Dr. Er Navas Maldonado
Docente de Asignatura A, Universidad Autónoma del Estado de México
ORCID: https://orcid.org/0009-0006-4590-4187
Dr. Filiberto Enrique Valdés Medina
PTC, Universidad Autónoma del Estado de México
ORCID: https://orcid.org/0000-0003-1424-1465
Dra. Midiam Mariana Maldonado Martínez
PTC, Universidad Autónoma del Estado de México
ORCID: https://orcid.org/0000-0002-5742-6681
¿A quién debe convencer hoy una pieza de contenido? ¿Al publico humano, o al modelo de lenguaje que decide si el humano llega a verla? ¿Qué distingue a una marca que sobrevive la saturación de contenido sintético de una que se disuelve en ella?; Las preguntas no son retóricas; Cada tecnología que abarató la producción de contenido -imprenta, radio, internet- desencadenó la misma secuencia: Abundancia, Saturación y una nueva escasez, esta vez de Confianza; La inteligencia artificial generativa repite el patrón a escala sin precedentes. Pophal (2026) lo llama "AI Slop"; La competitividad en marketing digital se desplaza así de la producción al reconocimiento; Ya no es suficiente con generar contenido; se debe poseer autoridad epistémica ante los sistemas de IA generativa, no solo ante el consumidor humano. Este artículo propone el Modelo de SinergIA Híbrida (HSM), un marco tridimensional -Humano, Analítico y Ético-contextual- derivado de una síntesis integrativa sistemática de 16 estudios empíricos(2025-2026), con codificación inter-jueces validada(κ de Cohen=0.87);Los resultados muestran que la interacción sistematizada de las tres dimensiones genera efectos multiplicativos sobre la rentabilidad, distintos de los que produce la IA independientemente; La tecnología de IA es ya un commodity de infraestructura; la ventaja competitiva sostenible reside hoy en la gobernanza deliberada de su integración con el criterio humano; El HSM posiciona la Generative Engine Optimization (GEO) como su dimensión estratégica de frontera, en línea con la Service-Dominant Logic (Vargo & Lusch, 2004, 2008) y con la teoría de Capacidades Dinámicas (Teece et al., 1997).
Palabras clave: Inteligencia artificial; Marketing; Ética de la tecnología; Medios sociales; Comercio electrónico; Consumidor.
Who should a piece of content convince today? The human audience, or the language model that decides whether humans even see it? What separates a brand that survives the saturation of synthetic content from one that dissolves into it? The questions are not rhetorical. Every technology that cheapened content production -the printing press, radio, the internet- triggered the same sequence: abundance, saturation, and a new scarcity, this time of trust. Generative artificial intelligence repeats the pattern at unprecedented scale. Pophal (2026)calls the result "AI Slop," and in doing so names a deeper shift; The axis of competitiveness in digital marketing is moving from production to recognition. Producing content is no longer enough; organizations must hold epistemic authority before generative AI systems, not only before the human consumer. This article proposes the Hybrid SynergIA Model(HSM), a three-dimensional framework -human, AI-analytical, and ethical-contextual- derived from a systematic integrative synthesis of 16 empirical studies (2025-2026), with validated inter-rater coding(Cohen's κ = 0.87). The results show that coordinated interaction among the HSM's three dimensions generates multiplicative effects on organizational profitability, distinct from those produced by AI operating alone: there, short-term gains in volume coexist with eroding trust and rising brand abandonment. AI technology is already an infrastructure commodity; sustainable competitive advantage now resides in the deliberate governance of its integration with human judgment. The HSM positions Generative Engine Optimization (GEO)as its strategic frontier dimension, in line with Service-Dominant Logic (Vargo & Lusch, 2004, 2008) and Dynamic Capabilities theory (Teece et al., 1997).
Keywords: Artificial intelligence; Marketing; Ethics of technology; social media; Electronic commerce; Consumer.
El Problema: De la Abundancia Sintética a la Escasez Epistémica
La historia de la tecnología y los mercados se repite con una incómoda regularidad; La imprenta abarató la palabra impresa y trajo consigo, en la misma medida, tanto la Ilustración como el panfleto difamatorio; La radio y la televisión democratizaron después el alcance publicitario, y con él la propaganda a las masas. Hacia mediados de la década de 2020 le tocó el turno a la inteligencia artificial, que repitió el patrón en el marketing digital democratizando la producción de contenido hasta el punto de erosionar la misma ventaja competitiva que antes confería; cualquier empresa, sin importar su tamaño, pudo generar en segundos lo que antes exigía semanas y equipos especializados, las consecuencias no tardaron en manifestarse, ni fueron, por cierto, las que la retórica optimista de la industria había anticipado(Venith Vijay et al., 2025; Wang & Yu, 2025; Sahut & Laroche, 2025).
