Tu competencia cerró tres deals esta semana mientras tú seguías respondiendo leads manualmente a las 11pm, porque nadie en el equipo estaba disponible a las 3pm cuando llegaron. El lead se fue con quien respondió primero, no con quien tenía mejor producto.
Eso no es un problema de precio ni de propuesta. Es un problema de velocidad operativa, y tiene solución.
El problema lo tienen equipos de todos los tamaños. La distancia entre dónde estás tú y dónde está Klarna no es de Fortune 500 a PYME. Es de proceso documentado a proceso sin documentar. Los casos extremos solo sirven para calibrar el techo de lo posible.
Klarna manejó 3 millones de conversaciones en un mes con IA y redujo el tiempo de resolución de 11 minutos a menos de 2 minutos, con un impacto proyectado de $40M en ganancias. IBM ahorró 9 millones de horas de empleados en 2024 automatizando el 94% de las consultas de RRHH. Puedes entrar por la mitad izquierda de esa curva con $300-$1.500/mes.
Esta guía no es un glosario de términos. Es el mapa de operaciones que usaría si estuviera arrancando desde cero hoy, con presupuesto real y sin equipo de ingenieros: qué automatizar primero, en qué orden, con qué herramientas y cómo medir si está funcionando.
Tabla de contenido
- Por qué ai automation no es RPA ni un chatbot con sombrero
- El gap del 33%: cuatro razones por las que la mayoría paga licencias y no ve resultados
- Los 5 workflows que se compran de verdad, y cuál implementar primero según tu volumen de leads
- Stack mínimo viable por presupuesto: $300, $800 y $1.500/mes, con las limitaciones reales de cada franja
- Cómo saber si lo que te están vendiendo es IA real o marketing de PowerPoint
- El problema de los datos sucios: cómo empezar aunque tu CRM sea un desastre
- Cómo medir ROI en tres fases sin sabotear el proyecto en el mes uno
- Lo que tu CFO va a preguntar cuando propongas esto, y la respuesta honesta a cada pregunta
- Qué hacer desde hoy
Por qué ai automation no es RPA ni un chatbot con sombrero
RPA lleva 20 años prometiendo que automatiza procesos. Y lo cumple, hasta que el proveedor cambia el formato de sus facturas y el robot se cae. Las reglas fijas funcionan perfecto cuando el proceso es 100% predecible y los datos siempre llegan en el mismo formato. Cuando eso falla, el sistema no aprende. Simplemente deja de funcionar.
Ai automation agrega la capa de inteligencia: puede leer un PDF sin estructura, interpretar el tono de un email para decidir si es urgente, clasificar un lead según su comportamiento en el sitio antes de que llene un formulario, o redactar el primer borrador de una propuesta basándose en el historial del cliente.
La diferencia no es técnica. Es práctica: RPA automatiza lo que ya sabes que va a pasar. Ai automation maneja lo que no puedes predecir completamente.
Lo que sí es ai automation:
- Enrutar leads automáticamente según su industria, tamaño de empresa y comportamiento previo, sin que nadie toque el CRM, para que el equipo llegue a la conversación con contexto en lugar de con un formulario vacío
- Procesar documentos (facturas, contratos, formularios) y extraer los campos relevantes sin configurar plantillas fijas, eliminando las horas que alguien pasa copiando datos de un PDF a una hoja de cálculo
- Generar el primer borrador de un email de seguimiento personalizado con el contexto del lead, para que el AE edite en dos minutos en lugar de escribir desde cero
- Detectar cuándo un deal está enfriándose y disparar una secuencia de reactivación antes de que el AE lo note, recuperando oportunidades que de otro modo se mueren en silencio
Lo que NO es ai automation:
- Un chatbot que responde las mismas 10 preguntas con respuestas predefinidas (eso es scripting, no IA)
- Un workflow de Zapier que conecta dos apps (eso es integración, no automatización inteligente)
- Una herramienta que "usa IA" porque tiene un botón de GPT para redactar textos (eso es asistencia, no automatización)
El mercado global de ai automation vale $169.46 mil millones en 2026 y crece a 31.4% CAGR hacia $1.14 billones en 2033. No es tendencia. Es infraestructura que ya se está instalando en los procesos de tus competidores.
Para los que vienen del mundo de marketing automation B2B: ai automation es el siguiente nivel. La diferencia es que los sistemas anteriores seguían árboles de decisión que tú diseñabas. Los sistemas de ai automation pueden construir o ajustar esos árboles solos, basándose en patrones que ningún humano programó explícitamente.
