El customer journey clásico murió hace tiempo, solo que casi nadie firmó el certificado de defunción. Aquel esquema de embudo con sus fases ordenadas —notoriedad, consideración, decisión, fidelización— sigue apareciendo en presentaciones corporativas como si el consumidor todavía se comportara como en 2015. La realidad de cualquier equipo de datos que trabaje con paneles de comportamiento real es otra: rutas que se abren y se cierran en segundos, saltos entre canales sin lógica aparente, decisiones que se toman antes de que el usuario sepa que las está tomando. La inteligencia artificial no ha inventado ese caos. Lo ha hecho visible, medible y, en parte, gestionable.
El mapa dejó de ser un mapa
Durante años, los responsables de marketing dibujaron el journey como quien traza una carretera: un punto de partida, unos cuantos cruces señalizados y un destino final que solía llamarse conversión. Ese ejercicio tenía sentido cuando los datos disponibles eran escasos y agregados: clics, aperturas de email, visitas a landing pages. Con esa información, dibujar líneas rectas era lo único posible.
El problema apareció cuando las empresas empezaron a cruzar datos de CRM, comportamiento web, atención al cliente y redes sociales en tiempo real. Ahí el mapa se convirtió en una maraña. Un mismo cliente podía iniciar la relación con una marca a través de un anuncio en TikTok, abandonar el carrito tres veces, resolver una duda por chat, comparar precios en una app de terceros y acabar comprando offline, en tienda física, seis semanas después. Ningún embudo lineal explica ese recorrido. Ninguna hoja de cálculo lo captura con precisión suficiente para tomar decisiones útiles.
Aquí es donde entra la IA, no como discurso de innovación sino como herramienta de fuerza bruta estadística: modelos capaces de procesar millones de microinteracciones y encontrar patrones que ningún analista humano detectaría a simple vista, por muy buena que sea su intuición.
Datos que se mueven más rápido que las campañas
Un ejemplo ilustra bien el cambio de escala. Sephora lleva años combinando datos de su programa de fidelización, su app de pruebas con realidad aumentada y su historial de compra para anticipar qué producto va a interesar a cada clienta antes de que ella misma lo busque. Según cifras que la propia compañía ha compartido en distintos foros de retail, más de un tercio de sus ventas online proceden de recomendaciones generadas algorítmicamente, no de búsquedas activas del usuario. Ese dato, aunque proceda de comunicación corporativa y deba tomarse con la cautela habitual hacia las cifras que las marcas eligen publicar, apunta a algo real: el journey ya no empieza necesariamente con una necesidad consciente del cliente, sino con una predicción de la marca.
Esto cambia la naturaleza del trabajo de quien diseña experiencias. Ya no se trata solo de facilitar el camino hacia la conversión, sino de decidir en qué momento exacto se le presenta al usuario una opción que ni siquiera había formulado como pregunta. Es un salto conceptual incómodo para muchos profesionales del sector, acostumbrados a pensar en el marketing como respuesta a una demanda existente y no como generador silencioso de esa demanda.
El riesgo de confundir predicción con manipulación
Conviene decirlo sin rodeos: hay una línea fina, y no siempre respetada, entre anticipar una necesidad legítima y forzar un deseo artificial mediante fricción emocional calculada. Los modelos de IA que optimizan journeys no distinguen moralmente entre ambas cosas; optimizan la métrica que se les ha dado. Si el objetivo es maximizar el valor de vida del cliente sin ninguna restricción adicional, el sistema aprenderá rápidamente a explotar sesgos cognitivos —urgencia falsa, escasez artificial, comparaciones sociales manipuladas— porque funcionan. Los equipos de marketing que ignoran este matiz, y muchos lo hacen por pura presión de resultados trimestrales, están construyendo journeys eficaces a corto plazo y tóxicos a medio plazo, con el consiguiente coste reputacional cuando el usuario se da cuenta del patrón.
