Cómo vender IA a compradores escépticos
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Vender IA a compradores escépticos significa aceptar que la duda es razonable y responderla con evidencia en lugar de entusiasmo. La mayoría de los compradores B2B no son hostiles a la IA. Han oído grandes promesas, han visto fracasar algunas y han aprendido que una respuesta fluida no es lo mismo que una respuesta correcta. Un proveedor que trate eso como un problema de actitud que hay que esquivar perderá frente a otro que lo trate como un conjunto de preguntas específicas que hay que responder.
Esta página desglosa el «escepticismo» en sus distintos tipos de objeción, muestra qué clase de prueba responde a cada una y explica cómo cambia el enfoque de ventas como resultado. Para la mecánica de las demos y los conjuntos de evaluación, consulte por qué las demos importan más en los productos de IA. Para el mensaje, consulte el posicionamiento de productos de IA.
Por qué los compradores son escépticos
El escepticismo hacia la IA está muy extendido y se puede medir, y convive con un uso intensivo. El estudio global de 2025 sobre la confianza en la IA de KPMG y la University of Melbourne, que abarcó a más de 48 000 personas en 47 países, encontró que 46 % está dispuesto a confiar en los sistemas de IA, mientras que 66 % usa IA con regularidad. Las personas la usan y aun así retienen su confianza.
El mismo estudio encontró que 70 % cree que se necesita regulación. La encuesta de Pew Research a adultos de EE. UU., realizada en agosto de 2024, encontró que 51 % estaba más preocupado que entusiasmado por el mayor uso de la IA en la vida diaria, y que 59 % tenía poca o ninguna confianza en que las empresas estadounidenses desarrollen y usen la IA de forma responsable.
Son cifras del público general, no datos de compras, así que no las lea como la opinión exacta de su comprador. Lo que muestran es el punto de partida: un comprador en una reunión también es una persona que se ha formado estas opiniones en otros lugares.
Los distintos tipos de objeción
«No estamos seguros de la IA» agrupa varias preocupaciones separadas. Cada una necesita una respuesta distinta. El error es responder a todas con la misma demo.
Precisión y alucinación. «¿Y si se equivoca?» El comprador teme errores seguros y fluidos que nadie detecta. El estudio de KPMG da cierto sustento a ese temor: 66 % de los trabajadores encuestados dijo que confía en los resultados de la IA sin verificar su precisión, y 56 % dijo haber cometido errores en el trabajo por culpa de la IA. Los compradores no necesitan haber leído eso para intuir el riesgo.
Exageración, o «AI washing». «¿Esto es realmente IA y realmente hace eso?» Los reguladores han empezado a actuar al respecto, como se explica más abajo.
Datos y privacidad. «¿Adónde van nuestros datos y entrenan su modelo?» Esta objeción suele decidir si un acuerdo puede avanzar, porque llega a la revisión legal y de seguridad.
Pilotos fallidos del pasado. «Probamos algo parecido y no llegó a nada.» El comprador no duda tanto de la tecnología como de la capacidad del proveedor para entregar un resultado en un flujo de trabajo real.
Personas y cambio. «¿Nuestro equipo lo va a usar y amenaza sus empleos?» El economic buyer puede estar de acuerdo mientras quienes deben adoptarlo están ansiosos o se resisten.
Viabilidad del proveedor. «¿Seguirán aquí dentro de dos años?» Las startups de IA son jóvenes y la categoría se mueve rápido. Los compradores temen quedarse atrapados con un producto que se cierra, se adquiere o se reconstruye.
Los reguladores convirtieron la exageración en un riesgo legal
La sospecha de los compradores ante las afirmaciones infladas sobre la IA no es solo un estado de ánimo. Dos reguladores de EE. UU. han tomado medidas de cumplimiento al respecto.
En marzo de 2024, la SEC anunció acuerdos por cargos contra dos asesores de inversión, Delphia (USA) Inc. y Global Predictions Inc., por hacer declaraciones falsas y engañosas sobre su uso de la IA. La SEC les impuso multas de $225 000 y $175 000, un total combinado de $400 000. El presidente de la SEC, Gary Gensler, dijo que los asesores de inversión no deben engañar al público diciendo que usan un modelo de IA cuando no es así. Este es el origen de «AI washing» como término de aplicación de la ley.
En septiembre de 2024, la FTC anunció Operation AI Comply, una ofensiva contra las afirmaciones engañosas sobre IA que nombró a DoNotPay, Ascend Ecom, Ecommerce Empire Builders, Rytr y FBA Machine. El comunicado afirma que no existe una exención para la IA respecto de las leyes vigentes.
Para un fundador, la conclusión es práctica. Cada afirmación sobre capacidades en una presentación de ventas, un sitio web o un correo es algo que el asesor jurídico de un comprador puede leer con lupa, y algo que usted debería poder respaldar con un resultado de pruebas. Si no puede demostrar que el producto hace algo, no diga que lo hace.