Un comentario que resume bien la frustración de quien ya intentó esto: "pasé meses intentando vender agentes IA sofisticados cuando los negocios solo querían que sus facturas se procesaran solas. Ahora construyo lo aburrido primero y agrego las partes cool después, si es que las quieren." Eso no es pesimismo. Es el camino más rápido al ROI.
El gap del 33%: cuatro razones por las que la mayoría paga licencias y no ve resultados
Este es el número que ningún vendor menciona en la demo: el 88% de organizaciones ya usa IA en al menos una función, pero solo el 33% ha logrado escalar más allá del piloto.
55 de cada 100 empresas están pagando licencias, haciendo demostraciones, asistiendo a webinars y reportando avances en la reunión de liderazgo, pero no ven impacto real en sus métricas de negocio. Cuatro razones explican casi todos los casos.
Razón 1: datos que no están listos para ser automatizados
El 77% de las empresas califica su propia calidad de datos como promedio, mala o muy mala (McKinsey State of AI 2025). Automatizar un proceso de enrutamiento de leads con datos sucios no te da leads mejor enrutados. Te da el mismo caos pero más rápido y con menos visibilidad sobre qué está fallando. El mayor obstáculo no es la herramienta. Es lo que le metes.
Razón 2: expectativas de tiempo irreales
Los vendors prometen payback en 7-12 meses. La realidad según Deloitte: la mayoría de implementaciones tarda 2-4 años en mostrar impacto medible en el resultado operacional. El 84% reporta ROI positivo, pero solo el 39% puede conectarlo directamente con sus números de EBIT. Si tu CFO exige resultados en seis meses, la presión va a matar el proyecto antes de que madure.
Razón 3: automatizar procesos que nadie documentó
Si el proceso existe solo en la cabeza de tu mejor vendedor, no puedes automatizarlo. La IA necesita patrones, y los patrones necesitan datos históricos ordenados. Una empresa que nunca documentó cómo califica sus leads no puede pedirle a un sistema de IA que los califique mejor.
Razón 4: change management inexistente
El equipo de ventas que lleva tres años siguiendo leads a mano, con sus propios criterios, no adopta un sistema nuevo solo porque el CEO lo pidió. La resistencia no es técnica. Es humana. Y ninguna plataforma de ai automation viene con un plan de adopción incluido.
El gap del 33% es exactamente donde está la oportunidad. Las empresas que sí escalan no son las que tienen más presupuesto ni mejor tecnología. Son las que llegaron al proceso con los datos más limpios, las expectativas más realistas y el proceso más documentado antes de tocar una sola herramienta.
Los 5 workflows que se compran de verdad, y cuál implementar primero según tu volumen de leads
Después de analizar cientos de implementaciones reales, los cinco workflows con mayor adopción y ROI más rápido son siempre los mismos. No son los más sofisticados ni los que más impresionan en una demo. Son los más aburridos y los más predecibles.
1. Speed to Lead (respuesta automática en menos de 2 minutos)
El comentario más votado en el video de YouTube con 500 implementaciones de workflows reales: "Speed to Lead es criminalmente subestimado. La mayoría de negocios no se da cuenta de que pierde deals no por precio ni producto, sino porque un competidor simplemente respondió primero."
Un lead que llega fuera de horario de oficina tiene un 90% más de probabilidad de irse con el competidor que responde primero. Speed to Lead automatiza la primera respuesta: califica el lead, personaliza el mensaje con el contexto del formulario y programa el seguimiento humano para el próximo horario disponible.
- Trigger: formulario completado, mensaje de WhatsApp, solicitud de demo
- Objetivo: primer contacto en menos de 2 minutos, 24/7
- Métrica principal: tiempo promedio de primera respuesta
- Error común: mandar un mensaje genérico automatizado que el lead detecta como bot, lo que arruina la confianza antes de que empiece la conversación
Si tienes más de 20 leads al mes y tu tiempo de respuesta supera las 2 horas, este es el primer workflow que deberías implementar. El impacto se mide en la primera semana.
2. Document Processing (extracción e ingesta automática de documentos)
Facturas, contratos, RFPs, formularios de onboarding. Todo lo que hoy alguien procesa manualmente copiando datos de un PDF a una hoja de cálculo. Ai automation extrae los campos relevantes, los valida, los enruta al sistema correcto y notifica al responsable, sin plantillas fijas ni configuración por tipo de documento.
