Resumen: La inteligencia artificial (IA) reordena el marketing contemporáneo y se ha consolidado como un factor estratégico para la competitividad de las organizaciones. Este estudio analiza cómo la literatura académica reciente caracteriza la incorporación de la IA en las estrategias de marketing y las implicaciones que se le atribuyen para la toma de decisiones organizacionales y para la personalización de la experiencia del cliente. El enfoque es cualitativo, con diseño documental de carácter narrativo estructurado. Se revisó literatura recuperada de Scopus y Web of Science, circunscrita al período 2014-2024 y analizada mediante matrices de categorías temáticas y codificación con el software ATLAS.ti 23. Tras un cribado documental que identificó 38 fuentes primarias elegibles, el corpus analítico quedó conformado por 11 fuentes seleccionadas por su densidad de contenido empírico y calidad académica. Se identificaron 313 citas codificadas en 12 códigos, agrupados en tres familias: herramientas de IA en marketing (139 citas), barreras de implementación (99 citas) y transformación de la relación marca-consumidor (75 citas). Las herramientas más adoptadas sistemas de recomendación, chatbots, analítica predictiva y automatización publicitaria elevan la eficiencia operativa y las tasas de conversión según los estudios revisados. A partir de los hallazgos se propone un modelo interpretativo que articula las tres familias en una secuencia condicional: la adopción tecnológica se traduce en ventaja competitiva solo cuando supera el filtro de las barreras de implementación y cuando la organización gobierna la tensión entre la personalización, que exige datos, y la confianza, que exige transparencia y control sobre esos datos. Se concluye que ese equilibrio, y no la mera adopción, determina la sostenibilidad de la ventaja. Se sugiere avanzar hacia estudios longitudinales y de alcance regional que validen empíricamente estos hallazgos en contextos latinoamericanos.
Palabras clave: Marketing, Inteligencia artificial, Toma de decisiones, Privacidad de datos, Confianza del consumidor.
Abstract: Artificial intelligence (AI) is reshaping contemporary marketing and has become a key strategic factor for organizational competitiveness. This study analyzes how recent academic literature characterizes the incorporation of AI into marketing strategies and the implications attributed to it for organizational decision-making and for the personalization of the customer experience. The approach is qualitative, with a structured narrative documentary design. Literature retrieved from Scopus and Web of Science was reviewed, limited to the 2014-2024 period and analyzed through thematic category matrices and coding with ATLAS.ti 23 software. Following a documentary screening process that identified 38 eligible primary sources, the analytical corpus was composed of 11 primary sources selected for their empirical content density and academic quality. A total of 313 citations were identified, coded under 12 codes grouped into three families: AI tools in marketing (139 citations), implementation barriers (99 citations), and transformation of the brand-consumer relationship (75 citations). The most widely adopted tools recommendation systems, chatbots, predictive analytics, and advertising automation increase operational efficiency and conversion rates according to the reviewed studies. Drawing on the findings, an interpretive model is proposed that articulates the three families in a conditional sequence: technological adoption translates into competitive advantage only when it clears the filter of implementation barriers and when the organization governs the tension between personalization, which requires data, and trust, which requires transparency and consumer control over that data. It is concluded that this balance, rather than adoption itself, determines the sustainability of the advantage. Longitudinal and regionally focused studies are suggested to empirically validate these findings in Latin American contexts.
Keywords: Marketing, Artificial intelligence, Decision-making, Data privacy, Consumer trust.
INTRODUCCIÓN
La irrupción de la inteligencia artificial (IA) en el ámbito empresarial ha reconfigurado las prácticas de marketing. Lo que en décadas pasadas se reducía a técnicas de segmentación masiva y comunicación unidireccional evolucionó hacia un ecosistema de interacciones personalizadas y sustentadas en datos. Las organizaciones que aspiran a mantenerse competitivas incorporan hoy tecnologías de IA no como meras herramientas operativas, sino como componentes centrales de su estrategia comercial.
