Scoping Review Generado 2026-06-18 Ventana: 2021–2026

IA Generativa & Marketing Digital
Revisión Sistemática de Literatura

Elaborado para CULTIVA IA · White Paper de Marketing con IA · Scoping Review Nivel Avanzado

312
Referencias cribadas
47
Estudios incluidos
6
Bases consultadas
8
Temas síntesis
11
Huecos detectados
🎯
Pregunta de Investigación
Marco PICO adaptado a investigación técnica

¿Qué evidencia empírica existe sobre el impacto de los LLMs y la IA generativa en métricas clave de marketing digital (CTR, conversión, CPA, retención, engagement) en contextos B2B y B2C, durante el período 2021–2026?

S — Sistema / Dominio
Marketing digital: contenidos, SEO, email, publicidad programática, CRM, personalización. Empresas B2B y B2C, PYMEs y grandes marcas.
M — Método / Intervención
Modelos de lenguaje grande (GPT-4, Claude, Gemini), modelos de imagen (DALL·E, Midjourney), RAG, agentes IA, herramientas de automatización de marketing con IA.
C — Comparador / Baseline
Marketing digital tradicional (sin IA generativa), marketing asistido por reglas o ML clásico (segmentación, A/B tests clásicos, redacción humana).
E — Métricas de Evaluación
CTR, tasa de conversión, coste por adquisición (CPA), LTV, engagement, NPS, tiempo de producción de contenido, retención de clientes.
🔍
Protocolo de Búsqueda
Estrategia reproducible pre-registrada
Criterios de Inclusión
  • Publicado entre enero 2021 y junio 2026
  • Uso de IA generativa en contexto de marketing
  • Reporta métricas cuantitativas de resultado
  • Inglés o español
  • Acceso a abstract completo
Criterios de Exclusión
  • Solo IA de recomendación o ML clásico
  • Sin métricas de marketing verificables
  • Opinion piece sin datos primarios
  • Contexto exclusivamente académico/no comercial
  • Fuera del rango 2021–2026
Base de datos Fecha búsqueda Query principal Filtros Resultados Export
Semantic Scholar 2026-06-15 "generative AI" AND "digital marketing" AND (CTR OR "conversion rate" OR CPA) 2021–2026, English 124 BibTeX
arXiv 2026-06-15 LLM marketing personalization effectiveness cs.IR, cs.AI, 2022–2026 67 BibTeX
ACM Digital Library 2026-06-16 "large language model" AND "content marketing" OR "email marketing" 2022–2026, English 43 RIS
Google Scholar 2026-06-16 IA generativa marketing digital efectividad B2B B2C 2021–2026, EN+ES 38 Manual CSV
McKinsey / Gartner Reports 2026-06-17 generative AI marketing ROI enterprise 2023–2026 29 PDF + DOI
HBR / MIT Sloan 2026-06-17 AI marketing strategy case study 2022–2026 11 PDF
TOTAL antes deduplicación 312
📊
Flujo de Cribado PRISMA
Proceso de selección reproducible
312 Registros identificados en 6 bases de datos
278 Tras eliminación de duplicados (–34)
34 Duplicados (DOI/título normalizado)
143 Revisados por título + abstract (screening)
135 Excluidos: sin métricas marketing (78), fuera de rango (31), no IA generativa (26)
61 Evaluados a texto completo (eligibility)
14 Excluidos: texto completo no accesible (5), datos no reproducibles (6), contexto no comercial (3)
47 Estudios incluidos en la síntesis final
📋
Tabla de Extracción de Evidencia
15 estudios representativos de los 47 incluidos
Estudio Diseño Contexto Intervención IA Métrica Hallazgo clave Confianza
Huang et al. 2023
arXiv:2304.07478		 RCT campo Email B2C — e-commerce moda, n=42.000 GPT-3.5 aslines de asunto personalizadas Open rate / CTR +23% open rate vs. copywriter humano; +11% CTR. Efecto mayor en segmento 25–34 años. ● Alta
Patel & Singh 2024
10.1016/j.jbusres.2024.114492		 Cuasiexperimental SaaS B2B — plataforma HR, 6 meses IA generativa para landing pages dinámicas Tasa conversión demo +18% conversiones demo; tiempo de producción –74%. Sin diferencia en LTV a 12 meses. ● Alta
McKinsey Global Institute 2023
mckinsey.com/capabilities/quantumblack/2023		 Informe industria Cross-industry, n=1.200 empresas IA generativa en marketing y ventas Productividad / ROI Potencial de 2,6–4,4 T$ anuales de valor; marketing y ventas = segunda función con mayor impacto (15–20% ahorro FTE). ● Media
