Toda organización descansa sobre tres relaciones: con su gente, con sus clientes, y la que su gente mantiene con esos clientes. La Escuela Nórdica de marketing de servicios las dibujó como un triángulo: hacer la promesa, habilitar la promesa, cumplir la promesa. La inteligencia artificial vuelve a poner ese modelo en el centro por una razón concreta: construir producto dejó de ser una barrera de entrada, y lo que no se replica en un fin de semana son esas tres relaciones. Recorremos qué puede hacer hoy la IA en cada uno de los tres lados, y dónde conviene no meterla.
Toda organización descansa sobre tres relaciones: la que mantiene con su gente, la que mantiene con sus clientes y la que su gente mantiene con esos clientes. Enunciado así parece una obviedad, y sin embargo es la parte del negocio que menos se diseña de forma deliberada y la que casi nunca aparece en un tablero de control.
En las páginas que siguen queremos recorrer de dónde viene esa idea, por qué la inteligencia artificial la vuelve a poner en el centro, y qué puede hacer hoy concretamente la IA en cada uno de los tres lados.
Capítulo 1. De dónde viene el triángulo
El origen está en lo que se conoce como la Escuela Nórdica de marketing de servicios, un grupo de académicos finlandeses y suecos que entre finales de los setenta y comienzos de los noventa se dedicó a un problema que la disciplina había esquivado. El marketing de la época, el de las cuatro P, estaba pensado para productos empaquetados que llegaban a una góndola. Funcionaba razonablemente bien para vender jabón, pero no explicaba lo que ocurre en un servicio, donde aquello que se vende se produce y se consume en el mismo momento, delante del cliente, y donde quien lo entrega no es un envase sino una persona de la propia empresa.
La figura central de esa escuela es Christian Grönroos, de la Hanken School of Economics de Helsinki. En su trabajo aparecen articulados los conceptos que después se volverían el modelo. Por un lado, el marketing interactivo, que parte de constatar que en un servicio el momento decisivo no es el aviso ni el folleto, sino el encuentro concreto entre un empleado y un cliente; de ahí se sigue que todo el personal de contacto cumple una función de marketing aunque no figure en ese organigrama, algo que su colega Evert Gummesson resumió llamándolos part-time marketers y observando que en las empresas de servicios suelen superar largamente en número a los del departamento. Por otro lado, el marketing interno, un término que aparece en 1981 en dos trabajos independientes: el de Leonard Berry, a quien se atribuye la primera definición formal —tratar al empleado como si fuera un cliente interno—, y el del propio Grönroos, que aporta la reorientación hacia el cliente y no solo hacia la satisfacción del empleado. Sobre estos dos pilares se apoya un tercer concepto, el de promesa, que Grönroos atribuye explícitamente a Henrik Calonius: la empresa promete algo, alguien dentro tiene que quedar en condiciones de cumplirlo, y finalmente alguien lo cumple o no lo cumple frente al cliente.
De ese conjunto de ideas surge la representación triangular. Según la propia Mary Jo Bitner, fue Kotler quien, influido por Grönroos, la desarrolló en su manual bajo la forma de tres actividades de marketing distintas. Y quien le dio la formulación que hoy circula fue la misma Bitner, de Arizona State, en un artículo de 1995 en el Journal of the Academy of Marketing Science cuyo título ya adelantaba el argumento: Building Service Relationships: It’s All About Promises. Con esa clave, los tres lados del triángulo se leen así:
- Empresa → cliente (marketing externo): hacer la promesa. Todo lo que la organización comunica, ofrece, tarifa y promete, por cualquier canal y a través de cualquier intermediario.
- Empresa → empleado (marketing interno): habilitar la promesa. Selección, formación, herramientas, información, autonomía e incentivos. Sin esto la promesa se hace igual, pero nadie está en condiciones de sostenerla.
- Empleado → cliente (marketing interactivo): cumplir la promesa. El encuentro real, que es donde la promesa se valida o se cae.
Valarie Zeithaml y la propia Bitner consolidaron el modelo en 1996 en su manual Services Marketing, con el nombre por el que se lo conoce desde entonces, el triángulo del marketing de servicios, y con una advertencia que suele citarse menos de lo que merece: los tres lados son necesarios para completar el conjunto, y tienen que estar alineados entre sí. Un lado fuerte no compensa a otro débil, más bien lo expone. Por la misma época, y desde Harvard, Heskett, Sasser y Schlesinger publicaron la cadena servicio-beneficio, que aportó el eslabón que faltaba al ordenar esas mismas relaciones como una secuencia causal en la que la satisfacción del empleado empuja la del cliente, y la del cliente empuja el crecimiento y la rentabilidad.
