IA generativa

De Wiki del Marketing
Ir a la navegación Ir a la búsqueda

Introducción

La IA generativa o inteligencia artificial generativa es una rama de la Inteligencia artificial capaz de producir contenido nuevo a partir de instrucciones, datos, ejemplos, patrones o contexto. Puede generar texto, imágenes, audio, video, código, presentaciones, resúmenes, ideas, conversaciones, respuestas, diseños, simulaciones, campañas, anuncios, guiones, piezas creativas, recomendaciones, reportes y experiencias interactivas.

En Marketing digital, la IA generativa se ha convertido en una tecnología transversal porque puede apoyar procesos de Marketing de contenidos, Publicidad digital, Social media marketing, SEO, SEM, Ecommerce, CRM, Automatización de marketing, Customer Experience, Chatbot, Comercio conversacional, Lead generation, Investigación de mercados, Analítica de marketing, Branding, Influencer marketing, Social commerce, Email marketing, Copywriting, Diseño publicitario, Video advertising, Personalización, First-party data, Customer Data Platform, Data-driven marketing, Growth marketing, Ética en marketing, Privacidad digital y Protección de datos.

La IA generativa no sustituye automáticamente la estrategia, la investigación, la creatividad humana, el criterio editorial ni la responsabilidad legal. Su valor depende de cómo se integra en procesos, datos, flujos de revisión, gobernanza, medición y objetivos de negocio.

Infografía sobre IA generativa

Infografía educativa sobre IA generativa como tecnología capaz de producir texto, imagen, audio, video, código y contenido aplicado al marketing.

IA generativa

Nombre IA generativa
Nombre original Generative artificial intelligence
Tipo Rama de inteligencia artificial, tecnología creativa y sistema de generación de contenido
Área Inteligencia artificial, Marketing digital, Automatización de marketing, Data-driven marketing
Otros nombres Inteligencia artificial generativa, generative AI, GenAI, IA de generación, modelos generativos, AI generativa
Desarrollado por Investigación en inteligencia artificial, aprendizaje profundo, modelos fundacionales, redes generativas, modelos de lenguaje, difusión, transformers y sistemas multimodales
Década de origen Antecedentes desde el siglo XX; expansión masiva desde los 2020s
Propósito Generar contenido, ideas, respuestas, análisis, código, imágenes, audio, video, automatizaciones, simulaciones y experiencias a partir de instrucciones o datos
Variables evaluadas Calidad, precisión, utilidad, creatividad, coherencia, sesgo, factualidad, seguridad, costo, latencia, personalización, conversión, productividad, privacidad, riesgo legal
Técnicas relacionadas LLM, prompts, prompt engineering, RAG, fine-tuning, embeddings, agentes de IA, modelos de difusión, transformers, generación multimodal, evaluación, guardrails, red teaming
Herramientas ChatGPT, Gemini, Claude, Copilot, Midjourney, DALL·E, Stable Diffusion, Firefly, Runway, Synthesia, Jasper, Canva AI, HubSpot AI, Salesforce Einstein, Meta AI
Disciplinas relacionadas Marketing, Publicidad, Comunicación, Diseño, Analítica, Ciencia de datos, Psicología del consumidor, Derecho digital, Protección de datos, Ética, Creatividad
Aplicaciones Contenido, copywriting, SEO, anuncios, social media, investigación, automatización, ecommerce, chatbots, atención al cliente, personalización, análisis, diseño, video, audio, prototipado y CRM
Nivel de evidencia Técnico, estratégico y experimental; depende de modelo, datos, evaluación, supervisión humana, privacidad, gobernanza, contexto, integración y medición de impacto
Limitaciones Puede alucinar, sesgar, copiar patrones, inventar datos, producir errores, generar contenido genérico, exponer información, afectar derechos de autor o inducir decisiones equivocadas

IBM define la IA generativa como inteligencia artificial capaz de crear contenido original, como texto, imágenes, video, audio o código, en respuesta a una instrucción o solicitud. Google Cloud explica que los modelos fundacionales son modelos entrenados con grandes volúmenes de datos para realizar una amplia variedad de tareas con poca adaptación adicional. McKinsey estimó que la IA generativa podría añadir entre 2.6 y 4.4 billones de dólares anuales en valor económico global. NIST publicó un perfil específico para gestionar riesgos de IA generativa dentro del AI Risk Management Framework.

Este artículo examina la definición, evolución, funcionamiento, tipos de modelos, aplicaciones en marketing, prompts, RAG, agentes, beneficios, limitaciones, riesgos, privacidad, propiedad intelectual, buenas prácticas, errores comunes, desafíos éticos y relación de la IA generativa con otros conceptos del marketing contemporáneo.

Definición

La IA generativa es un conjunto de técnicas de inteligencia artificial que permite generar contenido nuevo a partir de patrones aprendidos en datos de entrenamiento y de instrucciones proporcionadas por usuarios o sistemas.

Puede generar:

  • Texto.
  • Imágenes.
  • Audio.
  • Video.
  • Código.
  • Música.
  • Voz sintética.
  • Resúmenes.
  • Traducciones.
  • Ideas.
  • Guiones.
  • Anuncios.
  • Correos.
  • Landing pages.
  • Publicaciones.
  • Infografías.
  • Variantes creativas.
  • Descripciones de producto.
  • Reportes.
  • Análisis.
  • Conversaciones.
  • Recomendaciones.
  • Simulaciones.
  • Datos sintéticos.
  • Prototipos.
  • Flujos de automatización.

La IA generativa funciona mediante modelos que aprenden relaciones estadísticas, semánticas, visuales, sonoras o estructurales a partir de grandes conjuntos de datos. Su salida parece creativa porque combina patrones, contexto e instrucciones para producir respuestas nuevas.

Diferencia entre inteligencia artificial, IA generativa y automatización

La Inteligencia artificial es el campo amplio que busca crear sistemas capaces de realizar tareas asociadas con inteligencia humana, como clasificar, predecir, reconocer, decidir, recomendar o generar.

La IA generativa es una subárea enfocada en producir contenido nuevo.

La Automatización de marketing ejecuta procesos definidos, reglas, flujos o acciones programadas.

La diferencia práctica puede entenderse así:

  • Inteligencia artificial: campo general.
  • Machine learning: aprendizaje a partir de datos.
  • IA generativa: creación de contenido o respuestas.
  • Automatización: ejecución de procesos.
  • Chatbot: interfaz conversacional.
  • LLM: modelo de lenguaje grande.
  • RAG: técnica para responder usando documentos o fuentes externas.
  • Agente de IA: sistema que puede usar herramientas y ejecutar tareas.
  • Prompt: instrucción dada al modelo.
  • Fine-tuning: ajuste del modelo con datos específicos.
  • Embeddings: representación numérica de significado.
  • Modelos de difusión: generación de imágenes o medios visuales.
  • Multimodalidad: capacidad de procesar y generar varios tipos de entrada o salida.

