El estudiante de marketing en 2026 enfrenta un problema del que se habla poco: muchos programas académicos se centran demasiado en la estrategia corporativa, cuando la realidad laboral de la mayoría está en las pymes y los emprendimientos. Por otro lado, hay currículos que priorizan en exceso la ejecución táctica, en un mercado que ya no busca simples ejecutores. Hoy se necesitan profesionales que comprendan la lógica y orquestación de diferentes componentes, roles y funciones detrás de sus acciones, que sepan tomar decisiones con datos imperfectos y que sean capaces de supervisar sistemas autónomos y complejos.
Ese nivel de criterio no se desarrolla consumiendo contenido. Se construye de una manera específica, con técnicas concretas y con una comprensión honesta de los sesgos cognitivos que hacen que la mayoría estudie cuatro años para graduarse con menos criterio del que cree tener.
Este artículo es la contraparte directa del artículo dirigido a docentes y coordinadores académicos “Cómo enseñar marketing”. Allí diagnosticamos lo qué está roto en la enseñanza del marketing: enseñar las 4P como punto de llegada, evaluar la memoria por encima de la capacidad de decisión y formar perfiles para roles que el mercado está eliminando.
Aquí explicamos lo qué puedes hacer tú como estudiante, independientemente de lo que una materia o docente decida cambiar. La responsabilidad institucional es innegable, pero sentarte a esperar que tu programa se actualice para empezar a aprender de otra manera es un lujo que terminarás pagando muy caro.
Guía de Contenido
El primer problema no es el contenido del aula: es lo que tu cerebro hace con él
Hermann Ebbinghaus documentó en 1885 un fenómeno que la educación superior sigue ignorando de manera sistemática: la memoria sigue una curva de decaimiento exponencial. Sin intervención, una persona olvida aproximadamente el 70% de lo que aprendió en las primeras 24 horas. A los siete días, lo que queda sin refuerzo activo es marginal (Ebbinghaus, 1885; replicado en Murre & Dros, 2015, PLOS ONE).
Lo que esto significa para un estudiante de marketing es concreto: la clase del lunes sobre posicionamiento, Jobs to Be Done o métricas de retención habrá desaparecido en su mayor parte antes del viernes, a menos que algo interrumpa activamente ese proceso de olvido. Ese “algo” tiene nombre en la ciencia cognitiva: práctica de recuperación activa. Y su efecto es sustancialmente distinto al de releer apuntes o subrayar el texto, que son las formas predominantes en que los estudiantes universitarios creen estar estudiando.
Un estudio de 2024 publicado en Cognitive Science que siguió a 500 estudiantes durante un semestre documentó que quienes usaron recuperación activa obtuvieron en promedio un 23% más en los exámenes finales que quienes releyeron el material. El efecto fue mayor en contenido que requería comprensión profunda que en memorización simple. (5StarEssays, 2026) Karpicke y Roediger (2008) habían documentado antes el mismo mecanismo con mayor contundencia: los estudiantes que se autoevaluaron después de aprender retuvieron el 80% del material, frente al 30% de quienes solo releyeron. La distancia entre esos dos números no es un detalle pedagógico. Es la diferencia entre llegar a un trabajo con criterio real o llegar con la confianza de quien reconoce los conceptos cuando los ve pero no puede usarlos cuando nadie se los muestra.
La implicación práctica es incómoda precisamente porque contradice lo que se siente como “estudiar bien”: releer genera familiaridad con el material y esa familiaridad se percibe como dominio. El cerebro confunde reconocimiento con recuperación, y esa confusión es parte de la causa del choque que ocurre en el primer empleo, cuando nadie pone el material frente a los ojos y pide que se actúe.
El propósito como tecnología de retención, no como motivación decorativa
Hay una pregunta que la mayoría de los estudiantes de marketing nunca se hace de manera explícita, y cuya ausencia tiene consecuencias medibles en la calidad del aprendizaje: ¿qué decisión de marketing eres incapaz de tomar hoy que quieres ser capaz de tomar al comenzar un nuevo empleo, proyecto o graduarte?
