LA INTELIGENCIA ARTIFICIAL EN LA PUBLICIDAD: UNA REVISIÓN SISTEMÁTICA DE LA
DÉCADA 2020-2024
ARTIFICIAL INTELLIGENCE IN ADVERTISING: A SYSTEMATIC REVIEW OF THE
2020-2024 DECADE
Reli Gabriel BLANCO SANGUINETI[1]
Carlos Daniel CARDENAS CORDOVA[2]
Ariana TORPOCO BALTAZAR[3]
|
Recibido
Aprobado |
: : |
16.04.2024 01.07.2024 |
|
Publicado |
: |
11.10.2024 |
RESUMEN: Este estudio tiene como objetivo explorar el impacto de la inteligencia
artificial en la publicidad aplicada en empresas durante el periodo 2020 -
2024. Se utilizó una metodología basada en la revisión de la literatura
científica publicada en Scopus y Web of Science en relación al tema, en donde
se buscó identificar tendencias, avances y cambios en el uso de la inteligencia
artificial para llevar a cabo estrategias de publicidad. Por medio de la
metodología PRISMA, se seleccionaron y analizaron 20 artículos de investigación
relevantes que abordan el papel de la inteligencia artificial en la publicidad.
Los resultados obtenidos indican que la inteligencia artificial tiene un
impacto significativo en la publicidad al permitir una comunicación más precisa
y personalizada con los consumidores. Los avances en aprendizaje automático y
redes neuronales han mejorado la efectividad de las campañas publicitarias. Sin
embargo, persisten desafíos relacionados con la percepción y aceptación de la
inteligencia artificial por parte de los consumidores, destacando la necesidad
de abordar cuestiones éticas y de privacidad. Los hallazgos subrayan la
importancia de adaptar las estrategias de inteligencia artificial a las
necesidades emocionales y niveles de conciencia de los consumidores para
maximizar su efectividad.
Palabras clave: Aprendizaje automático, Personalización
de anuncios, Comunicación, Ética algorítmica, Estrategias publicitarias.
ABSTRACT: This study aims to explore the impact of
artificial intelligence on advertising applied in companies during the period
2020 - 2024. A methodology based on the review of scientific literature
published in Scopus and Web of Science was used to identify trends,
advancements, and changes in the use of artificial intelligence for executing
advertising strategies. Using the PRISMA methodology, 20 relevant research
articles addressing the role of artificial intelligence in advertising were
selected and analyzed. The results indicate that artificial intelligence has a
significant impact on advertising by enabling more precise and personalized
communication with consumers. Advances in machine learning and neural networks
have improved the effectiveness of advertising campaigns. However, challenges
persist regarding consumers' perception and acceptance of artificial
intelligence, highlighting the need to address ethical and privacy issues. The
findings underscore the importance of adapting AI strategies to the emotional
needs and awareness levels of consumers to maximize their effectiveness.
Keywords: Machine Learning, Ad personalization,
Communication, Algorithmic ethics, Advertising strategies.
INTRODUCCIÓN
En
los últimos años, la transformación digital ha revolucionado el panorama del
marketing a nivel mundial, trayendo consigo desafíos y oportunidades para las
empresas (Nesterenko, V. et al, 2023). Una de estas herramientas es la
inteligencia artificial, también llamada IA, la cual ha tomado rol protagónico
en el comercio y la publicidad digital. Hoy en día, la tecnología IA, se aplica
en el marketing para poder brindar servicios precisos y personalizados a los
consumidores. Es así que, se halló que el conocimiento, la precisión y la
experiencia de interacción de la tecnología IA logran un impacto positivo de
gran relevancia en el valor de utilidad percibido por los clientes, logrando
promover la intención de compra de los consumidores (Yin y Qiu, 2021).
Asimismo, la utilización de la Inteligencia Artificial para el marketing está
presente mediante diversas herramientas y plataformas, siendo uno de ellos los
Chatbots, los cuales gracias a la implementación de la inteligencia artificial
pueden lograr una mayor personalización con el usuario y lograr generar una
mejor experiencia (Li et al., 2023).
En
el panorama empresarial actual, se plantea como una gran oportunidad de generar
campañas publicitarias con un mayor impacto en el público, haciendo correcto
uso de las herramientas y plataformas que actualmente cuentan con inteligencia
artificial integrada, como parte de la transformación digital, en la cual están
inmiscuidas todas las empresas. Por tal motivo, es preciso que tengan
conocimiento de las ventajas y desventajas del uso de la inteligencia
artificial en la publicidad. Es por ello que, el correcto uso de la tecnología
IA en la publicidad puede generar una ventaja para las empresas. Empresas como
Cruzcampo ha logrado mediante la publicidad con inteligencia artificial,
empleando herramientas de generación de voz e imagen, generar actitudes
positivas hacia la marca y potenciar la fuerza del mensaje transmitido (Ferruz-González
et al., 2023). De esta manera, el uso de
la inteligencia artificial se está expandiendo a través de diversas
herramientas, como la generación de contenido en segmentos de marketing,
especialmente en la industria de alimentos y bebidas. Mediante técnicas de IA
generativa, se busca evaluar hasta qué punto la inteligencia artificial puede
crear líneas de texto efectivas para fines publicitarios (Kuang et al., 2024).
La
inteligencia artificial ha ido creciendo exponencialmente a lo largo de los
años hasta alcanzar el auge que tiene actualmente. Como menciona Mani (2021),
algunos hitos importantes que se pudieron evidenciar fueron el robot que
competía contra ajedrecistas, aquellas máquinas que solucionaban problemas
matemáticos en segundos, o ya algo más moderno, como la traducción a tiempo
real en una conversación telefónica. Sin embargo, actualmente está abordando
problemáticas más desafiantes para la sociedad en diversos sectores como salud,
transporte, manufactura, entre otros. Además de ello, es importante indicar que
el desarrollo de la inteligencia artificial viene de la mano de la evolución
del aprendizaje automático. El aprendizaje automático, o machine learning, ha
evolucionado en paralelo al crecimiento de Internet, ya que los usuarios
generan una cantidad cada vez mayor de datos. Esta situación ha hecho necesario
el desarrollo de procesos de aprendizaje que permitan analizar esta información
de manera más eficiente. Así, surge la implementación de nuevos sistemas de
aprendizaje automático, los cuales enriquecen la inteligencia artificial.
La
publicidad ha existido durante muchos años, pero sus formas de implementación
han cambiado a lo largo del tiempo, al igual que las actitudes, comportamientos
y preferencias de los consumidores. En la actualidad, la publicidad en línea se
ha convertido en un componente fundamental, impulsada por los nuevos modelos de
comercio electrónico, la proliferación de aplicaciones y sitios web, así como
el aumento en el uso de dispositivos móviles. Por lo tanto, tanto la publicidad
en línea como el marketing digital se han convertido en los principales
enfoques de las grandes empresas para conectar con su público (Miralles-Pechuán
et al., 2020).