La IA generativa puede formar parte de una automatización, pero no toda automatización usa IA generativa.

Contexto histórico y evolución

La IA generativa tiene antecedentes en la historia de la inteligencia artificial, el aprendizaje automático, la estadística, el procesamiento de lenguaje natural, las redes neuronales, la generación de imágenes, los modelos probabilísticos y la creatividad computacional.

La evolución puede organizarse en varias etapas:

  • Primeros sistemas simbólicos.
  • Procesamiento de lenguaje natural temprano.
  • Modelos estadísticos de lenguaje.
  • Redes neuronales.
  • Modelos generativos probabilísticos.
  • Autoencoders.
  • GANs.
  • Transformers.
  • Modelos fundacionales.
  • Grandes modelos de lenguaje.
  • Modelos de difusión.
  • Generación de imágenes.
  • Generación de código.
  • Chatbots generativos.
  • Herramientas multimodales.
  • RAG.
  • Agentes de IA.
  • IA integrada en software empresarial.
  • IA en marketing, diseño, ventas y atención.
  • IA generativa multimodal.
  • IA generativa conectada a CRM, ecommerce y datos propios.
  • Gobernanza y regulación de IA.

La adopción se aceleró en los 2020s por la disponibilidad de modelos capaces de responder en lenguaje natural, generar imágenes de alta calidad, escribir código, resumir documentos y operar como asistentes productivos.

Fundamentos técnicos

La IA generativa se apoya en varias técnicas.

Modelos fundacionales

Los modelos fundacionales son modelos entrenados con grandes volúmenes de datos y capaces de adaptarse a múltiples tareas. Pueden servir como base para aplicaciones especializadas.

Ejemplos de tareas:

  • Responder preguntas.
  • Redactar textos.
  • Generar imágenes.
  • Traducir.
  • Resumir.
  • Clasificar.
  • Analizar.
  • Generar código.
  • Asistir conversaciones.
  • Interpretar documentos.
  • Crear contenido multimodal.

Modelos de lenguaje grandes

Los LLM o modelos de lenguaje grandes generan y comprenden texto mediante patrones aprendidos en grandes corpus.

Pueden usarse para:

  • Redacción.
  • Resumen.
  • Traducción.
  • Conversación.
  • Clasificación.
  • Análisis de sentimiento.
  • Extracción de información.
  • Generación de ideas.
  • Automatización de atención.
  • Asistencia en ventas.
  • Escritura de código.
  • Generación de prompts.
  • Creación de guiones.

Transformers

Los transformers son una arquitectura de aprendizaje profundo que permitió avances importantes en procesamiento de lenguaje y modelos generativos.

Su capacidad para manejar contexto y relaciones entre palabras, tokens o elementos hizo posible el desarrollo de muchos modelos modernos.

Modelos de difusión

Los modelos de difusión se usan frecuentemente para generación de imágenes, video o contenido visual. Aprenden a crear imágenes a partir de ruido y de instrucciones textuales o visuales.

Aplicaciones:

  • Imágenes publicitarias.
  • Concept art.
  • Bocetos.
  • Variantes visuales.
  • Diseño de campañas.
  • Moodboards.
  • Personajes.
  • Escenarios.
  • Visualización de productos.
  • Prototipado.

Modelos multimodales

Los modelos multimodales pueden procesar o generar más de un tipo de contenido.

Ejemplos:

  • Texto a imagen.
  • Imagen a texto.
  • Texto a video.
  • Audio a texto.
  • Texto a voz.
  • Voz a texto.
  • Imagen y texto combinados.
  • Video con análisis textual.
  • Documentos con tablas e imágenes.

En marketing, la multimodalidad permite crear campañas completas con texto, imagen, audio, video y análisis.

Prompt

Un prompt es la instrucción o entrada que se le da a un sistema de IA generativa para producir una respuesta.

Puede incluir:

  • Tarea.
  • Contexto.
  • Público.
  • Tono.
  • Formato.
  • Restricciones.
  • Ejemplos.
  • Datos.
  • Rol.
  • Objetivo.
  • Longitud.
  • Canal.
  • Criterios de calidad.
  • Prohibiciones.
  • Fuentes.
  • Variables.

Ejemplo conceptual:

“Redacta tres variantes de anuncio para Instagram dirigidas a emprendedores que necesitan mejorar su ecommerce. Usa tono claro, directo, latinoamericano, con llamada a la acción y sin prometer resultados garantizados”.

Un buen prompt no sustituye la estrategia, pero mejora la calidad de salida.

Prompt engineering

El prompt engineering es el diseño de instrucciones para obtener mejores resultados de modelos generativos.

Incluye:

  • Definir objetivo.
  • Especificar audiencia.
  • Dar contexto.
  • Establecer tono.
  • Pedir estructura.
  • Dar ejemplos.
  • Definir formato.
  • Limitar longitud.
  • Incluir criterios de evaluación.
  • Pedir revisión.
  • Iterar.
  • Separar tareas.
  • Validar factualidad.
  • Evitar ambigüedad.
  • Controlar riesgos.

En marketing, el prompt engineering puede mejorar redacción, análisis, contenido, anuncios, investigación y automatización.

RAG

RAG o Retrieval-Augmented Generation es una técnica que permite a un sistema generativo consultar documentos, bases de conocimiento, bases vectoriales o fuentes externas antes de responder.

Aplicaciones:

  • Chatbots con documentación.
  • Atención al cliente.
  • Soporte técnico.
  • Respuestas basadas en políticas.
  • Búsqueda interna.
  • Generación de reportes.
  • Análisis de contratos.
  • Consultas de producto.
  • Capacitación.
  • Asistentes comerciales.
  • Recomendaciones basadas en catálogo.

Ventajas:

  • Mejora factualidad.
  • Reduce alucinaciones.
  • Usa información actualizada.
  • Permite citar fuentes internas.
  • Facilita gobernanza.
  • Se adapta a empresas.
  • Reduce necesidad de reentrenar modelos.

Limitaciones:

  • Depende de calidad documental.
  • Puede recuperar información irrelevante.
  • Requiere seguridad de acceso.
  • Requiere actualización.
  • Requiere evaluación.
  • No elimina riesgo de error.

