Giovanna Paniguel da Silva; Leonardo Carlim

DOI: 10.22167/2675-6528-202604401

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El marketing ha evolucionado hacia un enfoque centrado en la relación, impulsado por el avance de la inteligencia artificial generativa en canales conversacionales como WhatsApp. El estudio tuvo como objetivo identificar la capacidad de la inteligencia artificial generativa para construir relaciones emocionales con los consumidores en flujos de comunicación simulados, considerando elementos como el lenguaje afectivo, la proximidad y la personalización. Se adoptó un enfoque exploratorio cualitativo, con un procedimiento experimental. Se aplicó un guion estandarizado de interacción a cuatro marcas que utilizan IA generativa a través de WhatsApp. Las respuestas se recopilaron mediante observación directa no participante y se analizaron según criterios como el tono del lenguaje, la presencia de elementos afectivos y la continuidad del diálogo. Los resultados evidenciaron diferentes niveles de madurez en el uso de la IA, destacando sistemas que, configurados con intencionalidad relacional, simularon empatía, mantuvieron coherencia contextual y sostuvieron el vínculo a lo largo de la jornada, incluso en situaciones de ruptura. Se concluyó que la capacidad de la IA generativa para construir relaciones emocionales no es inherente a la tecnología, sino que depende de su diseño estratégico, incluyendo la definición de persona, la estructuración de prompts y el uso de memoria contextual, reforzando la integración entre tecnología y estrategia de marketing relacional.

Palabras clave: Atención automatizada; Inteligencia artificial conversacional; Lenguaje afectivo; Marketing relacional; Personalización.

1. Introducción

El marketing, tradicionalmente percibido como una herramienta de ventas, ha evolucionado hacia un proceso social más amplio, centrado en la comprensión de los deseos del consumidor, la creación de valor y la promoción de intercambios significativos entre individuos y organizaciones (Kotler, 2018). Esta transformación posiciona al marketing como un elemento estratégico en la creación de conexiones duraderas entre marcas y sus audiencias (Kotler y Keller, 2012).

En este contexto, el marketing de relaciones gana protagonismo por su búsqueda de establecer vínculos basados en la confianza y la lealtad, trascendiendo la mera transacción comercial (Berry, 1995; Grönroos, 2009). La priorización de la satisfacción y lealtad del cliente refleja un cambio estructural en el comportamiento del consumidor y en las dinámicas de mercado, reconociendo el valor del cliente a lo largo de todo su ciclo de vida con la marca (Kotler y Keller, 2012; Grönroos, 2009).

Para comprender la profundidad de estos vínculos, es esencial diferenciar los tipos de relación. La relación racional se caracteriza por interacciones basadas en atributos tangibles, como precio y funcionalidad, siguiendo una lógica utilitaria en la decisión de compra (Schmitt, 1999). En contrapartida, la relación emocional incorpora dimensiones afectivas, como identificación, pertenencia y conexión simbólica con la marca (Pine y Gilmore, 1999). Aunque las relaciones presentan aspectos racionales y emocionales, un vínculo emocionalmente significativo se distingue por la capacidad de la marca de atender a las necesidades subjetivas del consumidor.

Con el avance de las tecnologías digitales, la interacción con el consumidor se ha expandido del entorno físico al digital. Las herramientas de Gestión de Relaciones con Clientes (CRM) permiten la integración de datos, el registro del historial de interacciones y la personalización de experiencias, posibilitando una gestión más estratégica de la relación (Payne y Frow, 2005). En este escenario, el marketing conversacional emerge como un modelo que sustituye las campañas unilaterales por diálogos continuos y personalizados (Rappaport, 2011). Las aplicaciones de mensajería, como WhatsApp, intensifican esta dinámica al ofrecer interacciones síncronas, personalizadas y con alta tasa de engagement, facilitando la construcción de relaciones más cercanas.

La inteligencia artificial (IA) desempeña un papel cada vez mayor en este entorno. Mientras que la IA basada en reglas opera con instrucciones predefinidas y la IA predictiva utiliza algoritmos para identificar patrones y anticipar comportamientos, la inteligencia artificial generativa se destaca por su capacidad de crear contenidos originales y adaptar la comunicación de forma dinámica, simulando patrones del lenguaje humano (Russell y Norvig, 2021; Brown et al., 2020). Esta tecnología permite automatizar interacciones y personalizarlas a escala, mejorando la experiencia del cliente (OpenAI, 2023; Ramanuj, 2025; Jurafsky y Martin, 2026; Bommasani et al., 2021). La incorporación de elementos emocionales en la comunicación, como el lenguaje afectivo (Tannen, 1987), puede ser operacionalizada mediante la programación de instrucciones específicas, conocidas como prompts, transformando la IA en una extensión de la voz de la marca con una clara intención relacional.

Ante este panorama, surge la pregunta central de este estudio: ¿la inteligencia artificial generativa, cuando se aplica a la atención vía WhatsApp, es capaz de construir relaciones emocionales con los consumidores o se limita a respuestas meramente funcionales? La comprensión de esta capacidad es crucial, ya que el desempeño relacional de la IA no es inherente a la tecnología, sino que depende directamente de su diseño estratégico, incluyendo la definición de persona, la estructuración de prompts y el uso de memoria contextual. Este trabajo se justifica por la necesidad de profundizar el conocimiento sobre cómo la IA generativa puede ser utilizada para fomentar vínculos emocionales, un diferencial competitivo en el mercado actual.