En
este contexto, el rastro de datos que los usuarios dejan al utilizar diversos
sitios web y aplicaciones ha sido aprovechado a lo largo del tiempo para
perfeccionar las estrategias de marketing. Inicialmente, el análisis de datos
se realizaba mediante aprendizaje automático, lo que facilitaba la toma de
decisiones. Con el tiempo, este enfoque ha evolucionado hacia la toma de
decisiones automatizada a través de algoritmos. Asimismo, cabe indicar que gran
parte del impulso de esta nueva publicidad en la era digital fue la
personalización y selección de segmentos que puede aplicarse en comparación a
la publicidad tradicional, además que el impulso de la inteligencia artificial
ahora ha tomado pasos en lo que es la creación de contenido y estrategias,
agilizando más el trabajo para las empresas (Sabharwal et al., 2022).
Según
Janiesch et al. (2021), la inteligencia artificial “es la capacidad cognitiva
de un sistema para la resolución avanzada de problemas, ya que se basa en
modelos analíticos que generan predicciones, reglas, propuestas,
recomendaciones o resultados similares” (p. 1). De esta forma, según Suraña‐Sánchez y
Aramendia-Muneta (2024), la inteligencia
artificial en el campo del marketing “se considera una tecnología emergente
capaz de recopilar datos en tiempo real, que pueden transformarse después del
análisis para satisfacer las necesidades y demandas de los clientes” (p. 2). De
forma similar, el machine learning es una subdisciplina de la inteligencia
artificial que “busca aprender automáticamente relaciones y patrones
significativos a partir de ejemplos y observaciones” (Janiesch et al., 2021).
Ambas son herramientas que ayudan a las empresas cuando el cliente requiere un
producto más personalizado, impulsándolo sutilmente a tomar decisiones de
compra (Suraña‐Sánchez y
Aramendia-Muneta, 2024).
Por
otro lado, según Kerr y Richards (2020) la publicidad es "Una forma de
comunicación mediada y pagada de una fuente identificable, diseñada para
persuadir al receptor a realizar alguna acción, ahora o en el futuro" (p.
4). Su objetivo, según West et al. (2019), es atraer clientes a una marca con
base en datos de sus necesidades y preferencias. En este sentido, el concepto
de publicidad está estrictamente relacionado con el marketing, pero no son lo
mismo. Según Kerr y Richards (2020), el marketing es una ciencia que considera
diversos criterios básicos para visualizar y definir una propuesta
publicitaria, estos son: “cambios en el empoderamiento y la conectividad del
consumidor, el consumo de medios multiplataforma y la inclusión de medios
pagados, propios y ganados en las decisiones publicitarias, cambios en las
prácticas publicitarias, estructura, gestión y remuneración, los imperativos
regulatorios de un mercado global, y el significado y alcance de la
investigación publicitaria” (p. 3). Por otro lado, “el campo de la publicidad
tiene que ver con el cambio, y ha estado navegando por olas de cambio
tecnológico durante el último cuarto de siglo y más allá. En este sentido,
Richards y Curran (2002) definen a la publicidad con cinco descriptores:
pagada, mediada, fuente identificable, persuasión y acción” (p. 10).
La
presente investigación tiene como objetivo principal analizar las evidencias
desarrolladas sobre el impacto de la inteligencia artificial en la publicidad.
Según Sands et al. (2024), desde la década de 1990, “los especialistas en
marketing han experimentado una avalancha de canales digitales, iniciada por
Internet y luego por las redes sociales, que cambiaron dramáticamente las
comunicaciones y las interacciones entre la marca y el consumidor” (p. 1). En
este sentido, “la digitalización de la publicidad también ha llevado a que la
práctica se base cada vez más en datos. Más recientemente, esto ha contribuido
a un cambio significativo en la industria publicitaria impulsado por las
capacidades de la inteligencia artificial” (Sands et al., 2024). Por tanto, los
especialistas de hoy “pueden emplear métodos sofisticados que implementan IA
para automatizar la compra de medios, dirigiéndose a audiencias específicas en
función de comportamientos y datos demográficos complejos” (Sands et al., 2024).
Como resultado, se puede observar que las herramientas de inteligencia
artificial de la actualidad “están ganando terreno y ofrecen importantes
oportunidades para los especialistas en marketing” (Sands et al., 2024). Por
tal razón, el presente artículo pretende realizar un estudio sobre el impacto
que dichas herramientas pueden tener en las distintas formas de hacer
publicidad en la última década (2020 - 2024), para aportar una descripción
general de cómo es probable que los anunciantes aprovechen la inteligencia
artificial.
METODOLOGÍA
Diseño
La
presente investigación siguió el lineamiento propuesto por la metodología
PRISMA -Preferred Reporting Items for Systematic reviews and Meta Analysis
(Moher et al., 2016). Este método “se ha concebido como una herramienta para
contribuir a mejorar la claridad y la transparencia en la publicación de
revisiones sistemáticas” (Urrútia y Bonfill, 2010). Según Moher et al. (2016),
tiene como objetivo “la preparación de protocolos de revisiones sistemáticas y
de metaanálisis que resuman el conjunto de datos de estudios, particularmente
sobre los efectos de las intervenciones”.
Estrategia
de búsqueda bibliográfica
Para
la estrategia de búsqueda se utilizaron las bases de datos Scopus y Web of
Science durante los meses de marzo y julio del año 2024, se emplearon las
siguientes combinaciones de búsqueda en los campos “Palabras Clave”, “Resumen”
o “Nombre de Artículo” Esta búsqueda fue realizada por tres investigadores
aplicando filtros y términos booleanos: [(“Publicidad” OR “Advertising” OR
“Publicidade”) AND (“Computación Cognitiva” OR “Aprendizaje Automático”) AND
(“Comunicación” OR “Comunicación de Marketing” OR “Marketing Communication” OR
“Marketing Promotion”) AND (“Inteligencia Artificial” OR “Artificial
Intelligence” OR “Inteligência Artificial”)]
Criterios
de inclusión y exclusión de los estudios
Las
bases de datos utilizadas fueron Elsevier Scopus y Thomson Reuters Web of
Science. En la búsqueda documental se consideraron artículos de todas las
regiones del mundo y se fijó 2020 como límite inferior para el análisis. En
adición, se abarcaron tres idiomas para la búsqueda: español, inglés y
portugués. Además, se consideraron elementos de acceso libre de las áreas
Business, Telecomunicaciones y Comunicaciones debido a que se busca analizar el
impacto de la inteligencia artificial en la publicidad. Como resultado, se
generó una base de datos de veintidós artículos luego del filtrado.
Sistematización de búsqueda
Figura 1
Ecuación
de búsqueda
Fuente: elaboración propia.
Tabla 1
Terminología y sinónimos utilizados en la literatura
|
Terminología |
Sinónimos |
|
Artificial Intelligence |
Machine Intelligence, Cognitive
Computing, ML, Predictive Analytics, Automated Learning, Neural Networks,
Hierarchical Learning, Artificial Neural Networks (ANN), Deep Neural Networks
(DNN), NLP, Language AI, Text Analysis |
|
Advertising |
Marketing Communications,
Promotion, AI-Enabled Advertising, Smart Advertising, Automated Advertising,
Real-Time Bidding (RTB), Personalized Advertising, Precision Marketing,
Online Advertising, Internet Advertising |
Fuente: elaboración propia.