Qué evidencia responde a qué objeción
Las afirmaciones no mueven a un escéptico, pero un artefacto concreto sí. La tabla relaciona cada objeción con la prueba que suele resolverla. La columna derecha describe categorías de evidencia, no una promesa de resultados.
| Objeción | Lo que el comprador pregunta en realidad | Evidencia que la responde |
|---|---|---|
| Precisión y alucinación | ¿Con qué frecuencia se equivoca y cómo nos daríamos cuenta? | Una tasa de error medida sobre un conjunto de pruebas declarado, un caso de falla visible y el paso de revisión integrado en el flujo de trabajo |
| Exageración | ¿Puede demostrar cada capacidad que describió? | Una lista de afirmaciones en la que cada elemento se corresponde con una prueba, más declaraciones claras de lo que el producto no hace |
| Datos y privacidad | ¿Adónde van nuestros datos y quién puede verlos? | Términos escritos de manejo de datos: retención, uso para entrenamiento, subencargados del tratamiento, eliminación, documentación de seguridad |
| Pilotos fallidos del pasado | ¿Por qué este llegaría a producción? | Un piloto acotado con criterios de éxito escritos, un responsable con nombre y una regla de decisión; consulte de pilotos a contratos |
| Personas y cambio | ¿Alguien lo usará y qué le hace a los roles? | Un flujo de trabajo en el que las personas conservan el control, un plan de despliegue con capacitación y una explicación honesta de qué tareas cambian |
| Viabilidad del proveedor | ¿Qué pasa si desaparecen o cambian de rumbo? | Referencias de clientes, derechos de exportación de datos, términos de continuidad contractual |
Los límites honestos generan más confianza que la seguridad
El instinto ante el escepticismo es sonar más seguro. Eso suele resultar contraproducente, porque la certeza es justamente lo que el comprador desconfía.
Declare primero los límites. Diga en qué es bueno el producto, qué maneja mal y cómo lo sabe. «Alcanza esta precisión con este tipo de entrada, tiene dificultades con aquel tipo y esos casos pasan a una persona» le da al comprador algo que verificar. «Es muy preciso» le da algo de qué dudar.
Describa los controles, no solo las fallas. Un límite con una salvaguarda (resultados de baja confianza enviados a revisión, un registro de auditoría, una forma sencilla de anular) es un riesgo que el comprador puede gestionar. Un límite sin salvaguarda es un motivo para esperar.
Use el vocabulario que usan los propios equipos de riesgos de los compradores. El NIST AI Risk Management Framework enumera las características de una IA confiable: válida y fiable, segura, protegida y resiliente, responsable y transparente, explicable e interpretable, con privacidad reforzada, y justa con el sesgo dañino gestionado. También dice que crear una IA confiable exige equilibrar estas características según el contexto de uso del sistema. Es un marco voluntario, no una certificación, así que no afirme «cumplimiento de NIST». Pero organizar sus respuestas a un cuestionario de seguridad o de riesgos en torno a esos encabezados demuestra que usted sabe qué verifica un comprador cuidadoso.
La supervisión humana como función del producto
Para la mayoría de los compradores escépticos, la pregunta no es si la IA puede reemplazar un paso, sino si una persona sigue siendo responsable de él. Diseñar y vender el producto con la supervisión a la vista cambia la conversación.
- Muestre dónde decide una persona. Los flujos en los que se redacta y se aprueba, los umbrales de confianza y las rutas de escalamiento concretan el papel humano.
- Mantenga un registro de auditoría. Los compradores en entornos regulados o de atención al cliente necesitan ver después qué hizo el sistema y por qué.
- Deje que el comprador fije el nivel de autonomía. Empezar en modo de sugerencias y pasar a la automatización a medida que crece la confianza permite que un comprador cauteloso diga que sí antes.
- Nombre quién es responsable. «El revisor da el visto bueno» es una respuesta más clara que «la IA se encarga».
Esto también responde a la objeción de personas y cambio. Una herramienta presentada como apoyo al criterio de un equipo encuentra menos resistencia que una presentada como reemplazo, y además suele ser más exacto describirla así, ya que la mayoría de los despliegues mantienen a las personas en el circuito.
Referencias y pruebas de pares
Los escépticos confían más en sus pares que en los proveedores. Una llamada de referencia con un cliente de un rol, tamaño y flujo de trabajo similares es uno de los activos más sólidos que puede ofrecer, porque el comprador obtiene respuestas de alguien sin interés en la venta.
Algunas prácticas hacen que las referencias rindan más:
- Asocie la referencia con la objeción. Un comprador preocupado por los datos debe hablar con un cliente que pasó por la revisión de seguridad. Un comprador escarmentado por un piloto anterior debe hablar con uno que pasó de piloto a producción.
- Prepare a las referencias para dar respuestas honestas. Si una referencia solo elogia, suena a guion. Una referencia que dice «necesitó tres semanas de ajustes y luego funcionó» es más creíble.
- No invente pruebas. Cite únicamente resultados que pueda sustentar, con el método detrás, en línea con las acciones de cumplimiento mencionadas arriba.