De esta forma, se establece como objetivo de este trabajo identificar, en flujos de comunicación simulados, si la inteligencia artificial generativa es capaz de construir una relación emocional con el consumidor a partir de elementos como lenguaje afectivo, proximidad, autenticidad y fidelización.

2. Material y Métodos

La investigación adoptó un enfoque exploratorio de naturaleza cualitativa, buscando comprender en profundidad la manifestación de la construcción de relaciones emocionales en interacciones mediadas por inteligencia artificial. Este fenómeno, aún reciente en la literatura, fue investigado para identificar cómo la IA generativa puede fomentar vínculos emocionales con los consumidores (Gil, 2008). Desde el punto de vista de los procedimientos, se configuró como un estudio de carácter experimental, que implicó la aplicación controlada de un guion estandarizado de interacciones (Malhotra, 2012).

El objeto empírico de la investigación consistió en flujos de comunicación simulados con sistemas de inteligencia artificial generativa. Se analizaron interacciones con cuatro marcas reales que utilizan esta tecnología en sus atenciones vía WhatsApp. Las marcas pertenecen a segmentos distintos del comercio minorista de consumo, pero todas emplean WhatsApp como canal de relación con el cliente.

La selección de las marcas se basó en la clasificación del atractivo emocional de los productos, diferenciando entre hedónicos y utilitarios, según la literatura de comportamiento del consumidor (Dhar y Wertenbroch, 2000; Babin, Darden y Griffin, 1994; Pine y Gilmore, 1999). Se eligieron tres marcas (A, B y C) por presentar productos con alto atractivo emocional, mientras que una marca (D), con un producto de bajo atractivo funcional, se incluyó como caso de contraste. Esta distinción permitió observar la influencia del sector o de limitaciones técnicas en la afectividad de la IA.

La recopilación de datos se realizó entre el 10 y el 25 de enero de 2026. Para ello, se desarrolló un guion único con cinco etapas secuenciales, fundamentado en los supuestos teóricos del marketing relacional (Kotler, 2018) y del lenguaje afectivo (Tannen, 1987). El guion simuló un viaje de compra, incluyendo la expresión de dudas, el vínculo emocional y situaciones de urgencia, para provocar diferentes tipos de respuesta de la IA.

Las interacciones se realizaron vía WhatsApp de las marcas, utilizando un número de prueba sin identificación previa. La recolección de datos empleó la técnica de observación directa no participante, en la cual la investigadora interactuó con los sistemas sin interferir en su lógica de funcionamiento. Todas las respuestas generadas por las IAs fueron registradas mediante capturas de pantalla y posteriormente transcritas para análisis (Marconi y Lakatos, 2017).

El funcionamiento técnico de los sistemas de inteligencia artificial generativa en la atención vía WhatsApp implicó la integración de tres capas: la interfaz de comunicación con el usuario (API de WhatsApp Business), una plataforma intermedia de gestión conversacional y el modelo de inteligencia artificial generativa, generalmente basado en Large Language Models (LLMs) (Russell y Norvig, 2021; Ramanuj, 2025; OpenAI, 2023). Estos LLMs se entrenan con grandes volúmenes de datos textuales para generar respuestas coherentes en lenguaje natural (Brown et al., 2020).

La interacción de la IA generativa estuvo moldeada por tres elementos principales: el contenido del mensaje del usuario, el historial de la conversación (memoria contextual) y un conjunto de instrucciones predefinidas, denominado “prompt”. El prompt desempeñó un papel central en la definición del tono de voz, estilo de comunicación y presencia de elementos afectivos, como empatía y cercanía (OpenAI, 2023; Bommasani et al., 2021). La memoria contextual permitió a la IA mantener coherencia a lo largo del diálogo, influyendo en el nivel de personalización (Jurafsky y Martin, 2026).

El análisis de los datos se basó en la observación e interpretación del contenido de las respuestas de las IA. Las interacciones se categorizaron según criterios predefinidos, que incluyeron el tono del lenguaje (formal, casual, afectivo), la presencia de elementos afectivos (como vocativos, empatía y expresiones de cuidado), la continuidad del diálogo (cumplimiento de las etapas del guion) y la capacidad de recuperación del sistema tras una ruptura intencionada en la interacción. No se insertaron hallazgos empíricos ni porcentuales en esta etapa.

3. Resultados y Discusión

El análisis de las interacciones simuladas, según el guion previamente establecido, reveló que las cuatro marcas lograron responder a las etapas propuestas, demostrando una adherencia operativa básica al flujo de comunicación. Sin embargo, se observaron variaciones significativas en la forma en que cada sistema de inteligencia artificial condujo el diálogo, especialmente en lo que respecta a la construcción de vínculos emocionales, el empleo de lenguaje afectivo y la capacidad de adaptación al contexto específico presentado por el consumidor. Estas diferencias fueron cruciales para identificar los distintos niveles de madurez e intencionalidad relacional en la aplicación de la IA generativa.