La lista de términos y sinónimos
revela la diversidad de lenguaje utilizada en la literatura relacionada con la
inteligencia artificial y la publicidad. La presencia de variaciones como
"Artificial Intelligence" y "Promotion" sugiere que los autores pueden utilizar términos
específicos para destacar diferentes aspectos o enfoques dentro del campo de la
inteligencia artificial.
RESULTADOS
Características de los
artículos (base de datos, país, año)
Como resultado del proceso
de revisión Prisma, tras procesar toda la información recolectada, se ha
seleccionado un total de veinte (20) artículos publicados en la base de datos
(Tabla 2). De estos artículos, se puede observar que la
mayoría son de procedencia estadounidense y británica. En el análisis actual,
Estados Unidos representa el 30% de las publicaciones, mientras que Reino Unido
aporta el 20%, sumando un total de once (11) artículos entre ambos países. A
continuación, Países Bajos se sitúa con dos (2) artículos, y hay un (1)
artículo de Corea, Portugal, Australia, Ucrania, China, Francia y Líbano.
Tabla
2
Artículos incluidos en la
revisión
|
Repositorio |
Autor(es),
año |
País |
|
Web of Science |
(Rodgers y Nguyen, 2022) |
Reino Unido |
|
Web of Science |
(Lee et al., 2021) |
Corea |
|
Web of Science |
(Wen et al.,
2022) |
China |
|
Web of Science |
(Liu-Thompkins
et al., 2022) |
Reino Unido |
|
Web of Science |
(Voorveld et
al., 2023) |
Países Bajos |
|
Scopus |
(Ciuchita et
al., 2023) |
Estados Unidos |
|
Scopus |
(Guerreiro, et al., 2022) |
Portugal |
|
Scopus |
(Arango et al., 2023) |
Australia |
|
Scopus |
(Choi y Lim, 2020) |
Estados Unidos |
|
Web of Science |
Campbell et al., 2022) |
Estados Unidos |
|
Web of Science |
(Sands et
al., 2022) |
Reino Unido |
|
Web of Science |
(Efthymiou et
al., 2024) |
Estados Unidos |
|
Scopus |
(Ho y Chow,
2024) |
Estados Unidos |
|
Web of Science |
(Tapu et al., 2020) |
Francia |
|
Scopus |
(Zatonatska
et al., 2022) |
Ucrania |
|
Web of Science |
(Wang et al., 2023) |
Estados Unidos |
|
Web of Science |
(Méndez-Suárez et al., 2023) |
Países Bajos |
|
Scopus |
(Sands et
al., 2024) |
Reino Unido |
|
Web of Science |
(Halpin,
2023) |
Líbano |
|
Scopus |
(Matz et al.,
2024) |
Estados Unidos |
Fuente: elaboración propia.
La figura 2 representa el país de
origen de los artículos estudiados. En ella, se observa que Estados Unidos y
Reino Unido son los países de donde proviene la mayoría de los artículos, con
un 35% y un 20%, respectivamente. Además, Países Bajos aporta un 10% de los
artículos. Por otro lado, Ucrania, Portugal, Líbano, Francia, Corea, China y
Australia contribuyen en menor medida, con un 5% cada uno.
Figura 2
Investigaciones seleccionadas por país
Fuente: elaboración propia.
DISCUSIÓN
DE RESULTADOS
Resultado específico 1: Definición de
autores sobre la Inteligencia Artificial y la publicidad
En
la tabla 3, se observa una relación directa de las definiciones conceptuales en
las investigaciones revisadas sistemáticamente, donde se destacan premisas
potenciales claves sobre la inteligencia artificial y su impacto en la
publicidad. La inteligencia artificial tiene el potencial de mejorar
drásticamente la eficiencia de las personas y las organizaciones en diversas
actividades del Marketing (Frankish y Ramsey, 2014). Asimismo, profundizando en
las IAs, existen variaciones basadas en el aprendizaje automático o Machine
Learning (ML) que ofrecen una ventaja competitiva en la publicidad digital, ya
que son capaces de mejorar la segmentación y predicción de anuncios relevantes
para los usuarios, empleando recursos propios (Chen et al., 2009). En la misma
línea, los medios gráficos o digitales generados por inteligencia artificial se
denominan medios sintéticos o generativos, los cuales están preparados para
revolucionar la publicidad y el marketing, brindando nuevas oportunidades de
personalización y optimización de estrategias de Marketing (Campbell et al.,
2022). Por último, la integración de la inteligencia artificial en los anuncios
digitales ha permitido crear nuevas formas emocionantes de comunicación entre
empresas y clientes (Taylor y Carlson,
2021).
Tabla
3
Premisas
conceptuales de cada autor, referente teórico y su definición
|
Autor (es), Año |
Referentes teóricos |
Definición |
|
Rodgers
y Nguyen (2022) |
Frankish y Ramsey (2014) |
La inteligencia artificial, podría generar una mejora
drástica en la eficiencia, tanto de las personas, como de las organizaciones
en casi todos los esfuerzos que se ven involucrados, incluyendo actividades
referentes al Marketing. |
|
Lee
et al. (2021) |
Cui
y Curry (2005) |
Dentro de la inteligencia artificial, se encuentra la
inteligencia artificial explicativa (IAE). En trabajos anteriores, se halló
información que sugiere que la IAE tiene problemas para explicar las
relaciones entre las variables explicativas y los resultados de las
predicciones que genera. Por lo que, se resalta la importancia de investigar
la IAE en los anuncios publicitarios de retargeting
que emplean un alto grado de aprendizaje automático. |
|
Wen et al. (2022) |
Wu
y Hu (2008) |
En la publicidad digital se puede emplear la lógica
computacional mediante modelos para optimizar la selección de individuos que
maximicen el impacto publicitario deseado. Actualmente la lógica
computacional integra tecnología como la inteligencia artificial para su
desarrollo. |
|
Liu-Thompkins et al. (2022) |
Grewal et al. (2016) |
En los últimos años, han surgido nuevas interacciones
entre empresas y clientes, destacando el marketing móvil. Esta estrategia ha
cobrado relevancia debido a la popularidad y las nuevas funcionalidad |
|
Voorveld et al. (2023) |
Zarouali et al. (2021) |
La persuasión algorítmica se puede definir como
"cualquier intento deliberado de un persuasor para influir en las
creencias, actitudes y comportamientos de las personas como resultado de la
comunicación en línea mediada por algoritmos". |
|
Ciuchita et al. (2023) |
Malthouse et al. (2018) |
En lo que corresponde a la publicidad dirigida, los
anuncios mejor segmentados y más atractivos permiten a los minoristas en
línea alcanzar a los consumidores de manera óptima y aumentar sus ingresos.
