La intersección entre marketing digital e inteligencia artificial generativa es, en 2026, un frente de plena actualidad para una tesina de Marketing: combina un fenómeno reciente con datos reales de campañas y plataformas que se pueden relevar sin depender de una empresa grande. No hace falta acceso a una multinacional ni a un dataset gigante: la mayoría de estos temas se pueden abordar con datos de una PyME, de una plataforma publicitaria de uso extendido, o con una encuesta propia a una muestra manejable de consumidores. Acá tenés 15 temas con la pregunta de investigación de cada uno, agrupados por área, pensados para que cada uno tenga una fuente de datos verificable detrás.
Publicidad y segmentación con IA
- Publicidad programática y personalización algorítmica. ¿Qué nivel de personalización perciben los usuarios argentinos en la publicidad programática que reciben en redes sociales, y cómo influye en la intención de compra?
- Sesgos algorítmicos en la segmentación de audiencias. ¿Qué sesgos demográficos o socioeconómicos introduce la segmentación automática de una campaña publicitaria real, comparada con el público objetivo declarado por la marca?
- Optimización de campañas con aprendizaje automático. ¿Qué diferencia de rendimiento (costo por clic, tasa de conversión) muestra una campaña optimizada por IA frente a una optimizada manualmente, en un caso comparable?
Contenido generado por IA
- Marketing de contenidos con IA generativa. ¿Cómo perciben los consumidores argentinos el contenido de marca generado total o parcialmente por IA, frente al contenido producido por un equipo humano?
- SEO y contenido generado por IA. ¿Qué impacto tiene en el posicionamiento orgánico de un sitio de e-commerce local la incorporación de contenido generado con IA, medido antes y después de la implementación?
- Marketing de influencers e IA generativa. ¿Qué diferencia de engagement genera un influencer virtual (creado con IA) frente a un influencer humano comparable, para una misma categoría de producto?
- Divulgación y transparencia del uso de IA en publicidad. ¿En qué medida las marcas argentinas declaran explícitamente el uso de IA generativa en sus piezas publicitarias, y qué exige (o no exige todavía) la normativa local al respecto?
Atención al cliente y experiencia conversacional
- Chatbots de atención al cliente con IA. ¿Qué nivel de satisfacción reportan los usuarios de un chatbot con IA generativa frente al de un canal de atención humano, para el mismo tipo de consulta?
- Comercio conversacional en WhatsApp Business. ¿Qué factores explican la adopción (o el rechazo) del comercio conversacional asistido por IA entre PyMEs argentinas de un rubro específico?
- Voz de marca y consistencia en respuestas generadas por IA. ¿Qué tan consistente es la voz de marca de una empresa cuando sus respuestas de atención al cliente pasan a estar generadas por un asistente de IA?
Datos, privacidad y ética
- Privacidad y personalización algorítmica. ¿Cómo perciben los consumidores el equilibrio entre personalización útil e invasión de la privacidad cuando una marca usa IA para predecir su comportamiento de compra?
- Consentimiento informado en la recolección de datos para IA de marketing. ¿Qué nivel de comprensión tienen los usuarios sobre cómo se usan sus datos de navegación para entrenar sistemas de personalización, según lo que declaran las políticas de privacidad de marcas locales?
Comercio electrónico y comportamiento del consumidor
- Recomendadores de producto basados en IA. ¿Qué impacto tiene un sistema de recomendación de productos basado en IA sobre el ticket promedio de compra en un e-commerce argentino?
- Búsqueda por voz e IA generativa en el comercio electrónico. ¿Qué tan preparados están los catálogos de e-commerce locales para las consultas conversacionales que genera la búsqueda por voz asistida por IA?
- Métricas de atribución en la era de la IA generativa. ¿Qué desafíos metodológicos enfrentan los equipos de marketing digital argentinos para atribuir conversiones cuando parte del recorrido del usuario pasa por interacciones con asistentes de IA?
Qué error frecuente evita cada tema de esta categoría
Un error frecuente al elegir un tema de esta lista es plantear una pregunta tan amplia que ninguna tesina de grado la puede responder —”el impacto de la IA en el marketing”, por ejemplo, no es una pregunta de investigación, es un título de conferencia—. Cada uno de los 15 temas de arriba está acotado a un tipo de campaña, un canal o un comportamiento específico, y compara algo contra algo (con IA versus sin IA, humano versus generado, antes versus después). Esa comparación es lo que convierte una curiosidad en una pregunta de investigación que se puede responder con datos.
Otro criterio útil, sobre todo si estás dudando entre dos o tres de estos temas: preguntate cuál de ellos te permitiría, si hiciera falta, hacer una entrevista de seguimiento a alguien del equipo de marketing de la empresa que estudiás. Los temas que dependen exclusivamente de datos públicos de plataformas (como los de atribución o los de SEO) son más rápidos de arrancar pero más difíciles de profundizar sin ese contacto humano que explique el contexto detrás de cada número.
Cómo elegir entre estos 15 temas
El criterio más importante no es cuál suena más innovador, sino cuál tiene datos accesibles para vos en el plazo de una tesina de grado: una campaña de una PyME con la que tengas contacto, los datos públicos de una plataforma publicitaria, o una encuesta propia a una muestra manejable. Un tema de IA generativa sin datos reales detrás —solo especulación teórica sobre lo que “podría pasar”— es un error frecuente en los anteproyectos de Marketing de esta área, y suele generar devoluciones del director/a desde la primera reunión, porque no hay forma de convertir esa especulación en un capítulo de resultados con datos concretos. Para ver cómo se arma un tema en un anteproyecto completo, parte por parte, este modelo aplicado a Psicología sigue la misma lógica de estructura aunque el campo sea distinto.