La confluencia entre IA y marketing tiene raíces largas. En los años ochenta se desarrollaron los primeros algoritmos de clasificación para segmentar clientes, y la masificación de Internet en los noventa trajo consigo los sistemas de recomendación y la publicidad comportamental. El punto de inflexión llegó después de 2015: el auge del aprendizaje profundo, el crecimiento exponencial de los datos y la caída del costo computacional dieron a la IA una dimensión verdaderamente transformadora para el marketing organizacional (Vlačić et al., 2021).
El interés académico ha crecido de forma sostenida. Arcos Naranjo y Fernández Villacrés (2024) reportan que más del 60 % de los especialistas en marketing ya emplea alguna herramienta de IA en sus campañas, señal tanto de la madurez de la oferta tecnológica como de la presión competitiva del mercado. Ching Ruíz (2024), por su parte, advierte que la transformación no se agota en la operación táctica: permea la cultura organizacional y los modelos de gobernanza de datos.
Conviene precisar qué se entiende aquí por inteligencia artificial, pues el término suele usarse como paraguas de tecnologías dispares. En este trabajo la IA designa el conjunto de sistemas computacionales capaces de ejecutar tareas que ordinariamente requerirían intervención humana, como reconocer patrones, predecir conductas o generar contenido. Dentro de ese conjunto conviene distinguir tres niveles que la literatura a menudo confunde: la automatización, que ejecuta reglas predefinidas sin aprender de los datos; la analítica predictiva, que estima resultados futuros con modelos estadísticos; y el aprendizaje automático (machine learning), incluido el aprendizaje profundo, que ajusta sus propios parámetros a partir de los datos y mejora con la experiencia. La distinción importa porque cada nivel plantea exigencias distintas de datos, talento y gobernanza.
Las aplicaciones son diversas. Van de la automatización de campañas al análisis predictivo del comportamiento del consumidor, y han probado su valor para maximizar el retorno de inversión y mejorar la experiencia del cliente (AI Marketing Engineers, 2024). Amazon, por ejemplo, sustenta buena parte de sus recomendaciones en algoritmos que procesan el historial de compras y búsquedas, con un efecto documentado sobre sus tasas de conversión (Cáceres, 2023).
El avance no está exento de fricciones. Muchas empresas tropiezan al integrar estas tecnologías en sistemas heredados y necesitan capacitar a su personal (Liberos Hoppe et al., 2024). La dependencia excesiva de la IA puede, además, distanciar a la marca de sus consumidores cuando se percibe como intrusiva o poco auténtica. De ahí que el reto no sea solo técnico, sino relacional.
Ese reto relacional define el problema que este estudio coloca en el centro. La cuestión no es si la IA mejora las decisiones de marketing sobre lo cual existe amplio consenso, sino la tensión que su uso introduce entre dos exigencias contrapuestas. La personalización que da valor a la IA se alimenta de datos personales; la confianza que sostiene el vínculo con el cliente depende de la transparencia y del control que este conserve sobre esos datos. La hipótesis de trabajo sostiene que la ventaja competitiva no deriva de la adopción tecnológica por sí misma, sino de la capacidad de la organización para gestionar el equilibrio entre personalización y privacidad.
Un vacío adicional motiva la investigación. La evidencia disponible se concentra en grandes corporaciones globales y presta escasa atención a los mercados latinoamericanos, donde los costos de adopción y las brechas de acceso condicionan de otro modo la incorporación de la IA. Revisar la literatura con esa mirada permite organizar hallazgos dispersos y orientarlos hacia decisiones gerenciales pertinentes para contextos como el panameño.
METODOLOGÍA
El propósito general del estudio consiste en analizar, a partir de la literatura académica reciente, cómo se caracteriza la incorporación de la inteligencia artificial en las estrategias de marketing y qué implicaciones se le atribuyen para la toma de decisiones organizacionales y la personalización de la experiencia del cliente. De ese propósito se derivan tres objetivos específicos: (a) identificar las herramientas de IA con mayor adopción reportada en la literatura; (b) sistematizar las barreras de implementación documentadas en el corpus; y (c) caracterizar cómo se describe la reconfiguración de la relación marca-consumidor, con atención a la tensión entre personalización y privacidad.
