Casos de uso de marketing con IA: qué está funcionando ahora y qué vendrá en 2027

Si en este momento usted está evaluando soluciones de marketing con IA, es probable que la lista corta le parezca familiar. Todos los proveedores principales ofrecen IA agéntica en segmentos predictivos, contenido generativo, optimización del tiempo de envío y alguna versión de orquestación de recorridos. Pero hay una pregunta que los diferencia, y la mayoría de los marcos de evaluación no la incluyen: ¿A qué datos operativos tienen acceso realmente los agentes de IA?

Por lo general, la IA para marketing funciona con una imagen parcial del cliente. La mayoría de las herramientas de marketing con IA tienen acceso a datos sobre comportamiento: clics, aperturas, sesiones web. No tienen acceso a lo que un cliente realmente compró, devolvió, si su pedido se envió tarde o cuál es su nivel de fidelidad.

El resultado es que sus proyecciones son superficiales, su personalización falla y la orquestación del recorrido del cliente que ha configurado sigue enviando correos electrónicos de carrito abandonado a alguien que compró el producto en la tienda hace dos días.

Todos los casos de uso de marketing con IA que brindan ganancias de ingresos medibles tienen una cosa en común: acceso a datos operativos provenientes de sistemas para comercio, pedidos, inventario, cumplimiento y servicio.

Así es como esto luce en la práctica, los resultados de negocio que brinda, y cómo evaluar si su stack actual puede lograrlo.

El marketing con IA aplica inteligencia artificial para comprender a los clientes, crear y personalizar experiencias, automatizar decisiones e impulsar los resultados de negocio. Pero tratando a la “IA” como una capacidad única, se termina teniendo pilotos desconectados que no se combinan.

The Future of Customer Engagement: 4 Shifts Defining the Next Era mapea cuatro capas distintas, y saber dónde se encuentra usted en ellas es el camino más rápido hacia una estrategia coherente:

• Cálculos avanzados. Pruebas A/B, atribución de ingresos, información estratégica sobre ciclo de vida. La capa fundamental que pone de manifiesto lo que está funcionando.
• IA dirigida. Machine learning para obtener la siguiente mejor acción, optimización del tiempo de envío y proyección de abandono de clientes. Donde operan hoy la mayoría de los equipos maduros.
• IA generativa. Creación de contenido, traducción, aceleración de campañas. La capa que la mayoría de los equipos están probando activamente.
• IA agéntica. IA que funciona en pos de un objetivo de marketing y se coordina entre los sistemas sin requerir de un humano en cada paso –la próxima frontera.

Un equipo que opera IA generativa sin tener por debajo IA dirigida produce contenido más rápido sin saber quién debería recibirlo. Un equipo que está probando la IA agéntica sin tener datos conectados automatiza las decisiones en base a una imagen incompleta del cliente.

Esta es la pregunta de evaluación que omite la mayoría de las comparaciones entre proveedores.

Un modelo de proyección de abandono de clientes entrenado con datos sobre la interacción por correo electrónico puede decirle quién dejó de abrir sus correos.

Sin embargo, un modelo de proyección de abandono del cliente, entrenado con interacciones por correo electrónico, historial de compra, comportamiento de devolución, estado del pedido e interacciones de servicio, puede decirle realmente quién está abandonando la marca y por qué.

El 53% de las marcas dicen que la integración de CX y ERP es una prioridad, pero el 59% dicen que aún no han cerrado ese ciclo (investigación de SAP y Foundry CIO, 2026). Esa brecha explica por qué se estancan tantas inversiones en marketing con IA: los modelos son sofisticados, pero los datos que los alimentan son escasos.

Cuando usted evalúa casos de uso de marketing con IA, todas las soluciones tienen IA. La pregunta que vale la pena hacerse es: ¿A qué datos tiene acceso la IA?

1. Proyectar el comportamiento del cliente con datos operativos

Una marca de belleza de venta directa el consumidor realiza una campaña para recuperar clientes que no han realizado una compra en los últimos 90 días. Misma oferta, mismo timing, mismo mensaje para 400.000 personas. Algunos de esos clientes estaban a punto de comprar de todas formas, y el descuento solo redujo el margen de ganancia. Otras personas dejaron de comprar hace tres meses y no van a volver.

Los puntajes de probabilidad de compra, las alertas de propensión a la cancelación y los modelos de afinidad del producto reemplazan esas suposiciones. Pero la calidad de esas proyecciones depende totalmente de lo que las alimenta.

Las capacidades de proyección  de SAP Engagement Cloud se basan en datos operativos de los clientes: qué han comprado y devuelto, cómo han interactuado a lo largo del comercio, el servicio y la fidelización, sus patrones de recompra, y su etapa del ciclo de vida. A partir de allí funcionan las capacidades de identificación de públicos de Joule al momento de crear segmentos predictivos.

