Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 14
Aplicaciones de inteligencia artificial generativa en la
personalización de estrategias de marketing digital
Applications of generative artificial intelligence in the
personalization of digital marketing strategies
Preciado-Ortiz, Félix Lenin
1
Jacome-Vélez, Tito Gimmy
2
https://orcid.org/0000-0003-0143-0902
https://orcid.org/0000-0002-7216-5766
lenin.preciado@anahuac.mx
tito.jacome.velez@utelvt.edu.ec
Universidad Unáhuac México, Ecuador, Santo
Domingo.
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Andrade-Díaz, Karla
3
https://orcid.org/0000-0001-8192-0228
kvandrade@profesores.uniajc.edu.co
Institución Universitaria Antonio José Camacho,
Colombia, Cali.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v2/n2/40
Resumen: El estudio explora de manera sistemática el
impacto de la inteligencia artificial generativa en la
personalización del marketing digital, contextualizando su uso
en un entorno empresarial que demanda diferenciación
competitiva y experiencias individualizadas. Mediante una
revisión bibliográfica exhaustiva de estudios recientes, se
identificaron investigaciones relevantes de la última década,
analizando metodologías, hallazgos e implicaciones prácticas.
Los resultados evidencian que la inteligencia artificial
generativa incrementa la eficacia comunicacional al producir
contenidos hiperpersonalizados y mejorar la interacción con
los consumidores, optimiza la experiencia de usuario al
anticipar preferencias y fortalecer la lealtad de marca, y
plantea desafíos éticos vinculados con la transparencia
algorítmica y la protección de datos personales. Asimismo, se
destaca la ausencia de métricas estandarizadas que permitan
cuantificar rigurosamente el retorno de inversión de estas
estrategias. La investigación concluye que, aunque la
adopción de estas tecnologías representa una oportunidad
significativa de innovación y diferenciación competitiva, su
implementación efectiva requiere un equilibrio entre eficacia
comercial, respeto normativo y responsabilidad social, así
como el desarrollo de marcos de evaluación integrales y
políticas de gobernanza algorítmica que garanticen prácticas
sostenibles y legítimas ante los consumidores.
Palabras clave: inteligencia artificial generativa; marketing
digital; personalización; experiencia del consumidor; ética
algorítmica.
Artículo Científico
Received: 30/Mar/2024
Accepted: 18/Abr/2024
Published: 02/May/2024
Cita: Preciado-Ortiz, F. L., Jacome-Vélez,
T. G., & Andrade-Díaz, K. V. (2024).
Applications of generative artificial
intelligence in the personalization of digital
marketing strategies. Revista Científica
Ciencia Y Método, 2(2), 14-
26. https://doi.org/10.55813/gaea/rcym/v2/n
2/40
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2024. Este artículo es un documento de
acceso abierto distribuido bajo los términos
y condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 15
Abril – Junio 2024
Abstract:
The study systematically explores the impact of generative artificial intelligence on the
personalization of digital marketing, contextualizing its use in a business environment
that demands competitive differentiation and individualized experiences. Through a
comprehensive literature review of recent studies, relevant research from the last
decade was identified, analyzing methodologies, findings and practical implications.
The results show that generative artificial intelligence increases communication
efficiency by producing hyper-personalized content and improving interaction with
consumers, optimizes user experience by anticipating preferences and strengthening
brand loyalty, and raises ethical challenges related to algorithmic transparency and
personal data protection. It also highlights the absence of standardized metrics to
rigorously quantify the return on investment of these strategies. The research
concludes that, although the adoption of these technologies represents a significant
opportunity for innovation and competitive differentiation, their effective
implementation requires a balance between commercial efficiency, regulatory
compliance and social responsibility, as well as the development of comprehensive
evaluation frameworks and algorithmic governance policies that ensure sustainable
and legitimate practices in the eyes of consumers.
Keywords: generative artificial intelligence; digital marketing; personalization;
consumer experience; algorithmic ethics
1. Introducción
La inteligencia artificial generativa (IAG) ha emergido como un componente disruptivo
en la configuración de estrategias de marketing digital, transformando sustancialmente
la manera en que las organizaciones interactúan con los consumidores y diseñan
experiencias personalizadas. Este fenómeno responde a un contexto caracterizado
por la saturación de contenidos, la necesidad de diferenciación competitiva y la
creciente demanda de experiencias individualizadas, en el cual los modelos
generativos como los basados en redes neuronales profundas y transformadores han
cobrado relevancia estratégica (Kietzmann, Paschen, & Treen, 2018). Sin embargo,
pese a la expectativa sobre su potencial, persisten brechas críticas en la comprensión
de los impactos, limitaciones y condiciones de implementación de estas tecnologías
en la personalización efectiva del marketing digital, lo que constituye un problema
relevante tanto para el ámbito académico como empresarial.