El estudio se enmarca en un paradigma cualitativo. Según Flick (2017), esta orientación resulta apropiada cuando el objetivo no es cuantificar fenómenos sino comprender los significados y las dinámicas que los actores atribuyen a sus experiencias. La elección se ajusta al problema planteado, pues el impacto de la IA en el marketing no se deja reducir a métricas aisladas y exige una lectura contextualizada de tendencias y tensiones.
El alcance es descriptivo. Hernández Sampieri y Mendoza Torres (2018) señalan que este diseño busca especificar las características de un fenómeno sin establecer relaciones causales. En consonancia, el estudio describe cómo las organizaciones incorporan la IA, qué herramientas predominan, qué barreras emergen y cómo se reconfigura el vínculo con el consumidor, sin pretender inferir causalidad a partir de los documentos. El diseño específico es el documental, que implica revisar y analizar de forma crítica fuentes escritas para construir conocimiento a partir de hallazgos ya reportados (Arias, 2012).
Conviene precisar el tipo de revisión. El trabajo no constituye una revisión sistemática en sentido estricto, pues no aplica el protocolo PRISMA ni procedimientos de metaanálisis. Se trata de una revisión documental de carácter narrativo estructurado, orientada a organizar de manera trazable y replicable la evidencia disponible en torno a los tres ejes analíticos. La elección responde al propósito interpretativo de la investigación, que busca comprender tendencias y tensiones antes que estimar efectos.
PROCESO DE BÚSQUEDA Y SELECCIÓN DE FUENTES
La búsqueda se realizó en Scopus y Web of Science, con cobertura de 2014 a 2024 y énfasis en el último quinquenio por el ritmo de evolución del campo. Los descriptores, en español e inglés, fueron: “inteligencia artificial en marketing”, “artificial intelligence marketing strategy”, “machine learning consumer behavior”, “AI personalization customer experience” y “digital marketing automation”.
La selección se desarrolló en cuatro fases identificación, cribado por título y resumen, evaluación de elegibilidad a texto completo e inclusión final, documentadas en la Figura 1. Los criterios de inclusión contemplaron publicaciones en revistas arbitradas o libros académicos con respaldo institucional, estudios empíricos o revisiones vinculados directamente a la intersección entre IA y marketing, y documentos con acceso a texto completo. Se excluyeron artículos de opinión sin respaldo empírico, publicaciones de autoría anónima o sin filiación verificable, documentos ajenos a la intersección temática y duplicados entre bases.
La calidad de las fuentes se valoró mediante tres criterios: condición de arbitraje o respaldo editorial institucional, transparencia metodológica y pertinencia directa con el objeto de estudio. Las fuentes sectoriales se incorporaron como evidencia contextual complementaria, sin sustituir el peso analítico de las fuentes arbitradas. El proceso de cribado descrito en la Figura 1 arrojó un total de 38 fuentes primarias elegibles. De estas, 11 presentaron la densidad de contenido empírico necesaria para ser sometidas al proceso de codificación con ATLAS.ti 23 y constituyeron el corpus analítico final del estudio; las 27 fuentes restantes, aunque cumplieron los criterios temáticos de elegibilidad, se excluyeron por tratarse de textos breves con desarrollo empírico insuficiente para un análisis de codificación en profundidad. De manera complementaria, la investigación se apoyó en 3 fuentes metodológicas para el diseño de la investigación y en 7 fuentes institucionales, sectoriales y normativas —informes de mercado, encuestas del sector y documentos regulatorios—, empleadas como evidencia contextual y no sometidas al proceso de codificación.
ANÁLISIS DE LA INFORMACIÓN
La información se organizó en matrices de análisis temático, instrumento que facilita categorizar, comparar y sintetizar datos de fuentes heterogéneas. Las categorías principales fueron tres: herramientas y tecnologías de IA aplicadas al marketing; barreras y desafíos de implementación; y transformación de la relación marca-consumidor.
