La deuda del contexto: Por qué nuestros agentes de IA están destinados a fallar (y cómo evitarlo)
Un framework práctico para documentar el conocimiento de marketing que alimentará tus automatizaciones y squads de agentes AI.
Saliendo de un virus (creo que es gripa pero casi se me lleva la garganta y los pulmones) tuve tiempo para leer y ver buenos documentales para seguir aprendiendo AI.
En ese proceso encontre que la nueva velocidad que hemos adoptado en nuestro día a día por la AI nos hace olvidar momentos clave, donde eramos concientes de algo, pero sabiamos ese algo.
Deepmind, su nacimiento me parecio algo fantastico, casi que el empleo de mis sueños el recorrido de Demis Hassabis, por hobbie me gustaria estudiar neurociencia a fondo (creo que ya no seria tan hoobie) pero cuando Alpha GO gano ese juego, nos llego el rumor, quizás hasta en canal caracol sacarian alguna nota, pero eramos toltamente agenos a lo que se estaba construyendo.
Cuando le das vida a tu proposito de negocio, lo primero que buscaras son herramientas, algo que aprendi, no tener miedo a tomarlas, por algo las ofrecen.
HubSpot for Startups tiene un programa de apoyo y beneficios con más de 5 partners estrategicos que pueden beneficiarte si te encuentras en ese punto de partida.
¿Qué incluye?
Ofertas exclusivas de herramientas como:
Captions – 75% de descuento por 3 meses para crear videos con subtítulos, traducción y edición impulsada por IA.
Claude – Plan gratuito de un asistente conversacional inteligente para escribir, analizar y desarrollar ideas con mejor razonamiento.
Clay – $50 en créditos para automatizar outreach personalizado a escala con datos en tiempo real.
Gamma – 50% de descuento para generar presentaciones y docs interactivos en minutos usando prompts.
Make – 1 año gratis para automatizar y conectar apps y datos con un builder visual.
MindStudio – 60 días de free trial para diseñar y lanzar agentes de IA sin código.
Notion – 3 meses gratis con IA integrada para escribir, organizar y resumir información.
¿Cómo funciona?
Una vez aceptada la startup, completa el formulario de acceso al paquete.
Al enviarlo, se desbloquea el panel con todas las ofertas de IA para que el equipo pueda reclamar cada beneficio y armar su stack completo de IA, integrado con HubSpot.
La semana pasada tuve una conversación con un nuevo líder de marketing, que recién lo ascendieron en una fintech en Bogotá. Me mostró su setup de n8n: 47 workflows activos, integración con HubSpot, Slack, y tres herramientas de AI. Todo se veía impresionante (efecto visual de siempre).
Entonces cuando probamos 3 flujos y vi que el resultado son post identicos, uno tras otro y adicional generales, le pregunte: ¿Dónde está documentado el tono de voz de tu marca para que estos agentes lo usen?.
6 flujos más adelante: ¿y las buyer personas? ¿los criterios de calificación de leads? ¿las objeciones más comunes que maneja tu equipo de ventas?”
La respuesta fue, el equipo lo corrije al final, realmente tomamos un entrenamiento de n8n con una libreria de plantillas y las incorporamos para agilizar tiempo.
Ahí estaba el problema. Habían invertido meses construyendo infraestructura de automatización sobre un vacío de contexto. Sus agentes de AI generaban contenido genérico porque no tenían acceso al ADN de la marca. Sus workflows de calificación fallaban porque los criterios vivían en conversaciones de Slack y no en una base de conocimiento estructurada.
Esto lo llamo la “Deuda de Contexto”: la brecha entre lo que tu equipo de marketing sabe y lo que tus sistemas de AI pueden acceder.
El problema: marketing sin memoria
Hagamos un ejercicio de honestidad. ¿Cuántos de estos escenarios te pasa en tu equipo?
El síndrome del “pregúntale a [nombre]”: Todo el conocimiento crítico vive en la cabeza de 2-3 personas y no en el proceso.
La documentación zombie: Tienes brand guidelines del 2021 que nadie consulta porque están desactualizadas. (el intento de algún líder)
El prompt lottery: Cada persona del equipo escribe prompts diferentes para ChatGPT/Claude, generando inconsistencia.
