puntos proceden de escenarios modelizados, no de resultados posteriores a la implantación. Segundo, se trata de modelización estadística y no de IA generativa, así que no dice nada sobre las herramientas de contenido. Ninguno de los dos puntos debilita el caso. Ambos lo hacen creíble, porque sabes exactamente qué estás mirando.
¿Por qué la mayoría de los casos prácticos de IA en marketing son tan endebles?
Los economistas tienen un nombre para los mercados en los que los precios dejan de enviar las señales correctas: fallo de mercado. Una causa clásica es la asimetría de información, cuando una de las partes de un trato sabe mucho más que la otra. La publicidad convive con ella desde hace décadas. Las plataformas se ponen ellas mismas la nota. Las agencias facturan horas por un trabajo que los clientes nunca ven. Los clientes juzgan los canales con cifras de último clic que favorecen a lo que casualmente estuviera más cerca de la venta.
Los casos prácticos de IA heredan el problema. Los proveedores publican los éxitos, rara vez el método y casi nunca la línea base. Una frase como «ahorró el 40 % del tiempo de producción» suena a prueba hasta que preguntas: ¿el 40 % de qué, medido cómo y qué pasó con el trabajo?
Los casos útiles hacen lo contrario. Atacan una ineficiencia que el mercado ha tolerado, como la medición por último clic o los días de informes manuales, y muestran la cifra. La eficiencia, en este sentido, es de verdad la madre de la innovación: no puedes reinventar un proceso hasta que ves cuánto cuesta.
¿Qué casos prácticos de IA tienen cifras que se puedan comprobar?
Esto es lo que podemos señalar hoy, incluidos nuestros propios clientes, juzgado con la misma prueba. Donde no hay una cifra publicada, lo decimos.
| Caso | Ineficiencia abordada | La cifra | ¿Proyectado o conseguido? | Qué falta |
|---|---|---|---|---|
| Faces y TRKKN (Meridian MMM) | Una visión de 11 canales basada en el último clic | Aumento incremental de ingresos del 8,5 %; mejora del ROI de 10,8 puntos | Proyectado a partir de tres años de datos | Resultados posteriores a la implantación |
| SAMY con Defy Agents | Informes de rendimiento manuales | Tres días de trabajo reducidos a uno | Conseguido en el flujo de trabajo | El valor comercial del tiempo liberado |
| Enchant con Defy Monitor | Obtención de insights de CRM y despliegue de campañas de forma manual | Sin cifra publicada | Adoptado para todos sus clientes | Un resultado cuantificado |
| SharkNinja con Defy Monitor | Comprensión de los mercados de Latinoamérica | Sin cifra publicada | Se usa para diseñar estrategias con las que probar y aprender rápidamente | Los resultados de esas pruebas |
| Agencias sprint (Beers With Friends, X&O) | Proyectos de meses de duración e igualas | Sprints de cinco días; los clientes vuelven varias veces al año | Modelo operativo en funcionamiento | La IA no interviene en la historia |
¿Cómo es «de tres días a uno» dentro de una agencia?
SAMY, una agencia global de influencers, adoptó Defy Agents para agilizar sus informes de rendimiento y redujo tres días de trabajo a uno. No es una cifra glamurosa. Es de las que importan, porque los informes son la tarea tediosa que conoce todo equipo de cuentas: sacar cifras de las plataformas, conciliarlas, dar formato a la presentación, revisarla, enviarla, explicarla.
Los flujos de trabajo con agentes de la plataforma Defy quitan de las mesas de la gente ese tipo de entregas repetitivas. La pregunta interesante es en qué se convierten los otros dos días. Si se esfuman en más de lo mismo, el cliente no ve nada. Si se dedican a análisis, ideas y conversación, el informe deja de ser un coste y pasa a ser una razón para renovar.
El análisis de Campaign US sobre el modelo de agencia sprint muestra adónde lleva comercialmente la velocidad. Beers With Friends trabaja en sprints de cinco días. Brett Banker, cofundador de X&O, dice que la agencia tiene «cero retención de clientes», porque los clientes vuelven varias veces al año en lugar de firmar contratos de agencia de referencia. El artículo no menciona la IA en ningún momento. Ese es el punto: los clientes ya pagan por velocidad y foco. Una entrega más rápida simplemente pone ese modelo al alcance de más agencias.
Cómo juzgar un caso práctico de IA en marketing antes de copiarlo
- Nombra la ineficiencia. ¿Qué era un despilfarro o resultaba invisible antes? «Adoptamos IA» no es una ineficiencia.
- Busca la línea base. Tres días de informes, atribución por último clic, un proyecto que se mide en meses. Sin línea base, no hay caso práctico.
- Comprueba el método. ¿Qué datos, durante qué periodo, en cuántos canales? El caso de Faces responde a las tres preguntas.
- Separa lo proyectado de lo conseguido. Un aumento modelizado es una previsión. Trátalo como una hipótesis que contrastar, no como un resultado que citar en un pitch.
- Pregunta adónde fue el tiempo ahorrado. La eficiencia solo cuenta si se traduce en mejor trabajo, decisiones más rápidas o menor coste para el cliente.
- Haz tu propio piloto. Un cliente, un flujo de trabajo, un mes, con la línea base anotada antes de empezar.
¿Dónde sigue siendo escasa la evidencia?
Sobre todo donde las promesas son más ruidosas. La medición y los informes producen cifras limpias de antes y después, así que dan buenos casos prácticos. El contenido generativo es más difícil: producir más piezas es fácil de contar, mientras que demostrar que esas piezas vendieron más no lo es. Desconfía de cualquier caso que se quede en el volumen.
Nuestra propia tabla también tiene lagunas. Enchant y SharkNinja son implantaciones reales sin cifras publicadas, y la cifra de SAMY mide tiempo, no ingresos. Preferimos mostrar las lagunas a disimularlas. Las agencias que lo hagan bien a partir de ahora publicarán su método junto con sus éxitos, porque es el único tipo de caso práctico que un director financiero escéptico leerá dos veces.
