Oscar Mexia: «Con la IA se aprueban inversiones por miedo. Eso es fe, no gestión»

Hay una frase que un director de marketing de gran consumo no suele decir en voz alta delante de un comité de dirección: que muchos de los proyectos de inteligencia artificial que se aprueban hoy no se aprueban porque alguien haya calculado lo que devuelven, sino porque nadie quiere ser el que se quedó atrás. Oscar Mexia lo dice, y lo dice con las palabras exactas de quien lleva casi veinte años defendiendo presupuestos: «Nadie aprueba una campaña de medios sin un retorno de la inversión con objetivos claros. Con la IA, todavía se aprueban proyectos e inversiones por convicción, por miedo a quedarse atrás, o porque suena bien. Eso es fe, no gestión».

Mexia es director de marketing en el grupo Lactalis, donde lleva nueve años, y llegó ahí después de empezar en Unilever, pasar seis años y medio en Grupo Bimbo —con destino en la central de México y el lanzamiento internacional de TAKIS— y devolver al crecimiento la categoría de Bifrutas en Calidad Pascual, un negocio que llevaba once años cayendo. Cuenta con un MBA de Esade y el programa PLD de Harvard Business School. Es, en resumen, el perfil que casi nunca aparece en las conversaciones sobre IA: ni un ingeniero, ni un académico, ni un consejero delegado del sector tecnológico explicando desde fuera qué le va a pasar al empleo, sino alguien con responsabilidad directa sobre marcas, márgenes y lineales, que tiene que decidir cada año dónde va el dinero.

Esa perspectiva cambia lo que se ve. Donde el debate público discute qué modelo es más potente, él discute qué preguntas nuevas se puede permitir hacer una compañía ahora que analizar salió barato. Donde se habla de la IA como una revolución con estatuto propio, él la trata como una línea más de la cuenta de resultados que compite por el mismo euro que la promoción, la innovación y las personas. Y donde otros ven una carrera por la herramienta, él sostiene que la herramienta va a acabar siendo la misma para todos —igual que hoy cualquiera puede comparar cuál de los grandes modelos rinde mejor y suscribirse al que prefiera— y que la ventaja se desplaza entonces a tres cosas que no se compran: los datos propios, la calidad de las preguntas y el valor de matar rápido lo que no funciona.

Hay además un aviso para cualquiera que venda algo. Mexia fue pionero del canal Amazon y los marketplaces en su compañía, y describe sin dramatismo lo que ocurre cuando quien decide qué ve el comprador ya no es un lineal sino un sistema: «El algoritmo es mi primer comprador». El capítulo siguiente, dice, es el que ya se está escribiendo con los asistentes que actúan por su cuenta en nombre del usuario: cuando la compra recurrente se delegue del todo, las marcas sin preferencia real en la cabeza del consumidor «serán sustituidas por el equivalente más barato sin que el consumidor siquiera se entere». Responde por escrito y a título personal en El Domingo de Iberia, la sección de entrevistas de LaPrensaIA.

La entrevista

Llevas más de 18 años en el marketing de gran consumo. De todo lo que promete la IA en este sector, ¿qué está cambiando las reglas de verdad y qué es humo?

Frente a todo lo que promete la IA, el ejercicio que tenemos que hacer no es entusiasmarse con lo llamativo: es construir un mapa frío de retorno de inversión, tiempo, esfuerzo y puntos de dolor reales, contrastado con la capacidad real de la herramienta —y desde ahí separar la señal del ruido.

Aplicado con ese rigor, hoy una de las cosas que considero que mueven la aguja de forma demostrable y está cambiando las reglas de verdad es la economía del análisis. Durante años, buena parte del conocimiento que generábamos como compañías —estudios de mercado, tracking de consumidor, históricos de categoría— se quedaba enterrado en carpetas que nadie volvía a abrir, porque cruzarlo a mano no compensaba el tiempo invertido. Hoy esa barrera ha desaparecido: se vuelve viable, rápido y barato un análisis que antes nadie se planteaba hacer porque el coste no lo justificaba. Eso desplaza qué preguntas nuevas nos podemos permitir hacer, y ahí está el retorno real, no en una promesa genérica.

