Inteligencia artificial y predicción de tendencias de consumo en la formación de mercadólogos
/
Artificial Intelligence and Consumer Trend Prediction in Marketer Training

Dr. Otniel Vázquez Peralta
Universidad Juárez Autónoma de Tabasco, México
ovp07058@docente.ujat.mx
https://orcid.org/0000-0002-5310-0908

Dr. José Pablo Oliveros Coello
Universidad Juárez Autónoma de Tabasco, México
oliverosjp@hotmail.com
https://orcid.org/0000-0002-5328-6984

Dra. Johanna Moscoso Pacheco
Universidad Juárez Autónoma de Tabasco, México
johannamoscosopacheco@gmail.com
https://orcid.org/0000-0002-9112-7407

Fecha de Recepción: 12 de febrero de 2026

Fecha de Aceptación: 24 de abril de 2026

Fecha de Publicación: 14 de mayo de 2026

Financiamiento:

Se financió con recursos propios.

Conflictos de interés:

Los autores declaran no presentar conflicto de interés.

Correspondencia:

Nombres y Apellidos: Dr. Otniel Vázquez Peralta
Correo electrónico: ovp07058@docente.ujat.mx

Dirección postal: Av Universidad s/n, Magisterial, 86025 Villahermosa, Tab., México

Licencia Creative Commons Atributtion Nom-Comercial 4.0 Unported (CC BY-NC 4.0) Licencia Internacional

Resumen

Este artículo analiza el papel estratégico de la inteligencia artificial en la predicción de tendencias de consumo y su integración en la formación de mercadólogos. Se empleó un enfoque cualitativo de estudio de casos múltiples, examinando cinco empresas que utilizan inteligencia artificial para el análisis del comportamiento del consumidor y tres programas académicos que incorporan estas tecnologías en sus planes de estudio. Los datos fueron obtenidos mediante entrevistas en profundidad y revisión documental, y analizados a través de codificación temática asistida por Atlas.ti. Los resultados evidencian que el aprendizaje automático, el procesamiento de lenguaje natural y las plataformas de automatización permiten anticipar demanda, optimizar segmentación y personalizar estrategias comerciales. Asimismo, se identifican brechas formativas en competencias técnicas y aplicación práctica de estas herramientas. Se propone un modelo educativo integrador orientado a la articulación academia-industria y al uso ético y sostenible de datos.

Palabras clave: Inteligencia artificial; Análisis de datos; Marketing; Tendencias de consumo; Formación de mercadólogos.

Abstract
This article analyzes the strategic role of artificial intelligence in the prediction of consumer trends and its integration into marketer training. A qualitative multiple case study approach was employed, examining five companies that use artificial intelligence for consumer behavior analysis and three academic programs that incorporate these technologies into their curricula. Data were collected through in-depth interviews and documentary review, and analyzed through thematic coding assisted by Atlas.ti. The results show that machine learning, natural language processing, and automation platforms enable the anticipation of demand, the optimization of segmentation, and the personalization of commercial strategies. Likewise, training gaps in technical competencies and the practical application of these tools are identified. An integrative educational model is proposed, oriented toward academia-industry articulation and the ethical and sustainable use of data.

Keywords: Artificial intelligence; Data analysis; Marketing; Consumer trends; Marketer training.

Introducción

La transformación digital ha redefinido de manera profunda los procesos de análisis, planificación y toma de decisiones en el ámbito del marketing. En este contexto, la inteligencia artificial se ha consolidado como un componente estratégico para el procesamiento de grandes volúmenes de datos, la identificación de patrones complejos de comportamiento del consumidor y la anticipación de tendencias de consumo en entornos altamente dinámicos.^[1] La creciente integración de modelos de aprendizaje automático, procesamiento de lenguaje natural y sistemas de automatización ha permitido a las organizaciones transitar de enfoques descriptivos hacia modelos predictivos y prescriptivos de gestión comercial.^[2]

El análisis predictivo basado en inteligencia artificial no solo mejora la precisión de la segmentación y la personalización de campañas, sino que también incide directamente en la eficiencia operativa y en la generación de ventajas competitivas sostenibles.^[3] Sin embargo, pese a los avances tecnológicos, persisten desafíos relacionados con la adopción organizacional, la disponibilidad de talento especializado y la adecuación de los programas formativos en marketing a las exigencias del entorno digital contemporáneo.^[4]

En el ámbito académico, la incorporación de la inteligencia artificial en la formación de mercadólogos aún presenta niveles desiguales de implementación. Aunque algunas instituciones han comenzado a integrar contenidos vinculados con analítica de datos y automatización, la actualización curricular no siempre responde de manera articulada a las necesidades reales del mercado laboral. Esta brecha formativa plantea interrogantes relevantes sobre la preparación de los futuros profesionales para operar en ecosistemas comerciales impulsados por datos y algoritmos.^[5]

Frente a este escenario, el presente estudio tiene como objetivo analizar el papel estratégico de la inteligencia artificial en la predicción de tendencias de consumo y examinar su integración en la formación de mercadólogos. A partir de un enfoque cualitativo de estudios de casos múltiples, se investigan cinco empresas que aplican inteligencia artificial en el análisis del comportamiento del consumidor y tres programas académicos que han incorporado estas tecnologías en sus planes de estudio.