La marca, el producto y los procesos son la manifestación visible de esas tres relaciones, y no al revés. Y a diferencia de casi todo lo demás que una organización necesita, estas tres relaciones no se compran hechas.
Capítulo 2. Por qué esto es central para una startup hoy
Durante unos veinte años, la barrera de entrada de una startup tecnológica estuvo del lado de la construcción. Había que conseguir el equipo técnico, escribir el software y después sostenerlo, y eso tomaba tiempo y dinero suficientes como para que quien lo lograra tuviera algo parecido a una ventaja. Esa barrera se desplomó en muy poco tiempo. En el lote de invierno de 2025 de Y Combinator, según contaron sus propios socios, alrededor de una cuarta parte de las empresas tenía bases de código generadas por inteligencia artificial en aproximadamente un 95%, y conviene subrayar un detalle que ellos mismos remarcaron: no se trataba de fundadores sin formación técnica que hubieran encontrado un atajo, sino de ingenieros capaces de escribir ese código que eligieron no escribirlo. Del lado corporativo el fenómeno se ve desde otro ángulo. En la encuesta global de McKinsey de 2026, cerca de un tercio de las organizaciones —el 32%— declaró haber decidido no comprar algún producto o funcionalidad de software porque podía construirlo internamente con herramientas de codificación agéntica.
La consecuencia práctica es que el producto pasó de ser una barrera de entrada a ser una condición de entrada. Lo que hace unos años exigía dieciocho meses y una ronda semilla hoy puede estar funcionando en semanas, con la salvedad incómoda de que lo mismo vale para el competidor que aparezca el mes que viene.
Es aquí donde aparece un problema de foco que, antes que técnico, es humano. Construir es probablemente lo más gratificante que hace un fundador con perfil técnico, porque es controlable, es medible, avanza todos los días y no depende de que nadie devuelva un llamado. Vender, contratar, atender a un cliente enojado o explicarle a un empleado por qué su evaluación dio lo que dio pertenecen al orden opuesto: son actividades lentas, ambiguas y dependientes de la voluntad de terceros. Mientras construir era caro y lento, la propia escasez de recursos obligaba al fundador a salir a hablar con gente. Ahora que se volvió barato y rápido, esa disciplina externa desapareció, y es perfectamente posible pasarse un año iterando el producto sin haber tenido una sola conversación difícil. El fundador percibe que avanza, y en cierto sentido avanza, pero el triángulo se le va quedando vacío. Es, dicho sea de paso, uno de los atributos que separan a un fundador que sostiene el proyecto de uno que no, algo que desarrollamos en su momento al hablar de las siete dimensiones de un fundador viable.
Los números de fondo, mientras tanto, no cambiaron. En el análisis que CB Insights publicó en marzo de 2026 sobre 431 startups respaldadas por capital de riesgo que cerraron desde 2023, el 70% terminó quedándose sin capital, aunque los propios autores advierten que quedarse sin capital suele ser la causa final y no la explicación. La razón que aparece detrás, en el 43% de los casos, es la falta de encaje entre el producto y el mercado; y dos de cada tres de esos fracasos por falta de encaje correspondieron a empresas tempranas que nunca llegaron a encontrar un mercado viable. Dicho de otro modo, en esa muestra nadie cerró por no haber conseguido construir lo que quería construir.
Hay un dato más del mismo informe de McKinsey que conviene leer junto con lo anterior. El 80% de los encuestados reporta mejoras de productividad individual gracias a la IA, pero solo el 37% atribuye algún impacto al resultado operativo de la empresa, una proporción que no se movió respecto del año anterior. La distancia entre ambas cifras no se explica por la calidad de las herramientas, que son las mismas para todos, sino por el rediseño del trabajo que hace falta para que la mejora individual se convierta en resultado colectivo, y ese rediseño es exactamente el terreno del triángulo. Deloitte llega por otro camino a una conclusión compatible en su informe de tendencias de capital humano de 2026, elaborado sobre más de nueve mil líderes de negocio y de recursos humanos en 89 países: las organizaciones que encaran la IA con un enfoque centrado en las personas, y no en la tecnología, tienen 1,6 veces más probabilidad de que los retornos de sus inversiones en IA superen las expectativas.
Nuestra postura. En la era de la inteligencia artificial el triángulo dejó de ser un marco de marketing de servicios para convertirse en el mapa de aquello que no se puede replicar en un fin de semana. El código sí se replica. La confianza de un cliente, la permanencia de un empleado y la capacidad de un equipo para cumplir sistemáticamente lo que la empresa prometió, no.
