Cómo aplicamos IA en una agencia de marketing

TL;DR: Dirijo dos agencias —Digitalvar (marketing) y Datalvar AI (IA aplicada)— y la IA ya hace en torno al 50-60% del trabajo operativo de muchos proyectos: research, primeros borradores, análisis de datos, reporting, segmentación y creatividades base. Lo que no delego: estrategia, relación con el cliente, juicio editorial y decisiones de marca. El stack real es LLMs (Claude, GPT, Gemini) + automatización (n8n/Make) + RAG sobre el conocimiento de cada cliente + agentes acotados. El cambio gordo no es de herramientas: es de modelo de negocio (de horas a resultado) y de cultura de equipo. Aquí cuento cómo aplicamos IA en una agencia de marketing con casos, cifras de rango realista y los errores que me costaron dinero y calidad. Cero hype.

Aplicar IA en una agencia de marketing significa rediseñar el flujo de trabajo para que la máquina haga el volumen y la persona haga el criterio, no pegar un chatbot encima del proceso de siempre y llamarlo transformación.

Llevo dos años metiendo inteligencia artificial en producción real, no en demos de LinkedIn. En Digitalvar la usamos para sacar adelante marketing 360º de PYMEs; en Datalvar AI montamos los sistemas que después acaban dentro de empresas medianas y grandes. Eso me da una ventaja incómoda: veo las dos caras. Veo lo que la IA promete en una keynote y veo lo que pasa cuando un cliente te llama un viernes a las siete porque un texto autogenerado decía una barbaridad sobre su producto. Este artículo es lo segundo. No el folleto.

El sector está saturado de contenido que dice “la IA lo cambia todo” sin explicar qué cambia, dónde, cuánto y a qué precio. Y hay un dato que me parece el más honesto de todo el ciclo: según el State of Marketing 2026 de HubSpot, hoy se genera más contenido con IA que con humanos, pero “es mayoritariamente mediocre” y el consumidor desconecta de él. Esa frase resume mi tesis entera: la IA no te da ventaja por usarla —la usa el 86% del mercado—; te la da por dónde y cómo la metes, y por dónde decides no meterla.

Voy a contarte exactamente eso. Qué automatizo, qué no toco ni con un palo, el stack que de verdad usamos, cómo cambia el dinero, cómo cambia el equipo, qué se rompe, y cómo medir si esto está aportando o solo te hace sentir moderno. Si diriges una agencia, un equipo de marketing interno o una PYME que paga marketing, esto te ahorra los seis meses de prueba y error que yo no me ahorré.

¿Por qué una agencia de marketing tiene que usar IA en 2026?

No te lo voy a vender como revolución. Te lo voy a vender como aritmética de márgenes. En 2026, la IA no es lo que te diferencia de la competencia; es lo que te mantiene en el mercado. Eso es distinto y mucho más serio. Cuando todo el sector trabaja con el mismo coste base de producción, el que sigue facturando horas de tareas que una máquina hace en minutos no es premium: es caro y lento, y el cliente acaba notándolo.

Los números externos lo confirman sin dramatismo. HubSpot reporta que el 86% de los marketers ya usa herramientas de IA y un ahorro medio en torno a 6 horas por persona y semana. McKinsey, en su State of AI, sitúa marketing y ventas como una de las funciones donde la IA genera más valor, pero avisa de algo que confirmo con mi experiencia: casi dos tercios de las organizaciones no han escalado la IA de verdad, y solo un grupo pequeño captura impacto real en la cuenta de resultados. Es decir: casi todos la “usan”, pocos la rentabilizan. Esa brecha es exactamente donde una agencia bien montada gana dinero.

Mi opinión contrarian, y la sostengo: la mayoría de agencias que dicen “usamos IA” no usan IA, usan ChatGPT a mano. Tener una pestaña abierta de un LLM y pegar prompts no es aplicar inteligencia artificial a marketing más de lo que tener Excel es ser analista de datos. La ventaja real aparece cuando la IA está dentro del flujo: conectada a los datos del cliente, encadenada con automatizaciones, con revisión humana en los puntos críticos y con métricas de si mejora margen o solo mueve trabajo de sitio. Lo que pasa si no lo haces no es un drama inmediato; es una sangría lenta de margen mientras un competidor entrega lo mismo en la mitad de tiempo y puede bajar precio o subir calidad. En un mercado de PYME, donde el precio importa, eso te saca.