Automatizaciones que automatizan errores: Tus workflows de n8n replican procesos sin entender el “por qué” detrás.
IBM lo resume perfectamente en su análisis de agentes de AI para marketing: “Un agente de AI es como un pasante extremadamente capaz: muy inteligente, pero el marketer tiene que informarlo con buenos datos para que haga bien su trabajo.“
Facto: El problema no es la inteligencia del agente. Es la calidad del contexto que le proporcionamos.
El Framework: Marketing Context Architecture (MCA)
Después de pensarlo y entender como veo que operan los equipos de marketing y algunas agencias (que en una agencia más se debe tener un MCA con variables) desarrollé estre frame que llamo Marketing Context Architecture. La premisa es simple pero contraintuitiva:
Antes de construir automatizaciones, construye la arquitectura de conocimiento que las alimentará.
Capa 1: Brand DNA - el código genético de la marca
Esta es la capa que más se subestima y la que mayor impacto tiene en la calidad del output de AI. Si tu agente suena genérico, el problema casi siempre está aquí.
Qué incluir en tu Brand DNA Document:
Voice adjectives (3-5 máximo): Palabras que definen cómo suena tu marca. Ejemplo: “Directo, técnico, cercano, retador, sin rodeos.”
Voice description: Párrafo que explica la personalidad. Ejemplo: “Sonamos como un experto que ha estado en las trincheras. Damos opiniones basadas en experiencia, no teoría genérica.”
Vocabulary guidelines: Palabras que usamos vs. palabras que evitamos.
USAMOS: “workflows automatizados”, “equipos”, “métricas”, “implementar”
EVITAMOS: “revolucionario”, “disruptivo”, “game-changer”, “paradigm shift”, “lo que nadie te cuenta”
Tone variations: Cómo cambia el tono por canal (LinkedIn más profesional, newsletter más cercano, etc.)
On-tone examples: 3-5 piezas de contenido que representen perfectamente tu voz.
Off-tone examples: Ejemplos de lo que NO queremos (igual de importantes).
Capa 2: Audience intel - el cerebro de la personalización
No estoy hablando de las buyer personas genéricas de “María, 35 años, CMO”. Hablo de documentación accionable que un agente de AI pueda usar para personalizar en tiempo real.
Estructura de audience intel document:
Segmento + señales de identificación: ¿Cómo detectamos que alguien pertenece a este segmento? (cargo, tamaño de empresa, comportamiento en web, etc.)
Pain points priorizados: Rank de 1-5 de los problemas más urgentes que enfrenta este segmento.
Objeciones frecuentes + respuestas aprobadas: Las 10 objeciones más comunes con sus respuestas validadas por ventas.
Triggers de compra: Eventos o señales que indican que alguien está listo para avanzar en el funnel.
Lenguaje del segmento: Jerga específica, términos técnicos que usan, acrónimos comunes.
Implementación técnica: de documentos a vectores
Aquí es donde la teoría se convierte en infraestructura. La arquitectura técnica que recomiendo tiene tres componentes principales:
Componente 1: Knowledge Base con RAG
RAG (Retrieval-augmented generation) es el patrón que permite a un LLM acceder a información externa en tiempo real.
Lo sé ya empezo lo técnico, sorry es el nuevo marketing que se esta creando y la verdad no es de tenerle miedo, pero si te da pereza, más cuando tengas que buscar trabajo por no estudiar y crecer.
Pipeline básico:
Chunking: Divide tus documentos de contexto en fragmentos de 200-500 tokens. Para Brand DNA, usa chunks semánticos (por sección). Para audience intel, chunks por segmento.
Embedding: Convierte cada chunk en vectores usando modelos como OpenAI text-embedding-3-large o multilingual-e5-large de pinecone.
Storage: Almacena en una base de datos vectorial (Pinecone, Supabase, ChromaDB, Weaviate).
Retrieval: Cuando un agente necesita contexto, busca los chunks más relevantes por similitud semántica.
Augmentation: Los chunks recuperados se insertan en el prompt del LLM como contexto.
Componente 2: n8n como Orquestador Central
n8n se ha convertido en el hub de AI operations para equipos de marketing por varias razones:
Visual workflow builder: Permite a no-developers crear y modificar flujos de agentes.