Fine-tuning

El fine-tuning consiste en ajustar un modelo con datos específicos para mejorar su desempeño en una tarea, dominio o estilo.

Aplicaciones:

  • Tono de marca.
  • Clasificación de tickets.
  • Respuestas especializadas.
  • Estilo editorial.
  • Análisis de documentos.
  • Taxonomías propias.
  • Reconocimiento de intención.
  • Generación de respuestas consistentes.

Limitaciones:

  • Requiere datos de calidad.
  • Puede ser costoso.
  • Puede sobreajustarse.
  • No reemplaza RAG en información cambiante.
  • Requiere evaluación.
  • Puede introducir sesgos.

En marketing, muchas veces RAG, prompts bien diseñados y plantillas son suficientes antes de hacer fine-tuning.

Agentes de IA

Un agente de IA es un sistema que puede interpretar una tarea, planear pasos, usar herramientas, consultar datos y ejecutar acciones con cierto grado de autonomía.

Puede hacer:

  • Consultar CRM.
  • Resumir conversaciones.
  • Crear campañas.
  • Generar reportes.
  • Buscar información.
  • Redactar correos.
  • Clasificar leads.
  • Crear tickets.
  • Actualizar registros.
  • Consultar inventario.
  • Recomendar productos.
  • Agendar citas.
  • Enviar notificaciones.
  • Analizar resultados.
  • Ejecutar flujos.

Riesgos:

  • Acciones incorrectas.
  • Falta de supervisión.
  • Permisos excesivos.
  • Acceso a datos sensibles.
  • Errores encadenados.
  • Costos imprevistos.
  • Automatización sin control.
  • Dificultad de auditoría.

Los agentes deben operar con límites claros, permisos, logs y revisión humana cuando la tarea sea sensible.

IA generativa en marketing

La IA generativa puede aplicarse a múltiples tareas de marketing.

Aplicaciones generales:

  • Ideación de campañas.
  • Redacción de copys.
  • Creación de anuncios.
  • Generación de variantes.
  • Investigación preliminar.
  • Análisis de audiencia.
  • Resúmenes de tendencias.
  • Calendarios de contenido.
  • Guiones.
  • Emails.
  • Landing pages.
  • Descripciones de producto.
  • SEO.
  • Social media.
  • Presentaciones.
  • Infografías.
  • Reportes.
  • Chatbots.
  • Atención al cliente.
  • Personalización.
  • Automatización.
  • Segmentación.
  • Análisis de datos.
  • Creatividad visual.
  • Video.
  • Audio.
  • Voz.
  • Documentación interna.

La IA generativa puede acelerar producción, pero debe integrarse con estrategia, revisión y medición.

IA generativa y marketing de contenidos

En Marketing de contenidos, la IA generativa puede apoyar:

  • Investigación de temas.
  • Briefs.
  • Estructuras.
  • Titulares.
  • Introducciones.
  • Artículos.
  • Guías.
  • Preguntas frecuentes.
  • Resúmenes.
  • Calendarios editoriales.
  • Adaptación por canal.
  • Reescritura.
  • Optimización SEO.
  • Ideas de contenido.
  • Guiones de video.
  • Infografías.
  • Newsletters.
  • Publicaciones sociales.

Riesgos:

  • Contenido genérico.
  • Información falsa.
  • Falta de voz propia.
  • Repetición.
  • Canibalización SEO.
  • Falta de fuentes.
  • Baja diferenciación.
  • Plagio involuntario.
  • Contenido sin experiencia real.
  • Pérdida de criterio editorial.

La IA debe apoyar la producción, no sustituir investigación, experiencia y enfoque editorial.

IA generativa y SEO

En SEO, la IA generativa puede apoyar:

  • Investigación de keywords.
  • Agrupación semántica.
  • Estructuras de artículos.
  • Meta títulos.
  • Meta descripciones.
  • FAQs.
  • Interlinking.
  • Briefs.
  • Optimización de contenido.
  • Detección de intención de búsqueda.
  • Resúmenes.
  • Schema markup.
  • Análisis de competidores.
  • Expansión temática.
  • Glosarios.
  • Contenido de apoyo.

Riesgos:

  • Publicar contenido masivo sin calidad.
  • Crear páginas duplicadas.
  • Inventar datos.
  • No aportar experiencia.
  • Usar información desactualizada.
  • Sobreoptimizar.
  • Generar contenido superficial.
  • Ignorar intención real.
  • Perder autoridad.
  • Crear spam.

La IA generativa puede acelerar SEO, pero el posicionamiento sostenible requiere utilidad, precisión, autoridad y diferenciación.

IA generativa y publicidad digital

En Publicidad digital, la IA generativa puede apoyar:

  • Copys de anuncios.
  • Variantes creativas.
  • Guiones de video.
  • Imágenes.
  • Headlines.
  • Descripciones.
  • Audiencias hipotéticas.
  • Testing de ángulos.
  • Adaptación por plataforma.
  • Personalización.
  • Creatividades dinámicas.
  • Briefs.
  • Análisis de resultados.
  • Ideas para A/B testing.
  • Landing pages.
  • Reportes.
  • Respuestas a comentarios.

Aplicaciones por plataforma:

  • Meta Ads.
  • Google Ads.
  • TikTok Ads.
  • LinkedIn Ads.
  • YouTube Ads.
  • Display.
  • Programmatic.
  • Email ads.
  • Native ads.

Riesgos:

  • Claims no comprobados.
  • Publicidad engañosa.
  • Sesgos.
  • Creatividades repetitivas.
  • Desalineación de marca.
  • Uso indebido de imágenes.
  • Deepfakes.
  • Falta de disclosure.
  • Incumplimiento de políticas.

Toda pieza generada debe pasar por revisión humana, legal y de marca cuando corresponda.

IA generativa y social media marketing

En Social media marketing, la IA generativa puede apoyar:

  • Calendarios de publicaciones.
  • Copys.
  • Ideas de reels.
  • Guiones.
  • Respuestas a comentarios.
  • Carruseles.
  • Adaptación de tono.
  • Memes, con revisión cultural.
  • Hashtags.
  • Community management asistido.
  • Social listening resumido.
  • Respuestas de atención.
  • Análisis de sentimiento.
  • UGC briefs.
  • Ideas para influencers.
  • Repurpose de contenido.

Riesgos:

  • Respuestas insensibles.
  • Contenido fuera de contexto cultural.
  • Humor fallido.
  • Crisis por automatización.
  • Respuestas demasiado genéricas.
  • Uso de datos de usuarios sin cuidado.
  • Falta de autenticidad.
  • Saturación.