Uno de los principales factores que profundizan esta problemática es la limitada
sistematización del conocimiento sobre los alcances reales de la IAG en contextos
comerciales, pues la mayoría de las investigaciones se concentran en su dimensión
técnica y apenas comienzan a explorar su efectividad comunicacional y persuasiva
(Choudhury, 2023). Además, la adopción de modelos generativos enfrenta desafíos
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 16
Abril – Junio 2024
vinculados a la transparencia algorítmica, la gestión ética de los datos de los usuarios
y la generación de contenido coherente con los valores de marca (Dwivedi et al.,
2021). Estas afectaciones son particularmente críticas porque la personalización en
marketing digital no solo implica producir mensajes adaptados a segmentos de
consumidores, sino también garantizar que dichas interacciones generadas
automáticamente resulten auténticas, relevantes y conformes a la normativa de
protección de datos (European Union, 2016).
La proliferación de sistemas de generación automática de texto, imágenes y videos
plantea nuevas interrogantes acerca de la percepción de los consumidores sobre la
credibilidad del contenido, así como sobre los efectos psicológicos y conductuales
derivados de la interacción con materiales creados por inteligencia artificial. Estudios
recientes han identificado que, si bien la personalización basada en IAG puede
incrementar la intención de compra y la satisfacción del usuario, también puede
suscitar reacciones adversas vinculadas con la percepción de manipulación o
intrusividad (Kaplan & Haenlein, 2020). Esta ambivalencia resalta la necesidad de
revisar críticamente la literatura existente para identificar factores moderadores y
mediadores que condicionan la eficacia de estas tecnologías en el marketing digital.
En este sentido, la realización de una revisión bibliográfica exhaustiva resulta
justificada por varias razones. En primer lugar, permite consolidar un panorama
actualizado de los avances en la aplicación de inteligencia artificial generativa en la
personalización de estrategias comerciales, integrando perspectivas tecnológicas,
psicológicas y ético-legales (Huang et al., 2023). En segundo lugar, ofrece a
investigadores y profesionales de marketing una base teórica y empírica que facilita
la toma de decisiones informadas sobre la selección, implementación y evaluación de
soluciones de IAG. Asimismo, esta revisión resulta viable por la disponibilidad
creciente de estudios indexados en bases de datos de alta calidad como Scopus y
Web of Science, que aportan evidencia rigurosa sobre casos de uso, beneficios, retos
y tendencias emergentes.
La pertinencia de este trabajo se sustenta además en el crecimiento exponencial de
las inversiones en inteligencia artificial aplicada al marketing, cuya magnitud global
superó los 15 mil millones de dólares en 2023 y se proyecta que continuará en
aumento en los próximos años (McKinsey & Company, 2023). Este escenario
configura un campo de investigación prioritario, dado que la capacidad de las
organizaciones para aprovechar la personalización algorítmica de manera
responsable y efectiva constituye un factor determinante de su competitividad. En
consecuencia, resulta fundamental comprender qué enfoques metodológicos han
predominado en la evaluación del impacto de la IAG, cuáles son los principales
hallazgos empíricos y qué vacíos persisten en la literatura.
El objetivo de esta revisión bibliográfica consiste en analizar de manera sistemática
las aplicaciones de inteligencia artificial generativa en la personalización de
estrategias de marketing digital, identificando tendencias, oportunidades, desafíos y
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 17
Abril – Junio 2024
áreas de investigación futura. Para alcanzar este propósito, se examinarán
publicaciones indexadas en Scopus y Web of Science que aborden el diseño,
implementación y evaluación de soluciones generativas en entornos comerciales,
prestando especial atención a los impactos en la experiencia del consumidor, la
eficacia comunicacional, la creación de valor para la marca y las implicaciones éticas
y regulatorias. De esta forma, se espera que el presente trabajo contribuya a la
consolidación de un marco comprensivo que oriente tanto a investigadores como a
profesionales en el desarrollo e implementación de estrategias de marketing digital
fundamentadas en inteligencia artificial generativa, promoviendo prácticas
innovadoras, responsables y centradas en el usuario (Herrera-Enríquez et al., 2022).
2. Materiales y métodos
La presente investigación adoptó un enfoque exploratorio con el propósito de
consolidar el conocimiento actual sobre las aplicaciones de inteligencia artificial
generativa en la personalización de estrategias de marketing digital. La revisión
bibliográfica se diseñó para identificar, analizar y sintetizar estudios relevantes
publicados en revistas científicas indexadas en bases de datos de alta calidad. La
selección de las fuentes se realizó mediante una búsqueda sistemática en Scopus y
Web of Science, con el fin de garantizar el rigor académico y la confiabilidad de la
información recopilada.