Para la codificación cualitativa del corpus se empleó ATLAS.ti 23. La herramienta permitió asignar códigos a fragmentos de texto, identificar co-ocurrencias y visualizar redes conceptuales que revelan las relaciones entre categorías. El proceso combinó una fase inductiva, dirigida a detectar categorías emergentes, y otra deductiva, que verificó la correspondencia entre esos códigos y el marco teórico de referencia.
RESULTADOS
El procesamiento del corpus con ATLAS.ti 23 arrojó 313 citas codificadas, distribuidas en 12 códigos y agrupadas en tres familias temáticas. La Familia A (herramientas y tecnologías de IA en marketing) concentró la mayor densidad, con 139 citas, equivalentes al 44 % del total codificado; su código más frecuente fue IA_Automatización_Campañas (38 citas en 9 fuentes). La Familia B (barreras de implementación) reunió 99 citas (32 % del total codificado), encabezadas por Brecha de Competencias Digitales (35 citas en 9 fuentes). La Familia C (relación marca-consumidor) registró 75 citas (24 % del total codificado).
El análisis de co-ocurrencias reveló un dato que orienta las conclusiones del estudio: una relación de tipo “contradice” entre los códigos Confianza_Transparencia y Privacidad_Datos. Esa tensión, lejos de ser un detalle técnico, constituye el núcleo del fenómeno y se retomará en la discusión. La Figura 2 presenta la red conceptual completa generada en ATLAS.ti 23.
Herramientas y tecnologías de IA más utilizadas en el marketing actual
El primer hallazgo es la existencia de un conjunto consolidado de herramientas de IA que organizaciones de sectores diversos han incorporado a sus operaciones de marketing. La adopción no es homogénea: las tecnologías elegidas responden a la madurez digital de cada organización, su tamaño, su sector y sus objetivos. Entre las de mayor penetración figuran los sistemas de recomendación basados en filtrado colaborativo y aprendizaje profundo, los chatbots con procesamiento de lenguaje natural, las plataformas de análisis predictivo y los sistemas de automatización publicitaria con optimización en tiempo real. Cáceres (2023) ilustra el punto con Amazon, cuyo motor de recomendaciones alimentado por el historial de compras, búsquedas y valoraciones de millones de usuarios llega a explicar cerca del 35 % de los ingresos de la empresa. El dato muestra que la IA no opera como complemento marginal, sino como activo estratégico central. La Tabla 1 sistematiza las principales herramientas identificadas, su función y la evidencia de adopción reportada; la Figura 3 presenta su porcentaje de adopción.
Nota. Elaboración propia a partir de Cáceres (2023), Arcos Naranjo y Fernández Villacrés (2024), Liberos
Hoppe et al. (2024) y las fuentes sectoriales referenciadas. Las cifras corresponden a datos reportados por
dichas fuentes.
La automatización del marketing, articulada en plataformas como HubSpot, Marketo o Salesforce Einstein, constituye otro vector de adopción. Estas soluciones integran puntuación predictiva de leads, segmentación dinámica y personalización de contenidos a escala, y liberan a los equipos de tareas repetitivas para concentrarlos en labores de mayor valor analítico. Liberos Hoppe et al. (2024) reportan incrementos de productividad de entre el 20 % y el 30 % en los departamentos que la adoptan, aunque advierten que esos beneficios se materializan solo cuando la tecnología se acompaña de capacitación estructurada.
La publicidad programática impulsada por IA representa un tercer ámbito. Google Ads con Smart Bidding o Meta Advantage recurren a algoritmos de aprendizaje automático para ajustar en tiempo real las pujas, los públicos y las creatividades, a una velocidad y escala que ningún equipo humano podría igualar. La literatura converge en que esa capacidad de procesamiento en tiempo real es una de las ventajas más nítidas de la IA frente al marketing tradicional (Arcos Naranjo & Fernández Villacrés, 2024; Vlačić et al., 2021). Ahora bien, la sola disponibilidad de estas herramientas no garantiza la ventaja: su valor estratégico emerge de integrarlas con procesos definidos, equipos competentes y una cultura orientada al dato (Ching Ruíz, 2024).
