El 12 de julio, Satya Nadella publicó un ensayo que se comentó toda la semana entre gente de tecnología: la “Paradoja Inversa de la Información”. Su argumento resumido: cuando tu empresa usa IA todos los días, pagas dos veces. Primero con dinero, la suscripción o el consumo de API. Después con algo más valioso: el conocimiento propio que revelas cada vez que le das a un modelo tus datos, tus correcciones, tu forma de trabajar, para que funcione mejor. Nadella lo puso así: “You essentially pay for intelligence twice, once with money, and again with something even more valuable: the proprietary knowledge you must reveal to make that intelligence useful” (traducción: pagas por la inteligencia dos veces, una con dinero, y otra con algo todavía más valioso: el conocimiento propio que tienes que revelar para que esa inteligencia te sirva).

Su solución es un “trust boundary”: una frontera dentro del entorno de cada empresa donde nada sale sin permiso explícito. Ni los prompts, ni los evals, ni la memoria organizacional, ni el modelo mismo una vez ajustado a los datos de la empresa. Dicho sin rodeos: propone que cada empresa entrene y controle su propio modelo.

Dos voces con peso en tecnología empresarial le respondieron en la misma semana. Aaron Levie, CEO de Box, citando a Jesse Zhang, cofundador de Sourcegraph. Y el propio Zhang, por su cuenta. Los dos coinciden en algo incómodo para el argumento de Nadella: entrenar un modelo propio por empresa suena bien en un ensayo, y en la práctica es mucho más difícil, y más frágil, de lo que parece.

Vas a pensar que este debate es de infraestructura de IA y no te toca si trabajas en marketing. Es justo al revés.

Lo que tu equipo de marketing debería proteger no es un modelo

Vamos directo al punto, porque ya lo escribimos antes de que este debate existiera: el activo real de tu equipo de marketing no es un modelo entrenado con tus datos. Es el criterio.

¿Qué hace que un brief de campaña esté bien armado en tu empresa, y no en abstracto, en la tuya? ¿Con qué criterio decide tu equipo qué variante creativa se lleva el presupuesto antes de gastar un dólar en pauta? ¿Qué define un segmento de audiencia válido para tu negocio, más allá de la demografía genérica que trae cualquier plataforma? ¿Qué es, en números concretos, un lead calificado para ti, y no la definición de manual de ventas?

Esas cuatro respuestas casi nunca están escritas. Viven en la cabeza de la persona que lleva más tiempo en el equipo, o en un par de campañas que “salieron bien” y nadie documentó por qué. Ese criterio, una vez escrito y convertido en algo medible, es tu ventaja. No un modelo que solo tu equipo de datos sabe mantener y que hay que volver a entrenar cada vez que sale una versión nueva de Claude o de GPT.

El desacuerdo, en palabras de los propios protagonistas

Vale la pena ver las citas completas, porque el desacuerdo es preciso.

Levie, citando a Zhang: “The biggest challenge right now with the topic of every enterprise having their own model is that your most valuable information and insights are not only always changing, but they’re often your most sensitive information… you can’t keep your security layer inside the model or an agent… training a model per enterprise is going to be a lot harder than it looks” (traducción: el mayor problema con la idea de que cada empresa tenga su propio modelo es que tu información más valiosa cambia todo el tiempo, y encima suele ser tu información más sensible… no puedes mantener tu capa de seguridad dentro del modelo o de un agente… entrenar un modelo por empresa va a ser mucho más difícil de lo que parece).

Levie no descarta los modelos entrenados a la medida. Espera 100 veces más casos de uso para ellos, sobre todo dentro de productos especializados por dominio que construyen proveedores, no dentro del departamento de IT de cada comprador. Lo que cuestiona es la generalización: que entrenar tu propio modelo se vuelva práctica estándar para cualquier empresa, incluida la tuya.

Zhang, en su propio post: “Your best bet to make that IP useful is to turn it into skills or artifacts that models can use in-context… it is irreversible… when things change, you cannot untrain what you did” (traducción: tu mejor apuesta para que esa propiedad intelectual sirva es convertirla en habilidades o artefactos que los modelos puedan usar en contexto… entrenar es irreversible… cuando algo cambia, no puedes desentrenar lo que ya hiciste).

Ahí está el punto que le pega directo a marketing. Tu información más valiosa (qué funcionó en la última campaña, cómo reacciona tu audiencia real, qué palabra en el asunto del correo sube la tasa de apertura) cambia cada trimestre. Empacarla dentro de los pesos de un modelo entrenado es una apuesta cara que además es difícil de deshacer. Si el criterio cambia, o si aparece un modelo mejor el próximo semestre, no puedes desentrenar lo que ya metiste adentro. Tienes que empezar de nuevo.

