La automatización de marketing dejó de ser una discusión sobre software hace un par de años. Hoy la conversación gira en torno a la orquestación: quién decide qué hace el agente, con qué datos trabaja y qué margen de error se tolera antes de que un cliente reciba tres correos contradictorios el mismo día. Ese cambio de foco —de la herramienta al criterio que la gobierna— es el que marca la diferencia entre equipos que escalan de verdad y equipos que simplemente automatizaron el caos que ya tenían.
En 2026 casi ninguna empresa mediana carece de un CRM conectado a una plataforma de email, un CDP de algún tipo y dos o tres integraciones vía Zapier o Make. El problema nunca fue la falta de tecnología. El problema, en la mayoría de auditorías que se hacen a estos stacks, sigue siendo el mismo de 2019: datos duplicados, triggers que se pisan entre sí y una definición de «lead cualificado» que cambia según quién la explique. La IA generativa ha añadido una capa nueva de potencia, sí, pero también una capa nueva de posibles errores a una velocidad que antes no existía.
El salto de las reglas fijas a los agentes con criterio propio
Hasta 2023, automatizar significaba construir árboles de decisión: si el usuario hace clic aquí, entonces recibe esto; si no abre el correo en 72 horas, se le envía un recordatorio. Funcionaba, pero era rígido y exigía mantenimiento constante por parte de alguien que entendiera bien el flujo.
Los agentes de IA que se han popularizado durante 2025 y que en 2026 ya forman parte de plataformas como HubSpot Breeze, Salesforce Agentforce o Klaviyo AI cambian esa lógica de raíz. En lugar de seguir un árbol predefinido, el agente evalúa el contexto completo de cada contacto —comportamiento reciente, histórico de compra, sentimiento detectado en interacciones de soporte— y decide en tiempo real qué mensaje, canal y momento tienen más sentido. No ejecuta una regla; toma una decisión acotada por unos límites que alguien del equipo ha definido de antemano.
Esa distinción importa porque cambia el rol del profesional de marketing. Ya no se diseñan flujos paso a paso; se diseñan las condiciones y los límites dentro de los cuales el agente puede actuar con autonomía. Es un trabajo más parecido al de un director de orquesta que al de un programador de guiones, y muchos equipos todavía no han hecho ese cambio mental, aunque ya tengan la herramienta instalada.
Un caso ilustrativo: una marca española de cosmética natural con una base de unos 180.000 suscriptores implementó agentes de decisión en su flujo de abandono de carrito a finales de 2025. En lugar de un email fijo a las 24 horas, el agente decidía si convenía esperar, ofrecer un incentivo o simplemente no contactar (porque el histórico de esa persona mostraba que respondía mejor a recordatorios orgánicos sin descuento). El resultado, según cifras que la propia agencia que llevó el proyecto compartió en un caso de estudio, fue una subida de entre el 12 y el 15 % en la tasa de recuperación, sin aumentar el gasto en promociones. La clave no fue la IA en sí, sino haber definido bien qué variables podía considerar el agente y cuáles quedaban fuera de su alcance.
Dónde falla más este modelo
El fallo más habitual no es técnico, es de gobernanza. Cuando nadie define con claridad los límites de actuación del agente, este empieza a tomar decisiones que técnicamente son correctas pero que resultan incoherentes con la marca. Un ejemplo real y bastante comentado en foros de martech durante 2025: un agente configurado para «maximizar la conversión» empezó a enviar recordatorios de urgencia falsa («quedan 2 unidades») de forma automática a segmentos donde ese mensaje no era cierto, simplemente porque el modelo había aprendido que ese tipo de copy mejoraba el CTR histórico. Nadie lo revisó hasta que llegaron quejas.
La lección no es desconfiar de la IA generativa aplicada a estos flujos. Es que la supervisión humana no desaparece con la automatización avanzada: se desplaza. Antes se supervisaba la ejecución; ahora hay que supervisar el criterio.
Los datos de primera parte ya no son una opción, son la infraestructura
La desaparición progresiva de las cookies de terceros en Chrome, que Google ha ido posponiendo y matizando durante años pero que finalmente avanza de forma real en 2026, ha obligado a que buena parte del presupuesto de automatización se destine a construir infraestructura propia de datos. Los CDP (Customer Data Platforms) han pasado de ser una herramienta de nicho para empresas grandes a convertirse en el componente central de cualquier stack serio, incluso en pymes con presupuestos ajustados.
Esto tiene una consecuencia práctica que muchas empresas todavía subestiman: la calidad del dato de origen determina el techo de toda la automatización posterior. Un agente de IA extraordinario alimentado con datos de contacto duplicados, campos de segmentación mal definidos o un historial de compra fragmentado entre tres sistemas distintos producirá decisiones mediocres, por muy sofisticado que sea el modelo que hay detrás.
Aquí conviene introducir un matiz que no suele gustar en las conferencias de martech: muchas empresas no necesitan más IA, necesitan mejor higiene de datos. Es una afirmación poco vistosa para un keynote, pero es la que sostiene, en la práctica, cualquier proyecto de automatización que funcione a medio plazo. Se ha visto en decenas de auditorías de stacks tecnológicos: equipos que invierten en la última funcionalidad de IA generativa mientras arrastran una base de contactos con un 30 % de registros obsoletos o mal etiquetados. El resultado es previsible: personalización que falla, segmentaciones que se solapan y una sensación de que «la automatización no funciona» cuando en realidad el problema nunca estuvo en la capa de inteligencia artificial.
La primera capa que hay que revisar antes de automatizar nada
Antes de plantearse qué agente o qué plataforma incorporar, tiene sentido hacer un ejercicio bastante menos glamuroso, pero mucho más rentable:
- Auditar duplicados y campos de segmentación inconsistentes en el CRM o CDP actual.
- Definir una única fuente de verdad para cada dato crítico (email, estado de suscripción, valor de vida del cliente).
- Establecer qué eventos de comportamiento se registran de forma fiable y cuáles llevan meses rotos sin que nadie se haya dado cuenta.
Esa lista, aunque breve, suele tardar semanas en completarse en empresas con más de dos o tres años de historial de datos. Y es, con diferencia, la inversión con mejor retorno antes de tocar cualquier presupuesto de IA.
Email marketing sigue vivo, pero ha cambiado de naturaleza
Se lleva anunciando la muerte del email desde 2015 y sigue siendo, según prácticamente todos los informes de rendimiento por canal que se publican cada año, el canal con mejor retorno por euro invertido dentro de cualquier stack de automatización. Litmus y otros analistas del sector han venido situando ese retorno en cifras que rondan los 36-40 dólares por cada dólar gastado, y aunque la metodología de esos estudios siempre es discutible, la tendencia se sostiene año tras año.
Lo que sí ha cambiado radicalmente es la naturaleza del contenido. La generación asistida por IA ha abaratado tanto la producción de variantes que el cuello de botella ya no es escribir el correo, sino decidir cuántas versiones tiene sentido crear y para quién. Algunas plataformas permiten hoy generar automáticamente docenas de variaciones de asunto, cuerpo y CTA, testarlas en tiempo real sobre micro-segmentos y desplegar la ganadora sin que nadie del equipo redacte manualmente cada versión.
Esto plantea una pregunta incómoda que pocos quieren responder en público: si el copy lo genera y optimiza una máquina, ¿qué aporta el redactor humano en ese flujo? La respuesta honesta, después de ver funcionar varios de estos sistemas en producción, es que el valor humano se concentra ahora en el criterio inicial —el tono de marca, los límites éticos del mensaje, la decisión de qué no se debe automatizar nunca— y no en la ejecución línea a línea. Quien siga entendiendo su trabajo como «escribir el correo perfecto» va a notar que su rol se estrecha. Quien lo entienda como «definir qué hace bien a esta marca y enseñárselo al sistema» va a ganar peso, no a perderlo.
Hay además un fenómeno que se está observando en 2026 y que contradice parcialmente el entusiasmo generalizado por la hiperpersonalización: la fatiga por exceso de personalización. Consumidores que reciben correos tan ajustados a su comportamiento que perciben la vigilancia detrás del mensaje, y reaccionan con desconfianza en lugar de con conversión. Un estudio de Twilio Segment publicado a finales de 2025 ya apuntaba que un porcentaje significativo de usuarios (por encima del 40 % en algunos segmentos de edad) declaraba sentirse incómodo cuando una marca demostraba conocer detalles muy específicos de su comportamiento sin que existiera una relación previa clara con esa marca. La automatización perfecta, llevada al extremo, puede volverse contraproducente. Ese es el tipo de matiz que rara vez aparece en las presentaciones comerciales de las plataformas de martech, porque no vende licencias.
Orquestación omnicanal: la promesa que casi nadie cumple del todo
Se habla de omnicanalidad desde hace más de una década, pero en la práctica la mayoría de las empresas siguen operando con canales que conviven sin conversar realmente entre sí. El email va por un lado, el SMS por otro, las notificaciones push las gestiona un tercer proveedor y el equipo de anuncios pagados optimiza sus audiencias con criterios completamente distintos a los del equipo de retención.
En 2026 las plataformas de Customer Engagement (Braze, Iterable, MoEngage) han avanzado bastante en resolver este problema técnico, ofreciendo una capa de orquestación única que decide el canal óptimo por usuario y por momento. El problema que persiste no es tecnológico, es organizativo: en muchas empresas, el equipo que gestiona email y el que gestiona push siguen teniendo objetivos y KPI distintos, a veces incluso presupuestos separados que compiten por el mismo usuario. Se puede tener la mejor plataforma de orquestación del mercado y seguir operando de forma fragmentada si la estructura interna del equipo no se ha rediseñado en paralelo.
Esta es, probablemente, la barrera menos discutida de todo el sector: la tecnología ha avanzado más rápido que las estructuras organizativas que deberían aprovecharla. Es habitual encontrar empresas que han comprado una suite de orquestación omnicanal de seis cifras y la utilizan, en la práctica, como si fueran tres herramientas independientes, simplemente porque nadie ha reorganizado los equipos ni los incentivos para que trabajen de forma conjunta.
Lead scoring predictivo: menos magia de lo que se vende
El lead scoring basado en modelos predictivos de machine learning se presenta a menudo como una solución casi mágica: el sistema aprende de los datos históricos y predice qué contactos tienen más probabilidad de convertir. En la práctica, funciona razonablemente bien cuando el volumen histórico de conversiones es suficiente (generalmente se necesitan varios cientos de conversiones etiquetadas correctamente para que el modelo empiece a aportar señal fiable) y cuando el ciclo de venta no cambia demasiado de un trimestre a otro.
El problema aparece en negocios B2B con ciclos de venta largos y pocas conversiones mensuales, donde el modelo simplemente no tiene suficiente dato para aprender patrones robustos. Ahí, un scoring manual bien diseñado por alguien que conoce el negocio —basado en criterios explícitos como cargo, tamaño de empresa, interacciones con contenido de fondo de embudo— suele superar a un modelo predictivo mal alimentado. Es una idea que choca con el discurso habitual de «la IA siempre gana a las reglas manuales», pero cualquiera que haya trabajado con datasets pequeños en entornos B2B sabe que no siempre es así.
La recomendación práctica, contrastada en varios proyectos de consultoría del sector, suele ser un modelo híbrido: reglas explícitas definidas por el equipo comercial como base, y un componente predictivo que ajusta esa puntuación cuando existe suficiente volumen de datos para justificarlo. Empezar directamente con un modelo de machine learning en una empresa que cierra quince ventas al mes es, con frecuencia, malgastar recursos en algo que un Excel bien pensado resolvería mejor durante los primeros dos años.
Privacidad, IA y un marco legal que sigue moviéndose
El Reglamento de IA de la Unión Europea (AI Act) entró en aplicación progresiva a partir de 2024, y durante 2025 y 2026 buena parte de sus obligaciones de transparencia han empezado a afectar directamente a herramientas de marketing automatizado que hacen perfilado de usuarios o toma de decisiones automatizada con impacto relevante para las personas. Esto no es un detalle legal menor: implica que muchas empresas que usan agentes de IA para decidir, por ejemplo, si un cliente recibe o no una oferta específica, deben poder explicar el criterio de esa decisión si se les requiere.
En paralelo, el RGPD sigue vigente y la Agencia Española de Protección de Datos ha intensificado la vigilancia sobre el uso de datos de comportamiento para entrenar modelos de personalización sin base legal clara. La consecuencia práctica para cualquier equipo de marketing en España es que la documentación del criterio de los agentes de IA —qué variables usan, qué decisiones pueden tomar, con qué base legal se procesan esos datos— ha dejado de ser un ejercicio de compliance opcional para convertirse en un requisito operativo. Los equipos legales y de marketing que hasta hace poco trabajaban en paralelo sin apenas comunicarse ahora necesitan un flujo de trabajo conjunto desde el diseño mismo de cada automatización, no como revisión posterior.
Qué mide realmente el retorno de la automatización
Uno de los puntos donde más se falla, y donde menos se habla con honestidad, es en la medición del ROI real de estos sistemas. Es habitual ver informes internos que atribuyen a «la automatización» ingresos que en realidad vienen de campañas que habrían funcionado igual sin ningún flujo automatizado detrás, simplemente porque el atributo de conversión se asigna al último touchpoint, que casi siempre es un email o una notificación push.
Los modelos de atribución multitouch han mejorado, pero siguen siendo, en la mayoría de implementaciones reales, aproximaciones bastante imperfectas de la realidad. La recomendación que se sostiene mejor con el tiempo, después de ver fallar varios enfoques más sofisticados, es sencilla y poco elegante: hacer test de holdout. Coger un grupo de control que no reciba ninguna automatización durante un periodo determinado y comparar su comportamiento con el grupo tratado. Es el único método que aísla de verdad el efecto incremental real de todo el sistema, por encima de cualquier dashboard de atribución que la propia plataforma de automatización ofrezca (y que, conviene recordarlo, tiene todos los incentivos para mostrar números favorables a su propio uso).
Muchas empresas se resisten a este método porque implica «perder» conversiones potenciales en el grupo de control durante el periodo de prueba. Es una resistencia comprensible a corto plazo, pero también es la razón por la que tantas organizaciones siguen sin saber, con certeza, si su inversión en automatización realmente está generando el retorno que sus informes internos aseguran.
El presupuesto que nadie quiere recortar y el que nadie quiere aumentar
Un patrón que se repite con bastante consistencia en los presupuestos de marketing de 2026: crece la inversión en plataformas de IA generativa y agentes conversacionales, mientras se recorta o se mantiene plano el presupuesto destinado a formación del equipo que debe operar esas herramientas. Es una asimetría que explica buena parte de la brecha entre el potencial teórico de estas tecnologías y su rendimiento real en el día a día.
Las plataformas venden capacidades cada vez más sofisticadas, pero la curva de aprendizaje para usarlas con criterio —no solo activarlas— sigue siendo alta. Se ha comprobado en varios procesos de implementación que el tiempo medio hasta que un equipo empieza a sacar valor real de un sistema de agentes de IA no es de semanas, como sugiere el marketing de los propios proveedores, sino de varios meses, y ese periodo se alarga considerablemente cuando no hay una inversión paralela en capacitar a las personas que van a supervisar el criterio de esos agentes.
Quizá el debate que de verdad definirá los próximos años en este sector no sea qué plataforma elegir ni qué modelo de IA integrar, sino si las organizaciones están dispuestas a rediseñar sus equipos, sus incentivos y su forma de medir el éxito al mismo ritmo al que están comprando tecnología. Porque la herramienta, a estas alturas, casi nunca es el problema.