Esta semana circuló un análisis de Pradeep Sanyal que describe algo que cualquiera que haya trabajado dentro de un equipo de marketing reconoce de inmediato: “many workflows were never designed. They accumulated” (muchos flujos de trabajo nunca fueron diseñados, se acumularon). Una hoja de cálculo aquí. Una aprobación agregada después de un incidente. Una reunión que nadie recuerda por qué sigue en el calendario. Y ahora que llega la IA, la pregunta que todos hacen es si se puede automatizar eso. Sanyal responde con la pregunta que de verdad importa: primero habría que preguntarse por qué eso existe.

El ejemplo que da la respuesta completa

En los comentarios de ese mismo post, Kaushik Birmiwal contó un caso real de un proceso de verificación de identidad (KYC) en los Emiratos Árabes con cinco pasos. Al revisarlo a fondo, encontraron que tres de esos cinco pasos existían solo porque la organización no confiaba en la autenticidad de los documentos de identidad que recibía. Con la llegada de UAE Pass, la verificación gubernamental de identidad, esos tres pasos dejaron de tener sentido. Solo hacía falta una automatización para revisar coincidencias de nombre, documentos vencidos y validaciones básicas.

La transformación real no fue automatizar el proceso de cinco pasos. Fue preguntarse si esos pasos seguían siendo necesarios ahora que cambió el supuesto sobre el que se habían construido.

Ese es exactamente el problema que tiene cualquier equipo de marketing hoy frente a la IA generativa. La cadena de aprobación de una campaña con cuatro firmas, la regla de scoring de leads que resta puntos por un criterio que nadie puede explicar, el reporte semanal que se sigue armando para un director que ya no está en la empresa. Ninguno de esos procesos fue diseñado así a propósito. Se fueron acumulando, capa sobre capa, cada capa agregada para resolver un problema puntual que probablemente ya no existe.

Quién depende de que el sedimento se quede igual

Hay dos comentarios en ese mismo hilo que valen más que la mayoría de análisis sobre adopción de IA. David Arena, CTO y asesor de transformación, señaló algo incómodo: la persona que podría contestar con honestidad cuál paso sobra suele ser, también, la persona cuyo puesto depende de que ese paso se quede donde está. Y Sachin Raj agregó el matiz que completa la idea: casi ningún paso de más se agregó porque sí. Cada uno fue el arreglo de alguien para un problema real, y por eso cuesta tanto eliminarlo. La pregunta correcta no es solo qué dejar de honrar. Es cuál arreglo viejo todavía sostiene algo, y cuál problema que lo justificaba ya desapareció sin que nadie se diera cuenta.

En marketing esto se ve todos los días, porque la persona que administra la cadena de aprobaciones de cuatro firmas, o el analista que mantiene viva la hoja de cálculo de scoring con reglas de hace tres años, suele ser también la persona a la que le pedirías ayuda para simplificarla. Nadie construye sedimento con mala intención. Cada capa fue una respuesta razonable a un problema real en su momento. El error no es haberla agregado. Es no haber vuelto a preguntar si seguía haciendo falta.

Hay una tercera voz en ese mismo hilo que conviene sumar, porque cambia la conversación de raíz. Akshay Kokane, que trabaja implementando agentes de IA en producción para empresas, hizo una observación que cualquier equipo de marketing debería tener presente: muchas veces se le agrega un agente de IA a un proceso ineficiente, cuando arreglar la causa de raíz elimina la necesidad de usar IA del todo, y con eso se ahorra el costo de mantenerla. Su regla antes de automatizar cualquier cosa es preguntar por qué ese problema no se resolvió antes. El análisis del caso de uso real, no la novedad de sumar IA, es lo que debería decidir dónde se invierte.

Cómo se ve automatizar el sedimento en vez de rediseñarlo

Imagina que le pides a un agente de IA que agilice esa cadena de aprobación de cuatro firmas. Es un proyecto fácil de vender puertas adentro: lo que tardaba tres días ahora tarda tres horas, el equipo lo celebra, el reporte de eficiencia sale bonito. Pero las cuatro firmas seguían sin tener una razón real desde el año pasado. Lo único que cambiaste fue la velocidad a la que ese cuello de botella se repite.

Un modelo de scoring de leads típico en una empresa B2B mediana muestra el mismo patrón. Alguien lo armó hace tres o cuatro años: puntos por descargar un caso de estudio, puntos por visitar la página de precios, puntos negativos por usar un correo de Gmail en vez de uno corporativo, puntos negativos por marcar “estudiante” en el cargo. Cada regla tuvo sentido el día que se agregó. Pero el mercado cambió. Hoy hay compradores B2B legítimos que usan Gmail para todo, fundadores que se presentan como estudiantes porque acaban de salir de un MBA, y el caso de estudio que sumaba puntos hace tres años ya no es el contenido que más convierte. Nadie volvió a auditar esas reglas. Solo se siguieron ejecutando, trimestre tras trimestre, sin que nadie preguntara si de verdad seguían midiendo intención de compra.

Ahora dale ese mismo modelo, tal como está, a un agente de IA para que lo ejecute más rápido y sobre diez veces más volumen de leads. Vas a lograr exactamente eso: el mismo modelo desactualizado corriendo sobre diez veces más leads, con la misma tasa de error, solo que ahora ventas se queja diez veces más rápido de que los leads “calificados” no califican para nada.

El mismo patrón aparece en la revisión de contenido y de marca. Muchos equipos todavía mandan cada pieza de contenido a tres o cuatro revisores porque una publicación salió con un dato mal citado hace dos años, y desde entonces nadie tiene autoridad para publicar sin ese pase por comité. Un agente de IA que revise ortografía, tono y cumplimiento de marca puede reemplazar una o dos de esas revisiones perfectamente bien. Pero si el motivo real de las cuatro firmas era que nadie quería ser el responsable único de un error, ningún agente resuelve eso. Ese es un problema de quién asume la decisión, no de velocidad de revisión, y automatizarlo sin nombrar a un responsable solo mueve el cuello de botella de la revisión de contenido a la aprobación de quién autoriza al agente.

Lo que hacemos en IQ Source

Cuando entramos a la fase de discovery de AI Maestro con un equipo de marketing, no empezamos preguntando qué se puede automatizar. Empezamos mapeando cada flujo (aprobaciones de campaña, scoring de leads, reportes recurrentes, cadencias de nutrición) y preguntando, para cada paso, si existe por una razón vigente o por un incidente que ya nadie recuerda. Salimos de esa fase con un Process Reality Map que separa lo que hay que rediseñar de lo que hay que automatizar tal cual, y con eso decidimos juntos si el siguiente paso es una capa de automatización, un ajuste puntual al proceso de crecimiento, o directamente eliminar el paso.

No es un ejercicio abstracto. Es la misma lógica que ya planteé cuando insistí en construir el sistema en vez de comprar un chatbot: la diferencia entre darle velocidad a un cuello de botella o eliminarlo. Antes de automatizar el próximo flujo de tu equipo de marketing, hazte la pregunta que hizo Kaushik: ¿este paso sigue existiendo por una razón real, o porque nadie volvió a preguntar?

Mapea el sedimento de tu equipo de marketing antes de automatizarlo