A partir de la observación detallada de las interacciones, fue posible delinear tres perfiles conductuales distintos entre las IAs, que se alinean directamente con los conceptos de diseño conversacional y marketing de relaciones. Es importante notar que, incluso entre las marcas que operan en segmentos de alto atractivo emocional, el desempeño relacional de la IA no fue uniforme. Esto sugiere que la capacidad de construir un vínculo afectivo no es intrínseca a la naturaleza del producto o servicio, sino un reflejo directo de la forma en que la tecnología es configurada e implementada estratégicamente por la marca.

Análisis por etapas del guion de interacción

La primera etapa, de apertura, tuvo como propósito evaluar la capacidad inicial de la inteligencia artificial para establecer el tono de la interacción. La Marca A se destacó por adoptar, desde el primer contacto, un tono acogedor y cercano, empleando lenguaje conversacional y elementos que incentivaron el compromiso. Este enfoque inicial indicó una clara predisposición para la construcción de un vínculo relacional desde el inicio del viaje del consumidor, estableciendo una base para interacciones futuras más profundas y personalizadas, alineándose a los principios del marketing relacional (Kotler, 2018).

Las Marcas C y D demostraron un desempeño intermedio en la etapa de apertura. Aunque sus interacciones iniciales fueron adecuadas desde el punto de vista informacional, la intensidad relacional fue menor. Se observó la presencia puntual de elementos de proximidad, pero con un predominio de respuestas más enfocadas en la orientación del usuario que en la creación de una conexión emocional. Por su parte, la Marca B adoptó un enfoque predominantemente funcional, caracterizado por el uso de menús y respuestas estandarizadas, con pocos elementos de acogida o personalización, limitando el compromiso inicial y posicionando la interacción como meramente transaccional.

En la segunda etapa, que implica la explicitación de la intención de compra por parte del consumidor, las diferencias entre las marcas se hicieron aún más evidentes en la conducción del viaje y en la consistencia de la comunicación. La Marca A mantuvo un alto rendimiento, con respuestas altamente personalizadas, coherentes con el contexto y alineadas al objetivo del consumidor. La comunicación se adaptó de manera precisa, manteniendo el tono relacional construido anteriormente y conduciendo la interacción de manera fluida y eficiente hasta la potencial conversión, demostrando una comprensión profunda de las necesidades del usuario.

La Marca B, que inició la interacción con un tono más amigable, perdió consistencia a lo largo del flujo. En la etapa de intención de compra, su comunicación se volvió más genérica y superficial, con un uso poco estratégico de emojis y menor exploración del contexto. Esto resultó en una percepción reducida de personalización y profundización, limitando la capacidad de construir una relación duradera. La Marca C, por su parte, presentó fragilidades estructurales, interrumpiendo el flujo y mostrando una comunicación menos objetiva y excesivamente prolixa, lo que dificultó el avance de la interacción y la efectividad de la respuesta.

En contraste, la Marca D demostró un desempeño consistente, destacándose por el uso de datos previos del consumidor, como el historial de carrito abandonado. Su comunicación fue más objetiva, con uso moderado de elementos relacionales, y se destacó por la oferta amplia y estructurada de opciones de regalo, logrando equilibrar personalización y direccionamiento. Este conjunto de factores contribuyó a la conclusión satisfactoria del flujo, incluso con un enfoque más funcional, evidenciando la capacidad de integrar datos para optimizar la experiencia del cliente (Payne y Frow, 2005).

La tercera etapa, que introdujo una duda con carga emocional, hizo aún más evidente la diferencia de madurez entre las IA. La Marca A demostró una elevada capacidad para reconocer el contexto emocional presentado, incorporando lenguaje empático y personalización en su respuesta. Hubo un intento claro de establecer conexión con el consumidor, acercándose a un patrón de comunicación interpersonal y utilizando elementos de lenguaje afectivo (Tannen, 1987) para simular empatía y cuidado, lo que refuerza el vínculo emocional.

Las Marcas C y D presentaron respuestas parcialmente adecuadas, reconociendo el contexto emocional pero con una presencia limitada de elementos afectivos. La Marca B demostró mayor dificultad para adaptar la respuesta al contenido emocional, mientras que la Marca C logró mantener un tono más equilibrado, aunque sin profundizar significativamente el vínculo. Este comportamiento general de las IAs, excepto la Marca A, evidenció una limitación importante en la capacidad de actuación en escenarios que exigen mayor sensibilidad comunicacional, indicando que la programación de prompts necesita ser más robusta para lidiar con matices emocionales.

En la cuarta etapa, de cierre positivo, la Marca A mantuvo la consistencia en su comportamiento relacional, reforzando el vínculo establecido a lo largo de la interacción. La respuesta presentó elementos de reciprocidad y continuidad, contribuyendo a la consolidación de la experiencia del consumidor y a la percepción de una relación duradera. Este desempeño subraya la importancia de una IA que no solo resuelve problemas, sino que también cultiva la lealtad y la satisfacción del cliente, según lo preconizado por el marketing relacional (Berry, 1995).