La atribución multicanal ya no es un problema técnico, es un problema filosófico
Durante mucho tiempo, la atribución de conversiones fue vista como un asunto de modelos matemáticos: last click, first click, atribución lineal, modelos basados en datos. La discusión era técnica: qué algoritmo repartía mejor el mérito entre los distintos puntos de contacto. La IA generativa y los modelos predictivos han cambiado la pregunta de fondo. Ya no se trata solo de repartir mérito entre canales, sino de reconocer que muchos de esos puntos de contacto ni siquiera fueron diseñados como tales por la marca.
Un cliente puede formarse una opinión decisiva sobre un producto leyendo un hilo de Reddit que la empresa jamás gestionó, o preguntando directamente a ChatGPT una comparativa entre dos marcas de electrodomésticos. Ese momento —invisible para cualquier píxel de seguimiento tradicional— puede ser el verdadero punto de inflexión del journey, y ninguna herramienta de atribución convencional lo va a registrar jamás como tal. Los modelos de IA aplicados a analítica empiezan a intentar reconstruir esas influencias mediante análisis de lenguaje natural sobre reseñas, foros y conversaciones públicas, pero el margen de error sigue siendo considerable, y cualquier proveedor que venda precisión absoluta en este punto está exagerando sus capacidades.
Esto obliga a un cambio de mentalidad más profundo que la simple adopción de nuevas herramientas. El journey deja de ser un objeto medible con precisión y pasa a ser, en el mejor de los casos, un objeto modelado con incertidumbre gestionada. Aceptar ese margen de error, en lugar de fingir que no existe, es probablemente el mayor salto de madurez que le queda por dar al sector.
Personalización en tiempo real: la promesa y su letra pequeña
La palabra «personalización» se ha vaciado de significado a fuerza de repetirla en cualquier propuesta comercial de software. Vale la pena distinguir entre dos niveles muy distintos de lo que hoy se vende bajo ese nombre.
El primero, y el más extendido, es la personalización basada en segmentos: el sistema detecta que un usuario pertenece a un clúster determinado (por edad, historial de compra, comportamiento de navegación) y le muestra contenido pensado para ese grupo. Esto no es nuevo; simplemente se ha vuelto más rápido y más granular gracias al procesamiento en tiempo real.
El segundo nivel, mucho menos común de lo que el marketing de las propias herramientas sugiere, es la personalización generativa real: contenido creado dinámicamente, palabra por palabra, para un usuario individual, en el momento exacto de la interacción. Aquí es donde entran los modelos de lenguaje aplicados a customer journeys: emails cuyo asunto y cuerpo se reescriben según el tono de las últimas interacciones del cliente con el servicio de atención, páginas de producto que reordenan sus argumentos de venta según lo que el sistema infiere sobre las prioridades de esa persona en concreto (precio, durabilidad, sostenibilidad, estatus).
La banca digital ofrece un caso interesante. Algunas entidades han empezado a usar modelos de IA para modificar en tiempo real el orden en que se presentan los productos financieros dentro de la app, según el momento vital detectado del usuario: una persona que acaba de recibir una nómina más alta que la habitual puede ver primero productos de inversión; alguien que ha tenido varios rechazos de pago puede ver primero opciones de refinanciación, con un tono comunicativo deliberadamente distinto, más cuidadoso. La eficacia de este tipo de journey adaptativo es notable en términos de conversión, pero también plantea una pregunta que el sector prefiere no responder en voz alta: ¿hasta qué punto el usuario es consciente de que está viendo una versión de la app distinta a la de cualquier otra persona en su misma situación económica?
Contraintuitivo pero cierto: la IA a veces empeora la experiencia
Aquí conviene romper una lanza contra el entusiasmo automático. No toda automatización del journey mejora la experiencia del cliente, y hay bastante evidencia empírica —y no solo anecdótica— que lo confirma. Los chatbots de atención al cliente basados en IA generativa, implementados sin criterio y como excusa para reducir plantilla, han generado un fenómeno bien documentado: usuarios que abandonan procesos de compra o reclamación por pura frustración ante respuestas genéricas que no resuelven el problema real.