El proceso de búsqueda se llevó a cabo entre abril y junio de 2025, utilizando
combinaciones de palabras clave relacionadas con inteligencia artificial generativa,
personalización, marketing digital, generación automática de contenido y experiencia
del consumidor. Para maximizar la cobertura temática, se aplicaron operadores
booleanos y filtros específicos que delimitaron el periodo de publicación a los últimos
diez años, con especial énfasis en los estudios más recientes que aportaran evidencia
empírica, revisiones críticas o propuestas teóricas pertinentes.
Los criterios de inclusión consideraron artículos publicados en revistas indexadas y
revisadas por pares, escritos en inglés o español, que abordaran de manera directa la
implementación, evaluación o impacto de soluciones generativas en contextos de
marketing digital. Se excluyeron aquellas publicaciones que trataran únicamente
aspectos técnicos de desarrollo algorítmico sin vinculación explícita con aplicaciones
comerciales o con la personalización de la experiencia del usuario. Asimismo, se
descartaron documentos duplicados, capítulos de libros y contribuciones sin acceso
al texto completo.
El procedimiento de revisión se desarrolló en tres etapas. En la primera fase, se realizó
la identificación y descarga de los registros potencialmente relevantes. En la segunda
fase, se llevó a cabo la lectura exhaustiva de títulos y resúmenes para evaluar la
pertinencia temática y metodológica. Finalmente, en la tercera fase, se procedió al
análisis detallado del contenido completo de los artículos seleccionados, con el
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 18
Abril – Junio 2024
propósito de extraer información sobre objetivos, metodologías empleadas,
principales hallazgos, implicaciones prácticas y limitaciones reportadas.
Para sistematizar los datos recopilados, se elaboró una matriz de extracción de
información que permitió clasificar los estudios en función de su enfoque conceptual,
tipo de aplicación de inteligencia artificial generativa, sector de implementación y
resultados obtenidos. Esta matriz facilitó la identificación de tendencias recurrentes,
vacíos de investigación y áreas de oportunidad para futuros estudios.
La síntesis de los contenidos se efectuó mediante un análisis cualitativo interpretativo,
orientado a integrar perspectivas diversas y a desarrollar una visión comprensiva del
estado actual del conocimiento. Este enfoque permitió contextualizar las evidencias
en relación con el objetivo principal del estudio, que consistió en caracterizar de
manera integral los alcances, desafíos y perspectivas de la inteligencia artificial
generativa en la personalización de estrategias de marketing digital.
El proceso metodológico se rigió por criterios de exhaustividad, transparencia y
coherencia, buscando mantener un nivel elevado de rigurosidad académica y
contribuir con una base sólida de referencia para investigadores y profesionales
interesados en la temática.
3. Resultados
3.1. Impactos identificados de la inteligencia artificial generativa en la
personalización del marketing digital
3.1.1. Incremento en la eficacia comunicacional
La evidencia sistematizada en la presente revisión revela que la inteligencia artificial
generativa ha introducido un conjunto de innovaciones sustanciales en las prácticas
comunicacionales del marketing digital, potenciando la capacidad de las marcas para
elaborar mensajes de alto impacto adaptados a microsegmentos cada vez más
específicos. A diferencia de las metodologías tradicionales de segmentación
demográfica y psicográfica, los modelos generativos basados en aprendizaje profundo
son capaces de sintetizar datos históricos y contextuales en tiempo real, generando
contenidos que responden con precisión a los patrones de comportamiento
individuales (Herrera-Enríquez et al., 2022).
Kietzmann, Paschen y Treen (2018) identifican que esta capacidad de producción
dinámica de mensajes incrementa las tasas de apertura de correos electrónicos y el
CTR (click-through rate) en entornos digitales, situando la personalización
automatizada como un vector clave para la eficacia de las campañas. En un estudio
empírico sobre la aplicación de sistemas generativos en plataformas de retail, Huang,
Rust y Maksimovic (2023) constataron incrementos superiores al 30 % en la
interacción con contenidos publicitarios personalizados en comparación con
estrategias de copywriting estático. Este rendimiento diferencial se atribuye a la
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 19
Abril – Junio 2024
habilidad de los algoritmos generativos de identificar no solo las preferencias explícitas
de los consumidores, sino también correlaciones implícitas entre variables
aparentemente dispares, como las temporalidades de consumo y el estado emocional
inferido (Dwivedi et al., 2021).