Pophal (2026)bautizó ese colapso con precisión: "AI Slop". El término designa la saturación masiva de contenido sintético de baja densidad epistémica, y su utilidad está en que explica un mecanismo que de otro modo parecería paradójico; Cuando todos producen con las mismas herramientas y a la misma escala, el resultado no es una elevación general del nivel, sino una erosión colectiva del valor; Tres consecuencias de ese mecanismo aparecen de forma consistente en el corpus revisado: 1. Fatiga cognitiva ante mensajes indiferenciados, esto de acuerdo a lo expuesto por Mehmood et al. (2026), 2. Deterioro de la confianza en marcas percibidas como productoras de contenido genérico(Kumar et al., 2025; Beyari & Hashem, 2025), y 3. Señal de valor auténtico cada vez más difícil de distinguir bajo el ruido sintético.
El problema central de este trabajo puede enunciarse así: La rentabilidad organizacional ya no se explica por el volumen ni la velocidad de producción. El diferenciador emergente es otro -la autoridad epistémica-, es decir, la capacidad de una organización para ser reconocida, ponderada y recuperada por los grandes modelos de lenguaje generativos como fuente confiable, pertinente y de alta densidad informativa, lo anterior en línea con Pophal (2026)la consecuencia es inmediata y medible; Con una fracción creciente de las consultas de información resolviéndose hoy en interfaces conversacionales de IA en lugar de motores de búsqueda clásicos, ser "Epistémicamente Citable" se ha convertido en el activo intangible que separa el crecimiento sostenible de la irrelevancia progresiva; El volumen no dejó de importar pero dejó de ser, por sí mismo la fuente de diferenciación principal.
Marco Teórico
El HSM se construye sobre tres tradiciones teóricas, tomadas en conjunto, describen la misma realidad desde ángulos que no siempre resultan cómodos entre sí; Esa incomodidad, más que un defecto a resolver, es el punto de partida del modelo.
La Service-Dominant Logic (SDL) formulada por Vargo y Lusch (2004, 2008)aporta el anclaje central; Su tesis original sostiene que el valor emerge de la co-creación entre actores, no de los productos o servicios en sí mismos, y encuentra en el marketing intervenido por IA su laboratorio más exigente; Los sistemas algorítmicos intervienen ahora como agentes co-creadores que amplifican o atenúan la densidad de valor según cómo se integren con las capacidades humanas(Oleksiuk, 2025; Sahut & Laroche, 2025; Kapoor et al., 2026). Aquí aparece el primer estresor, la SDL explica bien qué es el valor co-creado, pero dice poco sobre los mecanismos que sostienen esa co-creación cuando el entorno cambia a la velocidad que impone la IA generativa; La teoría no se equivoca; simplemente fue formulada antes de que el problema realmente existiera.
La teoría de Capacidades Dinámicas, propuesta por Teece et al. (1997)llena exactamente ese vacío que dejo la SDL; Su argumento central es que la ventaja competitiva duradera no reside en recursos estáticos, sino en la capacidad organizacional para detectar oportunidades, capturar valor y reconfiguración de sus activos; Lo que resulta directamente aplicable en la era sintética; Gobernar la integración entre agentes humanos y algorítmicos es, en este marco y esencialmente, la capacidad dinámica por excelencia del ecosistema digital contemporáneo(Venith Vijay et al., 2025; Wang & Yu, 2025); El estresante queda así acotado, pero no disuelto; La SDL define el objetivo: co-creación de valor; Las Capacidades Dinámicas explican el mecanismo de gobernanza adaptativa.
Las finanzas conductuales y la psicología cognitiva del consumidor explican algo que ni la SDL ni las Capacidades Dinámicas explican por sí mismas; Por qué las implementaciones técnicamente impecables fracasan comercialmente; El AI Slop sobrecarga el sistema de procesamiento rápido del consumidor y genera, a cambio, respuestas de evitación que se traducen rápidamente en caídas del engagement y conversión(Mehmood et al., 2026; Kumar et al., 2025); La confianza -que es una variable mediadora central en este campo- no emerge espontáneamente de la adecuación o personalización, es una construcción activa que depende de la percepción de autenticidad y de la consistencia ética percibida(Nunes et al., 2025; Beyari & Hashem, 2025).
La teoría prospectiva edificada por Kahneman y Tversky (1979)estableció que las pérdidas percibidas pesan sistemáticamente más que las ganancias equivalentes, y aplicada aquí esa asimetría predice algo contraintuitivo, el AI Slop debería erosionar la confianza más rápido de lo que cualquier campaña de personalización exitosa logra restituirla en el mismo plazo temporal, sencillamente porque perder confianza se siente -y se pondera- distinto de ganarla; Kahneman(2011) precisó además el mecanismo cognitivo relacionado un Sistema 1 rápido y heurístico cohabita con un Sistema 2 lento y deliberativo, y es este último el que la saturación de contenido sintético agota con sobresaturación, forzando evaluaciones basadas en atajos que la desconfianza acumulada explota en su contra; De ahí surge la Dimensión Ético-Contextual del HSM: No es una concesión normativa que suena bien en un informe de sostenibilidad es por el contrario un requisito conductual con consecuencias directas sobre la cuenta de resultados financieros.
