En junio de 2026, McKinsey y la Kellogg School of Management publicaron una investigación sobre cómo los equipos de marketing están incorporando la IA. Encuestaron a 521 marketers globales y encontraron algo que, si saber leerlo, no es un dato de adopción tecnológica. Es una radiografía de confusión estratégica.
El 87% dice estar emocionado con las posibilidades de la IA. El 60% la usa varias veces por semana. Y sin embargo, solo el 28% cree que su empresa está haciendo un rediseño real de equipos y workflows. Menos del 10% reporta estar capturando valor en procesos end-to-end.
El dato que más me interesa no es el 87% de entusiasmo. Es el abismo entre lo que se dice y lo que se hace. Porque ese abismo no es pereza ni resistencia al cambio. Es algo más profundo: la mayoría de las empresas están automatizando sin tener claro que están automatizando.
“Rewire the org” es el consejo correcto. Pero llega al paso dos antes que al paso cero.
El mismo mes que salió esa investigación, Jim Lecinski, profesor de marketing en la Kellogg School y coautor del estudio, publicó un artículo en Think with Google con tres recomendaciones para los CMOs que enfrentan la era agentica. Las tres tienen sentido: primero mapea los workflows más importantes, después define quién hace que entre humanos y agentes, y finalmente rediseña el equipo alrededor de esas nuevas realidades.
Es un mapa útil. El problema es que asume algo que muy pocas empresas tienen resuelto antes de llegar ahí: claridad sobre qué significa hacer bien el trabajo de marketing para esa marca en particular.
El consejo de “mapea tus workflows” presupone que esos workflows están optimizando algo concreto. Pero si la marca no tiene una definición clara de su posicionamiento, si el mensaje varía según quien redacte, si hay cinco versiones distintas de “quienes somos” según el canal, mapear ese caos y después automatizarlo no es una mejora. Es escalar el problema.
La IA agentica no decide que ejecutar. Ejecuta lo que le das.
Hay una confusión fundamental que se repite en casi todas las conversaciones que tengo con equipos de marketing: tratan a los agentes de IA como si fueran estrategas. No lo son. Un agente de IA en marketing, sea cual sea la plataforma, opera con el contexto que le definís. El contexto incluye que hace la marca, para quién, con qué voz, con qué criterios de calidad, bajo qué restricciones.
Si ese contexto es vago, el agente produce output vago. Si es contradictorio, el output también lo va a ser. Y si directamente no existe, el sistema va a inferirlo a partir del historial disponible, que muchas veces es un mix de comunicaciones de todos los equipos, todos los canales, todas las épocas. Un promedio de nada.
Esto es lo que yo llamo context engineering: no la habilidad de escribir buenos prompts, sino la arquitectura de información que le das a la IA para que pueda operar con criterios de marca consistentes. Context engineering es la diferencia entre decirle a un agente “genera contenido para redes” y darle un sistema que incluye el posicionamiento de la marca, los criterios de voz, los segmentos prioritarios, los mensajes que funcionaron y los que no, y las restricciones de compliance. La segunda instrucción produce resultados usables. La primera produce slop con logo.
Sin context engineering sólido, la IA agentica no ejecuta tu estrategia de marca. Ejecuta el promedio de todo lo que tu empresa publicó alguna vez.
El 72% está pegando IA encima de procesos que ya tenían problemas.
El estudio de McKinsey lo dice sin rodeos: la mayoría de las organizaciones está simplemente superponiendo IA sobre procesos existentes en vez de rediseñarlos. Y después se preguntan por qué no ven impacto en el P&L.
La razón es que los procesos que tenían antes ya eran el síntoma de algo más profundo: falta de claridad estratégica sobre que está tratando de lograr el equipo de marketing y para qué marca. Cuando eso no está claro en el proceso manual, tampoco va a estar claro en el proceso automatizado. Solo que ahora el output sale más rápido y a mayor escala.
Hay un dato en el estudio que me parece revelador: el 57% de los marketers siente ansiedad respecto a lo que la IA significa para sus roles. Esa ansiedad es más alta en los perfiles más ejecutivos: el 80% de los CMOs percibe riesgo para su propio rol, aunque el 96% de ese mismo grupo dice estar emocionado. Es la misma disonancia en escala. Entusiasmo en la superficie, incertidumbre debajo. Y esa incertidumbre, si no la resolves con claridad estratégica, la va a amplificar la IA también.
Hay casos que muestran como funciona cuando está bien hecho.
El mismo estudio de McKinsey documenta el caso de Chime, una fintech de San Francisco. Los números son concretos: el tiempo de producción de campanas bajo de diez semanas a cuatro. El volumen de testing se triplicó. El retorno sobre inversión publicitaria mejoró un 18%. Y eso no pasó porque Chime tenga mejor tecnología que el resto.
Pasó porque Chime empezó con claridad estratégica. Vineet Mehra, su CMO, habla de una primera fase deliberada de normalización de IA antes de transformar workflows reales. Esa secuencia importa: primero todos entienden que hace la marca y para quién. Después se automatiza como se hace.
Unilever Beauty & Wellbeing cuenta algo similar. Los equipos que mejor adoptan IA no son los que tienen más herramientas. Son los que tienen claridad, confianza y autonomía: saben exactamente que significa hacer bien el trabajo en el contexto de esa marca. Cuando eso existe, la IA es un amplificador genuino. Cuando no existe, es un acelerador de confusión.
El paso cero que ningún framework menciona.
Antes de mapear workflows, antes de definir handoffs humano-IA, antes de rediseñar el organigrama, hay una pregunta que la mayoría de las empresas no se hace: qué criterios vamos a usar para evaluar si el output de un agente es bueno o malo?
Esa pregunta tiene una sola respuesta posible: los criterios vienen de la estrategia de marca. De quien sos, para quién hablas, qué problema resolves y como sonas cuando lo contas. Eso no lo define la tecnología. Lo define el trabajo estratégico previo.
Lo que llamo Coordenadas Reputacionales es exactamente esto: el sistema de referencia que le da a la IA, al equipo y a cualquier parte del proceso los parámetros para decidir qué cuenta como bien hecho. Sin esas coordenadas, cada agente, cada modelo, cada workflow va a inventar sus propias reglas a partir de lo que encuentre disponible. Y lo que encuentre disponible suele ser el promedio de todo lo que la empresa publicó, que raramente es lo que queres que represente a la marca.
La IA agentica no resuelve la ambigüedad estratégica. La escala.
¿Qué haces entonces?
No te digo que no automatices. Te digo que la secuencia importa. Primero la estrategia, después la automatización.
Antes de rediseñar tu equipo de marketing para la era agentica, revisa si estas cuatro cosas estan definidas con la precisión suficiente para que un sistema las ejecute:
Posicionamiento: cual es el territorio único que ocupa tu marca y que la diferencia de todas las demás opciones disponibles para tu cliente.
Voz: como suena tu marca cuando habla. No “profesional y cercana” (eso es lo que dice todo el mundo). Algo tan específico que permita identificar el output como tuyo y no como genérico.
Criterios de calidad: cuando un contenido, una campana o un mensaje está bien para tu marca y cuando no. Si no podes responder eso en dos oraciones, ningún agente tampoco va a poder.
Señales de alerta: que cosas nunca haría tu marca, incluso si la IA las genera y suenan razonables.
Si esos cuatro puntos no están claros, el problema no es cómo organizas el equipo. Es que no tenes suficiente estrategia de marca para que la IA funcione bien.
La conversación sobre IA agentica en marketing está puesta en el lugar equivocado. Estamos debatiendo si el organigrama debe ser una pirámide o un diamante, si la capa de ejecución la hacen agentes o personas, si el workflow de contenido tiene tres pasos o siete. Todo eso importa, pero viene después.
Lo que viene antes, y lo que el 72% de los equipos que están “usando IA sin capturar valor” todavía no tiene, es una estrategia de marca lo suficientemente clara como para que una máquina la pueda operar.
El objetivo no es tener el equipo más automatizado del mercado. Es tener la marca más coherente en el entorno donde la IA ya está tomando las primeras decisiones de percepción sobre tu empresa.
Eso no lo resuelve un agente. Lo resuelve la estrategia.
Preguntas frecuentes sobre IA agentica en marketing
¿Qué es la IA agentica en marketing y en qué se diferencia de usar un chatbot?
La IA agentica, a diferencia de un asistente conversacional, ejecuta tareas de forma autónoma dentro de workflows definidos: segmenta audiencias, genera contenido, optimiza campanas o reporta resultados sin intervención humana en cada paso. La diferencia clave es que el agente puede encadenar acciones. El chatbot responde. El agente opera. Por eso el contexto que le das importa mucho más: no le estás pidiendo una respuesta puntual, le está delegando una función.
¿Por qué el 87% de los marketers usa IA pero menos del 10% captura valor real?
Porque la mayoría usa IA para acelerar tareas puntuales (redactar, resumir, traducir) sin haber rediseñado los procesos en los que esas tareas viven. Es como comprar una máquina de producción sin haber revisado la línea de ensamblaje. La tecnología es más rápida, pero sigue fabricando el mismo producto con los mismos defectos, solo que en mayor cantidad. Según el estudio de McKinsey (2026), solo el 28% de las empresas está haciendo un rewiring real de equipos y workflows.
¿Qué es el context engineering y por qué importa más que los prompts?
Context engineering es la arquitectura de información que le das a un sistema de IA para que opere con criterios de marca consistentes: posicionamiento, voz, criterios de calidad, restricciones. Un prompt bien escrito produce una buena respuesta puntual. El context engineering produce outputs consistentes a escala. La diferencia es la misma que entre dar una buena instrucción verbal y tener un manual de marca. Cuando operas con agentes que toman decisiones de forma autónoma, necesitas lo segundo.
¿Qué debería hacer un CMO antes de empezar a "rewire" su equipo de marketing con IA?
Definir el paso cero: qué criterios va a usar para evaluar si el output de la IA es bueno o malo para su marca. Eso implica tener claro el posicionamiento, la voz, los criterios de calidad y las señales de alerta. Sin esos cuatro elementos, cualquier rediseño organizacional va a automatizar confusión en vez de resolver claridad. El mapa de workflows que propone Lecinski (Think with Google, 2026) es correcto como segundo paso. El primer paso es estrategia de marca.
¿Qué tiene de específico la IA agentica para marcas B2B?
En B2B, el ciclo de decisión es largo y las personas que interactúan con la marca en distintos momentos (ventas, marketing, soporte, liderazgo) generan mensajes inconsistentes de forma natural. La IA agentica amplifica esa inconsistencia porque agrega todas esas versiones y produce un promedio. Si la marca B2B no tiene coordenadas claras y únicas, los agentes van a producir output que suena genérico, porque eso es exactamente lo que van a encontrar en las fuentes disponibles. El problema no es nuevo. La escala, si.
¿Cómo se relaciona la estrategia de marca con la reputación en la era de la IA?
Las marcas ya no compiten solo en Google. Compiten en lo que los sistemas de IA dicen sobre ellas cuando alguien pregunta. Y lo que los sistemas de IA dicen depende de que tan claro, consistente y bien estructurado esté el contenido disponible sobre esa marca. Una marca con coordenadas reputacionales claras tiene ventaja en este entorno: los modelos tienen material específico y consistente del cual aprender. Una marca vaga produce resúmenes vagos o, peor, resúmenes que reflejan el ruido disponible en vez de la propuesta real.