--- title: "IA y data marketing: por dónde empezar | experiencia 2026" description: "Dos años de sistemas de IA implantados en clientes de datos y marketing: lo que hemos aprendido, lo que recomendamos y por dónde empezar para invertir bien." url: https://edgeangel.co/es/notes/ia-data-marketing lang: es --- > Índice del sitio para agentes, que conviene leer antes de explorar: https://edgeangel.co/llms.txt > Página HTML de referencia, que incluye además los esquemas y los elementos visuales: https://edgeangel.co/es/notes/ia-data-marketing [Nota de expertos](https://edgeangel.co/es/notes) [IA para marketing](https://edgeangel.co/es/notes?category=ai-marketing) # IA y data marketing: por dónde empezar Olivier Chubilleau • 31 de julio de 2026 Publicado el 15 ene 2025 Seis meses. Es, más o menos, el tiempo que transcurre en muchos de nuestros clientes entre una demo de IA que impresiona a todo el comité de dirección y el abandono discreto de la herramienta que debía sostenerla. Lo hemos visto repetirse las veces suficientes como para que ya no nos sorprenda. Casi siempre, el problema está en la falta de todo lo que debería rodear al modelo: los datos, los casos de uso, las reglas, la adopción. En [EdgeAngel](https://edgeangel.co/es/a-propos/agence), consultora de data marketing, implantamos estos sistemas para nuestros clientes (anunciantes, pymes y grandes cuentas) y los usamos nosotros mismos en producción desde hace más de dos años. Esta nota recoge lo que hemos aprendido. Algunos consejos estarán caducados dentro de un año; la lógica que hay detrás seguirá vigente: elegir una plataforma y construir en ella casos de uso en forma de assets personalizados, portables y gobernados. Vamos en este orden: el panorama de soluciones, qué activar según tu tamaño, cómo nos organizamos nosotros, un caso de uso real de principio a fin y por dónde empiezas tú. ## El panorama de soluciones de IA: cuatro familias que conviene conocer El panorama cambia cada trimestre. Los nombres citados aquí son del verano de 2026, algunos habrán cambiado cuando leas estas líneas, y así debe ser: lo que cuenta es el criterio de lectura, que dura más que la clasificación del momento. Para casos de uso de datos y marketing en la empresa, distinguimos cuatro familias. **La automatización de flujos con módulos de IA** (n8n, Make, Zapier) encadena acciones entre herramientas: un formulario rellenado desencadena un email, una fila en una hoja de cálculo, y así sucesivamente, con IA añadida por encima. Zapier ha lanzado sus Agents en más de 8000 aplicaciones conectadas, Make tiene su Maia y n8n integra nodos de IA de forma nativa. Nuestra lectura: útil para automatizaciones ya probadas, pero en 2026 no invertiríamos ahí en primer lugar. Estos flujos se mantienen mal, cada cambio de API rompe algo, y un flujo rígido encaja mal con lo que mejor sabe hacer un agente: entender un contexto y adaptarse. Es el enfoque que envejece más rápido de los cuatro. **Las plataformas de IA y agénticas** son hoy el centro de gravedad. Son los entornos donde se gobiernan agentes: se conectan a las herramientas de la empresa mediante MCP (el estándar que hace de enchufe universal entre un agente y tu software), integran assets compartidos (agentes, skills, plugins) y ofrecen la administración que los acompaña: permisos, seguridad, seguimiento de costes. Hay que distinguir dos subgrupos. Primero, las generalistas: Claude de Anthropic (planes Team y Enterprise), ChatGPT de OpenAI, Gemini Enterprise de Google con su capa de creación de agentes sin código, y Microsoft Copilot para el universo 365. Ahí se decide la elección de plataforma para la mayoría de las empresas. Después, las integradas, nativas de un software de negocio: Salesforce Agentforce para quien vive en ese CRM, Notion y sus Custom Agents (más de un millón creados desde febrero de 2026). Potentes en su ámbito, sirven de plataforma central a las organizaciones cuyo corazón ya es ese software. Un hecho lo estructura todo: todos estos actores han convergido hacia MCP, lanzado por Anthropic y adoptado después por OpenAI y Google en 2025. En la práctica, el trabajo que inviertes en conectar tus datos sigue siendo en gran parte portable de una plataforma a otra. **El ecosistema IDE** (Claude Code, Cursor, Codex) hace