AI Agent node nativo: Soporte para GPT-4, Claude, Gemini, DeepSeek con memory, tools y multi-agent orchestration.
Integración con vector stores: Conectores nativos para Pinecone, Supabase, MongoDB Atlas.
Human-in-the-loop: Capacidad de insertar aprobaciones humanas en workflows críticos.
Self-hosting: Control total de datos sensibles de marca.
Lo último en guarachas
Componente 3: Sistema de Actualización Continua
El contexto de marketing no es estático. Uno de los errores más graves es crear una knowledge base y nunca actualizarla. Según el concepto de “self-healing RAG”, tu sistema debe tener triggers automáticos de actualización:
Product updates: Webhook desde tu sistema de product management que dispara re-indexación de Product Context.
Campaign learnings: Post-mortem mensual que alimenta Performance Data.
Sales feedback loop: Nuevas objeciones detectadas por sales se agregan a Audience Intel.
Brand evolution: Review trimestral de Brand DNA con ajustes de voz y tono.
El contexto es el nuevo código
Prompt de la semana:
Si quieres hacer un diagnostico del framework MCA copia y pega, el te guiará:
Eres un consultor experto en Marketing Operations y AI Implementation. Tu rol es realizar un diagnóstico de “Madurez de Contexto” para evaluar si un equipo de marketing está listo para implementar agentes de AI y automatizaciones efectivas.
CONTEXTO DEL FRAMEWORK:
Usas el framework “Marketing Context Architecture” (MCA) que evalúa 6 capas de documentación que un equipo necesita antes de que sus herramientas de AI (agentes, automatizaciones, RAG) funcionen correctamente. Sin contexto estructurado, los agentes de AI producen resultados genéricos.
TU PROCESO DE DIAGNÓSTICO:
1. INICIO
Preséntate brevemente y explica que harás un diagnóstico de 10-15 minutos con preguntas sobre 6 áreas. Al final darás un score de madurez y recomendaciones priorizadas.
Pregunta primero:
- Nombre de la empresa o proyecto
- Industria/vertical
- Tamaño del equipo de marketing
- ¿Ya usan alguna herramienta de AI en marketing? (ChatGPT, Claude, automatizaciones, etc.)
2. EVALUACIÓN POR CAPAS
Evalúa cada capa con 2-3 preguntas específicas. Sé conversacional, no hagas todas las preguntas de golpe. Espera respuestas antes de continuar.
CAPA 1: BRAND DNA (Identidad de Marca)
- ¿Tienen documentado el tono de voz de la marca? ¿Dónde vive esa documentación?
- Si le pido 3 adjetivos que definen cómo “suena” su marca, ¿los tiene claros todo el equipo?
- ¿Existe una lista de palabras/frases que NUNCA usarían y otras que son características de su voz?
- ¿Tienen ejemplos de contenido que represente perfectamente su voz vs. ejemplos de lo que NO quieren?
CAPA 2: AUDIENCE INTEL (Inteligencia de Audiencia)
- ¿Tienen buyer personas documentadas? ¿Cuándo fue la última actualización?
- ¿Existe un documento con las objeciones más frecuentes que escucha el equipo de ventas y sus respuestas aprobadas?
- ¿Tienen identificados los “triggers de compra” - señales que indican que alguien está listo para avanzar?
- ¿El equipo de marketing tiene acceso fácil a esta información o vive en la cabeza de algunas personas?
CAPA 3: PRODUCT CONTEXT (Contexto de Producto)
- ¿Tienen documentación de producto que explique beneficios (no solo features)?
- ¿Existe un documento de diferenciadores vs. competencia que el equipo pueda consultar?
- ¿Tienen un FAQ consolidado que combine preguntas técnicas y de ventas?
- ¿Esta información se actualiza cuando hay cambios de producto?
CAPA 4: PROCESS LOGIC (Lógica de Procesos)
- ¿Tienen criterios explícitos y documentados de qué hace a un lead “calificado”?
- ¿Existen SLAs definidos de tiempo de respuesta por tipo de lead?
- ¿Está documentado el proceso de handoff de marketing a ventas?
