De la atención a la intención

La inteligencia artificial está desplazando la competencia hacia las fases iniciales del proceso, hasta el punto de que la demanda se genera antes de que nadie haya elegido una categoría.

Durante cuarenta años, el « marketing » se ha estructurado en torno a una secuencia que casi nadie cuestiona. Surge una necesidad, el cliente recurre a una categoría y solo entonces comienza la competencia. Las marcas luchaban por llamar la atención dentro de esa categoría, llevando a las personas desde el conocimiento hasta la consideración, pasando por la preferencia y llegando a la compra. Los canales pasaron de la televisión a los motores de búsqueda, a las redes sociales y a los medios de comunicación « retail », y la medición se volvió mucho más precisa, pero el punto de partida nunca cambió. El cliente se encargaba de traducir su vida al lenguaje del mercado. El mercado esperaba al otro lado.

La IA generativa cambia quién se encarga de la traducción. Una viajera ya no tiene que escribir «Italia, julio, cuatro dormitorios, piscina, menos de 800 dólares». En su lugar, puede describir su situación: los niños ya son mayores, tenemos una semana juntos el próximo verano, todos necesitamos algo de independencia, nos importa la comida y poder nadar, no quiero un complejo turístico y no quiero pasarme la semana organizándolo todo para todos. Eso no es una consulta sobre alojamiento. Incluye una decisión sobre el destino, otra sobre el alojamiento, otra sobre los restaurantes y otra sobre hasta qué punto hay que organizar el viaje. Un agente puede trabajar con esa frase. Un cuadro de búsqueda nunca podría.

Cuando el agente interpreta la situación en lugar de la palabra clave, la competencia se desplaza hacia las fases iniciales, hasta la etapa en la que la intención aún se está formando. Las empresas que comprendan esa etapa influirán en las categorías que se tengan en cuenta desde el principio. Las empresas que solo comprendan la consulta final competirán por lo que quede.

El camino nunca fue un embudo. Ahora nos damos cuenta.

La mejor evidencia de comportamiento proviene de los viajes. Skift Research y McKinsey publicaron en septiembre un estudio basado en una encuesta a más de 1.000 viajeros estadounidenses y en diarios en los que 26 participantes documentaron 211 sesiones de búsqueda y reserva. El proceso medio de reserva cuenta ahora con unos 65 puntos de contacto antes de la reserva, frente a los aproximadamente 45 que McKinsey registró en su último análisis en 2018. Casi la mitad de los viajeros cambió su elección de hotel después de haber realizado ya la reserva. Los destinos entraban en consideración antes de que los viajeros tuvieran fechas, un presupuesto o, en algunos casos, siquiera la intención firme de viajar. [1]

El embudo partía de la base de que la intención se forma una sola vez y luego se lleva a cabo. Los diarios revelan algo distinto. La intención se desarrolla, da un giro y se reformula a través de la interacción con el contenido, con otras personas y, cada vez más, con la IA. Una empresa que solo tiene en cuenta la búsqueda final solo ve los últimos minutos de un proceso que comenzó semanas antes, a menudo en una categoría diferente.

Los datos comerciales apuntan en la misma dirección. Adobe Analytics, que realiza un seguimiento de más de un billón de visitas a sitios web de « retail » en EE. UU., informó de que el tráfico procedente de asistentes de IA aumentó un 393 % interanual en el primer trimestre de 2026. En marzo de 2026, los visitantes procedentes de la IA tuvieron una tasa de conversión un 42 % superior a la de los visitantes de otras fuentes y generaron un 37 % más de ingresos por visita. Doce meses antes, ese mismo tráfico había registrado una conversión un 38 % peor. [2] No interpretaría esto como una prueba de que la IA genere mejores clientes; en gran parte se trata de una cuestión de selección. Pero el mecanismo es plausible e importante. Una compradora que llega tras describir lo que está intentando conseguir se encuentra en una fase más avanzada del proceso de compra que otra que simplemente haya introducido una palabra clave.