Un ejemplo concreto: puedo preguntar cómo ha evolucionado la percepción de un atributo de producto en una categoría en los últimos diez años cruzando distintas bases de datos, y obtener en minutos un análisis que antes nadie hacía porque el coste no lo justificaba. No es que la IA nos dé información nueva de la nada: es que convierte en viable un cruce que antes era económicamente inviable. Eso sí es un cambio de reglas.

El humo tiene dos caras.

La primera es de secuencia: muchas organizaciones quieren resolver con IA problemas estratégicos complejos antes de haber ordenado lo operativo básico. Es querer subir al piso quince sin haber terminado los cimientos. Vamos a llegar a integrar la IA en decisiones de negocio de gran complejidad, pero no se llega saltándose pasos.

La segunda es más peligrosa, y tiene que ver con el riesgo de sustituir la validación real de mercado por una simulación. Hoy ya existen herramientas que generan «consumidores sintéticos» y predicen si un concepto va a funcionar antes de salir al mercado. El problema no es que la máquina no pueda simular una respuesta plausible —puede, y cada vez mejor—; el problema es la temeridad de tomar decisiones de mucha inversión apoyándote únicamente en esa simulación sin contrastarla con el mercado real. Eso no es innovación, es un posible atajo de gestión de riesgo que puede estar muy mal calculado.

Lo que sostiene todo esto es una sola idea: la IA analiza y correlaciona mejor y más rápido que cualquier equipo humano. El juicio sobre qué significa ese análisis y qué hacer con él sigue siendo, y creo que seguirá siendo, trabajo nuestro.

Hablando del sector en general, ¿dónde aporta más la IA ahora mismo: en los insights de consumidor, en el pricing, en la creatividad, en los medios? ¿Algún ejemplo que te haya sorprendido?

No todas las áreas de marketing tienen la misma madurez de datos ni el mismo coste si te equivocas, y esas dos variables —cuánto dato de calidad tienes ya disponible y cuánto te cuesta un error— son las que de verdad deberían decidir dónde pones a trabajar la IA hoy, no lo que promete el proveedor de turno.

Aplicando ese criterio, diría que pricing es donde veo el retorno más claro hoy, precisamente por lo que comentaba antes: es un problema de cruce de variables —costes, histórico de precios, movimientos de mercado, competencia, elasticidad, región, canal, tipo de cliente— que a mano es casi imposible mantener actualizado con rigor. Ahí la IA da una guía de altísimo valor. Ojo, que esto no significa que le ceda la decisión: es donde más aporta analíticamente y, al mismo tiempo, donde menos autonomía le doy, porque las implicaciones y el riesgo de una decisión de precio mal calibrada son demasiado serios como para no tener supervisión humana en la decisión final. Más valor analítico no es lo mismo que más autonomía de decisión.

En insights, la aportación es real pero de otra naturaleza —ya lo comentaba antes: análisis y patrones a una escala que a un equipo humano se le escapa, aunque el significado profundo de una motivación de compra siga siendo terreno de la observación directa, no del dato. En creatividad pasa algo parecido a lo que hablábamos de estrategia: la IA ejecuta y produce extraordinariamente bien, pero la idea madre sigue naciendo de una tensión humana. Y en medios, todavía estamos lejos de una estrategia completa y compleja orquestada de punta a punta: el ecosistema es demasiado fragmentado y cambiante, y aunque ayuda mucho en tramos concretos, no me fío de dejarla dirigir sola algo de esa complejidad. Llegará, pero no estamos ahí.

Lo que más me ha sorprendido es la capacidad de cruzar tantas variables a la vez que aparecen patrones que a un humano se le pierden en el ruido. Un ejemplo del tipo de cosas que emergen: detectar que un competidor ajusta su calendario promocional para anticiparse sistemáticamente al de otro, saturando de stock los hogares antes de que llegara la promoción rival, y así neutralizándola. Es un patrón de comportamiento estratégico de varios niveles que, cruzando manualmente los datos, muy probablemente habría pasado desapercibido.

