IA para contenido de marketing B2B: ChatGPT o Jasper, la IA de tu plataforma o agentes que trabajan con datos aprobados

Pide un caso de estudio a una herramienta de IA y enseguida te devuelve un borrador fluido. Puede que también incluya un ahorro que ningún cliente ha comunicado nunca. Hay tres vías para usar la IA en artículos, publicaciones, correos y páginas de ventas B2B. Puedes usar un asistente generalista o una herramienta de redacción, o bien la IA integrada en la plataforma de marketing que ya pagas. La tercera vía es un conjunto de agentes que investigan, escriben y verifican a partir de una única base de datos aprobados de la empresa, con una persona que aprueba lo que sale. Puede que te basten la primera o la segunda vía. En todas las vías, el resultado depende de dos cosas que preparas tú: una lista escrita de datos aprobados y una persona designada que da el visto bueno.

¿Qué falla cuando la IA escribe contenido de marketing?

El primer problema es un dato que el modelo afirma con seguridad y que nadie le dio. La documentación de Anthropic dice: «Incluso los modelos de lenguaje más avanzados, como Claude, pueden generar a veces texto con errores factuales o incoherente con el contexto dado». La guía de Google para propietarios de sitios web explica por qué: «los modelos generativos no recuperan hechos, sino que predicen una secuencia probable de palabras a partir de sus datos de entrenamiento». En los textos de marketing, eso significa un porcentaje, el nombre de un cliente, un certificado o una funcionalidad que suenan bien y no tienen fuente.

El mismo mecanismo perjudica tu voz. Sin tu propio material y tus propias reglas, la redacción más probable tiende a ser la de todo el mundo, y tus publicaciones pueden empezar a sonar como las de tus competidores. Google también advierte de que «usar herramientas de IA generativa u otras herramientas similares para generar muchas páginas sin aportar valor a los usuarios puede infringir la política de spam de Google sobre el abuso de contenido a escala».

Luego está la afirmación que nadie aprobó. El código del Reino Unido para la publicidad que no se emite por radio ni televisión, el CAP Code, dice que «los anunciantes deben disponer de pruebas documentales que demuestren las afirmaciones que los consumidores probablemente consideren objetivas y que sean susceptibles de comprobación objetiva». También exige pruebas «de que un testimonio o un aval utilizado en una comunicación de marketing es auténtico», y una cita de cliente que se ha inventado un modelo no cumple ese requisito. Para los broker-dealers de EE. UU., la FINRA afirma: «Las empresas son responsables de sus comunicaciones, independientemente de que las genere una persona o una tecnología de IA».

Estos problemas llegan a los lectores si nadie se hace cargo de la revisión final. Cuando el redactor confía en el editor y el editor confía en la herramienta, nadie ha leído las cifras.

¿Qué te da una herramienta de redacción como ChatGPT o Jasper?

La primera vía es un asistente generalista como ChatGPT o Claude, o una herramienta de redacción para empresas, como Jasper o Writer. Anthropic dice que los proyectos de Claude «te permiten crear espacios de trabajo independientes con sus propios historiales de chat y bases de conocimiento», con instrucciones que pueden fijar un tono.

Un asistente generalista puede incluso hacer una verificación de datos sencilla. Un prompt de ejemplo de la documentación de Anthropic pide una nota de prensa «usando solo información de estas fichas de producto e informes de mercado». Después añade: «Si no encuentras una cita que respalde una afirmación, elimina esa afirmación de la nota de prensa». Cualquier equipo puede copiar ese patrón con su propia ficha de datos, y a un equipo pequeño puede que no le haga falta nada más.

Los límites vienen de cómo usa la gente estas herramientas. Cada redactor guarda sus propios prompts y archivos, así que uno redacta con la ficha de datos de este trimestre y otro con la del año pasado. Salvo que lo configures, nada registra de dónde salió una afirmación ni impide que salga un borrador que nadie ha leído. Además, los ajustes pueden no tener ningún efecto hasta que alguien los conecta. El centro de ayuda de Writer advierte: «Para que tu guía de estilo y tu terminología se apliquen a los resultados generados en WRITER Agent, primero debes conectarlas al perfil de voz». Los planes también limitan lo que puedes cargar: el plan Pro de Jasper indica «2 voces de marca, 5 recursos de conocimiento y 3 audiencias».

¿Qué aporta la IA de tu plataforma de marketing y dónde se queda corta?

La segunda vía usa una IA que quizá ya forme parte de una herramienta que pagas. La página de ayuda de HubSpot dice: «Usa las herramientas de IA de HubSpot para adaptar el contenido generado o escrito a la voz específica de tu marca». Su página de producto incluye un Content Agent con la frase «Crea entradas de blog, contenido para redes sociales y páginas de destino con la voz de tu marca». Adobe GenStudio for Performance Marketing asigna a cada borrador un «Percentage of compliance with your Brand», en función de cuántas de tus directrices cumple. Para los anuncios de una sola imagen en Campaign Manager, LinkedIn dice que «puede generar varias variantes de anuncio, incluidos titulares, texto introductorio y elementos visuales sugeridos».