La contribución del artículo es doble. En primer lugar, ofrece un análisis comparativo que permite identificar patrones de uso, beneficios y desafíos asociados a la implementación de inteligencia artificial en marketing. En segundo lugar, propone lineamientos para el diseño de un modelo educativo orientado a la articulación entre academia e industria, incorporando criterios de ética, sostenibilidad e inclusión en el uso de datos.

El trabajo se estructura en cuatro apartados principales. El primero desarrolla el marco teórico y conceptual sobre inteligencia artificial, analítica predictiva y formación en marketing. El segundo describe la metodología empleada. El tercero presenta los resultados derivados del análisis de casos. Finalmente, se exponen la discusión y las conclusiones del estudio.

1. Marco teórico y conceptual

El marco teórico del presente estudio se estructura en tres ejes complementarios que permiten comprender la articulación entre inteligencia artificial, analítica predictiva y formación académica en marketing. En primer lugar, se examina la evolución conceptual de la inteligencia artificial y su incorporación en la gestión estratégica del marketing. En segundo término, se analiza el papel de la analítica predictiva en la anticipación de tendencias de consumo. Finalmente, se aborda la dimensión formativa, destacando los desafíos y transformaciones curriculares necesarios para preparar a los mercadólogos en entornos impulsados por datos.

1.1 Inteligencia artificial en el marketing contemporáneo

La inteligencia artificial (IA) ha evolucionado desde aplicaciones experimentales hacia su consolidación como infraestructura estratégica en la gestión del marketing. En términos conceptuales, la IA puede entenderse como el conjunto de sistemas capaces de realizar tareas que tradicionalmente requerían inteligencia humana, tales como reconocimiento de patrones, aprendizaje adaptativo y toma de decisiones basada en datos.^[6] 

En el ámbito del marketing, su incorporación ha transformado los procesos de segmentación, fijación de precios, diseño de campañas y gestión de la experiencia del cliente.^[7] Los modelos de aprendizaje automático permiten identificar correlaciones no evidentes en grandes volúmenes de datos, mientras que los sistemas de procesamiento de lenguaje natural facilitan el análisis automatizado de opiniones, reseñas y conversaciones en entornos digitales.^[8]

Diversos estudios han señalado que la IA no solo optimiza procesos operativos, sino que redefine el enfoque estratégico del marketing al posibilitar decisiones basadas en predicción en lugar de intuición.^[9] Esta transición implica un cambio estructural en la cultura organizacional y en la forma en que se conciben las competencias profesionales requeridas en el sector.

1.2 Analítica predictiva y tendencias de consumo

La analítica predictiva constituye una de las aplicaciones más relevantes de la inteligencia artificial en marketing. Su propósito es anticipar comportamientos futuros a partir del análisis de datos históricos y variables contextuales.^[10] A diferencia de los enfoques descriptivos tradicionales, la analítica predictiva integra modelos estadísticos avanzados y algoritmos de aprendizaje automático para proyectar escenarios probables de demanda y comportamiento del consumidor.

En este marco, la predicción de tendencias de consumo implica la identificación temprana de cambios en preferencias, hábitos de compra y patrones culturales que inciden en la dinámica del mercado.^[11] La literatura reciente destaca que la combinación de datos estructurados y no estructurados, provenientes de redes sociales, motores de búsqueda y plataformas digitales, incrementa la precisión de los modelos predictivos.^[12]

No obstante, la efectividad de estos sistemas depende de la calidad de los datos disponibles, la infraestructura tecnológica y la capacidad analítica del personal encargado de interpretar los resultados.^[13] Esta condición introduce una dimensión formativa central: la necesidad de profesionales con competencias híbridas que integren conocimientos de marketing, estadística y programación.

1.3 Formación de mercadólogos en entornos impulsados por datos

La transformación tecnológica del marketing ha generado una presión creciente sobre los sistemas de educación superior para actualizar sus programas académicos.^[14] La formación tradicional centrada exclusivamente en fundamentos estratégicos resulta insuficiente frente a un entorno donde la toma de decisiones se apoya en modelos algorítmicos y análisis de datos masivos.

Diversos autores subrayan la importancia de integrar competencias técnicas, analíticas y éticas en la educación en marketing.^[15] La alfabetización en datos, la comprensión de modelos de inteligencia artificial y la capacidad de interpretar resultados predictivos se convierten en habilidades esenciales para el ejercicio profesional contemporáneo.