En redes sociales, el contexto cultural importa tanto como la corrección gramatical.

IA generativa y ecommerce

En Ecommerce, la IA generativa puede apoyar:

  • Descripciones de producto.
  • Títulos.
  • Fichas técnicas.
  • Recomendaciones.
  • Chat de compra.
  • Asistentes de talla.
  • Búsqueda conversacional.
  • Comparaciones.
  • Guías de compra.
  • Emails postcompra.
  • Recuperación de carrito.
  • Reseñas resumidas.
  • Categorías.
  • Imágenes de producto.
  • Videos demostrativos.
  • Personalización.
  • Soporte.
  • Traducción.
  • Catálogos.

Riesgos:

  • Descripciones incorrectas.
  • Promesas no verificadas.
  • Imágenes que no representan el producto real.
  • Problemas de garantía.
  • Claims ilegales.
  • Datos de producto inventados.
  • Experiencia engañosa.
  • Recomendaciones sesgadas.
  • Privacidad.

En ecommerce, la IA debe estar conectada a inventario, catálogo real, precios y políticas actualizadas.

IA generativa y CRM

En CRM, la IA generativa puede apoyar:

  • Resumen de llamadas.
  • Resumen de correos.
  • Clasificación de leads.
  • Redacción de respuestas.
  • Seguimiento.
  • Lead scoring asistido.
  • Generación de propuestas.
  • Análisis de objeciones.
  • Detección de oportunidades.
  • Personalización de mensajes.
  • Notas de cuenta.
  • Customer success.
  • Renovaciones.
  • Upsell.
  • Cross-sell.
  • Segmentación.
  • Análisis de churn.
  • Reportes de pipeline.

Riesgos:

  • Uso de datos sensibles.
  • Resúmenes erróneos.
  • Sesgos en scoring.
  • Automatización de decisiones injustas.
  • Mensajes demasiado automatizados.
  • Falta de consentimiento.
  • Información confidencial expuesta.
  • Dependencia de datos malos.

La IA en CRM debe operar con calidad de datos y gobernanza.

IA generativa y atención al cliente

En Atención al cliente, la IA generativa puede apoyar:

  • Chatbots.
  • Respuestas sugeridas.
  • Resúmenes de conversación.
  • Clasificación de tickets.
  • Detección de intención.
  • Detección de sentimiento.
  • Traducción.
  • Base de conocimiento.
  • Redacción de respuestas.
  • Autoservicio.
  • Escalamiento.
  • Priorización.
  • Análisis de causas.
  • Entrenamiento de agentes.
  • Guías internas.

Riesgos:

  • Respuestas incorrectas.
  • Mala gestión de reclamos.
  • Falta de empatía.
  • Datos sensibles.
  • Alucinaciones.
  • Dificultad de auditoría.
  • Deshumanización.
  • Falta de handoff.
  • Resoluciones no autorizadas.

La IA debe mejorar soporte, no impedir que el cliente llegue a una persona.

IA generativa y comercio conversacional

En Comercio conversacional, la IA generativa puede convertir chats en asistentes de compra.

Aplicaciones:

  • Recomendar productos.
  • Responder dudas.
  • Comparar opciones.
  • Agendar citas.
  • Enviar links.
  • Recuperar carritos.
  • Confirmar pedidos.
  • Resumir conversaciones.
  • Calificar leads.
  • Escalar a vendedor.
  • Atender por WhatsApp.
  • Atender por Messenger.
  • Atender por Instagram Direct.

Riesgos:

  • Recomendaciones inventadas.
  • Precios incorrectos.
  • Promesas no autorizadas.
  • Falta de transparencia.
  • Uso de datos de conversación.
  • Bots invasivos.
  • Falta de humano.

IA generativa y branding

En Branding, la IA generativa puede apoyar:

  • Naming preliminar.
  • Exploración de tonos.
  • Manifiestos.
  • Arquetipos.
  • Claims.
  • Guías de voz.
  • Territorios conceptuales.
  • Moodboards.
  • Visualizaciones.
  • Storytelling.
  • Propuestas de valor.
  • Narrativas de marca.
  • Manuales.
  • Adaptaciones por audiencia.

Riesgos:

  • Nombres no registrables.
  • Similitud con marcas existentes.
  • Falta de diferenciación.
  • Conceptos genéricos.
  • Inconsistencia.
  • Copiar estilos ajenos.
  • Pérdida de identidad.

El branding requiere criterio humano, investigación, contexto cultural y verificación legal.

IA generativa y investigación de mercados

En Investigación de mercados, la IA generativa puede apoyar:

  • Diseño de cuestionarios.
  • Guías de entrevista.
  • Resumen de entrevistas.
  • Codificación cualitativa.
  • Análisis de temas.
  • Clustering de respuestas abiertas.
  • Generación de hipótesis.
  • Desk research.
  • Mapas de competidores.
  • Síntesis de tendencias.
  • Creación de personas preliminares.
  • Simulación de escenarios.
  • Redacción de informes.

Riesgos:

  • Inventar datos.
  • Confundir síntesis con evidencia.
  • Sesgos.
  • Simulaciones sin validez.
  • Hallazgos superficiales.
  • Falta de trazabilidad.
  • Fuentes no verificadas.

La IA puede apoyar análisis, pero no reemplaza evidencia real.

IA generativa y analítica de marketing

En Analítica de marketing, la IA generativa puede apoyar:

  • Explicación de dashboards.
  • Redacción de reportes.
  • Detección de anomalías.
  • Preguntas en lenguaje natural.
  • Resumen de campañas.
  • Interpretación de métricas.
  • Sugerencias de hipótesis.
  • Análisis de cohortes.
  • Segmentación descriptiva.
  • Generación de consultas SQL.
  • Documentación de KPIs.
  • Análisis de embudos.
  • Insights narrativos.

Riesgos:

  • Explicar mal correlaciones.
  • Confundir causalidad.
  • Ignorar sesgos de datos.
  • No considerar incrementalidad.
  • Inventar conclusiones.
  • Ocultar incertidumbre.
  • Usar datos incompletos.

La IA debe ayudar a preguntar mejor, no a justificar decisiones sin evidencia.

IA generativa y personalización

La IA generativa permite personalizar mensajes, recomendaciones y experiencias.

Aplicaciones:

  • Emails personalizados.
  • Landing pages dinámicas.
  • Recomendaciones de producto.
  • Mensajes por segmento.
  • Atención contextual.
  • Propuestas comerciales.
  • Contenido por industria.
  • Creatividades dinámicas.
  • Respuestas por etapa del journey.
  • Ofertas por comportamiento.