Has construido modelos de crecimiento a partir de entender ocasiones de consumo y motivaciones de compra. ¿Puede una IA llegar a entender al consumidor mejor que un buen equipo de marketing, o hay algo que el dato no captura?

Si todos vamos a tener acceso a los mismos datos y a los mismos modelos, la pregunta que de verdad importa no es qué puede detectar la máquina, sino dónde sigue habiendo una fuente de ventaja que la máquina no puede replicar. Ahí está la respuesta a esta pregunta.

En detectar patrones de comportamiento —qué se compra, cuándo, con qué frecuencia— la IA ya iguala o supera a cualquier equipo humano, y esa distancia va a crecer. Pero los modelos de crecimiento que de verdad importan no nacen de un patrón, nacen de un porqué que casi nunca está en ningún dato porque el propio consumidor no lo tiene articulado.

Te pongo un ejemplo real de una investigación en categoría de alimentación infantil: una madre puede sentir que fracasa como madre cuando su hijo no se come el almuerzo que ella le preparó para el colegio, y esa sensación de culpa —el peso de no poder cuidarlo estando ausente— puede ser parte de por qué valora tanto que ese almuerzo esté hecho por ella. Ese insight no vive en ninguna base de datos. Nadie lo escribe en una reseña ni lo dice espontáneamente en una encuesta. Solo emerge de una pregunta cualitativa bien hecha, en el momento correcto, por alguien entrenado para reconocer la señal —muchas veces sin que la propia persona tuviera esa respuesta consciente antes de que se la preguntaran bien.

Y aquí quiero ser preciso, porque no es una limitación técnica eterna de la máquina: si ese insight ya existiera transcrito en cientos de entrevistas, una IA sí podría después ayudar a detectar el patrón y escalarlo. Lo que no hace es generar la pregunta original que hace aflorar una verdad que el consumidor no sabía que tenía dentro. Ese arte —saber qué preguntar, cuándo y cómo, a alguien que no sabe que tiene la respuesta— sigue siendo, y creo que seguirá siendo, trabajo profundamente humano.

Fuiste pionero del canal Amazon y los marketplaces. ¿Cómo cambia la IA la relación entre una marca de alimentación y su consumidor cuando quien recomienda ya no es el lineal sino un algoritmo?

La distribución cambió y sigue evolucionando. Durante décadas la batalla era el espacio físico: estar a la altura de los ojos, en la mejor punta del pasillo de tráfico. En el entorno digital, la batalla es la visibilidad algorítmica: aparecer cuando el sistema decide qué mostrar. Y eso cambia la naturaleza misma de qué significa negociar con quien te distribuye: con un comprador negocias; a un algoritmo lo alimentas con datos, contenido, disponibilidad y velocidad. No es una diferencia de matiz: es un cambio de a quién le rindes cuentas primero para llegar al consumidor.

Trabajando el canal online, entendí en la práctica que el algoritmo es mi primer comprador, mi primer filtro. Tienes que convencerlo a él primero. Y esa no es una batalla que se gana una vez y se olvida: exige vigilancia constante y velocidad de adaptación superior a la de tu competencia, porque el algoritmo cambia sus reglas y quien las detecta e implementa primero se queda con la ventaja, aunque sea temporal.

Ahí es donde creo que esto va a más. La compra online tiene una dinámica muy distinta a la tienda física: en el punto de venta físico, el consumidor ve opciones y novedades casi sin buscarlas; online, en cambio, tiende a buscar una vez, decidir, y repetir esa decisión de forma casi automática. Eso convierte la primera decisión en una batalla desproporcionadamente cara e importante, porque romper después una rutina de compra ya establecida exige mucho más esfuerzo e inversión que ganarla la primera vez. Son escenarios de ganador que se lo lleva todo.