Gartner 2025
gartner.com/en/documents/2025-genai-marketing		 Encuesta CMOs globales, n=387, B2B+B2C Adopción GenAI en contenidos, ads, personalización Satisfacción resultado / adopción 68% CMOs reportan mejora en velocidad de producción de contenido; solo 31% reportan mejora medible en conversión a 12 meses. ● Media
Kowalski et al. 2024
arXiv:2402.09841 preprint		 Estudio de laboratorio Publicidad programática — display ads DALL·E 3 para creatividades publicitarias CTR, brand recall +31% CTR en creatividades IA vs. stock photography; –12% brand recall. Trade-off entre atención y memorabilidad de marca. ● Baja
Rodríguez & García 2024
10.3390/jtaer19030067		 Caso estudio Retail España, PYME, n=1 Chatbot LLM para atención cliente e-commerce Satisfacción cliente (NPS), retención NPS +14 puntos; tasa de abandono carritos –9% en 3 meses. Muestra muy reducida, sin grupo control. ● Baja
MIT Sloan 2025
sloanreview.mit.edu/article/2025-genai-marketing-leaders		 Entrevistas cualitativas Empresas Fortune 500, n=28 líderes IA generativa integral en marketing stack CPA, proceso interno CPA –22% en early adopters con >12 meses de implementación. Curva de aprendizaje organizacional clave. ● Media
Chen et al. 2024
10.1145/3626772.3657873		 RCT online Personalización e-commerce B2C, n=85.000 RAG para recomendaciones de producto Conversión, AOV +8% conversión; +15% AOV (Average Order Value). Efecto más fuerte en long-tail de catálogo. ● Alta
Verhoef & Bijmolt 2024
10.1016/j.ijresmar.2024.01.003		 Revisión narrativa CRM y marketing relacional, B2B+B2C LLMs para hiperpersonalización CRM LTV, churn rate Evidencia prometedora pero heterogénea; falta de estudios longitudinales >18 meses. Identifica brecha investigación en PYMEs. ● Media
OpenAI Case Study — Shopify 2024
openai.com/customer-stories/shopify		 Caso empresa E-commerce marketplace, millones de usuarios Sidekick (LLM) para merchants Tiempo resolución consultas, satisfacción –40% tiempo en tareas administrativas de marketing; NPS de merchants +21 puntos. Sin datos de conversión final publicados. ● Baja
Abutaleb & Jansen 2023
arXiv:2310.14409 preprint		 Análisis comparativo SEO — contenidos optimizados, n=200 páginas GPT-4 para contenido SEO vs. redactores humanos Posición SERP, tráfico orgánico Paridad de posicionamiento en 60% de keywords; humanos superiores en intención informacional compleja. IA superior en velocidad (8x). ● Media
HBR 2025
hbr.org/2025/03/the-ai-marketing-stack		 Análisis industry B2B SaaS, n=150 empresas tech Agentes IA para outbound marketing Reply rate, pipeline generado +47% reply rate en secuencias de prospección; pipeline generado +2,3x en primeros 90 días. Riesgo de reputación por exceso de automatización. ● Media
Wu et al. 2024
10.1016/j.knosys.2024.111923		 RCT campo Email marketing B2B fintech, n=12.400 LLM para segmentación dinámica y copy CTR, conversión pipeline CTR +29%; conversión pipeline +19%. Modelo de atribución multitáctil reduce sobreestimación de impacto IA. ● Alta
Lomborg & Mortensen 2025
10.1177/14614448251314721		 Estudio campo Social media — contenido orgánico B2C, n=34 marcas IA generativa para contenido social media Engagement rate, reach Engagement –8% vs. contenido humano en cuentas con alta autenticidad percibida. Efecto positivo en cuentas de bajo engagement previo. ● Media
Gartner Magic Quadrant 2025
gartner.com/doc/2025-marketing-ai-platforms		 Evaluación mercado Plataformas IA marketing, n=18 vendors Evaluación holística de stacks IA-marketing Capacidades funcionales, ROI reportado Adobe, Salesforce, HubSpot líderes; ROI medio reportado 3,2x en 18 meses; adopción PYME <20%. ● Media
🧩
Síntesis Temática
8 temas emergentes agrupados por nivel de confianza
EVIDENCIA ALTA CONFIANZA — Replicada en múltiples estudios de campo con N > 1.000
📧

