La belleza ya no está en los ojos del espectador; ahora está al alcance de los prompters de inteligencia artificial (IA) generativa. Esta tecnología podría añadir entre $9,000 y $10,000 millones de dólares a la economía mundial basándose solo en su impacto en la industria de la belleza,1 y los pioneros ya han comenzado a probarla. Pero ampliar estos experimentos será un desafío debido a la velocidad con la que avanza la innovación en la IA generativa.
La brecha entre los rezagados y los líderes en la industria de la belleza solo crecerá una vez que los líderes implementen con éxito la IA generativa a gran escala. Los rápidos serán más rápidos, más receptivos y estarán mejor preparados para anticipar y ofrecer lo que los consumidores desean, mientras que a los rezagados podría resultarles más difícil mantener siquiera una pequeña cuota de mercado.
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
Los actores del sector de la belleza que se centren en casos de uso prioritarios y personalicen la IA generativa para satisfacer sus necesidades pueden aprovechar todo el potencial de esta tecnología. Este artículo describe cuatro casos de uso de IA generativa que los actores de la industria de la belleza pueden priorizar, explica cómo incorporar la IA generativa en la organización y presenta un conjunto de imperativos para apoyar su uso a largo plazo en el sector de la belleza.
Cuatro casos de uso de la IA generativa en el sector de la belleza
Más de una docena de casos de uso de la IA generativa aplicables al sector de consumo en general también son relevantes para el sector de la belleza. Estos casos de uso abarcan toda la organización, desde las funciones orientadas al cliente, como la experiencia de usuario, hasta las operaciones internas, como el soporte al cliente (vea la tabla).
Para priorizar los casos de uso, consideramos que el sector de la belleza depende de la rapidez para llevar productos al mercado y responder a los comentarios de los consumidores. Sobre esa base, es probable que cuatro casos de uso de IA generativa tengan el mayor impacto: segmentación hiperpersonalizada, descubrimiento experiencial de productos, desarrollo rápido de conceptos de empaque y desarrollo innovador de productos. Estos casos emplean herramientas de IA generativa en varias etapas de adopción. Algunas (por ejemplo, los chatbots de IA generativa para atención al cliente) ya tienen un uso relativamente extendido entre los actores de la industria de la belleza, mientras que otros son incipientes pero prometedores.
Segmentación hiperpersonalizada
Una de las medidas más importantes que una marca de belleza puede adoptar para sobrevivir en un sector tan competitivo es desarrollar una propuesta de valor única. Pero los actores de la industria también deben asegurarse de que los productos que han posicionado cuidadosamente lleguen a los consumidores que serán más receptivos a ellos.
En la actualidad, la mayoría de las empresas de belleza pueden permitirse dirigirse a un puñado de segmentos de consumidores porque tienen capacidades limitadas para personalizar los mensajes a una mayor escala. Este enfoque amplio de la segmentación de consumidores deja gran parte del mercado sin explotar. Pero con la IA generativa, las marcas de belleza pueden crear mensajes de marketing hiperpersonalizados, lo que, según nuestras observaciones, podría mejorar las tasas de conversión hasta en un 40 por ciento.
La IA puede analizar grandes conjuntos de datos de consumidores, detectar patrones y crear microsegmentos basados en algoritmos de reconocimiento de patrones. A partir de ahí, una marca de belleza puede entrenar su plataforma de IA generativa utilizando una variedad de entradas, como datos de clientes, datos que describen la voz de la marca e información sobre los productos. Al ingresar en nuevos mercados, las marcas de belleza pueden entrenar los modelos de IA generativa con datos internos de productos y con investigaciones de mercado externas, como encuestas a clientes. La IA generativa puede luego crear y probar variaciones de texto e imágenes para identificar qué resuena mejor con cada segmento de consumidores.