La redacción se hace entonces donde el contenido se programa y se mide, con los permisos de usuario que ya gestionas. El inconveniente es una visión limitada. Cada plataforma guarda su propio contenido y sus propios ajustes, así que los datos de tus correos de HubSpot y de tus anuncios de LinkedIn pueden acabar divergiendo. Los controles de aprobación pueden requerir un plan superior. HubSpot dice que «se necesita una suscripción Enterprise para acceder a los ajustes de aprobación de determinados tipos de contenido», y también que «los superadministradores pueden saltarse las aprobaciones».

Una puntuación de marca cuenta las directrices que sigue un borrador. Que una cifra del texto sea cierta es una comprobación aparte, así que pregunta con qué contrasta la plataforma las afirmaciones. En las funciones que las plataformas llaman ahora agentes, pregunta de dónde salen los datos y quién aprueba el resultado.

¿Qué aportan los agentes que trabajan con datos aprobados y cuánto cuestan?

Un sistema de agentes reparte el trabajo entre varios agentes de IA. Anthropic describe los agentes como «por lo general, solo LLM que usan herramientas en función de la retroalimentación del entorno, en un bucle». Un LLM es un modelo de lenguaje grande, y las herramientas son funciones que el modelo puede invocar, como una búsqueda web o un almacén de documentos. Un agente reúne fuentes sobre un tema y otro redacta a partir de los datos aprobados y las reglas de voz. Después, un agente de verificación compara cada afirmación con los datos y señala lo que no consigue cotejar. Una persona aprueba o rechaza la pieza, y el sistema registra quién lo hizo.

El paso de verificación sigue un patrón que Anthropic llama evaluador-optimizador: «una llamada al LLM genera una respuesta mientras otra aporta evaluación y retroalimentación en un bucle». Anthropic también escribe que los agentes «pueden entonces detenerse para recibir retroalimentación humana en puntos de control o cuando encuentran obstáculos».

Este sistema puede compensar cuando el volumen de contenido es alto. Todos los canales e idiomas se nutren de un mismo conjunto de datos, y el revisor ve qué afirmaciones se han verificado. También exige trabajo. Anthropic, que vende modelos para este tipo de sistemas, aconseja «buscar la solución más sencilla posible y aumentar la complejidad solo cuando sea necesario. Esto puede significar no construir sistemas agénticos en absoluto». Alguien tiene que tener al día la base de datos aprobados, mantener los agentes, pagar el uso de los modelos y atender las alertas. Si un redactor y un editor cubren tu volumen, ese trabajo te aporta poco a cambio.

¿Qué incluye una base de datos con las afirmaciones aprobadas?

Una base de datos aprobados es la lista de afirmaciones que tu empresa ha acordado que puede hacer en público, cada una con su prueba. Mantén una sola lista que lean todos los redactores y todas las herramientas. Para cada afirmación, registra:

• la redacción exacta, para que redactores y modelos la copien en lugar de reformularla;
• la prueba: un documento, una cifra con la fecha en que se midió o la persona que la confirmó;
• dónde puede usarse, por ejemplo en la web y en los correos de ventas, pero no en anuncios de pago;
• el hecho que la devuelve a revisión, como un cambio de precios o que un cliente retire su consentimiento.

Añade las palabras que la empresa nunca usa, como sin riesgo o totalmente seguro. Los nombres, logotipos y citas de clientes solo entran con consentimiento por escrito.

Empieza por las afirmaciones que más repite tu equipo de ventas. Cuando un borrador contiene una afirmación que no está en la lista, el borrador espera hasta que la afirmación se apruebe o se elimine.

¿Cómo escribimos reglas de voz que un modelo vaya a seguir?

Las reglas de voz funcionan cuando alguien puede contrastar un borrador con ellas. Adjetivos como cercano o profesional no se pueden comprobar. Reglas como estas sí se pueden comprobar:

• Dirígete al lector en segunda persona y habla de la empresa en primera persona del plural.
• Una idea por frase y ninguna frase de más de dos líneas.
• Una cifra con su unidad en lugar de un adjetivo como rápido o potente.
• Di lo que el producto no hace con la misma claridad que lo que hace.
• Palabras prohibidas, cada una con la palabra que hay que usar en su lugar.