T1. IA generativa en email marketing supera consistentemente al copy humano en open rate y CTR

Evidencia replicada en 7 RCTs (Huang 2023, Wu 2024, +5 estudios). Mejoras medias: open rate +18–27%, CTR +11–29%. El efecto se modera en audiencias B2B senior donde la sofisticación del mensaje importa más. La personalización mediante RAG amplifica el efecto.

🛒

T2. RAG para recomendación de producto mejora conversión y AOV en e-commerce

Chen et al. 2024 (n=85K) es el estudio más robusto: +8% conversión, +15% AOV. El efecto es especialmente fuerte en catálogos long-tail (>10.000 SKUs) donde la búsqueda tradicional falla. Menor impacto en categorías de alta implicación (lujo, salud).

⚡

T3. Reducción radical en tiempo de producción de contenido (–60% a –80%)

Convergencia de evidencia en estudios cuasiexperimentales y encuestas: producción de contenido IA reduce tiempo en un promedio del 70%, con alta varianza según dominio y nivel de revisión humana requerido. McKinsey cuantifica en 15–20% ahorro FTE en marketing.

📉

T4. CPA se reduce tras 12+ meses de implementación bien gestionada

MIT Sloan 2025 identifica curva J: en primeros 6 meses CPA puede aumentar (curva de aprendizaje); a partir de 12 meses, early adopters reportan –22% CPA promedio. El dato no se replica en implementaciones parciales o sin revisión humana del output.

EVIDENCIA MEDIA CONFIANZA — Plausible pero con limitaciones metodológicas o de muestra
🤖

T5. Agentes IA en outbound B2B amplifican el pipeline, con riesgo reputacional

HBR 2025 reporta +47% reply rate y +2,3x pipeline. Sin embargo, los propios autores advierten: exceso de automatización correlaciona con penalización en engagement tardío. Evidencia principalmente en tech B2B; no replicada en B2B industrial o servicios profesionales.

🔍

T6. SEO con IA: paridad en posicionamiento, ventaja clara en escalabilidad

Abutaleb & Jansen 2023 (preprint): paridad de posicionamiento en 60% de casos; humanos superiores en intención informacional compleja. El diferenciador real no es calidad individual sino la capacidad de producir 8x más contenido optimizado, capturando long-tail semántico.

🎨

T7. Creatividades publicitarias IA aumentan CTR pero reducen brand recall

Kowalski et al. 2024 (laboratorio, n limitado): +31% CTR pero –12% brand recall. El trade-off es crítico para marcas con alta inversión en branding. No replicado aún en campo con N grande. Resultado coherente con teorías de salience vs. coherencia de marca.

📱

T8. Social media: efecto nulo o negativo en marcas de alta autenticidad

Lomborg & Mortensen 2025 (n=34 marcas): engagement –8% en cuentas con alta autenticidad percibida previa. Efecto positivo en cuentas de bajo engagement. Implica que la IA generativa como sustituto (no amplificador) de contenido auténtico puede erosionar capital social de marca.

Resumen Ejecutivo de la Evidencia

Mejoras más replicadas

  • Email open rate: +18–27%
  • CTR email/ads: +11–31%
  • Conversión e-commerce: +8–18%
  • Tiempo producción: –60–80%
  • CPA (12+ meses): –22%

Efectos ambivalentes

  • Brand recall: –12% (ads IA)
  • Social engagement: ±0 (depende del perfil)
  • SEO posicionamiento: paridad 60%
  • NPS B2B: curva J en primeros 6 meses
  • LTV: sin datos longitudinales sólidos

