Cómo montar un departamento de marketing con IA en un día (sin saber programar)

La mayoría de empresas tienen un equipo de marketing haciendo tareas repetitivas que un agente puede hacer perfectamente: drafts de contenido, reportes de métricas, clasificación de leads. Lo difícil no es la tecnología. Lo difícil es saber exactamente qué quieres que haga el agente — y qué no.

Eso es lo que vamos a ver aquí. Sin teoría de más. Con los fallos reales que hemos visto en producción.

Si estás decidiendo por qué departamento empezar, tienes la guía de IA por departamento.

Qué puede automatizar el agente (y qué no)

Cuando montamos el primer agente de marketing para un cliente de retail, el equipo llegó con una lista de 40 tareas «para automatizar». Tuvimos que reducirla a 8. No porque la tecnología no pudiera — sino porque automatizar mal es peor que no automatizar.

Esto es lo que un agente de marketing puede hacer bien hoy:

• Drafts de contenido: recibe un briefing estructurado, genera un borrador ajustado a la voz de marca, lo manda a una cola de revisión. No publica solo.
• Análisis de métricas: extrae datos de Google Analytics y HubSpot cada mañana, genera un resumen ejecutivo, lanza alertas si algo se sale del umbral.
• Cualificación de leads: cuando alguien rellena un formulario, el agente lo puntúa según criterios definidos, lo actualiza en el CRM y lo asigna al comercial correcto.
• Calendario de contenido: propone un plan semanal basado en rendimiento histórico, estacionalidad y análisis básico de competencia.

Y esto es lo que no puede hacer bien, aunque técnicamente «funcione»:

• Decidir si una campaña nueva tiene sentido estratégico.
• Aprobar si un contenido está listo para publicar.
• Juzgar si el tono de un copy encaja con la marca.
• Dar dirección creativa a una campaña nueva.

La frontera no es técnica. Es editorial. Todo lo que requiere criterio y responsabilidad sigue siendo humano. El agente ejecuta; el equipo decide.

La arquitectura en 3 agentes

Lo que funciona en producción no es un «superagente de marketing» que lo hace todo. Es una arquitectura de tres agentes especializados, cada uno con un rol claro y una salida definida.

El agente redactor recibe un briefing estructurado — tema, audiencia, formato, keywords, longitud — y genera un borrador. No publica. Va a una cola de revisión donde alguien del equipo lo valida antes de que salga. Ese paso intermedio parece un freno. En realidad es lo que hace que el sistema dure.

El agente analista corre cada mañana. Extrae métricas, las compara con la semana anterior y con los umbrales definidos, y manda un resumen al canal de Slack del equipo. Si algo supera el umbral de alerta — una caída de tráfico superior al 15%, un cambio brusco en tasa de conversión, un coste por lead que se dispara — lo marca como urgente. No interpreta por qué ha pasado. Solo lo señala.

El agente planificador corre una vez a la semana. Mira qué contenido funcionó mejor, qué fechas estacionales se acercan, qué temas están generando más leads, y propone un calendario para los próximos 7 días. El equipo lo revisa, ajusta lo que no encaja, y lo aprueba. Entonces pasan los briefings al agente redactor.

Tres agentes. Roles claros. Humano en el bucle en cada paso crítico.

Si quieres entender bien qué diferencia hay entre esto y un chatbot, te recomiendo leer primero qué es un agente de IA y en qué se diferencia de un chatbot. Cambia bastante cómo entiendes lo que estos agentes pueden o no pueden hacer.

Los MCPs que conectan todo

Los MCPs (Model Context Protocol) son los conectores que permiten que los agentes accedan a datos reales en tiempo real. Sin ellos, los agentes trabajan en el vacío.