En 2026 la IA no es la ventaja competitiva de una agencia: es el coste de seguir compitiendo. La ventaja está en dónde la metes, dónde decides no meterla y si mides el margen, no solo el ahorro de horas.

¿Qué automatizo con IA y qué no toco nunca?

Esta es la sección que más me piden y la que más se hace mal en el sector. La regla con la que trabajo es simple de enunciar y dura de aplicar: automatizo el volumen, protejo el criterio. La IA es extraordinaria moviendo y transformando información a escala; es mediocre decidiendo qué le importa a este cliente, a esta marca, en este mercado, este trimestre. En el momento en que confundes esas dos cosas, o pierdes calidad o pierdes al cliente.

En la práctica, divido cada proyecto en tareas y le pongo a cada una una etiqueta antes de tocar una herramienta: automatizable de punta a punta, asistida (la IA hace el 70% y una persona cierra), o humana sin discusión. No es una clasificación filosófica; es operativa. Determina quién hace qué, cuánto cobramos por ello y dónde ponemos el control de calidad. Si una tarea está mal clasificada, el error se propaga: una pieza “automatizable” que en realidad necesitaba criterio sale al cliente con la cara de la marca puesta y un error dentro.

Y aquí va el “lo que veo demasiado y no funciona”: agencias que automatizan la relación con el cliente. Respuestas a clientes generadas por IA sin leer, informes que el account manager no entiende porque los ha hecho un agente, reuniones preparadas por una máquina que conoce el dato pero no la política interna del cliente. Eso no es eficiencia, es perder la única cosa que una IA no te puede dar: que el cliente confíe en que una persona piensa en su negocio. Automatiza el informe; no automatices que te importe.

¿Dónde aporta la IA de verdad en el día a día?

La IA aporta cuando hay mucho volumen repetitivo con baja carga de juicio. Ahí es donde el ahorro es real y medible, no anecdótico. Research inicial de un sector que no conocemos, agregación de datos de cinco plataformas en un informe, generación de cuarenta variantes de un copy para test, transcripción y resumen de una reunión de cliente, primer borrador de un artículo a partir de un brief decente. En estas tareas la IA no te ahorra el 10%: te ahorra el 60-80% del tiempo, y la calidad del output es buena si el input lo es.

Lo veo cristalino en research. Antes, abrir un cliente de un sector nuevo —pongamos una clínica dental con cinco centros— eran dos días de un analista leyendo competencia, normativa, lenguaje del sector y comportamiento de búsqueda. Hoy, con un sistema que combina búsqueda, lectura de fuentes y síntesis estructurada, eso son dos o tres horas de máquina más media jornada de una persona validando y quitando lo que la IA se ha inventado o ha entendido a medias. El analista no desaparece: deja de transcribir y pasa a juzgar. Su hora vale más, no menos.

Donde más me ha sorprendido positivamente es en analítica y reporting. Es la tarea más ingrata de una agencia: a nadie le gusta hacer el informe mensual, todos lo necesitan, y el cliente lo lee en treinta segundos. Automatizar la recogida, el cruce y el primer borrador narrativo del informe nos devolvió horas de gente senior que estaban tiradas en copiar-pegar de Looker a una plantilla. Esas horas ahora se gastan en lo que el cliente paga de verdad: qué hacemos el mes que viene con esos datos. El informe lo monta la máquina; la decisión la tomamos nosotros y la explicamos a una persona, no a un dashboard.

¿Qué nunca debe sustituir el criterio humano?

Hay cuatro cosas que en mis dos agencias no salen de manos humanas, y no por romanticismo, por gestión de riesgo: estrategia, relación con el cliente, juicio editorial y decisiones de marca. La IA puede alimentar las cuatro con datos y borradores; no puede tomar la decisión final en ninguna sin que alguien pague por el error tarde o temprano. Un modelo no sabe que este cliente acaba de tener una crisis con un proveedor y este mes no es momento de empujar agresivo. Eso no está en los datos. Está en la conversación que tuvo el account la semana pasada.

El juicio editorial es el que más subestima la gente y el que más nos ha costado defender internamente. Un LLM escribe fluido y convincente incluso cuando está equivocado, y esa es justo la trampa: el texto suena verdad. En marketing eso es munición cargada, porque sale con la marca del cliente puesta. Una afirmación falsa sobre un producto sanitario, un dato financiero inventado, una promesa que el cliente legalmente no puede hacer: eso no es “un error de redacción”, es un incidente que paga el cliente y, por extensión, tu reputación. Por eso el editor humano no es un lujo de calidad; es el control de daños.

