Por qué la IA en el marketing no equivale a IA que funciona

Nota: Este documento es una traducción automática del original en inglés.

Por qué la IA en el marketing no equivale a IA que funciona

La brecha entre la IA de marketing y la IA que funciona es el problema central que aborda DecAIHub. Cientos de proyectos cripto usan palabras como "impulsado por IA", "construido con IA de vanguardia" o "nuestro motor de IA" en su marca, pero cuando buscas artefactos verificables, muchos no tienen código, ni modelo, ni benchmarks, ni documentación técnica. Esta página explica por qué el lenguaje de marketing por sí solo no es evidencia, cómo identificar los patrones más comunes de exageración y cómo distinguir la diferencia usando una ficha de proyecto de DecAIHub.

En resumen: cualquiera puede escribir "IA" en un sitio web. Lo que importa es si existe un AI component que funciona detrás de la afirmación, y si la evidencia Tier-1 la respalda.

Patrones comunes de marketing

Ciertas frases aparecen con tanta frecuencia en los sitios web de proyectos cripto que se han convertido en indicadores fiables de posicionamiento sin sustancia:

• "Impulsado por IA" o "potenciado por inteligencia artificial" — usado como modificador sin contexto técnico.
• "Nuestro motor de IA propietario" — sin descripción de arquitectura, sin nombre de modelo, sin historial de versiones.
• "Construido con IA/ML de vanguardia" — sin especificación de qué tipo de ML, qué datos o qué salida.
• "IA" en el nombre del token o el ticker — la palabra aparece en la marca pero no en ningún artefacto técnico.
• "Funciones de IA próximamente" o "hoja de ruta de IA para el Q3" — intención sin implementación.
• "Entrenado con miles de millones de puntos de datos" — sin descripción del dataset, sin metodología, sin fuente verificable.
• "Red neuronal avanzada" — sin tipo de arquitectura, sin recuento de capas, sin detalles de entrenamiento, sin benchmarks.

Estas frases no son automáticamente falsas. Pero sin artefactos que las respalden, tienen cero peso verificable. La prueba clave es si el lenguaje va acompañado de detalles concretos: una arquitectura de modelo con nombre, un dataset publicado, un repositorio enlazado o una demo funcional.

Cómo escalan las afirmaciones de marketing

Las afirmaciones de IA de marketing tienden a seguir una escalera de escalada predecible. Entender este patrón ayuda a distinguir la comunicación genuina del posicionamiento:

Etapa	Afirmación típica	Qué falta
Nivel-nombre	"IA" en el nombre del token o el título del proyecto	Cualquier descripción de lo que hace la IA
Nivel-modificador	"Plataforma impulsada por IA" en la landing page	Cualquier detalle técnico o arquitectura
Nivel-función	"Nuestra IA analiza datos de mercado en tiempo real"	Tipo de modelo, fuente de datos, precisión, demo
Nivel-arquitectura	"Construido sobre un modelo transformer propietario"	Repositorio, versión, benchmark, datos de entrenamiento
Nivel-evidencia	"Mira nuestra model card, resultados de benchmark y documentación de la API"	Nada — así se ve la verificación

La mayoría de los proyectos que disparan preocupaciones de AI-washing están estancados en la etapa de Nombre o de Modificador. Los proyectos en el nivel de Evidencia casi siempre tienen AI components verificables.

Por qué el marketing por sí solo no es evidencia

Escribir "IA" en un whitepaper, una landing page o un pitch deck no requiere ninguna capacidad técnica. No existe un estándar de la industria que impida que un proyecto sin IA se llame a sí mismo impulsado por IA. Ningún organismo regulador audita estas afirmaciones en tiempo real. Esto crea un entorno donde el coste de afirmar tener IA es casi nulo, mientras que el coste de construir IA real es sustancial.

El resultado es una brecha predecible: los proyectos con una fuerte marca de IA pueden tener ai_score = 0 en DecAIHub (no se encontró IA verificable), mientras que proyectos con marketing mínimo pero trabajo técnico real puntúan ai_score = 3. La etiqueta te dice cómo quiere ser percibido el proyecto. La evidencia te dice lo que es de forma demostrable.

Esta asimetría no es exclusiva de cripto. En los sectores tecnológicos tradicionales, las empresas enfrentan regularmente escrutinio por exagerar las capacidades de IA. Lo que hace diferente al espacio de la cripto-IA es la capa adicional de tokenización: la narrativa de un proyecto afecta directamente la percepción del token, lo que amplifica el incentivo para exagerar las afirmaciones técnicas.

