Las nuevas normas estadounidenses sobre privacidad e IA están influyendo en las decisiones operativas del marketing: desde la selección de proveedores de datos y la creación de audiencias hasta el uso de modelos de inteligencia artificial. Para las empresas que operan en varios estados, el reto consiste en traducir requisitos diferentes en una estrategia coherente que permita impulsar la adquisición y retención de clientes mientras cambian las condiciones de uso de los datos.
El informe U.S. State Privacy and AI Legislative Insights — Summer 2026, elaborado por Caroline Hudson, socia de Loeb & Loeb, describe las principales novedades de este panorama. La creciente atención a los intermediarios de datos, los datos personales sensibles y la toma de decisiones automatizada amplía las responsabilidades de las empresas a lo largo del proceso que conecta recopilación, análisis y activación.
Comprender estos cambios permite identificar las capacidades que necesita el marketing: conocer mejor los datos disponibles, extraer valor de ellos y aplicar sus condiciones de uso a las operaciones cotidianas. La tecnología puede responder a estas necesidades conectando la inteligencia de clientes con la activación de marketing.
El marco legislativo de EE. UU.: requisitos estatales que se superponen
En Estados Unidos, la privacidad de los consumidores sigue regulada por un conjunto de leyes estatales de privacidad, junto con disposiciones federales y sectoriales. Para el marketing, esto implica cumplir requisitos que comparten algunos principios, pero difieren en sus umbrales de aplicación, definiciones, excepciones y restricciones.
Las principales novedades incluyen la ampliación de las normas sobre intermediarios de datos, un mayor alcance de las leyes de privacidad, restricciones más estrictas sobre los datos sensibles, la protección de niños y adolescentes y nuevos requisitos para determinados usos de la IA.
Esta fragmentación tiene consecuencias prácticas. Un mismo proceso de activación de datos puede requerir evaluaciones diferentes según el estado, los datos utilizados, las partes implicadas y la finalidad del tratamiento. Las empresas necesitan, por tanto, procesos capaces de incorporar estas diferencias y adaptarse a futuras actualizaciones.
Intermediarios de datos: mayor atención al origen y a la circulación de la información
Las normativas sobre intermediarios de datos, o data brokers, están ampliando el conjunto de empresas sujetas a obligaciones específicas mediante nuevas definiciones y mecanismos para que los consumidores ejerzan sus derechos.
Nueva Jersey ha introducido la categoría de «data collectors»: empresas que recopilan información directamente de los consumidores y después la venden o conceden bajo licencia a un intermediario de datos. La recopilación directa no excluye, por tanto, la aplicación de estas obligaciones cuando la información se comercializa posteriormente. El inicio del registro está previsto para la primavera de 2027.
En California, la Delete Request and Opt-out Platform, o DROP, permite a los residentes enviar una solicitud centralizada de eliminación a los intermediarios de datos registrados. Desde el 1 de agosto de 2026, estos deben acceder a la plataforma al menos cada 45 días para comenzar a tramitar las solicitudes de eliminación.
Connecticut sigue un calendario distinto: las disposiciones sobre intermediarios de datos entran en vigor el 1 de octubre de 2026, la obligación de registro comienza el 1 de enero de 2027 y los residentes podrán presentar solicitudes mediante el mecanismo centralizado a partir del 1 de julio de 2028.
Para los equipos de marketing que utilizan datos comprados o servicios de enriquecimiento de datos, estas novedades hacen más importante conocer la procedencia de la información, las condiciones del proveedor y los cambios que pueden afectar a su utilización. Las obligaciones de los intermediarios también influyen en el ecosistema del que el marketing obtiene datos para la segmentación publicitaria, el análisis y el enriquecimiento de perfiles.
Datos personales sensibles: también cuentan los atributos derivados
Otro cambio importante es la ampliación de las categorías de datos personales sensibles y de las protecciones asociadas.
Las definiciones pueden incluir información sanitaria, datos biométricos y neuronales, determinados identificadores financieros y gubernamentales y otras categorías protegidas. En algunos estados, las disposiciones sobre datos sensibles también se aplican a empresas que no alcanzan los umbrales habituales de las leyes generales de privacidad.
Para el marketing, el tratamiento de las inferencias resulta especialmente relevante. En Maryland, la definición incluye atributos sensibles deducidos de los datos, como información sobre salud, religión o vida sexual.
