IA generativa y productividad en marketing y ventas: lectura crítica de los experimentos de campo
Los experimentos de campo muestran que la IA generativa acelera tareas, pero también empeora resultados fuera de su "frontera" de capacidades.
Los experimentos de 2023 a 2026 muestran que la IA generativa acelera tareas de redacción, atención y desarrollo, sobre todo para los menos experimentados. También documentan tareas en las que empeora el resultado y efectos nulos sobre ingresos y salarios. Para marketing y ventas en España, la pregunta útil es en qué tareas concretas funciona y con qué control.
Qué miden realmente los experimentos
La evidencia más citada procede de ensayos aleatorizados, que permiten hablar de causalidad, pero miden tareas acotadas, durante semanas o meses, con métricas de velocidad o volumen.
| Estudio | Muestra | Hallazgo |
|---|---|---|
| Noy y Zhang (2023) | 453 profesionales con estudios universitarios, tareas de escritura | Unos 40 % menos de tiempo y unos 18 % más de calidad |
| Brynjolfsson et al. (2025) | 5.172 agentes de atención al cliente | Alrededor de un 15 % más de casos resueltos por hora; los expertos apenas ganan y pierden algo de calidad |
| Dell'Acqua et al. (2026) | 758 consultores de BCG, preregistrado | Dentro de la «frontera»: 12,2 % más tareas y 25,1 % más rápido; fuera de ella: 19 puntos menos de respuestas correctas |
| Cui et al. (2026) | 4.867 desarrolladores, tres ensayos en empresas | 26,08 % más tareas completadas (error estándar: 10,3 %) |
| Otis et al. (2026) | Emprendedores en Kenia con asistente basado en GPT-4 | Efecto medio no distinguible de cero en ingresos y beneficios; los de peor rendimiento inicial empeoran casi un 10 % |
| Humlum y Vestergaard (2025) | Unos 25.000 trabajadores daneses de 11 ocupaciones | Ahorro declarado de cerca del 3 % del tiempo; efectos nulos y precisos en salarios y horas |
Fuente: elaboración propia a partir de los estudios citados. Humlum y Vestergaard (2025) es un diseño cuasiexperimental, no un ensayo aleatorizado.
El patrón es claro: cuanto más se acerca la medida al resultado económico (ingresos, salarios), menor es el efecto.
La frontera irregular: dónde la IA resta
La frontera tecnológica irregular (jagged frontier) de Dell'Acqua et al. (2026) es la idea más útil para un responsable de equipo: la IA rinde mucho en unas tareas y falla en otras de dificultad aparente similar, sin que el usuario lo note. En la tarea fuera de la frontera, el grupo sin IA acertó en torno al 84,5 %, frente al 60–70,6 % de los grupos con IA. El riesgo es la confianza mal situada.
Otis et al. (2026) llegan a algo parecido: la diferencia no estaba en los consejos del asistente, sino en cuáles decidía aplicar cada emprendedor.
Del ahorro de tiempo al resultado comercial
Para marketing y ventas hay pocos ensayos, casi todos sin revisión por pares. Ju y Aral (2026) asignaron a 2.234 personas a equipos humano-humano o humano-IA para crear anuncios: los equipos con IA produjeron un 50 % más de anuncios por persona, con mejor calidad de texto pero peor calidad de imagen. Publicados en X (unos 5 millones de impresiones), la calidad del texto mejoró el CTR y la de la imagen, el coste por clic: más volumen no implica mejor rendimiento.
En comercio electrónico, Fang et al. (2026) aplicaron IA generativa a siete procesos de una plataforma transfronteriza. Los efectos sobre ventas fueron de cero a un 16,3 %, según cuánto añadía la IA a lo que ya se hacía, y llegaron por la conversión, no por el tamaño del carrito.
En Dinamarca, solo entre un 3 % y un 7 % del tiempo ahorrado se tradujo en salario (Humlum y Vestergaard, 2025). Una inferencia no demostrada es que el tiempo liberado se reabsorbe si nadie lo redirige.
En España, el 21,1 % de las empresas de 10 o más empleados usaba IA en el primer trimestre de 2025 (INE, 2025), y en la UE el 34,7 % de las que la usan la aplica a marketing o ventas (Eurostat, 2025). Ninguno de los experimentos revisados se realizó en España ni con equipos comerciales de pymes.
Aplicaciones prácticas
- Mapear la frontera propia: clasificar las tareas del equipo (anuncios, respuestas a leads, informes) según dónde la IA acierta y dónde falla, con casos reales.
- Revisión obligatoria fuera de la frontera: en estrategia, precios o diagnósticos de campaña, la IA solo aporta borradores.
- Medir resultados, no volumen: CTR, coste por lead o conversión, frente a un grupo de control.
- Aprovechar la ganancia en perfiles junior con plantillas validadas por los sénior.
- Decidir antes a qué se destina el tiempo ahorrado.
Para RCKT, la implicación es que toda automatización comercial con IA debería llevar una métrica de resultado y una revisión humana definida en las tareas de mayor riesgo.
Caso simulado (no representa a ninguna empresa real): una agencia de viajes de Valencia con cuatro comerciales usa IA para redactar anuncios y respuestas a solicitudes. Durante seis semanas, crea la mitad de las campañas con IA y la otra mitad sin ella. Mide CTR y coste por lead, y revisa a mano los presupuestos, que considera fuera de la frontera.
Limitaciones
Los estudios de marketing, comercio electrónico y el danés son documentos de trabajo. No se encontró un ensayo con equipos comerciales en España. Los modelos evaluados ya están superados y la frontera puede haberse desplazado. No se localizó la publicación del INE con datos de 2026.
Conclusión
La evidencia sobre IA generativa y productividad respalda ganancias reales en tareas concretas, pero no una mejora automática del resultado comercial en marketing y ventas. Lo que separa ambas cosas es gestión: saber dónde está la frontera de cada equipo, medir contra un control y decidir qué hacer con el tiempo liberado. Sin ese marco, cualquier empresa apuesta a una media que, según esta evidencia, oculta ganadores y perdedores.
Referencias
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.
Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2026). The effects of generative AI on high-skilled work: Evidence from three field experiments with software developers. Management Science. Publicación anticipada en línea.
Dell'Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423.
Eurostat. (2025). Use of artificial intelligence in enterprises [Statistics Explained].
Fang, L., Yuan, Z., Zhang, K., Donati, D., & Sarvary, M. (2026). Generative AI and sales productivity: Field experiments in online retail (arXiv:2510.12049v6).
Humlum, A., & Vestergaard, E. (2025). Large language models, small labor market effects (BFI Working Paper 2025-56). University of Chicago.
Instituto Nacional de Estadística. (2025, 22 de octubre). Encuesta sobre el uso de TIC y del comercio electrónico en las empresas. Año 2024 - Primer trimestre 2025 [Nota de prensa].
Ju, H., & Aral, S. (2026). Collaborating with AI agents: Field experiments on teamwork, productivity, and performance (arXiv:2503.18238v3).
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
Otis, N. G., Clarke, R., Delecourt, S., Holtz, D., & Koning, R. (2026). The uneven impact of generative artificial intelligence on entrepreneurial performance: Evidence from a field experiment in Kenya. Management Science. Publicación anticipada en línea.
