Los especialistas en marketing desconfían de los conocimientos de la IA porque no pueden ver de dónde viene una conclusión y porque actuar sobre un error seguro es costoso. En una encuesta de GWI a más de 450 especialistas en marketing en el Reino Unido, EE. UU. y Singapur, publicada en septiembre 2026, el 72% dijo que su organización había tomado una decisión importante sobre la información generada por IA que luego resultó errónea; sin embargo, solo el 37% verifica la información de IA la mayor parte del tiempo. La solución es hacer que cada conclusión de la IA sea rastreable hasta su muestra, su evidencia y su razonamiento, para que una persona pueda verificarla antes de que alguien actúe en consecuencia.
Puntos clave
- La desconfianza se gana en parte: la mayoría de los equipos de marketing encuestados por GWI ya han actuado basándose en un conocimiento de la IA que resultó ser erróneo, y la verificación sigue siendo la excepción.
- El exceso de confianza también es común: en el estudio de 47 países de KPMG y la Universidad de Melbourne, el 66% de los empleados dependen de la producción de IA en el trabajo sin evaluarla.
- Las investigaciones sobre la confianza en la automatización apuntan a una dependencia calibrada, y las personas aceptan algoritmos imperfectos cuando pueden inspeccionarlos y ajustarlos.
- Una visión de la IA es verificable cuando establece su muestra, vincula cada afirmación con la evidencia detrás de ella, nombra su mecanismo y etiqueta lo que el modelo infiere.
- A continuación auditamos uno de los conocimientos de inteligencia artificial propios de SOMIN; los controles detectaron ruido en la evidencia y un cambio en la audiencia que habría inducido a error a un escrito.
¿Por qué los especialistas en marketing desconfían de los conocimientos de la IA?
Tres razones surgen una y otra vez: la información llega como una caja negra, sus errores se transmiten con la misma confianza que sus hechos y el costo de una decisión equivocada recae en el especialista en marketing, no en la herramienta.
El costo ya no es hipotético. En la encuesta de GWI, el 37% de los especialistas en marketing dijeron que una visión incorrecta de la IA había provocado pérdidas financieras, el 35% a quejas de los clientes y el 32% a daños a la reputación, y el 44% había rehecho el trabajo debido a resultados inexactos. GWI vende datos de encuestas para su uso en herramientas de inteligencia artificial, por lo que tiene interés en la respuesta, pero el patrón coincide con una investigación más amplia.
KPMG y la Universidad de Melbourne encuestaron a 48,000 personas en 47 países para su 2025 estudio global sobre la confianza en la IA. Poco más de la mitad (54%) dijeron que desconfían de confiar en la IA, y el 56% de los empleados dijeron que habían cometido errores en el trabajo debido a ella.
La psicología añade un giro. A través de cinco estudios, Berkeley Dietvorst, Joseph Simmons y Cade Massey descubrieron que las personas pierden confianza en un algoritmo más rápido que en un humano después de ver a ambos cometer el mismo error, incluso cuando el algoritmo era más preciso en general. Lo llamaron aversión al algoritmo. Un error visible en una visión de la IA puede hundir toda una herramienta en los ojos de un equipo.
¿Es la desconfianza un problema o una reacción sensata?
Ambos, dependiendo de a qué conduzca. El objetivo no es más confianza sino la cantidad adecuada. La revisión 2004 de John Lee y Katrina See en Human Factors enmarcó el problema como una dependencia apropiada: la automatización falla cuando las personas no confían en ella adecuadamente, confiando en ella más o menos de lo que justifican sus capacidades.
El marketing muestra ambos fracasos a la vez. El estudio de KPMG encontró que el 66% de los empleados dependen de los resultados de la IA en el trabajo sin evaluarlos ni validarlos, mientras que los datos de GWI muestran que la mayoría de los especialistas en marketing no verifican de forma rutinaria los conocimientos de la IA. Los equipos oscilan entre tomar un gráfico al pie de la letra y tirar una herramienta a la basura después de una mala decisión.
Los mismos investigadores también encontraron una salida. En un seguimiento 2018 en Management Science, las personas estaban mucho más dispuestas a utilizar un algoritmo de pronóstico imperfecto cuando podían modificar su resultado, aunque fuera ligeramente, y sus pronósticos mejoraron. La confianza aumentó con el control. Para obtener información, el control comienza con ver la evidencia y poder editar la conclusión.
¿Qué dicen los propios datos de SOMIN sobre la desconfianza en la automatización?
