1. Qué produce la IA en marketing
Lo que produce, en concreto, es volumen con criterio encima: más piezas por mes, más variantes por campaña y más velocidad entre la idea y la publicación. Lo que no produce es la decisión de qué decir, a quién y con qué prueba. Esa parte sigue siendo el trabajo del área, y es la que separa una marca con voz de un feed de textos correctos que nadie recuerda.
El contexto de presupuesto explica por qué esto importa. Según la encuesta de Gartner a directores de marketing de 2025, los presupuestos están planchados en 7,7% de la facturación y el 59% declara no tener lo suficiente para ejecutar su estrategia. La misma encuesta muestra que la IA generativa ya devuelve retorno en eficiencia de tiempo (49%), eficiencia de costo (40%) y capacidad de producir más contenido (27%). Es decir: la presión no es «innovar», es producir más con la misma plata.
De ahí sale la pregunta correcta antes de contratar cualquier cosa: ¿el cuello de botella es la producción o es la decisión? Si el equipo no llega a escribir lo que ya está planificado, un pipeline de contenido cambia el resultado en un mes. Si lo que falta es saber qué decir, la herramienta solo va a llenar el feed de nada.
2. Los cuatro frentes donde rinde
En marketing, la IA rinde en cuatro frentes y en ese orden de retorno. Los tres primeros son de producción; el cuarto es de lectura de resultados.
| Frente | Qué hace el sistema | Qué sigue haciendo la persona | Ejemplo |
|---|---|---|---|
| Investigación | Reúne fuentes, compara competencia y arma el resumen con citas | Decide el ángulo y descarta lo que no aplica | Informe de qué dice la competencia sobre un tema antes de escribir |
| Producción | Escribe borradores, adapta a cada canal y arma variantes | Aprueba la voz y los datos | Un artículo que se convierte en post, carrusel y correo |
| Distribución | Publica, programa y ordena el calendario | Elige el momento y el canal que importan | Publicación diaria en cuatro sitios sin intervención manual |
| Medición | Cruza métricas de canales y detecta qué funcionó | Interpreta y decide el próximo movimiento | Reporte semanal que marca las tres piezas con mejor retención |
McKinsey ubica a marketing y ventas entre las cuatro funciones que concentran el 75% del valor económico de la IA generativa, y estima que puede aumentar la productividad del área entre 5% y 15% del gasto total. Ese rango es realista: no es duplicar el equipo, es sacarle un sexto más de rendimiento al mismo presupuesto.
3. Cómo se arma un pipeline de contenido
Un pipeline de contenido tiene seis pasos y dos compuertas. Las compuertas son lo que evita que el volumen se convierta en ruido: una antes de escribir y otra antes de publicar.
Research. El sistema reúne fuentes abiertas, datos propios y preguntas reales de clientes. La salida no es un texto: es un documento con hechos, enlaces y fechas. Sin este paso, todo lo que sigue inventa.
Brief. Acá está la compuerta. Una persona define lector, promesa, ángulo y qué dato propio sostiene la pieza. Un brief de diez líneas evita un borrador de dos mil palabras que hay que tirar.
Borrador. El sistema escribe sobre el brief y solo con lo que está en el documento de research. Si le falta un dato, lo deja marcado en lugar de completarlo.
Control. La segunda compuerta: se revisa voz, datos y promesas. Es el paso que más se saltea y el que más caro sale. Un dato inventado en una pieza pública cuesta más que diez publicaciones que no salieron.
Publicación y medición. Publicar es la parte mecánica. Medir es lo que alimenta la próxima vuelta: qué preguntas generó la pieza, qué búsquedas la trajeron, qué formato funcionó. Ese resultado vuelve al research como insumo.
4. Un ejemplo con números
Supuestos explícitos: un equipo de contenido de dos personas que hoy publica 8 piezas por mes, con un costo cargado de US$1.200 por pieza entre horas, edición y diseño. Total: US$9.600 mensuales.
Con un pipeline que automatiza research, primer borrador y adaptación por canal, y que deja a las dos personas en brief y control, la producción pasa a 30 piezas por mes. El costo por pieza baja a unos US$420 —el mismo equipo, más el costo del sistema, repartido— y el total mensual queda en US$12.600. Se gasta un 31% más y se publica 3,75 veces más. El costo por pieza cae 65%.
La cuenta tiene una condición: si la calidad no se sostiene, el número no significa nada. Por eso el pipeline mide dos cosas en paralelo, producción y rendimiento por pieza. Un mes con 30 piezas y la mitad sin lecturas es peor que 8 piezas con tracción. El volumen es el medio; el resultado es la demanda que genera.
Un segundo caso, más chico y más común: una empresa que hacía un newsletter mensual. Con el pipeline, el mismo contenido se convierte en tres correos, seis posts y un carrusel. No hay más investigación: hay mejor uso de la que ya existía.
¿Querés que tu equipo publique más sin perder la voz? Escribime y armamos el pipeline con tus fuentes y tu criterio.
Escribime un mail5. Qué sale mal y cómo se evita
Cuatro fallas explican casi todo el contenido generado que no funciona. Ninguna se arregla cambiando de modelo.