Además, la formación en inteligencia artificial debe incorporar una dimensión ética vinculada al uso responsable de datos, la transparencia algorítmica y la mitigación de sesgos. Esta perspectiva resulta particularmente relevante en contextos donde la automatización puede amplificar desigualdades o reproducir patrones discriminatorios.^[16]

En consecuencia, el marco teórico sugiere que la integración efectiva de la inteligencia artificial en marketing requiere no solo adopción tecnológica empresarial, sino también rediseño curricular orientado a la interdisciplinariedad, la colaboración con la industria y la actualización permanente de contenidos. Con el fin de sintetizar los principales aportes conceptuales que sustentan el presente estudio, se presenta la Tabla 1, en la que se sistematizan los enfoques teóricos revisados y su relevancia para la investigación.

Tabla 1. Síntesis conceptual del marco teórico sobre inteligencia artificial y marketing

Fuente: Elaboración propia con base en Haleem (2022); De Mauro et al. (2022); Madanchian (2024); Richter (2024); Turner-Henderson (2025).

La sistematización presentada en la Tabla 1 permite observar que la literatura reciente converge en tres dimensiones fundamentales: la consolidación de la inteligencia artificial como infraestructura estratégica del marketing, la centralidad de la analítica predictiva en la anticipación de tendencias de consumo y la necesidad de una transformación curricular orientada a competencias híbridas. Esta articulación conceptual sustenta el diseño metodológico del presente estudio y orienta el análisis comparativo desarrollado en los apartados siguientes.

2. Metodología

2.1 Diseño de investigación

El estudio se desarrolló bajo un enfoque cualitativo de carácter descriptivo-interpretativo mediante la estrategia de estudios de casos múltiples. Este diseño resulta pertinente para el análisis de fenómenos contemporáneos complejos, particularmente cuando se busca comprender procesos de adopción tecnológica en contextos organizacionales y educativos reales.^[17]

La elección de un diseño de casos múltiples permitió comparar experiencias empresariales y académicas vinculadas con la implementación de inteligencia artificial en marketing, identificando patrones comunes, divergencias y prácticas emergentes. Esta aproximación metodológica favorece una comprensión contextualizada del fenómeno, superando visiones exclusivamente técnicas o instrumentales de la inteligencia artificial.

2.2 Selección de casos participantes

Se empleó un muestreo intencional orientado por criterios teóricos,^[18] seleccionando unidades de análisis que aportaran información significativa respecto al uso de inteligencia artificial para la predicción de tendencias de consumo y su integración curricular en programas de formación en marketing.

La muestra estuvo conformada por cinco empresas del sector marketing que utilizan herramientas de aprendizaje automático, procesamiento de lenguaje natural y plataformas de automatización para la toma de decisiones estratégicas, así como por tres instituciones de educación superior que han incorporado contenidos relacionados con inteligencia artificial y analítica de datos en sus planes de estudio.

Los participantes incluyeron directores de marketing, analistas de datos, especialistas en marketing digital y académicos responsables del diseño curricular. Esta diversidad de perfiles permitió integrar perspectivas estratégicas, técnicas y pedagógicas, enriqueciendo el análisis comparativo.

2.3 Técnicas de recolección de información

La recolección de datos se realizó mediante entrevistas en profundidad semiestructuradas y revisión documental. Las entrevistas permitieron explorar experiencias, percepciones y prácticas vinculadas con el uso de inteligencia artificial en la predicción de tendencias de consumo y en la formación académica.

La revisión documental incluyó reportes empresariales, descripciones de herramientas tecnológicas utilizadas y planes de estudio universitarios. La combinación de fuentes primarias y secundarias permitió fortalecer la amplitud del análisis y reducir posibles sesgos derivados de una única fuente de información.^[19]

2.4 Procedimiento de análisis y validación

Las entrevistas fueron transcritas y analizadas mediante codificación temática con apoyo del software Atlas.ti, lo que facilitó la identificación de categorías emergentes relacionadas con herramientas utilizadas, impacto en la toma de decisiones, brechas formativas y desafíos de implementación.^[20]

Posteriormente, se realizó una comparación transversal entre los casos empresariales y académicos con el propósito de identificar convergencias y diferencias significativas.

Para garantizar la validez interpretativa se aplicó triangulación metodológica entre entrevistas y documentos, así como contraste entre sectores. Este procedimiento fortaleció la confiabilidad de los hallazgos y contribuyó a una interpretación más consistente de los resultados.^[21] Se consideró alcanzada la saturación teórica cuando no emergieron nuevas categorías relevantes durante el proceso de codificación. Con el fin de sistematizar las características generales de las unidades de análisis consideradas en el estudio, se presenta la Tabla 2, donde se sintetizan los tipos de instituciones seleccionadas, el número de casos y el perfil de los participantes involucrados.

