Este es mi segundo artículo en el que analizo las implicaciones del informe de Stanford sobre IA de 2026. Este artículo es una actualización. El primer artículo se puede consultar aquí.
La mayoría de los directivos siguen planteándose la pregunta equivocada sobre la IA.
Se preguntan: ¿A qué ritmo debemos adoptar esta tecnología? ¿Qué casos de uso son importantes? ¿Dónde desplegamos los agentes? ¿Cómo automatizamos el trabajo?
Son preguntas lógicas. Pero ya no son las principales.
El Índice de IA de Stanford 2026 sugiere que la IA ya se está extendiendo con la suficiente rapidez, aportando suficiente valor práctico y mejorando con la suficiente rapidez en el desempeño de las tareas, hasta el punto de que la cuestión más importante ya no es si las empresas adoptan la IA.
La cuestión más importante es qué lógica está ampliando actualmente la IA. La IA generativa alcanzó una adopción del 53 % de la población en tres años; se estima que el valor anual para el consumidor en EE. UU. alcanzará los 172 000 millones de dólares a principios de 2026; las organizaciones han informado de una adopción de la IA del 88 %; y, según Stanford, los sistemas de agentes están pasando de responder preguntas a realizar tareas.
Ese es el cambio estratégico.
La inteligencia artificial ya no es solo una herramienta complementaria para la productividad. Se está convirtiendo en parte del tejido operativo de los mercados. Pero si eso es cierto, entonces el verdadero peligro no es una adopción lenta.
Se trata de la rápida adopción de un modelo estratégico erróneo.
La IA no crea la lógica de mercado de la nada. Aprende de los supuestos que las empresas ya incorporan en su forma de definir la categoría, analizar la demanda, posicionar las marcas, estructurar las carteras, coordinar las interacciones y medir el éxito, y los amplía. Si esos supuestos son débiles, la IA no los corrige. Los amplifica.
Por eso me incomoda la expresión «estrategia de IA». La mayoría de las empresas no necesitan un plan estratégico específico sobre IA repleto de proyectos piloto, herramientas y agentes desconectados del negocio. Lo que necesitan es comprender cómo la IA transforma el sistema en el que se enmarcan y, a continuación, plantearse una pregunta más difícil:
¿Qué lógica estratégica estamos incorporando ahora a las máquinas?
Hay otra razón por la que esto es importante.
Gran parte del debate actual sobre la IA y las marcas se centra en la visibilidad: GEO, optimización para motores de respuestas, contenido legible por máquinas, datos estructurados de productos y facilidad de descubrimiento en las búsquedas con IA. Es comprensible. Varios líderes de opinión han realizado una importante labor en este ámbito. Thomas Marzano, por ejemplo, habla del estándar «legible y entrañable».[1] Jochen Sengpiehl califica la visibilidad de marca como la disciplina clave del siglo XXI.[2] El trabajo de BCG sobre la facilidad de descubrimiento sostiene que las marcas necesitan cada vez más ser seleccionadas, resumidas y destacadas por los sistemas de IA, y los productos de compras de OpenAI están diseñados explícitamente para ayudar a los usuarios a descubrir, comparar y decidirse por productos de forma conversacional.[3]
Todo eso es importante. Pero no va lo suficientemente al fondo.
La visibilidad no es la cuestión estratégica más profunda. La visibilidad es la expresión final de un sistema más profundo. Antes de que una máquina pueda dar visibilidad a una marca, ya está interpretando la categoría, estructurando la demanda, decidiendo qué criterios son importantes, definiendo el conjunto de opciones y clasificando lo que merece ser visto. Por eso la «descubribilidad» es necesaria, pero insuficiente. La cuestión más importante no es solo si la máquina puede encontrar la marca, sino qué lógica de mercado utiliza para decidir qué merece ser encontrado. Este es el verdadero paso de la visibilidad a la lógica de selección.
Ahí es donde el informe de Stanford resulta útil. No utiliza el lenguaje del significado de las categorías, los espacios de demanda o la arquitectura de marca. Pero sí describe las condiciones en las que esas cuestiones se vuelven inevitables. La IA está alcanzando una escala de mercado. Los consumidores están obteniendo un valor real de ella. Las organizaciones la están integrando de forma generalizada. Los agentes están mejorando en la ejecución de tareas. Al mismo tiempo, Stanford destaca que nuestra capacidad para medir y gestionar la IA va a la zaga de sus posibilidades.
Por lo tanto, el problema de gestión no se limita simplemente a la implantación. Se trata de si la empresa está dotando a la IA de la arquitectura estratégica adecuada para su funcionamiento.