Riesgos:

  • Invasión de privacidad.
  • Personalización inquietante.
  • Discriminación.
  • Uso excesivo de datos.
  • Mensajes manipulativos.
  • Promesas diferentes por usuario.
  • Falta de control editorial.

La personalización debe ser útil, no perturbadora.

IA generativa y diseño

En diseño y creatividad visual, la IA generativa puede apoyar:

  • Bocetos.
  • Moodboards.
  • Variantes visuales.
  • Concept art.
  • Fondos.
  • Ilustraciones.
  • Referencias.
  • Storyboards.
  • Mockups.
  • Prototipos.
  • Recursos para campañas.
  • Exploración de estilos.
  • Adaptaciones de formatos.
  • Visuales para redes.
  • Creatividades publicitarias.

Riesgos:

  • Infracción de derechos.
  • Estilos demasiado similares.
  • Imágenes engañosas.
  • Representación sesgada.
  • Errores anatómicos.
  • Falta de coherencia de marca.
  • Uso no autorizado de personajes.
  • Problemas de licencia.

IA generativa y video

En video, la IA generativa puede apoyar:

  • Guiones.
  • Storyboards.
  • Animatics.
  • Voiceover.
  • Subtítulos.
  • Edición.
  • Generación de clips.
  • Avatares.
  • Traducción.
  • Doblaje.
  • Resumen.
  • Adaptación a formatos.
  • Reels.
  • TikToks.
  • YouTube Shorts.
  • Anuncios.
  • Product demos.

Riesgos:

  • Deepfakes.
  • Manipulación.
  • Voces no autorizadas.
  • Imagen de personas sin permiso.
  • Desinformación.
  • Calidad inconsistente.
  • Falsas demostraciones.
  • Publicidad engañosa.

IA generativa y audio

En audio, la IA generativa puede apoyar:

  • Voz sintética.
  • Locuciones.
  • Música.
  • Jingles.
  • Podcasts.
  • Resúmenes hablados.
  • Doblaje.
  • Traducción.
  • Edición.
  • Anuncios de audio.
  • Asistentes de voz.
  • Atención telefónica.

Riesgos:

  • Clonación de voz sin consentimiento.
  • Suplantación.
  • Derechos de autor.
  • Falta de disclosure.
  • Manipulación.
  • Calidad artificial.
  • Uso fraudulento.

IA generativa y código

En código, la IA generativa puede apoyar:

  • Scripts.
  • Automatizaciones.
  • Consultas SQL.
  • APIs.
  • Documentación.
  • Debugging.
  • Plantillas.
  • Pruebas.
  • Integraciones.
  • Prototipos.
  • Web scraping legítimo.
  • Análisis de datos.
  • Dashboards.
  • Funciones para ecommerce.
  • Snippets de marketing.

Riesgos:

  • Código inseguro.
  • Dependencias vulnerables.
  • Errores ocultos.
  • Exposición de credenciales.
  • Licencias.
  • Falta de pruebas.
  • Automatizaciones peligrosas.
  • Copias sin comprensión.

El código generado debe revisarse y probarse.

Beneficios

La IA generativa ofrece varios beneficios:

  • Acelera producción.
  • Reduce trabajo repetitivo.
  • Genera variantes.
  • Apoya creatividad.
  • Resume información.
  • Mejora borradores.
  • Personaliza mensajes.
  • Facilita prototipos.
  • Apoya atención al cliente.
  • Mejora análisis preliminar.
  • Aumenta productividad.
  • Facilita traducción.
  • Ayuda a equipos pequeños.
  • Democratiza herramientas creativas.
  • Mejora experimentación.
  • Apoya documentación.
  • Reduce tiempos de ideación.
  • Permite automatización avanzada.
  • Mejora respuestas internas.
  • Integra lenguaje natural con sistemas.

Su mayor beneficio es ampliar capacidad de producción y análisis cuando existe dirección humana clara.

Limitaciones

La IA generativa presenta limitaciones importantes:

  • Puede alucinar.
  • Puede inventar fuentes.
  • Puede cometer errores.
  • Puede sesgar respuestas.
  • Puede generar contenido genérico.
  • Puede copiar patrones existentes.
  • Puede no entender contexto cultural.
  • Puede fallar en datos recientes.
  • Puede producir claims no verificables.
  • Puede revelar información sensible.
  • Puede depender de prompts.
  • Puede ser inconsistente.
  • Puede ser costosa a escala.
  • Puede generar saturación de contenido.
  • Puede afectar empleos y procesos.
  • Puede crear dependencia.
  • Puede dificultar atribución autoral.
  • Puede violar derechos si se usa mal.
  • Puede provocar decisiones erróneas si no se revisa.

La principal limitación es que la IA generativa produce lenguaje convincente, no necesariamente verdad.

Alucinaciones

Las alucinaciones son respuestas falsas, inventadas o no verificadas generadas por un modelo.

Pueden incluir:

  • Datos falsos.
  • Citas inexistentes.
  • Fechas incorrectas.
  • Leyes mal interpretadas.
  • Nombres inventados.
  • Estadísticas falsas.
  • Funciones inexistentes.
  • Conclusiones no sustentadas.
  • Promesas comerciales no válidas.
  • Diagnósticos incorrectos.
  • Recomendaciones inseguras.

Prevención:

  • Verificar fuentes.
  • Usar RAG.
  • Limitar dominio.
  • Pedir incertidumbre.
  • Revisar por humanos.
  • Usar datos estructurados.
  • Auditar respuestas.
  • No usar IA sola en decisiones críticas.
  • Mantener bases actualizadas.

Sesgos

Los modelos generativos pueden reproducir sesgos de datos, cultura, idioma, género, clase, raza, región, ideología o disponibilidad de información.

En marketing, los sesgos pueden afectar:

  • Segmentación.
  • Creatividades.
  • Personas.
  • Tono.
  • Imágenes.
  • Recomendaciones.
  • Scoring.
  • Atención.
  • Traducción.
  • Accesibilidad.
  • Representación.
  • Moderación.
  • Precios.
  • Personalización.

Buenas prácticas:

  • Revisar salidas.
  • Probar con públicos diversos.
  • Evitar estereotipos.
  • Incluir criterios de inclusión.
  • Auditar datos.
  • Documentar límites.
  • Medir impactos.
  • Usar revisión humana.

Propiedad intelectual y derechos de autor

La IA generativa plantea desafíos de propiedad intelectual.