Y la relación con el cliente es directamente innegociable. Puedo automatizar el 60% de lo que producimos para un cliente y aun así ese cliente tiene que sentir, cada semana, que hay una persona —con nombre, que coge el teléfono— pensando en su negocio. El día que el cliente percibe que habla con una máquina disfrazada, el contrato tiene fecha de caducidad aunque los resultados sean buenos. La gente no paga una agencia solo por entregables; paga por sentirse acompañada en algo que no controla. Eso no se delega. Lo aprendí, además, por las malas, y lo cuento más abajo.

Mi regla: si una tarea, cuando sale mal, solo cuesta tiempo, la automatizo. Si cuando sale mal cuesta la confianza del cliente o la verdad de la marca, hay una persona firmando antes de que salga.

¿Cómo aplicamos IA en una agencia de marketing, área por área?

Aquí bajo al barro. Cómo aplicamos IA en una agencia de marketing no es un titular; es una decisión distinta en cada área con un equilibrio distinto entre máquina y persona. Voy a recorrer las áreas en las que de verdad la hemos metido en producción, con casos anonimizados y cifras en rango realista. Donde doy un número exacto es ilustrativo de la magnitud, no una métrica auditada de un cliente concreto; lo señalo cuando toca para no venderte humo con apariencia de precisión.

El patrón se repite en todas las áreas, y por eso lo enuncio antes: la IA entra fuerte en la fase de producción y análisis, se retira en la fase de decisión y relación, y siempre hay un punto de control humano antes de que algo salga al cliente o al mercado. Quien invierte eso —humano en producción, máquina en decisión— es exactamente quien tiene incidentes. He visto las dos formas y solo una escala sin romper cosas.

Una nota de honestidad antes de seguir: no todo lo que cuento funcionó a la primera, ni funciona igual en todos los clientes. Un sistema que vuela en una PYME de ecommerce con mucho dato se atasca en una empresa de servicios B2B con ciclo de venta de nueve meses y tres datos al trimestre. La IA necesita combustible —datos, contexto, volumen— y no todos los clientes lo tienen. Parte del trabajo de agencia hoy es saber a quién no merece la pena automatizarle según qué, y decírselo.

¿Cómo usamos la IA en SEO y GEO?

En SEO y GEO la IA nos cambió el cuello de botella de sitio. Antes el límite era la producción: cuánto contenido decente podíamos sacar al mes. Hoy el límite es la estrategia y la verificación: qué merece la pena escribir y cómo garantizar que lo que sale es verdad y posicionable. El research de keywords, el análisis de SERP, el clustering semántico y los primeros borradores se hacen asistidos por IA; lo que decide qué cluster atacar y con qué ángulo propio sigue siendo humano, porque ahí está la diferencia entre rankear y ser un refrito más.

GEO —optimización para que ChatGPT, Perplexity, Gemini, Claude y los AI Overviews de Google te citen— es un caso especialmente bonito porque es la IA ayudándote a posicionarte dentro de la IA. Lo que vemos: el contenido que las IAs citan es el que tiene datos atómicos, definiciones claras, fuentes y estructura extractable. Curiosamente, eso coincide con buen periodismo y buen SEO de siempre. Usamos modelos para auditar si un artículo es “citable” —si una IA puede sacar de él una afirmación autocontenida— y para detectar huecos semánticos frente a la competencia. La directriz de fondo sigue siendo la de Google Search Central: contenido útil hecho para personas; la IA acelera producirlo, no sustituye que sea bueno.

Caso real anonimizado: cliente de servicios profesionales, sector legal, tráfico orgánico plano durante año y medio. Rediseñamos el proceso de contenidos con IA en el research y el primer borrador, y humano fuerte en criterio editorial y verificación —en legal una afirmación mal matizada es un problema serio—. Resultado en el rango de los seis meses siguientes: capacidad de publicación multiplicada por tres a igual coste, y tráfico orgánico cualificado creciendo a doble dígito mensual sostenido. El número exacto varía por cliente; la palanca no: mismo equipo, triple producción, porque la máquina hizo el volumen y la persona puso el criterio y la verdad. El día que probamos a quitar el control humano “para ir más rápido”, colamos una imprecisión legal en un borrador. No salió publicada porque había revisión. Esa revisión es justo lo que algunos quieren ahorrarse. Es lo último que yo recortaría.

¿Cómo aplicamos IA en contenidos y creatividad?