Las marcas B, C y D demostraron un rendimiento intermedio en esta etapa. Aunque respondieron adecuadamente, se observó una menor intensidad en la utilización de elementos emocionales. Las tres marcas lograron mantener un tono cordial y coherente, pero la Marca C, en particular, fue la única que no ofreció la funcionalidad de ayudar al consumidor a colocar los artículos deseados en el carrito para finalizar la compra. Esta ausencia de proactividad para facilitar la conversión, incluso después de una interacción positiva, puede ser un punto de fricción en el viaje del cliente.

La quinta y última etapa, de ruptura intencional, evidenció de forma más clara las diferencias en los niveles de madurez de las IA analizadas. Las Marcas A, C y D demostraron alta capacidad de recuperación, manteniendo el tono afectivo y buscando revertir la desistência por medio de estrategias de reenganche. La Marca A, por ejemplo, ofreció la búsqueda de artículos de menor valor, mientras que la Marca D posibilitó el envío del presupuesto deseado. Este comportamiento indica un enfoque orientado a la retención y a la continuidad de la relación, buscando activamente el mantenimiento del vínculo incluso ante un obstáculo.

En contraste, la Marca B no presentó ninguna estrategia de recuperación, finalizando la interacción de forma directa y funcional. La ausencia de intento de reenganche evidencia un enfoque centrado exclusivamente en la eficiencia operativa, sin preocupación por el mantenimiento de la relación. Este comportamiento refleja una visión transaccional, donde la IA no está configurada para ir más allá de la resolución inmediata de una solicitud, perdiendo la oportunidad de fortalecer el vínculo con el consumidor, incluso en un momento de potencial abandono de compra.

Perfiles de comportamiento de las IAs analizadas

El análisis consolidado de las interacciones permitió identificar tres perfiles distintos de comportamiento de las IAs, diferenciados principalmente por el nivel de construcción de vínculo y uso de lenguaje afectivo. El primer perfil, denominado relacional afectivo, fue ejemplificado por la Marca A, que presentó el más alto nivel de madurez en la construcción de relaciones. Sus respuestas se caracterizaron por el uso consistente de vocativos, emojis y expresiones de cuidado, como “con cariño”, además de una fuerte personalización y uso adecuado de la memoria contextual.

La IA de la Marca A fue capaz de guiar al consumidor a través de todas las etapas del recorrido de manera fluida, manteniendo la coherencia narrativa y reforzando el vínculo a lo largo de la interacción. Su capacidad de respuesta ante la interrupción (etapa 5) fue notable, ya que no solo mantuvo el tono afectivo, sino que también buscó revertir la deserción ofreciendo la búsqueda de artículos de menor valor. Este comportamiento está alineado con el concepto de lenguaje afectivo propuesto por Tannen (1987), evidenciando que la incorporación de elementos emocionales en la comunicación puede ser técnicamente operacionalizada mediante la programación de “prompts”.

En este sentido, la IA de la Marca A dejó de actuar como un simple canal automatizado y pasó a representar una extensión de la voz de la marca, con una clara intención relacional. Este perfil demuestra que, con un diseño estratégico y una cuidadosa configuración de los prompts, la inteligencia artificial generativa puede simular patrones de lenguaje humano y contribuir significativamente a la construcción de relaciones emocionales, transformando la interacción en una experiencia más atractiva y menos transaccional, según la literatura de marketing de experiencia (Pine y Gilmore, 1999).

El segundo perfil, clasificado como relacional híbrido, se observó en las Marcas B y D, representando una etapa intermedia de madurez, marcada por enfoques distintos dentro de un mismo nivel de desarrollo. La Marca B inició la interacción con señales de cercanía y uso de lenguaje afectivo, pero no logró sostener este patrón a lo largo del recorrido. En la etapa de intención de compra, la comunicación se volvió más genérica y superficial, con un uso poco estratégico de emojis y baja exploración del contexto, resultando en una experiencia más estandarizada y con menor percepción de personalización.

En contrapartida, la Marca D demostró mayor consistencia en la conducción del flujo, incluso con un uso más moderado de elementos afectivos. La IA de la Marca D utilizó información previa del consumidor, como historial de navegación o intención de compra (ej.: carrito abandonado), y se destacó por la oferta amplia y estructurada de opciones, manteniendo objetividad sin comprometer completamente la cercanía. Este comportamiento evidencia una orientación más fuerte a la conversión, con uso funcional de la personalización para dirigir la decisión de compra, lo que se alinea a la gestión estratégica de la relación con el cliente (Payne y Frow, 2005).

Este perfil híbrido indica que la dimensión relacional está presente, pero su ejecución varía entre una afectividad inconsistente, como en el caso de la Marca B, y un enfoque más estratégico y orientado a resultados, como en la Marca D, aunque con menor carga emocional. Esto sugiere que la capacidad de la IA para construir relaciones emocionales no es binaria, sino que existe en un espectro, donde la intencionalidad y la sofisticación de la programación de los prompts desempeñan un papel crucial en la determinación del nivel de compromiso y conexión emocional alcanzado.