La IA ampliará todo el sistema, no solo el resultado.
La forma correcta de concebir la IA no es como un motor de contenidos, ni siquiera solo como un motor de descubrimiento. Se trata, cada vez más, de un sistema capaz de aplicar la lógica estratégica a cinco capas interconectadas:
- Significado de la categoría
- Estructura de la demanda o lógica de la demanda
- Posicionamiento, cartera y arquitectura de marca
- La capa de interacción. El beneficio económico compuesto. Si esas capas son coherentes, la IA puede potenciar un sistema sólido. Si son débiles, la IA puede generalizar la confusión. Probablemente ya hayas leído antes sobre estos cinco pasos. Se trata de un modelo de rendimiento de marca que he expuesto anteriormente; consulta aquí.
Creo que debemos avanzar hacia este modelo de rendimiento de marca de cinco puntos para situar la IA en el nivel adecuado, el nivel estratégico; de lo contrario, nos limitaremos a optimizar la ejecución.
Ese es el riesgo más grave.
Si la categoría se define de forma demasiado restrictiva, la IA limitará la demanda de manera errónea.
Si se malinterpreta la estructura de la demanda, la IA optimizará el problema equivocado más rápidamente.
Si el posicionamiento es impreciso, la IA hará que la marca sea más fácil de comparar, pero no más fácil de elegir.
Si la cartera es confusa, las recomendaciones generadas por máquinas pondrán de manifiesto esa confusión antes.
Si la capa de interacción es débil, la IA acelerará la fricción en lugar de eliminarla.
Si los fundamentos económicos son superficiales, la IA puede mejorar la eficiencia, pero debilitará el poder de fijación de precios, la rentabilidad del capital y la ventaja a largo plazo.
Por eso, la verdadera cuestión ya no es la adopción. Es la estrategia. Es la lógica.
1. Significado de la categoría
La primera capa es el significado de la categoría.
¿En qué consiste fundamentalmente esta categoría? ¿Qué tipo de problema resuelve en la vida de las personas? ¿En qué juego se está participando?
Esto es importante porque la IA no puede orientar adecuadamente un mercado a menos que cuente con algún modelo funcional que defina la finalidad de la categoría. Si ese modelo es limitado o erróneo, el sistema organizará el conjunto de opciones de forma incorrecta.
Airbnb resulta útil en este sentido porque muestra cómo es un cambio de categoría. La empresa se ha expandido más allá del estrecho marco del alojamiento hacia un sistema más amplio de viajes y estancias, incorporando la sección «Servicios» y rediseñando «Experiencias» dentro de la misma aplicación. No se trata solo de una expansión del producto, sino de un cambio en el significado de la categoría. Airbnb no solo ayuda a la gente a reservar un lugar donde dormir, sino que intenta organizar una mayor parte del viaje en torno a la estancia.
Y esto no está ocurriendo en una empresa pequeña o especulativa. En el cuarto trimestre de 2025, Airbnb registró un aumento interanual de sus ingresos del 12 %, un incremento del 16 % en el valor bruto de las reservas y un aumento del 10 % en el número de pernoctaciones y plazas reservadas. Esto es importante porque demuestra que el significado más amplio de la categoría no es solo un posicionamiento intelectual, sino que puede integrarse en un sistema empresarial a gran escala y en crecimiento.
Esa es la cuestión en general. Antes de que una máquina pueda recomendar, comparar u orientar una acción, tiene que heredar un marco de categorías.
Así pues, la primera pregunta no es simplemente: «¿Puede la IA encontrar la marca?».
La pregunta es: ¿en qué tipo de juego ayuda la IA al cliente a participar?
2. Estructura de la demanda o lógica de la demanda
Pero el significado de la categoría sigue siendo demasiado amplio por sí solo.
El segundo nivel es la estructura de la demanda dentro de esa categoría.
La demanda no es solo volumen. La demanda es contexto, momento, necesidad, compensación, fricción y ocasión.
Instacart es uno de los ejemplos más claros de este cambio. Instacart no partió de una estantería, una palabra clave o una marca. Partió de un problema del consumidor: qué preparar para cenar, qué se ajusta a las necesidades dietéticas, qué se adapta al presupuesto y qué ingredientes se necesitan. El punto de partida ya no es solo la categoría de producto. Es el propio momento de demanda.
Así es como funciona la lógica de la demanda.
El consumidor no se acerca al producto a través de las categorías «salsas», «aperitivos» o «marca X». El consumidor se acerca al producto por motivos relacionados con la cena, la comodidad, el precio, las restricciones alimentarias o las necesidades del hogar. A continuación, el sistema organiza la oferta en función de ese momento.