Pensemos en hipotéticos mensajes de texto automatizados dirigidos a una clienta ficticia llamada Camille. La marca de belleza sabe que Camille vive en Francia, tiene un gasto anual bajo y recientemente compró un protector solar facial. Camille ha respondido positivamente a promociones en el pasado. Antes de la IA generativa, un mensaje de texto automatizado para Camille podría haber sido: “¡Buenas noticias! Tenemos nuevos productos. Obtén hasta un 20 por ciento de descuento cuando compres en oferta”. Después de implementar la IA generativa, el mensaje podría ser: “¡Bonjour, Camille! ¿Sabías que nuestra espuma limpiadora especial para eliminar el protector solar facial tiene ahora un 20 por ciento de descuento? Es el complemento perfecto para tu reciente compra de protector solar facial”.
Los especialistas en marketing deben revisar los mensajes generados por IA antes de enviarlos para asegurarse de que reflejen el ethos y la propuesta de valor de la marca, evitando plagios o connotaciones potencialmente dañinas. Algunos mensajes que parecen inofensivos pueden ser perjudiciales para la imagen de una marca. En el ejemplo anterior, el saludo generado por IA generativa podría haber dicho “Buenas noches, encantadora dama”, en lugar de “Bonjour”. Un cliente podría encontrar este tono ofensivo o inapropiado, o el mensaje podría ser incompatible con el ethos general de la marca. El equipo de marketing debe proporcionar retroalimentación al modelo de IA generativa, calificando sus resultados quizás con un mecanismo de aprobación /desaprobación e ingresando comentarios detallados en campos de texto libre. La plataforma de IA generativa puede luego procesar esta retroalimentación y convertirla en nuevos datos de entrenamiento.
Las marcas de belleza también tendrán que integrar sus modelos de IA generativa con los activos de sus sistemas de gestión de activos digitales (digital-asset management, o DAM), que sirven como repositorio de todos los activos creativos digitales que utiliza una marca, así como con las herramientas de gestión de campañas. La IA generativa puede categorizar los activos creativos en el sistema DAM, una tarea que de otro modo tendría que hacerse manualmente. Esta automatización libera tiempo para que el equipo de marketing se concentre en tareas de mayor valor.
Aunque sigan trabajando con agencias de marketing para desarrollar estrategias de marca y ejecutar campañas especializadas, las grandes empresas de belleza podrían considerar invertir en capacidades internas de hiperpersonalización. Esto ofrecería dos ventajas principales: las empresas podrían utilizar sus propios datos de consumidores para entrenar los modelos de IA generativa y podrían crear y probar comunicaciones personalizadas con mayor rapidez y agilidad.
Descubrimiento experiencial de productos
A pesar de las innovaciones tecnológicas en el descubrimiento de productos de consumo en los últimos años, aún hay un amplio margen de mejora. Por ejemplo, la primera generación de chatbots para consumidores ofrece respuestas relativamente rígidas y su uso puede resultar frustrante. Cuando un consumidor pide una recomendación para un nuevo rubor para pieles más oscuras, un chatbot puede dar una lista genérica de productos en lugar de personalizar la conversación para un comprador específico y profundizar en un diálogo más significativo. Las pruebas virtuales de productos son útiles, pero pueden presentar fallas técnicas o no reflejar con precisión cómo se vería un producto en un consumidor. En estos casos, las compras en línea a menudo pueden generar devoluciones costosas, ya que los productos de belleza devueltos generalmente no se pueden revender.
Los chatbots impulsados por IA generativa pueden ayudar a mejorar la experiencia de compra y reducir la probabilidad de devoluciones. Estos chatbots basados en grandes modelos de lenguaje (large language models, o LLM) y entrenados con datos de productos y preferencias de los consumidores, son capaces de responder a una mayor variedad de preguntas y ofrecer recomendaciones más personalizadas, lo que puede mejorar las tasas de conversión. Un actor global del sector de estilo de vida desarrolló un asistente de compras potenciado con tecnología de IA generativa y vio cómo sus tasas de conversión aumentaban hasta en un 20 por ciento.