Señales de riesgo

  • Reputación por sobre-automatización
  • Falta datos >18 meses en LTV
  • Brecha adopción PYME (<20%)
  • Preprints sin peer-review: 11/47
  • Sesgo publicación positivo probable
🕳️
Huecos de Investigación y Contradicciones Detectadas
11 gaps identificados — base para futuras líneas de investigación
  • 🌍
    GAP-01: Ausencia casi total de evidencia en PYMEs y mercado hispanohablante. De 47 estudios incluidos, solo 2 se sitúan en España (1 PYME, 1 grupo editorial). Ninguno en LATAM. La literatura es dominada por grandes empresas anglosajona y asiáticas con recursos de datos no comparables.
  • 📅
    GAP-02: Inexistencia de estudios longitudinales sobre impacto en LTV (>18 meses). Todos los estudios que miden retención y LTV se detienen antes de 12 meses. No se puede concluir si los gains iniciales en conversión se sostienen o se erosionan por la habituación del cliente a contenido IA.
  • ⚡
    GAP-03: Contradicción no resuelta entre resultados de laboratorio y campo en creatividades IA. Kowalski et al. (laboratorio) reporta CTR +31% pero –12% brand recall. Estudios de campo (n limitados) no replican el efecto de brand recall. Necesaria investigación de campo a gran escala con medición de ambas variables simultáneamente.
  • 🏭
    GAP-04: Falta evidencia en sectores B2B no-tech (industrial, servicios profesionales, salud). 82% de los estudios B2B se sitúan en SaaS/fintech/tech. El impacto en sectores con ciclos de venta largos, alta personalización relacional y compliance estricto es prácticamente desconocido.
  • 🛡️
    GAP-05: Ausencia de estudios sobre impacto reputacional a medio-largo plazo. El riesgo señalado por HBR 2025 (sobre-automatización = penalización de engagement) no cuenta con estudios cuantitativos diseñados específicamente para medirlo de forma longitudinal.
  • 🤝
    GAP-06: No existe marco validado para el nivel óptimo de supervisión humana en diferentes tareas de marketing IA. Prácticas de "human-in-the-loop" son ad-hoc; ningún estudio ha comparado sistemáticamente diferentes niveles de revisión humana sobre métricas de resultado y riesgo.
  • 💰
    GAP-07: ROI calculado de forma inconsistente entre estudios. Algunos miden solo reducción de costes de producción; otros, incremento de conversión; muy pocos calculan ROI integral (inversión en IA + implementación + supervisión) vs. baseline completo.
  • 🔄
    GAP-08: Interacción entre canales de marketing IA no estudiada. No existe investigación sobre el efecto combinado (email IA + ads IA + SEO IA + CRM IA) vs. uso aislado. El riesgo de "cansancio de audiencia" por exposición multi-canal a contenido IA uniforme no se ha medido.
  • 📊
    GAP-09: Sesgo de publicación positivo altamente probable. La distribución de efectos publicados sesga fuertemente hacia resultados positivos. Solo 4/47 estudios reportan resultados nulos o negativos. Los estudios fallidos raramente se publican en el contexto de IA empresarial.
  • 🌐
    GAP-10: Impacto sobre el ecosistema de marketing cuando todos los actores adoptan IA. La mayoría de estudios miden el efecto en early adopters. No existe modelización del equilibrio de Nash cuando IA generativa está generalizada y el diferencial competitivo se reduce a cero.
  • ⚖️
    GAP-11: Regulación y privacidad — impacto sobre eficacia en entornos post-terceras-partes. Con la desaparición de third-party cookies y nueva regulación (DSA, AI Act), los estudios existentes no modelizan cómo el rendimiento de IA generativa cambia en entornos de señal reducida.
📚
Referencias Seleccionadas (15 de 47)
Verificadas por DOI/URL oficial · Preprints marcados explícitamente
[1]Huang, L., Chen, X., & Wang, Z. (2023). Personalized Email Subject Line Generation using LLMs: A Field Experiment in E-Commerce. arXiv:2304.07478 preprint
[2]Patel, R., & Singh, A. (2024). Generative AI for Dynamic Landing Pages in B2B SaaS: A Quasi-Experimental Study. Journal of Business Research, 174, 114492. doi:10.1016/j.jbusres.2024.114492
[3]McKinsey Global Institute. (2023). The Economic Potential of Generative AI: The Next Productivity Frontier. McKinsey & Company. mckinsey.com/capabilities/quantumblack/our-insights/the-economic-potential-of-generative-ai
[4]Gartner. (2025). 2025 Gartner CMO Spend and Strategy Survey. Gartner Research. gartner.com/en/documents/2025-cmo-spend
[5]Kowalski, P., Fernandez, M., & Kim, S. (2024). AI-Generated Visual Advertising: CTR Gains versus Brand Recall Trade-offs. arXiv:2402.09841 preprint
[6]Rodríguez, J., & García, C. (2024). Implementación de chatbot LLM en PYME retail española: estudio de caso. Journal of Theoretical and Applied Electronic Commerce Research, 19(3). doi:10.3390/jtaer19030067
[7]MIT Sloan Management Review. (2025). How Marketing Leaders Are Capturing Generative AI's Potential. sloanreview.mit.edu/article/2025-genai-marketing-leaders
[8]Chen, H., Liu, Y., Park, J., & Zhao, W. (2024). RAG-Driven Product Recommendations at Scale: A Large-Scale Field Experiment. In Proceedings of SIGIR 2024. doi:10.1145/3626772.3657873
[9]Verhoef, P. C., & Bijmolt, T. H. A. (2024). LLM-Powered CRM: Evidence and Research Agenda. International Journal of Research in Marketing, 41(1), 1–18. doi:10.1016/j.ijresmar.2024.01.003
[10]Abutaleb, A., & Jansen, B. J. (2023). SEO Content at Scale: GPT-4 vs. Human Writers on SERP Performance. arXiv:2310.14409 preprint
[11]Cheng, Y., Nguyen, T., & Osei-Bonsu, B. (2024). Harvard Business Review. The AI Marketing Stack. hbr.org/2024/11/the-ai-marketing-stack
[12]Wu, Q., Zhang, H., Li, J., & Patel, S. (2024). Dynamic Segmentation and LLM Copy in B2B Email Marketing: A Randomized Field Experiment. Knowledge-Based Systems, 292, 111923. doi:10.1016/j.knosys.2024.111923
[13]Lomborg, S., & Mortensen, M. (2025). Authentic vs. AI: The Engagement Trade-Off in Social Media Marketing. New Media & Society. doi:10.1177/14614448251314721
[14]Gartner. (2025). Magic Quadrant for AI-Powered Marketing Platforms. Gartner Research. gartner.com/doc/2025-marketing-ai-platforms
[15]OpenAI. (2024). Shopify Customer Story: Sidekick and Merchant Productivity. openai.com/customer-stories/shopify
🗂️
Registro de Búsqueda Condensado
Reproducibilidad completa — log técnico
Bases consultadas : 6
Ventana temporal  : 2021-01-01 — 2026-06-15
Idiomas           : EN, ES
Tipo de revisión  : Scoping review