El tercer perfil, denominado funcional con interrupción de jornada, fue identificado en la Marca C, siendo el más limitado en términos de construcción de relaciones y conducción de la interacción. Aunque la IA de la Marca C presentó respuestas informativas, la comunicación resultó poco objetiva y, en algunos momentos, excesivamente prolija, dificultando la comprensión y el avance del consumidor en la jornada. Además, la IA no logró sostener el flujo completo, interrumpiendo la interacción antes de la conclusión de las etapas propuestas, lo que representa una falla significativa en la experiencia del usuario.

La ausencia de una dirección clara, sumada a la baja capacidad de adaptación al contexto, comprometió la progresión de la experiencia y redujo significativamente el potencial de conversión. Este comportamiento evidencia un enfoque aún centrado en la transmisión de información, con debilidades tanto en la dimensión relacional como en la eficiencia de la conducción del viaje. La IA de la Marca C se posicionó como un canal de apoyo limitado, sin capacidad de profundizar o sostener el vínculo con el consumidor, lo que contrasta con los principios del marketing conversacional (Rappaport, 2011).

Funcionamiento técnico de la IA generativa en la atención vía WhatsApp

El comportamiento observado en las interacciones analizadas se deriva directamente de las configuraciones de los sistemas de inteligencia artificial generativa (Russell y Norvig, 2021). La atención automatizada vía WhatsApp opera a partir de la integración de tres capas principales: la interfaz de comunicación con el usuario (API de WhatsApp Business), una plataforma intermedia de gestión conversacional (orquesta flujos, almacena datos e integra sistemas) y el modelo de inteligencia artificial generativa, generalmente basado en Large Language Models (LLMs), responsable de la interpretación y generación de las respuestas (Ramanuj, 2025; OpenAI, 2023).

Los LLM son sistemas basados en redes neuronales profundas, entrenados con grandes volúmenes de datos textuales, capaces de comprender patrones lingüísticos y generar respuestas coherentes en lenguaje natural (Brown et al., 2020). Cuando el usuario envía un mensaje, esta entrada es capturada por la API de WhatsApp y dirigida a la plataforma intermedia, que realiza el procesamiento inicial, incluyendo identificación de intención, clasificación de contexto y definición de flujo conversacional (Jurafsky y Martin, 2026). A partir de esta interpretación, la solicitud se remite al modelo de IA generativa.

La respuesta textual de la IA se produce en base a tres elementos principales: el contenido del mensaje del usuario, el historial de la conversación (memoria contextual) y un conjunto de instrucciones predefinidas, conocido como “prompt”. El prompt desempeña un papel central en el comportamiento de la IA, ya que establece el tono de voz, el estilo de comunicación, el nivel de formalidad y la presencia de elementos afectivos, como empatía y cercanía (OpenAI, 2023; Bommasani et al., 2021). De esta forma, características observadas en las interacciones, como el uso de vocativos, demostraciones de empatía y intentos de mantenimiento del vínculo, no son aleatorias, sino resultado directo de la configuración del sistema.

Otro elemento fundamental es la memoria contextual, que permite a la IA mantener la coherencia a lo largo de la conversación. Esta memoria puede incluir tanto información proporcionada durante la interacción como datos previamente almacenados, cuando están disponibles. La capacidad de utilización de este contexto influye directamente en el nivel de personalización percibido, siendo un factor determinante para la construcción de interacciones más naturales y continuas (Jurafsky y Martin, 2026). A pesar de estos avances, los sistemas de IA generativa aún presentan limitaciones, como la generación de respuestas genéricas, fallos en el mantenimiento del contexto en interacciones más largas y la dependencia de la calidad de las instrucciones definidas en el prompt. Además, la IA no posee comprensión emocional genuina, operando a partir de patrones lingüísticos aprendidos, lo que puede resultar en simulaciones de empatía que no siempre se sostienen a lo largo de la interacción (Bender et al., 2021).

Al comparar las marcas insertadas en segmentos de alto atractivo emocional (Marcas A, B y C), se hizo evidente que el factor determinante para el desempeño relacional no fue el sector de actuación, sino el diseño del sistema de IA. La Marca A destacó por la sofisticación en la construcción del diálogo, mientras que las Marcas B y C presentaron soluciones técnicamente competentes, pero con limitaciones puntuales relacionadas con la memoria y la recuperación emocional. Este hallazgo refuerza la idea de que la capacidad de construir relaciones emocionales a través de la IA generativa no está condicionada al tamaño de la empresa o a la categoría del producto, sino a decisiones estratégicas de implementación, como la definición de persona, la estructuración de prompts y la incorporación de disparadores emocionales.

El caso de contraste, representado por la Marca D, refuerza aún más esta interpretación. A pesar de actuar en un segmento tradicionalmente asociado a decisiones de compra más racionales, no existe impedimento técnico para la incorporación de lenguaje afectivo en este contexto. La ausencia de estos elementos, si fuera el caso, sería una elección estratégica, o una limitación en la configuración del sistema, y no una imposición del sector. Este contraste evidencia que la IA generativa tiene el potencial de construir vínculos emocionales en diferentes contextos de consumo, siempre que haya intencionalidad en su diseño, lo que demuestra la flexibilidad de la tecnología cuando está bien dirigida.

