Casi nueve de cada diez directores de marketing están experimentando con inteligencia artificial, no obstante, menos del 10% ha conseguido capturar valor real con ella en el extremo del proceso, el que mueve el revenue. La cifra es de McKinsey, en su informe de abril de 2026 sobre workflows agénticos, y describe lo que sus autores han bautizado como gen AI paradox: la tecnología está en todas partes, excepto en la cuenta de resultados.
Es una paradoja incómoda. En los dos últimos años el marketing ha incorporado la inteligencia artificial a una velocidad sin precedentes: copilotos para escribir, asistentes para ejecutar diferentes tareas, agentes para optimizar campañas… Y aun así, la mayoría de las empresas no consigue traducir esa actividad frenética en impacto medible sobre el negocio. El último estudio de Gartner sobre CMOs es aún más contundente: entre los profesionales de marketing que usan IA generativa sin haber dado el paso a agentes, apenas el 5% declara ganancias significativas en resultados de negocio.
El problema, sin embargo, no es la tecnología. Es el error de concepto y de base con el que se está implementando.
El caso Klarna: anatomía del caso más relevante del momento
En 2024, Klarna se convirtió en el ejemplo más citado de IA reemplazando el trabajo humano. La fintech sueca anunció que su asistente, desarrollado en colaboración con OpenAI, había sustituido el trabajo equivalente a unos 700 agentes de atención al cliente. El chatbot procesaba dos tercios de las consultas entrantes. Los ahorros proyectados inicialmente rondaban los 40 millones de dólares anuales.
A principios de 2026 Klarna anunciaba que volvía a contratar humanos. La satisfacción del cliente se había deteriorado en las interacciones complejas. Los ahorros prometidos no se materializaron en la magnitud esperada. Su CEO, Sebastian Siemiatkowski, lo resumió sin medias tintas: «fuimos demasiado lejos». El caso se ha convertido en una de las historias más representativas sobre la adopción de la IA en las empresas.
Lo interesante de Klarna, sin embargo, no es que la IA fallara. Es entender qué falló exactamente. La IA respondía consultas; los humanos a los que reemplazó hacían algo más: contenían fricciones, modulaban expectativas, resolvían incidencias atípicas y mantenían el vínculo cuando el sistema se rompía. Eran dos trabajos distintos, y solo se reemplazó uno. El proceso no se rediseñó, se automatizó tal cual existía, asumiendo que un humano y un agente intercambiaban roles uno a uno. No los intercambian.
Comprar herramientas no es rediseñar el sistema
Klarna no es excepcional. Es la versión visible de un patrón sistémico. La encuesta CMO Spend de Gartner publicada en mayo de 2026 ofrece la radiografía: las organizaciones de marketing dedican ya el 15,3% de su presupuesto a iniciativas de IA, pero solo el 30% reporta capacidades organizativas maduras para escalarla. El 70% de los CMOs se ha fijado como objetivo crítico ser líder en IA. El mismo 70% reconoce que sus procesos internos no están listos. Análisis cruzados de RAND y Gartner calculan que el 80% de los proyectos de IA empresarial no entrega el valor de negocio prometido.
Las barreras que explican esa brecha no son técnicas. Son organizativas: procesos no documentados que viven en la cabeza de tres personas del equipo, bases de datos sin gobierno (Gartner predice que el 60% de los proyectos de IA acabará cancelado por bases inadecuadas), y un déficit de criterio en el liderazgo; el 65% de los CMOs anticipa una disrupción severa de su rol por la IA, pero solo el 32% considera que necesita actualizar su propio perfil para liderarla.
El error de fondo es de modelo mental. Las empresas están comprando IA como si fuera una capa de productividad que se instala sobre los procesos existentes. Pero los procesos existentes están diseñados para humanos: están llenos de handoffs, validaciones, esperas y coordinación. Esas cosas existen para compensar las limitaciones del trabajo humano; turnos, contextos parciales, asimetrías de información. Cuando aplicas IA encima sin tocar el proceso, lo que acabas automatizando es la coordinación que dejó de ser necesaria. El resultado es un proceso roto, pero más rápido.
Lo que sí está funcionando: cuando el rediseño precede a la tecnología o a la activación
Los casos donde la IA en marketing sí está moviendo el negocio comparten un patrón. Empiezan por un workflow concreto, no por una «transformación con IA». Rediseñan el flujo antes de elegir herramientas. Documentan el conocimiento operativo antes de automatizarlo. Y miden contra un grupo de control real, no contra benchmarks históricos que mezclan condiciones distintas.
Hornby Hobbies, por poner un ejemplo público y trazable, ha reducido un 70% el tiempo de análisis de campañas usando agentes de Bloomreach. Pero la cifra interesante no es el 70%, es que para llegar ahí, primero tuvieron que estandarizar la forma de hacer análisis. McKinsey describe una pauta similar en marcas de consumo que han automatizado la ideación creativa: el desbloqueo no llega cuando se compra el agente, sino cuando se mapea con suficiente detalle la cadena de actividades que ese agente va a ejecutar. Sin esa cartografía previa, no hay automatización inteligente, hay aceleración del caos.
En el trabajo que hago con empresas B2B medianas desde RevOps Studio, el patrón se repite con mucha frecuencia: el cliente pide «una IA» y lo que necesita es un sistema. Diseñar un revenue system (el flujo completo desde generación de demanda hasta cierre, pasando por cualificación, conversión y reporting) no consiste en elegir herramientas. Consiste en ordenar los procesos para que las herramientas, humanas o agénticas, tengan dónde operar. Cuando ese orden no existe, la IA amplifica el desorden a velocidad de máquina. Y eso, a otra escala y con más prensa, es exactamente lo que le ocurrió a Klarna.
Una frontera que se vuelve difusa
Lo que está cambiando no es solo el rol del marketer, que pasa de operario a orquestador, de lanzar campañas a diseñar sistemas que las lancen. Es la frontera entre el marketing y las operaciones.
Durante décadas, marketing fue mayoritariamente una función de ejecución: diseñaba mensajes, activaba canales, medía resultados. La operación de revenue; cómo se generan, califican, enrutan y convierten oportunidades, pertenecía a otros: ventas, operaciones, comercial. La IA agéntica está fundiendo ambos lados. No porque marketing absorba a ventas, sino porque cuando los agentes operan de extremo a extremo del proceso, la pregunta deja de ser «¿qué campaña lanzamos?» y pasa a ser «¿qué sistema dentro del proceso queremos que funcione solo?». Esa pregunta no cabe dentro de un solo departamento.
Quien sepa pensar el marketing como sistema completo, es decir, desde el posicionamiento hasta la conversión, pasando por la arquitectura tecnológica y de datos que lo soporta, va a tener una ventaja competitiva sobre quien siga pensándolo como ejecución de canales. Esa capacidad es, no por casualidad, lo que distingue a un profesional senior de un operador táctico en la era agéntica. Es también lo que se articula en programas como el Master in Digital Marketing de ISDI: formar a quién decide qué sistema construir, no exclusivamente a quien mejor entiende de canales o tecnología.
La IA ya no es una herramienta que se compra. Es una capa que se diseña y sobre la que se construye. La pregunta importante para los próximos meses no es cuánta IA tienes en tu marketing. Es cuánto sistema tienes diseñado y aportando valor real de negocio.