No la respuesta genérica del tipo “quiero ser buen profesional”. La respuesta específica: ¿quieres poder diagnosticar por qué un producto con buenas valoraciones tiene alta tasa de abandono? ¿Quieres poder construir el argumento financiero que justifica una inversión de marketing ante una dirección? ¿Quieres entender por qué una campaña con alto alcance no convierte?
La investigación en “Teoría de la Autodeterminación”, con décadas de evidencia acumulada, es consistente en un punto que no suena obvio hasta que se lee: el aprendizaje motivado por curiosidad genuina sobre un problema que importa al estudiante produce mayor compromiso ante la dificultad, mayor persistencia cuando el material se vuelve complejo y mejor transferencia del conocimiento a contextos nuevos. El aprendizaje motivado por la calificación, el título o la presión externa produce comprensión suficiente para el examen y poco más. (Deci & Ryan, 2000; Frontiers in Psychology, 2025)
Lo que esto implica en términos operativos no es filosófico: es una decisión de diseño del propio aprendizaje. El estudiante que tiene una respuesta clara a la pregunta sobre qué problema quiere resolver tiene un criterio de selección para qué profundizar, qué ignorar y qué aplicar primero. Sin ese criterio, cuatro años de programa se convierten en una acumulación indiscriminada de conceptos sin jerarquía ni consecuencia. Los conceptos que el artículo para docentes señala como centrales, el posicionamiento como proceso de descubrimiento de Dunford, el diseño de retención de Eyal, el análisis Jobs to Be Done de Christensen, Ulwick y Moesta, las métricas de salud del negocio que el mercado ya exige, son todos accesibles.
Sus libros existen. Sus frameworks están documentados. Pero sin un problema propio al que anclarlos, se vuelven información adicional que también se olvida en 24 horas, más aún si no la cuestiono y genero involucramiento real con los docentes.
El sesgo de confianza y el costo de no saber lo que no se sabe
Hay un fenómeno cognitivo que opera con especial fuerza en los primeros años de cualquier programa universitario y que pocos describen al estudiante en términos directos. David Dunning y Justin Kruger lo documentaron en Cornell en 1999: las personas con menor competencia en un dominio tienden a sobreestimar su desempeño, precisamente porque carecen de las herramientas metacognitivas para reconocer lo que ignoran (Kruger & Dunning, 1999)
Un estudio publicado en BMC Medical Education en octubre de 2024, con 426 estudiantes universitarios de primer semestre, midió la brecha entre autoevaluación y desempeño real. El 18.5% de los participantes sobreestimó su rendimiento en más de tres puntos en una escala de 15, sin correlación posterior entre esa sobreestimación y el desempeño mejorado (Knof et al., 2024).
En marketing, este efecto tiene una manifestación específica y costosa: después de una semana de clases sobre segmentación, el estudiante puede describir los tipos con fluidez y sentir que “ya sabe eso”. No ha aplicado el marco a datos reales. Tampoco ha tomado una decisión con él. No ha cometido el error que revelaría dónde está la brecha entre el concepto y su uso. Pero el nivel de confianza ya es alto, y esa confianza actúa como freno: reduce la disposición a profundizar, a preguntar, a buscar evidencia que contradiga lo que se cree saber.
El antídoto no es la humildad como valor moral. Es la exposición deliberada a contextos donde el conocimiento se pone a prueba con consecuencias reales. Un ejercicio con datos históricos de una campaña real, una discusión donde hay que defender una decisión con evidencia, una consultoría breve con un cliente real: cualquiera de estos genera la fricción cognitiva que calibra la autoestima con el desempeño actual.
Sin esa fricción, el egresado llega al mercado con alto nivel de confianza y baja capacidad de transferencia, que es exactamente la combinación más costosa para quien lo contrata y más frustrante para quien la experimenta.
El problema específico del uso de IA sin criterio previo
El 84% de los estudiantes universitarios ya integra herramientas de inteligencia artificial en sus flujos de trabajo académicos cotidianos. Solo el 18% se siente preparado para usarlas de manera profesional. Esa distancia de 66 puntos porcentuales no es un problema de acceso ni de exposición: es un problema de criterio (Vollrath & Villegas, 2026).