En contenidos la IA es palanca de volumen y arranque, nunca de voz. Genera estructuras, primeros borradores, variantes para test, adaptaciones de un mismo mensaje a cinco canales. Lo que no genera es el punto de vista, que es justamente lo que hace que un contenido no sea intercambiable con los otros cuarenta del feed. Vuelvo al dato de HubSpot porque es la advertencia entera: hay más contenido de IA que humano y es mediocre. Si tu agencia produce de ese, eres parte del ruido, no de la señal, y el cliente paga por que su marca destaque, no por que se diluya.

Nuestro proceso de contenido tiene una forma concreta. La IA produce el esqueleto y el primer borrador a partir de un brief con ángulo —el ángulo lo pone una persona—. Un editor reescribe para meter voz, criterio, ejemplos reales y, sobre todo, verdad verificada. Después, otra pasada de IA para consistencia, SEO técnico y detección de afirmaciones sin respaldo. El humano abre y cierra; la máquina trabaja en medio. Invertir ese sándwich —máquina abre, máquina cierra, humano en medio mirando— es la receta del contenido genérico que nadie comparte y que el cliente acaba notando aunque no sepa explicar por qué.

En creatividad visual el reparto es parecido. Generación de imágenes y variantes para concepto y test rápido: muy útil para no quemar horas de diseño en bocetos que se descartan. Pieza final de marca: dirección de arte humana, sin excepción, porque la coherencia de un sistema visual a lo largo de meses es criterio acumulado, no un prompt afortunado. La IA te da veinte caminos en una tarde; elegir cuál es el de esta marca y por qué sigue siendo el trabajo. Y aquí un error mío que cuento entero más abajo: hubo un momento en que sobreautomatizamos creatividades y el cliente empezó a ver “su marca pero rara”. Tuvimos que dar marcha atrás.

¿Cómo metemos IA en paid media y performance?

Paid es el área donde la IA lleva más tiempo y donde, paradójicamente, hay que tener más cuidado, porque aquí no se gasta tiempo: se gasta el dinero del cliente. Las plataformas —Google, Meta— ya son cajas negras con IA propia optimizando pujas y públicos. Nuestra capa de IA encima sirve para tres cosas: analizar rendimiento entre plataformas más rápido de lo que un humano cruza hojas, generar y rotar variantes de creatividad y copy para alimentar los algoritmos, y detectar anomalías —un coste por adquisición que se dispara un martes a las tres de la mañana— antes de que se coma el presupuesto del mes.

Lo que no delegamos en paid es la decisión de inversión. Cuánto presupuesto, a qué objetivo, cuándo cortar una campaña que sangra, cuándo aguantar una que tarda en madurar: eso lo decide una persona que conoce el negocio del cliente y su caja, no un modelo optimizando una métrica proxy. McKinsey cuantifica mejoras de ROI en ventas del orden del 10-20% cuando se invierte bien en IA; mi matiz de campo es que ese rango se evapora si dejas que el sistema optimice una métrica que no es la que paga las facturas del cliente. La IA optimiza lo que le digas; decirle lo correcto es criterio humano de negocio.

Caso anonimizado: ecommerce de nicho, presupuesto de paid medio para una PYME, mucha estacionalidad. Metimos detección automática de anomalías y rotación asistida de creatividades. El valor no fue “la IA optimizó las campañas” —eso ya lo hacían las plataformas—; el valor fue que un pico de coste por adquisición un fin de semana se detectó en horas en lugar de en el informe de fin de mes. Estimación realista del ahorro evitado: del orden de un mes de presupuesto de campaña que se habría tirado sin que nadie lo viera a tiempo. Ilustrativo, no auditado, pero la mecánica es exactamente esa: la IA no ganó la campaña, evitó perderla mientras dormíamos.

¿Cómo usamos IA en analítica, gestión de proyectos y ventas internas?

En analítica la IA hace lo que más odia hacer un humano y peor hace: recoger, cruzar y resumir datos de muchas fuentes en lenguaje claro. El informe deja de ser un trabajo manual y pasa a ser un output casi instantáneo que una persona interpreta. La frase que repito al equipo: el dashboard responde “qué pasó”; el cliente paga por “y ahora qué hacemos”, y eso no lo dice la máquina, lo decimos nosotros con la máquina al lado. Esa es la línea exacta entre dato y criterio.

En gestión de proyectos y operación interna la IA nos quitó fricción invisible que sumaba muchísimo tiempo muerto. Resúmenes de reunión con tareas extraídas y asignadas, borradores de actualización de estado de proyecto, detección de proyectos que llevan días sin movimiento, redacción de primeras versiones de propuestas a partir de un briefing. Nada de esto es glamuroso y todo esto, sumado, es donde se va el margen de una agencia: en el trabajo que no se factura pero hay que hacer. Atacar ese coste oculto fue, en dinero, tan rentable como automatizar la producción.