De lo anterior la GEO emerge importantemente, proveniente de la confluencia como campo estratégico de frontera, esto alineado con la literatura sobre simbiosis humano-IA(Harun et al., 2025; Pilelienė & Bogoyavlenska, 2025), netnografía(Calanchez Urribarril et al., 2025) y gamificación en marketing(Kapoor et al., 2026; Oliveira & Lima, 2025).
Este trabajo busca un doble propósito; 1. Ofrecer el HSM como herramienta predictiva y prescriptiva que convierte la gestión de la sinergia humano-IA en una capacidad dinámica mensurable; y 2. Contribuir al desarrollo teórico de la GEO como disciplina emergente con implicaciones prácticas directas para la rentabilidad organizacional.
Tipo de Estudio
La investigación adoptó el diseño de síntesis integrativa sistemática de convergencia(Systematic Integrative Convergence Synthesis -SICS-), un enfoque muy apropiado cuando el objetivo es construir conocimiento teórico de mayor orden, sobre la base de un corpus homogéneo y temporalmente delimitado, sin exigir la homogeneidad estadística que impone el meta-análisis como lo definieron Lincoln y Guba(1985); La lógica del diseño es inductivo-abductiva, pues parte de hallazgos empíricos parciales para derivar proposiciones de alcance mayor que den coherencia a los patrones observados; esto es, no buscamos promediar resultados dispares, sino la estructura común que los explica.
Alcance y Diseño
El corpus de origen comprende 16 documentos, citados en la sección de Referencias, los cuales reportan hallazgos empíricos sobre IA y marketing, publicados entre 2025 y 2026, y centrados en la aplicación de IA al marketing digital y en la rentabilidad organizacional; A ellos se sumaron siete bases teórico-metodológicas de alcance atemporal -Davis (1989); Kahneman y Tversky (1979); Kahneman (2011); Lincoln y Guba (1985); Teece et al. (1997); Vargo y Lusch (2004, 2008); incorporadas únicamente, para anclar conceptualmente la discusión y el diseño, no para ampliar el corpus empírico analizado- No se incorporó literatura empírica adicional a la delimitada y referenciada, decisión que confiere al análisis unidad epistemológica e implica una limitación de generalización discutida en las Conclusiones. El corpus fue delimitado por cuatro criterios de elegibilidad aplicados de manera análoga: (a) publicación entre 2025 y 2026; (b) abordaje explícito de la intersección entre inteligencia artificial y alguna dimensión del marketing digital o la rentabilidad organizacional; (c) carácter empírico, conceptual o de revisión bibliométrica con respaldo editorial verificable, y (d) disponibilidad de referencia bibliográfica completa; para dar paso al diseño en 4 fases: Fase 1. Extracción estructurada; Se construyó una matriz estandarizada de análisis para los 16 artículos -tipo de estudio, objetivos, variables, metodología, hallazgos, limitaciones y agenda futura-, registrada en una hoja de cálculo estructurada, herramienta suficiente para un corpus de este tamaño (n = 16); Fase 2. Codificación temática; Codificación abierta y axial en dos rondas, más de un tercio del corpus (37.5%; n = 6)fue codificado independientemente por dos codificadores; κ de Cohen = 0.87, acuerdo casi perfecto(κ > 0.80; Lincoln & Guba, 1985). Las divergencias se resolvieron por consenso; Fase 3. Análisis de convergencia; Las categorías emergentes se organizaron en una matriz cruzada; Solo se reconocieron como ejes sólidos los respaldados por evidencia de al menos cuatro fuentes independientes; y Fase 4. Construcción del modelo; Las proposiciones se derivaron por razonamiento inductivo-abductivo, trianguladas con al menos tres estudios cada una y refinadas en tres rondas, bajo los criterios de trustworthiness de Lincoln y Guba(1985)credibilidad, transferibilidad, dependabilidad y confirmabilidad.
Objetivos
Objetivo General: Constituir el HSM como marco predictivo y prescriptivo que explique la rentabilidad organizacional mediante la sinergia estratégica entre capacidades humanas, algorítmicas y de gobernanza ética en el ecosistema del marketing.
Los Objetivos Específicos son:
(a) Identificar los ejes de convergencia temática en la literatura 2025-2026 sobre IA en marketing digital.
(b) Especificar las dimensiones del HSM y sus relaciones sinérgicas.