Con eso en mente, vale la pena recorrer los tres lados uno por uno. Las listas que siguen son ilustrativas y con seguridad quedarán cortas, porque los usos se multiplican cada mes.
Capítulo 3. La relación empleado – empresa: habilitar la promesa
Este es el lado del marketing interno y, salvo excepciones, el que menos inversión recibió históricamente, en buena medida porque no genera factura y por lo tanto compite mal por el presupuesto. La inteligencia artificial lo modifica sobre todo por una razón de costos: vuelve barato observar de manera continua aquello que antes solo podía observarse en eventos puntuales y a cambio de mucha carga administrativa.
- Reclutamiento y preselección de alto volumen. Es el uso más maduro de todos, y Gartner señala que en 2026 el reclutamiento de alto volumen (roles operativos, comercio, atención) se vuelve directamente AI-first, porque es donde el ahorro es mayor y donde cada decisión individual tiene menos complejidad. La IA ordena las candidaturas, conduce una primera entrevista estructurada, verifica requisitos duros y coordina agendas. El riesgo es conocido y conviene anticiparlo: un modelo entrenado sobre currículums aprende a premiar la forma del currículum, que no siempre correlaciona con la capacidad, de modo que el criterio de corte tiene que seguir siendo una decisión humana explícita y documentada.
- Evaluaciones de desempeño. La evaluación anual arrastra dos defectos que todos conocemos: se apoya sobre la memoria reciente del jefe, que rara vez alcanza más allá del último trimestre, y se escribe a las apuradas la semana antes de la reunión. Con IA es posible pasar del evento al registro continuo, reuniendo a lo largo del año la evidencia dispersa (objetivos, entregas, retroalimentación recibida, participación en proyectos) y produciendo un borrador que el evaluador corrige y firma. El efecto interesante no está en el ahorro de tiempo de redacción, sino en que la conversación anual deja de consumirse discutiendo si los hechos ocurrieron o no, y puede dedicarse a lo que debería ocupar, que es hacia dónde va esa persona.
- Detección de talento e inferencia de habilidades. Las organizaciones saben con precisión qué puesto ocupa cada persona, pero muy pocas saben qué sabe hacer cada persona. Los sistemas de inteligencia de talento infieren habilidades a partir de la actividad real (proyectos en los que participó, herramientas que usa, formación que hizo, movimientos anteriores) y construyen un inventario que se actualiza solo. Cuando ese inventario se cruza con las necesidades abiertas aparece gente capaz de cosas que su descripción de cargo jamás mencionó, que es más o menos la definición operativa de talento oculto.
- Mercado interno de talento y movilidad. Sobre ese mismo inventario se arma el emparejamiento entre personas y oportunidades internas, ya sean proyectos cortos, reemplazos temporales, vacantes formales o mentorías. Nos parece el uso con mejor relación entre esfuerzo y retorno de todo el capítulo, porque ataca simultáneamente dos problemas que suelen tratarse por separado: el costo de salir a reclutar afuera lo que ya se tiene adentro, y una de las causas más citadas de renuncia, que es no ver camino posible dentro de la organización.
- Desencaje entre capacidades y necesidades. Cruzar el inventario de habilidades con el plan de negocio permite ver dónde va a faltar capacidad antes de que efectivamente falte. Gartner proyecta que hacia 2030 la mitad de las empresas enfrentará escasez irreversible de habilidades en al menos dos roles críticos, en parte por la erosión de competencias en tareas que se delegaron a la IA y que después nadie vuelve a saber hacer. Frente a ese horizonte, detectar el desencaje con doce meses de anticipación permite formar; detectarlo cuando ya ocurrió obliga a salir a comprar talento en el peor momento y al peor precio.
- Detección de situaciones anómalas. Accesos inusuales a información sensible, aprobaciones que se apartan del patrón habitual, desvíos de gasto, controles que se saltean. Son señales que, en volumen, ningún equipo revisa a mano, y que un modelo puede marcar para que alguien las mire. Conviene ser explícito sobre el límite antes de encender el sistema y no después: se trata de control de riesgo sobre procesos y no de vigilancia sobre personas, y la diferencia entre una cosa y la otra depende de qué se monitorea, quién lo ve y qué se hace con el resultado, todo lo cual se define por escrito.
- Señales tempranas de desenganche y rotación. Los modelos de predicción de rotación combinan trayectoria, compensación relativa, movilidad interna y resultados de encuestas. Bien usados, sirven para que un gerente tenga a tiempo una conversación que de otro modo tendría tarde. Mal usados, degeneran en una lista de personas «en riesgo de irse» que circula por la organización y termina provocando aquello que pretendía evitar. La regla que recomendamos es sencilla: el resultado se le entrega únicamente a quien puede hacer algo por esa persona, y no se guarda en el legajo.