Una investigación de Lodge y Loble publicada por la Universidad de Tecnología de Sydney en marzo de 2026 documenta el mecanismo con precisión: los estudiantes que usan IA para resolver problemas mientras aprenden producen resultados correctos cuando la herramienta está disponible, pero su desempeño se deteriora significativamente cuando la herramienta se retira. La IA hizo el trabajo cognitivo. Nada se transfirió a la memoria del estudiante (Lodge & Loble, 2026) .
Un estudio del MIT Media Lab, citado en Harvard Gazette en noviembre de 2025, encontró que participantes que escribieron ensayos con ayuda de ChatGPT mostraron menor conectividad neural en las redes asociadas a memoria y creatividad que grupos que usaron búsqueda tradicional o ninguna herramienta, con menor retención incluso minutos después de haber producido el trabajo. (Harvard Gazette, 2025)
El problema está en usar IA en el orden equivocado. Un profesional que usa IA para acelerar un análisis que ya sabe hacer construye criterio y gana velocidad. Un estudiante que usa IA para generar un análisis que todavía no sabe hacer construye una apariencia de competencia sin la estructura que la sostiene. La diferencia entre los dos no es tecnológica: es el orden en que se construyó el criterio respecto al uso de la herramienta.
La regla práctica que se desprende de esta evidencia es concreta: usa IA para amplificar lo que ya entiendes, no para saltarte el proceso de entenderlo. Cuando no puedas evaluar si la respuesta de un sistema de IA es correcta, ese es exactamente el momento en que necesitas resolverlo sin el sistema primero.
La IA como interlocutor socrático, no como oráculo
El patrón más común de uso de IA entre estudiantes universitarios es el del oráculo: el estudiante enfrenta un problema de posicionamiento, le pregunta al sistema qué haría, el sistema responde con detalle y el estudiante incorpora esa respuesta a su trabajo. El sistema hizo el razonamiento. El estudiante leyó el resultado. Es el equivalente cognitivo de copiar los pasos de una solución matemática sin haberlos derivado: el resultado puede ser correcto y el aprendizaje puede ser nulo.
El patrón socrático invierte ese orden y produce resultados radicalmente distintos. Se ve así: el estudiante enfrenta el mismo problema de posicionamiento, escribe su propio razonamiento completo sin consultar el sistema, luego le pide al sistema que actúe como un cliente escéptico que va a cuestionar cada supuesto de ese posicionamiento, que identifique qué alternativas el análisis no consideró, que señale dónde el argumento no está sostenido por evidencia de mercado real. El sistema cuestiona. El estudiante defiende, ajusta y reconstruye. El razonamiento lo hizo el estudiante. El sistema amplificó la fricción cognitiva que consolida el aprendizaje.
Este patrón aplica directamente a los modelos que el artículo para docentes identifica como la actualización necesaria del currículo. El estudiante que escribe su propio análisis Jobs to Be Done de un producto que usa, lo somete a cuestionamiento socrático del sistema y reconstruye el análisis con las objeciones incorporadas, desarrolla más criterio en ese ejercicio que en una semana de clases sobre el marco sin esa fricción. El que le pide al sistema que haga el análisis Jobs to Be Done de ese mismo producto y lo lee, no ha desarrollado nada que sea suyo.
Lo mismo aplica para métricas financieras: el estudiante que calcula un modelo LTV/CAC con datos simulados pero realistas, lo presenta ante un sistema configurado para actuar como director financiero y recibe objeciones técnicas sobre los supuestos del modelo, está desarrollando exactamente la competencia que el mercado exige y que ningún programa latinoamericano forma de manera sistemática: la capacidad de justificar una decisión de marketing ante quien mide resultados en términos financieros.
La simulación como laboratorio de criterio real
El artículo para docentes señala que un egresado que nunca construyó una propuesta de valor verificable con clientes reales está mal preparado. El problema para la mayoría de los estudiantes es que el acceso a clientes reales durante la carrera es limitado. Eso es real. Lo que no es inevitable es la ausencia de fricción: la fricción se puede simular con suficiente fidelidad como para que el criterio se desarrolle antes del primer empleo.
La simulación de alta calidad no es juego de rol informal. Es un escenario con restricciones concretas, métricas definidas y consecuencias en el razonamiento. Algunos ejemplos con mecánica específica que cualquier estudiante puede ejecutar hoy:
Para desarrollar criterio de posicionamiento, configura un sistema de IA para que simule a tres perfiles distintos de cliente potencial del producto que estás analizando, cada uno con un trabajo funcional diferente que resolver.