Además, la mayor relevancia y las experiencias de compra sin fricciones
benefician a los clientes. |
|
Guerreiro,
et al. (2022) |
Taylor
y Carlson (2021) |
El énfasis no solo ha estado en los anuncios digitales
como el principal medio publicitario, sino también en nuevas y emocionantes
formas de comunicación mediante inteligencia artificial, lo que ha permitido
a las empresas ver la IA como una forma prometedora de llegar a sus clientes. |
|
Arango
et al. (2023) |
Campbell
et al. (2021) |
Los medios generados por inteligencia artificial, también
conocidos como medios sintéticos o generativos, representan un tipo de
contenido creado por inteligencia artificial que está preparado para
revolucionar la publicidad y el marketing en los próximos años. Estos avances
prometen transformar la manera en que las marcas crean y distribuyen sus
mensajes, ofreciendo nuevas oportunidades para personalizar y optimizar las
estrategias de marketing. |
|
Choi
y Lim (2020) |
Chen
et al. (2009) |
Las tecnologías de inteligencia artificial crean una ventaja
competitiva para la publicidad en línea sobre las prácticas tradicionales, al
proporcionar una mayor potencia computacional para optimizar los anuncios
digitales. Las técnicas basadas en aprendizaje automático (ML) mejoran la
precisión del direccionamiento al predecir los anuncios más relevantes para
los usuarios, basándose en datos contextuales o preexistentes del usuario. |
|
Campbell
et al. (2022) |
Deng
et al. (2019) |
La IA interpretativa puede usarse para generar copias
publicitarias personalizadas al procesar datos de comportamiento del
consumidor y otros datos relevantes. Esta tecnología permite a los
anunciantes crear mensajes más específicos y atractivos, adaptados a las
necesidades y preferencias individuales de cada consumidor, mejorando así la
efectividad de las campañas publicitarias. |
|
(Sands et al., 2022) |
Ferrara
et al. (2016) |
La investigación en inteligencia artificial y aprendizaje
automático también señala los posibles efectos positivos que pueden derivarse
de los influencers de IA. Específicamente, la
distinción entre el comportamiento humano y el comportamiento similar al de
un bot se está volviendo menos clara, lo que
facilita que un bot adquiera una influencia
significativa. |
|
Efthymiou et al. (2024) |
Hartmann
et al. (2023) |
Con la adopción cada vez mayor de agentes conversacionales
por parte de las empresas en sus estrategias de marketing digital, han
aparecido nuevas oportunidades de interacción vocal para los consumidores. |
|
Ho
y Chow (2024) |
Fatima et al. (2022) |
Los investigadores identifican dos enfoques principales
para los modelos de aprendizaje profundo en la generación de texto:
tradicionales y avanzados. Los primeros incluyen RNN, LSTM, GRU y CNN,
mientras que los avanzados abarcan LLM, modelos pre-entrenados como atención,
Transformadores y BERT |
|
Tapu et al. (2020) |
Liao et al. (2008) |
Los radiodifusores de televisión abordan el problema de
manera diferente, colocando los anuncios en momentos fijos. Esta estrategia,
ampliamente utilizada en todo el mundo, tiene como principal desventaja su
carácter altamente invasivo. Las interrupciones en momentos inapropiados
pueden perturbar al usuario, haciéndolo menos receptivo al mensaje comercial. |
|
Zatonatska et al. (2022) |
Sekli y Vega (2021) |
Por ejemplo, G. Sekli y Vega,
basándose en la evaluación de 256 encuestados, investigan los factores que
influyen en la adopción del análisis de big data y
evalúan la relación que tiene con el rendimiento y la gestión del
conocimiento. Este estudio ofrece orientación práctica para los tomadores de
decisiones involucrados o a cargo de definir la estrategia de implementación
del análisis de big data en instituciones de
educación superior. |
|
Wang
et al. (2023) |
Marikyan et al. (2020) |
Las preocupaciones de conveniencia y privacidad desempeñan
roles opuestos para la Generación Z en la formación de la disonancia
tecnológica, un hallazgo que contribuye tanto a la comprensión de los
antecedentes de la disonancia como a la literatura sobre afrontamiento |
|
Méndez-Suárez et al. (2023) |
Duan et al. (2019) |
El gobierno juega un papel crítico en la protección del
impacto de la inteligencia artificial en la sociedad, a través del desarrollo
de políticas adecuadas, regulaciones, orientación ética y marcos legales,
para prevenir los malos usos de la inteligencia artificial y sus posibles
consecuencias desastrosas tanto a nivel individual como societal. |
|
Sands et al. (2024) |
Campbell
et al. (2022) |
Históricamente, la creación de contenido publicitario, ya
sean diseños visuales, eslóganes o narrativas extensas, ha sido dominio
exclusivo de la creatividad humana. No obstante, con la IA generativa, se
presenta una oportunidad para potenciar y acelerar significativamente este
proceso. |
|
Matz et al. (2024) |
Zhang
et al. (2022) |
Investigaciones recientes indican que las descripciones de
productos generadas automáticamente por inteligencia artificial, junto con la
revisión humana, pueden incrementar las tasas de clics y conversiones en los
sitios de comercio electrónico. |
|
Halpin (2023) |
Liu-Thompkins (2019) |
La publicidad busca generar intención de compra, y las
técnicas de inteligencia artificial basadas en marcado semántico pueden crear
distintas intenciones, como la intención de voto. La capacidad de predecir
intenciones reales sigue siendo objeto de debate. |
Fuente: elaboración
propia.
Resultado
específico 2: Estrategia y metodología empleada
En
la tabla 4,
se observa el enfoque, alcance e instrumento utilizado en cada investigación
recolectada. Respecto al enfoque metodológico “la investigación cuantitativa
busca medir y cuantificar fenómenos sociales y ambientales de manera objetiva y
precisa. Mientras que un enfoque cualitativo se centra en el estudio de los
aspectos subjetivos y complejos de los fenómenos sociales y ambientales,
utilizando técnicas como entrevistas, observaciones y análisis de textos”
(Creswell, 2014). En relación
Tabla 4
Metodología utilizada en las investigaciones
|
Autor(es),
Año |
Enfoque |
Alcance |
Instrumento |
Unidad
de Análisis |
|
|
(Rodgers
y Nguyen, 2022) |
Cualitativo |
Descriptivo |
Análisis
Documental |
Seis
vías algorítmicas dominantes para la decisión de compra |
|
|
(Lee
et al., 2021) |
Cuantitativo |
Explicativo |
Modelo
de predicción de datos |
374,749
datos de comportamiento del consumidor en línea de Google Merchandise
Store y un centro comercial en línea |
|
|
(Wen et al., 2022) |
Cualitativo |
Descriptivo |
Estudio
De Caso |
Estudia
las tres estrategias principales de la comunicación informática de la escena
publicitaria |
|
|
(Liu-Thompkins et al., 2022) |
Cualitativo |
Descriptivo |
Análisis
Documental |
Componentes
clave de la empatía artificial |
|
|
(Voorveld et al., 2023) |
Cuantitativo |
Explicativo |
Análisis
De Conglomerados |
450
Holandeses |
|
|
(Ciuchita et al., 2023) |
Cuantitativo |
Exploratorio |
Encuesta |
189
consumidores |
|
|
(Guerreiro,
et al., 2022) |
Cuantitativo |
Descriptivo |
Encuesta |
326
personas |
|
|
(Arango
et al., 2023) |
Cuantitativo |
Explicativo |
Encuesta |
458
personas divididas en 2 grupos |
|
|
(Choi
y Lim, 2020) |
Cualitativo |
Descriptivo |
Análisis
Documental |
23
estrategias de publicidad dirigidas en línea |
|
|
Campbell
et al., 2022) |
Cualitativo |
Descriptivo |
Análisis Documental |
Tecnologías
inteligentes de inteligencia artificial |
|
|
(Sands et al., 2022) |
Cuantitativo |
Descriptivo |
Encuesta |
455
mujeres estadounidenses |
|
|
(Efthymiou et al., 2024) |
Cuantitativo |
Exploratorio |
Observación |
3650
trabajadores de Amazon Turk |
|
|
Ho
y Chow (2024) |
Cuantitativo |
Correlacional |
Encuesta |
350
consumidores de estados unidos |
|
|
(Tapu et al., 2020) |
Cuantitativo |
Explicativo |
Análisis De
Conglomerados |
30
videos tomados del French National Television y el US TV Series |
|
|
(Zatonatska et al., 2022) |
Cuantitativo |
Correlacional |
Análisis De
Comportamiento |
Usuarios
de la operadora VF Ukraine |
|
|
(Wang
et al., 2023) |
Cuantitativo |
Descriptivo |
Encuesta |
300
consumidores de la Generación Z |
|
|
(Méndez-Suárez
et al., 2023) |
Cuantitativo |
Exploratorio |
Análisis De Datos |
31
empresas infractoras |
|
|
(Sands et al., 2024) |
Cualitativo |
Explicativo |
Análisis Documental |
6
principios para publicidad responsable usando IA |
|
|
(Halpin, 2023) |
Cualitativo |
Descriptivo |
Análisis Documental |
Facebook,
Google |
|
|
(Matz et al., 2024) |
Cuantitativo |
Exploratorio |
Encuesta |
1788
participantes |
Fuente: elaboración propia.