Acompaña cada regla de su motivo y de dos frases de tu propio contenido anterior, una que la cumpla y otra que la incumpla. La guía de Anthropic sobre prompts dice: «Los ejemplos son una de las formas más fiables de orientar el formato, el tono y la estructura de las respuestas de Claude». Mantén la lista corta. Para las reglas editoriales en GenStudio, Adobe sugiere entre 5 y 10 directrices y pide «pautas claras y aplicables», por ejemplo «Mantén las frases por debajo de 20 palabras» en lugar de «Sé conciso».

Prueba las reglas antes de fiarte de ellas. Pide a un compañero que identifique el borrador de la IA dentro de un conjunto que incluya tus propias piezas publicadas.

¿Quién revisa un borrador antes de que salga y en qué orden?

Pon el orden por escrito y mantenlo igual en todas las vías. Primero va una verificación de datos frente a la lista aprobada, a cargo de una persona o de un agente de verificación. Después, un editor compara el borrador con las reglas de voz. Las afirmaciones sobre leyes, seguridad, precios, resultados de clientes o productos financieros pasan al equipo jurídico o al de cumplimiento normativo. Por último, una persona designada aprueba la versión final, y el registro muestra quién aprobó qué y cuándo. Dale a esa persona las afirmaciones con sus fuentes y las alertas que haya, para que la revisión sea rápida.

Algunas empresas reguladas ya trabajan así. La Rule 2210 de la FINRA dice: «Un responsable registrado del miembro, debidamente cualificado, debe aprobar cada comunicación destinada al público minorista antes de lo que ocurra primero: su uso o su presentación ante el Departamento de Regulación Publicitaria de la FINRA». Esa norma se aplica a los broker-dealers miembros de la FINRA y prevé excepciones, pero cualquier empresa puede copiar su lógica y no publicar nada sin aprobación.

¿Qué pegamos en las herramientas de IA y qué hacen los proveedores con ello?

Los borradores pueden partir de material que aún no es público, como un cambio de precios o los resultados de un cliente. Antes de que nadie lo pegue, comprueba qué plan tiene esa persona y qué dice el proveedor que hace con los datos.

Las condiciones varían según el plan. Anthropic dice que, por defecto, «no utilizará tus entradas ni tus salidas de nuestros productos comerciales» para entrenar sus modelos. Sus planes para consumidores dan a los usuarios «la opción de permitir que sus datos se usen para mejorar Claude», así que un redactor con una cuenta personal puede trabajar con otras condiciones. OpenAI dice que «los datos enviados a la API de OpenAI no se utilizan para entrenar ni mejorar los modelos de OpenAI (salvo que aceptes expresamente compartir datos con nosotros)». Esa frase se refiere a la API; para ChatGPT, comprueba las condiciones del plan que usa cada redactor.

HubSpot dice que «puede usar los datos de los clientes, tal como se definen en las Condiciones de Servicio para Clientes de HubSpot, para entrenar y mejorar los propios modelos de IA de HubSpot». Sobre su opción de exclusión, dice: «De forma predeterminada, el ajuste estará activado». También dice que no permite que proveedores de IA externos entrenen con los datos de los clientes. El centro de ayuda de Writer dice: «No entrenamos nuestros LLM con datos de clientes».

Comprueba estos puntos en el contrato y en las condiciones de tratamiento de datos, y guarda una copia fechada. Da al equipo una norma de una página: qué herramientas y planes están aprobados, y qué no se introduce nunca en ninguna herramienta, como resultados financieros aún no publicados o los datos de un cliente.

¿Cómo cobran los proveedores la IA que redacta contenido de marketing?

Los proveedores cobran por puesto, con una bolsa de créditos, por uso o con una combinación de ellos. Jasper fija el precio de su plan Pro por puesto y mes, y da precios a medida para Business. Anthropic también fija el precio de su plan Team por puesto y mes. HubSpot dice que «muchas funciones y agentes de IA funcionan con HubSpot Credits», que se compran «por adelantado en paquetes, para un gasto previsible, o a medida que se usan, con pago por uso».

El precio por uso cobra por el texto que un modelo lee y escribe, contado en tokens. Los tokens son pequeños fragmentos de texto que los proveedores cuentan y facturan. La página de precios de la API de Anthropic muestra Claude Sonnet 5.5 a 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. Los precios de lista cambian. El plan Enterprise de Anthropic combina puestos y uso: «20 $ por puesto al mes más el uso facturado a las tarifas de la API, de modo que el coste crece con los modelos y las tareas que ejecuta tu equipo».

Un sistema de agentes llama a un modelo varias veces por cada pieza. Pide al equipo que montaría el sistema una medición de lo que cuesta en uso del modelo un artículo aprobado. Después suma las horas de las personas que mantienen la base de datos aprobados. En cualquier vía, consigue el precio por escrito, con los mínimos de puestos y los complementos, y pregunta qué pasa cuando se acaban los créditos.