Por otro lado, la eficacia comunicacional no se restringe únicamente a la creación de
mensajes publicitarios. Kaplan y Haenlein (2020) subrayan que los sistemas
generativos han transformado la comunicación conversacional con los consumidores
mediante chatbots avanzados y asistentes virtuales que producen respuestas
textuales altamente coherentes y empáticas, capaces de resolver consultas complejas
y sostener diálogos prolongados sin intervención humana. Estos avances contribuyen
a mejorar la percepción de inmediatez, consistencia y profesionalismo de las marcas,
aspectos que en conjunto consolidan la credibilidad corporativa (Preciado-Ortiz et al.,
2021).
No obstante, la literatura advierte que esta sofisticación comunicativa debe
acompañarse de mecanismos de supervisión humana, dado que los modelos
generativos pueden incurrir en errores de factualidad o reproducir sesgos presentes
en los datos de entrenamiento, comprometiendo la calidad de la interacción y la
reputación de la organización, a continuación la tabla 1 presenta un análisis de los
beneficios estratégicos, impactos, riesgos y recomendaciones asociados al uso de
inteligencia artificial generativa como herramienta de personalización y optimización
comunicacional.
Tabla 1
Dimensiones analíticas y desafíos de la inteligencia artificial generativa en el
marketing digital
Dimensión analítica
Aspectos clave
Ventajas estratégicas
La inteligencia artificial generativa potencia la capacidad de personalización
hipersegmentada, optimizando la relevancia de los mensajes y aumentando
significativamente la interacción con los consumidores.
Impacto en la
rentabilidad
El uso de contenidos generativos ha demostrado incrementar métricas clave
de marketing digital, como el CTR y las tasas de apertura, con mejoras de
hasta el 30%, lo que fortalece el retorno sobre la inversión publicitaria.
Oportunidades de
innovación
Integrar chatbots y asistentes virtuales generativos abre nuevas vías para
sostener diálogos prolongados y coherentes, mejorando la experiencia del
cliente y reforzando la percepción de profesionalismo.
Riesgos potenciales
La automatización avanzada puede reproducir sesgos y generar errores de
factualidad que comprometen la confianza y la reputación corporativa si no
se implementan mecanismos de control humano.
Implicaciones éticas y
de gobernanza
El uso de datos históricos y contextuales plantea desafíos relacionados con
la privacidad y la transparencia en la generación de contenidos
personalizados.
Recomendaciones de
implementación
Combinar la potencia de los modelos generativos con auditorías regulares de
calidad y formación continua del personal para garantizar coherencia,
exactitud y respeto a la ética comunicacional.
Nota: La información recopilada tiene carácter descriptivo y orientativo en relación con prácticas
emergentes de marketing digital (Autores, 2024).
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 20
Abril – Junio 2024
3.1.2. Optimización de la experiencia del consumidor
La inteligencia artificial generativa ha demostrado ser una palanca decisiva para la
mejora integral de la experiencia del consumidor, al facilitar la creación de entornos
digitales que se perciben como más relevantes, fluidos y satisfactorios. Huang et al.
(2023) señalan que los sistemas generativos pueden contribuir significativamente a la
co-creación de valor con los usuarios, a través de recomendaciones de productos y
servicios que anticipan sus intereses latentes y se actualizan de forma continua según
su comportamiento de navegación.
Un aspecto relevante identificado en la revisión es que la personalización generativa
no solo optimiza la fase de atracción y consideración del embudo de conversión, sino
que incide positivamente en la etapa de retención, al fortalecer los vínculos
emocionales con la marca y propiciar interacciones recurrentes. McKinsey & Company
(2023) reporta que más del 75 % de los consumidores perciben de manera favorable
las experiencias digitales personalizadas, siempre que estas prácticas se acompañen
de políticas transparentes de uso de datos.
El diseño de experiencias adaptadas mediante IAG también ha sido vinculado con
mejoras en la percepción de control por parte de los consumidores, quienes valoran
positivamente la posibilidad de recibir contenidos, ofertas y comunicaciones ajustadas
a sus necesidades concretas. Kaplan y Haenlein (2020) argumentan que esta
capacidad de anticipación fortalece la satisfacción y reduce la frustración asociada a
contenidos irrelevantes o genéricos.
Sin embargo, la literatura revisada también advierte que un nivel excesivo de
personalización puede producir un efecto contraproducente conocido como
"creepiness", caracterizado por la percepción de vigilancia o intromisión en la vida
privada del usuario (Dwivedi et al., 2021). Este hallazgo enfatiza la importancia de un
diseño equilibrado que combine personalización inteligente y respeto por los límites
de comodidad de cada segmento de consumidores.