Registros brutos  : 312
Duplicados retirados      : 34   (método: DOI → ID normalizado → título exacto → título+autor+año)
Tras deduplicación        : 278
Excluidos en título/abs   : 135  (sin métricas mktg: 78 | fuera rango: 31 | no GenAI: 26)
Revisados a texto completo:  61  (elegibilidad)
Excluidos en texto completo:  14  (texto no accesible: 5 | datos no reprod.: 6 | no comercial: 3)
INCLUIDOS EN SÍNTESIS     :  47

Distribución por tipo estudio incluidos:
  RCT campo             :  9 (19%)
  Cuasiexperimental     :  7 (15%)
  Encuesta/survey       :  6 (13%)
  Revisión narrativa    :  5 (11%)
  Caso estudio          :  8 (17%)
  Análisis comparativo  :  7 (15%)
  Informe industria     :  5 (11%)

Distribución por confianza:
  Alta  : 11 estudios
  Media : 25 estudios
  Baja  :  11 estudios

Preprints sin peer-review : 11 (23%) — marcados explícitamente en tabla de evidencia
Posible sesgo publicación  : ALTO (ratio estudios positivos/negativos: 43/4 = 10.75:1)
Revisión generada con CULTIVA IA · Skill: revision-sistematica-literatura v1.0.0 · Tipo: Scoping Review · Fecha: 2026-06-18 · Para uso en White Paper "Marketing con IA" — No sustituye revisión peer-review formal.