La IA en el Flujo de Trabajo del Growth Marketer

Son las 9:14 de un martes. La herramienta de SDR acaba de enviarle un correo sobre su "nuevo agente de IA para growth marketing." El asunto usa la palabra desbloquear. No lo ha abierto. Lleva veinte minutos en una pestaña de Claude, pegando un CSV de 14.000 eventos de registro, pidiéndole que encuentre la caída extraña entre el paso tres y el paso cuatro de la activación. Encontró dos. Una es real. La otra es que olvidó filtrar los usuarios internos. Esa pestaña (la que nadie del equipo ve, la que no aparece en ningún pitch deck de ningún proveedor) es su flujo de trabajo real con IA.

La descripción del puesto de Growth Marketing Manager con la que lo contrataron dice que debe ser "fluido en IA." Nadie le explicó qué significaba eso a las 9 de la mañana de un martes. Los demos de proveedores hacen que parezca que la IA es un botón que se presiona para generar, ejecutar y publicar un experimento ganador. La realidad es más desordenada y bastante más útil: la IA son cinco prompts que guarda en un documento de Notion, y la disciplina de saber cuándo le está mintiendo. Esa es la brecha de la que trata este artículo. La diferencia entre la IA de proveedor (la que aparece en el asunto del correo) y la IA de flujo de trabajo (la que ya está en su pestaña del navegador).

Si es un growth IC de uno a cuatro años en el rol en una empresa B2B SaaS o PLG, este es el mapa honesto. Dónde le ahorra horas. Dónde produce basura en silencio. El stack que realmente usaría, no el cuadrante de Gartner.

Dónde la IA realmente ayuda

Olvide la lista de funciones. Piense en momentos: los puntos específicos de su semana donde pegar contexto en un modelo cambia los próximos treinta minutos.

Generación de hipótesis. Este es el mayor valor y el que menos cobertura recibe de los proveedores. Pegue su embudo de activación y su curva de retención de cohorte de la semana cuatro en Claude. Pregunte: "¿Cuáles son los 10 patrones más extraños en estos datos y qué probarías a continuación?" Descartará siete de las sugerencias. Serán obvias, genéricas o incorrectas. Las otras tres serán pruebas que usted no habría pensado, generalmente porque cruzan un límite que su equipo ha decidido implícitamente que es problema de otra persona (un cambio en la página de precios que es "cosa de marketing," una barrera de correo de reactivación que es "cosa de ciclo de vida"). La IA no tiene reparos en cruzar esos límites. Ese es el valor.

Variantes de copy de ciclo de vida. Dé el segmento, el evento desencadenante, la versión anterior del copy y el objetivo. Pida cinco variantes en cinco voces. Se quedará con una y media. Es más rápido que hacer un brief a un redactor para un correo de reactivación de día tres que nadie leerá con atención de todos modos. El encuadre honesto: el copy de IA está bien para la larga cola de mensajes de ciclo de vida donde el ROI marginal de una variante escrita por un humano no justifica el tiempo en el calendario. No está bien para su copy de activación principal ni para su página de inicio. Adapte la herramienta a las apuestas.

Verificación de cordura del análisis de cohortes. Pegue el SQL o el gráfico, pregunte "qué está mal en este análisis." Este es el que más uso. Detecta los errores obvios antes de la presentación de resultados: sesgo de supervivencia en su curva de retención, estacionalidad de fin de semana que no normalizó, la cohorte que resulta ser el 80 % de un cliente grande que se registró esa semana. La mayoría los detectaría en una revisión por pares eventualmente. La IA los detecta a las 9:30 en lugar de en un hilo de Slack el jueves.

Búsqueda de patrones de comportamiento en datos de eventos. Vuelque 5.000 filas de eventos de usuarios que abandonaron frente a usuarios que retuvieron, pregunte por diferencias. No una predicción. No "predice quién abandonará." Una bomba de hipótesis. El resultado es una lista de "los usuarios que retuvieron tenían 4 veces más probabilidades de invitar a un compañero en las primeras 24 horas," que luego valida correctamente en su herramienta de analítica. Trate a la IA como lo que saca la pregunta a la superficie, no como lo que la responde.