En ventas internas —captación de la propia agencia— usamos IA para cualificación y preparación, nunca para el cierre. Enriquecer un lead, preparar un primer análisis del prospecto antes de la reunión, redactar un borrador de propuesta que un humano personaliza. La conversación de venta de una agencia es relación pura; automatizarla es el error de principiante que más caro se paga, porque le estás diciendo al futuro cliente exactamente cómo vas a tratarle después. Lo que la IA hace bien aquí es que lleguemos a esa conversación mejor preparados, no que la sustituyamos.

¿Qué stack y arquitectura de IA usamos de verdad?

Te lo explico para que lo entienda un responsable de marketing que no es técnico, pero con la sustancia suficiente para que no te vendan humo. El stack tiene cuatro capas y ninguna sobra: modelos que razonan y escriben, automatización que encadena pasos sin intervención humana, conocimiento del cliente para que la IA no hable de oídas, y agentes que ejecutan tareas acotadas de principio a fin con supervisión. Quien te venda “una herramienta de IA” que lo hace todo, te está vendiendo una capa y cobrándote por cuatro.

La decisión más importante no es qué herramienta compras; es cómo conectas las capas a tu flujo real. He visto agencias con el mejor modelo del mercado y cero resultado porque la IA vivía en una pestaña del navegador, desconectada de los datos del cliente y del proceso de entrega. Y he visto resultados serios con modelos del montón pero bien conectados. La arquitectura gana a la herramienta casi siempre. Esto, por cierto, es buena parte de lo que hacemos en : no vender modelos, sino conectarlos al negocio.

Y una advertencia de gobernanza que va en el stack porque es parte de la arquitectura, no un añadido: en cuanto conectas la IA a los datos del cliente, entras en el terreno del EU AI Act y del RGPD a la vez. Qué datos del cliente entran en un modelo, dónde se procesan, si el contenido generado se etiqueta como tal cuando toca: eso no es burocracia opcional, es parte del diseño del sistema desde el primer día. Lo desarrollo más abajo, pero quería que apareciera aquí: la arquitectura incluye el cumplimiento, no lo deja para el final.

¿Qué modelos y herramientas usamos por función?

No somos monógamos de modelo y creo que serlo es un error estratégico. Cada familia de modelos tiene fortalezas distintas y atarte a uno te deja expuesto a su precio, su disponibilidad y sus límites. Usamos Claude, GPT y Gemini según la tarea, y la decisión de cuál para qué la revisamos cada pocos meses porque el ranking cambia rápido. La regla práctica: el modelo es un componente reemplazable, no el corazón del sistema; si reemplazar tu modelo te rompe todo, tu arquitectura está mal.

La automatización es la capa que la gente subestima y la que más valor da. Aquí trabajamos con n8n y Make: son las que encadenan “research → borrador → revisión → publicación → reporte” sin que una persona arrastre el trabajo de un sitio a otro. Un LLM solo es un cerebro sin manos; la automatización son las manos. La mayoría del retorno real que medimos no vino del modelo en sí, vino de eliminar los traspasos manuales entre pasos. Eso casi nadie lo enseña en las demos porque es poco vistoso y muy rentable.

Encima está el RAG —que explico en el siguiente apartado— y la capa de agentes: procesos donde la IA ejecuta una secuencia de tareas con un objetivo, no solo responde a un prompt. Los nuestros están deliberadamente acotados: un agente que prepara el research de un prospecto, otro que monta el primer borrador de informe, otro que vigila anomalías de paid y avisa a una persona. Ninguno toma decisiones que cuesten dinero o reputación sin un humano en medio. Eso es decisión de diseño, no falta de ambición.

¿Por qué el RAG sobre el conocimiento del cliente lo cambia todo?

RAG, en cristiano, significa que la IA responde con los documentos reales del cliente delante, no con lo que “recuerda” de su entrenamiento general. Es la diferencia entre un becario que se inventa la respuesta para quedar bien y uno que va a buscar el dato al manual antes de contestar. Para una agencia esto no es un detalle técnico: es lo que separa contenido genérico que podría ser de cualquiera de contenido que de verdad suena a ese cliente y dice cosas ciertas sobre su producto.