- Incorporación y asistente interno de conocimiento. Un asistente capaz de responder sobre políticas, procedimientos, sistemas y quién hace qué, mostrando siempre la fuente de la respuesta, resuelve la mayor parte de las preguntas de un ingreso nuevo sin ocupar a un compañero cada vez. Además deja un subproducto que suele ser más valioso que el ahorro: el registro de lo que la gente pregunta y no encuentra, que funciona como un mapa bastante honesto de dónde la organización documenta mal.
- Aprendizaje personalizado y aceleración de la curva de experiencia. El trabajo de Brynjolfsson, Li y Raymond, publicado en 2025 en el Quarterly Journal of Economics sobre datos de 5.172 agentes de soporte, midió un aumento promedio de productividad del 15% al introducir un asistente conversacional, pero lo relevante para este capítulo es cómo se reparte esa mejora. Los trabajadores menos experimentados y de menor desempeño mejoraron tanto en velocidad como en calidad, mientras que los más experimentados apenas ganaron algo de velocidad y perdieron algo de calidad. El mecanismo que los autores identifican es que el modelo difunde las prácticas de los mejores agentes entre los demás, lo cual convierte a la herramienta en un instrumento de formación antes que de productividad y modifica bastante el cálculo de a quién conviene contratar y cuánto tiempo lleva ponerlo en régimen.
- Carga administrativa que se le devuelve al vínculo. Actas de reunión, resúmenes de proyecto, informes para el comité, respuestas a consultas administrativas repetidas. Es el uso menos vistoso del capítulo y probablemente el de mayor impacto sobre el clima, porque aquello que devuelve es tiempo de conversación entre jefes y equipos, que es precisamente la materia prima de este lado del triángulo y lo primero que se sacrifica cuando la agenda aprieta.
Corresponde cerrar con una advertencia regulatoria que ningún directorio debería pasar por alto, aunque su empresa no opere en Europa, porque marca hacia dónde va el estándar. El Reglamento Europeo de Inteligencia Artificial clasifica como sistemas de alto riesgo, en el punto 4 de su Anexo III, los que se usan para seleccionar candidatos, evaluar desempeño, decidir promociones o terminaciones y monitorear el trabajo, e impone sobre ellos obligaciones de supervisión humana efectiva, transparencia e información previa a los trabajadores y a sus representantes. Además prohíbe, en el artículo 5.1(f), el reconocimiento de emociones en el ámbito laboral, con la única excepción de los sistemas destinados a motivos médicos o de seguridad. El calendario de aplicación está en discusión y podría correrse, pero la dirección no está en discusión: en este lado del triángulo, la inteligencia artificial se implementa con gobernanza escrita o no se implementa. Es la misma conclusión a la que llegamos al analizar los riesgos de la IA para directorios.
Capítulo 4. La relación empresa – cliente: hacer la promesa
Este lado es el más visible de los tres y el que más inversión recibió en los últimos años, con la contrapartida previsible de que también es donde se cometen los errores más caros, porque un error acá lo ve el mercado entero.
- Recepción de solicitudes y pedidos por cualquier canal. Un pedido puede llegar por correo, por un formulario del sitio, por WhatsApp, por teléfono o dentro de un PDF adjunto que alguien escaneó torcido. La IA normaliza todo eso en un pedido estructurado, lo clasifica, detecta lo que falta y lo inyecta en el proceso que corresponde. Para una organización mediana suele ser el primer caso de uso con retorno claro, no tanto por la digitación que ahorra como por el pedido que deja de perderse en una casilla que nadie mira los viernes. Es, además, el punto donde este lado del triángulo se conecta con la gestión de procesos de negocio.
- Resolución autónoma de consultas. Gartner proyecta que hacia 2029 la IA agéntica resolverá de forma autónoma el 80% de las consultas comunes de servicio al cliente, con una reducción cercana al 30% en los costos operativos del área. El propio informe agrega un matiz que a veces se pierde en la cita: los roles humanos no desaparecen, se corren hacia los casos complejos y hacia una función nueva, que es la de supervisar y gestionar a los agentes automáticos.
- Personalización y recomendación. Ordenar el catálogo, la comunicación y la oferta según el comportamiento de cada cliente es el uso más antiguo de la analítica aplicada al marketing, y sin embargo es de los que más ganaron con los modelos actuales, porque ahora incorporan texto libre. Lo que un cliente escribió en un reclamo o en una reseña pesa tanto como lo que compró, y esa información antes simplemente no entraba al modelo.