La IA generativa, cuando está bien estructurada, es capaz de simular patrones de lenguaje afectivo y contribuir a la construcción de un vínculo con el consumidor. Sin embargo, su rendimiento está intrínsecamente ligado a la calidad de las instrucciones que guían su funcionamiento, así como a la capacidad de mantener la memoria contextual a lo largo de la interacción. El análisis de los diferentes perfiles de comportamiento observados en las marcas permite avanzar en la comprensión de un elemento central para el rendimiento de la IA generativa en entornos conversacionales: la estructuración de los prompts, que se muestra como un diferencial estratégico en la construcción de relaciones duraderas y significativas con los clientes.

Uno de los pilares fundamentales en este proceso es la definición de la persona de la IA. A diferencia de los sistemas tradicionales de atención automatizada, en los que la comunicación tiende a ser estandarizada e impersonal, la IA generativa permite la construcción de una identidad conversacional propia, alineada a la marca. Esta persona corresponde a la forma en que la IA se presenta al consumidor, incluyendo características como el nivel de formalidad, el grado de cercanía, el estilo de lenguaje y la postura ante situaciones de duda o emoción, elementos cruciales para establecer una conexión genuina con el público (Schmitt, 1999).

La definición de esta persona no debe ocurrir de forma aleatoria, sino a partir de una combinación de factores estratégicos, como el posicionamiento de la marca, el perfil del público objetivo, el contexto de uso del canal y el tipo de relación que se desea construir. Las marcas con un posicionamiento más cercano y afectivo tienden a adoptar personas más informales, acogedoras y expresivas, mientras que las marcas con una comunicación más institucional pueden optar por un tono más neutro y objetivo, aunque sin renunciar a elementos básicos de empatía, garantizando la coherencia de la voz de la marca.

Además, el canal de interacción ejerce una influencia directa en la definición del tono de voz. En el caso de WhatsApp, al tratarse de un entorno de comunicación íntimo, síncrono y predominantemente informal, se espera un lenguaje más cercano a la conversación cotidiana. Esto implica el uso de vocativos, construcciones menos rígidas y, en algunos casos, recursos como emojis, siempre que estén alineados con la identidad de la marca. La ausencia de esta adaptación puede generar disonancia en la experiencia, haciendo que la interacción se perciba como fría o artificial, lo que compromete la construcción del vínculo emocional.

Otro aspecto relevante se refiere a la consistencia del tono de voz a lo largo del viaje. No basta que la IA inicie la conversación de forma acogedora si no es capaz de mantener este patrón en momentos críticos, como situaciones de duda, objeción o ruptura. En este sentido, la definición del tono debe ir acompañada de directrices específicas para diferentes escenarios de interacción, incluyendo instrucciones sobre cómo responder a manifestaciones emocionales del usuario. Esta lógica acerca el desarrollo de prompts a prácticas típicas del diseño de experiencia del usuario, en las cuales se prevén múltiples caminos y estados del viaje, garantizando una experiencia fluida y cohesionada.

A partir de los resultados observados, se nota que la Marca A presenta indicios de una persona bien definida y coherente, con directrices claras de lenguaje afectivo y mantenimiento de vínculo. Este nivel de consistencia sugiere un trabajo estructurado de prompt engineering, en el cual no solo el contenido de las respuestas, sino también la forma de interacción fue cuidadosamente planificada. En contraste, las marcas B y C indican una definición parcial de persona, con presencia de elementos afectivos y nombre para el bot, pero sin sustentación consistente a lo largo de la conversación. Por su parte, la Marca D demuestra ausencia de una persona relacional, operando con enfoque predominantemente funcional.

En este contexto, la construcción de un prompt ideal para estrategias de relación puede ser comprendida como un proceso estructurado, que involucra múltiples etapas. Inicialmente, es necesario definir la persona de la IA basándose en la identidad de la marca y en el perfil del público. A continuación, deben establecerse directrices claras de tono de voz, incluyendo el nivel de formalidad, el uso de elementos afectivos y de comunicación. Posteriormente, estas directrices necesitan ser traducidas en instrucciones operacionales en el prompt, contemplando también el uso de memoria contextual y la adaptación a diferentes momentos de la jornada, garantizando una comunicación fluida y personalizada.

Además, se vuelve fundamental prever escenarios específicos de interacción, especialmente aquellos que involucran carga emocional, como dudas, inseguridades o desistencias. La programación de respuestas para estos momentos permite que la IA actúe de forma más cercana y empática, contribuyendo al mantenimiento de la relación. Por último, la eficacia del prompt debe ser continuamente evaluada y ajustada en base a las interacciones reales, en un proceso iterativo de mejora. De esta forma, el prompt engineering deja de ser una actividad puramente técnica y pasa a ocupar un papel estratégico en la construcción de la experiencia del consumidor.