Airbnb: de los filtros a las situaciones

Airbnb está trabajando expresamente en esta dirección. Su buscador basado en inteligencia artificial permite a los huéspedes describir un viaje en lenguaje coloquial y convierte esa descripción en los atributos que realmente importan. Basta con mencionar que se viaja con un bebé para que el sistema sugiera cunas, parques infantiles cercanos y juguetes, sin que el huésped tenga que saber qué filtro de entre las docenas disponibles debe seleccionar. Brian Chesky ha descrito un paso más allá, en el que la propia Airbnb se convierte en un agente que, con el tiempo, negociará con otros agentes. [3]

Lo interesante no es la interfaz. Es que la unidad de análisis cambia del anuncio a la situación. Un viaje familiar con un niño pequeño, una reunión de amigos de la universidad y un mes de teletrabajo en Lisboa son necesidades diferentes que, casualmente, recurren al mismo inventario. Una plataforma que comprenda la situación puede organizar la oferta en función de ella. Una plataforma que solo comprenda el anuncio tiene que esperar a que sea el huésped quien se encargue de esa organización por sí mismo.

Walmart: una fiesta de cumpleaños, no cinco categorías

Walmart plantea lo mismo, aunque con menos glamour. Supongamos que un padre busca por separado globos, platos de papel, mezcla para tarta, bolsas de fiesta y un regalo. Para los sistemas de un minorista, se trata de cinco búsquedas en cinco categorías, cada una con su propia lógica de comercialización, su propio presupuesto publicitario y su propio responsable de categoría. Ahora supongamos que dice: «Ayúdame a organizar una fiesta de cumpleaños para ocho niños de diez años este sábado». Las categorías desaparecen y la demanda se hace visible.

El asistente «Sparky» de Walmart está diseñado precisamente para esto. En la conferencia sobre los resultados del cuarto trimestre celebrada en febrero, el director ejecutivo, John Furner, afirmó que los clientes que utilizan «Sparky» tienen un valor medio de pedido un 35 % superior al de aquellos que no lo hacen, y describió al asistente como un elemento que conecta la intención digital con el cumplimiento del pedido. [4] Se trata de un dato observacional, no de una comparación controlada, y los compradores más asiduos son más propensos a probar nuevas herramientas. No obstante, el mecanismo sigue siendo la clave. El asistente detecta una «fiesta de cumpleaños», mientras que antes el minorista solo veía cinco categorías.

Esto es lo que he denominado «espacio de demanda» desde mi trabajo sobre el «mapeo de la demanda» a principios de la década de 2000 y en mi libro *Hidden in Plain Sight*. Un espacio de demanda no es un segmento ni una categoría. Es un episodio recurrente y significativo en la vida de las personas en el que un contexto específico, una motivación y un resultado deseado generan demanda. Consta de cinco elementos: el contexto, la motivación (funcional, emocional y social), el resultado deseado, el comportamiento (soluciones actuales y alternativas) y la oportunidad económica (tamaño, frecuencia, valor, crecimiento y disposición a pagar). Las categorías describen cómo las empresas organizan la oferta. Los espacios de demanda describen cómo las personas experimentan la demanda. [5]

Nada de esto es nuevo en la psicología del consumidor. Lawrence Barsalou demostró a principios de la década de 1980 que las personas crean con facilidad lo que él denominó «categorías ad hoc y derivadas de objetivos», como «cosas que llevar a una acampada» o «alimentos para comer cuando se está a dieta», y que estas categorías son tan estables y útiles para las personas como las taxonómicas. [6] Ratneshwar y sus colegas ampliaron esta idea a la elección del consumidor en 2001. [7] Las personas siempre han organizado sus elecciones en función de sus objetivos. Las empresas se organizaban en torno a la oferta porque satisfacer una demanda determinada por los objetivos resultaba demasiado caro. La IA reduce ese coste.