Riesgos:

  • Uso de material protegido.
  • Generación similar a obras existentes.
  • Uso de estilos reconocibles.
  • Uso de marcas registradas.
  • Uso de personajes protegidos.
  • Voz o imagen sin consentimiento.
  • Entrenamiento con datos no autorizados.
  • Incertidumbre sobre autoría.
  • Licencias de herramientas.
  • Uso comercial restringido.
  • Plagio involuntario.
  • Deepfakes.

Buenas prácticas:

  • Revisar términos de uso de herramientas.
  • Evitar pedir copias de estilos vivos o marcas.
  • Verificar originalidad.
  • Usar bancos autorizados.
  • Mantener registro de prompts.
  • Revisar legalmente campañas importantes.
  • No usar imagen de personas sin permiso.
  • No clonar voces sin consentimiento.
  • Documentar procedencia.

Privacidad y datos personales

La IA generativa puede tratar datos personales, comerciales o confidenciales.

Riesgos:

  • Subir datos sensibles a herramientas externas.
  • Usar conversaciones de clientes sin permiso.
  • Exponer información interna.
  • Generar perfiles invasivos.
  • Reidentificar personas.
  • Entrenar modelos con datos no autorizados.
  • Compartir datos con terceros.
  • No respetar derechos de titulares.
  • No controlar retención.
  • Falta de consentimiento.
  • Transferencias internacionales.
  • Uso de datos de menores.

Buenas prácticas:

  • Minimizar datos.
  • Anonimizar cuando sea posible.
  • Usar herramientas empresariales seguras.
  • Revisar contratos de proveedor.
  • Definir políticas internas.
  • No subir secretos.
  • No subir datos sensibles innecesarios.
  • Controlar accesos.
  • Auditar uso.
  • Informar finalidades.
  • Respetar leyes aplicables.
  • Integrar privacidad por diseño.

Seguridad

La IA generativa puede generar riesgos de seguridad.

Riesgos:

  • Prompt injection.
  • Data leakage.
  • Jailbreaks.
  • Generación de código inseguro.
  • Phishing.
  • Suplantación.
  • Deepfakes.
  • Automatización maliciosa.
  • Extracción de información.
  • Errores de agentes.
  • Uso de herramientas con permisos excesivos.
  • Respuestas manipuladas.
  • Acceso indebido a documentos.
  • Ataques a RAG.
  • Poisoning de datos.

Medidas:

  • Control de permisos.
  • Guardrails.
  • Filtrado.
  • Monitoreo.
  • Logs.
  • Red teaming.
  • Evaluación.
  • Separación de datos.
  • Validación humana.
  • Seguridad de APIs.
  • Pruebas.
  • Detección de anomalías.
  • Política de uso.
  • Capacitación.

Gobernanza de IA generativa

La gobernanza define cómo se usa la IA generativa dentro de una organización.

Elementos:

  • Política de uso.
  • Roles.
  • Herramientas autorizadas.
  • Datos permitidos.
  • Datos prohibidos.
  • Revisión humana.
  • Seguridad.
  • Privacidad.
  • Derechos de autor.
  • Transparencia.
  • Evaluación.
  • Documentación.
  • Registro de prompts.
  • Auditoría.
  • Gestión de proveedores.
  • Control de acceso.
  • Métricas.
  • Escalamiento.
  • Evaluación de riesgos.
  • Protocolos de crisis.

Sin gobernanza, la IA generativa puede acelerar errores a gran escala.

IA generativa y ética en marketing

La Ética en marketing es central en IA generativa.

Riesgos éticos:

  • Contenido engañoso.
  • Deepfakes.
  • Testimonios falsos.
  • Imágenes irreales de producto.
  • Publicidad manipulativa.
  • Uso de datos sin consentimiento.
  • Microsegmentación invasiva.
  • Automatización de presión comercial.
  • Desinformación.
  • Sesgos.
  • Representaciones discriminatorias.
  • Falta de disclosure.
  • Reemplazo opaco de personas.
  • Simulación de experiencias.
  • Bots que fingen ser humanos.
  • Contenido masivo de baja calidad.

Principios recomendables:

  • Transparencia.
  • Veracidad.
  • Supervisión humana.
  • Respeto a privacidad.
  • Inclusión.
  • Responsabilidad.
  • Trazabilidad.
  • Seguridad.
  • Utilidad real.
  • No manipulación.
  • Protección del consumidor.
  • Claridad sobre contenido sintético cuando sea relevante.

IA generativa y protección del consumidor

La IA generativa puede afectar derechos del consumidor.

Riesgos:

  • Descripciones falsas.
  • Imágenes engañosas.
  • Recomendaciones sesgadas.
  • Precios personalizados opacos.
  • Bots que inventan políticas.
  • Garantías incorrectas.
  • Falsa urgencia.
  • Testimonios generados.
  • Reseñas sintéticas.
  • Publicidad no identificada.
  • Productos inexistentes.
  • Atención automatizada deficiente.
  • Imposibilidad de reclamar.
  • Contratos incomprensibles generados automáticamente.

Buenas prácticas:

  • Verificar información.
  • No inventar beneficios.
  • Identificar contenido patrocinado.
  • No usar reseñas falsas.
  • Mostrar producto real.
  • Dar opción humana.
  • Respetar garantías.
  • Informar condiciones.
  • Evitar dark patterns.
  • Documentar respuestas de bots.

IA generativa y productividad

La IA generativa puede aumentar productividad en tareas de conocimiento.

Áreas:

  • Redacción.
  • Resumen.
  • Ideación.
  • Programación.
  • Investigación preliminar.
  • Atención.
  • Diseño.
  • Traducción.
  • Documentación.
  • Análisis.
  • Reportes.
  • Capacitación.
  • Presentaciones.
  • Automatización.

Sin embargo, productividad no significa menor necesidad de criterio. Puede ahorrar tiempo en borradores, pero requiere revisión y dirección.

IA generativa y calidad

La calidad de una salida generativa depende de:

  • Modelo.
  • Prompt.
  • Contexto.
  • Datos.
  • Ejemplos.
  • Fuentes.
  • Restricciones.
  • Evaluación.
  • Revisión humana.
  • Iteración.
  • Dominio.
  • Actualización.
  • Tono.
  • Objetivo.
  • Formato.
  • Herramientas conectadas.

Criterios de calidad:

  • Precisión.
  • Utilidad.
  • Claridad.
  • Relevancia.
  • Originalidad.
  • Coherencia.
  • Cumplimiento.
  • Seguridad.
  • Tono.
  • Factualidad.
  • Acción.
  • Diferenciación.
  • Ajuste al público.
  • Consistencia de marca.