- Previsión de demanda y precios. Modelos que anticipan volumen por producto, canal y período y ajustan en consecuencia precio o disponibilidad. Bien calibrados evitan a la vez los quiebres de stock y las liquidaciones, que son las dos formas de perder margen por el mismo error de pronóstico. Mal calibrados, en cambio, producen situaciones en las que un cliente descubre que pagó distinto que su vecino por lo mismo, lo cual además de un problema de confianza es, en varios países, un problema legal.
- Predicción de abandono y retención. Identificar con anticipación suficiente a los clientes con alta probabilidad de irse tiene sentido en la medida en que se haga algo con esa información. El error habitual consiste en usarla solamente para disparar un descuento automático, que compra tiempo sin resolver nada; el uso más productivo pasa por entender qué patrón de experiencia precede sistemáticamente a la fuga y corregir ese patrón, que a mediano plazo cuesta menos que el descuento.
- Voz del cliente sin encuesta. El NPS y sus parientes miden una muestra pequeña, compuesta además por gente dispuesta a contestar encuestas, que no es una muestra neutral. Con IA se puede analizar en cambio el total de las interacciones reales (llamadas, chats, correos, reclamos, reseñas públicas) y extraer de ahí los motivos concretos de fricción con su frecuencia y su evolución en el tiempo, que es información accionable de un modo en que un índice agregado nunca lo es.
- Ejecución y entrega. Ruteo de despachos, asignación de técnicos, planificación de capacidad, avisos proactivos cuando algo se va a demorar. Es la parte donde la promesa se cumple o se incumple en términos verificables, sin margen para la interpretación, y donde la optimización impacta al mismo tiempo sobre el costo y sobre la satisfacción, cosa poco frecuente.
- Riesgo, fraude y alta de clientes. Verificación de identidad, evaluación crediticia, detección de operaciones anómalas. Aquí la inteligencia artificial cumple una función doble que conviene no perder de vista: reduce la pérdida esperada, desde luego, pero cuando está bien calibrada también acorta el tiempo de alta, y el alta es la primera experiencia concreta que un cliente tiene con la empresa después de haber comprado la promesa.
- Comercio agéntico, o el cliente que ya no es una persona. Es lo más nuevo del capítulo y lo que menos se discute en los directorios. Con protocolos como el Agentic Commerce Protocol, que Stripe desarrolló junto con OpenAI, o AP2, que Google anunció en septiembre de 2025 con más de sesenta organizaciones adheridas entre las que hay medios de pago, marcas y plataformas, un agente de inteligencia artificial puede buscar, comparar, decidir y pagar en nombre de su usuario. Eso significa que una parte creciente de la promesa ya no se le hace a una persona que mira una página, sino a un modelo que lee datos estructurados y compara. Quien no publique catálogo, precio, disponibilidad y condiciones en un formato que un agente pueda consumir corre el riesgo de quedar directamente fuera de la comparación, sin enterarse de que la hubo.
- Ser encontrado por los modelos. El punto anterior tiene un corolario que aplica al contenido y no al catálogo. En la medida en que la búsqueda tradicional le cede terreno a las respuestas generadas, la pregunta que un equipo comercial se hacía como «cómo posiciono en Google» se está convirtiendo en «qué contesta un modelo cuando le preguntan por mi categoría». Las reglas no son las mismas que las del SEO clásico, y la disciplina todavía se está formando, pero pertenece de lleno al lado externo del triángulo, igual que la publicidad.
También aquí corresponde una advertencia, simétrica de la del capítulo anterior. Una encuesta realizada por OnePoll en mayo de 2026 sobre seis mil consumidores de Estados Unidos, Reino Unido y Canadá, encargada por AnswerConnect —una empresa que vende justamente servicios de atención humana, de modo que conviene leer el dato sabiendo quién lo financió—, encontró que el 85% de los encuestados prefiere hablar con una persona antes que con una IA, en aumento respecto del año anterior, y que el 57% afirma que su confianza en una empresa caería si el servicio dependiera predominantemente de inteligencia artificial. Aun descontando el sesgo del comitente, la dirección coincide con lo que se observa en el mercado. El dato no invalida la automatización, pero indica dónde ubicarla: automatizar la promesa resulta rentable mientras el cliente conserve un camino claro hacia una persona, y se vuelve destructivo en el momento en que ese camino se cierra.
Capítulo 5. La relación empleado – cliente: cumplir la promesa
Llegamos al lado del marketing interactivo, el momento de la verdad de Grönroos, que es a la vez el menos automatizado de los tres y aquel donde la inteligencia artificial presenta el mejor perfil de riesgo y retorno, por una razón estructural: acá la IA no reemplaza a nadie, asiste a una persona que sigue siendo responsable del resultado.