La intención no es un espacio de exigencia

El entusiasmo actual en torno a la intención entraña un riesgo. La intención es individual, y no se puede construir una estrategia en torno a millones de indicaciones únicas.

Una persona escribe: «Quiero tomarme algo interesante esta noche, pero sin que sea una velada demasiado intensa». Otra: «Voy a quedar con dos amigos después del trabajo y quiero algo un poco especial, pero no es una gran salida nocturna». Una tercera: «Quiero celebrarlo, pero tengo que estar en forma mañana por la mañana». Las palabras difieren. La estructura subyacente es prácticamente idéntica: una ocasión social con un límite en cuanto a las consecuencias, en la que la bebida debe tener algún significado sin que la noche se nos vaya de las manos.

Esa estructura recurrente es donde comienza la estrategia. Es posible que el agente conozca muy bien a cada persona. No obstante, la empresa tiene que saber qué formas recurrentes de demanda existen, cuál es su volumen, cuánto pagan los clientes por ellas y cuáles puede satisfacer mejor que nadie. La arquitectura de la demanda convierte millones de expresiones individuales de intención en un pequeño número de patrones en los que una empresa puede invertir de forma efectiva. Los agentes entienden a las personas. Los espacios de demanda ayudan a las empresas a entender los mercados.

El mismo cambio en el sector B2B

No se trata solo de una cuestión que afecte a los consumidores. El software empresarial se comercializa por categorías: gestión de gastos, cuentas a pagar, compras, gestión de proveedores y gestión de contratos. El problema al que se enfrenta el responsable financiero rara vez se limita a esos límites. Más bien se trata de que: diferentes equipos contratan los mismos servicios a precios distintos, el proceso de compras se alarga demasiado y nadie sabe dónde tenemos capacidad de negociación.

En abril, Ramp lanzó un conjunto de agentes de IA que clasifican las solicitudes de compra, buscan proveedores, generan y puntúan las solicitudes de propuesta (RFP), realizan comprobaciones de seguridad, legales y financieras antes de que una solicitud llegue a la persona encargada de aprobarla, y revisan las condiciones contractuales comparándolas con referencias de precios anonimizadas extraídas de sus datos de transacciones. Ramp afirma que los clientes que utilizan el sistema ahorran una media del 16 % al año en costes de proveedores y eliminan 46 horas al mes de trabajo manual relacionado con las compras. [8] Se trata de cifras de la empresa y deben interpretarse como tales. Lo que importa aquí es la estructura de la oferta. El cliente no está comprando una categoría de software. Está contratando una solución para una situación empresarial recurrente.

Los mercados industriales tienen el mismo punto ciego. Un fabricante cree que vende equipos, mientras que el cliente intenta eliminar los paros imprevistos. Una empresa de logística cree que vende transporte de mercancías, mientras que el cliente intenta eliminar la incertidumbre de una cadena de suministro crítica. La mayoría de las empresas B2B conocen sus categorías de productos al detalle, pero saben muy poco sobre la demanda que atrae a los clientes hacia ellas. La inteligencia artificial pone de manifiesto esa brecha y la convierte en algo costoso.

Por qué se trata de una cuestión de crecimiento y no de una cuestión relacionada con los medios de comunicación

Marketing Lleva dos décadas perfeccionándose en captar la demanda que ya existe. Las búsquedas localizan al cliente después de que este haya realizado una búsqueda. Los medios de « Retail » lo localizan después de que haya accedido a la categoría. El marketing de rendimiento marketing optimiza los últimos pasos antes de la conversión. Todo esto seguirá siendo importante, pero es ahí donde se está reduciendo el margen debido a la competencia.