El motor de información de SOMIN sacó a la luz el mismo tema en la categoría de investigación de audiencia. En un estudio del 2026 de julio de 229 artículos pagados de GWI, Nielsen, Milieu y Euromonitor, con fecha del 8 de abril al 6 de julio 2026, agrupó 51 en una tensión titulada "Navegando por la complejidad de los conocimientos del consumidor en un Mercado impulsado digitalmente": las empresas luchan por extraer información útil de datos abrumadores, se apoyan en etiquetas generacionales amplias y les preocupa que las imprecisiones de la IA dañen su comprensión del mercado. A partir de esa tensión construyó esta cadena:
- Persona: the Insightful Strategist, un profesional de análisis de mercado y estrategia empresarial que prioriza el conocimiento y las decisiones basadas en datos, elaborado a partir de 63 elementos del mismo estudio, 46 de ellos anuncios de GWI.
- Angle: Desconfianza en la automatización, que el modelo de SOMIN clasificó bajo la teoría de la confianza: la confianza se construye a través de la coherencia y la transparencia, y la IA utilizada sin una comunicación clara la erosiona. En la literatura de investigación, este es el campo de la confianza en la automatización que Lee y See revisaron.
- Insight: "La confianza se genera en el terreno de la conversación, no en los datos de los algoritmos".
El marketing propio de la categoría vende contra el mismo miedo. Los anuncios de GWI para Agent Spark, que incorpora datos de encuestas de GWI a asistentes de inteligencia artificial, prometen información verificada de consumidores reales en lugar de contenido extraído de la web. En los canales orgánicos de GWI, las 23 publicaciones etiquetadas con un tema de IA promediaron 83 interacciones, casi tres veces el promedio general de GWI de 29, entre 18 de octubre de 2025 y 17 de octubre de 2026. estudio de cómo las empresas de investigación de audiencias comercializan sus datos tiene una visión más amplia.
Cuando SOMIN combinó la información con su propio producto, las propuestas se basaron en una propiedad más que en una característica: cada conclusión de la IA se puede comparar con las publicaciones detrás de ella, y las etiquetas conceptuales se rastrean hasta las publicaciones específicas que las evidencian. Ese es el estándar que se aplica el resto de este artículo, incluido SOMIN.
¿Qué hace que una visión de IA sea verificable?
Una idea de la IA es verificable cuando un colega escéptico puede rastrearla desde la conclusión hasta la evidencia en unos minutos. El Marco de Gestión de Riesgos de IA del NIST proporciona palabras útiles para las partes: la transparencia responde a lo que sucedió, la explicabilidad responde a cómo se alcanzó un resultado y la interpretabilidad responde a por qué. El NIST enumera la responsabilidad y la transparencia, y la explicabilidad y la interpretabilidad, entre las características de una IA confiable.
Para una visión de marketing, eso significa cuatro capas visibles:
- La muestra: fuentes, marcas, plataformas, rango de fechas y tamaño.
- La evidencia: enlaces a las publicaciones, anuncios o filas reales detrás de cada reclamo, con recuentos.
- El razonamiento: el mecanismo, nombrado, con una fuente para la teoría.
- El estado: una etiqueta simple que separa lo observado de lo que el modelo infirió.
En SOMIN Strategy, cada personaje y tensión se abre a la biblioteca de contenidos filtrados a las publicaciones o anuncios que hay detrás. Ese vínculo es lo que hizo posible la siguiente auditoría.
¿Cómo se audita el conocimiento de la IA en la práctica?
Ejecutamos la idea "La confianza se genera en el suelo de la conversación" a través de esas capas en octubre 2026.
| Comprobación | lo que encontramos | Veredicto |
|---|---|---|
| Muestra indicada | 229 artículos pagados de las bibliotecas de anuncios de GWI, Nielsen, Milieu y Euromonitor, 8 de abril a 6 de julio 2026 | Aprobar |
| Evidencia vinculada | La tensión se abre a los 51 elementos que hay detrás en la biblioteca de contenidos. | Aprobar |
| Evidencia sobre el tema | Algunos artículos eran anuncios de Nielsen que reclutaban miembros para su Panel de Computadoras y Móviles, que no dicen nada sobre la confianza en el conocimiento. | Algo de ruido: deje los temas fuera de tema antes de la sesión informativa |
| Concentración | 31 de los 51 artículos provienen de GWI | El mensaje de un anunciante domina |
| El ángulo coincide con la evidencia | El ángulo describe que los consumidores desconfían de las marcas que utilizan IA; la evidencia es que las empresas de investigación venden a los especialistas en marketing | Cambio de audiencia: reescriba el ángulo para un comprador empresarial |
| Teoría comprobada | "Teoría de la confianza" es una etiqueta amplia; La investigación establecida se centra en la confianza en la automatización y la aversión a los algoritmos. | Volver a citar la investigación primaria. |
El veredicto: la información es una lectura justa de cómo se vende la categoría de investigación de audiencia, basada principalmente en los anuncios de una empresa, y una hipótesis sobre los compradores más que una actitud mesurada. Se puede utilizar una vez que se reescribe el ángulo para los especialistas en marketing y se eliminan los elementos fuera de tema. Sin la auditoría, fácilmente podría haberse incluido en un informe como un hallazgo sobre los consumidores. Para saber cómo encajan las tensiones y los ángulos, consulte qué es una tensión del consumidor .