Preséntales tu propuesta de valor y documenta cuál de los tres la entiende sin explicación adicional. Si los tres necesitan explicación, el posicionamiento no funciona.
Ese ejercicio, que toma 40 minutos, revela más sobre la calidad del posicionamiento que cualquier declaración de plantilla completada en clase.
Para desarrollar criterio de retención, toma una aplicación digital que uses frecuentemente y mapea con precisión en cuál etapa del modelo Hook de Eyal opera cada interacción que tienes con ella: qué dispara tu uso, qué acción realiza el diseño para que actúes, qué tipo de recompensa variable recibes y qué inversión te pide que hagas. Luego pídele al sistema que actúe como el equipo de producto de esa aplicación y defiende frente a él una modificación de diseño que mejoraría la retención sin explotar vulnerabilidades psicológicas. Si no puedes defender la modificación, no entiendes el mecanismo.
Para desarrollar criterio de métricas, construye un modelo simple de LTV/CAC con datos públicos de una empresa de suscripción real, determina si la relación es mayor o menor a 3x y formula una hipótesis sobre qué variable tiene mayor impacto en mejorarla. Presenta ese análisis ante un sistema configurado como analista financiero escéptico. Las objeciones que recibas son muy cercanas a las que recibirías en un trabajo real. Las que no puedas responder son las brechas que necesitas cerrar.
La distribución del tiempo como decisión, no como accidente
El problema con la mayoría de los planes de estudio no es solo lo que contienen: es cómo se distribuye el tiempo entre consumir, practicar y aplicar. La regla 70/20/10, con larga trayectoria en investigación sobre aprendizaje experiencial, sugiere una distribución que invierte la lógica habitual del aula: 70% ejecución real sobre problemas concretos, 20% feedback y discusión con otros, 10% contenido teórico. (Ericsson, 2021; Brown, Roediger & McDaniel, 2014)
Aplicada al aprendizaje de marketing en 2026, esa distribución implica que, por cada hora que se pasa viendo clases o leyendo sobre posicionamiento, el retorno en términos de competencia transferible exige al menos dos horas de aplicación activa sobre material real o simulado y una instancia de recuperación sin acceso al material original. Sin esa proporción, la curva de Ebbinghaus opera sin obstáculo: el contenido ingresa, genera confianza momentánea y se desvanece antes de haber producido criterio.
La distribución semanal concreta que produce mayor retención y mayor transferencia, respaldada por la evidencia sobre deliberate practice de Ericsson (2021) y la investigación de Brown et al. (2014), tiene cuatro componentes que deben ocurrir en este orden: exposición al concepto con su contexto histórico y sus condiciones de uso, aplicación inmediata a un caso real o simulado antes de que pasen 24 horas, recuperación activa sin material a los tres días, y revisión crítica a los siete días donde el estudiante defiende su comprensión ante un interlocutor, humano o sistema de IA. Sin el cuarto paso, los tres anteriores producen retención de corto plazo. Con los cuatro, el concepto deja de ser información y se convierte en criterio disponible cuando se necesita.
La pregunta como tecnología de aprendizaje
En este artículo previo se muestra el costo específico de no hacer preguntas en entornos académicos y profesionales: el 72% de los estudiantes universitarios reporta ansiedad real al considerar hacer una pregunta en público, y el 62% admite callarse directamente por miedo al juicio de sus compañeros. Ese silencio no es inofensivo. Produce un patrón sistemático de supresión del aprendizaje con consecuencias medibles en el desarrollo profesional posterior. (Del Alcázar Ponce, 2026)
Lo que la neurociencia documenta sobre la pregunta va más allá del argumento social: formular una pregunta no interrumpe el proceso de aprendizaje, es su mecanismo central. Cuando una persona estructura una duda, su cerebro evalúa lo que sabe, identifica la brecha exacta con lo que necesita saber y la articula. George Loewenstein, investigador de Carnegie Mellon, llamó a ese estado la “brecha de información”: la curiosidad se activa en la distancia entre lo que se sabe y lo que se necesita saber, y esa brecha no es una incomodidad que hay que eliminar, es el estado cognitivo donde ocurre el aprendizaje más denso. (Loewenstein, 1994)
En el contexto del marketing, esto tiene una dimensión profesional directa que trasciende el aula. El profesional que en su primer trabajo puede articular con precisión lo que no entiende de una estrategia, identificar la tensión entre dos marcos analíticos o señalar la contradicción entre un dato y una conclusión, opera desde un nivel de criterio que su colega silencioso no ha desarrollado. Y ese criterio no apareció en el trabajo: se construyó, o no se construyó, durante los años en que hubo docentes disponibles para responder y compañeros disponibles para contraargumentar.