(c) Derivar proposiciones teóricas verificables sobre la relación entre sinergia humano-IA y rentabilidad.
(d) Posicionar la GEO como dimensión estratégica del HSM con implicaciones prácticas para la gestión de la autoridad epistémica.
Preguntas de Investigación:
P1: ¿Cuáles son los ejes de convergencia más consistentes en la literatura reciente (2025-2026)sobre IA en marketing digital?
P2: ¿De qué manera la interacción de las tres dimensiones del HSM produce efectos multiplicativos -cualitativamente distintos de los aditivos- sobre la rentabilidad organizacional?
P3: ¿Cómo puede el HSM operacionalizar la GEO como mecanismo de ventaja competitiva sostenible en el ecosistema de la era sintética?
Ejes de Convergencia
El análisis sistemático identificó cinco ejes que cumplen el umbral de convergencia(≥ 4 fuentes independientes), presentados aquí en el orden de su respaldo evidencial, y no en el de su importancia jerárquica.
Eje 1: Sinergia humano-IA como condición de éxito, no como variable auxiliar, algo en lo que siete estudios convergen con una claridad que pocos aspectos del corpus igualan(Oleksiuk, 2025; Sahut & Laroche, 2025; Kapoor et al., 2026; Wang & Yu, 2025; Harun et al., 2025; Venith Vijay et al., 2025; Ash Shiddieqy & Widarmanti, 2025); La conclusión no es que la IA ayude, es que, sin contrapeso humano, produce rendimientos decrecientes y deterioro de la confianza a medio plazo; Como lo expuso Oleksiuk(2025) con nueve casos trans-industriales, lo muestra con transparencia, las campañas de automatización total presentan errores sistemáticos de contextualización cultural; Alineado a ello Sahut y Laroche(2025), en Computers in Human Behavior, formalizan el mismo resultado desde otro ángulo, donde las ganancias sostenidas en experiencia del cliente se asocian a integración equilibrada, no a sustitución del criterio humano.
Eje 2: Personalización como conductor del engagement, con una advertencia metodológica que conviene anticipar, porque seis estudios documentan el vínculo entre personalización impulsada por IA y resultados comerciales positivos(Wang & Yu, 2025; Venith Vijay et al., 2025; Ash Shiddieqy & Widarmanti, 2025; Beyari & Hashem, 2025; Mehmood et al., 2026; Loza & Romaní, 2026); +35% en desempeño de mercado, +25% en retención, −40% en tiempo de procesamiento y +30% en precisión de datos, esto según Venith Vijay et al.(2025). La muestra, sin embargo, es de apenas cinco empresas en el contexto indio, lo que limita su extrapolabilidad y obliga a leer esas cifras con mucha cautela;En la misma directriz Wang y Yu (2025)y Beyari y Hashem(2025) -con 893 consumidores y diseño experimental- abordaron la misma dirección, lo que ayuda a consolidar el patrón, aunque no lo resuelve por completo; Con claridad Mehmood et al.(2026) y Loza y Romaní (2026)ajustan, además, que el efecto está condicionado por la confianza previa del consumidor; Eso conecta directamente con el eje 3.
Eje 3: Riesgos éticos y de confianza -el eje más representado y, paradójicamente, el menos teorizado de todos-. Cinco estudios abordan explícitamente los desafíos éticos de la adopción de IA en marketing(Pophal, 2026; Kumar et al., 2025; Beyari & Hashem, 2025; Nunes et al., 2025; Calanchez Urribarril et al., 2025); AI Slop como inductor de fatiga epistémica, vulneraciones de privacidad en la hiperpersonalización, y erosión de la autenticidad percibida; Primordialmente se trata a la ética como sección de advertencia, no como variable central; Lo explorado por Nunes et al. (2025)aluzan la excepción, su modelización por ecuaciones estructurales demuestra que el engagement opera simultáneamente como mediador y moderador entre calidad relacional y lealtad, con una implicación inmediata -gestionar el engagement exige dos palancas distintas, no una sola-;Lo estudiado por Kumar et al. (2025) aun va más lejos, identifican la fisura ética como el riesgo más subestimado en la adopción empresarial de IA e invocan a marcos de gobernanza que la eleven a variable estratégica real, llamado que el HSM acopia en su Dimensión Ético-Contextual.
Eje 4: Redes sociales e influencers como ecosistema de aplicación preponderante, con seis de los dieciséis estudios del corpus situando a la sinergia humano-IA en su expresión más intensa(Pilelienė & Bogoyavlenska, 2025; Kapoor et al., 2026; Beyari & Hashem, 2025; Kumar et al., 2025; Mehmood et al., 2026; Loza & Romaní, 2026), Kapoor et al. (2026); Los mensajes gamificados generan mayor engagement que los de texto tradicional, con la experiencia de flujo como mecanismo mediador, Pilelienė y Bogoyavlenska (2025)confirman, desde una revisión bibliométrica y con una reflexión distinta, que el campo transita de un rol operativo de la IA hacia uno estratégico; Es exactamente el tipo de marco que el HSM busca proporcionar.