Y, una vez más, no se trata de un ejemplo aislado. Instacart registró en el primer trimestre de 2026 un GTV de 10 290 millones de dólares, un 13 % más que el año anterior; unos ingresos de 1 019 millones de dólares, un 14 % más; y un EBITDA ajustado de 300 millones de dólares, un 23 % más. Esto no demuestra por sí solo que la lógica de la demanda haya sido la única causa de este resultado. Pero sí pone de manifiesto que una mejor interpretación de la demanda y una mejor coordinación de la oferta tienen un peso económico real a gran escala.
Por eso los espacios de demanda cobran más importancia, y no menos, en un mercado mediado por la IA. Si el mapa de la demanda es erróneo, la IA simplemente optimizará ese mapa erróneo más rápidamente.
3. Posicionamiento, cartera y arquitectura de marca
Esta es la capa que a menudo se reduce demasiado rápido al mero posicionamiento. No debería ser así.
El posicionamiento es importante, pero es en este nivel donde el significado de la categoría y la lógica de la demanda se traducen en un sistema de oferta estructurado. Esto significa que el posicionamiento de marca, el diseño de la cartera y la arquitectura de marca forman parte de este nivel.
Es aquí donde la empresa toma la decisión:
¿Qué papel debería desempeñar esta marca?
¿A qué segmentos de demanda debería dirigirse?
¿En qué debería diferenciarse de las marcas del mismo grupo?
¿Cómo debería distribuirse la cartera a lo largo de la estructura de la demanda?
¿Qué sistema de oferta se adapta mejor al sistema de demanda?
Esta capa es fundamental porque no se limita a reflejar la lógica de la demanda. Con el tiempo, puede estabilizar, afinar o redefinir el propio significado de la categoría.
Ese es el ciclo de retroalimentación que muchas empresas pasan por alto.
El significado de la categoría define el juego en términos generales.
La lógica de la demanda estructura ese juego en espacios reales.
La cartera de productos y la arquitectura asignan la oferta a esos espacios.
Y, una vez establecido ese sistema de oferta, empieza a enseñar a los consumidores, a los canales de distribución, a los expertos y, cada vez más, a las máquinas, para qué sirve realmente la categoría.
Por eso, la cartera y la arquitectura no son meras tareas administrativas secundarias. Son uno de los mecanismos a través de los cuales se refuerza el propio significado de la categoría.
La Roche-Posay es un ejemplo muy bueno. No diría que La Roche-Posay cambie por completo el significado de una categoría, del mismo modo que Airbnb amplía el concepto de los viajes. Pero sin duda contribuye a definir y legitimar el marco de una categoría concreta: la belleza dermatológica, la salud de la piel respaldada por la ciencia y el cuidado con credibilidad médica para afecciones reales. L’Oréal la sitúa explícitamente dentro de la «belleza dermatológica» y describe la división a través de colaboraciones con el sector sanitario, credibilidad médica y soluciones prescritas. La división también registró una cuota de mercado del 25,8 % en 2025 y afirmó haber llegado a más de 320 000 profesionales sanitarios.
Al mismo tiempo, La Roche-Posay se basa en una estructura de demanda que favorece claramente sus puntos fuertes: el acné, la hiperpigmentación, la reparación de la barrera cutánea, la protección solar y la piel sensible. El informe de L’Oréal sobre Mela B3, basado en un estudio epidemiológico global sobre trastornos pigmentarios en el que participaron 48 000 personas de 34 países, es un claro ejemplo de trabajo sobre la estructura de la demanda, y no solo de e marketing o de producto.
Así pues, la cuestión estratégica es la siguiente:
La Roche-Posay no se limita a encajar en una categoría y un mapa de demanda ya existentes. Contribuye a definir una estructura de demanda más médica y basada en afecciones y, a través de su papel dentro de la cartera de «Belleza Dermatológica» de L’Oréal, refuerza un significado más preciso de la propia categoría. Eso es lo que realmente hace la Capa 3.
4. La capa de interacción
Esta es la capa que más a menudo se malinterpreta. La estrategia no pasa directamente de la cartera a la economía. Pasa a través de la capa operativa orientada al mercado: el sistema de interacción completo a través del cual la empresa satisface la demanda.
Esta capa es más amplia que la «ejecución» en sentido estricto, tal y como la definí anteriormente. Incluye la creación clásica de marca a través de impresiones. Incluye la visibilidad en búsquedas y en retail . Incluye páginas de productos, flujos de servicios, recomendaciones, diagnósticos y rutinas. Incluye canales, puntos de contacto, experiencia del cliente y asistencia mediada por agentes. Y, cada vez más, incluye los ciclos SRAL: Percibir, Razonar, Actuar, Aprender.