Tabla 2. Caracterización general de los casos analizados

Fuente: Elaboración propia.

La caracterización presentada permite observar la complementariedad entre los casos empresariales y académicos, lo que posibilita un análisis comparativo orientado a identificar brechas formativas, convergencias estratégicas y desafíos comunes en la implementación de la inteligencia artificial en marketing.

3. Resultados

El análisis cualitativo permitió identificar patrones estructurales en la implementación de la inteligencia artificial en marketing, así como tensiones relevantes entre el ámbito empresarial y el educativo. A partir de la codificación temática emergieron cuatro dimensiones analíticas: (1) infraestructura tecnológica aplicada a la predicción, (2) generación de valor estratégico mediante insights, (3) brechas formativas y (4) desafíos estructurales de implementación.

3.1 Herramientas de inteligencia artificial y toma de decisiones estratégicas

Los casos empresariales analizados evidencian que la adopción de inteligencia artificial no se limita a la utilización aislada de herramientas digitales, sino que responde a una lógica de integración sistémica como lo señala uno de los participantes, “la inteligencia artificial ya no se utiliza de forma aislada; funciona como un ecosistema donde cada herramienta alimenta la toma de decisiones” (Analista de datos, Empresa 2).  Las empresas con mayor madurez tecnológica combinan aprendizaje automático para modelado predictivo, procesamiento de lenguaje natural para análisis de datos no estructurados y plataformas de automatización para ejecución estratégica.

Se observó que esta integración permite reducir la incertidumbre en decisiones relacionadas con lanzamiento de productos, segmentación dinámica y optimización de presupuestos publicitarios. En contraste, las empresas con menor desarrollo tecnológico utilizan herramientas fragmentadas, lo que limita la explotación del potencial predictivo, como lo señala uno de los participantes, “cuando las herramientas no están integradas, los datos pierden valor estratégico y se quedan en análisis descriptivos” (Director de marketing, Empresa 4).

Con el fin de sintetizar las principales herramientas identificadas en los casos empresariales analizados, se presenta la Figura 1.

Figura 1. Herramientas de inteligencia artificial utilizadas en la predicción de tendencias de consumo

Fuente: Elaboración propia con base en el análisis de entrevistas.

Como se observa en la Figura 1, el aprendizaje automático constituye el núcleo de los procesos predictivos, mientras que el procesamiento de lenguaje natural actúa como complemento analítico para la interpretación de datos cualitativos provenientes de entornos digitales. La automatización, por su parte, conecta la fase analítica con la ejecución estratégica, evidenciando que el valor de la inteligencia artificial radica en su articulación integral más que en la adopción aislada de herramientas.

3.2 Generación de insights sobre el comportamiento del consumidor

Más allá del componente tecnológico, los resultados muestran que la inteligencia artificial transforma la naturaleza misma del análisis de mercado. Las organizaciones estudiadas reportaron mejoras en la capacidad de anticipación de demanda, como lo señala uno de los participantes, “hoy no solo analizamos lo que pasó, sino lo que probablemente ocurrirá, y eso redefine toda la estrategia comercial” (Especialista en marketing digital, Empresa 1), así como reducción de costos asociados a campañas ineficientes y aumento en tasas de conversión mediante personalización algorítmica.

El análisis comparativo revela que los insights generados por inteligencia artificial se clasifican en tres niveles: descriptivo, predictivo y prescriptivo, como lo señala uno de los participantes, “el verdadero valor no está en los datos, sino en la capacidad de convertirlos en decisiones accionables” (Analista de datos, Empresa 3). Mientras el primero explica comportamientos pasados, el segundo anticipa escenarios futuros y el tercero sugiere acciones estratégicas automatizadas.

Para ilustrar esta diferenciación conceptual, se presenta la Figura 2.

Figura 2. Insights identificados en el análisis del comportamiento del consumidor

Fuente: Elaboración propia.

La Figura 2 permite visualizar la transición desde análisis descriptivo hacia sistemas prescriptivos capaces de recomendar acciones concretas. Este hallazgo confirma que el valor estratégico de la inteligencia artificial no se limita a la acumulación de datos, sino a su transformación en decisiones accionables.

3.3 Articulación entre programas académicos y necesidades del mercado

En el ámbito educativo, el contraste con el sector empresarial resulta significativo. Aunque algunos programas han incorporado contenidos relacionados con inteligencia artificial, la integración suele centrarse en fundamentos teóricos sin suficiente aplicación práctica, como lo señala uno de los participantes, “los programas incluyen inteligencia artificial, pero muchas veces desde una perspectiva conceptual, sin aplicación práctica suficiente” (Docente responsable de diseño curricular, Institución 2).