trabajar al agente directamente en los archivos y el código. Nacido para los desarrolladores, desborda ampliamente su público original: es el puesto de mando donde se construyen los conectores y las skills, y donde los perfiles de datos obtienen hoy las mejoras más espectaculares. El punto de partida de un CMO está en otra parte. Su equipo de datos, en cambio, pasará allí sus jornadas. **El custom**, por último: front propio, back propio, modelos llamados por API o desplegados en infraestructura propia. Control máximo y también coste de propiedad máximo, porque se vuelve a desarrollar lo que las plataformas ya ofrecen de serie, y la distancia se estrecha con cada nueva versión. Justificado para un producto destinado a tus clientes, o ante fuertes restricciones de soberanía o de volumen. Como base interna de un equipo de marketing, lo reservamos para casos de uso puntuales y bien identificados. Hacer de él la columna vertebral de tu sistema es algo que desaconsejamos. Familia Ejemplos Para qué Nuestra lectura Automatización de flujos con módulos de IA n8n Make Zapier Encadenar acciones ya estabilizadas entre herramientas Útil en terreno conocido, no es el primer proyecto que lanzar en 2026 Plataformas de IA y agénticas Claude ChatGPT Gemini Enterprise Copilot Agentforce Notion Gobernar agentes conectados a tus herramientas, con permisos y seguridad Aquí se decide la elección de plataforma para la mayoría de las empresas Ecosistema IDE Claude Code Cursor Codex Construir conectores y skills, trabajar en el código Imprescindible para el equipo de datos, no es el punto de partida de un CMO Custom API de los modelos Desarrollos propios Producto diferenciador, fuertes restricciones de soberanía o de volumen Algunos casos de uso justificados, rara vez toda una base de marketing Automatización de flujos con módulos de IA Ejemplos n8n Make Zapier Para quéEncadenar acciones ya estabilizadas entre herramientas Nuestra lecturaÚtil en terreno conocido, no es el primer proyecto que lanzar en 2026 Plataformas de IA y agénticas Ejemplos Claude ChatGPT Gemini Enterprise Copilot Agentforce Notion Para quéGobernar agentes conectados a tus herramientas, con permisos y seguridad Nuestra lecturaAquí se decide la elección de plataforma para la mayoría de las empresas Ecosistema IDE Ejemplos Claude Code Cursor Codex Para quéConstruir conectores y skills, trabajar en el código Nuestra lecturaImprescindible para el equipo de datos, no es el punto de partida de un CMO Custom Ejemplos API de los modelos Desarrollos propios Para quéProducto diferenciador, fuertes restricciones de soberanía o de volumen Nuestra lecturaAlgunos casos de uso justificados, rara vez toda una base de marketing ## Datos y marketing: qué activar según tu tamaño En las grandes cuentas y en las empresas ya maduras en este tema, la cuestión suele decidirse en otro sitio. Directrices corporativas, promovidas por IT y seguridad, enmarcan la elección entre plataforma de IA empresarial y custom, a menudo las dos a la vez. En ese caso, nuestro papel es construir los casos de uso de marketing y datos dentro del marco fijado, sobre una elección de infraestructura que ya está hecha. Para las micropymes y pymes, y para las direcciones de marketing que conservan el control de sus decisiones, dos recomendaciones, y las asumimos. **La primera: avanza con una plataforma de IA que te encaje**, en un plan de empresa, Team o Enterprise según el alcance del despliegue. Claude, ChatGPT, Gemini Enterprise: las tres son serias. Este plan es obligatorio: es el que aporta el compromiso de no usar tus datos para entrenar los modelos, la gestión centralizada de los accesos y el uso compartido de assets con todo el equipo. La elección entre las tres depende sobre todo de lo que ya tienes, suite de Google o de Microsoft, sensibilidad de tus equipos, más que de una clasificación absoluta: los modelos punteros están a la par, como mucho con seis meses de diferencia, y todos progresan. **La segunda: construye tus casos de uso en forma de assets**, no de prompts que viven en la cabeza de una sola persona. Un caso de uso que se mantiene en el tiempo cumple cinco condiciones. - Está **personalizado** para tu negocio, tus definiciones, tus reglas, tus sutilezas: ese nivel de detalle