Y esto es solo el primer capítulo. Cuando la compra recurrente se delegue todavía más —a un asistente que directamente decide y repite por el consumidor—, esa dinámica se va a acentuar. Las marcas sin una preferencia real construida en la mente del consumidor serán sustituidas por el equivalente más barato sin que el consumidor siquiera se entere. Las que sí la tengan sobrevivirán a la intermediación de cualquier máquina, porque lo que las sostiene no es la visibilidad en un punto de venta físico, sino que el consumidor las pida de memoria. Y eso, en el fondo, ha sido siempre el trabajo de un buen profesional de marketing.

La publicidad generada con IA ya está aquí. Para marcas de toda la vida, con décadas de confianza construida, ¿es una oportunidad o un riesgo reputacional?

Para mí es, sobre todo, una oportunidad. La producción de contenido se ha abaratado enormemente, y si una marca tiene claros sus valores y su territorio, hoy puede producir gran cantidad de piezas creativas y entretenidas que expresen la misma idea de fondo desde ángulos distintos, ganando terreno frente a marcas que no aprovechen esa capacidad de producción. Aunque el riesgo real no creo que esté en la herramienta: está en usarla sin tener resuelto antes un buen posicionamiento de fondo, porque entonces lo único que consigues es amplificar tu propia confusión a mayor velocidad y volumen.

Dicho esto, sí hay un riesgo reputacional real, y es muy concreto: aparece donde no somos claros, donde intentamos engañar, donde no somos honestos con lo que mostramos. Si usas la herramienta de forma ética y transparente, fiel a lo que tu marca es, no deberías tener problema. Y aquí hay un matiz que me parece importante: ese riesgo no es igual para todas las marcas. Una marca que ha construido su territorio sobre la cercanía y lo humano —que es, en gran medida, el terreno de la alimentación— tiene mucho más que perder si usa la IA de forma que traicione esa promesa, que una marca cuyo territorio ya es la eficiencia o la tecnología. Saber quién eres como marca es lo que te dice, en última instancia, cuánto te estás jugando.

A un profesional del marketing que hoy mire la IA con recelo, ¿qué le dirías? ¿Qué habilidades van a marcar la diferencia en los próximos cinco años?

El verdadero riesgo competitivo de los próximos cinco años no va a ser quién tiene acceso a mejor IA —el acceso se va a comoditizar, todos vamos a usar modelos parecidos—, sino qué organizaciones y qué profesionales sabrán redefinir bien los roles entre quién decide el qué y quién ejecuta el cómo. Ahí es donde se va a jugar la diferencia, no en la herramienta en sí.

Por eso, a quien mira la IA con recelo le diría que no usarla es el verdadero error, pero que el miedo a no ser «técnico» es un obstáculo falso. No hace falta programar para sacarle valor: hace falta pensar estratégicamente en para qué, dónde y por qué la aplicarías en tu negocio, y eso ya lo puede hacer cualquier profesional con criterio, hoy mismo, sin escribir una sola línea de código.

Creo que la relación correcta con esta herramienta se va a parecer a la que ya tenemos con IT: habrá, o ya hay, equipos especializados en implementación técnica de IA. El profesional del marketing no tiene que ser ese equipo. Tiene que ser quien define el objetivo, el contexto y el resultado que espera. Quien pretenda que la IA le dé las respuestas, la estrategia, y ponerla al timón esperando que le dirija el negocio usándola como herramienta para todo, no va a llegar lejos. Quien la use como se usa una caja de herramientas de cirujano —con precisión, sabiendo exactamente para qué sirve cada instrumento y cuándo no usarlo— va a ganar.

Y si tuviera que quedarme con una sola habilidad que lo sostiene todo, sería esta: saber preguntar bien. Formular un buen brief siempre fue de las capacidades más escasas del marketing, y ahora es la más valiosa, porque un modelo brillante con una mala pregunta solo produce mediocridad a gran velocidad.