De todos modos, la aritmética del crecimiento nunca ha favorecido a las etapas avanzadas. El análisis de McKinsey sobre el crecimiento en las grandes empresas reveló que las ganancias en cuota de mercado solo representan alrededor del 7 % del crecimiento corporativo. [9] La mayor parte del crecimiento proviene de posicionarse en los segmentos adecuados del mercado y de llegar a ellos antes que los demás. Cuando la IA asuma una mayor parte de las tareas de descubrimiento y comparación, aumentará el valor de las decisiones tomadas antes de esa etapa: qué demanda es relevante, qué demanda está creciendo, qué demanda está cambiando estructuralmente y para satisfacer qué demanda estamos especialmente preparados. Se trata de cuestiones de asignación de capital. No deberían dejarse en manos del plan de medios.

Tres preguntas para los dirigentes

1. ¿Qué demanda existe antes de elegir la categoría y qué parte de ella observamos actualmente?
2. ¿Qué espacios de demanda recurrentes subyacen a las expresiones individuales de intención que estamos recopilando?
3. ¿En qué ámbitos está generando el cambio estructural nuevas oportunidades de demanda antes de que nuestras investigaciones actuales las detecten?

La tercera cuestión es dónde entra en juego el Índice de Cambio Estructural de Vivaldi. Incluso las categorías que parecen estables a simple vista esconden importantes fluctuaciones en la demanda. Volveré sobre este tema en el tercer artículo.

Durante años, la pregunta era cómo captar la atención. Ahora, la pregunta más difícil es qué demanda existe antes de que el cliente haya decidido qué comprar y en qué parte de esa demanda merece la pena invertir.

Notas

• [1] Skift Research y McKinsey & Company, «Winning Hearts in an Age of Infinite Travel Choices», septiembre de 2026. Véase el comunicado de prensa de McKinsey, del 8 de octubre de 2026, y el informe de ANI, del 26 de septiembre de 2026.
• [2] Adobe Analytics, datos de tráfico de retail del primer trimestre de 2026, recogidos en «El tráfico generado por la IA hacia los minoristas estadounidenses aumentó un 393 % en el primer trimestre, y también está impulsando sus ingresos», TechCrunch, 16 de abril de 2026.
• [3] «Airbnb incorpora una búsqueda con IA y más funciones sociales», TechCrunch, 30 de septiembre de 2026; «Entrevista a Brian Chesky: los agentes de IA necesitan su propio sistema operativo», TechCrunch, 2026. https://techcrunch.com/2026/10/01/brian-chesky-interview-ai-agents-need-their-own-operating-system/
• [4] Walmart Inc., conferencia sobre los resultados del cuarto trimestre del ejercicio fiscal 2026, 19 de febrero de 2026, declaraciones del director ejecutivo John Furner; publicado en Constellation Research, «El agente de IA Sparky de Walmart aumenta el valor de los pedidos».
• [5] Erich Joachimsthaler, «Hidden in Plain Sight: How to Find and Execute Your Company’s Next Big Growth Strategy» (Boston: Harvard Business School Press, 2007); Erich Joachimsthaler, «The Attention Economy Is Ending. Growth Now Runs on Intent», Medium, enero de 2026.
• [6] Lawrence W. Barsalou, «Ad Hoc Categories», *Memory & Cognition* 11, n.º 3 (1983): 211-227; Lawrence W. Barsalou, «Ideals, Central Tendency, and Frequency of Instantiation as Determinants of Graded Structure in Categories», Journal of Experimental Psychology: Learning, Memory, and Cognition 11, n.º 4 (1985): 629-654.
• [7] S. Ratneshwar, Lawrence W. Barsalou, Cornelia Pechmann y Melissa Moore, «Categorías derivadas de objetivos: el papel de los objetivos personales y situacionales en las representaciones de categorías», Journal of Consumer Psychology 10, n.º 3 (2001): 147-157.
• [8] Ramp, «Ramp lanza una flota de agentes de IA en su plataforma de compras», comunicado de prensa, 29 de abril de 2026; publicado en CPA Practice Advisor, 1 de mayo de 2026. Las cifras han sido facilitadas por la empresa.
• [9] McKinsey & Company, «NOW NEW NEXT: Cómo los líderes del crecimiento crean nuevo valor», 2016.