- Redacción de comunicaciones. Borradores de correos, propuestas, respuestas a reclamos, mensajes de seguimiento. La velocidad es lo primero que se nota, pero el beneficio más duradero es la consistencia, porque permite que un vendedor con seis meses en la empresa produzca una comunicación con el tono, la estructura y el nivel de detalle que la organización quiere, y que su trabajo consista en editar y no en inventar desde cero.
- Asistencia en tiempo real durante el contacto. Es exactamente lo que midió el estudio del Quarterly Journal of Economics que citamos antes: sugerencias que aparecen mientras la conversación transcurre. Además del 15% de mejora promedio en productividad, los autores encontraron dos efectos que casi nunca entran en el caso de negocio con el que se aprueba una herramienta así. El primero es que los clientes se vuelven más corteses y piden hablar con un supervisor con menos frecuencia. El segundo es que aumenta la permanencia de los propios agentes, sostenida sobre todo por la retención de los más nuevos. Dicho de otro modo, este es el punto donde los tres lados del triángulo se tocan al mismo tiempo.
- Alertas por clientes enojados. Detección de sentimiento y de escalada mientras la conversación ocurre, con aviso al supervisor antes de que se rompa. El valor está en el momento en que llega el aviso, porque una escalada detectada en vivo todavía admite intervención, mientras que la misma escalada detectada en la reunión de calidad de la semana siguiente ya solo admite análisis.
- Priorización de clientes. Ordenar la agenda del día según valor, riesgo, urgencia o probabilidad de cierre, en lugar de hacerlo por orden de llegada o, como pasa más seguido de lo que se admite, por afinidad personal del vendedor con el cliente. Parece un cambio menor y no lo es, porque el tiempo de contacto es el recurso más escaso de este lado del triángulo y suele asignarse sin ningún criterio explícito.
- Preparación del encuentro. Un resumen que llega antes de la reunión o de la llamada, con la historia de la cuenta, los compromisos que quedaron abiertos, los últimos reclamos, el uso que el cliente hace del producto y las novedades públicas de su empresa. Es el tipo de preparación que todo el mundo reconoce como necesaria y que casi nadie hace, no por desidia sino porque juntar todo eso a mano lleva cuarenta minutos que nunca están.
- Registro posterior y cierre del caso. Resumen de lo conversado, actualización del CRM, tareas comprometidas, correo de seguimiento. Más allá del tiempo que devuelve, resuelve el problema crónico de los sistemas comerciales, que es que la información llega tarde, llega incompleta o directamente no llega, con lo cual el sistema termina reflejando lo que los vendedores tuvieron ganas de cargar y no lo que efectivamente pasó.
- Idioma. Traducción y adaptación en tiempo real, tanto escrita como hablada. Para una empresa que exporta servicios desde América Latina esto amplía el mercado direccionable sin necesidad de cambiar el equipo, razón por la cual conviene tratarlo como una decisión comercial que se discute en el comité y no como una funcionalidad más del software de atención. Vale la pena recordar, eso sí, que traducir el producto no es localizar el negocio.
- Calidad y coaching sobre el total de las interacciones. El control de calidad tradicional escuchaba unas pocas llamadas por agente por mes, elegidas más o menos al azar, y sobre esa muestra mínima construía una evaluación. Hoy es posible evaluar el total con criterios uniformes y devolver retroalimentación específica sobre casos concretos. El uso correcto de esto es formativo, y si en cambio se lo convierte en un tablero de sanciones el equipo aprende rápidamente a satisfacer al evaluador automático en lugar de al cliente, con lo cual el lado interactivo se degrada mientras el indicador mejora.
- Siguiente mejor acción. Recomendar, en el contexto de la conversación que está ocurriendo, qué conviene ofrecer, resolver o escalar. Funciona bien cuando la recomendación llega acompañada de su fundamento, porque entonces la persona puede evaluarla y decidir; funciona mal cuando llega como una instrucción sin explicación, porque en ese caso quien atiende deja de aportar criterio y se limita a ejecutar, que es justamente lo contrario de lo que se busca en este lado del triángulo.
- Seguimiento de las promesas hechas en la conversación. Es el uso que menos se implementa y el que conecta de manera más directa con el modelo que venimos discutiendo. En cada contacto se asumen compromisos concretos («le mando la cotización mañana», «se lo escalo a soporte y le aviso el jueves») que hoy viven en la memoria de quien los hizo y en ningún otro lado. Extraerlos automáticamente de la conversación, convertirlos en tareas con vencimiento y avisar cuando están por vencer equivale, literalmente, a automatizar el cumplimiento de la promesa, que es la definición misma de este lado del triángulo.