Cierras con una idea que casi no aparece en esta conversación: que la IA es una línea más de la cuenta de resultados y hay que exigirle lo mismo que a las demás. ¿Por qué crees que a los comités de dirección les cuesta tratarla así?

Para mí la IA analiza, no decide; ejecuta, no crea; recupera y cruza datos a una velocidad imposible para cualquier profesional, pero el significado de ese cruce sigue siendo criterio humano. Si me dejas cerrar con una idea de fondo, es esta: esa tensión no es filosófica, es una decisión de asignación de capital, y la mayoría de comités de dirección todavía no la tratan como tal.

En una cuenta de resultados, todo compite por el mismo euro: promoción, innovación, medios, personas. La IA no es una excepción con su propio estatuto de fe: es una línea más que tiene que justificar su retorno frente a las demás, y hoy se le exime de esa disciplina con una facilidad que a ninguna otra partida se le concedería. Nadie aprueba una campaña de medios sin un retorno de la inversión con objetivos claros. Con la IA, todavía se aprueban proyectos e inversiones por convicción, por miedo a quedarse atrás, o porque suena bien. Eso es fe, no gestión.

Hay además una paradoja que ya asomaba al hablar de pricing y de marketplaces, y que aquí se vuelve el argumento central: en cuanto todos tengamos acceso a los mismos modelos —y lo tendremos, es cuestión de tiempo, no de si—, el modelo deja de ser la ventaja. Esta se desplaza a tres sitios que sí son propiedad de cada compañía y no se compran con una suscripción: la calidad de los datos propios, la calidad de las preguntas que sabe hacer tu gente, y la disciplina para probar, medir y —esto es lo que menos se practica— matar rápido lo que no funciona. Esa última es, con diferencia, la habilidad menos vistosa y más rentable de todas: reconocer un piloto fallido a tiempo cuesta una fracción de lo que cuesta escalar un error con más presupuesto.

Y hay un riesgo de secuencia que ya mencionaba al hablar de procesos: muchas organizaciones quieren resolver con IA problemas de arquitectura estratégica antes de haber ordenado lo operativo básico. En términos de capital, como dije antes, es como invertir en el piso quince antes de haber vertido los cimientos, y en cualquier comité de dirección eso debería levantar la misma alarma que cualquier mala secuenciación de inversión.

Mi recomendación es tan poco espectacular como rentable: casos de uso concretos, retorno medible, y la valentía de cortar rápido lo que no rinde. No es una receta nueva, es la misma disciplina de siempre aplicada a una herramienta nueva. La diferencia es que aquí todavía nos da miedo exigírnosla con el mismo rigor, como si la novedad nos eximiera del criterio de toda la vida. No nos exime de nada. Al final, de las marcas y de los negocios que las sostienen se espera siempre lo mismo: ser útiles, ser verdaderas y ser rentables, en ese orden. La IA no cambia el orden. Solo cambia lo rápido que se nota quién no lo respeta.

---

Oscar Mexia es director de marketing en Lactalis Group, donde entró en mayo de 2017 como responsable de marketing de grupo y del canal de marketplaces. Antes fue marketing manager en Calidad Pascual, donde dirigió el relanzamiento de la categoría de leche y zumos; pasó seis años y medio en Grupo Bimbo en distintos puestos de marketing y trade marketing, con una etapa como expatriado en la central de México y el lanzamiento internacional de TAKIS entre sus proyectos; y empezó su carrera en Unilever, en la división de consumo fuera del hogar. Es licenciado en Publicidad y Relaciones Públicas por la Universitat Pompeu Fabra, MBA por Esade (2013) y cursó el Program for Leadership Development de Harvard Business School (2022-2023). Vive en Madrid. Perfil: LinkedIn. Responde por escrito a LaPrensaIA a título estrictamente personal, desde su experiencia acumulada en el sector: sus opiniones no representan la posición de ninguna compañía ni de ninguno de sus empleadores, presentes o pasados. Sus respuestas se publican íntegras y en su orden original, con edición ortotipográfica mínima y revisadas por él antes de publicar. Foto cortesía del entrevistado.