Aplicaciones

La IA generativa puede aplicarse en:

  • Marketing de contenidos.
  • SEO.
  • SEM.
  • Social media.
  • Publicidad digital.
  • Ecommerce.
  • CRM.
  • Atención al cliente.
  • Chatbots.
  • Comercio conversacional.
  • Branding.
  • Diseño.
  • Video.
  • Audio.
  • Investigación de mercados.
  • Analítica.
  • Customer experience.
  • Email marketing.
  • Automatización.
  • Ventas.
  • Customer success.
  • Programación.
  • Documentación.
  • Capacitación.
  • Presentaciones.
  • Infografías.
  • Guiones.
  • Influencer marketing.
  • Social commerce.
  • Data-driven marketing.
  • Growth marketing.
  • Producto.
  • Soporte interno.

Su utilidad aumenta cuando se combina con datos propios, procesos claros y revisión experta.

Ventajas

La IA generativa ofrece varias ventajas:

  • Velocidad.
  • Escalabilidad.
  • Producción de variantes.
  • Asistencia creativa.
  • Reducción de tareas repetitivas.
  • Personalización.
  • Prototipado rápido.
  • Resumen de información.
  • Traducción.
  • Apoyo a equipos pequeños.
  • Mejora de atención.
  • Generación de ideas.
  • Automatización de borradores.
  • Análisis preliminar.
  • Integración con CRM.
  • Integración con ecommerce.
  • Apoyo a ventas.
  • Mejora de documentación.
  • Experimentación.
  • Acceso a capacidades creativas antes costosas.

Su mayor ventaja es multiplicar la capacidad de ejecución cuando existe estrategia.

Limitaciones

La IA generativa también tiene límites:

  • No garantiza verdad.
  • No entiende como humano.
  • Depende de datos y contexto.
  • Puede inventar.
  • Puede sesgar.
  • Puede generar contenido genérico.
  • Puede fallar en casos sensibles.
  • Requiere revisión.
  • Requiere gobernanza.
  • Puede violar privacidad.
  • Puede crear riesgos legales.
  • Puede generar dependencia.
  • Puede saturar contenidos.
  • Puede reducir diferenciación.
  • Puede ser costosa a escala.
  • Puede ser opaca.
  • Puede fallar con instrucciones ambiguas.
  • Puede producir respuestas persuasivas pero erróneas.

La principal limitación es que fluidez no equivale a conocimiento.

Consideraciones técnicas o estadísticas

La implementación de IA generativa debe revisar:

  • Modelo.
  • Proveedor.
  • Datos.
  • Seguridad.
  • Privacidad.
  • Latencia.
  • Costos.
  • Tokens.
  • Calidad.
  • Evaluación.
  • Logs.
  • Prompts.
  • Guardrails.
  • RAG.
  • Fine-tuning.
  • Integraciones.
  • Permisos.
  • Versionado.
  • Monitoreo.
  • Tasa de error.
  • Tasa de alucinación.
  • Satisfacción.
  • Uso.
  • Productividad.
  • Conversiones.
  • Riesgos.
  • Escalamiento.
  • Auditoría.

Métricas útiles:

  • Tiempo ahorrado.
  • Calidad revisada.
  • Tasa de aprobación.
  • Errores detectados.
  • Coste por tarea.
  • Tasa de conversión.
  • Engagement.
  • CTR.
  • CPA.
  • CPL.
  • CAC.
  • ROAS.
  • CSAT.
  • Tiempo de respuesta.
  • Resolución.
  • Incidentes.
  • Cumplimiento.
  • Incrementalidad.

Herramientas y plataformas

Entre las herramientas relacionadas con IA generativa se encuentran:

  • ChatGPT: generación de texto, análisis, conversación, imágenes y asistencia multimodal.
  • Gemini: modelos generativos de Google.
  • Claude: asistente generativo orientado a texto, análisis y documentos.
  • Microsoft Copilot: IA integrada en herramientas de productividad.
  • GitHub Copilot: asistencia de código.
  • Midjourney: generación de imágenes.
  • DALL·E: generación de imágenes.
  • Stable Diffusion: modelos de imagen generativa.
  • Adobe Firefly: generación creativa integrada a flujos de diseño.
  • Runway: generación y edición de video.
  • Synthesia: video con avatares.
  • Canva AI: diseño asistido por IA.
  • Jasper: contenido de marketing asistido por IA.
  • HubSpot AI: IA integrada a CRM y marketing.
  • Salesforce Einstein: IA en CRM y ventas.
  • Meta AI: IA integrada al ecosistema Meta.
  • Dialogflow: interfaces conversacionales.
  • IBM watsonx: IA empresarial.
  • Vertex AI: plataforma de Google Cloud para modelos.
  • Amazon Bedrock: modelos generativos en entorno AWS.
  • Azure AI Foundry: desarrollo de soluciones de IA.
  • RAG frameworks: LangChain, LlamaIndex y herramientas similares.
  • Vector databases: Pinecone, Weaviate, Milvus, Chroma u otras.
  • Data warehouses: BigQuery, Snowflake, Redshift.
  • Customer Data Platforms: Segment, Tealium, mParticle, RudderStack.

La herramienta adecuada depende de objetivo, datos, privacidad, integración, costo, control y nivel de riesgo.

Relación con otros conceptos

La IA generativa se relaciona con:

Buenas prácticas

  • Definir objetivo antes de usar IA.
  • Usar IA para asistir, no para delegar criterio.
  • Verificar datos.
  • Revisar fuentes.
  • Documentar prompts importantes.
  • Crear guías de uso.
  • No subir información sensible sin autorización.
  • Revisar derechos de uso.
  • Validar claims publicitarios.
  • Usar RAG cuando se requiera factualidad.
  • Mantener bases de conocimiento actualizadas.
  • Definir tono de marca.
  • Evaluar calidad.
  • Hacer revisión humana.
  • Medir impacto.
  • Usar guardrails.
  • Escalar casos sensibles.
  • Auditar sesgos.
  • Informar uso de IA cuando sea relevante.
  • Separar borrador de publicación final.
  • Probar con usuarios reales.
  • Crear política de privacidad.
  • Capacitar equipos.
  • Medir incrementalidad.

Errores comunes

  • Publicar sin revisar.
  • Creer que la IA siempre dice la verdad.
  • Usar fuentes inventadas.
  • Generar contenido masivo sin valor.
  • Copiar estilos protegidos.
  • Subir datos sensibles.
  • No revisar privacidad.
  • No definir tono.
  • No verificar claims.
  • Usar imágenes irreales de producto.
  • Usar IA para testimonios falsos.
  • Automatizar atención sin humano.
  • No medir calidad.
  • No evaluar sesgos.
  • No controlar permisos.
  • No documentar uso.
  • No revisar licencias.
  • No distinguir inspiración de evidencia.
  • Usar IA como estrategia en lugar de herramienta.
  • No capacitar al equipo.
  • No establecer gobernanza.
  • Usar IA en decisiones críticas sin supervisión.
  • Ignorar riesgos de seguridad.
  • Confundir productividad con efectividad.