Por eso la capa 4 debería denominarse «capa de interacción». Ya he escrito sobre esto en otras ocasiones.
La construcción tradicional de marcas basada en la impresión encaja perfectamente aquí. En mercados masivos estables, la capa de interacción puede basarse en gran medida en el alcance, la frecuencia, la relevancia y la disponibilidad física y mental. En mercados más dinámicos o mediados por la inteligencia artificial, se amplía para incluir la detección de intenciones, el razonamiento contextual, las recomendaciones, la asistencia y el aprendizaje.
Es precisamente aquí donde la IA cobra mayor relevancia de forma concreta.
La IA está entrando en la propia capa de interacción. Ayuda a detectar señales, a sopesar las opciones, a actuar mediante recomendaciones o las mejores acciones a seguir, y a aprender del comportamiento y de los comentarios recibidos.
Instacart también resulta útil en este sentido. Su valor no radica únicamente en que identifica un momento de demanda, sino que además coordina la interacción desde el reconocimiento de la necesidad hasta la selección del producto y la creación de la cesta de la compra. Se trata de una forma más completa de comercialización que la mera presencia en los medios o en las estanterías. Y dado que esta coordinación se desarrolla ahora dentro de una plataforma con un GTV trimestral de más de 10.000 millones de dólares, resulta económicamente significativa, no solo conceptualmente elegante.
La Roche-Posay vuelve a resultar útil en este caso. SPOTSCAN+ no es solo un truco de inteligencia artificial. Requiere tres selfies, utiliza una base de datos de 6.000 imágenes científicas de distintos tipos de piel y se basa en una escala de gravedad del acné reconocida por dermatólogos para analizar la piel y ofrecer recomendaciones. Vincula un problema del consumidor, una capa de evaluación, una vía de recomendación y una rutina de tratamiento. Se integra en el sistema de interacción, no solo en el de comunicación. Por eso resulta más interesante que la automatización publicitaria genérica. Demuestra cómo la IA refuerza el vínculo entre el reconocimiento del problema y la acción.
Por eso mismo, gran parte del pensamiento actual sobre el «sistema operativo de marca» sigue pareciendo demasiado limitado. A menudo se centra en la gestión de las indicaciones, la coherencia de la marca, las plantillas y el control de contenidos. Es útil, sí. Pero si se limita únicamente a la capa de expresión, pasa por alto la cuestión más importante. La verdadera pregunta es si la empresa cuenta con un sistema operativo más sólido en lo que respecta al significado de la categoría, la lógica de la demanda, el posicionamiento, la arquitectura y la interacción.
Si esas capas superiores son erróneas, un «Brand OS» más eficiente solo generará una irrelevancia aún más coherente.
5. Beneficio económico compuesto
La última capa no debe describirse de forma imprecisa como «rendimiento». Es mucho más específica que eso. La última capa consiste en determinar si el sistema en su conjunto genera beneficio económico y si ese beneficio económico puede acumularse con el tiempo.
Aquí es donde el modelo debe llegar hasta el ROIC, el EVA o el beneficio económico, sin limitarse a métricas de crecimiento, cuota de mercado o campañas. Esto me parece importante porque actualmente existe un debate constante sobre la ampliación del papel de los « marketing ». Estoy de acuerdo en que es necesario, pero solo será útil si los « marketing » asumen una mayor responsabilidad en la creación de valor y en los resultados generales de la empresa. Véase aquí.
Una empresa puede crecer y, aun así, destruir valor.
Una empresa puede mejorar su eficiencia y, aun así, debilitar su poder de fijación de precios.
Una empresa puede automatizar la ejecución y, aun así, reducir la rentabilidad del capital.
Por eso la punta tiene que ser más afilada.
La pregunta no es simplemente: «¿Ha funcionado el sistema?». Es: «¿Ha generado el sistema una rentabilidad superior al coste del capital, y pueden reinvertirse esos beneficios para reforzar la ventaja competitiva en el futuro?».
Ese es el ciclo del beneficio económico compuesto.
Una mejor definición de la categoría conduce a un mejor ajuste a la demanda, lo que a su vez conduce a un posicionamiento y una lógica de cartera más sólidos, lo que conduce a mejores interacciones, lo que conduce a una mayor disposición a pagar, una mejor combinación de productos, mayores márgenes y mejores rendimientos, lo que genera beneficio económico, que a su vez puede reinvertirse en mejor investigación, mejores experiencias, marcas más sólidas y futuros espacios de demanda. Esa es la lógica de la capitalización.