Resúmenes de lectura de resultados. Convierta una lectura de resultados en doce pestañas de hoja de cálculo en una publicación de Slack de tres párrafos que el responsable de crecimiento realmente leerá. Esta es la tarea que ChatGPT hace bien a la primera. Dé el nombre de la prueba, la hipótesis, los números y el veredicto. Pida "tres párrafos, en español claro, comience con el resultado, sin tecnicismos." Hecho. Acaba de recuperar quince minutos, y el mensaje es mejor que el que escribiría cansado a las 5 de la tarde.

Cinco prompts que guardo en Notion

• Bomba de hipótesis. "Aquí está nuestro embudo de activación y la retención de 4 semanas por cohorte. Dame los 10 patrones más extraños y una prueba para cada uno."
• Variantes de copy. "Correo de reactivación del día 3. Segmento: . Versión anterior: [Y]. Cinco variantes en cinco voces, máximo 80 palabras cada una."
• Verificación de SQL. "Aquí está el SQL y el gráfico. ¿Qué está mal en este análisis? Lista cinco riesgos ordenados por gravedad."
• Resumen de resultados. "Resultados de la prueba abajo. Escribe una publicación de Slack de 3 párrafos para el responsable de crecimiento. Comienza con el veredicto. Sin tecnicismos."
• Verificación de cohorte. "Aquí hay una curva de retención. ¿Qué artefactos podrían estar inflándola? Supervivencia, estacionalidad, concentración de clientes, cualquier otra cosa?"

Ese es todo el stack. Cinco prompts, un documento de Notion.

Dónde la IA falla (y quedará en evidencia)

La otra mitad de ser "fluido en IA" es saber cuándo cerrar la pestaña. Los modelos tienen confianza exactamente en los lugares donde no deberían tenerla.

Afirmaciones causales. La IA dirá alegremente que "el correo causó el incremento." No puede saberlo. No tiene grupo de control. No tiene información previa sobre sus otros lanzamientos de esa semana. Producirá un párrafo limpio y bien escrito atribuyendo un 12 % de incremento en activación a un cambio de copy, y usted pegará ese párrafo en una presentación, y alguien con formación estadística hará una pregunta que lo dejará en evidencia. La regla es simple. La IA nunca determina causalidad. Exija siempre un grupo de control, una hipótesis pre-registrada y un intervalo de confianza antes de que algo se publique como "esto causó aquello."

Matices B2B. El modelo no sabe que su comprador es un CFO con un ciclo de adquisición de 90 días, tres interesados internos y una revisión presupuestaria trimestral que cae un jueves. Los resultados suenan como Twitter de growth-hack DTC, con "crear urgencia," "aprovechar la escasez," "agregar un temporizador de cuenta regresiva." Puede enseñarle su contexto con un prompt de sistema largo, pero regresará a esos patrones en cada cuarto resultado. Para el ciclo de vida B2B, trate a la IA como un redactor junior que nunca ha estado en una llamada de ventas.

Predicciones de retención. Ajustará una curva y proyectará la retención del mes doce a partir de sus datos del mes tres. La curva es incorrecta. La retención de larga cola casi nunca sigue la forma que la IA quiere ajustar, y el modelo no conoce la diferencia entre los patrones de autoservicio PLG y los de ventas dirigidas. Use la proyección de cohortes nativa de Mixpanel, Amplitude o PostHog, o haga que su equipo de datos ejecute un modelo de retención adecuado. No un LLM.

Definición de la métrica North Star. Nunca deje que la IA elija su métrica. La North Star es una conversación estratégica con su CEO, su CFO y su responsable de producto. Está condicionada por el modelo de negocio, el comprador y la ventaja competitiva. La IA no conoce nada de eso. Sugerirá "usuarios activos semanales" porque eso es lo que dijo la mayoría de los artículos en sus datos de entrenamiento, y esa es exactamente la métrica que lleva a una empresa PLG a optimizar el bucle equivocado durante dos trimestres.

Dónde la IA le miente

• Afirmaciones causales. Atribución confiada sin grupo de control.
• Predicciones de retención. Ajusta una curva, proyecta, lo llama datos.
• Matices B2B. Recurre a patrones de growth-hack DTC.
• Definición de la North Star. Nunca deje que un modelo elija su métrica.

IA en personalización (Mutiny / contenido dinámico): cuándo funciona

La personalización dinámica es el lugar donde el pitch del proveedor y la realidad del flujo de trabajo están más cerca, pero solo a escala.