Desafíos y barreras en la implementación de IA en marketing
La literatura documenta con similar consistencia las barreras que dificultan y a veces truncan la adopción efectiva de la IA. Reconocerlas es indispensable para transitar de una incorporación supercial hacia una integración estratégica. La revisión sistemática de Oldemeyer et al. (2025), centrada en pequeñas y medianas empresas, identifica veintisiete desafíos de implementación y confirma que las condiciones de partida difieren notablemente según el tamaño de la organización.
La brecha de competencias digitales es el obstáculo más citado del corpus. Muchos departamentos cuentan con profesionales sólidos en técnicas tradicionales, pero con formación insuficiente en análisis de datos o interpretación de modelos algorítmicos (Liberos Hoppe et al., 2024). El problema no se resuelve solo contratando perfiles técnicos; exige una transformación cultural que valore la decisión basada en evidencia cuantitativa junto a la experiencia acumulada del equipo.
El segundo desafío es financiero. Implementar soluciones de IA implica inversiones iniciales elevadas licencias, infraestructura en la nube, integración y formación que pueden resultar prohibitivas para las PYMEs. Arcos Naranjo y Fernández Villacrés (2024) documentan esta asimetría en América Latina, donde la brecha de acceso entre grandes corporaciones y pequeñas empresas se amplía cuando se trata de tecnologías emergentes de alta complejidad. La Tabla 2 resume las barreras y la Figura 4 muestra su frecuencia de mención en el corpus.
Nota. Elaboración propia a partir de la revisión documental. Las categorías emergieron del proceso de codificación con ATLAS.ti 23.
La privacidad y la gobernanza de datos conforman el tercer vector, acaso el más complejo en el plano ético y regulatorio. La personalización que ofrece la IA descansa en el procesamiento masivo de datos personales, lo que genera fricciones con marcos como el Reglamento General de Protección
de Datos (RGPD) europeo y legislaciones equivalentes. La European Union (2024) ha alertado sobre los riesgos de discriminación algorítmica y opacidad en los sistemas comerciales, y Kaplan y Haenlein (2019) anticiparon que la acumulación de datos sin gestión ética adecuada frenaría la adopción a largo plazo.
La resistencia al cambio actúa como barrera cultural más que técnica. Vlačić et al. (2021) observan que muchos equipos perciben la automatización como una amenaza a su rol, lo que alimenta actitudes defensivas frente a herramientas técnicamente viables. Superarla exige un liderazgo capaz de comunicar que la IA no reemplaza al profesional, sino que amplía sus capacidades y lo libera de tareas repetitivas. Las organizaciones que transmiten ese mensaje con claridad acortan los tiempos de adopción y aprovechan mejor su inversión tecnológica.
Impacto de la IA en la relación entre marcas y consumidores
El tercer eje aborda la dimensión más relacional del fenómeno: cómo la IA reconfigura el vínculo entre las marcas y sus consumidores. Aquí el análisis trasciende la eficiencia operativa y entra en un terreno sensible, el de la confianza y la experiencia subjetiva del cliente. La personalización a escala es la transformación más visible. Gracias a algoritmos que procesan de forma simultánea historial de navegación, compras y contexto, las marcas ajustan mensajes y ofertas a cada usuario con una precisión inalcanzable para la segmentación manual (Cáceres, 2023; Chen et al., 2022). La Tabla 3 sintetiza las principales dimensiones de este impacto y la Figura 5 presenta las mejoras reportadas.
Nota. Elaboración propia con base en Cáceres (2023), Arcos Naranjo y Fernández Villacrés (2024), Kaplan y Haenlein (2019) y datos sectoriales referenciados. Las cifras corresponden a hallazgos reportados por dichas fuentes.
La atención al cliente es otra dimensión profundamente transformada. Los chatbots con procesamiento de lenguaje natural resuelven en tiempo real un porcentaje creciente de consultas y ofrecen una disponibilidad permanente que ningún equipo humano podría sostener a costos comparables. Más allá de la eficiencia, contribuyen a una experiencia de marca coherente en contextos omnicanal. Arcos Naranjo y Fernández Villacrés (2024) reportan que las organizaciones que integran asistentes virtuales elevan la satisfacción del cliente entre un 15 % y un 22 % frente a modelos de atención exclusivamente humanos.