La Roche-Posay sirve de ejemplo porque el nivel económico no está separado de los cuatro primeros. Según los informes de L’Oréal, La Roche-Posay siguió siendo el principal impulsor del crecimiento en el segmento de la belleza dermatológica en 2025 y superó con creces al mercado. Aunque no se trata de una divulgación del ROIC a nivel de marca, sí constituye una sólida indicación de que el sistema integrado es económicamente potente.
La clave estratégica no es que La Roche-Posay sea buena en inteligencia artificial. Es que La Roche-Posay ha creado un sistema coherente que abarca el significado, la demanda, la función, la interacción y los aspectos económicos. La inteligencia artificial se convierte así en un amplificador de ese sistema, no en un sustituto del mismo.
Lo que demuestran los ejemplos
Estos ejemplos son importantes porque vinculan las cinco capas con resultados empresariales tangibles.
Airbnb demuestra que un marco de categorías más amplio puede favorecer la expansión y el crecimiento de la cartera. En el cuarto trimestre de 2025, esto se tradujo en un crecimiento de los ingresos del 12 % y en un aumento del valor bruto de las reservas del 16 %.
Instacart demuestra que la lógica de la demanda puede convertirse en la puerta de entrada a un sistema de transacciones de gran envergadura. En el primer trimestre de 2026, ese sistema generó 10.29 mil millones de dólares en GTV, 1.019 mil millones de dólares en ingresos y 300 millones de dólares en EBITDA ajustado.
La Roche-Posay demuestra que, cuando el significado de la categoría, la estructura de la demanda, el papel dentro de la cartera de productos, el diseño de la interacción y los aspectos económicos se refuerzan mutuamente, el resultado no es solo una mejor ejecución, sino un sistema empresarial más sólido. El propio informe de L’Oréal, en el que se afirma que fue el principal impulsor del crecimiento en el sector de la belleza dermatológica, es precisamente el tipo de prueba que importa en este contexto.
Por eso no se trata de un modelo puramente conceptual. Es un modelo de rendimiento de la marca y de la empresa.
Lo que aporta Stanford
El Índice de IA de Stanford 2026 no demuestra la validez de este marco. Esa no es su función.
Lo que hace es dejar muy claro el momento en que ocurre.
La IA se está extendiendo a una velocidad sin precedentes. Los consumidores están obteniendo un valor real de ella. Las organizaciones la están integrando de forma generalizada. Los agentes están pasando de dar respuestas a realizar tareas. Y la gobernanza, la transparencia y la preparación institucional se están quedando atrás. Esa combinación es lo que hace que este momento sea estratégico.
El problema ya no es solo si una empresa utiliza la IA. El problema es si le está proporcionando a la IA el sistema adecuado para crecer.
Por eso, la primera pregunta que debe plantearse la dirección ya no debería ser: «¿Cómo implementamos la IA?».
Debería decir: ¿Qué lógica de mercado queremos que aplique la IA?
¿Qué significado de categoría le estamos enseñando al sistema?
¿Qué mapa de demanda le estamos pidiendo que optimice?
¿Qué papel debería desempeñar cada marca en ese mapa?
¿Qué arquitectura debería organizar el sistema de suministro?
¿Qué lógica de interacción estamos orquestando a través de impresiones, experiencias, recomendaciones y bucles SRAL?
¿Qué beneficio económico debería generarse si el sistema funciona correctamente?
Estas preguntas son más complejas que los casos de uso. Pero ahora son las verdaderas cuestiones estratégicas.
El riesgo real
El verdadero peligro no es no adoptar la IA, sino adoptarla antes de tener claro el modelo estratégico que se quiere desarrollar. Si la lógica estratégica es sólida, la IA puede ayudar a las empresas a percibir mejor, razonar mejor, actuar más rápido y aprender de forma más eficaz. Si la lógica estratégica es débil, la IA no hará más que potenciar esa debilidad.
Por eso, las empresas que triunfen no serán simplemente aquellas que cuenten con más agentes, más herramientas o los pilotos más rápidos. Serán aquellas que comprendan una verdad más sencilla:
La IA ampliará cada vez más cualquier estrategia que le proporciones.
Y por eso la estrategia cobra más importancia, y no menos, en la era de la IA.
[1] https://www.brandingmag.com/product/brand-constitutions –the-legible-lovable-standard-for-building-equity-in-an-agentic-economy/213/
[3] https://www.bcg.com/x/the-multiplier/the-future-of-discoverability?utm_source=chatgpt.com