Qué marco teórico necesita cada tema
Los 15 temas de esta lista se apoyan en dos cuerpos teóricos distintos que conviene no mezclar: por un lado, la literatura de marketing digital y comportamiento del consumidor (modelos de intención de compra, de confianza en la marca, de percepción de personalización); por otro, la literatura técnica sobre IA generativa y sistemas de recomendación, que en una tesina de Marketing se cita a nivel conceptual —qué hace el sistema, no cómo está programado—, sin que haga falta profundidad de ingeniería. Un jurado de Marketing evalúa que entendés el fenómeno del lado del consumidor y de la estrategia de negocio, no que sepas programar el algoritmo.
Para los temas de percepción del consumidor (los que preguntan “cómo perciben los usuarios”), el diseño metodológico habitual es cuantitativo, con una encuesta a una muestra por conveniencia y una escala tipo Likert adaptada al fenómeno. Para los que comparan rendimiento (con IA versus sin IA, antes versus después), el diseño es cuasiexperimental o de análisis de datos secundarios, aprovechando los reportes que la propia plataforma publicitaria o el e-commerce ya generan. Elegir el diseño antes de fijar el tema definitivo evita descubrir, ya avanzada la tesina, que no hay forma de conseguir los datos que la pregunta necesita.
Fuentes para verificar antes de escribir
Ningún dato sobre adopción de IA en marketing, gasto publicitario digital o penetración de canales conversacionales en Argentina debería aparecer en tu tesina sin la fuente y el año exactos: cámaras del sector (como las que agrupan a anunciantes y agencias digitales), reportes de las propias plataformas publicitarias, o estudios académicos ya publicados en revistas de marketing y comunicación. Si vas a citar una cifra de adopción de IA en Argentina, abrí la fuente original vos mismo antes de escribirla —un resumen de IA de un buscador puede mezclar datos de países distintos sin que se note a simple vista—. Si no conseguís una fuente local confiable para un dato específico, es preferible decirlo explícitamente en la tesina (“no se encontró una fuente argentina que discrimine este dato por canal”) antes que forzar una cifra de otro país como si fuera local.
Cómo citar todo esto en APA 7
Los reportes de cámaras del sector y de plataformas publicitarias se citan como informe de organización, con el nombre completo de la entidad como autor; los papers académicos, como artículo de revista; y las políticas de privacidad de una marca, como página web con fecha de consulta, porque cambian con el tiempo. Esta guía cubre cita parentética, narrativa y fuentes secundarias con ejemplos completos si tenés dudas puntuales de formato.
El límite ético de usar IA para escribir sobre IA
Hay una tentación obvia en este tema: usar IA generativa para redactar buena parte de una tesina que además es sobre IA generativa. Las reglas de integridad académica no cambian por el tema que elegiste —seguís necesitando declarar qué uso le diste a la IA en tu propio proceso de escritura, más allá de que tu objeto de estudio sea la IA de otras empresas—, y esa declaración va en el capítulo metodológico, con la misma honestidad con la que declarás cualquier otra herramienta que usaste para relevar o procesar datos. Esta guía repasa ventajas, límites y buenas prácticas para usar IA de forma responsable en tu propio trabajo.
Qué extensión y qué diseño metodológico pedirle a cada tema
Ninguno de estos 15 temas necesita un diseño experimental controlado en laboratorio —algo poco viable para una tesina de grado en Marketing—. La mayoría funciona bien con un diseño no experimental transversal: relevás los datos disponibles en un momento dado (una campaña ya corrida, una serie de interacciones de chatbot, una muestra de anuncios) y los analizás sin manipular ninguna variable vos mismo. Los temas que sí comparan un “antes” y un “después” (como el de SEO con contenido generado por IA) necesitan que la empresa o el sitio ya tenga esa transición documentada, lo cual conviene verificar antes de comprometerte con el tema en el anteproyecto. Un anteproyecto que deja esto sin resolver corre el riesgo de tener que cambiar de tema recién después de la aprobación, cuando ya es más costoso hacerlo.
Y si tu tema no es de Marketing
La lógica de esta lista —temas de actualidad cruzados con un fenómeno de tu carrera, cada uno con su propia pregunta de investigación verificable con datos accesibles— sirve para cualquier disciplina. Para ver la misma lógica de armado de un tema completo, con anteproyecto y todo, aplicada a otra carrera, este anteproyecto de tesina de Contador Público es un buen punto de partida, y esta guía de metodología de la investigación repasa enfoques, diseño, población y muestra en un solo lugar antes de que definas el tuyo. Si tu carrera trabaja con datos de procesos en vez de datos de consumidores, la misma lógica de tema acotado y comparación explícita se ve, por ejemplo, en este modelo de tesina de Ingeniería Industrial sobre mejora de procesos.
¿Ya elegiste tu tema pero te trabaste con el anteproyecto? Tesify te ayuda a estructurar cada parte y a ordenar las citas en APA 7 a medida que avanzás — registro gratis, sin tarjeta.