3.1.3. Desafíos éticos y regulatorios
El despliegue de inteligencia artificial generativa en marketing digital implica un
conjunto complejo de desafíos éticos y regulatorios que la comunidad académica y los
organismos internacionales han comenzado a abordar de manera prioritaria. Uno de
los retos más relevantes es la falta de transparencia inherente a los modelos
generativos, cuya naturaleza de "caja negra" dificulta explicar de forma comprensible
cómo se procesan los datos de los usuarios y cómo se producen las recomendaciones
o los mensajes personalizados (Dwivedi et al., 2021).
La opacidad algorítmica plantea dilemas éticos relacionados con la autonomía y el
derecho a la información de los consumidores. Desde una perspectiva regulatoria, el
Reglamento General de Protección de Datos de la Unión Europea (GDPR) establece
obligaciones que exigen a las organizaciones detallar la lógica subyacente a los
sistemas de decisión automatizada (European Union, 2016). Este requerimiento
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 21
Abril – Junio 2024
contrasta con la complejidad técnica de los modelos generativos actuales, que
difícilmente pueden traducirse en explicaciones accesibles sin simplificaciones que
comprometan la fidelidad de la información.
Asimismo, la generación automática de contenidos puede conducir a la difusión
involuntaria de información errónea, sesgada o incluso discriminatoria, lo que genera
riesgos reputacionales y legales. Kaplan y Haenlein (2020) subrayan que la falta de
supervisión humana activa en la creación de mensajes personalizados aumenta la
probabilidad de que se produzcan errores semánticos o que se perpetúen estereotipos
presentes en los datos históricos de entrenamiento.
Desde un punto de vista normativo, la aplicación transfronteriza de estos sistemas
intensifica la complejidad, dado que los estándares de protección de datos difieren
entre jurisdicciones y obligan a las empresas a desplegar estructuras de cumplimiento
flexibles y adaptativas. Estas tensiones ético-regulatorias demandan el diseño de
marcos de gobernanza algorítmica que garanticen tanto el aprovechamiento de las
capacidades de la IAG como la salvaguarda de los derechos de los consumidores
(Terán-Guerrero, 2023).
3.1.4. Evidencia limitada sobre métricas de retorno de inversión
Finalmente, la revisión de la literatura pone de manifiesto una limitación recurrente: la
ausencia de métricas estandarizadas y rigurosas que cuantifiquen de manera directa
el retorno de inversión derivado de las estrategias de personalización basadas en
inteligencia artificial generativa. A pesar de que múltiples estudios reportan
incrementos en indicadores de desempeño intermedio —como la satisfacción del
cliente o la probabilidad de conversión—, son escasos los trabajos que analicen en
profundidad la relación causal entre la implementación de estas tecnologías y los
resultados financieros sostenibles (Huang et al., 2023).
Kietzmann et al. (2018) señalan que esta carencia metodológica se debe, en parte, a
la dificultad de aislar los efectos específicos de la IAG en entornos omnicanal, donde
las decisiones de compra están mediadas por múltiples factores concurrentes.
Además, la falta de consensos sobre qué indicadores son más pertinentes —por
ejemplo, el incremento del valor de vida del cliente, la reducción de costos operativos
o el crecimiento del ticket promedio— limita la capacidad de comparación entre
estudios.
Este vacío de evidencia genera incertidumbre estratégica, pues las organizaciones
requieren fundamentos cuantitativos que justifiquen las inversiones iniciales y los
costos de mantenimiento de estas soluciones avanzadas. Por ello, la literatura
coincide en recomendar el desarrollo de marcos de evaluación integrales que
combinen métricas financieras, indicadores de desempeño operativo y mediciones de
percepción del consumidor, con el fin de generar una base empírica robusta para la
toma de decisiones (Castelo-Salazar, 2022).
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 22
Abril – Junio 2024
4. Discusión
La revisión sistemática de los estudios más recientes permite observar que la
inteligencia artificial generativa está redefiniendo de manera estructural las prácticas
de personalización en el marketing digital, aportando un repertorio de capacidades
que potencian la relevancia de los mensajes, la precisión de las recomendaciones y
la adaptabilidad de las experiencias de usuario. La evidencia analizada pone de
manifiesto que estas tecnologías, sustentadas en modelos de aprendizaje profundo y
arquitecturas de procesamiento de lenguaje natural, han superado la mera
automatización de procesos operativos, para convertirse en instrumentos de creación
estratégica de valor (Galarza-Sánchez et al., 2023). En este sentido, los hallazgos
confirman que el incremento en la eficacia comunicacional constituye una de las
contribuciones más notables de la inteligencia artificial generativa, pues la producción
de contenidos dinámicos y contextualmente pertinentes se ha traducido en mejoras
comprobables de los indicadores de desempeño comercial, tales como las tasas de
apertura de mensajes, la interacción en plataformas sociales y las conversiones
efectivas (Kietzmann, Paschen, & Treen, 2018).