De los
estudios recopilados para esta investigación, se pudo observar que el 65% de
estos utilizó un enfoque cuantitativo, mientras que el 35% optó por un enfoque
cualitativo. De esta manera, este primer tipo de enfoque le da mayor validez y
profundidad de análisis a las conclusiones del presente estudio (Ver figura 3).
Figura 3
Distribución según enfoque
Fuente: elaboración
propia.
En la Figura 4, se observa que aproximadamente
el 45% de las investigaciones tienen un alcance descriptivo, lo que representa
la proporción más alta en comparación con otros tipos de alcance, como el correlacional,
exploratorio y explicativo. Sin embargo, contar con estudios de diferentes
alcances agrega valor al fenómeno que se desea investigar, ya que permite
analizar las tendencias ya definidas de las variables estudiadas y obtener una
perspectiva sobre cómo estas podrían desarrollarse en el futuro, a partir de
investigaciones con enfoques exploratorios y explicativos. Como menciona Ramos-Galarza
(2020), los multidiseños o diseños mixtos de un
fenómeno, ayudan a comprender y explicar de mejor manera el fenómeno en
cuestión. De esta manera, se puede entender que la inteligencia artificial en
publicidad es un campo que también se está explorando de manera continua.
Figura 4
Distribución según alcance
Fuente: elaboración
propia.
Del total de estudios recopilados,
se identificaron dos tipos de instrumentos que fueron los más utilizados para
obtener información. En el caso de los estudios cuantitativos, el instrumento
más común fue la encuesta, que representa el 35% de los casos, convirtiéndose
así en el más empleado de todos los artículos de investigación. La encuesta
aporta un gran valor a este tipo de estudios, especialmente en cuanto a la
validez en otras regiones, ya que permite aplicaciones masivas de manera
sencilla y presenta resultados extensos que enriquecen la investigación (Casas
Anguita et al., 2003).
Por otro lado, en cuanto a la parte
cualitativa, el instrumento más utilizado fue el análisis documental, que
representa un 30% del total de artículos de investigación. Este instrumento
importante, ya que aporta valor para la investigación en cuestión, pues uno de
sus objetivos es mantener la información previa actualizada con los puntos de
vista y el contexto contemporáneo. El dinamismo de este tipo de investigación
permite conocer la evolución de las variables (Peña y Pirela, 2007).
Figura 5
Distribución según instrumento empleado en las
investigaciones
Fuente: elaboración
propia
Resultado específico
3: Conclusiones de la relación entre la inteligencia artificial y la publicidad
En la tabla 5, se observan las
principales conclusiones que han sido extraídas de cada investigación analizada
junto con su respectivo autor y año de publicación. Estas nos permiten conocer
los principales hallazgos de cada artículo y cómo es que apoyan la idea
principal de cada uno.
Tabla 5
Autores y principales conclusiones de las investigaciones seleccionadas
|
Autor(es),
Año |
Conclusiones |
|
(Rodgers y Nguyen,
2022) |
El estudio destaca
cómo la inteligencia artificial ha cambiado drásticamente la forma en que las
organizaciones se comunican, entienden e interactúan con sus consumidores
potenciales. |
|
(Lee et al., 2021) |
La aplicación de
tecnologías de inteligencia artificial explicativa (XAI) permite una mejor
interpretación de los resultados del aprendizaje automático, especialmente en
el contexto de los anuncios de retargeting, donde
se encontró una relación no lineal entre los consumidores y los centros
comerciales. |
|
(Wen
et al., 2022) |
La publicidad
computacional permite mejoras inteligentes gracias a la combinación de
algoritmos de inteligencia artificial y grandes datos, logrando una mayor
precisión, comunicación personalizada e interacción contextual con los
usuarios. |
|
(Liu-Thompkins et al., 2022) |
La integración de la
empatía artificial en las interacciones de marketing mejora la experiencia
del cliente, alineando los intereses de las empresas y los consumidores, y
superando la preferencia por interacciones humanas. |
|
(Voorveld
et al., 2023) |
Se identificaron
cuatro grupos de consumidores en relación con la persuasión algorítmica en
las redes sociales. El grupo Control Paradox estaba
consciente y cómodo con la persuasión algorítmica. El grupo Fatigued también estaba consciente pero se sentía incapaz
de lidiar con ella. El grupo Uninformed but Critical era vulnerable y
tenía poca información sobre algoritmos. El grupo Skilled
and Critical estaba consciente y capaz de enfrentar
la persuasión algorítmica. |
|
(Ciuchita
et al., 2023) |
Las actitudes de los
consumidores hacia la publicidad programática muestra |
|
(Guerreiro et al.,
2022) |
Los resultados
indican que la aceptación de los anuncios a través de asistentes inteligentes
por parte de los clientes depende de la utilidad del asistente y de las
motivaciones hedonistas. No obstante, el riesgo para la privacidad afecta la
relación entre la facilidad de uso del altavoz inteligente y su utilidad. |
|
(Arango et al., 2023) |
El estudio 1 encontró
que saber que un rostro es falso o generado por inteligencia artificial
reduce las intenciones de donación, mediado por la empatía y la culpa
anticipatoria, así como la empatía y la percepción de emociones. El estudio 2
mostró que las organizaciones benéficas pueden beneficiarse si destacan sus
motivos éticos al usar imágenes generadas por inteligencia artificial. El
estudio 3 reveló que |
|
(Choi y Lim, 2020) |
Este estudio analiza
el uso de técnicas de aprendizaje automático en estrategias de publicidad en
línea para mejorar la segmentación de anuncios. Clasifica las estrategias en
enfoques centrados en el usuario y en el contenido, y destaca la importancia
de detectar fraudes por clics. Esto sienta las bases para futuras
investigaciones sobre optimización y seguridad en la publicidad en línea. |
|
(Campbell et al.,
2022) |
Los |
|
(Sands
et al., 2022) |
El estudio muestra
que a medida que aumenta la necesidad de singularidad de los consumidores,
también aumentan los efectos positivos de un influencer de IA. Por lo tanto, para las marcas que diseñan productos,
servicios o experiencias para personas que se esfuerzan por ser únicas,
utilizar un influencer
de inteligencia artificial funcionará bien. |
|
(Efthymiou
et al., 2024) |
Los resultados
