Líderes de opinión
La decisión más inteligente de la IA podría ser no enviar el mensaje

Puntos claveOptimizar para los clics recompensa enviar más mensajes incluso cuando la contención…
Ver más
- Optimizar para los clics recompensa enviar más mensajes incluso cuando la contención protegería mejor la relación con el cliente.
- Una promoción bien redactada enviada mientras un reembolso no está resuelto es un fallo de decisión que un mejor contenido no puede corregir.
- La revisión humana debería centrarse en el contexto ambiguo y en las acciones de altas consecuencias en lugar de en los casos rutinarios de políticas.
La IA generativa ha abaratado mucho la creación de mensajes personalizados. Pero no ha hecho más fácil decidir si conviene enviarlos.
Esta distinción importa ahora que la IA asume más decisiones relacionadas con las interacciones con los clientes. Un sistema puede generar una oferta pertinente y predecir que alguien hará clic, y aun así tomar una decisión equivocada. Puede que el cliente esté esperando un reembolso, tenga una queja sin resolver o ya haya comprado el producto con otra dirección de correo electrónico.
Una redacción mejor no resolverá ninguno de esos problemas. El sistema necesita comprender mejor al cliente, tener un objetivo que refleje lo que la empresa valora realmente y contar con límites claros sobre lo que puede hacer.
¿Qué le pide al sistema que optimice?
Los envíos, las aperturas y los clics son fáciles de contar. Eso los convierte en indicadores operativos útiles, pero también hace que resulte tentador usarlos como sustitutos de lo que una empresa realmente busca: que el cliente valore la relación y siga regresando.
Un sistema de IA optimizado para conseguir el mayor número total de clics, con pocas restricciones sobre la frecuencia de contacto, puede concluir que enviar más mensajes mejora su puntuación. Cada envío adicional puede parecer razonable por separado. Pero, entre campañas y canales, un mismo cliente puede acabar recibiendo mensajes de la marca con mucha más frecuencia de la prevista.
El costo se manifiesta fuera de la métrica que se está optimizando. En la encuesta de consumidores de Validity sobre las fiestas de 2026, un tercio de los encuestados dijo que el volumen de correos electrónicos durante las fiestas bastaba por sí solo para llevarlos a darse de baja. Eso no demuestra que la IA causara la saturación. Demuestra que aumentar la actividad puede perjudicar la relación.
Una baja es visible. La frustración que la precedió, a menudo, no lo es. Si el sistema recibe crédito por un clic hoy, pero no se le penaliza por reducir las probabilidades de que un cliente regrese el mes que viene, tendrá pocos motivos para tener en cuenta esa disyuntiva.
Contenerse también es una decisión
Pensemos en un cliente que devolvió un pedido la semana pasada y todavía está esperando el reembolso. Un sistema de marketing detecta a un comprador reciente con muchas probabilidades de responder y programa el envío de un correo promocional. Desde la perspectiva del cliente, la marca le está pidiendo más dinero antes de devolverle lo que le debe.
La devolución puede figurar en el sistema de pedidos, el estado del reembolso en una herramienta de atención al cliente y la compra en un perfil de marketing. Puede que esos registros ni siquiera estén vinculados a la misma persona. El modelo puede funcionar exactamente según lo previsto y, aun así, tomar una decisión basándose en una visión incompleta del cliente.
Conectar esos registros cambia lo que el sistema puede saber. No cambia automáticamente lo que hará. El proceso de decisión también debe tener en cuenta los reembolsos pendientes y permitir que no enviar una promoción sea un resultado válido. De lo contrario, se le habrá dado más información al sistema sin cambiar el comportamiento por el que se le recompensa.
Por eso, el contexto del cliente y los objetivos deben diseñarse en conjunto. El contexto explica lo que está ocurriendo. El objetivo y las reglas de decisión determinan qué debería ocurrir a continuación. Una devolución no significa por sí sola que deba interrumpirse toda comunicación. Puede que el cliente necesite una actualización sobre el reembolso. Es importante distinguir entre un mensaje de servicio útil y otra promoción.
Un correo mal redactado es un problema de contenido. Un correo bien redactado que se envía mientras el cliente espera que le devuelvan su dinero es un problema de decisión. No se puede resolver lo segundo mejorando lo primero.
Inscribirse no es lo mismo que ser fiel
Los programas de fidelización ofrecen otra versión del mismo problema. Si el éxito se mide por el aumento de las inscripciones, el sistema puede aprender a captar clientes con descuentos. Aumentan las inscripciones. Pero si esos clientes volverán sin otro descuento es otra cuestión.
