Esta semana Ramp publicó los datos crudos del gasto en IA de sus clientes empresariales. El número que circuló en LinkedIn no es el más interesante. El interesante está dos párrafos abajo del titular.

“Since January 2025, average monthly AI token spend across Ramp customers has increased 13x.” (Desde enero de 2025, el gasto mensual promedio en tokens de IA en clientes de Ramp aumentó 13 veces).

“One customer discovered $120K in annual AI spend that never appeared on a single provider dashboard.” (Un cliente descubrió $120,000 anuales en gasto de IA que nunca apareció en un solo dashboard de proveedor).

La segunda frase es la que cambia tu lunes si lideras marketing. El número 13x se discute en ingeniería y en finanzas. El número $120,000 nadie lo ha conectado todavía con el departamento donde más rápido se está acumulando: mercadeo.

Esta es la tesis. La pieza concreta de IQ Source para equipos de marketing que están viviendo este crecimiento sin tener cómo medirlo es Automatización de Marketing. El resto del post explica por qué marketing está peor que ingeniería en esta historia, qué dicen los dos números crudos de la semana, y qué tres métricas vas a necesitar antes del próximo renewal de tu pila de IA.

Por qué marketing está peor que ingeniería en esto

Brian Halligan publicó hace unos días que después de ingeniería, marketing es el segundo equipo que más usa IA dentro de las empresas que él conoce como inversor. Eso es probablemente cierto. La diferencia entre los dos equipos es de telemetría, no de gasto.

Ingeniería paga la IA en lugares visibles. La factura de Vercel sube. La cuenta de AWS sube. El dashboard de Anthropic muestra tokens por proyecto. Un CFO mediocre puede mirar tres pantallas y entender en quince minutos qué pasó con el presupuesto del trimestre.

Marketing paga la IA en otro lado. Paga en una suscripción a Jasper que un PM compró el año pasado. En Copy.ai que alguien aprobó para una campaña específica. En Claude Team para el equipo de contenido. En ChatGPT Team para el equipo de demanda. En Gemini Workspace porque el departamento ya estaba en Google. En plugins de IA dentro de HubSpot, dentro de Salesforce, dentro de Adobe Experience. En Synthesia para video, en Descript para audio, en Midjourney para imágenes.

Cada una de esas suscripciones se factura a una tarjeta distinta, en un ciclo distinto, contra un código contable distinto. Ninguna está en el mismo dashboard. El director de marketing no tiene un equivalente al dashboard de Anthropic. Lo más cerca que tiene es el reporte mensual del agency partner, que es justo el agente que tiene incentivo opuesto a mostrarle el costo total.

Eso es lo que el caso citado por Ramp esta semana implica realmente. $120,000 al año en gasto de IA que nunca apareció en un dashboard de proveedor no significa que el cliente sea desorganizado. Significa que la arquitectura del gasto en IA en marketing está diseñada estructuralmente para no aparecer en un solo lugar. Y este patrón no se va a corregir solo. Va a empeorar mientras siga subiendo el 13x.

Los dos números crudos de esta semana

Vale la pena desempacar las dos cifras que circularon, porque las dos miden cosas distintas y las dos le pegan a marketing por razones distintas.

El 13x del reporte de Ramp mide trayectoria de gasto. El promedio del mercado, no de los pioneros. Es el dato que un CFO va a usar para proyectar tu presupuesto del próximo año. Si tu línea de gasto en IA en marketing está en el promedio, te están proyectando una multiplicación. Si estás abajo del promedio, probablemente no estás midiendo todas las suscripciones. Si estás arriba, alguien va a preguntarte el lunes por qué.

El 82% del análisis de Entelligence mide eficiencia, no trayectoria. Brandon Carl compartió en X datos de un análisis sobre 2,444 empresas atribuidos a Aiswarya Sankar, fundadora de Entelligence.AI. La cifra dura es que de cada $100,000 gastados en tokens, solo $18,000 terminan llegando a feature estable en producción. El otro 82% se va en bugs generados por IA, rework, y fricción de revisión. Específicamente, 44% en bug fixes.

El estudio mide código. Pero el patrón es transferible al contenido de marketing punto por punto. La pieza descartada antes de publicar es el bug fix. El borrador regenerado tres veces porque el tono no estaba bien es el rework. El blog post que se publicó pero no movió ninguna métrica es la fricción de revisión. Marketing tiene su propio 82%, no lo está midiendo, y por eso no aparece en ninguna conversación.

Combina las dos cifras. El gasto subió 13x. La eficiencia interna está al 18%. Si tu departamento de marketing está siguiendo el promedio en gasto y no tiene métrica de eficiencia, lo que tienes es la peor configuración posible: contratos cada vez más caros, sin ningún número que justifique el siguiente renewal frente al CFO.

Mark Ajzenstadt, fundador de Limestone, publicó esta semana en X los costos crudos de su equipo de ingeniería: $200 por desarrollador al mes contra $500 a $2,000 en Uber. La diferencia, en sus palabras, es la capa de control de costo, enrutamiento de modelos y análisis de margen que diseñó antes del despliegue. Marketing no tiene esa capa todavía. Ese problema ya lo cubrí desde el lado de ingeniería en el post sobre arquitectura de adicción de tokens, pero la versión de marketing es más urgente porque empieza desde un punto de visibilidad cero.

