Tu equipo de marketing genera hoy más variantes de copy publicitario, páginas de aterrizaje y secuencias de correo con IA que las que cualquier persona podría leer una por una antes de publicarlas. Eso ya pasó, no es una proyección. Un equipo de tres personas puede sacar veinte variantes de un mismo anuncio para probar en Meta y Google en una tarde, más una secuencia de correo completa, más el copy de la página de aterrizaje que las recibe. Nadie en ese equipo se sienta a leer las veinte variantes con el mismo cuidado con el que revisaría una sola pieza escrita a mano.

La pregunta que casi ninguna empresa se ha hecho todavía es quién controla la calidad de todo eso antes de que salga a producción. La respuesta actual, en la mayoría de los equipos, es: la persona que tiene más prisa ese día.

El mismo hueco que ya describí en los evals, ahora en marketing

Hace unas semanas escribí sobre por qué los programas de IA empresarial se atascan: las empresas no saben articular qué se ve bien en sus propios procesos, así que no hay forma de saber si un agente está mejorando, empeorando, o simplemente generando output al azar que alguien aprueba por costumbre. Ese argumento lo trabajé desde operaciones e ingeniería. El mismo hueco existe, casi intacto, en marketing, y ahí nadie lo ha nombrado todavía.

Un generador de copy puede puntuar bien en un checklist genérico de “tono profesional y cercano” y aun así publicar una promesa que tu equipo legal jamás habría aprobado, o un dato sin fuente, o un mensaje que no encaja con la audiencia específica de esa campaña. El checklist genérico no captura el criterio real de tu empresa. Es el mismo error que ya describí con los evals: un modelo puede pasar todos los benchmarks externos y fallar en tu proceso específico, porque lo que importa no es la capacidad general del modelo, es tu criterio particular.

En ingeniería ese hueco ya tiene nombre: evals de negocio en vez de benchmarks de laboratorio. En marketing todavía no tiene nombre, aunque el volumen de piezas generadas por IA superó hace tiempo la capacidad de cualquier equipo de revisarlas caso por caso antes de publicar.

En términos concretos: un generador de copy entrenado para sonar “profesional y cercano” puede producir veinte variantes de un anuncio, y las veinte pueden pasar ese filtro de tono sin problema. Pero si una de esas veinte incluye una cifra de ahorro que nadie verificó, o una comparación directa con un competidor que tu equipo legal nunca revisó, el checklist de tono no tiene forma de detectarlo, porque nunca fue diseñado para eso. El checklist mide si suena bien. No mide si es defendible.

Lo que un panel de jueces IA ya hace en un campo con más riesgo que el tuyo

Ross Brodskiy, quien construye lo que él mismo describe como la próxima generación de IA legal, publicó esta semana el mecanismo que su equipo en Legawrite.AI construyó para resolver exactamente este problema en litigio. Su punto de partida: “cada caso lo decide una de dos cosas: la ley, o el juez. Casi nadie sabe cuál de las dos le tocó” (traducción).

El sistema que propone, al que llaman Ariadne’s Thread, hace que un panel de jueces de IA, cada uno con una filosofía judicial distinta, lea la misma ley verificada y puntúe la misma moción de forma independiente. Si los jueces coinciden, la ley decide el resultado. Si se dividen, ese número (qué tan parejo o desparejo salió el panel) mide qué tan abierta a interpretación está la moción, no un error del sistema. El paper que lo explica lo resume así: el sistema no falla nada por su cuenta, mide qué tan abierto está el laberinto antes de que alguien entre a decidir.

La parte que vale la pena robarse no es el dominio legal específico. Es el diseño: en vez de un solo modelo evaluando con un solo criterio genérico, varios jueces con perspectivas deliberadamente distintas puntúan el mismo output, y el desacuerdo entre ellos se trata como información útil, no como ruido que hay que promediar hasta que desaparece.