La experiencia de prueba virtual –que ya ha demostrado ser exitosa en otras categorías de consumo, como accesorios y anteojos– también podría mejorarse con la IA generativa. Usando la misma tecnología que impulsa las herramientas de generación de imágenes con IA generativa, los consumidores pueden visualizar cómo se verían diferentes productos en su piel en distintos entornos o incluso observar los beneficios potenciales que un producto podría tener en su apariencia con el tiempo. Por ejemplo, un comprador en línea que desee aclarar manchas oscuras podría probar virtualmente el suero aclarante de una marca subiendo una foto en el sitio web de una empresa de belleza y ejecutando una simulación de los posibles efectos del suero en su piel durante varios meses.
La IA generativa también podría mejorar el descubrimiento experiencial de productos en las tiendas físicas. Hoy en día, los monitores interactivos con pantalla táctil en las tiendas pueden mostrar productos disponibles tanto en la tienda como en línea, lo que permite a los clientes explorar los códigos de referencia (stock-keeping units, o SKU), seleccionar los artículos que desean ver en persona o escanear códigos QR para ofertas exclusivas. Aunque estas pantallas tienen funcionalidades limitadas, se ha demostrado que mejoran la experiencia de compra en las tiendas y las tasas de conversión.2 La IA generativa puede impulsar la efectividad de estas pantallas. Por ejemplo, cuando un comprador que tiene activados los servicios de ubicación en la aplicación de una empresa de belleza entra en su tienda, la IA generativa podría generar contenido personalizado para ese cliente en función de su perfil y su historial de compras. Dado lo que sabemos sobre la eficacia del contenido personalizado, estos principios podrían trasladarse al entorno de las tiendas físicas, aunque la implementación a gran escala aún no se ha producido.
Desarrollo rápido de conceptos de empaque
Al evaluar un producto de belleza, los consumidores tienen en cuenta tanto el producto en sí como su branding y empaque. Las marcas de belleza suelen dedicar meses al desarrollo de nuevos conceptos de branding y empaque, un proceso que generalmente requiere la colaboración de diseñadores, editores, estrategas y expertos en empaques para iterar y perfeccionar ideas.
La IA generativa no necesariamente eliminaría este proceso, pero podría acelerarlo drásticamente. Así es como podría funcionar: un diseñador de empaques le pide a una plataforma de IA generativa el siguiente prompt: “Muéstrame cinco opciones de empaque para una crema hidratante nocturna, destacando los beneficios para el cuidado de la piel y el uso de materiales de embalaje sostenibles”. El diseñador luego modifica el resultado generado por la plataforma de IA generativa con base en la información sobre las preferencias de los clientes, que podría provenir de grupos focales y encuestas a consumidores. A continuación, un diseñador publicitario utiliza los prototipos del nuevo empaque en anuncios digitales para probar si las imágenes atraen a los consumidores, evaluando el nivel de interacción en línea con los nuevos anuncios. Estos datos se utilizan posteriormente para refinar aún más la creación de conceptos y prototipos impulsados por IA generativa. Con este enfoque básico, una empresa de bebidas redujo su tiempo de desarrollo de conceptos en un 60 por ciento.
Desarrollo innovador de productos
La creación de nuevas fórmulas para productos de belleza es un proceso que lleva varios años. Requiere que los actores del sector se asocien con laboratorios para investigar ingredientes y experimentar con fórmulas con el fin de determinar la seguridad, estabilidad y eficacia de un nuevo producto.
La IA generativa puede acelerar este proceso. Un modelo de IA generativa, una vez entrenado con información como la lista de materiales de un producto de belleza, el uso de materias primas, los parámetros del proceso, los datos de investigaciones internas y otros datos (como patentes de productos o ensayos de productos anteriores), puede identificar los ingredientes que pueden ser más adecuados para un nuevo producto, predecir sus beneficios y recomendar recetas para las fórmulas.
