Durante años, los proveedores han estado compitiendo en puntajes de referencia, velocidad de estimación y capacidades de modelo mientras las empresas intentan descubrir dónde puede encajar la IA en sus flujos de trabajo diarios, pero la experimentación ha evolucionado hacia implementaciones reales y lo que importa está cambiando.
La precisión y los resultados empresariales mensurables son ahora más importantes que nunca, y en todos los ámbitos se plantean cuestiones sobre el retorno de la inversión, la rendición de cuentas y la gobernanza.
Esto es especialmente importante en el comercio electrónico, por ejemplo, donde las imágenes generadas por IA deben ser completamente precisas. Los especialistas en marketing ya no dudan en utilizar la IA para crear variantes de anuncios y cambios sutiles en el mercado, pero la calidad del resultado debe ser constantemente alta para garantizar que el producto se refleje con precisión.
Incluso los cambios más pequeños en color, textura o dimensiones pueden tener importantes riesgos para la reputación, como una menor confianza del cliente o un aumento de las devoluciones de productos. Ya sabemos que las estrategias de IA mal ejecutadas erosionan la confianza del cliente y la falta de coherencia de la marca también debilita la percepción de la marca.
Los patrones de uso de la IA están cambiando los hábitos de compra
Pero este desafío también está evolucionando como modelo de precios para las suscripciones a IA. El auge comenzó con modelos de consumo de tokens y precios basados en asientos, pero estamos entrando en una nueva era en la que la IA desperdiciada ya no es imputable.
Zendesk, por ejemplo, anunció recientemente que solo cobrará a sus clientes cuando obtengan resultados verificados, y el director ejecutivo de Photoroom, Matt Ruif, cree que esta estrategia de precios podría ser un gran golpe para los clientes de IA a medida que los clientes pasan de una adopción basada en capacidades a una adopción basada en garantías.
Para explorar cómo están cambiando las actitudes empresariales hacia los precios y los resultados de la IA generativa, cómo las organizaciones miden el éxito y por qué la seguridad y la responsabilidad están ganando importancia, hablé con Ruif.
- ¿Cómo están cambiando las expectativas de los compradores empresariales sobre la IA generativa a medida que madura la adopción?
A medida que la IA generativa pasa de las pruebas a la producción, los compradores empresariales se centran cada vez más en el control, la responsabilidad y los resultados comerciales mensurables.
La primera fase de adopción consistió en gran medida en demostrar que la IA puede producir resultados creíbles, mientras que la fase actual es si se puede confiar en esos resultados dentro de los flujos de trabajo comerciales, donde la precisión y la confiabilidad impactan directamente la experiencia del cliente y el desempeño comercial.
Cada vez más, los líderes empresariales preguntan más sobre la gobernanza que sobre las capacidades del modelo, evaluando cómo se evalúan los resultados y dónde reside la responsabilidad cuando algo sale mal.
En el comercio electrónico, esto es importante porque la imagen de un producto es una parte central de la decisión de compra. Si una imagen generada por IA cambia de color, altera o elimina un detalle, el problema va más allá de la calidad creativa y se convierte en la fidelidad del producto, con implicaciones directas para la confianza del consumidor, las devoluciones y el rendimiento comercial.
Nuestra investigación de mercado refleja esa expectativa de cambio: el 55% de los consumidores dice que las imágenes de productos mal ejecutadas generadas por IA o muy editadas les hacen confiar menos en un mercado en línea, mientras que el 77% espera que los propios mercados garanticen que las listas de productos sean precisas y confiables.
El mismo pensamiento está dando forma cada vez más a las adquisiciones empresariales, donde las organizaciones van más allá de preguntarse si la IA puede producir un producto y si esos productos pueden cumplir con los estándares comerciales acordados a escala.
Este cambio más amplio está haciendo que la garantía sea una consideración de compra, y los compradores empresariales esperan cada vez más que los proveedores de IA predefinan estándares de calidad y respalden la producción después de trabajar dentro de flujos de trabajo comerciales en vivo.
- ¿Qué utilizan las organizaciones para medir si las iniciativas de IA están generando un valor comercial significativo?
La forma en que las organizaciones miden la IA está cambiando significativamente, y la adopción temprana a menudo se juzga por los resultados visibles y las capacidades percibidas del modelo, mientras que hoy la discusión se acerca mucho más al desempeño empresarial tradicional.