En la práctica, montamos sobre cada cliente relevante una base de su conocimiento: documentación de producto, guías de marca, datos históricos, FAQs reales, tono. La IA consulta eso antes de generar. El resultado no es solo más preciso; es más defendible. Cuando un borrador afirma algo sobre el producto, hay una fuente del propio cliente detrás, no una invención plausible del modelo. Eso reduce drásticamente el riesgo editorial, que es el riesgo que más caro se paga en marketing y el que más gente ignora hasta que le explota.

Donde el RAG no funciona —y lo digo porque es de las cosas que más se omiten— es cuando el cliente no tiene su conocimiento ordenado, que es casi siempre al principio. Si la documentación del cliente es un caos de PDFs viejos y versiones contradictorias, el RAG hereda el caos: basura dentro, basura fuera con apariencia de autoridad, que es peor. Parte del trabajo —y de lo que cobramos— es ordenar ese conocimiento antes de que la IA lo use. No es glamuroso. Es la mitad del valor real.

El mayor retorno de la IA en agencia no viene del modelo más potente: viene de eliminar los traspasos manuales entre pasos y de darle a la IA el conocimiento real del cliente. La arquitectura gana a la herramienta casi siempre.

¿Cómo cambia el modelo de negocio de la agencia cuando la IA hace el 60% del trabajo?

Esta es la conversación que el sector evita y la más importante de todo el artículo. Si la IA hace el 50-60% del trabajo operativo, el modelo de negocio por horas se cae solo, y fingir que no es deshonesto con el cliente y suicida para ti. Cobrar por horas de tareas que una máquina hace en minutos te deja dos salidas malas: inflar horas que no existen —fraude— o ver cómo tu margen se desploma mientras compites con quien sí ha cambiado el modelo. Ninguna es viable a medio plazo.

Mi posición, y es la que aplico en mis dos agencias: cuando la IA hace el grueso operativo, dejas de cobrar tiempo y empiezas a cobrar resultado y criterio. El cliente no paga por las horas que tarda en escribirse un artículo; paga porque ese artículo le traiga negocio y porque alguien con criterio decida qué artículo merece existir. El valor se desplaza del “hacer” al “decidir qué hacer y garantizar que está bien hecho”. Gartner observa este movimiento en el mercado: una parte creciente de agencias ha pasado al menos una línea de servicio a modelos de retainer más performance o directamente value-based. No es teoría; el dinero ya se está moviendo de sitio.

La pregunta incómoda que todo dueño de agencia se hace y nadie dice en voz alta: ¿qué cobro si la IA hace el 60%? Mi respuesta honesta: cobras por el 40% que importa de verdad —estrategia, criterio, relación, garantía de calidad— a un precio que refleja que ese 40% es lo que mueve el negocio del cliente, no a precio de “operario que produce”. Y eres transparente con el cliente sobre que usas IA: no porque la ley te obligue —que en parte sí—, sino porque el cliente lo va a descubrir igual y el día que lo descubra sin que se lo hayas dicho, has perdido la confianza, que era justo lo único no automatizable. La transparencia aquí no es ética abstracta; es retención de clientes. Si quieres ver cómo lo planteamos en propuestas reales, está en .

¿Qué errores cometí metiendo IA y qué aprendí?

Aquí no hay teoría. Esto me pasó, me costó dinero o calidad, y lo cuento porque el sector solo publica los aciertos y eso le hace un flaco favor a quien empieza. Aplicar IA en una agencia de marketing es un proceso de aprender dónde no ponerla, y eso solo se aprende poniéndola donde no debía y viendo qué se rompe. Aquí van los cuatro errores que más me enseñaron.

El primero y más caro: sobreautomatizar. Hubo un trimestre en que, con el entusiasmo recién estrenado, automatizamos más de la cuenta en contenido y creatividad de un par de cuentas. El resultado no fue un desastre visible de un día; fue una erosión lenta. El cliente empezó a decir cosas como “esto está bien pero no sé, lo veo… genérico”, “esto no parece nuestro”. Tenían razón. Habíamos cambiado volumen por alma sin darnos cuenta porque las métricas de producción se veían fantásticas. Aprendizaje: las métricas de eficiencia pueden subir mientras la calidad baja, y el cliente lo nota antes que tu dashboard.