demuestran que una mayor congruencia entre voz y producto conduce a un
rendimiento publicitario sustancialmente más efectivo y beneficios económicos
generales. Se recomienda a las empresas que piensen de manera más sistemática
en el diseño vocal de los agentes conversacionales impulsados por
inteligencia artificial en lugar de utilizar alternativas disponibles en el
mercado. |
|
Ho y Chow (2024) |
Se han descubierto diversas técnicas efectivas,
como OPT, LSTM y KeytoText, que se implementan para
generar una variedad de anuncios de marketing basados en texto. |
|
(Tapu
et al., 2020) |
La implementación del
marco DEEP-AD demuestra el potencial de la inteligencia artificial para
mejorar significativamente la inserción de anuncios en plataformas de vídeo
en línea. Utilizando algoritmos avanzados de redes neuronales profundas y
técnicas de segmentación multimodal de video, el sistema puede determinar
automáticamente los momentos más adecuados para insertar anuncios,
optimizando la relevancia contextual y minimizando la intrusividad
para los espectadores. |
|
(Zatonatska
et al., 2022) |
El uso de algoritmos
de aprendizaje automático, como Light GBM, puede mejorar significativamente
las campañas publicitarias y de retención de suscriptores. La inteligencia
artificial permite identificar con precisión los suscriptores más propensos a
dejar de utilizar el servicio y dirigir campañas personalizadas para mantener
su fidelidad. |
|
(Wang et al., 2023) |
Se concluye Por otro lado, el
aumento de las preocupaciones sobre la privacidad de la información puede
promover la disonancia psicológica sobre la tecnología. |
|
(Méndez-Suárez et
al., 2023) |
Se concluye que el público aún no muestra
suficiente interés por la gestión de sus datos privados en relación con la
inteligencia artificial. Por su parte, las empresas parecen preocuparse
únicamente por evitar multas, convirtiéndose en cómplices de prácticas poco
éticas que afectan a la sociedad. |
|
(Sands
et al., 2024) |
La publicidad con IA
generativa debe ser ética, transparente y responsable, respetando la
privacidad, evitando sesgos y asegurando la supervisión humana para construir
confianza y eficacia en la industria. |
|
(Matz et al., 2024) |
El uso de modelos de
lenguaje a gran escala (LLMs) como ChatGPT ha demostrado ser efectivo en la generación de
contenido persuasivo. A medida que la IA continúa evolucionando, es probable
que transforme aún más la industria publicitaria, ofreciendo nuevas formas de
influir en el comportamiento del consumidor y expandiendo el papel de los
profesionales del marketing en la creación de estrategias más eficaces y
personalizadas. |
|
(Halpin, 2023) |
La inteligencia
artificial ha sido utilizada para transformar la Web Semántica en un medio de
control social y económico, donde las representaciones digitales de las
personas y/o negocios se explotan para manipular intenciones de compra y
actitudes hacia una marca, ya sea personal o empresarial. Para superar este
control, se requiere una revolución política y económica que permita
recuperar el significado y el conocimiento del dominio corporativo. |
Fuente:
elaboración propia a partir de autores.
Se evidencia que existe una fuerte
relación entre la inteligencia artificial y la publicidad en la década del 2020
- 2024. En este sentido, la inteligencia artificial ha revolucionado la forma
en que las organizaciones se comunican, entienden e interactúan con los
consumidores, y optimizan sus recursos, lo cual ha sido fundamental para el
desarrollo de estrategias de publicidad más efectivas y personalizadas.
Transformación en la comunicación con los consumidores
En primer lugar, según Rodgers y
Nguyen (2022), la inteligencia artificial y sus subconjuntos, como el
aprendizaje automático, el aprendizaje profundo y las redes neuronales, han
revolucionado la publicidad. Estos avances tecnológicos permiten una mayor
precisión y personalización en la comunicación con los consumidores. En este
sentido, su estudio sugiere que los sistemas de IA pueden analizar grandes
volúmenes de datos para identificar patrones y preferencias individuales, lo
que permite a los anunciantes adaptar sus mensajes de manera más efectiva a las
necesidades y deseos específicos de cada usuario. Además, enfatizan en la
inclusión de caminos éticos algorítmicos para ayudar a abordar problemas como
el sesgo, la transparencia, la propiedad y el consentimiento en el uso de
inteligencia artificial. Esto debido a que los algoritmos están diseñados para
asistir a los consumidores en sus decisiones de compra en línea, pero no
siempre se realiza de manera justa o transparente.
El estudio de Liu-Thompkins et al. (2022) reconoce que, si bien el beneficio
potencial de la IA es evidente, su valor no es claro y ha generado dudas en el
marketing. “Esto debido a
Con base en lo anterior, Voorveld et al. (2023) identificaron cuatro grupos de
consumidores en relación con la persuasión algorítmica en las redes sociales. Control Paradox,
quienes son conscientes de los algoritmos y los consideran apropiados,
encontrando un equilibrio entre los beneficios y los costos. Fatigued, quienes
también son conscientes de los algoritmos, pero los encuentran inapropiados y
se sienten incapaces de lidiar con ellos. Uninformed but Critical,
son más vulnerables debido a su falta de conocimiento y habilidades. Por
último, Skilled and Critical,
son conscientes y críticos de la persuasión algorítmica y tienen habilidades
para manejarla.
Como resultado, se evidencia la
necesidad de adaptación de la empatía artificial a las diferentes necesidades y
niveles de conciencia de cada grupo. La importancia de aplicarla en el
marketing consiste en implementar algoritmos que puedan interpretar y responder
a las señales emocionales de los usuarios para que las empresas comprendan y
respondan a las necesidades de los consumidores de manera más efectiva.
Mejoras en la precisión y personalización de la publicidad
Según el
estudio de Wen et al. (2022), “La publicidad
computacional, impulsada por la combinación de algoritmos de inteligencia
artificial y grandes datos, ha permitido mejoras significativas en la
precisión, la personalización de la comunicación y la interacción contextual con
los usuarios.” (p. 9). Esto ha llevado a una mayor efectividad en las campañas
publicitarias, optimizando los recursos y mejorando el retorno de inversión.
