IA en el Flujo de Trabajo del Demand Gen Manager

Esta semana abrió 14 emails de proveedores. 13 de ellos mencionaban "IA". Ninguno le dijo qué hacer concretamente el lunes a las 9am con el brief de campaña que vence el miércoles.

Vamos a resolver eso.

No voy a venderle un futuro donde el LLM gestiona su nutrición de leads mientras usted toma café. Ya me he quemado con tres de esas herramientas. Voy a contarle en qué partes del trabajo de Demand Gen Manager la IA puede ahorrar tiempo, en qué partes lo perjudica activamente si confía en ella, y el plan de 30 días que ejecutaría si empezara de nuevo el lunes.

El punto de partida, antes de cualquier otra cosa: la IA es un multiplicador de fuerza aplicado al criterio. No convierte a un mal DGM en uno bueno. Hace que un buen DGM sea aproximadamente un 30% más rápido en las partes del trabajo que no requieren criterio, para que pueda dedicar más tiempo a las que sí lo requieren. El ICP, la política con Ventas, el número del pipeline que aparece en el tablero junto a su nombre. Esas siguen siendo suyas.

Dónde la IA realmente ayuda al DGM

Estos son los casos de uso que he visto generar pipeline, no solo ahorrar unos minutos. Sea específico sobre cuál está intentando. "Usar IA para marketing" es la ambición; lo que se describe a continuación es el trabajo.

Briefs de campaña y variantes de copy: primer borrador en 8 minutos, no en 80

Este es el uso de IA con mayor ROI para un DGM en este momento, y también el que la mayoría de los equipos aprovecha menos porque tratan el resultado como el producto final. No lo es. Es el andamiaje.

Un brief de campaña típico me lleva entre 60 y 90 minutos desde una hoja en blanco: posicionamiento, audiencia, gancho, copy canal por canal, CTA, medición. Con Claude o ChatGPT y un prompt preciso que incluye el ICP, la oferta y la combinación de canales, obtengo un borrador v0.5 aceptable en 8 minutos. Luego dedico 30 minutos a editarlo para que suene como algo escrito por un humano, en lugar de 80 minutos construyendo desde cero.

Lo mismo para las variantes de copy. Doce asuntos de email generados por un modelo toman 90 segundos. Diez de ellos son mediocres. Dos son interesantes. Nunca habría escrito esos dos por mi cuenta a la tercera hora de un viernes largo. Ese es el beneficio real.

Lo que no debe hacer: enviar el borrador v0.5. Los modelos producen por defecto una prosa segura, genérica y levemente pomposa. Su ICP lo huele en las primeras dos frases.

Resumen de investigación de audiencia: 30 llamadas de ventas en 6 objeciones

Si tiene acceso a grabaciones de llamadas en Gong o Chorus, aquí es donde la IA justifica el costo de la licencia. Extraiga 30 transcripciones de llamadas de discovery del último trimestre para su segmento ICP, cárguelas en Claude con un prompt del estilo "Identifica las objeciones recurrentes más frecuentes de estas llamadas y clasifícalas por frecuencia. Para cada una, cita la formulación exacta que usaron los compradores." Veinte minutos después tiene las seis objeciones que realmente importan, en el lenguaje de sus compradores, listas para incorporarlas directamente al copy de nutrición de leads y a la creatividad pagada.

Hacer esto manualmente lleva día y medio, y la mayoría de los DGMs nunca lo hace. Terminan escribiendo copy basándose en la opinión del VP de Ventas sobre el comprador, en lugar de las palabras reales del comprador. La IA no inventó este ejercicio. Solo lo hizo suficientemente económico como para ejecutarlo de verdad.

Aceleración de pruebas de creatividad pagada

El flujo de trabajo anterior era: escribir 3 variantes de anuncio, lanzar, aprender despacio. El nuevo flujo de trabajo es: escribir 12 titulares variantes, 6 ganchos, 4 briefs visuales, lanzar las 4 combinaciones más fuertes, eliminar las dos inferiores en una semana, escalar la primera.

Los programas de pago de Meta y LinkedIn recompensan el volumen de variantes. El modelo no sabe cuál ganará. Usted tampoco. Pero el modelo puede producir 12 en cinco minutos y usted puede elegir las cuatro que no suenan como lenguaje genérico de proveedor. Eso es 3 veces más superficie de prueba para el mismo tiempo humano.

