Medallistas Fields frente a los benchmarks de IA: una lección para el marketing

Los matemáticos no suelen escribir cartas abiertas sobre marketing. Pero el argumento que planteó en septiembre un grupo de medallistas Fields se aplica casi palabra por palabra a cómo nuestro sector mide la IA. Su idea: resolver problemas es un indicador indirecto, y el verdadero objetivo es la comprensión. Si se confunden ambas cosas, se puede dañar justo lo que se intentaba mejorar.

Qué ha pasado

Según The Next Web, el 11 de septiembre se publicó en mathandai.org una declaración titulada A Severe Misalignment of AI in Mathematics. El sitio enumera 25 firmantes, entre ellos Terence Tao, Peter Scholze, Maryna Viazovska, Cédric Villani, Pierre Deligne, Manjul Bhargava y Martin Hairer. La declaración sostiene que resolver problemas es una herramienta y un indicador indirecto, mientras que el objetivo principal de las matemáticas es la comprensión conceptual y la intuición profunda. Advierte de que producir en masa enunciados verdaderos o falsos a un ritmo creciente “podría destruir un terreno fértil”. TNW la describe como una declaración sobre los benchmarks; no menciona ningún acontecimiento concreto.

La misma semana, otra carta abierta criticó un “Mathathon” de IA organizado por estudiantes en Caltech, calificó el formato de “matemáticas basura” y sostuvo que el trabajo de verificar y corregir los resultados de la IA queda “sin compensar, sin crédito y sin reconocimiento”. TNW informa de que OpenAI retiró el 10 de septiembre sus créditos de 1 millón de US$ para el evento, mientras que Anthropic mantuvo su contribución, y de que los organizadores añadieron requisitos pero no lo cancelaron.

Por qué importa

La queja de los matemáticos se refiere a una trampa conocida. Cuando un problema difícil y famoso se convierte en benchmark, los laboratorios optimizan para producir respuestas. Las respuestas son medibles. La comprensión, no. Con el tiempo, lo medible desplaza a lo valioso, y a otro le toca revisar los resultados.

La IA para marketing tiene exactamente este problema. Evaluamos las herramientas por lo que es fácil de contar: número de recursos generados, tiempo ahorrado, tasa de clics, proporción de respuestas de IA que mencionan la marca. Esas cifras importan. Pero el objetivo del marketing no es producir; es entender a los clientes lo bastante bien como para servirles y construir una marca en la que la gente confíe. Un sistema que inunda los canales de contenido y gana en métricas indirectas puede erosionar ambas cosas sin que se note.

La cuestión de la verificación no remunerada también da en el blanco. El contenido generado es barato de producir y caro de comprobar. Si la comprobación es invisible en sus métricas, sus “ganancias de productividad” son en parte un truco contable.

Lo que dice mi investigación

Mi investigación reciente gira en torno a esta distinción. En nuestro artículo de SIGIR 2026, SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization, el problema que abordamos es precisamente que el contenido escrito por IA converge: el asistente de todo el mundo produce las mismas publicaciones competentes y genéricas. Nuestro enfoque consiste en recuperar datos de contexto reales antes de escribir, para que el resultado siga siendo distintivo. El volumen sin distintividad es la versión de marketing de la “basura”.

En cuanto a la medición, he defendido en e27 que todos los paneles están en verde, pero nadie sabe decir qué funcionó. Que todas las métricas indirectas suban no es lo mismo que saber qué causó los resultados. Y en nuestro trabajo sobre IA explicable, de Against Opacity a MindFuse, el objetivo no es solo una mejor predicción, sino una explicación de la que un profesional del marketing pueda aprender. Es el equivalente en marketing de la “comprensión conceptual” de los matemáticos.

Qué pueden aprender de esto los equipos de marketing

• Nombre el objetivo que hay detrás de cada métrica. Para cada KPI de IA, escriba una frase sobre el resultado real que se supone que representa y compruebe periódicamente que el vínculo se mantiene.
• Contabilice el coste de verificación. Registre el tiempo humano dedicado a revisar y corregir los resultados de la IA e inclúyalo en su retorno de la inversión.
• Mida la distintividad. Compare su contenido asistido por IA con el de sus competidores. Si se está volviendo indistinguible, está ganando en un indicador y perdiendo la marca.
• Prefiera las explicaciones a las puntuaciones. Una herramienta que le dice por qué algo funcionó genera conocimiento en el equipo; una que solo le dice que funcionó genera dependencia.
• Reconozca el trabajo de las personas. Si hay personas limpiando los resultados de la IA, haga visible y valore ese trabajo en lugar de darlo por hecho.

Los matemáticos protegen su disciplina de una cultura de benchmarks que confunde respuestas con comprensión. El marketing debería protegerse del mismo error.

Preguntas frecuentes