La lista de verificación

Al leer una ficha de proyecto, comprueba estas áreas antes de confiar en una afirmación de IA:

1. Campo AI component — ¿hay un valor específico y descriptivo (p. ej., inference engine for LLM routing, agent framework + SDK, GPU orchestration), o dice positioning only, none o unknown?
2. ai_score — una puntuación de 0 significa que no se encontró evidencia Tier-1 de IA que funciona. Una puntuación de 3 significa que existen artefactos sólidos y verificables.
3. Nivel de evidencia (Evidence tier) — ¿hay repositorios públicos con código de IA, documentación técnica con versiones y fechas, o demos funcionales?
4. Especificidad — ¿el proyecto nombra un modelo, arquitectura, dataset o benchmark concreto? El lenguaje vago es una señal de advertencia.
5. Cronología — ¿"IA" siempre fue parte del proyecto, o se añadió al nombre y al posicionamiento después del lanzamiento sin un cambio técnico correspondiente?
6. Consistencia entre fuentes — ¿el whitepaper, el repositorio de GitHub, la documentación oficial y el sitio web cuentan la misma historia técnica? La divergencia entre fuentes a menudo indica que el marketing ha superado a la ingeniería.

Un enfoque práctico: empieza con el campo AI component y el ai_score. Si el componente dice positioning only y la puntuación es 0, es poco probable que las comprobaciones restantes revelen sustancia oculta. Si el componente nombra una función concreta y la puntuación es 2 o superior, las comprobaciones más profundas te ayudan a entender cuán sólida es la evidencia.

Consulta Cómo saber si un proyecto realmente tiene IA y Qué cuenta como evidencia de IA para un recorrido detallado.

Cómo lo maneja DecAIHub: AI_0 vs AI_1 a AI_4

La métrica DecAI Fit separa la intención de la evidencia usando flags granulares:

• AI_0 — el proyecto tiene una declaración Tier-1 de intención de IA (hoja de ruta, documentación oficial), pero ninguna evidencia de un AI component que funciona. Esta es la línea base de "solo marketing".
• AI_1 — el proyecto describe qué hace exactamente la IA (función específica, no solo una palabra de moda).
• AI_2 — el proyecto tiene demos o ejemplos funcionales donde el AI component produce una salida observable.
• AI_3 — el proyecto publica métricas, benchmarks o evaluaciones de calidad con metodología.
• AI_4 — el proyecto proporciona documentación técnica: arquitectura, versiones del modelo, descripciones del pipeline de datos.

Un proyecto estancado en AI_0 ha declarado intención pero no ha proporcionado sustancia verificable. La distancia entre AI_0 y AI_1+ es exactamente la brecha entre la IA de marketing y la IA que funciona.

Cada flag es binario (0 o 1) y se evalúa de forma independiente. Un proyecto puede tener AI_1 = 1 y AI_3 = 0, lo que significa que describe lo que hace la IA pero no ha publicado métricas de calidad. Los flags construyen un perfil, no una única puntuación, y ese perfil revela con precisión dónde se detiene la evidencia y empieza el marketing.

La brecha en la práctica

El patrón se repite en todo el registro de DecAIHub:

• Marketing de IA intenso, ai_score bajo: el sitio web del proyecto, sus cuentas sociales y sus materiales de pitch destacan prominentemente la "IA", pero el campo AI component dice positioning only y el ai_score es 0. Sin repositorio de código, sin model card, sin benchmark, sin demo.
• Marketing mínimo, ai_score alto: el proyecto apenas menciona la IA en su marca, pero la ficha lista un AI component específico, enlaza a un repositorio con código de modelo, referencia benchmarks publicados y documenta una arquitectura versionada. El ai_score es 3.

El primer proyecto es más ruidoso. El segundo proyecto es más verificable. DecAIHub mide la segunda dimensión.

Un patrón relacionado involucra proyectos que usan terminología de IA de forma inconsistente. El sitio web puede mencionar "deep learning", el whitepaper puede referirse a "algoritmos de machine learning" y la documentación puede describir lógica basada en reglas. Cuando la terminología cambia entre materiales sin un hilo técnico claro, sugiere que se está aplicando lenguaje de marketing a funcionalidad que no es IA.

Cuándo el rebranding señala AI-washing

Uno de los patrones más reconocibles en el espacio de la cripto-IA es el rebranding a IA posterior al lanzamiento: un proyecto que se lanzó sin ninguna narrativa de IA añade "IA" a su nombre, ticker o posicionamiento después de que el concepto gana atención. Esto no es una acusación contra el proyecto, pero es una señal fuerte que vale la pena investigar.

