El futuro de la publicidad ante los sesgos de la IA: el desafío de dirigir mensajes a modelos con capacidad de recomendar y tomar decisiones de compras
Por Redacción - 9 Junio 2025
La publicidad se encuentra en un punto de inflexión significativo, impulsada por la creciente irrupción de los asistentes de compra basados en inteligencia artificial. Por mucho tiempo, la meta principal de los publicistas ha sido captar la atención del consumidor humano y motivarlo a la compra. Sin embargo, con la multiplicación de herramientas de IA diseñadas para facilitar las decisiones de adquisición, surge una pregunta central: ¿cómo deben dirigirse los mensajes publicitarios a una entidad no humana? Esta cuestión ha llevado a agencias de medios a desarrollar soluciones tecnológicas que aborden este nuevo paradigma.
Estos asistentes, que abarcan desde aplicaciones especializadas en compras hasta integraciones en plataformas de comercio electrónico y grandes modelos de lenguaje (LLM) como ChatGPT, comparten un objetivo común: guiar a los consumidores a través de las etapas de descubrimiento, evaluación y decisión de compra. La progresiva integración de la IA en los hábitos de consumo y en la investigación de productos demanda que las marcas reajusten sus estrategias de marketing para comunicarse no solo con personas, sino también con algoritmos. Una máquina no responde a un eslogan pegadizo ni evoca nostalgia; su funcionamiento se cimienta en la interpretación de datos.
Las marcas necesitan ahora estructurar la información de sus productos de una manera optimizada para la percepción algorítmica.
Esto implica comprender cómo los modelos de IA interpretan una marca, identificar los factores que influyen en esa percepción y definir acciones para aumentar la visibilidad de la marca ante estos asistentes. La objetividad inherente a la IA es un factor clave; al procesar las preferencias del consumidor, un asistente de IA puede ofrecer sugerencias precisas basándose en una amalgama de reseñas de clientes, especificaciones técnicas, comparaciones de precios y análisis de expertos. Además, interactúa con el consumidor mediante preguntas de seguimiento para afinar sus recomendaciones sobre las características del producto más valoradas.
No obstante, los denominados LLM, pueden exhibir sesgos importantes al formular recomendaciones de compra, lo cual representa una preocupación ética y práctica fundamental en el desarrollo y la implementación de la inteligencia artificial. Estos sesgos, lejos de ser intencionales, son un reflejo directo de los datos con los que fueron entrenados y de las decisiones tomadas durante su proceso de desarrollo.
Estos modelos aprenden de extensos conjuntos de datos, a menudo extraídos de internet, que incluyen textos, reseñas, foros y redes sociales. Si estos datos incorporan prejuicios históricos, culturales o sociales —por ejemplo, si hay una representación desproporcionada de ciertos grupos demográficos en relación con productos específicos, o si el lenguaje empleado para describir productos refleja estereotipos—, el modelo los asimilará y los reproducirá en sus recomendaciones. Un caso habitual es el sesgo de género o racial, donde las sugerencias pueden variar según la supuesta identidad del usuario, basándose en patrones aprendidos de datos históricos. Esto puede derivar en desigualdades en el acceso a ofertas o precios diferenciados, o incluso en la exclusión de ciertos productos para determinados segmentos de la población.
Además, los sesgos pueden surgir durante el proceso de ajuste fino (fine-tuning) del modelo, donde la intervención humana busca orientar su comportamiento y alinearlo con estándares específicos. Si los equipos de desarrollo carecen de diversidad o si sus propias perspectivas sesgadas influyen en cómo se refuerzan ciertas respuestas, estos prejuicios pueden arraigarse en el modelo. Esto implica que un LLM podría acabar respondiendo preguntas o generando recomendaciones basadas en las creencias o inclinaciones ideológicas con las que fue configurado, en lugar de una objetividad pura. La falta de transparencia en el funcionamiento de estos sistemas, a menudo denominados "cajas negras", dificulta la identificación y corrección de estos sesgos, afectando directamente la confianza del consumidor.
En el contexto de las recomendaciones de compra, los sesgos pueden manifestarse de diversas maneras.
Por ejemplo, un LLM podría favorecer marcas o productos con una mayor presencia en los datos de entrenamiento, independientemente de su calidad real o de su idoneidad para un usuario específico. También podría influir en el consumidor a través de sesgos cognitivos como el "efecto de anclaje" (donde la primera información influye en decisiones posteriores) o la "demostración social" (recomendando productos populares sin considerar la adecuación individual).
La hiperobjetividad de la IA, aunque valiosa para procesar datos, puede verse comprometida si los datos subyacentes están sesgados, llevando a que las sugerencias de productos no sean verdaderamente imparciales, sino que reflejen las imperfecciones inherentes a los datos históricos y a la configuración humana. Por lo tanto, es crucial que las organizaciones establezcan directrices éticas y políticas claras para el entrenamiento de los LLM y para la supervisión de sus recomendaciones, buscando mitigar activamente la perpetuación de prejuicios y estereotipos.