Las preguntas útiles requieren más tiempo para responderse. ¿Vuelven los miembros? ¿Sus compras siguen siendo rentables después de descontar el costo de los incentivos? ¿El programa modifica su comportamiento o, en su mayor parte, recompensa compras que habrían hecho de todos modos?
Para responder a esas preguntas, hay que vincular la actividad del programa de fidelización con el historial de compras y de atención al cliente a lo largo del tiempo. También hace falta una comparación que ayude a distinguir el efecto del programa del comportamiento que ya era probable. El número de miembros, por sí solo, no permite saberlo.
La supervisión humana debe cambiar la decisión
Las personas son responsables de decidir qué debe optimizar el sistema. La retención, el margen y el esfuerzo que se exige al cliente implican disyuntivas de las que debe hacerse cargo la dirección. Un modelo puede ayudar a evaluar esas disyuntivas, pero no puede asumir la responsabilidad de elegir entre ellas.
Lo mismo ocurre con los límites de actuación. Una pregunta útil para empezar es: ¿qué tan difícil sería revertir esta acción? Retener un mensaje promocional para revisarlo tiene consecuencias distintas de cambiar un precio, emitir un crédito o cancelar una reserva. Las consecuencias, los permisos del cliente y la fiabilidad del contexto disponible deben determinar qué puede ejecutarse automáticamente y qué requiere aprobación.
Un reembolso pendiente no tiene por qué convertirse siempre en una tarea de revisión manual. Si la política es clara, una regla puede retener la promoción mientras continúa la comunicación de servicio. La revisión humana corresponde cuando el contexto es ambiguo, las reglas entran en conflicto o las consecuencias exceden la autoridad del sistema. Si falta la información necesaria para hacer esa distinción, el sistema necesita una alternativa definida, no permiso para hacer conjeturas.
Quienes revisan las recomendaciones también necesitan algo más que una puntuación de confianza. Deben poder ver qué registros de clientes se tuvieron en cuenta para formular la recomendación, qué tan actualizados están, qué intenta lograr el sistema y qué restricciones se aplican. Una recomendación segura de sí misma, pero basada en registros desactualizados o que no corresponden, sigue siendo una mala recomendación.
Las anulaciones deben convertirse en evidencia. Si las personas detienen repetidamente el mismo tipo de promoción, hay que registrar el motivo. El patrón podría revelar que faltan datos de servicio, que hay un problema de identidad o que un objetivo recompensa el comportamiento equivocado. Corregir ese patrón es más valioso que pedirle a alguien que detecte el mismo error indefinidamente.
Medir si limitar los envíos ayuda
Los equipos pueden empezar con una sola decisión, en lugar de intentar rediseñar de una vez todas las interacciones con los clientes. Elijan el envío de una promoción, identifiquen el contexto que requiere y definan las condiciones en las que debería retenerse. Excluyan de esa regla de supresión los mensajes de servicio necesarios.
Luego, comprueben si el cambio ayuda. En el caso de los mensajes promocionales que cumplan los requisitos, comparen el enfoque actual con una política que los retenga en condiciones definidas. Hagan un seguimiento de las compras repetidas, la retención, las quejas y el margen durante un período que se ajuste al ciclo de compra. Los envíos y los clics siguen ayudando a explicar lo que ocurrió, pero no deberían ser el veredicto final.
La prueba podría mostrar que enviar menos promociones protege la relación. También podría revelar que una restricción concreta es demasiado amplia. Cualquiera de los dos resultados es útil. El silencio no debería quedar exento de evaluación, del mismo modo que tampoco debería quedar exento el envío. Ambos son decisiones cuyas consecuencias pueden medirse.
Nada de esto elimina el trabajo de ingeniería. Los registros de clientes deben corresponder a la persona correcta. Los eventos recientes deben llegar al proceso de decisión a tiempo para que puedan influir. Los permisos deben limitar las acciones, y los equipos necesitan un registro de lo que ocurrió y por qué. Un objetivo mejor no puede compensar la falta de contexto, del mismo modo que un contexto mejor no puede corregir un objetivo equivocado.
Diseñar pensando en la relación
La pregunta para quienes dirigen los equipos es sencilla: ¿qué considera su sistema una buena decisión? Si la respuesta es un clic, quizá esté cumpliendo su función mientras empeora la experiencia del cliente.
Un contexto fiable sobre los clientes ofrece a las personas y a la IA una base más sólida para decidir qué hacer. Los objetivos y controles claros determinan cómo se utiliza esa comprensión. El resultado debería ser un sistema capaz de explicar por qué un mensaje es útil en ese momento, reconocer cuándo no lo es y aprender de lo que ocurre después.
A veces, la decisión más inteligente que puede tomar un sistema de IA es no enviar nada.