Los equipos de liderazgo ahora se centran en si la IA puede hacer que la fabricación sea materialmente más eficiente, requiera menos recursos y sea más viable comercialmente. La pregunta ya no es cuánta IA puede producir, sino qué parte de esa producción es realmente utilizable en flujos de trabajo empresariales reales.
En el comercio electrónico, esta distinción adquiere especial importancia porque la producción no termina cuando se crea una imagen. Si las partes todavía requieren una revisión manual exhaustiva, corrección y control de calidad antes de que un activo llegue al cliente, la barrera se ha movido hacia abajo en lugar de desaparecer por completo.
Por lo tanto, los compradores empresariales están poniendo mucho más énfasis en la preparación de la producción que en el volumen de producción, midiendo si los activos generados por IA son lo suficientemente precisos como para implementarlos con confianza en lugar de simplemente construirlos a escala.
De manera similar, los estándares comerciales se están convirtiendo en una medida más significativa de la madurez de la IA que la calidad de la generación por sí sola, lo que se ve reforzado por nuestro análisis de compradores de marzo de 2026, que refleja que el 37% de los compradores empresariales nombran imágenes inexactas como su principal problema en la producción visual de IA.
El análisis refleja una clara necesidad organizacional de un marco organizacional distinto que determine si los productos son adecuados para el propósito antes de enfrentarse al cliente.
- ¿Qué desafíos persisten al implementar contenido generado por IA a escala en un entorno comercial?
El mayor desafío es que las implementaciones comerciales exponen la diferencia entre crear contenido y administrarlo. Una sola imagen generada por IA puede parecer convincente de forma aislada, pero el comercio empresarial depende de miles y, a menudo, millones de activos que son lo suficientemente precisos como para respaldar las decisiones de compra.
La escala magnifica las pequeñas inconsistencias, y esas inconsistencias rápidamente se convierten en riesgos operativos y comerciales en lugar de riesgos creativos. Como resultado, las organizaciones empresariales están invirtiendo cada vez más en validación como generación.
Pequeños cambios en el color, la forma o el empaque de un producto pueden pasar una revisión creativa superficial y tergiversar el producto.
Nuestra investigación de mercado refleja la importancia comercial de ese desafío: el 63 % de los consumidores dice que las variaciones en la imagen, la marca o la presentación del producto hacen que un vendedor o un mercado no sean confiables, mientras que el 51 % cree que los listados de los mercados a menudo parecen aceptables pero aun así no les brindan total confianza en lo que están comprando.
A escala de catálogo, estas cifras representan una cantidad significativa de activos que parecen aceptables tras su revisión, pero que conllevan un riesgo comercial real una vez que llegan a los clientes.
Por lo tanto, el desafío empresarial no resuelto no es sólo producir mejores resultados de IA, sino también construir sistemas capaces de detectar y corregir fallas antes de que el cliente las enfrente.
- ¿Cómo deberían las empresas equilibrar la flexibilidad creativa con la coherencia, la precisión y la confiabilidad en los resultados generados por la IA?
Las empresas deben pensar en la verdad del producto como una base fija, con flexibilidad creativa construida alrededor de ella en lugar de reemplazarla. La IA es excepcionalmente buena para adaptar contenido a diferentes canales, audiencias y formatos, pero esas decisiones creativas nunca deberían comprometer las características reales del producto.
La forma práctica de hacer cumplir esta distinción es definir de antemano qué características del producto están bloqueadas: colores, dimensiones, materiales, detalles clave y qué elementos se encuentran dentro de la gama creativa.
Esto brinda a los equipos un marco claro para evaluar los resultados sin depender de revisiones subjetivas en el momento de la aprobación.
Nuestra investigación sugiere que los consumidores ya están haciendo esta distinción ellos mismos: solo el 33% de los consumidores del Reino Unido dicen que se sienten cómodos con las imágenes de productos mejoradas por IA si están claramente etiquetadas, mientras que el 41% no está de acuerdo.
Este resultado es importante porque muestra que la transparencia por sí sola no es suficiente; la pregunta más importante es si los consumidores creen que la imagen representa con precisión lo que recibirán. Para las organizaciones empresariales, esto significa que los marcos de gobernanza deben construirse en torno a la precisión fáctica como estándar principal, con flexibilidad creativa trabajando dentro de esos límites y no a su lado.