Un estudio de Forrester de 2024 (cifra aproximada, referida de memoria pero coherente con varios informes similares del sector) situaba en torno al 60 % el porcentaje de consumidores que preferían hablar con un humano antes que con un asistente de IA cuando el problema tenía cierta complejidad emocional o económica. Esto no es un dato menor. Sugiere que el punto óptimo del journey asistido por IA no está en la automatización total, sino en saber exactamente en qué tramos del recorrido la máquina aporta velocidad sin coste emocional, y en cuáles el usuario necesita, de forma casi biológica, la certeza de estar hablando con otra persona.
Las marcas que están ganando terreno de verdad no son las que más automatizan, sino las que mejor segmentan qué automatizar. Un ejemplo aplicado: una aerolínea puede automatizar completamente el proceso de check-in y las notificaciones de retraso —terreno de baja carga emocional, alta necesidad de velocidad— y, al mismo tiempo, mantener intervención humana obligatoria en cualquier journey que implique cancelación de vuelo con conexión perdida, donde la ansiedad del cliente hace que cualquier respuesta automatizada, por bien redactada que esté, se perciba como un insulto.
El journey ya no tiene un solo dueño dentro de la empresa
Uno de los efectos menos comentados de la IA aplicada al customer journey es de naturaleza puramente organizativa. Cuando el mapa del cliente era relativamente lineal, tenía sentido que marketing lo gestionara casi en solitario, con apoyo puntual de ventas y de atención al cliente. Ese reparto ya no funciona.
Los modelos predictivos que anticipan comportamiento necesitan datos de producto, de logística, de soporte técnico y de finanzas para funcionar con precisión razonable. Esto ha obligado, en las organizaciones más avanzadas, a romper silos que llevaban décadas intactos. El resultado no siempre es armonioso: los equipos de datos y los equipos de marketing tienen, con frecuencia, prioridades enfrentadas —los primeros priorizan la exactitud del modelo, los segundos la velocidad de ejecución de campaña— y esa fricción, mal gestionada, puede paralizar proyectos enteros de rediseño del journey.
La consecuencia práctica es que el rol de quien diseña experiencias de cliente empieza a parecerse más al de un traductor entre disciplinas que al de un creativo puro. Entender de estadística básica, de limitaciones técnicas de los modelos y de las implicaciones legales del tratamiento de datos personales ha dejado de ser opcional para cualquier profesional que aspire a tener criterio real sobre estas decisiones.
Regulación: el freno que llega tarde pero llega
El Reglamento Europeo de Inteligencia Artificial, con su clasificación de sistemas por nivel de riesgo, empieza a tener efectos directos sobre cómo se pueden diseñar los journeys automatizados en sectores como banca, seguros o salud. Un sistema que decida en tiempo real qué producto financiero mostrar a un usuario según su perfil de riesgo puede caer, dependiendo de cómo se implemente, en categorías que exigen auditoría, explicabilidad y supervisión humana obligatoria.
Muchas empresas están descubriendo, casi con sorpresa, que journeys ya construidos y en producción necesitan rediseñarse no por criterios de eficacia comercial sino de cumplimiento normativo. Esto va a generar, previsiblemente, una desaceleración temporal en la velocidad de adopción de IA generativa aplicada al customer journey en Europa, en contraste con mercados como Estados Unidos, donde el marco regulatorio es todavía más laxo. No es necesariamente una mala noticia: la presión regulatoria suele obligar a documentar procesos que, de otro modo, se habrían construido de forma opaca incluso para quienes trabajan dentro de la propia empresa.