La diferencia es importante comercialmente. El Customer Loyalty Index 2025 reveló que la fidelidad verdadera cayó 5 puntos porcentuales desde 2024, la mayor disminución anual desde que comenzó el índice. Ahora está en el 29%, y el 28% de los consumidores han cambiado de marca debido al aburrimiento. Una campaña para recuperar clientes que se dispara mientras el cliente todavía recuerda la marca logra convertir leads. Seis meses después, usted está compitiendo con desconocidos.

2. Personalizar las experiencias del cliente más allá de los clics

El programa de correo electrónico de un minorista de la moda envía todos los martes la misma campaña de “recién llegados” a 2 millones de suscriptores. El cliente que acaba de comprar un abrigo de invierno recibe el mismo correo electrónico que el que lleva una semana mirando zapatillas.

La mayoría de los motores de personalización funcionan a partir de datos de comportamiento: en qué cosas alguien hizo clic, qué páginas vio, cuánto tiempo permaneció. Eso es útil, pero es una vista parcial. Le falta lo que compró y conservó, lo que devolvió, cómo fue su experiencia de servicio y si su último pedido llegó a tiempo.

La personalización de SAP Engagement Cloud abarca segmentación predictiva y dinámica; recomendaciones de producto basadas en afinidad visual e historial de compras; selección de contenido dinámico; ofertas personalizadas; las siguientes mejores acciones; optimización del tiempo de envío; y preferencias de canal. Las capacidades de Joule para recomendación de productos y personalización de contenido se alimentan de datos operativos, por lo tanto la recomendación y el mensaje reflejan toda la relación con el cliente.

El Global Engagement Index 2026 encontró que el 58% de los consumidores piensa que la mayoría de los correos electrónicos de marketing que reciben no son relevantes. La brecha entre lo que las marcas envían y lo que los clientes desean se cierra cuando la personalización se basa en la realidad de las compras y no solo en el comportamiento de navegación.

Puma logró 5 veces más de ingresos por correo electrónico en seis meses con la segmentación de IA predictiva a través de SAP Engagement Cloud, además de un crecimiento del 50% en su base de datos conectando programas de referidos infundidos de IA.

3. Generar y optimizar contenido de marketing

Un equipo de marketing de ciclo de vida necesita 47 variantes de correo electrónico para el lanzamiento de un producto: tres segmentos de ciclo de vida, cuatro canales, versiones por idioma y variantes de pruebas A/B. El equipo tiene dos personas. El lanzamiento es en tres semanas.

La IA generativa se encarga de la producción: textos y líneas de asunto de correos electrónicos adaptados a segmentos; descripciones de productos y variaciones de contenido por público y canal; personalización de activos visuales; localización; y pruebas multivariante impulsadas por IA a un ritmo que ningún equipo podría igualar a mano.

El informe AI in Retail Report de SAP encontró que el 54% de los profesionales de marketing informan tasas de apertura más altas cuando las líneas de asunto de los correos electrónicos son redactadas por la IA. Pero el impacto en los ingresos se hace evidente cuando contenido generado por la IA se combina con públicos seleccionados por la IA y un timing optimizado por IA a través de tácticas preconfiguradas en SAP Engagement Cloud.

Esta es la distinción práctica para la evaluación: una herramienta de IA generativa independiente crea contenido más rápido. Una capacidad de IA generativa incorporada dentro de una solución de automatización de marketing crea contenido que está fundamentado en quién lo recibirá, cuándo lo recibirá y qué es lo que ya ha visto. Las capacidades de contenido de Joule manejan información estratégica de correos electrónicos junto con la generación, para que su equipo pueda refinar la selección de contenido basándose en datos de rendimiento.

Un estudio de BCG y SAP encontró un aumento del 15% en los ingresos por campaña y una reducción del 44% en las horas equivalentes a tiempo completo dedicadas a la creación de contenido cuando estas capacidades se implementan juntas, no como herramientas aisladas.

4. Orquestar los recorridos del cliente con señales reales

Un cliente añade un par de botas a su carrito un viernes a la noche. Para el lunes a la mañana, ya ha recibido un correo electrónico por el carrito abandonado, una notificación push, un SMS y un anuncio de retargeting. El cliente había comprado las botas el sábado en la tienda.

Cada mensaje posterior a la compra hizo ruido, y cada uno le costó a la marca un pequeño fragmento de confianza. El sistema de marketing no tenía registro de la compra en la tienda porque no tenía acceso a los datos de comercio ni del punto de venta.