Los entrevistados del sector empresarial señalaron que los egresados presentan debilidades en el manejo de herramientas analíticas, interpretación de modelos predictivos y comprensión de arquitectura de datos, como lo señala uno de los participantes, “los egresados tienen bases teóricas, pero enfrentan dificultades cuando deben trabajar con datos reales o herramientas analíticas” (Director de marketing, Empresa 5). Esta brecha limita la capacidad de inserción profesional en entornos altamente digitalizados.

Con el objetivo de comparar visualmente la oferta formativa con las competencias demandadas, se presenta la Figura 3.

Figura 3. Comparación entre competencias demandadas y oferta formativa

.

Fuente: Elaboración propia.

Como se aprecia en la Figura 3, existe una distancia significativa entre habilidades técnicas avanzadas, como modelado predictivo o análisis de datos no estructurados y los contenidos curriculares efectivamente implementados. Esta brecha constituye uno de los hallazgos centrales del estudio.

3.4 Patrones emergentes y desafíos de implementación

Finalmente, el análisis permitió identificar obstáculos transversales que afectan tanto al sector empresarial como al educativo. Entre los principales desafíos se encuentran la resistencia organizacional al cambio, la limitada disponibilidad de talento especializado y las restricciones presupuestarias para inversión tecnológica, como lo señala uno de los participantes, “el principal obstáculo no es la tecnología, sino la resistencia al cambio dentro de las organizaciones” (Especialista en marketing digital, Empresa 3).

Sin embargo, también emergen patrones positivos, como el fortalecimiento de alianzas entre universidades y empresas, el desarrollo de proyectos aplicados y la incorporación progresiva de criterios éticos en el uso de datos, como lo señala uno de los participantes, “se empieza a hablar de ética en el uso de datos, pero aún no es un criterio central en la toma de decisiones” (Docente investigador, Institución 1). Para sintetizar estos hallazgos, se presenta la Figura 4.

Figura 4. Principales desafíos y patrones emergentes

Fuente: Elaboración propia.


La Figura 4 evidencia que los desafíos no son exclusivamente tecnológicos, sino culturales y organizacionales. La adopción efectiva de inteligencia artificial requiere transformación estructural, liderazgo estratégico y actualización continua de competencias.

3.5 Modelo educativo integrador para la formación de mercadólogos en entornos de inteligencia artificial

A partir de los hallazgos obtenidos, se propone un modelo educativo integrador orientado a la formación de mercadólogos en entornos impulsados por inteligencia artificial. Este modelo responde a las brechas identificadas entre la formación académica y las exigencias del entorno profesional, particularmente en el desarrollo de competencias técnicas, analíticas y éticas, así como en la limitada articulación entre academia e industria.

El modelo se concibe como una estructura formativa multidimensional que integra capacidades tecnológicas, analíticas y estratégicas, incorporando de manera transversal criterios éticos en el uso de datos. Su propósito es formar profesionales capaces de interpretar, aplicar y gestionar sistemas de inteligencia artificial en marketing desde una perspectiva crítica y orientada a la toma de decisiones.

Se estructura en cinco dimensiones interrelacionadas. La dimensión tecnológica se orienta al dominio de herramientas de inteligencia artificial, tales como aprendizaje automático, procesamiento de lenguaje natural y automatización. La dimensión analítica enfatiza la capacidad de transformar datos en conocimiento estratégico mediante modelado predictivo e interpretación de resultados. La dimensión estratégica articula estos insumos en procesos de toma de decisiones vinculados con segmentación, personalización y optimización de campañas. La dimensión ética incorpora principios de uso responsable de datos, transparencia algorítmica y mitigación de sesgos. Finalmente, la dimensión de vinculación academia-industria promueve la integración de experiencias aplicadas, fortaleciendo la pertinencia de la formación en contextos reales.

Con el fin de sintetizar su estructura y su relación con los hallazgos del estudio, se presenta la Tabla 3.

Tabla 3. Modelo educativo integrador para la formación de mercadólogos en entornos de inteligencia artificial

Fuente: Elaboración propia

El modelo propuesto sintetiza los elementos identificados en el análisis empírico y permite superar enfoques fragmentados de formación en marketing. Su implementación implica una reconfiguración curricular orientada a la interdisciplinariedad, la actualización permanente y la interacción con el entorno productivo, contribuyendo a la formación de profesionales capaces de enfrentar los desafíos tecnológicos y éticos asociados al uso de inteligencia artificial.

4. Discusión

Los hallazgos del presente estudio permiten profundizar en el debate contemporáneo sobre la incorporación de la inteligencia artificial en marketing, no solo como herramienta tecnológica, sino como infraestructura estratégica que reconfigura los procesos de toma de decisiones y la formación profesional.