Funciona cuando se cumplen tres condiciones. La página tiene mucho tráfico (decenas de miles de visitas al mes, no cientos). Los segmentos son obvios y estables (sector, tamaño de empresa, fuente de tráfico de pago, lista de cuentas nombradas), no microsegmentos de comportamiento que fluctúan entre sesiones. Y la variante es real: un punto de prueba diferente, un titular diferente, un caso de estudio de sector diferente. No simplemente insertar el nombre del comprador en el encabezado y llamarlo personalizado.

No funciona para páginas de bajo tráfico (nunca alcanzará significancia estadística), para copy gramaticalmente frágil (el 8 % de las visitas recibe una oración con el artículo incorrecto y ahora ha personalizado peor que el control), ni para correos "personalizados" que solo intercambian un nombre y un logo. Si su versión de "personalización" se puede hacer con un campo de combinación de correspondencia, no es personalización, es una combinación de correspondencia.

Realidad de precios: Mutiny e Intellimize tienen precios de nivel enterprise. Tienen sentido para una empresa con ARR de 20 millones de dólares con un ICP claro y un equipo de marketing que puede crear contenido creativo específico por segmento. No tienen sentido para una empresa con ARR de 2 millones de dólares cuya página de inicio recibe 4.000 visitas al mes. Si un proveedor le está ofreciendo personalización dinámica a un equipo en fase Series A, le está ofreciendo lo equivocado.

La trampa del "bucle de crecimiento totalmente automatizado"

Cada seis meses un demo de proveedor recorre el embudo: "La IA genera la prueba, la ejecuta, lee el resultado, publica el ganador. Su programa de crecimiento funciona solo." La presentación es impresionante. El diagrama tiene flechas que se retroalimentan entre sí.

Tres razones por las que esto es peligroso, en orden.

Primero, se pierde el aprendizaje institucional. La razón por la que su equipo es bueno en crecimiento a los dieciocho meses no es haber ejecutado más pruebas; es que las personas que ejecutaron las pruebas construyeron intuición sobre su comprador, su producto y qué patrones se generalizan. Automatice el bucle y esa intuición nunca se desarrolla. Termina con un equipo que no puede funcionar sin la herramienta, ejecutando pruebas que no puede leer críticamente.

Segundo, el bucle publica antes de que alguien audite la hipótesis. La mayoría de las pruebas de crecimiento fallidas fallan en la etapa de hipótesis, no en la de ejecución. Una hipótesis mala disfrazada de buen copy y publicada al 50 % del tráfico le cuesta más que el valor marginal de ejecutarla. La decisión (¿vale la pena responder esta pregunta?) es el momento de mayor palanca en todo el experimento, y es el que no puede tercerizar.

Tercero, el bucle optimiza para clics a corto plazo sobre métricas que se acumulan. Los sistemas de lectura de resultados de IA le dirán que la variante ganó porque el porcentaje de clics subió. No pueden decirle que la variante atrajo leads de menor calidad que abandonaron en el mes dos. Para cuando lo note, habrá publicado doce "ganadores" que colectivamente arrastraron la retención cuatro puntos.

El growth marketer que se automatiza fuera de la reunión de lectura de resultados también se automatiza fuera de la siguiente promoción. Mantenga al humano en el proceso donde viven las decisiones de juicio: calidad de la hipótesis, criterios de cierre, definición de segmento, qué cuenta como victoria. Deje que la IA haga la escritura, no el pensamiento.

El stack práctico (el que realmente uso)

Sin cuadrantes, sin lista de logos. Esto es lo que está en mi navegador:

• Claude (Sonnet para uso diario, Opus para contextos largos). Análisis, revisión de SQL, todo lo que implica pegar 5.000 filas o un contexto largo. Mejor que ChatGPT en "lee esto cuidadosamente y dime qué está mal." Aquí viven las verificaciones de cohortes y las bombas de hipótesis.
• ChatGPT. Variantes de copy, reescrituras rápidas, lluvia de ideas de asuntos de correo. Respuesta más rápida para tareas cortas. Mejor control de tono en copy de consumidor. Peor en contextos largos.
• Cursor o Windsurf. Solo si escribe su propio SQL o Python. Ahorra alrededor del 30 % en el script de análisis que de otro modo haría con el equipo de datos. Omítalo si no escribe código ya.
• IA nativa en Amplitude, Mixpanel o PostHog. La función de "preguntar en lenguaje natural." Útil para el 80 % de las preguntas que de otro modo requieren un ticket al equipo de datos. No confíe en ella para preguntas causales; ejecutará alegremente una consulta que parece correcta y le dará la respuesta equivocada.
• Mutiny / Intellimize. Solo a escala, solo para la parte superior del embudo, solo si tiene el tráfico y el contenido creativo específico por segmento. Si no, aún no está listo para este nivel.
• Evite: cualquier herramienta cuyo pitch sea "agente de IA que ejecuta su programa de crecimiento." Eso es un botón que publica hipótesis sin probar contra su embudo.

Opcional: la lente del Marco ACE

Si quiere un marco estratégico de dónde encaja la IA en el crecimiento, el Marco ACE (Ingerir, Analizar, Predecir, Generar, Ejecutar) encaja claramente. La IA ayuda más en Analizar (verificaciones de cohortes, búsqueda de patrones en datos de eventos) y Generar (variantes de copy, listas de hipótesis). Es más débil en Predecir (predicciones de retención y afirmaciones causales, los dos lugares donde se equivoca con confianza). Es neutral en Ingerir y Ejecutar (esos siguen siendo problemas de herramientas, no de modelos). Un párrafo, eso es todo. Lea el Marco ACE si quiere la versión más profunda, pero para el flujo de trabajo diario la conclusión es: apoye la IA en análisis y generación, nunca en predicción.

Un plan de 30 días para integrar la IA sin romper su flujo de trabajo

El error que comete la mayoría de los growth marketers es tratar "usar más IA" como un problema de adopción de herramientas. Es un problema de hábitos. Aquí está la versión de cuatro semanas.

Semana 1. Elija tres tareas recurrentes. No diez. Tres. El resumen de resultados, el brief de copy de ciclo de vida, el análisis semanal de cohortes. Construya un prompt para cada una, guárdela en Notion con el formato de entrada especificado. No intente automatizar todo. El objetivo de la semana uno es un buen prompt por tarea, usado una vez.

Semana 2. Agregue Claude o ChatGPT a su revisión de resultados. Antes de publicar los resultados, pegue el resultado de la prueba y el análisis en Claude. Pregunte: "¿Qué cuestionaría si presentara esto en una reunión?" Trate la respuesta como una revisión por pares, no como el evangelio. La mitad de lo que regresa es ruido. La otra mitad es la pregunta que alguien en la reunión estaba a punto de hacer. Sentirá el ahorro de tiempo para el viernes.

Semana 3. Ejecute un experimento donde la IA generó la hipótesis. Elija un candidato de su prompt de bomba de hipótesis. Ejecútelo del mismo modo que ejecutaría cualquier otra prueba (hipótesis adecuada, cálculo de MDE, grupo de control, lectura de resultados). Registre si las hipótesis de fuente IA ganan a una tasa diferente que las que usted generó. La respuesta honesta: tasas similares, pero habrá generado 3 veces más candidatos, lo que significa que su backlog de pruebas ahora es más grande y está mejor priorizado.

Semana 4. Audite. Abra el documento de Notion. ¿Qué prompts le ahorraron tiempo este mes? ¿Cuáles produjeron resultados que tuvo que rehacer? Elimine los malos. Conserve tres a cinco como máximo. El objetivo es un flujo de trabajo más afilado, no más herramientas. Quien le diga que tiene 40 prompts que usa semanalmente está mintiendo o en un anuncio de proveedor.

La conclusión

Dos cosas para llevar al próximo martes.

La IA no convierte a un mal growth marketer en uno bueno. Hace que uno bueno sea más rápido, eliminando el costo de escritura en las partes del trabajo que no requieren juicio. La habilidad que se acumula no es la ingeniería de prompts. Es saber qué preguntas vale la pena hacer en primer lugar, y ese sigue siendo el trabajo del humano, hasta el final.

Aprenda más

• Growth Marketing Manager: Descripción del Puesto
• Un Día en la Vida de un Growth Marketer
• Diseño de Experimentos de Crecimiento y MDE
• Optimización del Embudo de Activación
• Bucles de Retención y Reactivación Viral