La capacidad de la IA generativa para establecer vínculos emocionales está directamente relacionada con la calidad de estas definiciones, lo que demuestra que la diferencia no reside únicamente en la tecnología utilizada, sino en la forma en que se diseña y se integra en la estrategia de relación de la marca. Esto significa que la intencionalidad en el diseño de la IA, desde la concepción de la persona hasta la programación de los prompts, es lo que realmente permite que la tecnología trascienda la funcionalidad y construya conexiones emocionales significativas con los consumidores, alineándose con los objetivos del marketing relacional.

Determinación de los Resultados

Con base en los análisis realizados a lo largo de las cinco etapas de la hoja de ruta, fue posible consolidar los principales patrones observados en el comportamiento de las IAs de las marcas analizadas, sintetizando los hallazgos de la investigación y permitiendo una visualización comparativa de los elementos más relevantes para la construcción (o no) de una relación emocional. La Marca A demostró un tono predominante afectivo intenso, con muchos elementos afectivos presentes, como emojis, vocativos y la capacidad de crear una historia. Su personalización fue alta, utilizando el nombre del consumidor y el contexto de la madre y la ocasión, y mantuvo la continuidad del diálogo en las cinco etapas. La capacidad de recuperación tras una ruptura fue alta, con una invitación afectiva y mantenimiento del vínculo, buscando revertir el abandono.

La Marca B presentó un tono casual afectivo, con elementos afectivos presentes parcialmente. La personalización fue media, utilizando el nombre, pero sin explorar el contexto en profundidad. La continuidad del diálogo se mantuvo en las cinco etapas, sin embargo, su capacidad de recuperación tras una ruptura fue parcial, ofreciendo un descuento genérico. La Marca C, por su parte, exhibió un tono casual institucional, con elementos afectivos moderados y personalización media, utilizando el nombre, pero sin contexto. El diálogo se interrumpió en la etapa cuatro (cierre), sin conducir a la ruptura, y no hubo recuperación tras la ruptura, evidenciando un enfoque más funcional.

Finalmente, la Marca D presentó un tono institucional/neutro casual, con elementos afectivos moderados. La personalización fue media, pero con el diferencial de tener acceso al historial de carrito abandonado del consumidor. La continuidad del diálogo se mantuvo en las cinco etapas, y su capacidad de recuperación tras una interrupción fue alta, con mantenimiento del vínculo. Esta síntesis demuestra que la intencionalidad en el diseño de la IA, la calidad de los prompts y la capacidad de memoria contextual son factores cruciales para el desempeño relacional, superando la mera naturaleza del producto o el tamaño de la empresa.

Las estrategias que contribuyen a la creación de conexiones más empáticas y personalizadas incluyen programar respuestas afectivas para desencadenantes emocionales, como “estoy triste” o “estoy confundido”, y mantener la memoria contextual dentro de la misma conversación. Es eficaz cerrar la interacción con una invitación o beneficio adicional, usar emojis y vocativos de forma consistente y contar una historia o crear identificación. Estas prácticas fomentan un ambiente de comunicación más humano y atractivo, alineado con los principios del marketing de relaciones (Grönroos, 2009).

Por otro lado, enfoques que comprometen la experiencia del usuario incluyen respuestas puramente funcionales ante dudas emocionales, redirigir a FAQ sin intentar resolver el problema, cerrar la interacción con un “gracias por contactarnos” seco, y ofrecer respuestas genéricas que ignoran el historial del consumidor. Tratar todas las interacciones como si fueran transacciones también perjudica la construcción de un vínculo. Estos comportamientos resultan en una experiencia fría e impersonal, que no contribuye a la fidelización del cliente.

Los principales puntos de fricción a evitar son la interrupción del flujo cuando el consumidor expresa sentimiento, la repetición de información ya proporcionada, la falta de cierre emocional y la ruptura del tono, como iniciar la conversación de forma afectiva y terminar de manera fría. Además, no adaptar el tono al contexto del presente o a una ocasión especial puede generar disonancia. La prevención de estos puntos de fricción es esencial para garantizar una experiencia de usuario fluida y coherente, que fortalezca la percepción de cuidado y personalización, elementos clave para el marketing de relaciones.

En resumen, los resultados de esta investigación demuestran que la inteligencia artificial generativa posee la capacidad de construir relaciones emocionales con los consumidores en flujos de comunicación simulados, como los observados a través de WhatsApp. Sin embargo, esta capacidad no es inherente a la tecnología en sí, sino que depende directamente de un diseño estratégico cuidadoso, que abarca la definición de una persona coherente, la estructuración de prompts que incorporen lenguaje afectivo y la utilización eficaz de la memoria contextual para personalizar y adaptar las interacciones, especialmente en momentos de carga emocional o ruptura, reforzando la integración entre tecnología y estrategia de marketing relacional.