La evaluación debe abarcar, por tanto, los resultados de los análisis y los modelos. Un conjunto de datos puede contener compras, interacciones o textos aparentemente ordinarios, mientras que un segmento generado a partir de ellos puede revelar una característica sensible.
La cuestión también afecta a lo que la empresa deduce sobre el consumidor, más allá de la información recopilada inicialmente. Un modelo que estima la probabilidad de una nueva compra y otro que intenta inferir una condición de salud generan atributos con implicaciones diferentes. Esta distinción adquiere importancia cuando la IA predictiva y la segmentación de clientes se integran en los procesos de marketing.
Restricciones a la venta y al intercambio: el consentimiento no autoriza todos los usos
Varios estados están introduciendo o reforzando prohibiciones sobre la venta de datos personales sensibles, datos de geolocalización precisa e información relativa a menores. Algunas restricciones son absolutas: el consentimiento no constituye una excepción que permita la actividad prohibida.
Las empresas deben distinguir entre actividades permitidas bajo determinadas condiciones y actividades prohibidas por la normativa aplicable.
Los términos «sale» y «sharing», es decir, venta e intercambio de datos, también requieren atención. Su significado jurídico puede ir más allá de la transferencia de información a cambio de dinero y abarcar flujos utilizados en el ecosistema publicitario.
En California, sharing se refiere a compartir información personal para publicidad conductual entre distintos contextos, o cross-context behavioral advertising. Los consumidores tienen derecho a oponerse a la venta y al intercambio de sus datos. Las condiciones en las que se envía información a un socio publicitario pasan a formar parte de la planificación de las campañas.
La transformación técnica de un identificador no elimina necesariamente estas obligaciones. Los datos sometidos a hashing y utilizados para establecer coincidencias pueden seguir vinculándose a una persona y continuar dentro de las definiciones de datos personales.
Menores: la segmentación debe incorporar restricciones por edad
La protección de niños y adolescentes continúa desarrollándose mediante reglas que difieren según la edad, la actividad y el tipo de servicio.
Las disposiciones incluyen restricciones a la venta de datos, a la publicidad dirigida y al uso de determinadas funciones en línea. Algunas leyes también establecen requisitos de comprobación de edad, o age assurance, consentimiento parental y configuraciones específicas de privacidad.
Para el marketing, esto significa que pertenecer a un segmento comercial no basta para determinar la elegibilidad para la activación. Un cliente puede cumplir los criterios de una campaña y, al mismo tiempo, estar sujeto a una exclusión relacionada con su edad.
Las empresas deben conectar sus criterios comerciales con la información y las reglas que utilizan para determinar qué audiencias pueden alcanzar a través de cada canal.
IA y toma de decisiones automatizada: la finalidad determina las obligaciones
Las leyes estadounidenses sobre IA abordan diferentes ámbitos: transparencia, chatbots, contenido sintético, modelos de IA de frontera, precios algorítmicos y toma de decisiones automatizada.
Las empresas que utilizan IA predictiva necesitan comprender qué disposiciones afectan a sus casos de uso. Las normas sobre deepfakes o chatbots de compañía responden a cuestiones diferentes de las relacionadas con decisiones automatizadas sobre consumidores.
Colorado ofrece un ejemplo concreto. La ley SB26-189 sustituye el marco anterior por requisitos para tecnologías de toma de decisiones automatizada que influyen de forma sustancial en decisiones con consecuencias significativas, o consequential decisions, en ámbitos como empleo, educación, vivienda, servicios financieros, seguros y atención sanitaria. Las obligaciones comienzan el 1 de enero de 2027 e incluyen documentación, avisos a los consumidores y derechos relacionados con las decisiones afectadas.
Una predicción utilizada en una campaña de marketing minorista no queda automáticamente sujeta a estos requisitos. La función del modelo, el sector y los efectos de la decisión contribuyen a determinar el marco aplicable.
Definir claramente cada uso de la IA permite conectar la tecnología con su función concreta. Estimar el valor de vida del cliente, seleccionar destinatarios de una campaña y contribuir a una decisión sobre el acceso a un servicio son actividades diferentes.
De las normativas a las nuevas necesidades del marketing
Estos cambios convierten la gobernanza de datos en una capacidad operativa. Las empresas deben conectar las condiciones de uso de la información con los procesos que generan predicciones, audiencias y señales publicitarias.