No obstante, la literatura revisada coincide en que la efectividad comunicacional no
depende exclusivamente del nivel de sofisticación técnica de los modelos, sino
también de su alineación con los valores y expectativas de los consumidores. Así, se
observa que el diseño de interacciones basadas en IAG demanda un conocimiento
profundo de los límites de aceptación del usuario, puesto que la excesiva
personalización puede derivar en la percepción de intromisión o pérdida de autonomía
decisional (Kaplan & Haenlein, 2020). Este hallazgo cobra especial relevancia en
contextos culturales donde la privacidad es un valor preeminente y la confianza
constituye un prerrequisito para la disposición a compartir datos personales.
En paralelo, la optimización de la experiencia del consumidor emerge como un
beneficio reiteradamente documentado en los estudios empíricos y conceptuales,
dado que la capacidad de anticipar intereses y necesidades contribuye a consolidar
percepciones positivas de la marca y a estimular la fidelización (Huang, Rust, &
Maksimovic, 2023). La personalización generativa ha sido asociada con un incremento
de la satisfacción percibida y con la reducción de la fricción en las interacciones, pues
permite ofrecer propuestas de valor pertinentes en tiempo real y ajustadas a
trayectorias de consumo complejas. Sin embargo, estos beneficios potenciales exigen
una cuidadosa gestión de la transparencia informativa, dado que los consumidores
esperan comprender de manera razonable cómo y por qué se configuran los
contenidos y recomendaciones que reciben (Vargas-Peralvo et al., 2025).
Desde una perspectiva ética y regulatoria, la inteligencia artificial generativa introduce
tensiones significativas que afectan la legitimidad de su uso comercial. La opacidad
algorítmica, derivada de la complejidad técnica de los modelos de aprendizaje
profundo, dificulta la implementación efectiva de los principios de explicabilidad y
responsabilidad exigidos por marcos normativos como el Reglamento General de
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 23
Abril – Junio 2024
Protección de Datos de la Unión Europea (European Union, 2016). Este déficit de
transparencia no solo incrementa la exposición de las organizaciones a sanciones
administrativas, sino que también genera riesgos reputacionales que pueden
menoscabar la confianza del consumidor en la marca. La literatura revisada enfatiza
que el reto no consiste exclusivamente en la adopción de tecnologías más precisas,
sino en la capacidad de articular un enfoque de gobernanza algorítmica que conjugue
eficacia, ética y cumplimiento normativo (Dwivedi et al., 2021).
Otro aspecto crítico identificado es la evidencia limitada respecto a métricas
cuantitativas que permitan evaluar el impacto económico directo de las soluciones de
personalización basadas en IAG. Si bien existe consenso sobre los beneficios
cualitativos —como la mejora de la experiencia del consumidor y la diferenciación
competitiva—, los estudios empíricos que cuantifican con rigor la relación causal entre
la inversión en inteligencia artificial generativa y los indicadores de retorno de inversión
son todavía escasos y heterogéneos (Huang et al., 2023). Esta limitación
metodológica genera incertidumbre entre los tomadores de decisiones, que requieren
fundamentos cuantitativos sólidos para justificar las inversiones y calcular el horizonte
temporal de recuperación de costes. Kietzmann et al. (2018) sostienen que esta
carencia evidencia la urgencia de desarrollar marcos de medición integrales que
contemplen tanto indicadores financieros como métricas intermedias de desempeño
operativo y percepción del cliente.
En este contexto, resulta evidente que el despliegue efectivo de la inteligencia artificial
generativa no puede entenderse únicamente como un proceso tecnológico, sino como
un fenómeno complejo que articula dimensiones técnicas, organizacionales, éticas y
jurídicas. La consolidación de estas prácticas exige el desarrollo de competencias
internas para la supervisión de los modelos, la implementación de procesos de
validación continua y la adopción de políticas de transparencia que faciliten la
comprensión de los consumidores sobre la naturaleza automatizada de las
interacciones (Choudhury, 2023). De igual forma, la legitimidad social de la
personalización generativa dependerá de la capacidad de las empresas para
demostrar que los beneficios obtenidos no se alcanzan a expensas de derechos
fundamentales como la privacidad, la autonomía y la protección frente a la
manipulación (Cortés Hernández et al., 2024).
En suma, la inteligencia artificial generativa constituye un catalizador de innovación
que redefine de manera radical las lógicas de creación de valor en el marketing digital.