El segundo: recortar la revisión humana para ir más rápido. La tentación es brutal porque la revisión es justo el paso lento. Lo probamos en un proceso de contenidos y colamos una imprecisión seria en un borrador de un cliente regulado. No salió publicada de milagro y porque otra persona la pilló aguas abajo. Si el sistema hubiera estado “optimizado” como queríamos, sale. Aprendizaje, ahora regla de empresa: la revisión humana en puntos de riesgo no es negociable ni aunque sea el paso que más frena, porque es el único que para los incidentes que cuestan de verdad. El tercero, relacionado: adoptar herramientas por moda. Cada semana sale “la herramienta que lo cambia todo”. Compramos varias que no resolvían un problema real que tuviéramos; resolvían el problema de no querer quedarnos atrás, que es un problema de ego, no de negocio. Aprendizaje: ninguna herramienta entra si no hay un proceso concreto que mejora de forma medible. El cuarto fue el más sutil: subestimar el coste de ordenar el conocimiento antes de automatizar. Quisimos correr a montar RAG sobre clientes cuyo conocimiento era un caos, y la IA amplificó el caos con cara de autoridad. Aprendizaje: la mitad del trabajo de IA en agencia es ordenar la información antes de que la máquina la toque, y eso hay que presupuestarlo y cobrarlo, no regalarlo.

¿Cómo cambia el equipo y la cultura cuando entra la IA?

La parte de personas es la que más se ignora y la que decide si esto sale bien o sale mal. La tecnología es la parte fácil. Lo difícil es que un equipo que lleva años produciendo de una manera entienda que su valor ya no está en producir, sino en decidir y garantizar. Y que lo entienda sin que cunda el miedo a que la máquina venga a por su puesto, porque ese miedo, fundado o no, paraliza la adopción más que cualquier limitación técnica.

Voy a ser honesto con el dato duro porque me parece deshonesto endulzarlo: el mercado sí está reduciendo perfiles de producción júnior pura. Las cifras del sector apuntan a recortes y planes de recorte en roles de producción de contenido básico, y negarlo no ayuda a nadie. Mi posición como empresario: el rol que desaparece es el de “manos que ejecutan tareas que la máquina hace mejor”; el rol que gana valor es el de la persona con criterio que dirige a la máquina, verifica, y aporta el juicio que la IA no tiene. La pregunta no es “¿me sustituye?”, es “¿estoy del lado de las tareas que la máquina hace o del lado de las decisiones que no puede tomar?”. Mi trabajo como director es mover a la gente al segundo lado, no dejar que el mercado lo haga por mí a base de despidos.

Por eso invertimos en upskilling de forma deliberada, no como discurso. No se trata de que todo el mundo aprenda a programar; se trata de que cada persona entienda qué hace bien la IA, qué hace mal, cómo dirigirla y dónde su criterio humano vale más que nunca precisamente porque la máquina hace el resto. El perfil que más sube de valor en mis dos agencias no es el más técnico: es el que combina criterio de marketing sólido con soltura dirigiendo IA. Ese perfil hoy vale oro y escasea. Cómo abordamos esto a nivel de procesos y formación está cerca de lo que contamos en .

El rol que la IA destruye en una agencia es el de “manos que ejecutan lo que la máquina hace mejor”. El que multiplica de valor es el de “persona con criterio que dirige a la máquina y garantiza la verdad”. Mi trabajo es mover a la gente del primero al segundo antes de que el mercado lo haga por despidos.

¿Qué gobernanza y riesgos hay que controlar?

Cuanto más metes IA en producción, más en serio te tienes que tomar lo que puede salir mal, porque la escala que te da la IA también escala los errores. Cuatro riesgos me quitan el sueño, en este orden: calidad y alucinaciones, datos del cliente, marca y cumplimiento legal. No son hipótesis de consultor: cada uno me ha rozado de cerca y por eso tienen control explícito en mis dos agencias, no buena voluntad.

Las alucinaciones son el riesgo número uno y el más traicionero porque el error viene bien escrito. Un modelo afirma con total seguridad algo falso, y en marketing eso sale firmado con la marca del cliente. El control no es técnico, es de proceso: ninguna afirmación factual sobre un cliente sale sin verificación humana o sin fuente del propio cliente vía RAG. Los datos del cliente son el segundo: qué información del cliente entra en un modelo, dónde se procesa, qué se queda en logs. Esto no es paranoia, es RGPD y es contractual; meter datos sensibles de un cliente en una herramienta sin control es exponerle a él y a ti.