Mejora del scoring de MQL, con supervisión humana

Su modelo de scoring probablemente está desactualizado. Lo construyó alguien hace dos años que ya se fue, y puntúa igual a "VP+ en una empresa de más de 200 empleados" que a "becario en Stripe explorando la documentación." Un modelo puede identificar patrones en señales firmográficas y de comportamiento de sus opps cerrados ganados y perdidos históricamente, y señalar qué es realmente predictivo, normalmente un puñado de señales extrañas que nadie incluyó en las reglas originales.

Dos advertencias. Primero, esto solo funciona si tiene suficientes opps históricos para que el patrón sea estadísticamente válido (unos pocos cientos como mínimo). Segundo, nunca deje que el modelo actualice automáticamente las puntuaciones en su CRM. Presente los pesos propuestos a una persona, debátalo en una reunión del martes y luego aplique los cambios manualmente. El auto-scoring es donde la buena intención se encuentra con datos deficientes y Ventas deja de confiar en su flag de MQL para siempre.

Análisis de atribución: resúmenes narrativos del dashboard

Los dashboards de atribución multitáctil son ilegibles para cualquiera que no sea quien los construyó. Un DGM termina o bien recitando números que nadie interioriza, o bien contando historias sin evidencia. La IA ocupa el espacio intermedio: alimente al modelo los últimos 90 días de datos de atribución y pídale un resumen narrativo de 200 palabras sobre qué cambió y por qué. Obtendrá un borrador de resumen que puede contrastar con lo que ya sabe sobre el trimestre. Presente el resumen en su deck del QBR, no el gráfico de espagueti.

Dónde la IA perjudica al DGM

Esta es la sección que los emails de proveedores no escriben. Cada uno de estos fallos me ha costado pipeline real en algún momento. Aprenda de mis errores.

Matices del ICP

El modelo promedia a su comprador. Su comprador no es promedio. Escribirá copy dirigido a un VP de Ventas genérico en una empresa SaaS genérica, cuando su ICP real es "VP de Ventas en una empresa de 80 a 200 personas en Serie B con un movimiento de ventas híbrido que acaba de perder a su CRO y está angustiada por el pipeline del Q3". Ese segundo comprador no lee el copy del primero.

Puede llegar más cerca con prompts detallados sobre el ICP, pero a partir de cierto punto está invirtiendo más tiempo en el prompt de lo que tardaría en escribir el copy usted mismo. La línea honesta: la IA es útil para el 70% de los compradores que son más o menos estándar. Para sus cuentas más valiosas, escriba el copy a mano.

Política entre ventas y marketing

Ningún LLM sobrevive a una reunión en la que el VP de Ventas dice "estos MQL son basura y todo tu embudo es una fantasía". Esa reunión la gana el DGM que puede presentar la evidencia: qué definiciones de MQL cambiaron, qué campañas generaron los leads cuestionables, qué SDRs descalificaron qué y por qué. No puede delegar esa reunión al modelo. Puede usar el modelo para prepararse (resumir el último trimestre de conversión MQL a SQL por fuente), pero la reunión en sí es un deporte de contacto entre humanos.

Originalidad del contenido

Si usted y su competidor le hacen el mismo prompt a GPT con "escribe un artículo de liderazgo de pensamiento sobre demand gen en 2026", ambos publican el mismo artículo. El modelo está entrenado con internet abierto, así que su resultado por defecto es el promedio de todo lo que ya existe en internet. La originalidad vive en las partes que aún no están ahí: los experimentos reales de su equipo, lo que funcionó de forma inesperada en su empresa, la lectura contracorriente de una categoría. La IA puede editar eso. No puede generarlo, porque no lo conoce.

Señales de intención

Bombora, 6sense, G2: estas herramientas identifican cuentas con surge de interés en su categoría. Los datos son reales. Interpretar esos datos frente a su lista de cuentas sigue siendo trabajo humano. El modelo le dirá alegremente "la Cuenta X muestra alta intención, se recomienda contacto." La Cuenta X es un cliente anterior que canceló hace seis meses y su AE pondrá fuego a su email si le redirige otra secuencia. Ese contexto vive en su equipo, no en el dataset.