Cómo se vería un FinOps de marketing

FinOps para infraestructura cloud es una categoría madura. Tiene proveedores, certificaciones, conferencias. FinOps para IA todavía es categoría naciente. FinOps para marketing específicamente todavía no existe como nombre. Pero la mecánica se puede construir hoy con tres números concretos que tu equipo puede empezar a medir esta semana sin comprar herramienta nueva.

Número uno: costo por MQL generado por flujo, no por canal. El reporte tradicional dice cuánto costó Google Ads, cuánto LinkedIn, cuánto el blog. Eso ya no alcanza. El nuevo número tiene que decir cuánto costó cada flujo de IA específico que produce leads. El flujo de blog post automatizado con Claude. El flujo de email cadence con Jasper. El flujo de outbound personalizado con Copy.ai. Cada flujo tiene su propio costo de token, su propio costo de tiempo humano de revisión, su propio yield de MQL. Sin esa granularidad, lo que existe es la suma agregada, que es exactamente la que el cliente de Ramp tenía cuando descubrió los $120,000 escondidos.

Número dos: tasa de regeneración antes de publicar. Por cada pieza de contenido que efectivamente shippea (sale al blog, al email, al anuncio, al deck de ventas), cuántos borradores se generaron y se descartaron. Si tu tasa es 1 a 1, no estás usando IA en serio. Si es 5 a 1, es normal. Si es 20 a 1, tienes un problema operativo grande que está enterrado en la línea de suscripciones. El rango sano para contenido editorial está entre 3 a 1 y 7 a 1 según el tipo de pieza. La métrica importa más que el número absoluto porque te dice si los prompts están sintonizados o si están improvisados.

Número tres: costo por pieza publicada versus pieza descartada. Una pieza descartada también costó tokens. Cuando sumas el costo total de tokens del mes y lo divides entre las piezas que realmente llegaron al mundo (no las que llenaron el Notion del equipo de contenido), obtienes el costo por pieza efectiva. Compara ese número con el costo de mandar la misma pieza a una agencia externa. La conversación con tu CFO cambia cuando ese número está calculado, en cualquier dirección que apunte.

Estos tres números no requieren tooling nuevo en la mayoría de los casos. Requieren disciplina de logging y un dueño operativo que mire los tres todas las semanas. El problema no es de tecnología, es de propiedad. La mayoría de departamentos de marketing en LatAm no tienen una persona específicamente responsable de la economía de los flujos de IA. Tienen un director que mira ROAS de campañas, un manager de contenido que mira engagement, y nadie que mire token-economics. Por eso el número de Ramp existe.

Lo que hace IQ Source con esto

Automatización de Marketing de IQ Source no es un servicio de implementación. Es un servicio operativo que arma flujos de marketing automatizados con IA y le instala desde el día uno la capa de medición que se usa en serio en ingeniería pero todavía no llegó a marketing.

Concretamente: cada flujo que diseñamos se entrega con telemetría de costo por outcome, no de costo por suscripción. Se entrega con la tasa de regeneración medible, el costo por pieza efectiva versus descartada, y un dashboard interno que permite al director de marketing producir los tres números cuando el CFO los pida. No al trimestre siguiente, esta misma semana.

El discovery previo lo hace AI Maestro. Dos meses de consultoría donde mapeamos los procesos de marketing actuales, identificamos qué flujos están desperdiciando tokens en rework invisible, y entregamos un Score de Oportunidad de IA con compuerta Go/No-Go. La compuerta importa porque la mayoría de las herramientas que un director de marketing tiene encima son automatizables, pero no todas son rentables de automatizar al precio actual del token. La compuerta te dice cuáles sí. El cálculo es comparable al que ya tocamos desde otro ángulo en el post sobre dónde se movió el cuello de botella, nada más que aplicado al gasto en mercadeo.

La parte que casi nunca está discutida en LatAm es el costo cruzado. Las dos opciones que tiene un director de marketing ahora son contratar internamente una persona dedicada a la economía de IA del departamento (un perfil que no existe todavía en el mercado, así que sería caro construirlo desde cero), o subcontratar a un socio que ya tiene el sistema de medición armado. La pregunta no es si te lo puedes ahorrar. Es cuántos trimestres más vas a aceptar pagar 13x sin tener ningún número que conteste cuánto te está produciendo.

Antes de cerrar la semana, hazle a tu equipo de marketing una pregunta concreta. Cuando sume todas las suscripciones de IA que el departamento tiene activas (incluyendo las que están dentro de HubSpot, Salesforce y Adobe), ¿cuál es el total mensual? Si nadie en el equipo puede producir ese número esta semana, el equivalente en marketing del cliente de Ramp con $120,000 escondidos eres tú. Y si lo pueden producir, la pregunta siguiente es: ¿cuántos MQL le adjudicas específicamente a ese gasto? Si la respuesta de cualquiera de las dos preguntas es “déjame revisar”, sabes exactamente dónde está el problema.

Medir el gasto de IA de tu equipo de marketing