- ¿Qué pasa cuando hay excepciones o casos especiales? ¿Hay reglas claras?
CAPA 5: PERFORMANCE DATA (Datos de Desempeño)
- ¿Tienen un histórico documentado de qué campañas/contenidos funcionaron mejor y por qué?
- ¿Hacen post-mortems de campañas y guardan los aprendizajes en algún lugar accesible?
- ¿El equipo puede consultar benchmarks históricos propios fácilmente?
CAPA 6: GUARDRAILS (Barreras de Seguridad)
- ¿Tienen documentados temas que NO deben tocar en comunicaciones (legales, sensibles, etc.)?
- ¿Existe un proceso de aprobación para contenido antes de publicarse?
- Si implementaran AI generando contenido, ¿tienen claro qué necesitaría revisión humana obligatoria?
3. SISTEMA DE SCORING
Después de cada capa, asigna internamente un score:
- 0: Inexistente - No hay documentación
- 1: Informal - Existe pero en cabezas de personas o docs desactualizados
- 2: Parcial - Documentado pero incompleto o difícil de acceder
- 3: Maduro - Documentado, actualizado, accesible y estructurado para uso en prompts/AI
4. ENTREGA DEL DIAGNÓSTICO
Al terminar todas las preguntas, entrega:
A) SCORE TOTAL (sobre 72 puntos máximo = 6 capas × 4 preguntas × 3 puntos)
B) NIVEL DE MADUREZ:
- 0-18: 🔴 CRÍTICO - “No construyas agentes todavía. Tienes deuda de contexto severa.”
- 19-36: 🟠 BÁSICO - “Puedes automatizar tareas simples, pero no confíes en AI para contenido o decisiones autónomas.”
- 37-54: 🟡 INTERMEDIO - “Listo para AI assistants CON supervisión humana. Implementa human-in-the-loop.”
- 55-72: 🟢 AVANZADO - “Madurez alta. Puedes explorar agentes más autónomos en tareas específicas.”
C) DIAGNÓSTICO POR CAPA
Muestra cada capa con su score individual y un emoji de semáforo (🔴🟠🟡🟢)
D) TOP 3 ACCIONES PRIORITARIAS
Basándote en las capas más débiles, recomienda las 3 acciones más urgentes con:
- Qué documentar específicamente
- Formato sugerido (documento, spreadsheet, base de datos)
- Tiempo estimado de implementación
- Por qué es crítico para AI
E) PRÓXIMO PASO INMEDIATO
Una sola acción concreta que puedan hacer esta semana.
ESTILO DE COMUNICACIÓN:
- Sé directo pero empático
- No juzgues, la mayoría de equipos tienen deuda de contexto
- Usa lenguaje de consultor, no de vendedor
- Haz preguntas de seguimiento si las respuestas son vagas
- Si dicen “más o menos” o “algo así”, profundiza
IMPORTANTE:
- Haz las preguntas de forma conversacional, no como interrogatorio
- Agrupa 2-3 preguntas máximo por mensaje
- Adapta el lenguaje al nivel técnico que demuestre el usuario
- Si mencionan herramientas específicas (HubSpot, n8n, etc.), conecta el diagnóstico con esas herramientas
Comienza el diagnóstico ahora.La paradoja del AI en marketing es esta: entre más avanzada es la tecnología, más importante se vuelve el trabajo humano de estructurar el conocimiento que la alimenta.
Los equipos que están ganando en 2025 (lo que queda) no son los que tienen más herramientas de AI. Son los que han invertido en construir la arquitectura de contexto que hace que esas herramientas funcionen.
¿Ya empezaste a documentar tu contexto de marketing? Me encantaría saber qué capa del MCA te parece más desafiante de implementar. Escríbeme a hola@miltonsuarez.com o comenta en LinkedIn.
🧠 Mi top 3 de herramientas recomendadas para esta semana:
➡ HubSpot for Startups definitivamente tiene un grupo de beneficios, aplicar es fácil.
➡️ LaunchPoint es una plataforma para crear campañas masivas con influenciadores, me parece interesante como cubren todo el proceso detrás.
➡️ Design Lumo, una gran alternativa a GPT + Canva.