Por tanto, una tendencia positiva en el ámbito de la publicidad
CONCLUSIONES
El
análisis de las investigaciones recolectadas en este estudio permitió
identificar una diversidad de enfoques, alcances e instrumentos utilizados. En
cuanto al enfoque, se observó que el 35% de los estudios aplicó un enfoque
cualitativo, mientras que el 65% optó por un enfoque cuantitativo. Esta
diversidad de enfoques es importante, ya que permite obtener una comprensión
más completa de los fenómenos que impactan en la publicidad desde distintas
perspectivas. Los instrumentos utilizados en las investigaciones fueron marcos
conceptuales, encuestas, análisis de datos y análisis de comportamientos.
Asimismo, se observó que el alcance de las investigaciones es variable, lo que
indica que el fenómeno de la inteligencia artificial en la publicidad está en
constante evolución y tiene un gran grupo de interés que busca comprender más a
fondo este fenómeno y compartir las tendencias con los usuarios. Además, en cuanto
a los instrumento utilizados, se evidenció que las encuestas y el análisis
documental son los recursos principales empleados por los investigadores, debido
a su facilidad de aplicación, masividad y dinamismo, los cuales están alineados
con el crecimiento del fenómeno estudiado.
En
base a la literatura estudiada, la publicidad basada en IA presenta varias
oportunidades significativas, una de las más destacadas es la capacidad de
mejorar la personalización y segmentación de los anuncios. Esto no solo mejora
la relevancia de los anuncios, sino que también aumenta la efectividad de las
campañas publicitarias y optimiza el retorno de inversión (Rodgers y Nguyen,
2022). Otra oportunidad importante es la eficiencia operativa que la
inteligencia artificial puede proporcionar. La automatización de tareas
repetitivas, como el análisis de datos y la colocación de anuncios, permite a
las empresas operar de manera más eficiente y reducir costos. Además, la
capacidad de los logaritmos para realizar ofertas en tiempo real garantiza que
los anuncios se muestren al público adecuado en el momento preciso, maximizando
la efectividad de las campañas (Liu-Thompkins et al., 2022). Finalmente, la
inteligencia artificial ofrece innovaciones en creatividad publicitaria,
asistiendo en la generación de contenido atractivo e innovador, como videos
personalizados y anuncios interactivos, lo que puede captar mejor la atención
de los consumidores y mejorar la interacción con las marcas (Huang y Rust,
2018).
Por
otro lado, uno de los principales desafíos en la publicidad basada en
inteligencia artificial es el sesgo algorítmico. Los sistemas de IA, al ser
entrenados con datos históricos, pueden perpetuar y amplificar sesgos
existentes en los datos, lo que lleva a prácticas publicitarias
discriminatorias. Esto no solo afecta la equidad en la publicidad, sino que
también puede dañar la reputación de las marcas que implementan tales sistemas
(Davenport et al., 2020). Además, la privacidad de los consumidores es una
preocupación creciente. La recolección y el uso de datos personales necesarios
para la personalización de los anuncios pueden generar inquietudes sobre la
privacidad, afectando negativamente la confianza del consumidor en las marcas
que utilizan estas tecnologías (Liu-Thompkins et al., 2022). Por tanto, es
importante medir y evaluar constantemente los resultados de las campañas
publicitarias basadas en algoritmos de inteligencia artificial para garantizar
que estén cumpliendo con los objetivos de la empresa y ajustar las estrategias
según sea necesario.
REFERENCIAS
Arango, L., Singaraju, S. y Niininen, O. (2023).
Consumer Responses to AI-Generated
Charitable Giving Ads. Journal of
Advertising, 52(4), 486–503. https://doi.org/10.1080/00913367.2023.2183285
Campbell,
C., Plangger, K., Sands, S., Kietzmann, J. y Bates,
K. (2022). How Deepfakes and Artificial Intelligence Could Reshape the
Advertising Industry. The Coming Reality of AI Fakes and Their Potential Impact
on Consumer Behavior. Journal of Advertising Research, 62(3),
241–251. https://doi.org/10.2501/JAR-2022-017
Casas
Anguita, J., Repullo Labrador, J. R. y Donado Campos, J. (2003). La encuesta como técnica de investigación. Elaboración de
cuestionarios y tratamiento estadístico de los datos (I). Atención Primaria,
31(8), 527-538. Ahttps://doi.org/10.1016/S0212-6567(03)70728-8
Chen,
Y., Kapralov, M., Canny, J.
y Pavlov, D. (2009). Factor modeling for advertisement
targeting. Advances in neural information processing systems, 22.
Choi, J. A.
y Lim, K. (2020). Identifying
machine learning techniques for classification of target advertising. ICT Express, 6(3), 175–180. https://doi.org/10.1016/J.ICTE.2020.04.012
Ciuchita, R., Gummerus, J. K., Holmlund, M. y Linhart, E. L. (2023).
Programmatic advertising in online retailing: consumer perceptions and future
avenues. Journal of Service Management,
34(2), 231–255. https://doi.org/10.1108/JOSM-06-2021-0238
Creswell, J.
(2014). A Concise Introduction to Mixed Methods Research. 1a ed. SAGE Publications, Inc.
Davenport,
T., Guha, A., Grewal, D. y Bressgott, T. (2020). How
artificial intelligence will change the future of marketing. Journal of the
Academy of Marketing Science, 48, 24–42. https://doi.org/10.1007/s11747-019-00696-0
Efthymiou,
F., Hildebrand, C., de Bellis, E. y Hampton, W. H. (2024). The power of
AI-generated voices: How digital vocal tract length shapes product congruency
and ad performance. Journal of Interactive Marketing,
59(2), 117-134. https://doi.org/10.1177/10949968231194905
Ferruz-González, S., Sidorenko-Bautista,
P. y Santos-López, C. (2023). Neuromarketing e inteligencia artificial: el caso
de la campaña 'con mucho acento' de Cruzcampo. Index.Comunicacion. 13(2), 147-169. https://doi.org/10.33732/ixc/13/02Neurom
Frankish, K.
y Ramsey, W. (2014). The Cambridge Handbook of Artificial Intelligence. Cambridge University
Press.
Guerreiro,
J., Loureiro, S. M. C. y Ribeiro, C. (2022). Advertising acceptance via smart speakers. Spanish Journal of Marketing - ESIC, 26(3),
286–308. https://doi.org/10.1108/SJME-02-2022-0028
Halpin, H.