- ¿Dónde añaden valor las herramientas de IA especializadas en comparación con los modelos de IA de propósito más general para los flujos de trabajo empresariales?
Los modelos de propósito general han ampliado drásticamente lo que la IA puede crear, pero las implementaciones empresariales dependen de mucho más que las capacidades generacionales.
Las organizaciones necesitan cada vez más sistemas que comprendan el contexto comercial en el que se utilizarán esos resultados y que puedan respaldar la evaluación de la calidad, la integración del flujo de trabajo y la coherencia a escala.
Entonces, el valor se transfiere del modelo al sistema operativo creado a su alrededor. Un modelo de propósito general puede crear una imagen de producto atractiva, pero los equipos empresariales también deben tener confianza en que el producto será preciso, consistente a escala de catálogo y que las fallas se pueden identificar antes de que los activos estén de cara al cliente.
Por lo tanto, el valor a largo plazo de la IA experta proviene menos de producir resultados visualmente impresionantes y más de resolver problemas comerciales repetibles. En la producción visual, esto significa construir sistemas capaces de evaluar la fidelidad del producto, reducir la revisión manual y crear procesos de validación estructurados en los que las organizaciones puedan confiar consistentemente a escala en lugar de depender únicamente de la aprobación humana.
- ¿Qué tipo de responsabilidad o garantía buscan cada vez más los clientes empresariales de los proveedores de IA?
Los compradores empresariales buscan cada vez más proveedores de IA que puedan operar dentro de estándares comerciales claramente definidos en lugar de simplemente ofrecer modelos más capaces. Esto significa acordar criterios de éxito antes de la implementación, evaluar los resultados de manera transparente y crear procesos claros para manejar las excepciones cuando los resultados no son suficientes.
A medida que la IA se integra en los flujos de trabajo operativos, la seguridad se vuelve tan importante como la capacidad. Una salida fallida de la IA durante las pruebas es esencialmente una desventaja, mientras que una salida fallida dentro de un entorno comercial real puede afectar la confianza del cliente, el rendimiento del inventario y los ingresos.
Nuestra investigación de mercado refuerza por qué esto se está convirtiendo en una discusión a nivel de junta directiva: el 51% de los consumidores dicen que cambiarían a un mercado completamente diferente si otra plataforma ofreciera imágenes de productos más claras y precisas, mientras que el 62% cree que los mercados ayudarán activamente a los vendedores a mejorar la calidad de los listados.
A medida que esta expectativa favorece cada vez más a los proveedores de tecnología fuera del mercado, los compradores comienzan a buscar mecanismos de rendición de cuentas que se esperan de otros proveedores de software empresarial.
- De cara al futuro, ¿cuál cree que será el próximo gran cambio en la adopción de la IA empresarial en los próximos 12 a 24 meses?
En los próximos 12 a 24 meses, espero que la adopción de la IA empresarial pase de manera decisiva de una adopción basada en capacidades a una adopción basada en garantías.
Las empresas seguirán preocupándose por la calidad, la velocidad y la eficiencia de los modelos, pero esas características serán cada vez más esperadas en lugar de diferenciadoras.
Las organizaciones que crearán el mayor valor serán aquellas capaces de incorporar la IA en flujos de trabajo críticos para los ingresos con confianza, gobernanza y responsabilidad mensurable.
En términos prácticos, esto significa un mayor énfasis en la evaluación, validación y confianza operativa. Los compradores de empresas se preguntarán cada vez más cómo se validan los resultados, cómo se manejan las fallas, cómo se comparten las responsabilidades y cómo se integran los sistemas de inteligencia artificial en las estructuras de gobernanza existentes.
Es probable que el comercio sea una de las primeras industrias en ver esa transformación a medida que los compradores desconfían de la IA en el proceso de compra. Nuestra investigación encontró que solo el 24% de los consumidores ya usan o están felices de usar herramientas de inteligencia artificial para comprar en línea, mientras que el 59% se siente incómodo al hacerlo.
Por lo tanto, el próximo capítulo de la IA empresarial se definirá menos por los modelos que puede producir y más por si las organizaciones pueden implementar esos resultados de manera repetida, responsable y segura.