- Trigger: email con adjunto, carga manual a carpeta compartida, formulario
- Objetivo: reducir tiempo de procesamiento de horas a minutos
- Métrica principal: tiempo de procesamiento por documento + tasa de error de extracción
- Error común: no incluir revisión humana para casos edge. Los documentos mal procesados que nadie nota son peores que los que nunca se procesaron
3. Follow-up Sequences (seguimiento que reacciona al comportamiento, no al calendario)
No es una secuencia de emails con timers. Es un sistema que observa lo que hace el lead: abrió el email, revisó la propuesta dos veces, visitó la página de precios, y adapta el siguiente touchpoint en función de esas señales. El seguimiento llega cuando el lead está activo, no cuando le tocaba según el calendario.
La diferencia con una secuencia estándar: en lugar de mandar el email número 4 el jueves porque así está programado, el sistema espera a que el lead vuelva a abrir la propuesta y manda el mensaje en ese momento. Mismo contenido, diez veces más probabilidad de respuesta.
- Trigger: señal de comportamiento (apertura de email, visita a página clave, respuesta parcial)
- Objetivo: aumentar tasa de respuesta y acortar ciclo de ventas
- Métrica principal: tasa de respuesta en seguimientos + días de ciclo de ventas
- Error común: automatizar el seguimiento sin límite de intentos. El lead que recibe 12 emails automatizados en 8 días no cierra, bloquea
4. Database Reactivation (sacar oro del CRM muerto)
Antes de buscar leads nuevos, revisa cuántos tienes olvidados. La mayoría de CRMs tiene un cementerio de contactos que llegaron, mostraron interés y desaparecieron. Database reactivation identifica cuáles siguen siendo relevantes (cambio de empresa, nuevo presupuesto, señales de búsqueda activa) y dispara una campaña personalizada de reactivación.
Growth MarketingTodo lo que publico aquí es gratis. Implementarlo contigo tiene precio.
Si algo de lo que leíste te hizo pensar "esto me está pasando", hablemos. Te respondo el mismo día.
Agendar 30 min →El error más frecuente con este workflow no es técnico. Es mandar un "¿sigues interesado?" sin ningún contexto nuevo. Ese mensaje tiene tasa de respuesta cercana a cero, y quema la última oportunidad de reactivar ese contacto.
- Trigger: tiempo sin actividad (90-180 días) + señal de contexto actualizado
- Objetivo: recuperar oportunidades que el equipo de ventas ya abandonó
- Métrica principal: tasa de reactivación + deals generados por campaña
- Cuándo implementarlo: cuando tienes más de 500 contactos inactivos en el CRM y el tiempo de respuesta a leads nuevos ya está bajo control
5. Internal Reporting (reportes que se arman solos)
El gerente de marketing que pasa tres horas cada lunes armando el reporte de la semana anterior con datos de cuatro plataformas distintas está haciendo un trabajo que ai automation puede hacer en cuatro minutos. Extracción de métricas, comparativa vs semana anterior, detección de anomalías y distribución automática al equipo correcto.
- Trigger: scheduler semanal/mensual o umbral de métrica superado
- Objetivo: eliminar el trabajo de agregación manual de datos
- Métrica principal: horas recuperadas por reporte + tiempo hasta primera acción
- Error común: construir el reporte perfecto antes de probarlo. Empieza con tres métricas, no con quince dashboards
Para conectar estos workflows con tu proceso de captación completo, la guía de lead generation automation desglosa cómo cada workflow se ubica dentro del funnel.
Stack mínimo viable por presupuesto: $300, $800 y $1.500/mes
La pregunta que ningún artículo responde con números reales: ¿cuánto cuesta implementar ai automation en una PYME? La respuesta honesta es que depende, pero estas son las tres franjas donde opera la mayoría de equipos de marketing y ventas medianos en LATAM.
Franja 1: $300/mes, el kit de supervivencia
Para equipos de 2-5 personas que quieren automatizar las tareas más repetitivas sin contratar a nadie.
- Herramienta de workflows: Make (Integromat), unos $16/mes para 10.000 operaciones. Más estable y visual que Zapier para flujos complejos. Curva de aprendizaje: 1-2 semanas sin saber programar
- LLM para generación de texto: OpenAI API, consumo estimado para respuestas automáticas a leads: $20-40/mes
- CRM con automatización básica: HubSpot Free o Pipedrive Essential (~$15/mes), ya incluye workflows simples
- Lo que puedes automatizar: Speed to Lead básico, seguimiento automático de emails, reporte semanal de métricas principales
Limitación real: no tiene capacidad de procesamiento de documentos ni de decisiones complejas basadas en múltiples señales. Si tu volumen de leads supera los 100 mensuales, esta franja se queda corta antes del tercer mes.