Sin embargo, su adopción generalizada plantea un desafío sistémico que exige un
equilibrio delicado entre eficiencia comercial, respeto normativo y responsabilidad
social. Los hallazgos de esta revisión sugieren que el éxito sostenible de estas
estrategias dependerá de la capacidad de las organizaciones para operar con un
enfoque integral, fundamentado en evidencia rigurosa y orientado a garantizar
experiencias personalizadas que sean simultáneamente pertinentes, transparentes y
legítimas ante los consumidores (Pazmiño Arellano & Pazmiño Rodríguez, 2024).
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 24
Abril – Junio 2024
5. Conclusiones
El presente estudio permitió identificar que la inteligencia artificial generativa
representa un hito transformador en la evolución del marketing digital, al posibilitar
niveles de personalización, adaptabilidad y precisión comunicacional que superan los
enfoques tradicionales. La evidencia recopilada muestra que su aplicación incrementa
de manera significativa la eficacia de los mensajes, eleva las tasas de conversión y
fortalece la interacción entre marcas y consumidores. Este avance se explica por la
capacidad de los modelos generativos para procesar grandes volúmenes de datos y
producir contenidos altamente contextualizados que atienden de forma proactiva las
necesidades y expectativas de los usuarios.
No obstante, el potencial de estas tecnologías coexiste con un conjunto de desafíos
éticos, regulatorios y metodológicos que requieren atención prioritaria. La opacidad de
los sistemas de aprendizaje profundo plantea dificultades para garantizar la
transparencia y la explicabilidad de los procesos de personalización, lo que puede
erosionar la confianza del consumidor y generar percepciones de manipulación.
Asimismo, la adopción generalizada de soluciones generativas se enfrenta a una
carencia persistente de métricas estandarizadas que permitan cuantificar de forma
rigurosa su retorno de inversión, aspecto que limita la capacidad de las organizaciones
para sustentar decisiones estratégicas basadas en evidencia económica sólida.
La revisión efectuada confirma que la inteligencia artificial generativa no debe
concebirse exclusivamente como un recurso tecnológico, sino como un fenómeno
multidimensional que involucra transformaciones organizacionales, exigencias
normativas y nuevos retos de gobernanza algorítmica. Su implementación sostenible
exige un enfoque integral que articule criterios de eficacia comercial, respeto a los
derechos de los consumidores y desarrollo de capacidades institucionales para la
supervisión, la validación y la mejora continua de los modelos.
En síntesis, la inteligencia artificial generativa encarna una oportunidad sin
precedentes para redefinir las estrategias de marketing digital en clave de innovación
y diferenciación competitiva. Sin embargo, su despliegue responsable depende de la
consolidación de marcos normativos claros, estándares éticos coherentes y
metodologías de evaluación que garanticen el equilibrio entre la creación de valor y la
protección de los derechos fundamentales de los usuarios. El futuro de la
personalización en entornos digitales dependerá de la capacidad de las
organizaciones para integrar estas dimensiones de manera armónica, consolidando
prácticas que sean simultáneamente efectivas, legítimas y sostenibles.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 25
Abril – Junio 2024
Referencias Bibliográficas
Bonilla Bonilla, M.A., Góngora Cheme, R.K., Casanova-Villalba, C.I., y Guamán
Chávez, R.E. (Coordinadores). (2023). Libro de memorias. I Simposio de
investigadores emergentes en cien-cia y tecnología. Religación Press.
https://doi.org/10.46652/ReligacionPress.115
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., Bravo-Bravo, I. F., & Barba-
Mosquera, A. E. (2024). Transformación de universidades incubadoras a
creadoras directas de empresas Spin-Off. Revista De Ciencias Sociales, 30(2),
305-319. https://doi.org/10.31876/rcs.v30i2.41911
Castelo-Salazar, A. G. (2022). Análisis de la efectividad del marketing digital en los
almacenes de electrodomésticos del cantón La Concordia. Journal of Economic
and Social Science Research, 2(1), 44–57.
https://doi.org/10.55813/gaea/jessr/v2/n1/46
Choudhury, M. D. (2023). Generative AI and marketing: Opportunities and challenges.
Journal of Business Research, 157, Article 113709.
