6 meses con agentes AI en marketing: qué funcionó, qué no

Hace medio año me senté a armar mi primer agente AI propio. No un chatbot, no un GPT custom, un agente: un programa que toma una tarea y la lleva del punto A al punto B sin que yo intervenga cada paso.

Hoy te cuento honesto qué pasó. Sin storytelling de LinkedIn, sin números inflados, sin promesas. Lo que sí me devolvió tiempo, lo que tuve que apagar, y lo que aprendí en el camino.

Los 3 flujos que SÍ funcionaron

1. Monitoreo de menciones de marca

Antes alguien tenía que entrar a Google Alerts, redes y reseñas, copiar lo relevante a una hoja, marcar tono y avisar si había crisis. Era trabajo de junior, repetitivo, pero importante.

Hoy un agente lo hace cada mañana. Toma las menciones, las clasifica por tono (positivo, neutro, negativo, crítico), las agrupa por tema, y manda un correo de tres bullets a las 8 a.m. con lo que merece atención. Si detecta algo crítico, manda mensaje aparte y espera confirmación humana antes de cualquier acción.

Lo que destrabó: nadie en el equipo tiene que abrir cinco pestañas en la mañana. Lo que sigue siendo humano: la respuesta. La AI no contesta nada en redes sin que alguien lo apruebe.

2. Primer borrador de comunicación interna

Comunicados, recaps de reunión, anuncios al equipo, briefs para agencias. Todo lo que es texto repetitivo con estructura conocida, ya no lo escribo desde cero. El agente recibe un input mínimo (tres bullets, idealmente), aplica la voz y formato del equipo, y me devuelve un borrador 70% listo.

Yo edito y mando. Eso bajó dramáticamente el tiempo que dedico a escribir cosas que en realidad nadie iba a leer con lupa, y me dejó usar ese tiempo para escribir las cosas que sí necesitan mi voz.

Trampa: si le das input vago, te devuelve borrador vago. La calidad del input sigue siendo del humano.

3. Limpieza de bases de datos

Este lo subestimé y resultó la joya. Bases de contactos con duplicados, formatos rotos, mezcla de mayúsculas, correos viejos, nombres mal escritos. Antes ese trabajo se hacía cada seis meses con un junior y era doloroso.

Ahora corre una vez por semana, automático. El agente normaliza, identifica duplicados con criterios fuzzy (no solo igualdad exacta), marca registros sospechosos para revisión humana, y deja un log. La base se mantiene limpia sin intervención.

Esta es de las que más impacto silencioso tienen, porque el costo de una base sucia se paga en cada campaña que mandas y nunca lo ves directo.

Los 2 flujos que apagué

1. Respuesta automática a clientes

Probé un agente que respondía mensajes entrantes de clientes en un canal de soporte chico, con escalamiento humano cuando dudaba. En el papel, ahorra horas. En la práctica, lo apagué a las tres semanas.

El problema no fue tono ni gramática. Fue contexto. Un cliente que escribió "no me llegó" tenía una conversación de hace cinco días resolviendo otro problema. La AI no la conectó. Mandó respuesta limpia y técnicamente correcta, totalmente fuera de lugar. El cliente se enojó, con razón.

Para que un agente conteste a clientes reales, necesita memoria persistente y acceso a TODO el contexto histórico. Eso ya no es un agente de fin de semana. Eso es un proyecto serio con CRM, RAG y pruebas. No estábamos listos. Lo apagué.

2. Generación de contenido sin curaduría humana

Esta la apagué más rápido. Probé que el agente publicara directo a un canal de blog interno (sin mucho riesgo aparente). En tres semanas tenía cinco posts. Los cinco eran técnicamente correctos. Los cinco sonaban iguales. Ninguno tenía punto de vista.

Cuando publicas contenido, el valor está en la opinión, en el ángulo, en lo que el modelo no sabe que tú sabes. Sacar a un humano del medio te deja con texto promedio infinito. Y el internet ya está saturado de texto promedio.

Hoy el flujo es al revés: el agente arma estructura y borrador, yo le pongo opinión y experiencia. Eso sí escala.

Lecciones después de seis meses

Te resumo lo que aprendí, sin filtro.

• Empieza por tareas internas, no de cara al cliente. Donde el costo de error es bajo. Ahí aprendes el patrón sin riesgo.
• El humano nunca sale del bucle cuando hay clientes finales. Aprobar, revisar, supervisar. La AI te ahorra hacer, no decidir.
• Mide tiempo, no posts. El KPI honesto es: ¿cuántas horas a la semana me devolvió esto? No "cuántos correos mandó".
• El input vago da output vago. El agente no es magia; es un amplificador. Amplifica lo que le das.
• El costo escondido es la supervisión. Cualquier agente que corra sin que nadie lo revise se rompe en silencio. Hay que asignar a alguien dueño.

Lo que viene

El próximo paso es agentes con memoria entre sesiones, que recuerden conversaciones anteriores y aprendan de ellas. Eso destraba muchos casos que hoy fallan por contexto. Ya hay primeras versiones decentes; estoy probando.

El otro paso es agentes que ejecutan en mi computadora, no en la nube. Computer Use de Claude y herramientas similares hacen que muchas tareas que hoy requieren API directa se puedan hacer con clic-y-tecleo simulado. Más fácil de armar para no-devs.

Qué hago yo

yo recomiendo empezar por un solo flujo, muy concreto, con bajo riesgo. No armes seis a la vez. Elige el que más te aburre repetir cada semana, dale una semana a configurarlo bien, y mide tiempo recuperado. Si no te devuelve al menos tres horas a la semana, apágalo y prueba otro.

Y según el blog Sandra Urena, no contrates "consultoría de agentes AI" antes de tener un caso de uso claro tuyo. La consultoría buena empieza por hablar de tu trabajo, no de la tecnología.