El cumplimiento legal dejó de ser opcional con un calendario concreto. El EU AI Act tiene obligaciones que escalan hasta agosto de 2026, y una agencia que usa IA para trabajo de cliente es deployer: hay obligaciones de transparencia sobre contenido generado, de alfabetización en IA del personal y de supervisión humana en usos de mayor riesgo. No hace falta ser jurista para lo básico: transparencia con el cliente sobre que usas IA, etiquetar contenido generado cuando el contexto lo exige, no meter datos personales donde no toca, y tener un humano responsable de cada output que sale. Lo demás es escalar eso. Mi consejo de empresario: trátalo como diseño del sistema desde el día uno, no como un parche legal al final, porque retrofitear cumplimiento es siempre más caro que diseñarlo dentro.

¿Cómo medir si la IA está aportando de verdad?

Si no lo mides bien, la IA te hará sentir productivo mientras destruyes margen o calidad. Esto lo he vivido, así que la sección no es opcional. El error universal es medir solo ahorro de horas: es la métrica que mejor se ve y la que peor cuenta la historia completa, porque ahorrar horas mientras baja la calidad o se fuga un cliente es perder dinero con un dashboard verde.

Mido cuatro cosas, y ninguna sola sirve: productividad (output a igual coste), margen (no horas ahorradas, dinero que se queda en la agencia), calidad (incidentes editoriales, retrabajo, percepción del cliente) y satisfacción del cliente (retención y NPS, que es donde se ve si la relación sigue viva). La clave es mirarlas juntas. Productividad arriba con calidad abajo no es éxito: es deuda que pagas en tres meses cuando el cliente se va. El cuadro de mando honesto cruza eficiencia con calidad y retención, siempre.

El indicador que más miro, y el que más me ha enseñado, es la percepción del cliente cruzada con la productividad interna. Cuando subió la productividad y la percepción del cliente seguía sólida, la IA estaba aportando de verdad. Cuando subió la productividad pero el cliente empezó a decir “lo veo genérico”, esa era la alarma temprana de que estábamos sobreautomatizando, y llegó antes que cualquier número financiero. Por eso, si solo pudiera mirar una métrica, miraría esa: dice la verdad antes que la cuenta de resultados.

¿Cuál es la hoja de ruta para adoptar IA en una agencia o equipo de marketing?

Si empiezas hoy, no copies a nadie su stack: copia el orden. El error más común es empezar por la herramienta vistosa en lugar de por el proceso que más sangra margen. La secuencia que funciona, y la he visto fallar al saltársela, es: primero entiende dónde pierdes tiempo y dinero, luego automatiza lo aburrido y de bajo riesgo, después lo de producción con humano fuerte, y solo entonces lo complejo. Querer empezar por agentes autónomos sin haber automatizado un informe es como querer correr una maratón sin haber andado.

La regla de oro de la hoja de ruta es empezar por donde el riesgo es bajo y el ahorro alto: reporting interno, research, resúmenes, documentación. Ahí ganas tiempo real, el equipo coge confianza y oficio dirigiendo IA, y nadie se juega la cara del cliente mientras aprende. Lo que sale al cliente y lo que cuesta dinero —contenido publicado, creatividad de marca, inversión de paid— se automatiza después, asistido y con humano firmando, nunca como primer experimento. Quemarte con el cliente en la fase de aprendizaje es el error que más caro se paga y el más evitable.

Te dejo el roadmap por trimestres que usaría hoy para una agencia o un equipo de marketing interno que empieza de cero. No es dogma, es el orden con el que yo no me habría comido la mitad de los errores que conté antes. Si quieres que lo aterricemos a tu caso, eso es literalmente parte de lo que hacemos; tienes el .

Conclusión

La pregunta que importa en 2026 no es si una agencia debe usar IA —eso ya está respondido por el mercado, lo usa casi todo el mundo—. La pregunta es si la usa donde da ventaja o donde da la sensación de modernidad mientras erosiona lo único que el cliente paga de verdad: que alguien con criterio piense en su negocio y le diga la verdad. La IA es la mejor herramienta de productividad que he visto en quince años y, mal puesta, la mejor manera que he visto de volverte rápido, barato y prescindible a la vez.

Lo que de verdad he aprendido dirigiendo dos agencias con la IA dentro no es técnico: es que la tecnología amplifica lo que ya eres. Si tienes criterio, la IA lo escala. Si no lo tienes, la IA escala su ausencia más rápido y con mejor redacción. Por eso la decisión estratégica de fondo no es qué modelo comprar; es proteger ferozmente el criterio humano mientras dejas que la máquina se quede con todo lo que no lo necesita. Esa frontera —dónde acaba el volumen y empieza el juicio— es, ahora mismo, el verdadero trabajo de quien dirige una agencia. Lo demás lo hace la máquina, y está bien que así sea.