Además, quienes más saben suelen callarse más, porque internalizan una narrativa de impostor que convierte sus dudas en evidencia de incompetencia en lugar de profundidad intelectual. Mientras tanto, quienes menos saben hablan más, porque carecen de la autoconciencia para reconocer lo que no entienden. El resultado es que el discurso académico queda dominado con frecuencia por la menor densidad de conocimiento, y las voces más reflexivas permanecen invisibles. Es un costo colectivo que el aula paga en calidad de discusión y cada estudiante paga en oportunidades de aprendizaje que no ocurrieron.
El portafolio como evidencia que el mercado puede verificar
El artículo para docentes señala que un programa que produce profesionales incapaces de vincular sus decisiones a resultados medibles construye activamente la reputación negativa que sus próximos estudiantes encontrarán cuando le pregunten a una IA cuál universidad prepara mejor para el mercado real. La contraparte individual de ese argumento es esta: el estudiante que no construye evidencia verificable de su aprendizaje durante la carrera llega al mercado con un título y sin nada que el empleador pueda examinar antes de contratarlo.
El portafolio no es un requisito burocrático ni un complemento opcional al CV. Es el registro acumulado de haber aplicado lo que se aprendió con consecuencias reales o simuladas suficientemente fieles. Un análisis de posicionamiento ejecutado con el proceso de Dunford sobre un producto real, con los supuestos explicitados y las decisiones documentadas.
Un modelo LTV/CAC construido con datos públicos de una empresa de suscripción, con la hipótesis sobre qué variable tiene mayor impacto y por qué. Un ejercicio de Jobs to Be Done aplicado a una categoría de mercado con entrevistas reales o simuladas, con los trabajos identificados y sus implicaciones para la propuesta de valor. Una campaña diseñada con objetivos medibles, ejecutada aunque sea a escala mínima, con los resultados documentados y la interpretación de qué funcionó y qué no.
Cada uno de esos elementos cumple dos funciones simultáneas. Para el empleador, es evidencia que puede examinar antes de tomar la decisión de contratar. Para el propio estudiante, es la prueba más confiable de que el conocimiento adquirido es transferible, que es exactamente lo que el sesgo de Dunning-Kruger impide ver sin evidencia externa.
Técnicas concretas: mecánica directa
El problema con la mayoría de los artículos sobre cómo estudiar mejor es que entregan principios sin mecánica. Lo que sigue es mecánica directa, aplicada específicamente al aprendizaje de marketing:
Sobre retención activa: después de cada clase o lectura, cierra el material y escribe de memoria todo lo que recuerdas sin mirar. Luego abre el material y verifica las brechas. Esa brecha, y no el subrayado, es lo que debe guiar el estudio posterior. Repite el ejercicio a las 24 horas, a los tres días, a la semana. Eso es repetición espaciada aplicada a conocimiento de marketing, y su efectividad para retención a largo plazo está documentada en décadas de investigación en psicología cognitiva. (PubMed, 2023; Murre & Dros, 2015)
Sobre aplicación inmediata: por cada concepto aprendido, busca deliberadamente un caso real donde debería aplicarse y pregúntate si la decisión tomada es consistente con el marco. Si estudias Jobs to Be Done, aplícalo a un producto que uses todos los días y articula el trabajo que está haciendo para ti con sus dimensiones funcional, emocional y social. Si estudias LTV/CAC, calcula la relación con datos públicos de una empresa de suscripción y determina si el modelo es sostenible. Sin aplicación a casos reales, el concepto queda en el nivel de definición, que es el nivel con menor transferencia.