La primera necesidad es disponer de una base de datos compartida y con un origen identificable. Las fuentes, los atributos disponibles y las condiciones de uso resultan más difíciles de gestionar cuando el marketing trabaja con exportaciones y conjuntos de datos repartidos entre distintos sistemas.
La segunda es extraer más valor de la relación directa con el cliente. La mayor atención a los intermediarios de datos hace estratégico comprender qué pueden aportar las compras, las interacciones y el historial de clientes antes de incorporar información externa.
La tercera es integrar preferencias y exclusiones en las audiencias. La información sobre elegibilidad debe poder utilizarse junto con los criterios comerciales para que las reglas definidas por la empresa lleguen hasta la ejecución de las campañas.
La cuarta es diseñar flujos de activación coherentes con los objetivos. Para cada destino, el marketing debe poder seleccionar los eventos, valores y atributos que utilizará, vinculando las transferencias a una finalidad precisa.
Estas necesidades requieren una colaboración más estrecha entre los equipos de marketing y datos. Una base compartida y herramientas de activación integradas pueden facilitar esa colaboración y reducir el trabajo manual necesario para pasar del análisis a la campaña.
Cómo responde la Bytek Prediction Platform a estas necesidades
La Bytek Prediction Platform conecta los datos del data warehouse con la generación de inteligencia predictiva y la activación de marketing. Su contribución se integra en las políticas y los procesos de gobernanza de la empresa, facilitando su aplicación a casos de uso operativos.
IA warehouse-native: trabajar sobre una base compartida
La BPP utiliza una arquitectura warehouse-native y zero-copy: el procesamiento predictivo se ejecuta en el data warehouse, aprovechando los datos presentes en la infraestructura de la empresa.
Este enfoque permite a los equipos de marketing y datos trabajar sobre una base común, reduciendo la necesidad de crear un repositorio operativo adicional de datos de origen para ejecutar los modelos.
El beneficio es una mayor continuidad entre preparación de datos, creación de atributos y uso en marketing. Los conjuntos de datos seleccionados por el equipo de datos pueden servir como base para predicciones y segmentos, junto con la información necesaria para determinar la elegibilidad para las actividades previstas.
En un panorama normativo fragmentado, esta estructura facilita la adaptación de los procesos. Cuando cambian los datos de entrada o los criterios definidos por la empresa, el trabajo puede organizarse alrededor de la misma base, limitando la proliferación de versiones independientes.
Inteligencia predictiva: obtener más valor de los datos propios
Los modelos de la BPP, entre ellos Action Prediction, Predictive Lifetime Value, AI RFM y Churn, convierten el historial de clientes en información útil para decidir dónde concentrar los esfuerzos de adquisición y retención.
Para una marca, esto permite ir más allá de segmentaciones basadas únicamente en la última compra o en el gasto histórico. El valor de vida del cliente predictivo tiene en cuenta el valor futuro esperado; Action Prediction estima la probabilidad de una acción determinada; y los modelos de churn ayudan a identificar clientes con riesgo de abandono.
Estos conocimientos pueden apoyar la priorización de inversiones, la diferenciación de estrategias de interacción con los clientes y la identificación de oportunidades de reactivación.
El beneficio consiste en aprovechar mejor la información ya disponible. Muchas decisiones de marketing pueden apoyarse en una interpretación más profunda de los datos propios o first-party data, reduciendo la necesidad de comprar nuevos atributos personales para cada iniciativa.
Enriquecimiento de datos: crear e integrar los atributos que necesita el marketing
La BPP ofrece tres vías complementarias para enriquecer la inteligencia de clientes: Field Builder, AI Data Enrichment y Data Enrichment API. El equipo puede elegir cómo obtener una información según los datos disponibles y el caso de uso, aprovechando primero el patrimonio de la empresa e integrando fuentes externas cuando sea necesario.
Field Builder permite crear atributos mediante agregaciones, fórmulas, condiciones, operaciones de texto y búsquedas de correspondencias. El equipo puede calcular el número de pedidos en los últimos 90 días, el margen acumulado, los días transcurridos desde la última compra o los niveles de interacción. La información distribuida entre varios registros se convierte en campos utilizables para la segmentación y la activación.
El beneficio es obtener nueva información útil a partir de los datos propios disponibles, reduciendo la dependencia de fuentes externas cuando la respuesta puede extraerse del historial de clientes. Ante una mayor atención al origen y a la circulación de los datos, este enfoque permite enriquecer la segmentación con información cuyo contexto de recopilación la empresa ya conoce.