- Voz promedio. El sistema escribe como el promedio de lo que leyó. La solución no es un prompt más largo: es un documento de voz con tres ejemplos aprobados y una lista de lo que la marca no dice.
- Datos inventados. La solución es estructural: research con fuentes y prohibición de afirmar sin cita. El control tiene que poder abrir cada enlace.
- Volumen sin criterio. Publicar todos los días sin ángulo propio entrena al lector a ignorarte. La compuerta del brief existe para eso.
- Todo igual. El mismo formato para todos los temas. Cada canal tiene su gramática; adaptar no es copiar el texto y cambiar el largo.
Hay un quinto problema, más silencioso: la pérdida de aprendizaje. Cuando el sistema produce, el equipo deja de escribir y empieza a aprobar. Si nadie escribe nunca, la capacidad de juzgar se degrada. La defensa es que las personas sigan escribiendo las piezas que importan —el lanzamiento, la nota de posición, el caso— y que el sistema se ocupe del resto.
6. Cómo se mide y qué se le exige
La métrica principal no es cantidad de piezas: es demanda generada por pieza. En contenido orgánico eso se lee en tres números: sesiones que llegan a la pieza, acciones que provocan una visita a una página de servicio y contactos atribuidos. En pauta, el costo por resultado contra la línea base de la cuenta.
| Qué se mide | Por qué | Umbral de alarma |
|---|---|---|
| Piezas publicadas | Capacidad del sistema | Sube la producción y no sube nada más |
| Rendimiento por pieza | Si el criterio editorial funciona | La mediana de sesiones cae mes a mes |
| Contactos atribuidos | Si el contenido produce negocio | Cero consultas en 60 días con 20 piezas publicadas |
| Costo por pieza | Si la eficiencia es real | No baja después del tercer mes |
A lo que hay que exigirle al sistema, en cambio, es distinto de lo que se mide: que cada pieza tenga fuente para cada dato, que respete el documento de voz y que deje registro de qué se publicó y cuándo. Eso es control, no rendimiento, y es lo que permite corregir sin rehacer.
7. La prueba: publicar todos los días
El pipeline que describo no es un esquema: es el que produce todos los días en cuatro sitios de Motor Digital Press. Catorce agentes en un servidor propio cubren research, redacción, control con puntaje y umbral, publicación en WordPress y aviso de indexación. En total, 780 notas publicadas. La compuerta de calidad no es decorativa: la nota que no alcanza el umbral no se publica.
El segundo sistema alimenta el criterio, no el volumen. Un flujo que lee lo que guardo durante la semana, decide si es contenido, mejora de una habilidad o alerta de seguridad, y escribe la mejora donde corresponde. Hoy sostiene 283 habilidades activas. Ninguna de esas piezas se publicó sin que alguien las leyera: el sistema propone, la persona decide.
La conclusión que me interesa dejar: la IA en marketing no compite con el criterio, lo escala. Quien tiene algo propio que decir puede decirlo cinco veces más. Quien no lo tiene, va a producir cinco veces más de lo mismo, y el mercado ya está lleno de eso.
Fuentes
- Gartner — 2025 CMO Spend Survey (mayo de 2025): presupuestos en 7,7% de la facturación; retorno de IA generativa en tiempo (49%), costo (40%) y capacidad (27%).
- McKinsey — The economic potential of generative AI (junio de 2023): marketing y ventas entre las cuatro funciones con el 75% del valor.
- Stanford HAI — AI Index Report 2025 (abril de 2025): 78% de las organizaciones usó IA en 2024.
- McKinsey — The State of AI: Global Survey 2025 (noviembre de 2025): 39% reporta impacto en EBIT.
- Wikipedia — Marketing digital (definiciones y canales).
Preguntas frecuentes
¿La IA puede escribir con la voz de la marca?
Sí, si la voz está escrita antes. Un documento de dos páginas con qué decimos, qué no decimos y tres ejemplos aprobados alcanza para que el sistema produzca borradores que suenan a la empresa. Sin ese documento, produce el promedio de internet.
¿Vale la pena para una empresa que publica dos veces por semana?
Para publicar dos veces por semana no hace falta un pipeline: hace falta un calendario. La IA rinde cuando el cuello de botella es la producción, no la decisión. Si el problema es que nadie decide qué publicar, la herramienta no lo resuelve.
¿Cómo se evita que invente datos?
Dándole fuentes y prohibiéndole afirmar sin cita. En la práctica: el paso de research entrega un documento con las fuentes abiertas, y el borrador solo puede usar lo que está en ese documento. Cualquier cifra sin fuente se elimina en el control.
¿Sirve para pauta o solo para contenido orgánico?
Sirve para las dos cosas, pero con distinto alcance. En pauta acelera variantes de copy y de imagen y el análisis de resultados; la segmentación y el presupuesto siguen siendo decisiones humanas con datos de la cuenta.
¿Qué pasa con el SEO si todos usan IA?
El volumen deja de ser ventaja y vuelve a importar la especificidad: datos propios, casos, experiencia. Un texto generado sobre lo que ya está en internet no aporta nada nuevo; uno que parte de datos que solo la empresa tiene, sí.