El stack práctico: herramientas reales, límites reales

Este es el stack que construiría para un DGM IC empezando hoy, con un veredicto en una línea para cada uno.

Claude / ChatGPT. Mejor ROI para un DGM hoy. Úselo para ideación, resumen, borradores de andamiaje, análisis de transcripciones, generación de briefs. Ambos son buenos. Claude tiende a escribir con un tono ligeramente más natural; ChatGPT tiene una mayor superficie de plugins e integraciones. Elija uno, adquiera destreza con los prompts, no pague por los dos. Aproximadamente $20-40/mes por licencia.

Jasper / Copy.ai. Opinión directa: es una capa delgada sobre GPT con entrenamiento de voz de marca y una UI orientada a marketing. El entrenamiento de voz de marca es el único diferenciador real, y la mayoría de los equipos no lo entrena bien. Si su equipo tiene cero conocimientos de IA, las plantillas de flujo de trabajo pueden ayudar. Si su equipo sabe hacer prompts, está pagando por una capa adicional que no aporta valor. He dejado de usar estas herramientas.

Mutiny / herramientas de personalización. Funcionan para A/B test de la parte superior del embudo a escala en sus landing pages con más tráfico. Hay mejoras reales y medibles. Fallan cuando la "personalización" degenera en tokens de "Hola " que todo el mundo ignora desde 2014. Vale la pena hacer una prueba piloto en sus tres páginas principales, no vale la pena desplegarlas en todas partes.

Clay / Apollo con enriquecimiento por IA. Aquí es donde realmente se ahorra tiempo en la construcción de listas y la habilitación de outbound. Extraiga una lista, enriquézca con datos firmográficos y de intención, envíe a los SDRs con el contexto relevante ya adjunto. El DGM que configura esto bien ahorra horas semanales al equipo de SDRs y hace que Ventas quiera a Marketing de nuevo, brevemente.

Resúmenes de IA en Gong / Chorus. Vale la pena si ya paga por la plataforma. Los resúmenes automáticos tienen un 80% de precisión, suficiente para que un DGM analice patrones de objeciones. No los cite en un deck para el board sin verificar.

Cualquier herramienta que diga "nutrición de leads totalmente automatizada". Vea la siguiente sección.

La trampa de la "nutrición de leads totalmente automatizada"

Cada seis meses un proveedor le presenta a un DGM la propuesta de dejar que la IA gestione toda la nutrición de leads: elegir el segmento, escribir el email, elegir el horario de envío, reescribir el asunto si la tasa de apertura baja. Suena atractivo. Destruye las tasas de apertura en 60 días. He aquí por qué.

Los sistemas totalmente automatizados optimizan exactamente la métrica que les indique. Si les da la tasa de apertura, evolucionan asuntos que inflan las aperturas pero resultan manipuladores: clickbait, falsa urgencia, "Re:" delante de envíos en frío. Las aperturas suben durante dos semanas, luego la reputación de su dominio se hunde. Si les da la tasa de clics, evolucionan CTAs llamativos pero vacíos y su tasa de reuniones agendadas cae. Si les da las reuniones agendadas, sobreactivan los segmentos de alta intención y queman sus cuentas más cálidas.

La solución son puntos de control humanos en los momentos clave. La IA redacta. El humano envía.

Los cuatro puntos de control que mantengo exclusivamente humanos, sin excepciones:

Asuntos en envíos en frío. Un asunto extraño que abre al 18% supera a un asunto pulido que abre al 11% siempre. Los modelos se inclinan por lo pulido. Un humano elige lo inesperado.
Decisiones de día y hora de envío. El martes a las 10am ET es la respuesta del modelo a cada envío. A veces el envío correcto es el domingo a las 7pm porque su comprador es un fundador que gestiona el email el fin de semana. Los modelos no saben eso. Usted sí.
Segmentaciones. Al dividir "cuentas de tier 1" del "resto", la diferencia suele ser un puñado de cuentas donde enviar el mensaje equivocado puede destruir seis meses de relación. Un humano da el visto bueno.
Todo lo que va a sus 50 cuentas objetivo principales. Las listas ABM pertenecen a los humanos. El impacto de un buen email artesanal a una cuenta objetivo supera a 1.000 envíos automatizados.