Un objetivo como «reactivar a clientes de alto valor que no han comprado en dos meses» puede traducirse en criterios precisos, combinando una predicción de valor con un campo que indique los días desde la última compra. Los atributos creados pueden reutilizarse en iniciativas posteriores.
AI Data Enrichment permite obtener atributos de contenidos existentes mediante un modelo de lenguaje de gran tamaño, o LLM, para tareas como categorización, extracción de texto, resumen y análisis de sentimiento. Una marca puede, por ejemplo, transformar comentarios escritos en categorías relacionadas con entrega, embalaje o atención al cliente. Contenidos antes difíciles de utilizar se convierten en información estructurada, útil para identificar problemas recurrentes y diseñar acciones más pertinentes.
Cuando el caso de uso requiere información adicional, Data Enrichment API conecta el data warehouse con proveedores externos e integra los atributos obtenidos en la base utilizada por marketing. Esto permite añadir datos en respuesta a una necesidad específica, con una selección dirigida de las fuentes y de la información necesaria.
Estas tres vías permiten calcular atributos a partir de datos existentes, derivarlos de contenidos disponibles o integrarlos a través de un proveedor. El beneficio es una inteligencia de clientes más completa, limitando la adquisición de nuevos datos a lo que realmente exige el objetivo de marketing.
Audience Manager: combinar prioridades comerciales y elegibilidad
Audience Manager permite crear audiencias combinando atributos disponibles y resultados predictivos.
Cuando la base de datos contiene los atributos de elegibilidad definidos por la empresa, estos pueden incorporarse a los criterios de segmentación junto con el valor del cliente, el comportamiento reciente y la propensión a actuar.
Una campaña de recuperación de clientes, o win-back, puede seleccionar clientes con un valor de vida predictivo elevado, sin compras en los últimos 60 días y elegibles para el canal elegido. La misma base puede apoyar una audiencia de exclusión para quienes hayan comprado recientemente.
El beneficio es incorporar las reglas en la definición del segmento, reduciendo la necesidad de corregir las listas manualmente después de crearlas. Los equipos de marketing y datos pueden conectar la información disponible con una lógica de activación más coherente.
Las audiencias pueden activarse en los destinos compatibles, conectando la inteligencia de clientes con las plataformas utilizadas para ejecutar las campañas.
Signals Manager: orientar la optimización hacia el valor
Signals Manager admite integraciones como Enhanced Conversions, Conversion Adjustments y Meta Conversions API, conectando los datos de la empresa con las señales utilizadas por las plataformas publicitarias.
Para marketing, el beneficio es diseñar la optimización de campañas alrededor de eventos y valores que reflejen mejor los objetivos del negocio. Las compras con valores diferentes pueden tratarse de forma distinta, mientras que los conocimientos predictivos pueden contribuir a una estrategia orientada al valor de vida del cliente, según las capacidades de cada destino.
Esto permite trabajar en la calidad de las señales: seleccionar información significativa para la optimización y organizar el flujo alrededor de los usuarios, eventos y atributos definidos para el caso de uso.
En un contexto de mayor atención a la circulación de los datos, una configuración precisa de las señales ayuda a vincular cada transferencia con un objetivo concreto de marketing.
Conectar la gobernanza de datos con la activación de marketing
Las nuevas normativas estadounidenses exigen que las empresas conozcan mejor los datos que utilizan y apliquen sus condiciones de uso hasta la ejecución del marketing. Esto refuerza el valor de una estrategia de datos propios en la que análisis, segmentación y activación trabajen sobre una misma base.
La BPP apoya este enfoque aprovechando los datos del warehouse, transformándolos en predicciones y atributos y conectándolos con los destinos de marketing. La información sobre elegibilidad definida por la empresa puede utilizarse junto con los criterios comerciales, mientras que las audiencias y las señales se construyen en función de los objetivos de cada iniciativa.
El beneficio es un paso más directo de los datos a las acciones: extraer inteligencia de la información disponible, reducir el uso de fuentes externas cuando no son necesarias e incorporar las reglas de la empresa a los procesos de activación. Una base operativa que ayuda al marketing a adaptarse a los cambios normativos mientras sigue trabajando en adquisición, valor del cliente y retención.