Sobre el uso de IA como interlocutor crítico: escribe primero tu razonamiento completo sin consultar el sistema. Luego pídele que cuestione ese razonamiento como lo haría un director de marketing con diez años de experiencia: que identifique supuestos no declarados, que señale dónde el argumento no está sostenido por evidencia, que proponga la perspectiva del cliente que el análisis ignoró. Usa las objeciones para mejorar el razonamiento, no para reemplazarlo. Eso es usar IA para amplificar criterio propio. Es radicalmente distinto de pedirle al sistema que haga el análisis y luego firmarlo.
Sobre la práctica deliberada: practicar con feedback, corrección, iteración y dificultad creciente. No basta ejecutar. Hay que medir, corregir y mejorar. Un ejercicio de posicionamiento ejecutado cinco veces con objeciones distintas cada vez produce más criterio que cinco ejercicios distintos ejecutados una sola vez cada uno. La dificultad creciente no es crueldad pedagógica: es el mecanismo que construye la robustez del conocimiento que permite operar cuando las condiciones no son perfectas, que es exactamente la condición del trabajo real. (Ericsson, 2021)
Sobre la pregunta en el aula: la investigación de Loewenstein sobre la brecha de información y el trabajo documentado sobre el costo del silencio académico convergen en el mismo punto operativo. Cada pregunta formulada en voz alta es un proceso cognitivo de consolidación que no ocurre si se suprime. El cálculo no es social, es neurológico. La primera pregunta en un aula es la más costosa. La décima se vuelve automática. (Del Alcázar Ponce, 2026)
Lo que el programa no cambia y lo que sí depende del estudiante
El artículo dirigido a docentes y coordinadores argumenta que los programas de marketing latinoamericanos producen egresados para un mercado que ya no existe: perfiles que saben definir las 4P, describir tipos de segmentación y explicar el ciclo de vida del producto, pero que no pueden interpretar datos reales, diagnosticar un problema de retención o tomar una decisión de posicionamiento con evidencia de cliente real. Ese diagnóstico es correcto y la responsabilidad principal es institucional.
Sin embargo, hay una trampa en esperar que el programa se actualice para empezar a aprender de otra manera. Los modelos que ese artículo describe como la actualización necesaria son todos accesibles hoy sin que ningún comité curricular los apruebe: el posicionamiento como proceso de descubrimiento de Dunford (2019, actualizado 2026), el diseño de retención de Eyal (2014), el análisis Jobs to Be Done de Christensen et al. (2016), Ulwick (2016) y Moesta & Engle (2020), y las métricas de salud del negocio que el mercado exige. Sus libros existen. Sus frameworks están documentados con casos reales. Incluso sus principios son verificables con datos públicos. Y existen muchos otros.
La brecha entre lo que el programa enseña y lo que el mercado requiere no obliga al estudiante a esperar: lo obliga a tomar una decisión sobre qué hace con el tiempo que el programa no estructura. Esa decisión, tomada conscientemente y sostenida con las técnicas correctas, es la diferencia entre llegar al mercado como el egresado que el programa pensó producir y llegar como el profesional que el mercado necesita y que el programa no supo formar.
La deuda que nadie te dijo que estabas adquiriendo
Cuatro años de formación en marketing cuestan tiempo, dinero y el costo de oportunidad de lo que no se aprendió. Lo que el mercado descubre en los primeros seis meses de empleo es si esa inversión produjo criterio o produjo definiciones. Y la diferencia entre los dos no se cierra con ningún curso de actualización rápida posterior, porque el criterio se construye con exposición a problemas reales, con fricción cognitiva, con errores que tienen consecuencia, con preguntas que generan incomodidad antes de generar claridad.
No es posible que un estudiante llegue a su primer trabajo con la expectativa de que las habilidades que necesita para tomar decisiones de marketing con datos reales las va a desarrollar en ese trabajo, si nunca las practicó durante la carrera. El mercado no tiene presupuesto para eso. Lo que tiene presupuesto para hacer es contratar más rápido a quien ya las tiene y esperar menos a quien no las desarrolló.