Franja 2: $800/mes, el stack operativo
Para equipos de 5-15 personas con volumen real de leads y procesos más complejos.
- Make Pro (~$65/mes) + n8n self-hosted como respaldo para flujos críticos
- OpenAI API con uso más intensivo + embeddings para clasificación semántica: ~$80-150/mes
- CRM con automatización avanzada (HubSpot Starter o Salesforce Essentials): ~$50-100/mes
- Clay o Apollo para enriquecimiento automático de leads: ~$200/mes
- Lo que puedes automatizar: Speed to Lead personalizado, enrichment automático, Database Reactivation, seguimientos conductuales, Document Processing para casos no críticos
Limitación real: Clay consume presupuesto rápido si el volumen de leads sube inesperadamente. Necesita alguien que monitoree el crédito de enriquecimiento cada semana, o llega la factura sorpresa al final del mes.
Franja 3: $1.500/mes, el sistema completo
Para equipos con ciclo de ventas activo, volumen de leads relevante y necesidad de reporting confiable.
- Stack anterior + Apify o Phantombuster para scraping/monitoreo: ~$200/mes
- n8n cloud o stack propio en servidor dedicado: ~$100/mes
- Modelo fine-tuneado o RAG propio sobre documentos internos: ~$200-300/mes adicionales en infraestructura
- Lo que puedes automatizar: todo el ciclo completo desde captación hasta reactivación, con reporting automático y alertas de anomalías en tiempo real
Limitación real: la complejidad de mantenimiento de este stack requiere al menos una persona técnica part-time o un consultant mensual. Sin eso, los flujos se rompen y nadie lo nota hasta que los leads dejan de llegar al CRM.
Marketing con IA reporta simultáneamente 37% de reducción de costos y 39% de aumento de ingresos. Esas cifras corresponden a la franja 2 en adelante, no al kit de supervivencia.
Regla de implementación: no llegues a la franja 3 sin haber validado resultados en la franja 1. El error más caro es comprar la plataforma enterprise antes de saber qué proceso automatizan primero. Para el detalle técnico de cómo conectar cada pieza, el flujo mínimo viable de lead generation automation lo desglosa paso a paso.
Cómo saber si lo que te están vendiendo es IA real o marketing de PowerPoint
"Agent washing" es el término que está ganando tracción en 2025-2026 para describir el fenómeno de vender automations básicas como si fueran agentes de IA autónomos. Es el equivalente al greenwashing pero para tecnología.
Un verdadero agente de IA recibe un objetivo, no una secuencia de pasos. Puede decidir qué herramienta usar para cumplir ese objetivo, adapta su comportamiento según el resultado de cada acción y puede manejar casos que no fueron programados explícitamente.
Un workflow disfrazado de agente sigue un árbol de decisión que alguien codificó. Tiene "IA" solo en el paso donde llama a GPT para redactar texto, falla con cualquier input que no encaje en el formato esperado y no aprende nada de una interacción a la siguiente.
El criterio más simple para detectar agent washing:
Pregúntale al vendedor: "Si el lead responde algo completamente inesperado, ¿qué hace el sistema?" Si la respuesta es "lo marcamos para revisión manual" o "le enviamos el siguiente email de la secuencia de todas formas", no es un agente. Es un workflow con buena interfaz.
Un estudio RAND de 2025 reporta que el 80-90% de proyectos de agentes IA fallan en entornos de producción enterprise. Eso no significa que los workflows sin agentes verdaderos sean malos. Los cinco workflows del capítulo anterior no son agentes y tienen ROI probado. El problema es pagar precio de agente por funcionalidad de trigger-action.
La pregunta correcta antes de comprar cualquier plataforma: "¿Qué decisiones toma el sistema solo y qué decisiones requieren que yo defina las reglas?" Si todo requiere que tú definas las reglas, es automatización tradicional con una capa de LLM. Válida, útil, pero no un agente, y el precio debería reflejarlo. Si el precio no refleja esa diferencia, o el vendor no entiende la distinción o sí la entiende y está apostando a que tú no.
El problema de los datos sucios: cómo empezar aunque tu CRM sea un desastre
La frase que más se repite en todos los foros de ai automation es también la que más se ignora: garbage in, garbage out. Si automatizas un proceso con datos malos, produces los mismos resultados malos pero más rápido y con menos visibilidad sobre qué está fallando.