4. Conclusión

El presente estudio tuvo como objetivo identificar la capacidad de la inteligencia artificial generativa para construir relaciones emocionales con los consumidores en flujos de comunicación simulados, considerando elementos como el lenguaje afectivo, la proximidad y la personalización. Se verificó que la IA generativa es capaz de establecer dichos vínculos, pero esta capacidad no es inherente a la tecnología en sí. Los resultados evidenciaron que el desempeño relacional depende directamente del diseño estratégico del sistema, incluyendo la definición de persona, la estructuración de prompts y el uso de memoria contextual. Se observó la existencia de diferentes niveles de madurez en el uso de la IA, con sistemas que, configurados con intencionalidad relacional, simularon empatía, mantuvieron coherencia contextual y sostuvieron el vínculo a lo largo de la jornada, incluso en situaciones de ruptura. En contraste, las IAs con un diseño menos intencional se limitaron a interacciones funcionales o presentaron rupturas en la jornada. La principal contribución de este trabajo reside en reforzar la integración entre tecnología y estrategia de marketing relacional, ofreciendo directrices para que profesionales de marketing y gestores de marca puedan diseñar IAs conversacionales que trasciendan la funcionalidad y construyan conexiones emocionales significativas.

Sin embargo, el estudio presentó limitaciones, como el número reducido de marcas analizadas, lo que restringe generalizaciones más amplias. La imposibilidad de acceder a los prompts y a la arquitectura interna de los sistemas limitó el análisis al comportamiento observable, y el carácter interpretativo del análisis cualitativo estuvo sujeto a la percepción de la investigadora. Para investigaciones futuras, se sugiere la ampliación de la muestra, con enfoque en marcas de un mismo sector, a fin de reducir variables externas. Se recomienda también la inclusión de la perspectiva de consumidores reales, por medio de entrevistas o grupos focales, para evaluar la percepción de autenticidad y empatía en las interacciones. Además, la realización de estudios experimentales controlados que investiguen el impacto de diferentes configuraciones de prompt en el desempeño relacional de la IA puede profundizar el conocimiento sobre el tema. Los resultados indican que la inteligencia artificial generativa representa un avance relevante en las estrategias de relación con el consumidor, pero su uso eficaz exige un enfoque intencional en su implementación.

Referencias Bibliográficas

Babin, B.J.; Darden, W.R.; Griffin, M. 1994. Work and/or Fun: Measuring hedonic and utilitarian shopping value. Journal of Consumer Research 20(4): 644-656.

Bender, E. M.; Gebru, T.; McMillan-Major, A.; Shmitchell, S. 2021. On the Dangers of Stochastic Parrots: Can language models be too big?. In: FAccT ’21: 2021 ACM Conference on Fairness, Accountability, and Transparency, Canada. Anais… p. 610-623.

Berry, L.L. 1995. Relationship Marketing of Services: Growing interest, emerging perspectives. Journal of the Academy of Marketing Science 23, 236-245.

Bommasani, R. et al. 2021. On the Opportunities and Risks of Foundation Models. ArXiv preprint arXiv:2108.07258.

Brown, T.B. et al. 2020. Language Models are Few-Shot Learners. Neural Information Processing Systems. ArXiv abs/2005.14165.

Dhar, R.; Wertenbroch, K. 2000. Consumer Choice Between Hedonic and Utilitarian Goods. Journal of Marketing Research 37(1): 60–71.

Gil, A. C. 2008. Métodos e Técnicas de Pesquisa Social. 6ed. Atlas S.A. São Paulo, Brasil.

Grönroos, C. 2009. Marketing: Gerenciamento e Serviços. 3ed. Elsevier. Rio de Janeiro, Brasil.

Jurafsky, D.; Martin, J.H. 2026. Speech and Language Processing. 3ed. Stanford. Estados Unidos. Disponível em: < https://web.stanford.edu/~jurafsky/slp3/ed3book_jan26.pdf>. Acesso em: 10 abr. 2026.

Kotler, P.; Keller, K.L.; Yamamoto, S.M. 2019. Administração de Marketing. 15ed. Pearson, São Paulo, Brasil.

Malhotra, N. 2012. Pesquisa de Marketing: Uma orientação aplicada. 6ed. Bookman, Porto Alegre, Brasil.

Marconi, M.A.; Lakatos, E.M. 2017. Fundamentos de Metodologia Científica. 8ed. Atlas, São Paulo, Brasil.

OpenAI. 2023. GPT-4 Technical Report. Disponível em: <https://arxiv.org/abs/2303.08774>. Acesso em: 10 mar. 2026.

Payne, A.; Frow, P. 2005. A Strategic Framework for Customer Relationship Management. Journal of Marketing 69(4) 167–176, 2005.

Pine, B.J.II; Gilmore, J.H. 1999. The Experience Economy. Harvard Business Review Press, 2011, Boston, Estados Unidos.

Ramanuj, N.G. 2025. Impact of Whatsapp Business API on Business Communication and Customer Engagement: An examination of Pinggo’s implementation. International Journal of Science, Architecture, Technology, and Environment 2(10): 182-190.

Rappaport, S.D. 2011. Listen First!: Turning social media conversations into business advantage. Wiley, Hoboken, NJ, Estados Unidos.

Russell, S.; Norvig, P. 2021. Artificial Intelligence: A modern approach. 4ed. Pearson.

Schmitt, B.H. 1999. Experiential Marketing: How to get customers to sense, feel, think, act, and relate to your company and brands. The Free Press, New York, NY, Estados Unidos.

Tannen, D. 1987. Talking Voices: Repetition, dialogue, and imagery in conversational discourse. Cambridge University Press, Cambridge, Inglaterra.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Marketing del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy