Cómo adoptar agentes de IA en la operativa CRM de Markteing: no es qué agente usar, sino cómo orquestarlos
Cada día aparece un nuevo agente de IA que promete transformar alguna parte del marketing. Las plataformas de marketing tienen sus propios agentes, los CRM también, las agencias están desarrollando los suyos y las propias marcas empiezan a plantearse crear agentes internos. Esto está generando una decisión estratégica importante: ¿debemos confiar en los agentes que incorporan las plataformas o construir nuestros propios agentes?
Hay una conversación que está ocurriendo en los equipos de Marketing y CRM en B2C ¿deberíamos usar los agentes de IA que ya incorpora nuestra plataforma, o construir los nuestros propios? Es una pregunta razonable. Y es, en buena medida, la pregunta equivocada.
La pregunta equivocada no porque no tenga respuesta — la tiene, y la veremos — sino porque sitúa el foco en la tecnología en lugar de situarlo en el resultado. La disyuntiva real a la que se enfrentan los equipos de CRM no es técnica: es estratégica. Y tiene que ver con cómo se consigue que distintos agentes, plataformas, datos y equipos trabajen juntos de forma coherente para producir experiencias de cliente relevantes a escala.
Esa capacidad tiene un nombre: Orquestación de Agentes IA. Y es, en nuestra visión, donde se va a jugar la ventaja competitiva real en CRM y Marketing Automation en los próximos años.
La disyuntiva que enfrentan hoy los equipos de CRM de Marketing
Las opciones sobre la mesa para cualquier marca que quiere incorporar agentes de IA en su operativa de CRM son, en esencia, dos.
La primera es confiar en los agentes que ya incorporan las plataformas. Braze, Salesforce, Klaviyo, Bloomreach tienen —o están desarrollando activamente— capacidades agénticas nativas: optimización autónoma de envíos, segmentación predictiva, generación de contenido, decisioning automatizado. La ventaja es evidente: son fáciles de adoptar, están integrados por defecto en el stack que el cliente ya usa y escalan con relativa facilidad.
El problema es también evidente: los agentes estándar de las plataformas no conocen el contexto específico de cada empresa. No saben cuál es el tono de comunicación de esta marca, qué reglas de negocio aplican en cada mercado, qué segmentos tienen un comportamiento histórico diferencial, qué campañas han funcionado y cuáles han erosionado la relación con el cliente. Operan sobre datos genéricos y producen outputs genéricos. Y generan dependencia de un ecosistema cerrado que puede ser difícil de revertir.
El agente de la plataforma es potente pero genérico. El agente propio es específico pero caro y lento de construir. La pregunta real no es cuál elegir: es cómo conseguir que cualquiera de los dos —o ambos— produzca resultados coherentes con la estrategia de la marca, conectados con sus datos propios y coordinados con el resto del stack. Esa es la capa que falta en la mayoría de las implementaciones actuales. |
Por qué la orquestación es la respuesta a ambas opciones
Frente a la disyuntiva entre agentes de plataforma y agentes propios, hay una tercera vía que está emergiendo como la más relevante: la orquestación. No como alternativa a ninguna de las dos opciones anteriores, sino como la capa que hace que cualquiera de ellas funcione bien.
La orquestación de agentes de IA en CRM consiste en combinar tres capacidades que, por separado, ninguna de las opciones anteriores resuelve completamente:
- Las plataformas aportan la infraestructura: potencia computacional, modelos entrenados, escalabilidad y seguridad que ninguna marca mediana podría construir por su cuenta con un coste razonable. Esta capa existe y funciona. El reto no es construirla: es aprovecharla.
- Las marcas aportan el contexto: first-party data, conocimiento del comportamiento real de sus clientes, reglas de negocio específicas, estrategia de marca, tono de comunicación, casos de uso propios. Este contexto es el activo más valioso que tiene una marca y el que los agentes genéricos de plataforma no pueden reproducir.
- La orquestación conecta ambos planos: diseña el ecosistema de agentes, decide qué hace cada uno y cuándo, conecta los datos de contexto con los modelos de la plataforma, define los guardarraíles dentro de los cuales los agentes pueden actuar de forma autónoma y establece los puntos donde la intervención humana sigue siendo necesaria.
El resultado de combinar bien estas tres piezas es algo que ninguna de las dos opciones iniciales produce por sí sola: personalización a escala con contexto de marca, eficiencia operativa sin pérdida de coherencia estratégica y velocidad de producción sin erosión de la identidad.
Lo que significa esto en la práctica para un equipo de CRM
La orquestación no es un concepto abstracto. Se materializa en decisiones concretas sobre cómo se diseña el flujo de trabajo del equipo de CRM cuando los agentes empiezan a operar dentro de él.
En lugar de arrancar con una gran arquitectura de IA, el punto de partida más efectivo es experimentar con los agentes que ya incorporan las plataformas existentes — Braze, Klaviyo, Salesforce, Bloomreach — y analizar con precisión tres preguntas: qué funciona bien sin intervención adicional, dónde aparecen las limitaciones y, sobre todo, dónde les falta contexto sobre el cliente o la marca para producir outputs realmente útiles.
Esa última pregunta — dónde les falta contexto — es la que señala exactamente dónde está el trabajo de orquestación. Porque el valor no está en activar un agente: está en rediseñar cómo se realiza un determinado trabajo cuando parte de él lo puede asumir el agente. Identificar el punto de fricción concreto en un workflow, mapear el proceso completo, determinar qué tareas asume el agente y cuáles siguen requiriendo criterio humano: ese es el trabajo de diseño que marca la diferencia entre una implementación de IA que genera valor y una que genera confusión.
El dato que cambia el análisis: los agentes necesitan contexto, no solo datos
Hay un error frecuente en los proyectos de implementación de IA en marketing: confundir «conectar datos» con «dar contexto». No son lo mismo, y la diferencia importa mucho en el rendimiento de los agentes.
Un agente que tiene acceso a toda la base de datos de clientes pero no sabe qué significa para esta marca que un cliente compre en rebajas versus a precio completo, o qué implica estratégicamente que un cliente de un mercado específico tenga una frecuencia de compra más baja que la media, va a producir segmentaciones y mensajes que son técnicamente correctos pero estratégicamente neutros.
El contexto que necesitan los agentes no es volumen de datos: es datos preparados específicamente para que puedan tomar decisiones alineadas con la estrategia de la marca. Esto incluye reglas de negocio codificadas de forma que el agente pueda aplicarlas, historial de qué ha funcionado y qué no para cada segmento, y restricciones explícitas sobre qué puede y no puede hacer el agente en nombre de la marca
En el futuro, probablemente no ganará la marca que tenga el mejor agente individual, sino la que consiga construir el sistema de agentes mejor orquestado. La pregunta que vale la pena hacerse no es «¿qué agente debemos usar?», sino «¿cómo conseguimos que todos los agentes, plataformas, datos y equipos trabajen juntos de forma coherente?». Esa es la pregunta que diferencia a las marcas que escalarán con la IA de las que se quedarán atrapadas en pilotos que nunca maduran. |
El modelo human-in-the-loop: por qué la supervisión humana no es un paso atrás
Uno de los riesgos del entusiasmo por la IA agéntica es asumir que el objetivo final es maximizar la autonomía del agente y minimizar la intervención humana. Esa lógica es comprensible — viene directamente de la promesa de eficiencia que la IA hace — pero en el contexto del CRM, en concreto en sectores como el retail, moda y DTC, es más matizada de lo que parece.
Los agentes autónomos optimizan hacia métricas. Cuando esas métricas están perfectamente alineadas con el objetivo estratégico de la marca, la autonomía plena tiene sentido. Pero en marketing de marca, la alineación entre métricas y estrategia es raramente perfecta: un agente que optimiza agresivamente la tasa de conversión puede estar erosionando simultáneamente la percepción de exclusividad de una marca de moda aspiracional, y eso no aparece en ningún dashboard hasta que el daño ya está hecho.
El modelo que más sentido tiene para la mayoría de los equipos de CRM en retail en este momento es el human-in-the-loop: agentes que ejecutan con autonomía dentro de guardarraíles bien definidos, con puntos de supervisión y validación humana en las decisiones que tienen más implicaciones estratégicas. No es un modelo de transición hacia la autonomía plena: es un modelo de colaboración que reconoce que el criterio de marca y la comprensión estratégica del negocio son contribuciones humanas que no se automatizan fácilmente.
La arquitectura abierta como prerequisito para no quedar atrapado
Hay una consideración técnica que tiene implicaciones estratégicas muy directas: la arquitectura de orquestación de agentes tiene que ser abierta, no cerrada. El objetivo es evitar sustituir un ecosistema cerrado por otro.
Están surgiendo estándares abiertos — como el Model Context Protocol (MCP) — que permiten que modelos, plataformas y fuentes de datos distintas puedan comunicarse entre sí sin depender de un único proveedor. Una arquitectura de orquestación construida sobre estándares abiertos permite conectar y sustituir componentes a medida que la tecnología evoluciona: si una plataforma lanza un agente con mejores capacidades, se puede incorporar sin reconstruir todo el sistema. Si los datos de contexto evolucionan, se pueden actualizar sin afectar al resto de la arquitectura.
El objetivo de largo plazo es un ecosistema donde agentes de plataforma, agentes más específicos y equipos humanos trabajen juntos de forma fluida, con cada componente haciendo lo que mejor sabe hacer y con la orquestación asegurando que el conjunto produce algo coherente con la estrategia de la marca.