¿Qué tan malo tiene que estar tu CRM para que sea un problema real?
Señales de que tus datos no están listos:
- Más del 30% de tus contactos no tienen empresa o industria asignada
- Tienes leads duplicados en el mismo pipeline
- No sabes de dónde vino más del 20% de tus leads
- La fuente de captación está en blanco para la mayoría de registros
- Tus etapas de pipeline no tienen criterios de avance documentados
Si reconoces tres o más de estos, tu primer proyecto de ai automation es la calidad de datos, no el workflow de ventas.
La trampa de esperar a tener datos perfectos:
No los vas a tener nunca. La estrategia correcta no es limpiar todo antes de empezar. Es empezar con el subconjunto de datos que sí está limpio y construir los procesos que evitan que los nuevos datos lleguen sucios.
El protocolo de arranque con datos imperfectos:
-
Identifica el 20% limpio. De tus leads de los últimos 90 días, encuentra los que sí tienen los campos críticos completos (empresa, industria, fuente, etapa). Empieza con esos, no con el universo completo.
-
Configura en modo "sugerencia". El sistema recomienda la acción, el humano la ejecuta. Esto te permite validar si la lógica es correcta antes de darle autonomía completa. Mínimo dos semanas en este modo antes de soltarle la correa.
-
Agrega validación en el punto de entrada. Formulario más enriquecimiento automático con Clay o Apollo al momento de captura, no después. La limpieza de datos en el origen cuesta diez veces menos que la limpieza retroactiva.
-
Semana tres: revisa los errores. El 80% serán del mismo tipo de dato faltante. Arréglalo en el origen, no manualmente registro por registro. Un error sistémico tiene una solución sistémica.
La limpieza de datos no es un proyecto previo a la automatización. Es la primera automatización que debes construir.
Cómo medir ROI en tres fases sin sabotear el proyecto en el mes uno
El error de medición más común: intentar medir el ROI total de la implementación de IA en el primer trimestre. Los proyectos de ai automation tienen una curva de maduración. Si mides mal en la fase temprana, tomas decisiones de abandono basadas en datos que no representan el estado estable del sistema. La mayoría de proyectos que se cancelan "porque no funcionaron" se cancelaron antes de llegar al punto donde habrían empezado a funcionar.
Fase 1: métricas de proceso (semanas 1-8)
Estas miden si la automatización está funcionando técnicamente, antes de ver impacto en negocio.
- Tasa de ejecución exitosa: porcentaje de flujos que se completan sin error. Objetivo: más del 95%
- Cobertura de datos: porcentaje de leads que llegan con los campos necesarios para que el sistema tome la decisión correcta. Objetivo: más del 80%
- Tiempo de primera respuesta: de X minutos/horas a Y minutos para Speed to Lead
Si estas tres métricas no están en verde en la semana 8, no es que el sistema no funcione. Significa que hay un problema de datos o de configuración, y ese es el problema que debes resolver antes de medir impacto de negocio.
Fase 2: métricas de eficiencia (mes 2-4)
- Horas recuperadas por workflow: tiempo que el equipo invertía manualmente vs tiempo actual
- Tasa de intervención manual: qué porcentaje de casos que debería manejar el sistema termina escalando a un humano. Si supera el 20%, el sistema tiene un problema de cobertura o los datos están fallando
- Costo por lead procesado: incluir costo de plataformas más tiempo de configuración, dividido entre número de leads
Fase 3: métricas de negocio (mes 3 en adelante)
- Tasa de conversión de lead a oportunidad: antes vs después de Speed to Lead más enrichment automático
- Ciclo de ventas promedio: días desde primer contacto hasta cierre. El seguimiento inteligente debería acortarlo
- Pipeline velocity: cuánto revenue avanza por semana. Es el indicador que integra volumen, conversión y velocidad en una sola métrica
El costo por interacción de IA en servicio al cliente es $0.50-$0.70 vs $6-$8 de un agente humano. 12 veces más caro el humano. Esa diferencia no aparece en el mes uno. Aparece cuando tienes suficiente volumen para que el sistema opere sin supervisión constante.
Para conectar estas métricas con el marco estratégico de ROI de IA en marketing, la guía de marketing con inteligencia artificial tiene el framework completo de atribución.
Lo que tu CFO va a preguntar cuando propongas esto, y la respuesta honesta a cada pregunta
¿Cuál es la diferencia real entre automatización con IA y RPA?