El riesgo propio de este capítulo tiene que ver con la autenticidad, y no es menor. Si el cliente empieza a percibir que todo lo que recibe fue generado por una máquina (el correo, el resumen, la disculpa, la propuesta), el encuentro deja de ser un encuentro y el lado interactivo se vacía justo cuando se lo pretendía reforzar. Esa es la regla práctica que usamos con nuestros clientes.
Capítulo 6. Conclusiones
El triángulo que Berry, Grönroos, Kotler y Bitner terminaron de formular entre 1981 y 1996 describía un negocio de servicios con empleados que atienden clientes. Hoy describe a cualquier organización, en parte porque prácticamente toda empresa entrega una porción de su valor bajo la forma de un servicio continuo, y en parte porque esas tres relaciones se volvieron el terreno donde efectivamente se compite.
Para una startup, el cambio de fondo que trajo la inteligencia artificial es que construir dejó de constituir una barrera. Si el producto puede replicarse en semanas, la ventaja se mudó a los tres lados del triángulo, y el riesgo concreto del fundador consiste en refugiarse en aquello que sabe hacer y disfruta mientras las relaciones quedan sin diseñar. La estadística de fracasos no habla de empresas que no pudieron programar lo que querían, habla de empresas que nunca terminaron de entender a quién le servía lo que programaron.
En el lado que une al empleado con la empresa, la inteligencia artificial abarata la observación continua, y con eso vuelven a ser viables prácticas que hasta ahora eran demasiado caras para sostenerlas: la evaluación basada en evidencia acumulada, el inventario real de habilidades, la movilidad interna y la anticipación de las brechas de capacidad. Es también el lado con más restricciones regulatorias y, sobre todo, con más daño posible si se implementa sin gobernanza escrita.
En el lado que une a la empresa con el cliente, la inteligencia artificial absorbe una porción creciente de la promesa (recepción, resolución, personalización, entrega) y agrega una novedad estructural con el comercio agéntico, donde una parte del interlocutor deja de ser humana. El límite en este caso lo pone la confianza, y la evidencia disponible sugiere que la automatización rinde mientras exista un camino claro hacia una persona.
En el lado que une al empleado con el cliente, el menos automatizado de los tres y a la vez el mejor documentado en cuanto a resultados, la inteligencia artificial funciona como asistente de alguien que sigue respondiendo por el resultado. Es donde la evidencia muestra mejoras simultáneas de productividad, de trato al cliente y de permanencia del empleado, y donde el efecto más interesante es que nivela hacia arriba a los menos experimentados.
Nuestra recomendación para un directorio o un comité de dirección es la misma que damos cuando se trata de procesos, y es que no se empiece por la herramienta. Primero conviene dibujar el triángulo de la propia organización y ponerle nombre a tres cosas: qué se promete, qué hace falta para poder cumplirlo y qué ocurre efectivamente en el encuentro con el cliente. Recién con eso a la vista tiene sentido preguntarse en qué punto la inteligencia artificial hace que esas tres cosas funcionen mejor. Porque la tecnología es barata y está disponible para todos, incluido el competidor, mientras que los tres lados del triángulo no lo están.
Preguntas frecuentes
¿Quién propuso el triángulo empleado, empresa y cliente?
El modelo proviene de la Escuela Nórdica de marketing de servicios y sus conceptos se atribuyen principalmente a Christian Grönroos, con el aporte del marketing interno de Leonard Berry y del concepto de promesa de Henrik Calonius. Según Mary Jo Bitner, fue Philip Kotler quien, influido por Grönroos, desarrolló la formulación de las tres actividades de marketing en su manual; la propia Bitner le dio en 1995 la versión que hoy circula, y Valarie Zeithaml y ella lo consolidaron como «triángulo del marketing de servicios» en su libro de 1996.
¿Qué son el marketing externo, interno e interactivo?
Son los tres lados del triángulo. El externo va de la empresa al cliente y consiste en hacer la promesa. El interno va de la empresa al empleado y consiste en habilitar esa promesa mediante selección, formación, herramientas e información. El interactivo ocurre entre el empleado y el cliente, y es donde la promesa se cumple o se incumple.
¿Qué relación tiene con la cadena servicio-beneficio?
La cadena servicio-beneficio de Heskett, Sasser y Schlesinger, publicada en Harvard Business Review en 1994, es complementaria del triángulo: ordena las mismas relaciones como una secuencia causal en la que la satisfacción del empleado impulsa la del cliente, y esta última impulsa el crecimiento y la rentabilidad.
¿Por qué el triángulo es más relevante en la era de la inteligencia artificial?