Como estudiantes, debemos aprender de manera activa, con curiosidad genuina sobre problemas reales, con fricción deliberada y con la honestidad metacognitiva de saber que reconocer un concepto no es lo mismo que poder usarlo. El espacio universitario es idóneo, con docentes, compañeros, proyectos, clubes, vinculación social y actividades que se transforman en un laboratorio de experimentación y aprendizaje ideal.
Quien construye esa honestidad antes de graduarse tiene una ventaja real. Quien la construye en su primer empleo llega tarde, pero no demasiado. Y quien nunca la construye no es víctima del programa que lo formó: es el costo que ese programa le transfirió sin decírselo.
Artículos Relacionados
Cómo enseñar marketing: una guía para docentes que pueden adaptarse
Inteligencia Humana en la Era de la IA: Transformando el Marketing y la Educación B2B
Entrevista a Juan Pablo Del Alcázar: IA, Marketing y el Futuro de la Humanida
Referencias
Brown, P., Roediger, H., & McDaniel, M. (2014). Make it stick: The science of successful learning. Harvard University Press.
Christensen, C. M., Hall, T., Dillon, K., & Duncan, D. S. (2016). Competing against luck: The story of innovation and customer choice. HarperBusiness.
Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.org/10.1207/S15327965PLI1104_01
Del Alcázar Ponce, J. P. (2026, abril 23). Por qué no hacer preguntas te cuesta más de lo que crees. Mentinno Insights. https://blog.formaciongerencial.com/por-que-no-hacer-preguntas-te-cuesta-mas-de-lo-que-crees/
Dunford, A. (2019). Obviously awesome: How to nail product positioning so customers get it, buy it, love it (2.ª ed. actualizada, 2026). Ambient Press.
Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Duncker & Humblot.
Ericsson, K. A. (2021). Deliberate practice and acquisition of expert performance: A general overview. Psychological Research, 85(1), 1–17. https://doi.org/10.1007/s00426-020-01398-3
Eyal, N. (2014). Hooked: How to build habit-forming products (R. Hoover, Ed.). Portfolio/Penguin.
Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Grewal, D., Guha, A., Beccacece Satornino, C., & Becker, M. (2025). The future of marketing and marketing education. Journal of Marketing Education, 47(1), 61–77. https://doi.org/10.1177/02734753241269838
Harvard Gazette. (2025, noviembre 13). Is AI dulling our minds? Harvard University. https://news.harvard.edu/gazette/story/2025/11/is-ai-dulling-our-minds/
Karpicke, J. D., & Roediger, H. L. (2008). The critical importance of retrieval for learning. Science, 319(5865), 966–968. https://doi.org/10.1126/science.1152408
Knof, H., Berndt, M., & Shiozawa, T. (2024). Prevalence of Dunning-Kruger effect in first-semester medical students: A correlational study of self-assessment and actual academic performance. BMC Medical Education, 24(1), 1210. https://doi.org/10.1186/s12909-024-06121-7
Kruger, J., & Dunning, D. (1999). Unskilled and unaware of it: How difficulties in recognizing one’s own incompetence lead to inflated self-assessments. Journal of Personality and Social Psychology, 77(6), 1121–1134. https://doi.org/10.1037/0022-3514.77.6.1121
Lodge, J. M., & Loble, L. (2026, marzo). Artificial intelligence, cognitive offloading and implications for education. University of Technology Sydney. https://www.uts.edu.au/news/2026/03/experts-warn-unstructured-ai-use-in-schools-risks-cognitive-atrophy/
Loewenstein, G. (1994). The psychology of curiosity: A review and reinterpretation. Psychological Bulletin, 116(1), 75–98. https://doi.org/10.1037/0033-2909.116.1.75
Moesta, B., & Engle, G. (2020). Demand-side sales 101: Stop selling and help your customers make progress. Lioncrest Publishing.
Murre, J. M. J., & Dros, J. (2015). Replication and analysis of Ebbinghaus’ forgetting curve. PLOS ONE, 10(7), e0120644. https://doi.org/10.1371/journal.pone.0120644
Ulwick, A. W. (2016). Jobs to be done: Theory to practice. Idea Bite Press.
Vollrath, M. D., & Villegas, S. G. (2026). Teaching with AI in marketing education: The LEO framework as a pedagogical guide. Marketing Education Review. Advance online publication. https://doi.org/10.1080/10528008.2026.2623032
