Lo que los especialistas en marketing deben entender sobre la IA en este momento: una conversación sobre el liderazgo de Big Dogs Network con Adam Gordon

La conversación de March Big Dogs Network con Adam Gordon se centró en las herramientas de IA generativa que la mayoría de los profesionales utilizan ahora de forma habitual, incluidas plataformas como ChatGPT, Claude, Gemini y NotebookLM. Si bien el campo más amplio de la IA incluye muchos otros enfoques, el debate se centró en los sistemas que están transformando de manera más visible el trabajo diario.

A partir de ahí, la conversación pasó de las herramientas a algo más fundamental. Si estos sistemas van a influir en la forma en que pensamos, trabajamos y tomamos decisiones, es esencial comprender cómo funcionan y cómo interpretar sus resultados.

‍

Comprender lo que hay debajo de la interfaz

Una de las contribuciones más valiosas que hizo Adam fue basar la conversación en cómo funcionan realmente estos sistemas.

Los grandes modelos lingüísticos actuales son sistemas probabilísticos. En un nivel alto, funcionan identificando patrones en la forma en que las palabras y las frases tienden a sucederse unas a otras. Simplemente, dividen las entradas en símbolos (cada uno con aproximadamente ¾ de palabra) para entender lo que quiere decir el usuario y, a continuación, generan resultados (nuevas cadenas de símbolos y, a continuación, palabras) basándose en los patrones del lenguaje. No están evaluando la verdad en un sentido deliberado, ni están razonando de la misma manera que lo hacen los humanos. Más bien, son sistemas de razonamiento no humanos que pueden simular la coherencia al predecir lo que probablemente vendrá después.

La razón por la que esto es importante se aclara muy rápidamente en la práctica.

Estos sistemas pueden ser notablemente articulados. Pueden producir respuestas reflexivas, informadas, bien estructuradas... e incorrectas. No confundas su fluidez con la comprensión. Como señaló Adam, pueden dar respuestas con un alto grado de confianza y positividad, independientemente de si esas respuestas son correctas.

Para los profesionales, especialmente aquellos que trabajan en áreas donde la precisión y la credibilidad son esenciales, esto crea un cambio sutil pero importante. En realidad, una respuesta bien escrita nunca ha sido un indicador fiable de validez, y no lo es tanto con estos LLM. En resumen: comprueba todo lo que te importa.

‍

Cuando la confianza supera a la precisión

Esta dinámica surgió rápidamente en la discusión a través de las preguntas del grupo.
Si estos sistemas pueden producir resultados confiables pero potencialmente incorrectos, ¿cómo deberían abordar los profesionales la validación?

La respuesta de Adam hizo hincapié en la necesidad de salir del entorno de la IA cuando la precisión importa. Pedir citas a la IA ayuda, pero no es suficiente. Esas fuentes deben comprobarse directamente. ¿Existen siquiera? ¿Son accesibles (por ejemplo, no están detrás de un muro de pago)? ¿Respaldan realmente las afirmaciones que se hacen?

También reconoció algo que muchos participantes han experimentado. Los diferentes sistemas de IA pueden producir respuestas diferentes a la misma pregunta, e incluso el mismo sistema puede variar sus respuestas según el contexto. Esta variabilidad refleja el funcionamiento de estos modelos y es algo que los usuarios deben tener en cuenta.

La implicación no es que estas herramientas carezcan de valor. Por el contrario, pueden acelerar significativamente el aprendizaje y la exploración. Pero funcionan a un nivel de plausibilidad, no de verificación. La responsabilidad de determinar qué es preciso, actual y relevante recae en nosotros.

‍

De la incitación a la claridad de pensamiento

Un tema particularmente resonante en la conversación fue el cambio de centrarse en las indicaciones a centrarse en el pensamiento.

Las primeras discusiones sobre la IA generativa a menudo se centraban en la elaboración de mejores indicaciones. Si bien eso sigue siendo relevante, Adam reformuló el tema de una manera más fundamental. La calidad del resultado está estrechamente ligada a la claridad de la intención que lo sustenta.

¿Cuál es el resultado deseado?
¿Qué define un resultado fuerte frente a uno débil?
¿Qué restricciones o límites deberían dar forma a la respuesta?
¿Qué fuentes o tipos de información se deben priorizar o evitar?

Cuando estos elementos están claramente definidos, el sistema funciona de manera más eficaz. Cuando no lo están, llena los vacíos de maneras que pueden parecer razonables pero que pueden no estar alineadas con el objetivo original.

Este punto provocó un firme acuerdo por parte del grupo. La disciplina requerida para trabajar eficazmente con estos sistemas refleja algo más conocido. Un pensamiento claro conduce a mejores resultados, ya sea que la audiencia sea un sistema de inteligencia artificial o un equipo humano.

‍

Pasar de la interacción a la ejecución

La conversación también exploró cómo estos sistemas están evolucionando, pasando de ser herramientas con las que interactuamos a sistemas capaces de ejecutar tareas más complejas.

Adam introdujo la distinción entre los modelos estándar y los modelos de razonamiento más nuevos. Si bien ambos se basan en principios subyacentes similares, los modelos de razonamiento están diseñados para manejar procesos más complejos y de varios pasos. Pueden dividir las tareas en componentes, repetirlas en iteraciones y producir resultados más estructurados.

Este cambio cambia la forma en que se utilizan mejor.