Volviendo al ejemplo de una crema hidratante nocturna, supongamos que un científico especializado en formulaciones pudiera pedir a la herramienta de IA generativa que cree una nueva fórmula que enfatice los neuropéptidos, un ingrediente popular en el cuidado de la piel, y priorice los beneficios antienvejecimiento, reduciendo a la vez los costos de formulación. Una vez que la herramienta elaborara una receta potencial, el científico realizaría pruebas de laboratorio para evaluar la compatibilidad y estabilidad de los ingredientes en la formulación, además de pruebas adicionales de seguridad, pruebas con consumidores y ensayos clínicos, si correspondiera. La iteración de la fórmula continuaría en función de la retroalimentación de los consumidores.
Si bien el proceso de pruebas físicas seguirá requiriendo tiempo, un análisis de McKinsey ha encontrado que las herramientas de IA generativa pueden reducir el tiempo necesario para investigar nuevos productos de semanas a días. Esto puede ayudar a ahorrar hasta un 5 por ciento en materias primas durante el desarrollo de esos productos.
¿Comprar, adaptar o construir?
El mercado de plataformas empresariales de IA generativa está creciendo. Pero ¿qué enfoque —si es que alguno— es el más adecuado para los actores del sector de la belleza?
Las organizaciones pueden incorporar herramientas de IA generativa de tres maneras: lo que llamamos los enfoques de “taker”, “shaper” y “maker”. La mayoría de las empresas del sector de la belleza probablemente no optarán por el enfoque del maker, en el que las empresas construyen sus propios LLM desde cero. Eso requeriría inversiones en capital y talento que exceden lo que la mayoría de las empresas de belleza pueden justificar; además, podría desviar inútilmente la atención de la compañía de sus competencias principales. Sin embargo, las empresas de belleza aún pueden obtener valor de los otros dos enfoques:
-
Enfoque taker. Este enfoque implica integrar soluciones de IA generativa de terceros ya disponibles en el mercado directamente en los flujos de trabajo de una empresa, con poca o ninguna personalización. Es el menos costoso y el que requiere menos recursos de los tres, por lo que resulta una opción atractiva para las marcas de belleza que dependen de los minoristas para la distribución (y, por lo tanto, cuentan con menos datos de consumidores para personalizar los modelos), tienen menos talento tecnológico o disponen de menos capital para inversiones.
Al evaluar una herramienta o plataforma de IA generativa, los actores de la industria de la belleza deberían plantearse preguntas como las siguientes: ¿Cuáles son los protocolos de privacidad y cifrado de datos que utiliza el proveedor? ¿Usará el proveedor los datos de la marca para entrenar modelos de terceros o de la propia plataforma? ¿Quién posee los derechos de autor de los resultados? ¿Qué tan fácil es la integración con los sistemas internos de la empresa de belleza? (Por ejemplo, ¿el proveedor tiene una interfaz de programación de aplicaciones (API)? ¿Está integrado con actores como Google Analytics para habilitar casos de uso más amplios?)
Por supuesto, es crucial realizar una prueba piloto de la herramienta. La mayoría de los proveedores de IA generativa de buena reputación ofrecen una prueba piloto a bajo costo por un tiempo limitado, generalmente alrededor de un mes.
-
Enfoque shaper. Ser shaper o adaptador significa entrenar modelos de IA generativa de terceros con los datos y conocimientos de la empresa relacionados con necesidades específicas de una región geográfica, sector, organización o caso de negocio. Por ejemplo, para una segmentación hiperpersonalizada, los datos pueden incluir información sobre la voz de la marca, la demografía y las preferencias de los clientes, o las campañas exitosas. Para el desarrollo innovador de productos, los datos sin procesar de los resultados de pruebas clínicas podrían servir para entrenar los modelos.
Las marcas de belleza o los minoristas más grandes que cuentan con una gran cantidad de datos de consumidores podrían optar por este enfoque. Para implementarlo, necesitarán un grupo de talento tecnológico capaz de añadir nuevos componentes a la herramienta de IA generativa, integrarla en los flujos de trabajo existentes y desplegarla en toda la organización.