En primer lugar, los resultados confirman que la inteligencia artificial ha superado su fase instrumental para consolidarse como núcleo articulador de estrategias basadas en datos. Este hallazgo coincide con estudios que sostienen que la IA redefine la lógica competitiva al permitir la transición desde modelos reactivos hacia enfoques predictivos y prescriptivos en marketing.^[22] Sin embargo, el análisis cualitativo realizado muestra que dicha transición no depende exclusivamente de la disponibilidad tecnológica, sino de la capacidad organizacional para integrar herramientas, talento humano e infraestructura de datos en una arquitectura coherente.

En segundo término, el estudio aporta evidencia empírica sobre la diferenciación entre niveles descriptivos, predictivos y prescriptivos de generación de insights. Mientras la literatura reciente ha destacado el potencial de la analítica predictiva para anticipar comportamientos de consumo,^[23] los casos analizados muestran que el verdadero diferencial competitivo surge cuando los sistemas algorítmicos se integran en procesos decisionales automatizados que reducen tiempos de reacción estratégica. Este matiz amplía la discusión académica al evidenciar que la sofisticación tecnológica debe acompañarse de rediseño organizacional.

En el plano formativo, los resultados revelan una brecha estructural entre la demanda del mercado y la oferta académica. Aunque diversos autores han señalado la necesidad de integrar inteligencia artificial y analítica de datos en la educación en marketing,^[24] el presente estudio evidencia que la implementación curricular aún es heterogénea y, en algunos casos, superficial. Esta discrepancia sugiere que la transformación educativa no puede limitarse a la incorporación de asignaturas aisladas, sino que requiere un rediseño transversal que articule fundamentos estratégicos, competencias técnicas y reflexión ética.

En contextos latinoamericanos, donde los procesos de digitalización y adopción tecnológica avanzan de manera heterogénea entre países, sectores e instituciones, la brecha identificada adquiere una dimensión estructural que trasciende el ámbito formativo. Esta heterogeneidad se expresa en desigualdades en infraestructura digital, acceso a datos, disponibilidad de talento especializado y capacidades institucionales para integrar tecnologías avanzadas tanto en entornos educativos como productivos.

A ello se suma la existencia de marcos regulatorios aún en consolidación, lo que limita la estandarización en el uso de inteligencia artificial y genera incertidumbre en torno a la gobernanza de datos y la protección del consumidor. En este escenario, la incorporación estratégica de estas tecnologías en la formación académica no solo responde a tendencias globales, sino que se orienta a fortalecer la competitividad regional, reducir brechas estructurales y promover una adopción tecnológica más equitativa.

Asimismo, la discusión permite problematizar con mayor profundidad el papel de la ética en la adopción de inteligencia artificial. Si bien la literatura enfatiza la relevancia de la transparencia algorítmica y la mitigación de sesgos,^[25] los casos analizados evidencian que dichos principios aún no se encuentran plenamente integrados en los procesos de toma de decisiones.

En particular, emergen dilemas asociados a la opacidad de los modelos, la posible reproducción de sesgos en la segmentación de consumidores y el uso intensivo de datos personales sin criterios claramente definidos de gobernanza, lo que refleja una tensión persistente entre eficiencia operativa y responsabilidad social. En este sentido, la dimensión ética no debe limitarse a lineamientos normativos, sino incorporarse de manera transversal en la formación de mercadólogos, promoviendo competencias críticas orientadas a una toma de decisiones informada y socialmente responsable.

Desde una perspectiva teórica, el estudio contribuye a la consolidación de un enfoque integrador que vincula inteligencia artificial, analítica predictiva y formación académica como dimensiones interdependientes. En lugar de analizar la IA exclusivamente desde la óptica tecnológica, se propone comprenderla como un fenómeno sociotécnico que transforma simultáneamente estructuras organizacionales y modelos educativos.

En términos prácticos, los resultados sugieren que las organizaciones que buscan maximizar el valor de la inteligencia artificial deben invertir no solo en infraestructura tecnológica, sino también en capacitación interdisciplinaria y cultura analítica. De manera paralela, las instituciones de educación superior deben fortalecer la colaboración con la industria para reducir la brecha formativa identificada.

Finalmente, esta investigación amplía la literatura existente al proporcionar evidencia cualitativa comparativa que integra perspectivas empresariales y académicas. Este enfoque dual permite comprender la inteligencia artificial no únicamente como herramienta de optimización comercial, sino como eje transformador de la formación profesional en marketing.

Conclusiones

El presente estudio tuvo como propósito analizar el papel estratégico de la inteligencia artificial en la predicción de tendencias de consumo y examinar su integración en la formación de mercadólogos. A partir de un enfoque cualitativo de estudios de casos múltiples, se evidenció que la inteligencia artificial se ha consolidado como un componente estructural de la gestión estratégica en marketing, trascendiendo su función operativa para convertirse en un eje articulador de procesos predictivos y prescriptivos.