Desafíos éticos y organizacionales

La IA generativa plantea desafíos éticos y organizacionales porque transforma producción, creatividad, atención, comunicación, datos y decisiones.

Riesgos frecuentes:

  • Desinformación.
  • Contenido engañoso.
  • Alucinaciones.
  • Deepfakes.
  • Clonación de voz.
  • Reseñas falsas.
  • Testimonios sintéticos.
  • Uso no autorizado de imagen.
  • Sesgos.
  • Discriminación.
  • Automatización invasiva.
  • Microsegmentación manipulativa.
  • Uso de datos sin consentimiento.
  • Pérdida de autoría.
  • Saturación de contenido.
  • Reducción de calidad editorial.
  • Dependencia tecnológica.
  • Reemplazo de criterio humano.
  • Falta de transparencia.
  • Falta de responsabilidad.
  • Errores a escala.

A nivel organizacional, la IA generativa debe involucrar marketing, legal, privacidad, tecnología, datos, diseño, ventas, atención y dirección. Si se adopta sin reglas, cada equipo puede usar herramientas distintas, subir datos sensibles, publicar errores o generar mensajes incompatibles con la marca.

Una práctica responsable debe preguntarse: ¿la IA generativa está aumentando valor para el cliente y la organización, o solo está acelerando producción sin responsabilidad?

Impacto actual

La IA generativa tiene impacto actual porque cambió la forma en que empresas y personas producen contenido, responden preguntas, investigan, diseñan, programan, venden, atienden clientes y analizan información.

IBM define la IA generativa como tecnología capaz de crear contenido original a partir de prompts. Google Cloud describe los modelos fundacionales como modelos entrenados con grandes cantidades de datos para realizar múltiples tareas. McKinsey estimó que la IA generativa podría agregar entre 2.6 y 4.4 billones de dólares anuales en valor económico global. NIST publicó un perfil específico para gestionar riesgos de IA generativa dentro del AI Risk Management Framework.

En marketing, su impacto es transversal: ayuda a crear campañas, producir contenidos, generar anuncios, atender clientes, personalizar mensajes, analizar datos y automatizar procesos. Pero también aumenta riesgos de contenido falso, privacidad, sesgo, saturación, propiedad intelectual y pérdida de diferenciación.

El impacto actual más importante es que la IA generativa convierte el lenguaje natural en una interfaz de producción. Ya no solo se programa con código; también se opera con instrucciones.

Futuro y tendencias

El futuro de la IA generativa estará marcado por multimodalidad, agentes, integración empresarial, gobernanza, regulación, personalización, IA en dispositivos, RAG, modelos más especializados y medición de impacto real.

Tendencias principales:

  • Modelos multimodales.
  • Agentes de IA.
  • RAG empresarial.
  • IA integrada en CRM.
  • IA integrada en ecommerce.
  • IA integrada en publicidad.
  • IA para atención al cliente.
  • IA para generación de video.
  • IA para audio y voz.
  • IA para diseño.
  • IA para análisis de datos.
  • IA en dispositivos.
  • Modelos especializados.
  • Modelos más pequeños y eficientes.
  • Automatización de workflows.
  • Evaluación de modelos.
  • Guardrails.
  • AI governance.
  • Regulación.
  • Detección de contenido sintético.
  • Watermarking.
  • Seguridad contra prompt injection.
  • Mayor control de datos.
  • Data clean rooms.
  • Personalización con first-party data.
  • Mayor escrutinio de copyright.
  • Más transparencia.
  • Más revisión humana.
  • Más medición de ROI e incrementalidad.

La tendencia más sólida será pasar de usar IA generativa como herramienta aislada a integrarla como capa operativa: datos, contenido, automatización, CRM, publicidad, atención, ventas, análisis, privacidad y gobernanza funcionando juntos.

Véase también

Referencias

  • IBM. What is generative AI?.
  • IBM. What are large language models?.
  • IBM. What are foundation models?.
  • Google Cloud. What are foundation models?.
  • Google Cloud. Generative AI beginner's guide.
  • McKinsey & Company. The economic potential of generative AI: The next productivity frontier. 2023.
  • McKinsey & Company. AI-powered marketing and sales reach new heights with generative AI. 2023.
  • National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. 2024.
  • National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework 1.0. 2023.
  • OpenAI. GPT-4 Technical Report. 2023.
  • Bommasani, Rishi et al. On the Opportunities and Risks of Foundation Models. Stanford CRFM. 2021.
  • Vaswani, Ashish et al. “Attention Is All You Need”. 2017.
  • Goodfellow, Ian et al. “Generative Adversarial Nets”. 2014.
  • Ho, Jonathan; Jain, Ajay; Abbeel, Pieter. “Denoising Diffusion Probabilistic Models”. 2020.
  • Chaffey, Dave y Ellis-Chadwick, Fiona. Digital Marketing. Pearson.
  • Kotler, Philip y Keller, Kevin Lane. Marketing Management. Pearson.

Bibliografía

  • Bommasani, Rishi et al. On the Opportunities and Risks of Foundation Models. Stanford CRFM. 2021.
  • Chaffey, Dave y Ellis-Chadwick, Fiona. Digital Marketing. Pearson.
  • Goodfellow, Ian et al. “Generative Adversarial Nets”. 2014.
  • Google Cloud. Generative AI beginner's guide.
  • Google Cloud. What are foundation models?.
  • Ho, Jonathan; Jain, Ajay; Abbeel, Pieter. “Denoising Diffusion Probabilistic Models”. 2020.
  • IBM. What are foundation models?.
  • IBM. What are large language models?.
  • IBM. What is generative AI?.
  • Kotler, Philip y Keller, Kevin Lane. Marketing Management. Pearson.
  • McKinsey & Company. AI-powered marketing and sales reach new heights with generative AI. 2023.
  • McKinsey & Company. The economic potential of generative AI: The next productivity frontier. 2023.
  • National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework 1.0. 2023.
  • National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. 2024.
  • OpenAI. GPT-4 Technical Report. 2023.
  • Vaswani, Ashish et al. “Attention Is All You Need”. 2017.
Obtenido de «https://sabermarketing.org/wiki/index.php?title=IA_generativa&oldid=27650»