Los actores del sector de la belleza pueden combinar los enfoques taker y shaper para la IA generativa, según sus necesidades y casos de uso específicos. La rapidez —tanto para llegar al mercado como para responder a la demanda de los consumidores— es particularmente importante para esta industria. Por este motivo, las organizaciones del sector deberían considerar utilizar componentes modulares de IA generativa, que facilitan el cambio entre proveedores de LLM, lo que hace más sencilla la escalabilidad. La IA generativa puede permitir una mayor eficiencia y automatización en la industria de la belleza, pero este sector es una ciencia y un arte; será fundamental mantener a un humano en el bucle para identificar los riesgos y aportar creatividad exclusivamente humana en áreas como el marketing y el diseño de empaques.
Cómo implementar la IA generativa a gran escala
Para destacarse en el ámbito digital y de IA, los actores del sector de bienes de consumo envasados deberían plantearse preguntas críticas como: “¿Dónde está el valor?” y “¿Están los líderes del lado empresarial participando activamente en la transformación?”. Además, los actores del sector de la belleza pueden tomar cuatro pasos para integrar verdaderamente la IA generativa en su negocio:
-
Alinear el liderazgo en la visión, el valor y la hoja de ruta. Para pasar de la experimentación a la escala, los actores del sector de la belleza deben identificar cuál de los cuatro casos de uso descritos anteriormente en este artículo generará el mayor aumento de ingresos, ahorro de tiempo y costos, e impacto en la experiencia del cliente. Para calcular este potencial y luego definir la hoja de ruta en consecuencia, los ejecutivos deben reunir a líderes de diversas funciones, como marketing, servicio al cliente y desarrollo de productos.
-
Fortalecer las capacidades. Por muy prometedora que sea la IA generativa, su uso eficaz a largo plazo exige que los líderes de la industria de la belleza evalúen cómo encaja y cómo está respaldada por las capacidades de la organización, incluyendo su modelo operativo, sus prácticas de datos y tecnología, y su talento. Las empresas deberían crear equipos interdisciplinarios para evaluar las capacidades existentes de la organización y determinar qué habilidades adicionales se necesitan. Estos equipos también deberían implementar programas de mejora de habilidades (upskilling) que ayuden a abordar las brechas de capacidad dentro de sus filas.
-
Probar, aprender, perfeccionar, repetir. Los actores del sector de la belleza deberían probar los resultados de la IA generativa en entornos controlados para determinar qué está funcionando. Por ejemplo, en casos de uso de marketing, un marca de belleza seleccionaría un canal –como correo electrónico, SMS o medios pagados– y utilizaría pruebas A/B para medir la efectividad de un anuncio creado por IA generativa, tanto de manera cuantitativa (utilizando métricas como el impacto en las ventas o las tasas de clics) como cualitativa (haciendo preguntas como: "¿El anuncio refleja la esencia de la marca?"). La plataforma de IA generativa podría luego ser entrenada con estos aprendizajes para producir mejores resultados en pruebas posteriores.
-
Adoptar un marco de riesgos. Los productos de belleza suelen conectar con los consumidores a nivel emocional. Debido a esto y a la naturaleza altamente social de la categoría, los actores del sector de la belleza deben establecer límites claros para prevenir y contener los riesgos que implica el uso de la IA generativa. Este marco de riesgos debe considerar la interpretabilidad y fiabilidad de los resultados de la IA generativa, las amenazas a la seguridad, la falta de equidad o los posibles sesgos, las infracciones a la propiedad intelectual, los riesgos asociados al uso de herramientas de IA de terceros y las preocupaciones sobre privacidad. La IA generativa debe complementar –no reemplazar– el trabajo realizado por los equipos de marketing o desarrollo de productos de una empresa de belleza.
Si bien gran parte de los productos de la industria de la belleza son cosméticos, las aplicaciones de IA generativa en el sector van más allá de lo superficial. La integración de esta tecnología junto con otras herramientas digitales y de inteligencia artificial, así como el impulso de las capacidades organizacionales, pueden diferenciar a los líderes del sector de la belleza en los próximos años.