¿Cómo medimos los resultados, incluido lo que dicen de nosotros los asistentes de IA?

Mide primero el proceso. Desde la primera semana, controla:

• tiempo desde el briefing hasta la pieza aprobada;
• correcciones de datos detectadas en la revisión, por borrador;
• borradores rechazados de plano;
• horas de editor por pieza publicada.

Si el número de correcciones no baja en los primeros meses, arregla la base de datos aprobados y las reglas de voz antes de cambiar de herramienta. Mide los resultados como lo hacías antes: tráfico de búsqueda, respuestas, llamadas concertadas y acuerdos en los que el contenido tuvo algún papel.

Quizá también quieras saber si los asistentes de IA nombran a tu empresa cuando los compradores preguntan sobre tu sector. Google dice: «No hay requisitos adicionales para aparecer en AI Overviews o en AI Mode, ni se necesitan otras optimizaciones especiales». Añade que los sitios que aparecen ahí «se incluyen en el tráfico de búsqueda general de Search Console». OpenAI dice que «OAI-SearchBot se usa para mostrar sitios web en los resultados de búsqueda de las funciones de búsqueda de ChatGPT», y que los sitios que se excluyen de él «no se mostrarán en las respuestas de búsqueda de ChatGPT». Comprueba que tu archivo robots.txt no bloquea los rastreadores de los asistentes que te interesan.

Para seguir las menciones, anota veinte preguntas reales de compradores. Haz cada una en todos los asistentes que te interesen, varias veces y con un calendario fijo, y registra si te nombran y qué páginas se citan. Cuenta cuántas veces te nombran cada mes, porque una sola respuesta dice poco.

¿Qué vía encaja con nuestra empresa?

Usa un asistente generalista o una herramienta de redacción cuando una o dos personas escriban unas pocas piezas a la semana y un editor las lea todas. La IA de tu plataforma encaja cuando el contenido se crea y se publica dentro de esa plataforma, y sus ajustes de aprobación y de voz cubren tus canales. Plantéate usar agentes que trabajen con una única base de datos aprobados cuando varias personas publiquen en distintos canales e idiomas, los datos cambien a menudo, aparezcan afirmaciones reguladas en los textos o una sola cifra errónea salga cara. Si nadie puede responsabilizarse de la base de datos aprobados, quédate con las dos primeras vías, porque los agentes que trabajan con datos desfasados los propagan a todos los canales a la vez.

¿Qué preguntar a un proveedor o a un equipo que montaría un sistema de agentes?

Para el proveedor de una herramienta de redacción o de una plataforma:

• ¿A partir de qué datos redacta la herramienta y podemos ver de dónde salió cada afirmación?
• ¿Hay un paso de aprobación que nadie pueda saltarse, con un registro de quién aprobó cada versión?
• ¿Se usan nuestros datos para entrenar algún modelo, en qué plan, y dónde lo dice el contrato?
• ¿Cuánto cuesta un mes de nuestro volumen real y qué podemos exportar si nos vamos?

Para un equipo que montaría un sistema de agentes:

• ¿Dónde estará la base de datos aprobados y quién de nuestro lado puede cambiarla?
• ¿Cómo decide el paso de verificación que una afirmación está respaldada y qué pasa con las afirmaciones que no logra cotejar?
• ¿Qué modelos y proveedores procesarán nuestros borradores y con qué condiciones de datos?
• ¿Cuánto cuesta en uso de modelos un artículo aprobado y quién mantiene los agentes tras el lanzamiento?
• ¿Qué será nuestro al final: el código, los prompts, la base de datos aprobados y los registros?

¿Dónde encaja amBrain?

amBrain publica este blog y tiene intereses en este tema. Sobre su propio producto, dice: «Nuestro propio producto, aigo, funciona con agentes de IA que investigan, escriben, revisan y miden a partir de una memoria compartida de datos de la empresa. Una persona aprueba todo lo que sale». Eso corresponde a la tercera vía descrita arriba, así que lee esta guía sabiendo que quien la publica tiene un producto de ese tipo.

Este artículo no es un caso de estudio y no describe trabajo para ningún cliente. No dice que amBrain construya sistemas de agentes para clientes, y no informa de ningún resultado de aigo. Las demás empresas, productos y reguladores mencionados aquí se citan a partir de sus páginas publicadas. El artículo no afirma ninguna relación entre amBrain y ninguno de ellos y no da precios ni plazos de amBrain.

amBrain desarrolla software desde 2019. Sobre cómo trabaja con sus clientes, dice: «Tres formatos: entrega completa, un equipo dedicado o ingenieros integrados en tu equipo». Su frase sobre la propiedad es «El cliente conserva la propiedad completa del producto y del código, salvo nuestros componentes reutilizables». Las preguntas anteriores valen para cualquier empresa que estés valorando.