La orquestación de recorridos potenciada por IA determina cuándo interactuar y cuándo abstenerse, qué canal utilizar, qué contenido u oferta entregar, si se necesita un incentivo, y cómo espaciar y suprimir mensajes en tiempo real. Pero esas decisiones son tan buenas como lo sean los datos que las fundamentan.

SAP Engagement Cloud se conecta a los datos de comercio, pedidos, inventario, cumplimiento y servicio. Las capacidades de orquestación de recorridos de Joule se coordinan en tiempo real entre estas fuentes de datos, de modo que sus campañas respondan a lo que sucedió en cada punto de contacto, incluidos aquellos que están fuera del alcance del sistema de marketing.

Esa misma investigación de SAP y Foundry encontró que el 74% de las marcas dice que la visibilidad y asignación del inventario es su mayor obstáculo en la ejecución de la CX. Las campañas disparadas por el clima, las notificaciones de reposición de inventario basadas en datos reales y la supresión de recorridos basada en compras confirmadas, todo depende de lo mismo: que el sistema de marketing tenga acceso a las señales operativas.

Molton Brown logró un +22% de conversión de leads interanual durante campañas clave gracias a una interacción personalizada potenciada por IA, creada a partir de datos unificados a lo largo de SAP Commerce Cloud y SAP Engagement Cloud.

5. Pasar de la automatización a los agentes de IA

Su equipo de marketing se reúne para la evaluación semanal de rendimiento. Las tasas de apertura están en un dashboard, las de clics en otro, y los datos de conversión aún no se han sincronizado. Todo el mundo evalúa las campañas de la semana pasada después de los hechos. Para cuando alguien se da cuenta de que el correo electrónico promocional del viernes tuvo un rendimiento bajo, 200.000 clientes ya lo han recibido y el mensaje de seguimiento ya se ha enviado.

Joule permite que los agentes de IA trabajen en pos de objetivos de marketing definidos, todo dentro de los permisos que establece el equipo de marketing. Los especialistas en marketing describen lo que desean lograr y Joule coordina la ejecución. (Para un análisis más profundo sobre cómo funciona el marketing agéntico y lo que significa para los equipos de marketing, consulte What Is Agentic Marketing? A Guide for Marketers.)

En la práctica, eso significa:

• Identificación del público que crea y refina segmentos en base a objetivos de campaña y señales de rendimiento
• Activación de campañas que se ejecuta a lo largo de los canales basándose en las decisiones sobre público, timing y contenido que coordina la IA
• Personalización de contenido y de activos visuales que ajusta texto, imágenes y ofertas en el momento del envío
• Información estratégica de correos electrónicos que revela patrones de rendimiento y recomienda acciones mientras las campañas aún están en curso
• Orquestación de recorridos que redirige a los clientes a lo largo de los puntos de contacto basándose en señales operativas y conductuales en tiempo real

Estas capacidades se encuentran dentro de la suite de negocios de SAP: están conectadas a pedidos, inventario, cumplimiento, fidelidad y servicio. Esa conexión es lo que separa al marketing agéntico incorporado de las herramientas de IA añadidas que pueden generar contenido pero no tienen acceso a la realidad de negocios que hay detrás de un cliente.

La asociación de SAP con Google Cloud lleva esto aún más lejos, con la integración de Google BigQuery que permite que datos externos en tiempo real (condiciones climáticas, señales de demanda regional) disparen al instante flujos de trabajo de campaña automatizados. El Personalization Playbook detalla casos de uso específicos, incluyendo campañas disparadas por el clima y notificaciones de reposición de inventario basadas en datos en tiempo real del ERP sobre el inventario.

Desde el cuarto trimestre de 2026 y hasta el primero de 2027 llegarán nuevas capacidades de agentes. Las unidades de IA compradas hoy se aplican automáticamente a las nuevas capacidades a medida que estas se habilitan.

Qué cambia en 2027: El cambio es de tareas de un solo agente a coordinación multiagente. Hoy en día, los Joule Agents manejan la identificación de públicos o la generación de contenido como capacidades individuales. Hasta el 2027, los agentes coordinarán esas tareas de forma secuencial: identificar un público, generar el contenido para dicho público, seleccionar el canal y el timing, activar la campaña y realizar ajustes basados en el rendimiento, todo dentro de un mismo flujo de trabajo.

Para los profesionales de marketing, ello significa que la brecha entre “defina lo que quiere lograr” y “la campaña está activa y optimizándose” se reduce de días a horas. En las organizaciones que utilizan SAP ERP, los agentes tendrán acceso a señales operativas a las que ninguna herramienta de marketing independiente puede llegar, lo cual significa que las campañas que coordinen estarán fundamentadas desde el principio en datos de inventario, cumplimiento y pedidos.