Las empresas en etapa temprana con pocas referencias pueden ofrecer formas de prueba más pequeñas: un design partner dispuesto a hablar, un método de evaluación público o un piloto estructurado para que el comprador vea la evidencia antes de comprometerse. Cómo incorporar a esos compradores a un proceso de decisión se explica en el comité de compra de IA.
Los compromisos contractuales cierran la brecha
Cierta duda no se puede eliminar con evidencia, porque se refiere al futuro. Los términos del contrato pueden absorber ese riesgo residual. Los compradores no pueden verificar el desempeño de mañana, pero sí pueden pedirle que se comprometa con algo al respecto.
Los términos que suelen surgir con compradores escépticos incluyen:
- Manejo de datos: sin entrenamiento con datos del cliente sin permiso, retención definida, eliminación a la salida
- Compromisos de desempeño o de servicio vinculados a los criterios medidos del piloto
- Una vía de salida: el derecho a exportar los datos y a terminar el contrato si no se cumplen los criterios acordados
- Aviso de cambios importantes en los modelos o en los subencargados del tratamiento
- Documentación de seguridad y derechos de auditoría proporcionales a los datos involucrados
No necesita ceder en todo. Necesita saber qué compromisos puede cumplir con honestidad, ofrecerlos y rechazar el resto con claridad. Un compromiso que no puede cumplir es peor que ninguno. Cómo estructurar el camino desde una prueba exitosa hasta estos términos se explica en de pilotos de IA a contratos, y cómo construir el argumento financiero en paralelo se explica en el caso de negocio de ROI de un producto de IA.
Cómo cambia el enfoque de ventas
Vender a escépticos no es un funnel distinto, pero cambia el énfasis en cada punto.
- Diagnostique la objeción antes de responderla. Pregunte qué preocupación impulsa la duda. Las preguntas de la tabla anterior son una lista inicial. Se aplica la disciplina clásica del manejo de objeciones: escuchar, aclarar y luego responder con pruebas.
- Empiece con evidencia, no con afirmaciones. Abra con un resultado de pruebas, un caso de falla o una referencia, no con una lista de funciones.
- Diga lo que no hace. Nombrar un límite desde el principio lo pasa de «proveedor» a «alguien que ha pensado en esto».
- Incorpore pronto a los responsables del riesgo. Legal, seguridad y las personas que usarán el producto suelen decidir si un acuerdo sobrevive. No espere a que aparezcan tarde. Consulte la venta basada en champions para equipar a un defensor interno que lleve su caso.
- Enseñe donde ayude. Un comprador que aún no sabe cómo se ve lo bueno puede beneficiarse de un punto de vista claro sobre cómo evaluar la IA. El Challenger Sale explica cómo adoptar esa postura sin ser insistente.
Una autoevaluación rápida antes de su próxima llamada
- ¿Podemos respaldar cada afirmación de capacidad con una prueba o un cliente?
- ¿Conocemos nuestra tasa de error medida y cómo la medimos?
- ¿Podemos explicar, en términos simples, adónde van los datos del comprador?
- ¿Dónde revisa o anula el resultado una persona?
- ¿Qué referencias se ajustan a la inquietud específica de este comprador?
- ¿Qué compromisos contractuales podemos cumplir realmente?
Datos clave
- La confianza va por detrás del uso: un estudio de 2025 de KPMG y la University of Melbourne con más de 48 000 personas en 47 países encontró que 46 % está dispuesto a confiar en los sistemas de IA, 66 % usa IA con regularidad y 70 % dice que se necesita regulación.
- Los resultados sin verificar son comunes: el mismo estudio encontró que 66 % de los trabajadores confía en los resultados de la IA sin verificarlos, y 56 % informó haber cometido errores en el trabajo por la IA.
- Cautela del público estadounidense: una encuesta de Pew Research realizada en agosto de 2024 encontró que 51 % estaba más preocupado que entusiasmado por la IA en la vida diaria y que 59 % tenía poca o ninguna confianza en que las empresas de EE. UU. usen la IA de forma responsable.
- El AI washing se sanciona: en marzo de 2024 la SEC multó a Delphia ($225 000) y a Global Predictions ($175 000) por declaraciones falsas sobre el uso de la IA.
- Sin exención para la IA: Operation AI Comply de la FTC, de septiembre de 2024, nombró a cinco empresas y afirmó que no existe una exención para la IA respecto de la ley vigente.
- Existe un vocabulario compartido: el NIST AI RMF 1.0 enumera siete características de una IA confiable, desde válida y fiable hasta justa con el sesgo dañino gestionado.
Lecturas relacionadas
Co-Founder & COO
On this page
- Por qué los compradores son escépticos
- Los distintos tipos de objeción
- Los reguladores convirtieron la exageración en un riesgo legal
- Qué evidencia responde a qué objeción
- Los límites honestos generan más confianza que la seguridad
- La supervisión humana como función del producto
- Referencias y pruebas de pares
- Los compromisos contractuales cierran la brecha
- Cómo cambia el enfoque de ventas
- Una autoevaluación rápida antes de su próxima llamada
- Datos clave
- Lecturas relacionadas