Qué medir cuando el journey ya no es un camino sino una nube de probabilidades
Si el journey ya no puede representarse como una secuencia de pasos, la métrica tradicional de «tasa de conversión por fase del embudo» pierde buena parte de su utilidad. Los equipos más sofisticados han empezado a sustituir ese enfoque por algo distinto: modelos de propensión continua, que no preguntan en qué fase está el cliente sino qué probabilidad tiene, en cada momento, de realizar distintas acciones futuras (comprar, abandonar, reclamar, recomendar).
Esto exige un cambio de vocabulario interno que no siempre resulta cómodo para equipos acostumbrados a informes trimestrales con embudos claros y bonitos para presentar al comité de dirección. Explicar a un consejo de administración que el cliente ya no tiene una «fase» sino una distribución de probabilidades cambiante en tiempo real es, sencillamente, más difícil de vender en una diapositiva. Pero es más honesto, y a largo plazo, más útil.
Algunos elementos que sí conviene monitorizar de forma explícita en este nuevo paradigma:
- La velocidad de cambio de intención del usuario entre sesiones, no solo su intención en un momento dado.
- El grado de coherencia entre lo que el modelo predice y lo que finalmente ocurre, revisado con frecuencia suficiente para detectar degradación del modelo antes de que afecte a resultados comerciales.
Más allá de estos dos puntos, cualquier intento de reducir el journey moderno a una lista cerrada de KPIs corre el riesgo de simplificar en exceso algo que, por naturaleza, se resiste a la simplificación.
El caso de la moda rápida y la paradoja de la hiperoptimización
Zara y otras marcas del sector textil llevan años usando IA para optimizar journeys de compra online basándose en patrones de devolución, no solo de compra. Es un enfoque poco comentado fuera del sector: el modelo no solo predice qué va a comprar el usuario, sino qué va a devolver, y ajusta las recomendaciones para minimizar esa segunda variable, que tiene un coste logístico enorme y silencioso.
El resultado, curiosamente, no siempre coincide con lo que el usuario percibiría como una mejor experiencia. Un sistema que prioriza minimizar devoluciones puede acabar mostrando menos variedad de tallas límite o de estilos con historial de alta tasa de devolución, aunque eso reduzca las opciones reales disponibles para ciertos perfiles de cliente. Es un ejemplo perfecto de cómo la optimización algorítmica del journey, cuando se centra exclusivamente en variables de eficiencia operativa, puede terminar reduciendo silenciosamente la satisfacción percibida de segmentos concretos de clientes, sin que nadie dentro de la empresa lo perciba como un problema porque las métricas agregadas de rentabilidad mejoran.
Este tipo de efecto colateral, difícil de detectar sin auditorías específicas, es probablemente uno de los puntos ciegos más peligrosos de la IA aplicada al diseño de journeys en los próximos años: optimizamos lo que medimos, y no siempre medimos lo que de verdad importa para el cliente.
La próxima frontera no es la personalización, es la negociación
Hay una hipótesis que empieza a circular entre quienes trabajan en la intersección de IA y experiencia de cliente, y que merece más atención de la que recibe: el siguiente salto no será hacer journeys más personalizados —eso ya está, en gran medida, resuelto técnicamente— sino hacer journeys negociables en tiempo real entre el agente de IA del cliente y el sistema de la marca.
Ya existen asistentes personales de IA capaces de comparar precios, negociar condiciones de devolución o incluso rellenar automáticamente formularios de reclamación en nombre del usuario. Cuando estos agentes se generalicen, el journey dejará de ser una interacción entre un humano y un sistema de marca, para convertirse en una negociación automatizada entre dos inteligencias artificiales: la que representa al cliente y la que representa a la empresa. Ese escenario, todavía incipiente pero con señales claras de estar acelerándose, obliga a repensar desde cero conceptos como la fidelización o el engagement emocional, que hasta ahora han dado por hecho que hay un humano prestando atención en algún punto del recorrido.
¿Qué sentido tendrá diseñar experiencias emocionalmente memorables cuando el interlocutor real, en buena parte del journey, ya no sea una persona sino su representante algorítmico?