La única regla, repetida para que quede clara: la IA redacta, el humano envía. Trate a cualquier proveedor que esté en desacuerdo igual que trataría a un contratista que sugiere saltarse los cimientos.

Opcional: la perspectiva del ACE Framework

Si quiere un vocabulario para hablar sobre casos de uso de IA con su VP, el ACE Framework divide el trabajo de IA en cinco capacidades: Ingest, Analyze, Predict, Generate, Execute. Los casos de uso del DGM descritos anteriormente se mapean claramente:

Ingest: incorporar transcripciones de llamadas de ventas, datos de atribución y señales de intención en un formato que el modelo pueda procesar
Analyze: resumir 30 llamadas en 6 objeciones, resumir el dashboard de atribución en un párrafo
Predict: mejorar el scoring de MQL con patrones históricos de opps
Generate: borradores de brief de campaña, variantes de copy, andamiajes de creatividad pagada
Execute: envío automatizado (con los puntos de control humanos de la sección anterior)

Use este vocabulario si le ayuda a comunicarse hacia arriba. No lo use como marco de presentación a su equipo. La mayoría de los DGMs no necesitan un framework, necesitan ejecutar. (Referencia: Frameworks/ACE-Framework.md para la versión completa.)

Qué ejecutar en sus primeros 30 días

Deje de leer blogs de proveedores. Tome este plan, ejecútelo, mídalo y ajústelo.

Semana 1: Construya una librería personal de prompts en Notion. Ocho prompts que realmente reutilizará. No haga una librería de 50 que nunca abrirá. Los míos: generador de brief de campaña, prueba de titulares (12 variantes), resumen de objeciones de transcripciones de llamadas, reescritura de nutrición de leads para un segmento estancado, editor de copy adaptado al ICP, generador de narrativa de atribución, brief de variantes de creatividad pagada, resumen semanal del QBR. Cada prompt debe tener un bloque de ICP para rellenar al inicio para no tener que reescribirlo cada vez.

Semana 2: Reemplace una tarea semanal con una versión asistida por IA. Elija la tarea que más le pesa. En mi caso era el resumen semanal de rendimiento de campaña que escribía para el VP de Marketing. Con un prompt y una exportación en CSV, esa tarea de 90 minutos pasó a ser de 20. Mida honestamente el tiempo ahorrado. Si la versión con IA fue peor, descártela y reconózcalo. No mantenga algo peor solo porque se suponía que iba a ser mejor.

Semana 3: Ejecute una prueba de creatividad pagada con 3 veces más variantes de las que normalmente lanzaría. Cualquiera que sea su cadencia habitual (por ejemplo, 4 variantes de anuncio por trimestre en LinkedIn), lance 12 esta semana. Mida el CTR y la mejora en CPL frente a su línea base histórica. El objetivo no es demostrar que la IA funciona. El objetivo es forzarse a adoptar el flujo de trabajo de mayor volumen de variantes que la IA hace asequible.

Semana 4: Escriba el documento de "reglas de IA" para su equipo. Una página. Tres secciones:

Qué puede redactar la IA (briefs, variantes, resúmenes, extracción de transcripciones)
Qué debe revisar un humano antes de publicar (asuntos de email, mensajes a cuentas objetivo, cualquier comunicación de cara al cliente en cuentas de tier 1)
Qué nunca se pega en un modelo público (datos propietarios de clientes, transcripciones sin anonimizar con nombres, cifras financieras internas)

Consiga que el VP de Marketing lo apruebe. Ahora tiene el respaldo político para usar IA sin que nadie entre en pánico por un incidente de privacidad, y la disciplina para usarla bien.

La conclusión

La IA no convierte a un mal DGM en uno bueno. Hace que un buen DGM sea aproximadamente un 30% más rápido en las partes del trabajo que no requieren criterio, para que pueda dedicar más tiempo a las que sí lo requieren.

Las partes que requieren criterio: el ICP. La política. El número del pipeline. Esas siguen siendo suyas. Siempre lo serán.

Ahora cierre su bandeja de entrada y escriba el brief.

Playbooks para Demand Generation Manager