Para un departamento de marketing, los MCPs que más aportan son estos cuatro:

• HubSpot MCP: acceso al CRM, scoring de leads, datos de email, secuencias de nurturing. El agente analista puede ver en tiempo real cuántos leads nuevos hay, cuál es su puntuación media y qué campañas los han generado.
• Google Analytics MCP: tráfico web, conversiones, fuentes de atribución, comportamiento por página. El dato clave que usa el agente analista para sus alertas y el agente planificador para sus propuestas de calendario.
• Notion MCP: calendario editorial, documentos de marca, guías de estilo, historial de contenidos. El agente redactor lo usa para consultar la voz de marca antes de generar un draft. El agente planificador escribe aquí sus propuestas.
• Google Drive MCP: librería de contenidos aprobados, plantillas, creatividades. El agente redactor puede consultar ejemplos de contenido que ya funcionó para mantener coherencia.

El tiempo de configuración con templates preparados: 2-3 horas. Sin templates: semanas. No porque sea técnicamente complejo, sino porque hay que definir qué datos importan, qué umbrales tiene sentido configurar, cómo se estructura el briefing, dónde vive cada output.

Esas decisiones no son técnicas. Son editoriales y estratégicas. Y dependen de cómo trabaja tu equipo.

Dónde falla siempre

El primer agente que fallaba siempre era el redactor. No por bugs. Por falta de definición.

Si el agente redactor no tiene una voz de marca clara y específica en su configuración, genera contenido genérico. Un contenido que «suena a IA» pero no suena a la empresa. El equipo lo mira, lo descarta, y deja de mandarlo a revisión. En dos semanas, el agente redactor está inactivo.

El segundo fallo más común: el agente analista sin umbrales definidos. Si el agente manda alertas por cualquier variación mínima — tráfico baja un 3%, sube un 2% — el equipo empieza a ignorar los mensajes. Y cuando llega una alerta importante de verdad, nadie la ve. Lo hemos visto varias veces. El equipo desactiva el agente «porque manda demasiado ruido».

El tercer fallo: quitar el paso de aprobación humana «para que sea más eficiente». Un agente que publica directamente, sin revisión, tarde o temprano publica algo con un error de datos, un tono equivocado o una afirmación problemática. Cuando eso pasa — y pasa — la confianza en el sistema colapsa. No solo en ese agente. En toda la arquitectura.

El patrón que se repite es siempre el mismo: demasiada automatización demasiado rápido → un fallo visible → el equipo concluye que «la IA no funciona para marketing» → vuelta a cero.

Esto no funciona bien cuando el equipo no tiene criterio editorial claro. Si no sabes describir tu voz de marca en 10 puntos concretos, el agente tampoco va a saberlo. Y producirá lo que todos los agentes producen cuando no tienen instrucciones precisas: contenido correcto pero anónimo.

Si quieres entender cómo se mide si esto tiene sentido económico para tu empresa, hay un análisis más detallado en cómo calcular el ROI de implementar IA en tu empresa. Los números de marketing suelen salir bien — pero dependen mucho de cuánto tiempo real dedica el equipo a tareas automatizables.

Lo que este artículo no puede darte

La arquitectura de 3 agentes está clara. Los MCPs también. Los fallos más comunes, igual.

Lo que no está claro — porque no puede estarlo en un artículo genérico — es cómo encaja esto con tu departamento de marketing específico.

Tu empresa ya tiene herramientas conectadas de una manera concreta. Tu equipo tiene un proceso de aprobación que lleva años funcionando así. Tu marca tiene una voz que no está escrita en ningún sitio pero todos reconocen cuando algo no encaja. Tus métricas más importantes no son las mismas que las del ejemplo de arriba.

Adaptar esta arquitectura a tu empresa es un ejercicio completamente distinto al de entenderla en abstracto. Y hacerlo sin tus datos reales, sin tus herramientas, sin tu equipo delante — lleva a agentes que funcionan perfecto en una demo y nadie usa en producción.

Esa brecha entre «entiendo el patrón» y «tengo mi departamento de marketing funcionando con agentes» es exactamente donde está el trabajo real. Y es trabajo que no se resuelve leyendo más artículos.

Preguntas frecuentes