Eje 5: Modelos híbridos y herramientas emergentes como requisito de adaptación; Cuatro estudios sostienen que las organizaciones con mayor resiliencia competitiva incorporan metodologías cualitativas emergentes junto a sus capacidades analíticas(Sahut & Laroche, 2025; Venith Vijay et al., 2025; Oliveira & Lima, 2025; Calanchez Urribarril et al., 2025); La netnografía digital destaca entre ellas, emerge como técnica complementaria competente de capturar señales de valor en comunidades virtuales que escapan a los modelos cuantitativos convencionales, allí donde la encuesta y el experimento llegan tarde o no llegan nunca; Los estudios de Oliveira y Lima(2025), validan además, una herramienta gamificada para la formación en marketing con IA cuya lógica es transmisible a la gestión del cambio organizacional.
Tabla 1
Matriz de Convergencia de los Cinco Ejes del HSM
|
Eje de Convergencia |
N.º Estudios |
Evidencia Representativa |
Impacto en Rentabilidad |
|
Sinergia humano-IA |
7 |
Mejora operativa + preservación de autenticidad (Oleksiuk, 2025; Sahut & Laroche, 2025) |
ROI sostenido y margen operativo |
|
Personalización - Engagement |
6 |
+35% desempeño de mercado; +25% retención; mejora de CTR y CLV (Venith Vijay et al., 2025)* |
Incremento de ingresos y Lifetime Value |
|
Desafíos éticos y confianza |
5 |
AI Slop, privacidad, erosión de autenticidad (Kumar et al., 2025; Nunes et al., 2025) |
Reducción de churn y costos de adquisición |
|
Social media e influencers |
6 |
Gamificación y analítica estratégica (Kapoor et al., 2026; Pilelienė & Bogoyavlenska, 2025) |
Viralidad, conversión y co-creación |
|
Modelos híbridos y herramientas emergentes |
4 |
Netnografía + gamificación + enfoques mixtos (Calanchez Urribarril et al., 2025) |
Eficiencia operativa + diferenciación |
Nota 1: * n = 5 empresas; alcance exploratorio, no generalizable sin replicación. Nota 2: Tabla de elaboración propia.
Arquitectura del Modelo de SinergIA Híbrida (HSM)
El HSM emerge de la síntesis de los cinco ejes descritos con antelación; El modelo articula tres dimensiones interdependientes cuya interacción produce lo que denominamos sinergia multiplicativa (DA × DH × DEC > DA + DH + DEC), es decir, un rendimiento de la integración coordinada que tiene efecto cualitativamente superior a la suma de los aportes dimensionales individuales.
Dimensión Analítica (DA): Capacidades algorítmicas de análisis predictivo, personalización automática, segmentación dinámica y optimización en tiempo real; No sustituye el criterio humano, lo escala -para bien o para mal- según la acompañen o no las otras dos dimensiones planteadas.
Dimensión Humana (DH): Intuición estratégica, sensibilidad cultural, creatividad narrativa, empatía relacional y juicio ético; Subvalorada hoy en los marcos de adopción de IA, constituye el filtro de calidad epistémica sin el cual la DA produce, casi mecánicamente, el AI Slop.
Dimensión Ético-Contextual (DEC): Transparencia, privacidad responsable, equidad y rendición de cuentas; Es la dimensión que construye la confianza del consumidor y que sitúa a la organización como fuente epistémicamente legítima ante los sistemas de recuperación generativa.
Esta lógica multiplicativa encuentra respaldo empírico directo dentro del propio corpus base; Venith Vijay et al. (2025)reportan que las organizaciones que combinan analítica de IA con gobernanza de datos -DA articulada con DEC-; Logran una respuesta ante cambios de mercado un 20% más rápida; Los propios autores vinculan ese hallazgo con las capacidades dinámicas expuestas por Teece et al.(1997), y el vínculo no es casual, es la evidencia más directa disponible de que la integración, y no la operación aislada de cada dimensión; Lo que produce la capacidad dinámica cada vez más relevante en la era sintética.
Proposiciones Teóricas
Proposición 1. La DA ejerce un efecto positivo sobre el engagement y la rentabilidad, condicionado en su magnitud al grado de integración con la DH.
Proposición 2. La DEC modera positivamente la relación entre personalización algorítmica y confianza del consumidor; su ausencia reduce el retorno de la personalización con independencia de la calidad técnica de la DA.
Proposición 3. La interacción coordinada DA × DH × DEC supera en satisfacción, lealtad y desempeño de mercado a cualquier configuración mono o bidimensional.