Porque la IA redujo de manera drástica el costo y el tiempo de construir producto, de modo que el producto dejó de funcionar como barrera de entrada sostenible. Lo que no se replica con la misma facilidad son las relaciones con empleados y clientes, y la capacidad de cumplir sistemáticamente aquello que se prometió.
¿En qué puede ayudar la inteligencia artificial en la relación con los empleados?
En preselección de candidatos, evaluaciones de desempeño basadas en evidencia continua, inferencia de habilidades y detección de talento, movilidad interna, anticipación de brechas de capacidades, detección de anomalías de control, señales tempranas de rotación, incorporación de nuevos ingresos, asistentes internos de conocimiento, formación personalizada y reducción de carga administrativa. En la Unión Europea buena parte de estos usos está clasificada como de alto riesgo y exige supervisión humana efectiva y transparencia.
¿En qué puede ayudar en la relación con los clientes?
En recepción y estructuración de pedidos por cualquier canal, resolución autónoma de consultas frecuentes, personalización, previsión de demanda y precios, predicción de abandono, análisis del total de las interacciones como voz del cliente, planificación de entregas, detección de fraude, alta de clientes y adaptación al comercio agéntico, donde un agente de IA compra en nombre del usuario.
¿Y en la relación entre el empleado y el cliente?
En redacción de comunicaciones, asistencia en tiempo real durante el contacto, alertas por clientes enojados, priorización de la agenda, preparación previa del encuentro, registro y cierre posterior, traducción, evaluación de calidad y coaching sobre el total de las interacciones, recomendación de la siguiente mejor acción y seguimiento automático de los compromisos asumidos en cada conversación.
Buho Advisors — Advisory tecnológico para directorios en América Latina.
Experiencia real. Visión estratégica.
Para profundizar
El triángulo y su origen
- Grönroos, C. (1994), "From Marketing Mix to Relationship Marketing: Towards a Paradigm Shift in Marketing", Management Decision, 32(2), 4–20 — Management Decision
- Bitner, M. J. (1995), "Building Service Relationships: It’s All About Promises", Journal of the Academy of Marketing Science, 23(4), 246–251 — Journal of the Academy of Marketing Science
- Grönroos, C. (1996), "Relationship Marketing Logic", Asia-Australia Marketing Journal, 4(1), 7–18 — Asia-Australia Marketing Journal
- Zeithaml, V. A., Bitner, M. J. y Gremler, D. D. (2010), "Services Marketing Strategy", en Wiley International Encyclopedia of Marketing, 208–218 — Wiley
- Calonius, H. (2006), "A market behaviour framework", Marketing Theory, 6(4), 419–428 — el trabajo sobre la promesa que Grönroos cita como seminal — Marketing Theory
- Heskett, J., Jones, T., Loveman, G., Sasser, W. E. y Schlesinger, L. (1994), "Putting the Service-Profit Chain to Work" — Harvard Business Review
El impacto de la IA
- Brynjolfsson, E., Li, D. y Raymond, L. (2025), "Generative AI at Work", The Quarterly Journal of Economics, 140(2), 889–942 — Quarterly Journal of Economics
- McKinsey, The State of AI in 2026: On the Road to ROI — McKinsey
- Deloitte, 2026 Global Human Capital Trends — Deloitte
- Gartner, «Agentic AI Will Autonomously Resolve 80% of Common Customer Service Issues by 2029» — Gartner
- Gartner, «Top Four Trends for Talent Acquisition in 2026» — Gartner
- Gartner, «AI Lock-In» — la proyección de escasez irreversible de habilidades hacia 2030 — Gartner
- CB Insights, «The Top Reasons Startups Fail» (marzo de 2026) — CB Insights
- TechCrunch, «A quarter of startups in YC’s current cohort have codebases that are almost entirely AI-generated» (marzo de 2025) — TechCrunch
- Stripe y OpenAI, Agentic Commerce Protocol (septiembre de 2025) — Stripe
- Google Cloud, «Announcing Agent Payments Protocol (AP2)» (septiembre de 2025) — Google Cloud
- Reglamento Europeo de IA — Anexo III, punto 4 (sistemas de alto riesgo en el empleo) — EU AI Act
- Reglamento Europeo de IA — artículo 5.1(f) (reconocimiento de emociones en el trabajo) — EU AI Act
- AnswerConnect / OnePoll, «AI Backlash Grows Across US, UK, and Canada» (mayo de 2026) — PR Newswire
¿Tu directorio está nadando con rumbo?
Acompañamos a directorios y CEOs a sacar la cabeza del agua y tomar decisiones con criterio real, no solo con energía.
Iniciar conversación →