RPA sigue reglas fijas que tú defines. Si el formato del documento cambia, el robot falla. Ai automation puede interpretar datos no estructurados, tomar decisiones con información incompleta y manejar casos que no estaban en el script original. En práctica: RPA es para procesos 100% predecibles, ai automation es para procesos que tienen variabilidad.
¿Necesito saber programar para implementar esto?
Para los cinco workflows del capítulo anterior: no. Make, n8n en modo visual y las plataformas de CRM con automatización nativa no requieren código. Donde sí necesitas alguien técnico es cuando quieres modelos personalizados, RAG sobre documentos propios o integraciones con sistemas legacy. Pero eso es franja 3, no el punto de partida.
¿Qué pasa cuando el sistema falla? ¿Quién es responsable?
Esta es la pregunta que la mayoría no hace antes de firmar el contrato. Todo sistema de ai automation falla eventualmente, y los fallos son menos predecibles que los de un workflow manual. Define antes de implementar: quién monitorea las alertas de error, qué proceso manual tiene el equipo como backup y qué umbral de error dispara una revisión del sistema. La respuesta "el vendor lo arregla" no es suficiente.
¿Cuánto tarda en verse el ROI?
Depende del workflow. Speed to Lead puede mostrar impacto en tasa de contacto en la primera semana. Document processing muestra ahorro de horas en el primer mes. El impacto en ciclo de ventas y conversión tarda 60-90 días como mínimo, porque necesitas suficientes deals procesados por el nuevo sistema para que las métricas sean estadísticamente válidas. No tomes decisiones de abandono antes de los 90 días.
¿Esto aplica para empresas que venden a consumidores o solo para B2B?
Aplica para ambos, pero los workflows prioritarios son distintos. En B2C el mayor impacto está en customer service automatizado y recomendaciones personalizadas. En B2B está en Speed to Lead, enrichment y seguimiento inteligente. Esta guía está orientada a B2B porque ahí el ROI por deal justifica mejor la inversión en configuración inicial.
¿La IA va a reemplazar a mi equipo de ventas o de marketing?
No en el horizonte de 2-3 años para empresas medianas. Lo que sí hace: elimina las tres horas diarias que tu mejor vendedor pasa haciendo seguimiento manual, actualizando el CRM y preparando reportes. Esas tres horas vuelven a estar disponibles para lo que ningún sistema puede reemplazar: entender el contexto del cliente, navegar dinámicas de poder en un deal complejo, construir relaciones. La IA no reemplaza al vendedor. Le devuelve tiempo para vender.
¿Cómo justifico el gasto si no tenemos casos similares en la empresa?
Los cinco workflows tienen benchmarks públicos. Speed to Lead: el contacto en menos de 5 minutos multiplica por 9 la probabilidad de conversión (InsideSales). Document processing: promedio de 4-6 horas de trabajo manual por cada 100 documentos procesados. Database Reactivation: entre 5-15% de leads inactivos reactivables según el tiempo sin contacto. Usa esos números como piso conservador, no como promesa.
Qué hacer desde hoy
No necesitas el stack perfecto para empezar. Necesitas un proceso documentado, un workflow concreto y datos suficientemente limpios en ese proceso.
La diferencia entre el 88% que adopta y el 33% que escala no es presupuesto. Es que el segundo siguió esta secuencia:
Semana 1: elige un solo proceso. El más repetitivo, el que más tiempo consume, el que más veces al día alguien del equipo dice "esto debería hacerse solo." No elijas el más impresionante. Elige el más costoso en tiempo.
Semana 2: documenta ese proceso tal como existe hoy. Cada paso, cada decisión, cada caso de excepción. Si no puedes documentarlo en dos páginas, es demasiado complejo para empezar por ahí. Elige otro.
Semana 3: arma el workflow en Make o n8n en modo "sugerencia", donde el sistema propone la acción y el humano la ejecuta. No le des autonomía completa hasta que hayas visto 50 casos y el sistema haya acertado en al menos 45.
Semana 4: mide. Tiempo antes vs tiempo después. Errores. Casos que el sistema no supo manejar. Ajusta.
Mes 2: si el primer workflow está estable, agrega el segundo. Nunca dos simultáneos en fase de validación.
Si estás evaluando si tiene sentido hacer esto solo o con ayuda externa, la guía de qué hace un marketing automation consultant explica cuándo el costo de contratar a alguien se paga solo y cuándo es más inteligente construirlo internamente.
La semana 1 empieza con un proceso. Elige uno. Si no sabes cuál, es el que más veces dijiste "esto debería hacerse solo" en los últimos treinta días.
© 2026 Andres Ospina