Los resultados muestran que las organizaciones que logran integrar aprendizaje automático, procesamiento de lenguaje natural y automatización en una arquitectura coherente obtienen ventajas competitivas asociadas a mayor precisión en segmentación, anticipación de demanda y personalización estratégica. No obstante, esta capacidad no depende exclusivamente de la tecnología disponible, sino de la existencia de equipos interdisciplinarios, cultura organizacional orientada a datos e infraestructura adecuada.

En el ámbito académico, se identificó una brecha significativa entre las competencias tecnológicas demandadas por el mercado y la oferta formativa observada en los programas analizados. La incorporación parcial o fragmentada de contenidos relacionados con inteligencia artificial limita la preparación integral de los futuros mercadólogos para desempeñarse en entornos altamente digitalizados. Este hallazgo refuerza la necesidad de rediseños curriculares transversales que integren fundamentos estratégicos, competencias analíticas y criterios éticos en el uso de datos.

Desde una perspectiva teórica, la investigación aporta una visión integradora que vincula inteligencia artificial, analítica predictiva y formación académica como dimensiones interdependientes dentro de un sistema sociotécnico en transformación. Esta aproximación amplía la literatura existente al articular evidencia empírica empresarial y educativa en un mismo marco analítico.

En términos prácticos, los resultados sugieren que tanto organizaciones como instituciones educativas deben adoptar estrategias de colaboración que reduzcan la brecha identificada, promoviendo proyectos conjuntos, actualización permanente de contenidos y desarrollo de competencias interdisciplinarias.

El modelo educativo integrador propuesto constituye una aportación central del estudio, al articular dimensiones tecnológicas, analíticas, estratégicas, éticas y de vinculación con la industria. Su implementación ofrece un marco para reducir la brecha entre formación académica y demanda profesional, orientando el rediseño curricular en programas de marketing en entornos impulsados por inteligencia artificial.

Entre las limitaciones del estudio se reconoce el carácter cualitativo y el número acotado de casos analizados, lo que restringe la posibilidad de generalización estadística. No obstante, la riqueza contextual de los casos permite ofrecer interpretaciones analíticas relevantes para futuras investigaciones.

Se sugiere que estudios posteriores profundicen mediante enfoques mixtos o cuantitativos, amplíen el número de sectores analizados y examinen con mayor detalle la dimensión ética y regulatoria de la inteligencia artificial en marketing, especialmente en contextos latinoamericanos.

La inteligencia artificial no constituye únicamente una herramienta tecnológica, sino un factor transformador que redefine la lógica competitiva del marketing y exige una reconfiguración profunda de los modelos formativos orientados a los profesionales del futuro.

Bibliografía

Al Adwana, Ali, Hossam Kokash, Rami Al Adwan, and Aamir Khattak. “Data Analytics in Digital Marketing for Tracking the Effectiveness of Campaigns and Inform Strategy.” International Journal of Digital and Networked Systems 7 (2023): 37.

Annamalah, Sutharsan. “The Value of Case Study Research in Practice: A Methodological Review with Practical Insights from Organisational Studies.” Journal of Applied Economic Sciences 19, no. 4 (2024): 485–498. https://doi.org/10.57017/jaes.v19.4(86).11.

Bouncken, Ricarda B., Wojciech Czakon, and Frank Schmitt. “Purposeful Sampling and Saturation in Qualitative Research Methodologies: Recommendations and Review.” Review of Managerial Science (2025). https://doi.org/10.1007/s11846-025-00881-2.

Chang Bautista, Luis, and José A. Chinchay Tapia. “La inteligencia artificial en el marketing digital de Latinoamérica 2020–2023: Una revisión sistemática de literatura.” Revista de Ciencias y Artes 1, no. 4 (2024): 124–153. https://doi.org/10.37211/2789.1216.v1.n4.45.

De Mauro, Andrea, Alessandro Sestino, and Andrea Bacconi. “Machine Learning and Artificial Intelligence Use in Marketing: A General Taxonomy.” Italian Journal of Marketing (2022). https://doi.org/10.1007/s43039-022-00057-w.

El Euch, Haithem K., and Faten Ben Said. “Marketing Strategy and Artificial Intelligence: State of the Art and Research Agenda.” Journal of Telecommunications and the Digital Economy 12, no. 1 (2024): 538–574. https://doi.org/10.18080/jtde.v12n1.887.

Gómez-Diago, Gloria. “Tipologías de Paradigmas en la Investigación en Comunicación: Una Propuesta de Clasificación.” Revista de Comunicación 21, no. 1 (2022): 5–24. https://doi.org/10.26441/rc21.1-2022-a1.

Gupta, Yogesh, and F. M. Khan. “Role of Artificial Intelligence in Customer Engagement: A Systematic Review and Future Research Directions.” Journal of Modelling in Management 19, no. 5 (2024): 1535–1565. https://doi.org/10.1108/JM2-01-2023-0016.