Preguntas clave que hacer cuando un proyecto cambia su marca a IA:

• ¿Hubo un cambio técnico correspondiente? Si el proyecto añadió IA a su nombre pero no apareció código, modelo o documentación técnica nuevos alrededor del mismo tiempo, el rebranding es cosmético.
• ¿El campo AI component refleja el cambio? Un pivote genuino a la IA resultaría en una descripción específica del AI component. Si el campo sigue diciendo positioning only, el rebranding no se ha fundamentado.
• ¿Hay una cronología de desarrollo? La integración real de IA deja rastros: commits en el repositorio, actualizaciones de documentación, cambios de versión del modelo. Un rebranding sin estos rastros es posicionamiento, no ingeniería.

Conexión con el AI-washing

Cuando la brecha entre las afirmaciones de marketing y la evidencia verificable es amplia, DecAIHub lo llama AI-washing —presentar un proyecto como impulsado por IA cuando no existen artefactos que lo respalden. El AI-washing no es un veredicto acusatorio; es una señal medible: afirmaciones audaces de IA combinadas con positioning only o ai_score = 0.

El AI-washing es especialmente común en categorías donde "IA" añade valor percibido a un token o narrativa, como los meme tokens con narrativa de IA o los proyectos que cambian su marca a IA después del lanzamiento.

Qué no demuestra por sí solo este concepto

• Un marketing intenso no demuestra que el proyecto no tenga IA. Algunos proyectos con marketing fuerte también tienen AI components reales y documentados.
• Un ai_score bajo no es una acusación contra el proyecto. Significa que no se encontró evidencia Tier-1 de IA que funciona a la fecha de verificación. Consulta Por qué la ausencia de evidencia no es ausencia de tecnología.
• Alcanzar AI_1+ no demuestra que la IA sea de alta calidad. Significa que existen artefactos verificables, no que demuestren excelencia.
• Un ai_score alto no demuestra que el proyecto resuelva un problema real. Demuestra que los artefactos de IA están documentados, no que sean útiles.

Preguntas frecuentes

¿Cuán común es el AI-washing en cripto?

El AI-washing está extendido en todo el espacio de la cripto-IA. Una porción significativa de proyectos que incluyen "IA" en su marca o nombre de token no muestran ningún AI component verificable cuando se evalúan frente a los criterios de evidencia Tier-1. DecAIHub rastrea esto sistemáticamente: cualquier proyecto con ai_score = 0 y un posicionamiento de IA prominente se marca como un posible caso de AI-washing. El patrón es especialmente prevalente en categorías donde la narrativa impulsa la atención, como los meme tokens o los proyectos recién lanzados que adoptan una marca de IA.

¿Puede un proyecto con marketing intenso tener IA real de todos modos?

Sí. El marketing fuerte y la IA genuina no son mutuamente excluyentes. Algunos proyectos bien financiados promueven activamente sus capacidades de IA y también mantienen repositorios públicos, benchmarks publicados y documentación técnica detallada. La prueba no es si existe marketing, sino si está respaldado por evidencia verificable. En términos de DecAIHub, un proyecto con marketing agresivo y ai_score = 3 ha superado el umbral de verificación independientemente de cuán ruidosamente se promocione.

¿Cuál es la forma más rápida de comprobar si las afirmaciones de IA son reales?

Empieza con dos campos de la ficha de proyecto: el campo AI component y el ai_score. Si el AI component dice positioning only o none y el ai_score es 0, el proyecto no tiene IA verificada independientemente de su marketing. Si el AI component nombra una función específica y el ai_score es 2 o superior, procede a comprobar el nivel de evidencia y la documentación enlazada para evaluar la profundidad.

¿El rebranding a IA después del lanzamiento indica AI-washing?

No automáticamente, pero es una señal de advertencia fuerte. Los pivotes legítimos a la IA ocurren cuando un proyecto integra genuinamente tecnología de IA, lo que deja rastros en repositorios de código, documentación y anuncios técnicos. Si el único cambio es un nuevo nombre o una copia del sitio web actualizada sin artefactos técnicos correspondientes, el rebranding es cosmético y probablemente califica como AI-washing en el marco de DecAIHub.

Referencias externas

• Stanford HAI — Artificial Intelligence Index Report — datos anuales sobre la adopción, las capacidades y las afirmaciones de IA en distintas industrias.
• OECD AI Policy Observatory — marcos para evaluar afirmaciones de IA y definir una IA confiable.
• MIT Technology Review — AI section — cobertura de los ciclos de hype de la IA, afirmaciones exageradas y progreso real en el campo.

Véase también

• Cómo saber si un proyecto realmente tiene IA
• Qué cuenta como evidencia de IA
• Qué no cuenta como evidencia de IA
• Qué es un AI component
• AI component vs use case
• AI-washing, onchain-washing y token-washing
• Por qué la ausencia de evidencia no es ausencia de tecnología
• Qué es DecAI Fit
• Cómo leer una ficha de proyecto
• Evidencia Tier-1, Tier-2 y Tier-3