Proposición 4. Cuánto más pesa la DH en mercados de alta heterogeneidad cultural, la evidencia disponible sugiere que su peso relativo es mayor que en mercados homogéneos; Las organizaciones globales que no ajustan ese balance incurren en pérdidas de eficacia sistemáticas.
Proposición 5. En influencer marketing y social commerce, los modelos triples del HSM superan en conversión a las estrategias de automatización pura, con efecto mediador de la experiencia de flujo(cf. Kapoor et al., 2026).
Proposición 6. La netnografía digital y gamificación, como instrumentos, facilitan la calibración adaptativa de la sinergia entre dimensiones ante entornos de demanda altamente variable.
El HSM y la GEO: Una Implicación Estratégica de Frontera
¿A quién debe convencer hoy una pieza de contenido? , ¿Al lector humano, o al modelo de lenguaje que decide si ese lector llega a verla?; Esa pregunta, impensable hace apenas una década, es la implicación más novedosa del Hybrid SynergIA Model -HSM-; la Generative Engine Optimization -GEO-; A diferencia del SEO clásico, fundamentado en autoridad de dominio y señales técnicas, la GEO opera sobre la calidad epistémica del contenido; Su capacidad de ser recuperado por los grandes modelos de lenguaje como referencia confiable es la ventaja real, esto de acuerdo con lo propuesto por Pophal (2026). Una organización que gestiona bien sus tres dimensiones bajo el HSM produce ese tipo de contenido casi como efecto colateral y real; La DA garantiza precisión semántica; La DH aporta la autenticidad que distingue del AI Slop; y La DEC provee la consistencia ética que los sistemas de recuperación generativa leen como credibilidad autentica; La GEO no es, entonces, una técnica adicional al HSM; Es su consecuencia natural (Venith Vijay et al., 2025; Sahut & Laroche, 2025).
Evidencia Cuantitativa y Discusión Integrativa
Tabla 2
Evidencia Cuantitativa
|
Estudio |
Hallazgos Clave |
Implicación en Rentabilidad |
|
Venith Vijay et al. (2025)* |
+35% desempeño de mercado; +25% retención; −40% tiempo de procesamiento; +30% precisión de datos; +20% velocidad de respuesta al mercado [n = 5 empresas, India] |
Mejora en ingresos, eficiencia, CLV y agilidad |
|
Wang & Yu (2025) |
IA supera al marketing tradicional en CTR, tasa de recompra, monto de pedido y satisfacción del consumidor [experimento online + encuesta] |
Incremento de conversión y lealtad |
|
Mehmood et al. (2026) |
Correlación positiva entre analítica de redes sociales y satisfacción en e-commerce; engagement como variable mediadora |
Reducción de CAC y mejora del NPS |
|
Loza & Romaní (2026) |
Efecto positivo del social media marketing sobre decisiones de compra y satisfacción en millennials peruanos |
Extensión a mercados latinoamericanos |
|
Beyari & Hashem (2025) |
IA mejora la experiencia del cliente vía personalización e interacción en tiempo real [n = 893, MENA] |
Mayor retención; reducción del churn |
Nota 1: * Estadísticas de las fuentes primarias; muestra limitada (n = 5); Deben interpretarse como indicativas, no generalizables. Nota 2: Tabla de elaboración propia.
¿Por qué automatizar más produce, a veces, menos? Hay un patrón de segundo orden que la agregación de estos hallazgos aluza; La no linealidad del efecto de la IA sobre la rentabilidad; Cuando la DA opera de forma preponderante, los beneficios de corto plazo -mayor volumen, menor coste por contenido- coexisten con detrimento de medio plazo en la autenticidad percibida y con aumento del churn(Pophal, 2026; Kumar et al., 2025); La curva de retorno de la automatización pura sube rápido y baja igual a misma velocidad; El contraste con la integración tridimensional es notorio; Cuando las tres dimensiones operan de forma coordinada nace un comportamiento de evangelización de marca -recomendación activa, contenido generado por usuarios- que magnifica el alcance y reduce el costo de adquisición de manera autosostenida(Kapoor et al., 2026; Nunes et al., 2025; Loza & Romaní, 2026); Esto es, en esencia, lo que la SDL llamaría co-creación de valor de orden superior; El HSM simplemente le da un mecanismo y una métrica utilizable. La Dimensión Ético-Contextual se exige en su gestión activa y en requisito de continuidad operativa, no solo de preferencia normativa;Las organizaciones que solo la tratan como costo de cumplimiento base, están descapitalizando, sin darse cuenta, su activo de confianza más potente, mientras que las que la incorporan como dimensión estratégica acumulan un capital relacional que la competencia difícilmente puede replicar en el corto plazo y esto es por demás de alto valor capitalizable.