¿Qué debe incluir una lista de verificación de conocimientos de IA?
Diez cheques cubren la mayor parte. Ejecute los primeros cinco en cada conocimiento y los diez antes de tomar una decisión que afecte el presupuesto.
- Indique la muestra en una línea: fuentes, marcas, plataformas, fechas y número de artículos.
- Vincula cada número con su evidencia, y muestra el denominador: 51 de 229 dice más que "un tema importante".
- Abra una muestra aleatoria de la evidencia, de diez a veinte elementos y cuente los que están fuera de tema.
- Compruebe la concentración. Si una marca o cuenta proporciona la mayor parte de la evidencia, dígalo.
- Etiquete lo que se genera mediante modelos. Las personas, las tensiones y los conocimientos producidos por la IA son hipótesis hasta que se verifican.
- Compruebe la teoría con una fuente primaria. Omita nombres que no pueda encontrar en la literatura de investigación.
- Compruebe la audiencia. ¿La evidencia proviene de las mismas personas de las que habla la conclusión?
- Guarde la evidencia cuando se ejecute el análisis: ID de publicación, enlaces y capturas de pantalla, porque las publicaciones se eliminan y los anuncios dejan de publicarse.
- Compruebe las llamadas importantes con una fuente independiente, como una encuesta, datos de ventas o una pequeña prueba.
- Permita que el propietario edite la conclusión, y registre quién la cambió, quién la aprobó y cuándo.
Estos son el gemelo a nivel de conocimiento de las verificaciones de copias en nuestra guía sobre Alucinaciones de IA en marketing. La IA explicable para marketing también es una cuestión de investigación para nosotros: el Prof. Aleks Farseev y el equipo de SOMIN han publicado sobre ello en ACM Multimedia y The Web Conference, y los artículos se enumeran en la página SOMIN research.
FAQ
¿Por qué los especialistas en marketing no confían en los conocimientos generados por la IA?
Principalmente porque no pueden ver la evidencia detrás de una conclusión y han sido quemados por errores confiados. En la encuesta 2026 de GWI, el 72% de los especialistas en marketing dijeron que su organización había tomado una decisión importante sobre una visión de la IA que luego resultó incorrecta.
¿Qué es la aversión al algoritmo?
Es la tendencia a perder la fe en un algoritmo más rápido que en un humano después de verlo cometer un error, descrita por Dietvorst, Simmons y Massey en 2015. Su trabajo posterior encontró que permitir que las personas ajusten la salida de un algoritmo reduce el efecto.
¿Cómo compruebo si una información de IA es precisa?
Solicite la muestra, abra una selección aleatoria de las publicaciones o filas detrás de ella, cuente las que no están relacionadas con el tema y verifique si la evidencia proviene de la audiencia que describe la información. Luego confirme las decisiones importantes con una fuente independiente.
¿Cuál es la diferencia entre IA explicable y verificable?
La IA explicable le indica cómo se alcanzó un resultado. Una visión verificable va más allá: le permite inspeccionar la evidencia usted mismo y llegar a su propio punto de vista, por lo que no depende únicamente de la explicación.
¿Deberían los especialistas en marketing dejar de utilizar la IA para obtener información sobre la audiencia?
No. La IA es buena para agrupar grandes volúmenes de contenido y proponer tensiones rápidamente. Trate su resultado como una hipótesis con un rastro documental y mantenga a una persona responsable de verificarlo y aprobarlo.
Fuentes
- GWI: Los especialistas en marketing dicen que el conocimiento incorrecto de la IA ya le ha costado a su organización (septiembre 2026)
- KPMG y la Universidad de Melbourne: Confianza, actitudes y uso de la inteligencia artificial, un estudio global 2025 (resumen ejecutivo)
- Dietvorst, Simmons y Massey (2015), Aversión a los algoritmos: las personas evitan erróneamente los algoritmos después de verlos errar, Journal of Experimental Psychology: General 144(1)
- Dietvorst, Simmons y Massey (2018), Superar la aversión a los algoritmos, Ciencias de la gestión 64(3)
- Lee y See (2004), Confianza en la automatización: diseño para una confianza adecuada, Factores humanos 46(1)
- Centro de recursos de IA del NIST: riesgos y confiabilidad de la IA