(2023). The Hidden History of the Like Button: From Decentralized Data to Semantic
Enclosure. Social Media + Society, 9(3).
https://doi.org/10.1177/20563051231195542
Ho, S.P.S. y
Chow, M.Y.C. (2024). The role of artificial intelligence in consumers’ brand
preference for retail banks in Hong Kong. Journal of Financial Services
Marketing, 29, 292–305. https://doi.org/10.1057/s41264-022-00207-3
Huang, M. y
Rust, R. (2018). Artificial Intelligence in Service. Journal of Service
Research, 21(2), 155-172. https://doi.org/10.1177/1094670517752459
Janiesch, C.,
Zschech, P. y Heinrich, K. (2021). Machine learning and deep learning. Electronic
Markets, 31, 685-695. https://doi.org/10.1007/s12525-021-00475-2
Kerr, G. y
Richards, J. (2020). Redefining advertising in research and practice. International Journal of Advertising, 40(2),
175-198. https://doi.org/10.1080/02650487.2020.1769407
Kuang, A.,
Lim, T., Tan, C., Ho, C. y Husaini, N. (2024). AI Ads: Practicability of Text
Generation for F&B Marketing. Journal
of Logistics, Informatics and Service Science, 11(2), 324-345. https://doi.org/10.33168/JLISS.2024.0220
Lee, J., Jung,
O., Lee, Y., Kim, O. y Park, C. (2021). A Comparison and Interpretation of Machine Learning
Algorithm for the Prediction of Online Purchase Conversion. Journal of Theoretical and Applied Electronic
Commerce Research, 16(5),
1472–1491. https://doi.org/10.3390/JTAER16050083
Li, C., Fang,
Y. y Chiang, Y. (2023). Can AI
chatbots help retain customers? An integrative perspective using affordance
theory and service-domain logic. Technological
Forecasting & Social Change, 197. https://doi.org/10.1016/j.techfore.2023.122921
Liu-Thompkins,
Y., Okazaki, S. y Li, H. (2022). Artificial empathy in marketing interactions:
Bridging the human-AI gap in affective and social customer experience. Journal of the Academy of Marketing Science,
50, 1198–1218. https://doi.org/10.1007/S11747-022-00892-5
Mani, G.
(2021), Artificial Intelligence's Grand Challenges: Past, Present, and Future. AI Magazine, 42(1), 61-75. https://doi.org/10.1002/j.2371-9621.2021.tb00012.x
Matz, S. C.,
Teeny, J. D., Vaid, S. S., Peters, H., Harari, G. M. y Cerf, M. (2024). The
potential of generative AI for personalized persuasion at scale. Scientific Reports, 14. https://doi.org/10.1038/s41598-024-53755-0
Méndez-Suárez,
M., Simón-Moya, V. y Muñoz-de Prat, J. M. (2023). Do current regulations prevent unethical AI practices?
Journal of Competitiveness, 15(3),
207–222. https://doi.org/10.7441/JOC.2023.03.11
Miralles-Pechuán,
L., Ponce, H. y Martínez-Villaseñor, L. (2020). A 2020 perspective on “A novel methodology for
optimizing display advertising campaigns using genetic algorithms. Electronic Commerce Research and
Applications, 40. https://doi.org/10.1016/j.elerap.2020.100953
Moher, D.,
Stewart, L. y Shekelle, P. G. (2016). Implementing PRISMA-P: recommendations for prospective authors. Systematic Reviews, 5. https://doi.org/10.1186/s13643-016-0191-y
Nesterenko,
V., Miskiewicz, R. y Abazov, R. (2023). Marketing
Communications in the Era of Digital Transformation. Virtual Economics, 6(1), 57–70. https://doi.org/10.34021/ve.2023.06.01(4)
Peña Vera, T. y Pirela Morillo, J. (2007).
La complejidad del análisis documental. Información, cultura y sociedad,
(16), 55-81. https://www.scielo.org.ar/pdf/ics/n16/n16a04.pdf
Ramos-Galarza, C. (2020). Los
alcances de una investigación. CienciAmérica,
9(3), 1-6. http://dx.doi.org/10.33210/ca.v9i3.336
Richards, J.
y Curran, C. (2002). Oracles on ‘Advertising’: Searching for a Definition. Journal of Advertising, 31(2), 63–77. https://doi.org/10.1080/00913367.2002.10673667
Rodgers, W.
y Nguyen, T. (2022). Advertising Benefits from Ethical Artificial Intelligence
Algorithmic Purchase Decision Pathways. Journal
of Business Ethics, 178, 1043–1061. https://doi.org/10.1007/S10551-022-05048-7
Sabharwal,
D., Sood, R. S. y Verma, M. (2022). Studying the Relationship between
Artificial Intelligence and Digital Advertising in Marketing Strategy. Journal
of Content, Community & Communication, 16(8), 118-126.
Sands, S.,
Campbell, C. L., Plangger, K. y Ferraro, C. (2022).
Unreal influence: leveraging AI in influencer marketing. European Journal of Marketing, 56(6), 1721–1747. https://doi.org/10.1108/EJM-12-2019-0949
Sands, S.,
Campbell, C., Ferraro, C., Demsar, V., Rosengren, S.
y Farrell, J. R. (2024). Principles for advertising responsibly using
generative AI. Organizational Dynamics, 53(2). https://doi.org/10.1016/j.orgdyn.2024.101042
Suraña‐Sánchez, C. y Aramendia-Muneta,
M. E. (2024). Impact of
artificial intelligence on customer engagement and advertising engagement: A
review and future research agenda. International
Journal of Consumer Studies, 48(2). https://doi.org/10.1111/ijcs.13027
Tapu, R.,
Mocanu, B. y Zaharia, T. (2020). DEEP-AD: A Multimodal Temporal Video
Segmentation Framework for Online Video Advertising. IEEE Access, 8, 99582–99597. https://doi.org/10.1109/ACCESS.2020.2997949
Taylor, C. R. y Carlson, L. (2021). The future of
advertising research: New directions and research needs. Journal of
Marketing Theory and Practice, 29(1), 51-62. https://doi.org/10.1080/10696679.2020.1860681
Urrútia, G. y
Bonfill, X. (2010). Declaración PRISMA: una propuesta
para mejorar la publicación de revisiones sistemáticas y metaanálisis. Medicina
Clínica, 135(11),
507-511. https://doi.org/10.1016/j.medcli.2010.01.015
Voorveld, H.
A., Meppelink, C. S. y Boerman, S. C. (2023). Consumers’ persuasion knowledge
of algorithms in social media advertising: identifying consumer groups based on
awareness, appropriateness, and coping ability. International Journal of Advertising, 43(6), 960-986 https://doi.org/10.1080/02650487.2023.2264045
Wang, Z., Yuan,
R., Luo, J., Liu, M. J. y Yannopoulou, N. (2023).
Does personalized advertising have their best interests at heart? A
quantitative study of narcissists’ SNS use among Generation Z consumers. Journal of Business Research, 165. https://doi.org/10.1016/J.JBUSRES.2023.114070
Wen, L.,
Lin, W. y Guo, M. (2022). Study on Optimization of Marketing Communication
Strategies in the Era of Artificial Intelligence. Mobile Information Systems, 2022. https://doi.org/10.1155/2022/1604184
West, D.,
Koslow, S. y Kilgour, M. (2019). Future Directions for Advertising Creativity
Research. Journal of Advertising, 48(1),
102-114. https://doi.org/10.1080/00913367.2019.1585307
Yin, J. y
Qiu, X. (2021). Ai technology and online purchase intention: Structural
equation model based on perceived value. Sustainability,
13(10). https://doi.org/10.3390/su13105671
Zatonatska, T., Dluhopolskyi, O., Artyukh, T. y Tymchenko,
K. (2022). Forecasting the Behavior of Target Segments to Activate Advertising
Tools: Case of Mobile Operator Vodafone Ukraine. Economics, 10(1), 87–104. https://doi.org/10.2478/EOIK-2022-0005