El presupuesto de marketing revela, mejor que cualquier declaración de intenciones, en qué dimensión cree verdaderamente una organización; El HSM implica que el presupuesto, el diseño organizacional y los tableros de control deben, obligatoriamente, integrar las tres dimensiones, no solo la analítica, porque destinar recursos exclusivamente a licencias de IA sin inversión paralela en criterio humano y gobernanza reproduce el mismo patrón de rendimientos decrecientes; Las estructuras de equipo mixtas o de rotación cruzada ayudan(Sahut & Laroche, 2025; Oleksiuk, 2025); De acuerdo con Nunes et al. (2025) también lo hacen los indicadores de confianza y autenticidad que acompañen, sin remplazar a las métricas de conversión.
Conviene, por último, precisar en qué se distingue el HSM de los marcos afines de los que surge originalmente; El Modelo de Aceptación de Tecnología(Technology Acceptance Model, TAM; Davis, 1989) explica la adopción individual de una tecnología a partir de la utilidad y la facilidad de uso percibidas, el HSM asume esa adopción como dada y explicita -en la era sintética, ya lo está- y pregunta, en cambio, cómo gobernarla para producir rentabilidad financiera, opera un paso después del TAM en la secuencia de decisiones organizacionales; Frente a la SDL y las Capacidades Dinámicas aplicadas de manera aislada, el HSM evita dos riesgos simétricos; Tratar la co-creación de valor como un estado no gobernable, o reducir la reconfiguración de activos a un ejercicio puramente técnico, ajeno al cliente y a su confianza percibida.
El marketing en general y en específico el digital, no necesitan más argumentos para adoptar inteligencia artificial, necesitan marcos para gobernarla desde una gestión no solo operativa, también de diseño estratégico; En eso consiste, fundamentalmente, la propuesta central de este trabajo y del Modelo de SinergIA Híbrida – HSM-.
El análisis sistemático de 16 estudios empíricos publicados entre 2025 y 2026 no solo confirma que la IA mejora los indicadores comerciales cuando se integra adecuadamente;También demuestra que el mecanismo de esa mejora es específico y riguroso; La sinergia entre la Dimensión Analítica, la Humana y la Ético-Contextual no emerge espontáneamente de la adopción tecnológica, nunca lo hace, es el resultado de decisiones estratégicas deliberadas que el HSM articula y prescribe; Las tres preguntas de investigación reciben así una respuesta afirmativa;Los cinco ejes de convergencia son robustos y transversales; El efecto multiplicativo de la sinergia tridimensional supera al de las configuraciones parciales; Y el HSM traduce ese efecto en autoridad epistémica gestionable a través de la GEO.
Las aportaciones del HSM se aprecian mejor en los problemas que resuelve que en un simple listado de contribuciones o ideales; Para quienes trabajan con la SDL (Vargo & Lusch, 2004, 2008), el HSM concretiza la co-creación de valor, en el contexto de los sistemas algorítmicos; Para quienes piensan en las Capacidades Dinámicas de Teece et al. (1997), identifica cuál es esa capacidad en el ecosistema sintético, gobernar la integración Interdimensional; Y para quienes operan desde las finanzas conductuales(Kahneman & Tversky, 1979; Kahneman, 2011), el HSM explica por qué implementaciones técnicamente impecables fracasan comercialmente, la confianza no es un efecto secundario de la personalización, sino una construcción activa que requiere a la DEC; Las implicaciones prácticas, son directas y accionables de inmediata aplicación; Invertir en la integración de dimensiones es más rentable que invertir en más automatización unidimensional.
Tres limitaciones de este estudio son necesarias de exponer: Primera, el corpus cerrado de 16 estudios empíricos ofrece coherencia epistemológica, y circunscribe la generalización únicamente al período analizado; la naturaleza de síntesis integrativa impide, además, calcular medidas formales de heterogeneidad entre estudios de diseño disímil. Segunda, el HSM es aún un modelo conceptual; Sus seis proposiciones esperan validación empírica mediante un modelo de ecuaciones estructurales que especifique la DA, la DH y la DEC como variables latentes -medidas, por ejemplo, con escalas ya validadas de personalización percibida, autenticidad de marca y gobernanza de datos-, con la rentabilidad operacionalizada mediante retención, valor de vida del cliente y margen operativo; Dicha validación es la primera tarea de la agenda que este trabajo inaugura. Tercera, la geográfica, los mercados de América Latina, África y Asia-Pacífico, dada su heterogeneidad cultural y según la Proposición P4, podrían mostrar los beneficios del modelo con mayor nitidez que los mercados anglosajones de referencia.
Como toda tecnología que antes abarató la palabra, facilito el contenido y democratizo la distribución; La pregunta no es si el ascenso de contenido sintético seguirá subiendo, lo hará; La pregunta correcta es la relacionada a su optimización y rentabilidad en la era sintética.