Para marketing, ya habíamos escrito la respuesta

Esta no es una idea nueva para nosotros. Es la misma tesis que ya defendimos dos veces en este blog, antes de que Nadella publicara su ensayo.

En los evals como propiedad intelectual citamos a este mismo Aaron Levie diciendo que casi todo el progreso en agentes depende de los evals, y no del modelo. El argumento es idéntico al que ahora usa contra Nadella: el criterio que define qué es un resultado bueno para tu negocio es tuyo, es portable, y funciona con cualquier modelo que elijas usar.

Y en el prompt es temporal, la evaluación es permanente el argumento era estructuralmente el mismo que ahora hace Zhang: el cableado alrededor del modelo (los prompts, la forma en que armaste tu flujo) se deprecia con cada actualización. Lo que se acumula es el estándar que define qué significa “bueno” para tu proceso. Zhang lo llama irreversible entrenar un modelo. Nosotros lo veníamos llamando depreciación. Es el mismo problema visto desde dos ángulos distintos.

Cómo se ve esto en marketing, en concreto

Aterrizado a tu operación, el criterio que vale la pena proteger y hacer crecer tiene esta forma:

El brief de campaña. No la plantilla en blanco que llenas cada vez, sino los criterios escritos de qué hace que un brief esté completo en tu empresa: qué información nunca puede faltar, qué preguntas hay que responder antes de pasar a producción creativa. Eso es lo que un modelo nuevo, o una persona nueva en el equipo, necesita leer para producir al mismo nivel que tu mejor gente.

El scoring de variantes creativas. Antes de gastar presupuesto en pauta, ¿con qué criterio decide tu equipo qué versión de un anuncio se lanza primero? Si la respuesta es “la que se ve mejor” o “la que le gustó al director”, no tienes un criterio, tienes una opinión. Un criterio escrito, qué elementos predicen mejor desempeño en tu categoría, con tu audiencia, en tu canal, es algo que puedes aplicar de forma consistente y mejorar con cada campaña.

La definición de segmento de audiencia. No la segmentación genérica que trae la plataforma de pauta. Cómo tu empresa valida, con datos propios, que un segmento realmente se comporta distinto a otro. Eso no vive en ningún modelo entrenado. Vive en tu CRM, en tu historial de campañas, y en el criterio que tu equipo aplicó para separar un grupo de otro.

Qué es un lead calificado para ti. No la definición de manual de ventas. La combinación específica de señales que, en tu negocio, en tu ciclo de venta, distingue a alguien que está listo para hablar con ventas de alguien que solo está mirando. Esa definición, una vez escrita y aplicada de forma consistente, es lo que hace que marketing y ventas dejen de pelear por la calidad del lead.

Ninguna de esas cuatro cosas requiere que entrenes un modelo. Requieren que tu equipo se siente a escribir, por primera vez, algo que probablemente ya sabe hacer pero nunca puso en papel.

Lo que Nadella no resuelve, y esto sí

Hay algo justo que reconocerle a Nadella: tiene razón en que el conocimiento propio de tu empresa vale, y que regalarlo sin darte cuenta es un riesgo real. Donde se equivoca es en el mecanismo. Su propuesta asume que tu empresa tiene el equipo, el presupuesto y la paciencia para construir y mantener infraestructura de entrenamiento de modelos. La mayoría de los equipos de marketing con los que trabajamos no la tiene, y no la necesita.

El criterio escrito no exige esa infraestructura. Corre igual con Claude, con GPT o con el modelo que salga el próximo año, porque no está atrapado dentro de los pesos de nadie. Y a diferencia de un modelo entrenado, lo puedes editar el mismo día que cambia tu estrategia, sin tener que desentrenar nada.

Esto conecta con algo que ya escribimos sobre por qué tu marketing con IA necesita un revisor, no un modelo más listo: el modelo es un recurso común, tu ventaja es la capa de criterio que revisa y decide alrededor de él.

Si tu equipo produce contenido y campañas con IA todos los días pero no tiene esos cuatro criterios escritos en ningún lado, ese es el trabajo que vale la pena hacer antes de pensar en cualquier otra inversión de IA para marketing. No es una venta. Es la pregunta que hay que responder antes de que valga la pena comprar cualquier otra herramienta.

Escribe el criterio antes de escalar tu marketing con IA