Esto es lo contrario de cómo la mayoría de los equipos usa hoy un modelo de IA para revisar contenido: un solo prompt, un solo criterio implícito, una sola respuesta que se trata como veredicto final. Un panel obliga a que el criterio se declare por separado para cada dimensión que importa, y obliga a que el desacuerdo entre esas dimensiones quede visible en vez de disolverse en un puntaje único que nadie puede auditar después.

Cómo se ve ese mismo panel aplicado a una pieza de marketing

Traducido a marketing, el panel no necesita jueces con “filosofía judicial”. Necesita jueces con rubros distintos evaluando la misma pieza de copy antes de que salga:

• Un juez de voz de marca: ¿esto suena como tu empresa, o como el genérico que cualquier generador produce por default cuando nadie le dio criterio?
• Un juez de cumplimiento: ¿esta promesa, este dato, esta comparación con la competencia, se puede sostener si un cliente o un regulador la cuestiona?
• Un juez de encaje con la audiencia: ¿este mensaje responde a lo que le importa a esta audiencia específica, o es una versión genérica que serviría igual para cualquier campaña?

Igual que en los evals de negocio que ya describí antes: parte del criterio es determinista y ni siquiera necesita un modelo para verificarse (¿aparece el descargo legal obligatorio?, ¿el dato citado tiene fuente verificable?) y parte es de juicio, exactamente el tipo de evaluación subjetiva para la que un LLM como juez sirve. La ventaja del panel sobre un solo verificador es la misma que describe Brodskiy: cuando los jueces no coinciden, eso te dice que la pieza necesita ojos humanos antes de publicarse, en vez de asumir que “aprobado” significa lo mismo para los tres criterios a la vez.

La mecánica del flujo importa tanto como los rubros. No se trata de que el panel apruebe o rechace en bloque. Se trata de que cuando el juez de cumplimiento marca una pieza como dudosa y el juez de voz de marca la clasifica como aprobada, esa combinación específica (no un puntaje promedio) es la que decide si la pieza sale directo o si primero pasa por una cola de revisión humana. Promediar los tres puntajes en un solo número es exactamente el error que Brodskiy señala: esconde el desacuerdo en vez de usarlo.

Esto importa más en sectores donde una promesa de marketing sin sustento es un problema legal, no solo de marca: servicios financieros, seguros, salud. Ahí una pieza que suena perfecta y dice algo que no se puede sostener no es un error de estilo, es un riesgo regulatorio con nombre y apellido. Pero el mecanismo aplica igual para cualquier empresa que ya esté generando más contenido del que su equipo puede leer con atención antes de publicarlo, que a estas alturas es casi cualquier empresa con un equipo de marketing y acceso a un generador de texto.

Lo que esto significa para tu equipo de marketing

El trabajo real no es comprar una herramienta genérica de “IA que revisa IA”. Es el mismo trabajo que hacemos en el discovery de AI Maestro para cualquier proceso: sentarnos con tu equipo y escribir, por primera vez, qué hace que una pieza de marketing sea aceptable para tu empresa específica, no para el genérico de la industria. Sin ese criterio articulado, cualquier panel de jueces que construyas está evaluando contra un estándar prestado, que es exactamente el problema que se supone que resuelve.

Cuando ese criterio ya está escrito, montarlo dentro de tu flujo de automatización de marketing es la parte relativamente fácil: definir los rubros, decidir qué combinación de desacuerdos manda una pieza a revisión humana, conectar eso al flujo donde ya generas el contenido. La parte difícil, la que casi ninguna empresa hace primero, es sentarse a definir qué es un “sí” y qué es un “no” para tu marca antes de generar la pieza número mil, no después de que una de esas mil piezas ya causó un problema.

Nada de esto reemplaza el juicio de tu equipo de marketing. Le da a ese juicio un lugar específico donde aplicarse: no en las mil piezas, sino en la fracción de piezas donde el panel mismo dice que hace falta. Esa es la diferencia entre un proceso que escala con el volumen que ya estás generando y uno que depende de que alguien tenga tiempo de leerlo todo, que es exactamente el punto donde la mayoría de los equipos de marketing ya está hoy.

Definamos el criterio de tu marketing antes del próximo lote