En lugar de guiar cada paso o restringir demasiado el sistema con un rol predefinido, los usuarios suelen estar mejor informados si definen el contexto por adelantado. Esto incluye articular el resultado deseado, proporcionar ejemplos de cómo son los resultados buenos y malos, especificar las fuentes de datos pertinentes y establecer restricciones.

Una pregunta del grupo se centró en las implicaciones prácticas de este enfoque. ¿Cuánto tiempo lleva configurarlo?

La respuesta de Adam fue mesurada. La configuración inicial puede llevar tiempo, especialmente cuando se define el contexto a fondo. Sin embargo, esa inversión crea una estructura reutilizable. Con el tiempo, funciona menos como una interacción puntual y más como una infraestructura que respalda el trabajo continuo. Como ocurre con cualquier infraestructura, hay una inversión inicial que se amortiza enormemente con el tiempo.

‍

Realidades prácticas y casos de uso emergentes

La discusión también incluyó una serie de preguntas prácticas sobre cómo se utilizan estas herramientas en el día a día.

Adam describió trabajar en un pequeño ecosistema de plataformas en lugar de confiar en una única solución. Se hizo referencia a herramientas como ChatGPT, Claude, Gemini y NotebookLM como ejemplos del panorama actual, cada una con sus puntos fuertes según la tarea. Algunas son particularmente eficaces para la síntesis y la escritura, otras para organizar y trabajar con entradas estructuradas.

También señaló un cambio en la forma en que se aborda la búsqueda en sí misma. En lugar de confiar exclusivamente en los motores de búsqueda tradicionales, herramientas como Perplexity se utilizan cada vez más para sintetizar la información y acelerar la comprensión, especialmente en las primeras etapas de exploración.

Este enfoque multiherramienta refleja el número de usuarios experimentados que operan en la actualidad. En lugar de buscar una única «mejor» plataforma, están desarrollando una comprensión práctica de qué herramientas son más eficaces en diferentes contextos y avanzando entre ellas en consecuencia.

Al mismo tiempo, advirtió contra la automatización excesiva sin una intención clara. Un ejemplo discutido fue el de un sistema de servicio al cliente basado en inteligencia artificial que se optimizó para ser eficiente, específicamente para el volumen de interacciones gestionadas, más que para mejorar la experiencia del cliente. El resultado fue la insatisfacción de los clientes a gran escala.

El punto más amplio es sencillo. La IA se optimizará para aquello para lo que se le pida que optimice. Si el objetivo no está bien definido, el resultado puede ser técnicamente exitoso pero desalineado estratégicamente.

Otra cuestión práctica planteada por el grupo fue la tendencia de las conversaciones prolongadas con los sistemas de IA a degradar su calidad con el tiempo. Adam reconoció que esto constituía una limitación y señaló que, a medida que el contexto se acumula, el significado puede ir a la deriva. Su recomendación era pragmática. Reinicia la conversación cuando sea necesario y sigue adelante solo con el contexto más relevante.

‍

Dónde agregan valor estos sistemas y dónde no

A lo largo de la conversación, se hizo un esfuerzo constante por mantener los cimientos en lo que estos sistemas hacen bien y en lo que siguen existiendo sus limitaciones.

Son muy eficaces en áreas que se benefician de la velocidad, la síntesis y el reconocimiento de patrones. Pueden ayudar a generar ideas, resumir información compleja y apoyar la exploración en las primeras etapas.

Son mucho menos confiables cuando las tareas requieren juicio, comprensión del contexto o matices. No comprenden intrínsecamente las implicaciones empresariales ni las motivaciones humanas. Esos elementos aún dependen de la experiencia de un ser humano.

Para quienes trabajan en marketing e investigación, esta distinción es particularmente importante. El valor del trabajo no reside únicamente en la información recopilada, sino en la forma en que se interpreta y aplica.

‍

La comida para llevar

Si hubo un tema unificador en la conversación, fue este: la ventaja no proviene del acceso a la IA, sino de usarla bien.

Estas herramientas ya están ampliamente disponibles. Lo que diferencia a los profesionales es su capacidad para pensar con claridad, definir los objetivos con precisión y aplicar su juicio de manera coherente.

La conversación no tenía que ver con la sustitución de la experiencia. Se trataba de ampliarlo.

Al igual que con los cambios tecnológicos anteriores, los fundamentos permanecen intactos. La claridad, el rigor y la interpretación siguen siendo importantes. Lo que está cambiando es el entorno en el que se aplican esas capacidades y la velocidad a la que ahora puede avanzar el trabajo.

Para Big Dogs Network, la sesión sirvió como un recordatorio oportuno de que, si bien las herramientas evolucionan rápidamente, la responsabilidad de utilizarlas con cuidado sigue siendo firmemente humana.

Aprenda más
Big Dogs Network conecta a consultores de marketing sénior, estrategas y líderes de agencias con experiencia en organizaciones de más de 500 millones de dólares para colaborar, compartir ideas y mejorar la profesión de marketing. Para obtener más información, póngase en contacto con Ron Snyder en rsnyder@innovations86.com o Kirsty Nunez en kirsty.nunez@q2insights.com.

Para conectarse con Adam Gordon y obtener más información sobre su trabajo en inteligencia artificial, estrategia de marketing e iniciativas de crecimiento, póngase en contacto con él en adam@sapients.co o 408.499.6878.

Este artículo forma parte de una serie continua que comparte información sobre los eventos y conversaciones de Big Dogs Network con líderes de organizaciones de marketing a gran escala.

Artículo de Kirsty D. Nunez, presidenta y principal estratega de investigación de Q2 Insights y miembro del equipo directivo de Big Dogs Network.

‍