Declaración de Datos
Este estudio no generó ni analizó datos primarios; es una síntesis teórica e integrativa de fuentes secundarias publicadas, todas ellas citadas en la lista de referencias.
Ash Shiddieqy, A. Z., & Widarmanti, T. (2025). The influence of artificial intelligence in digital marketing on Generation Z consumer decision making. Eduvest, 5(9), 10701-10718. https://doi.org/10.59188/eduvest.v5i9.51509
Beyari, H., & Hashem, T. (2025). The role of artificial intelligence in personalizing social media marketing strategies for enhanced customer experience. Behavioral Sciences, 15(5), Article 700. https://doi.org/10.3390/bs15050700
Calanchez Urribarril, Á., Boscán Carroz, M., Chávez Vera, K. J., & Zambrano Verdesoto, G. J. (2025). Netnografía en el marketing digital: un análisis de aplicaciones, retos y técnicas emergentes. Revista Lasallista de Investigación, 22(2), 263-279.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Harun, M. F., Al Bakry, N. S., Tazilan, A., Abdullah, Y., & Hashim, M. E. A. H. (2025). Leveraging artificial intelligence in advertising: A systematic literature review. paperASIA, 41(5b), 410-424. https://doi.org/10.59953/paperasia.v41i5b.763
Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263-291. https://doi.org/10.2307/1914185
Kapoor, P., Balaji, M. S., & Maity, M. (2026). Game on: Enhancing customer engagement through influencers' gamified messages. Journal of Travel Research, 65(1), 37-56. https://doi.org/10.1177/00472875241289565
Kumar, S., Malhotra, D., & Kathuria, G. (2025). Artificial intelligence research in social media marketing: A review, synthesis and research avenues. Journal of Global Marketing. Advance online publication. https://doi.org/10.1080/08911762.2025.2593340
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE.
Loza, R., & Romaní, G. (2026). Social media marketing, purchasing decisions, and consumer satisfaction in Peruvian millennials. TEC Empresarial, 20(1), 22-47. https://doi.org/10.18845/te.v20i1.8393
Mehmood, K., Nisar, Q. A., Albishri, N., Agarwal, S., & Tamás, V. (2026). The psychology of online shopping success: Insights on social media analytics and customer feedback. Acta Psychologica, 264, Article 106329. https://doi.org/10.1016/j.actpsy.2026.106329
Nunes, D. C., Schmidt, S., Crespo, C. F., & Eberle, L. (2025). Moderation and/or mediation? The role of engagement in relationship quality and customer loyalty. Journal of Relationship Marketing, 24(2), 148-172. https://doi.org/10.1080/15332667.2024.2405309
Oleksiuk, A. (2025). Artificial intelligence in global marketing campaigns: Between human creativity and algorithmic precision. Vezetéstudomány / Budapest Management Review, 56(12), 56-67. https://doi.org/10.14267/VEZTUD.2025.12.05
Oliveira, H. Z., & Lima, H. (2025). AI and marketing: Bridging the gap through a game-based tool among higher education students. Comunicar, 33(82), 138-151. https://doi.org/10.5281/zenodo.16123256
Pilelienė, L., & Bogoyavlenska, Y. (2025). Artificial intelligence in influencer marketing: Current researchscape, trends and insights from a bibliometric review. Equilibrium. Quarterly Journal of Economics and Economic Policy, 20(2), 583-611. https://doi.org/10.24136/eq.3783
Pophal, L. (2026). Marketing's age of AI has arrived, now comes the hard part. Customer Relationship Management, April, 20-23.
Sahut, J.-M., & Laroche, M. (2025). Using artificial intelligence (AI) to enhance customer experience and to develop strategic marketing: An integrative synthesis. Computers in Human Behavior, 170, Article 108684. https://doi.org/10.1016/j.chb.2025.108684
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
Vargo, S. L., & Lusch, R. F. (2004). Evolving to a new dominant logic for marketing. Journal of Marketing, 68(1), 1-17. https://doi.org/10.1509/jmkg.68.1.1.24036
Vargo, S. L., & Lusch, R. F. (2008). Service-dominant logic: Continuing the evolution. Journal of the Academy of Marketing Science, 36(1), 1-10. https://doi.org/10.1007/s11747-007-0069-6
Venith Vijay, M., Selvaraj, V., Muzhumathi, R., & Sundara BalaMurugan, P. (2025). Leveraging strategic marketing analytics to drive competitive advantage in data-driven markets. Archives for Technical Sciences, 17(34), 647-659. https://doi.org/10.70102/afts.2025.1834.647
Wang, J., & Yu, L. (2025). Application and practice of artificial intelligence in marketing strategy. Discover Artificial Intelligence, 5(1), Article 103. https://doi.org/10.1007/s44163-025-00346-1