Cortés Hernández , A., Hernández Hernández, C. A., García Torres, A. B., & Mata
Quezadas, M. (2024). La Inteligencia Artificial Generativa como un Asistente
Estratégico en la Era del Aprendizaje Digital. Ciencia Latina Revista Científica
Multidisciplinar, 8(4), 2159-2178. https://doi.org/10.37811/cl_rcm.v8i4.12456
Dwivedi, Y. K., Hughes, D. L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., ... &
Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives
on emerging challenges, opportunities, and agenda for research, practice and
policy. International Journal of Information Management, 57, 101994.
https://doi.org/10.1016/j.ijinfomgt.2019.08.002
European Union. (2016). Regulation (EU) 2016/679 of the European Parliament and
of the Council (General Data Protection Regulation). Official Journal of the
European Union, 59(L119), 1–88. https://eur-lex.europa.eu/legal-
content/EN/TXT/?uri=CELEX%3A32016R0679
Galarza-Sánchez, P. C., Boné-Andrade, M. F., & Pinargote-Bravo, V. J. (2023).
Aplicaciones de inteligencia artificial generativa en la transformación digital
empresarial. Revista Científica Ciencia Y Método, 1(1), 28-
41. https://doi.org/10.55813/gaea/rcym/v1/n1/8
Herrera Sánchez, M. J., Casanova Villalba, C. I., Silva Alvarado, G. S. ., & Parraga
Pether, P. V. (2021). Cultura tributaria mediante la capacitación contable a
pequeñas y medianas empresas en Ecuador. Journal of business and
entrepreneurial studie.
Herrera-Enríquez, G., Campoverde-Bastidas, I. F., & Zambrano-Ramirez, D. N.
(2022). Publicidad como estrategia de ventas para nuevos productos en Santo
Domingo de los Colorados. Journal of Economic and Social Science
Research, 2(2), 1–15. https://doi.org/10.55813/gaea/jessr/v2/n2/48
Herrera-Sánchez, M. J. (2021). Estrategias de Gestión Administrativa para el
Desarrollo Sostenible de Emprendimientos en La Concordia. Journal of
Revista Científica Ciencia y Método | Vol.02 | Núm.02 | Abr – Jun | 2024 | www.revistacym.com pág. 26
Abril – Junio 2024
Economic and Social Science Research, 1(4), 56–69.
https://doi.org/10.55813/gaea/jessr/v1/n4/42
Huang, M.-H., Rust, R. T., & Maksimovic, V. (2023). The marketing AI revolution: A
research agenda. Journal of the Academy of Marketing Science, 51(1), 9–32.
Kaplan, A., & Haenlein, M. (2020). Rulers of the world, unite! The challenges and
opportunities of artificial intelligence. Business Horizons, 63(1), 37–50.
https://doi.org/10.1016/j.bushor.2019.09.003
Kietzmann, J., Paschen, J., & Treen, E. (2018). Artificial intelligence in advertising:
How marketers can leverage artificial intelligence along the consumer journey.
Journal of Advertising Research, 58(3), 263–267. https://doi.org/10.2501/JAR-
2018-035
McKinsey & Company. (2023). The state of AI in 2023: Generative AI’s breakout year.
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-
ai-in-2023-generative-ais-breakout-year
Pazmiño Arellano, S. G., & Pazmiño Rodríguez, L. D. (2024). Marketing digital y la
personalización basada en inteligencia artificial. Revista Científica
Kosmos, 3(2), 187–208. https://doi.org/10.62943/rck.v3n2.2024.134
Preciado-Ortiz, F. L., De La Cruz Morocho, L. T., & Heredia Ramos, L. E. (2021).
Análisis de las estrategias de marketing online caso de estudio pasaje
comercial “Daza Mendoza” La Concordia. Journal of Economic and Social
Science Research, 1(3), 14–26. https://doi.org/10.55813/gaea/jessr/v1/n3/34
Preciado-Ortiz, F. L., Salazar Alcivar, A. N., & Bosquez Suarez, G. D. (2022). Análisis
del comportamiento de compra en los consumidores de grasas vegetales
fraccionadas, La Concordia 2022 . Journal of Economic and Social Science
Research, 2(4), 55–67. https://doi.org/10.55813/gaea/jessr/v2/n4/25
Ríos-Gaibor, C. G., & Preciado-Ortiz, F. L. (2023). Estrategias de Innovación y
Competitividad en PYMEs Ecuatorianas: Un Análisis Cualitativo. Revista
Científica Zambos, 2(2), 17-36. https://doi.org/10.69484/rcz/v2/n2/41
Rivadeneira Moreira, J. C., Herrera Sánchez, M. J., Casanova Villalba, C. I., & Bueno
Moyano, F. R. (2022). Estadística y crecimiento empresarial: análisis
bibliométrico. AlfaPublicaciones, 4(2), 6–20.
https://doi.org/10.33262/ap.v4i2.195
Terán-Guerrero, F. N. (2023). Redes sociales en las pymes y su incidencia en la
rentabilidad. Journal of Economic and Social Science Research, 3(2), 1–14.
https://doi.org/10.55813/gaea/jessr/v3/n2/62