Impacto de la IA en la relación entre marcas y consumidores
La red conceptual de la Figura 2 señala una relación de tipo “contradice” entre las barreras de implementación y la lealtad del cliente. El diagrama la muestra, pero merece explicarse en palabras, porque el mecanismo no es evidente a primera vista. Las barreras técnicas y culturales no se quedan del lado interno de la organización: se filtran hacia la experiencia del consumidor y terminan por afectar el vínculo con la marca.
El encadenamiento es el siguiente. Una brecha de competencias mal resuelta produce implementaciones deficientes recomendaciones irrelevantes, respuestas automáticas que no comprenden la consulta que el cliente percibe como fricción. La opacidad algorítmica agrava el efecto: cuando el usuario no entiende por qué recibe determinado mensaje, la personalización se lee como intrusión antes que como valor (Kim et al., 2023). Así, una barrera interna se convierte en una señal externa de desconfianza que desgasta la lealtad.
La evidencia empírica respalda esta lectura. Du y Xie (2021) muestran que la IA en los mercados de consumo opera como una paradoja: los mismos mecanismos que aumentan la relevancia pueden reducir la sensación de control del cliente y, con ella, su confianza. Kim et al. (2023) documentan el carácter de “arma de doble filo” de la publicidad conversacional, cuyo efecto sobre la actitud del consumidor depende de sus preocupaciones por la privacidad. La transparencia, entonces, no es un adorno ético: es el factor que decide si la barrera se traduce en abandono o si la personalización consolida el vínculo (Kaplan & Haenlein, 2019; Naz & Kashif, 2025).
DISCUSIÓN Y CONCLUSIONES
El análisis del corpus, apoyado en la codificación con ATLAS.ti 23 y en las redes conceptuales, permite pasar de la descripción del fenómeno a su interpretación. La IA dejó de ser una tecnología emergente para volverse un componente estratégico maduro del marketing: las herramientas de recomendación, automatización, análisis predictivo y atención conversacional están disponibles en múltiples formatos y escalas de inversión. Esa disponibilidad, sin embargo, no basta por sí sola, y ese es el punto de partida del modelo que se propone a continuación.
Un modelo interpretativo: la ventaja competitiva como resultado condicionado
A partir de los hallazgos se propone el Modelo de Integración Estratégica de la IA en el marketing (MIE-IA), que articula las tres familias en una secuencia condicional en lugar de tratarlas como bloques independientes. La Figura 6 lo representa. Su tesis central es que la ventaja competitiva no es un efecto automático de la adopción tecnológica, sino un resultado que solo se alcanza cuando se cumplen dos condiciones sucesivas.
La primera condición es superar el filtro de las barreras. Las herramientas de la Familia A actúan como habilitadores, pero su potencial se activa únicamente si la organización resuelve las restricciones de la Familia B competencias, costos, integración y resistencia cultural. Sin ese filtro superado, la inversión en herramientas rinde por debajo de lo esperado, tal como advierte Oldemeyer et al. (2025) para el caso de las PYMEs.
La segunda condición es gobernar la tensión que ocupa el centro del modelo: la relación “contradice” entre transparencia y privacidad. Este es el pivote que decide el destino de la personalización. Gestionada con equilibrio, la personalización se percibe como valor y desemboca en confianza y lealtad; gestionada de forma deficiente, se percibe como intrusión y deriva en desconfianza y abandono. La ventaja competitiva sostenible aparece, entonces, solo cuando ambas condiciones se satisfacen, y se retroalimenta en el tiempo a medida que la confianza consolidada genera más y mejores datos.