Los San Jose Sharks, una organización de deportes y entretenimiento de propiedad múltiple, lograron una tasa del 87% en renovación de abonos de temporada y un crecimiento del 30% en ingresos conectando las soluciones de SAP para ventas, interacción, comercio, CDP y analíticas a fin de brindar una interacción con el aficionado impulsada por IA durante todo su ciclo de vida como cliente.

Seleccionar un caso de uso de marketing con IA comienza con una pregunta sobre los datos. A continuación le mostramos cómo puede resolverla.

Audite a qué datos puede acceder realmente su sistema de marketing.

• Compras completadas
• Devoluciones
• Transacciones en tiendas
• Tickets de servicio
• Estado de la fidelidad

Si su IA solo funciona a partir de clics en correos electrónicos y sesiones web, las proyecciones y la personalización se estancarán, sin importar cuán sofisticados sean los modelos. La encuesta de McKinsey de 2025 sobre el estado de la IA reveló que solo el 39% de las organizaciones pudieron atribuir a la IA algún impacto en las ganancias a nivel empresarial, y la mayoría situó la cifra por debajo del 5%. La brecha entre la adopción de la IA y su impacto en los ingresos es donde la mayoría de los equipos de marketing están estancados en este momento.

Mapee su actual madurez en IA en función de las cuatro capas. La mayoría de los equipos están ejecutando cálculos avanzados y probando la IA generativa. La brecha suele ser entre la IA dirigida (proyecciones, siguiente mejor acción) y la infraestructura de datos subyacente.

Secuencie sus casos de uso según la disponibilidad de los datos. Una priorización práctica:

• Comience aquí: Contenido generado por IA (Capa 3). Menos dependencia de datos, más rápido time to value. Generación de líneas de asunto, variaciones de contenido, localización.
• Cree en pos de: Segmentación predictiva y personalización (Capa 2). Requiere datos conectados sobre compras y ciclo de vida. Mayor impacto en los ingresos, pero solo cuando la base de datos está en funcionamiento.
• Escale hacia: Orquestación de recorridos e IA agéntica (Capas 2 a 4). Requiere datos operativos en tiempo real sobre comercio, pedidos y servicio. Los casos de uso de mayor valor, pero también los más dependientes de los datos.

Comience con el caso de uso que tenga la base de medición más clara. Compare los enfoques asistidos por IA con los existentes en cuanto a ingresos, conversión de leads y retención. Haga seguimiento de los ingresos incrementales de las campañas impulsadas por IA, no de las métricas de adopción de IA.

Hágale a su proveedor la pregunta sobre los datos operativos. ¿La solución puede acceder de forma nativa a los datos de ERP, comercio, inventario y servicio? ¿O requiere una capa de integración independiente que introduce latencia y complejidad? La diferencia determina si su marketing con IA funciona con una imagen completa o parcial del cliente.

La IA en el marketing conlleva riesgos reales que aumentan con su adopción:

• Calidad de los datos. La IA amplifica todo lo que haya en los datos, incluyendo errores y brechas. El 92% de las marcas dice que mejorar la calidad de los datos es la forma más efectiva de reducir el costo total de propiedad relacionado con la CX (investigación de SAP y Foundry CIO, 2026).
• Privacidad, consentimiento y regulación. El AI in Retail Report 2024 concluyó que el 70% de los consumidores están preocupados por el uso de sus datos personales por parte de la IA durante sus compras, y solo el 11% informa una confianza alta en los servicios minoristas potenciados por IA. El RGPD, la Ley de IA de la UE y las regulaciones regionales en constante evolución establecen requisitos específicos sobre cómo la IA procesa los datos de los clientes, cómo se divulgan las decisiones automatizadas y qué mecanismos de consentimiento son necesarios. La gobernanza y la gestión del consentimiento son obligaciones regulatorias, no características opcionales.
• Sesgo. Los modelos predictivos entrenados con datos históricos pueden replicar y reforzar sesgos existentes en el targeting y la interacción.
• Alucinaciones. La IA generativa produce contenido plausible que puede ser fácticamente incorrecto. Todo reclamo generado por IA necesita un chequeo humano.
• Consistencia de marca. El contenido generado por IA a escala puede desviarse de la voz de la marca si no tiene protecciones. El Global Engagement Index 2026 concluyó que el 85% de las marcas establecidas tienen en funcionamiento protecciones claras para el uso de IA.
• Sobreautomatización. Automatizar decisiones que el cliente espera que tome un humano daña las relaciones. La estrategia, el criterio y la voz de la marca siguen siendo trabajo humano.