Haleem, Abid. “Artificial Intelligence (AI) Applications for Marketing: A Literature-Based Study.” Materials Today: Proceedings 56 (2022): 3129–3135. https://doi.org/10.1016/j.matpr.2021.12.374.

Hernández Sampieri, Roberto, and Christian Mendoza Torres. Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. 2nd ed. Ciudad de México: McGraw-Hill Education, 2023.

Kietzmann, Jan, Jens Paschen, and Elizabeth R. Treen. “Artificial Intelligence in Advertising: How Marketers Can Leverage Artificial Intelligence along the Consumer Journey.” Journal of Advertising Research 58, no. 3 (2018): 263–267. https://doi.org/10.2501/JAR-2018-035.

Lim, Weng Marc. “What Is Qualitative Research? An Overview and Guidelines.” Qualitative Research (2025). https://doi.org/10.1177/14687941241264619.

Líberos Hoppe, Enrique, Sonia Ahumada Luyando, and Mario Sánchez Ahumada. Inteligencia artificial para el marketing: Cómo la tecnología revolucionará tu estrategia. Madrid: ESIC Editorial, 2024.

Macías Merizalde, Ana María, D. Brice, and R. Arteaga. Metodología de la investigación aplicada a las ciencias de la salud y la educación. Quito: Mawil Publicaciones, 2023.

Madanchian, Mohammad. “Generative AI for Consumer Behavior Prediction: Techniques and Applications.” Sustainability 16, no. 22 (2024): 9963. https://doi.org/10.3390/su16229963.

Mariani, Marcello, Nadia Di Paola, and Cathy Hsu. “AI in Marketing, Consumer Research and Psychology: A Systematic Literature Review and Research Agenda.” Psychology & Marketing 41, no. 4 (2024): 543–562. https://doi.org/10.1002/mar.21921.

Mtisi, Silindile. “The Qualitative Case Study Research Strategy as Applied in Business and Management Studies.” International Journal of Qualitative Methods 21 (2022): 1–12. https://doi.org/10.1177/16094069221145849.

Richter, Stefan. “A Constructivist Approach to Integrating AI in Marketing Education: Curriculum Innovations and Case Studies.” Journal of Marketing Education (2024). https://doi.org/10.1177/02734753241288876.

Roetzer, Paul, and Mike Kaput. Marketing Artificial Intelligence: AI, Marketing, and the Future of Business. Dallas: BenBella Books, 2022.

Romero Urréa, H., J. J. Real Cotto, J. L. Ordoñez Sánchez, G. E. Gavino Díaz, and G. Saldarriaga. Metodología de la investigación. Guayaquil: ACVENISPROH Académico, 2022.

Senyapar, Derya, and H. Nurgül. “Artificial Intelligence in Marketing Communication: A Comprehensive Exploration of the Integration and Impact of AI.” Technium Social Sciences Journal 39, no. 1 (2024): 112–130. https://doi.org/10.47577/tssj.v55i1.10690.

Shaikh, Saad, R. Bendre, and S. Mhaske. “The Rise of Creative Machines: Exploring the Impact of Generative AI.” arXiv (2023). https://arxiv.org/abs/2311.13262.

Tao, Shuang. “AI Empowers the Construction of Marketing Courses in Education.” In Proceedings of the 2024 International Conference on Computer Science, Information Engineering and Education Applications (CSIEEA 2024). New York: ACM, 2024. https://doi.org/10.1145/3722237.3722279.

Turner-Henderson, Tania. “Artificial Intelligence and the Future of Marketing Education.” Journal of Marketing Education (2025). https://doi.org/10.1080/10528008.2025.2551972.

Vázquez Peralta, Otniel, J. Moscoso Pacheco, and A. Martínez de Escobar Fernández. “Artificial Intelligence in Tourism Marketing: Predicting Trends and Personalizing Customer Experience.” Journal of Tourism and Heritage Research 8, no. 4 (2025): 1–15.

Wang, Shuyan, and Neil Heffernan. “Artificial Intelligence in Education: A Systematic Literature Review on Adoption, Barriers and Implications.” Expert Systems with Applications 227 (2024): 120159. https://doi.org/10.1016/j.eswa.2023.120159.

Wohlin, Claes, Marcos Kalinowski, Katia R. Felizardo, and Emilia Mendes. “Successful Combination of Database Search and Snowballing for Identification of Primary Studies in Systematic Literature Studies.” arXiv (2023). https://arxiv.org/abs/2307.02612.

Zúñiga Vásquez, F. G., D. A. Mora Poveda, and D. P. Molina Mora. “La importancia de la inteligencia artificial en las comunicaciones en los procesos de marketing.” Vivat Academia 156 (2023): 19–39. https://doi.org/10.15178/va.2023.156.e1474.