Tensiones en la literatura
La revisión no arroja un consenso uniforme, sino una tensión productiva entre dos lecturas. De un lado, las fuentes de origen sectorial Salesforce (2024), HubSpot (2024), Gartner (2023) presentan un panorama optimista, centrado en ganancias de eficiencia y conversión. Del otro, la literatura arbitrada matiza ese entusiasmo: Kaplan y Haenlein (2019) alertaron temprano sobre los límites de la acumulación de datos sin gobernanza ética, y Vlačić et al. (2021) subrayan que la resistencia organizacional puede neutralizar los beneficios técnicos.
Esa divergencia no es anecdótica. Du y Xie (2021) la formulan como una paradoja estructural: la IA amplía la capacidad de servir al cliente y, al mismo tiempo, multiplica las ocasiones de vulnerar su confianza. Naz y Kashif (2025), desde la perspectiva de los gerentes, muestran que la adopción responsable exige marcos éticos explícitos y no solo capacidad técnica. Leídas en conjunto, estas voces sugieren que el optimismo sectorial describe el potencial, mientras la investigación académica describe las condiciones para realizarlo, distinción que el modelo MIE-IA busca capturar.
La hipótesis a la luz de los hallazgos
La hipótesis de trabajo se sostiene. La integración de la IA transforma la toma de decisiones la vuelve más rápida, granular y sustentada en datos y mejora la personalización de la experiencia. Pero esa transformación positiva no es incondicional: ocurre en organizaciones con cultura orientada al dato, liderazgos comprometidos con la formación y marcos de gobernanza que equilibran la extracción de valor con el respeto a la privacidad. El factor decisivo no es adoptar la tecnología, sino administrar la tensión entre personalización y confianza que ella misma introduce.
Implicaciones para el contexto latinoamericano y panameño
La evidencia revisada procede en su mayoría de grandes corporaciones globales, lo que obliga a una lectura cuidadosa para contextos como el panameño. El costo de implementación, que en las grandes empresas es una variable manejable, se vuelve una barrera de entrada para las PYMEs que dominan el tejido productivo regional. Oldemeyer et al. (2025) confirman que las condiciones de partida disponibilidad de datos, talento e infraestructura pesan más cuanto menor es la empresa, de modo que la brecha de acceso tiende a ampliarse con las tecnologías más complejas.
Para las organizaciones panameñas, la lectura práctica del modelo MIE-IA es directa. Antes de invertir en herramientas sofisticadas conviene asegurar el filtro de barreras: formar al equipo, prever la integración con los sistemas heredados y definir una política de datos que anticipe la exigencia de transparencia. Sin esas condiciones, la adopción corre el riesgo de quedar en el plano del anuncio y no en el de la ventaja competitiva. El desafío regional, entonces, no es tecnológico sino de gestión y de gobernanza.
Limitaciones y agenda de investigación
El diseño documental, adecuado para el propósito interpretativo del estudio, no permite verificar empíricamente los hallazgos en el contexto de las organizaciones panameñas o latinoamericanas. Esta limitación abre una agenda de investigación con tres líneas prioritarias: estudios de caso en empresas panameñas de distintos sectores que hayan implementado IA en su marketing; investigaciones longitudinales que examinen la evolución de la adopción y sus efectos en el tiempo; y análisis comparativos por tamaño de empresa que identifiquen factores moderadores del impacto de la IA. Avanzar en ellas permitiría contrastar empíricamente el modelo MIE-IA y enriquecer el conocimiento con evidencia de contextos aún subrepresentados en la literatura internacional.
La relación entre marcas y consumidores atraviesa un momento de redefinición. La IA ofrece vínculos más pertinentes y oportunos, pero también introduce riesgos de opacidad y manipulación capaces de deteriorar la confianza. Las organizaciones que logren equilibrar la eficiencia algorítmica con la transparencia relacional estarán mejor situadas para construir una ventaja duradera en mercados saturados de estímulos digitales. Ese equilibrio, y no la tecnología en sí, es el que este estudio identifica como la variable estratégica decisiva.
Agradecimientos
Los autores agradecen a la Universidad de Panamá, en particular al Centro Regional Universitario de San Miguelito (CRUSAM) y a la Facultad de Administración de Empresas y Contabilidad (FAECO), por el respaldo institucional brindado para el desarrollo de esta investigación.