es lo que hace acertada la respuesta. - Es **agnóstico y portable**: archivos versionados, estándares abiertos, nada que viva únicamente en la interfaz de un proveedor. - Se **comparte con la organización**, con un responsable identificado que lo mantiene. - Es **seguro**: permisos de acceso, ningún secreto en claro, escrituras sensibles bloqueadas, consumos monitorizados. - Y está **adoptado**: se empieza en pequeño, se itera con los usuarios, se mide. Hay que contrastarlo con tu contexto, pero es la estructura que encontramos en los sistemas que duran más de seis meses en nuestros clientes. ## Cómo nos organizamos en EdgeAngel Nuestro sistema se apoya en dos piezas. **Claude, en plan de empresa, es la plataforma donde trabaja el equipo.** Las reglas corporativas y la ciberseguridad se configuran para toda la organización: accesos, permisos, ningún identificador en claro gracias a un gestor de secretos, acciones de escritura en las herramientas de los clientes bloqueadas por defecto. **GitHub es nuestro cofre de assets.** Todas nuestras configuraciones de conectores y todos nuestros casos de uso están ahí versionados, revisados y distribuidos automáticamente a los ordenadores del equipo. Para nosotros, un saber hacer existe cuando está en el repo. Dos términos técnicos, dos imágenes sencillas. - **MCP** es el estándar que conecta un agente con tus herramientas (plataformas publicitarias, analítica, data warehouse) para buscar el contexto adecuado en el momento adecuado: una especie de enchufe universal. - **Las skills**, agrupadas en plugins, son archivos que codifican nuestros casos de uso de marketing y datos: cómo se hace un informe mensual, cómo se audita una cuenta, con qué reglas y con qué datos. Dos puntos que, a nuestro juicio, lo cambian todo. Compartimos estos assets con nuestros clientes: acceden a sus datos y a sus casos de uso en su propio entorno, con el mismo nivel de reglas que nosotros. Y la portabilidad la hemos probado de verdad: usábamos de forma intensiva el entorno agéntico de Google y migramos a Claude en menos de un día, todo el equipo, sin reescribir nuestros assets. Estaban en GitHub, y las conexiones eran MCP estándar. Si mañana hay que volver a cambiar de proveedor, podemos. Es un criterio de diseño que fijamos el primer día. Dos piezas, compartidas con el equipo y con los clientes la organización de EdgeAngel, resumida 1 · La plataforma Claude, en plan de empresa Donde trabaja el equipo. Reglas corporativas y ciberseguridad configuradas para toda la organización. accesos y permisos cero identificadores en claro escrituras bloqueadas 2 · El cofre de assets GitHub Conectores y casos de uso versionados y revisados, como el código. conectores MCP skills y plugins historial y revisión distribución automática El equipo Los consultores de EdgeAngel Cada ordenador recibe los mismos conectores y las mismas skills, actualizados. Una mejora beneficia a todos. Nuestros clientes En su propio entorno Sus datos, sus casos de uso, el mismo nivel de reglas que nosotros. Archivos y estándares abiertos: todo se mantiene si cambias de proveedor. EdgeAngel ## Un caso de uso real: cuando los datos de marketing responden con acierto El caso de uso que más valor crea hoy en nuestros clientes tiene tres niveles, y el primero ni siquiera habla de IA. **Nivel uno, centralizar y documentar.** Los datos de marketing del cliente (medios, analítica, CRM, back-office) llegan cada día a su data warehouse, casi siempre BigQuery, a través de [Capture](https://edgeangel.co/es/solutions/capture), nuestra herramienta ETL propia: sincronización diaria, normalización, conservación del histórico. Por encima construimos una capa semántica, la documentación que define cada métrica y deja por escrito las sutilezas de cada fuente. Un ejemplo real, sacado de la cuenta de un cliente: la detección del país se hace por pattern matching (una regla que localiza el país en el nombre de la campaña, letra a letra, respetando mayúsculas y minúsculas) y una regla de respaldo sobre otra fuente cuando falta el patrón, para evitar falsos positivos. Es ese tipo de detalle, puesto por escrito, lo que separa una cifra correcta de una cifra falsa. ![El camino de los datos en nuestros clientes, de las fuentes de medios y analítica hasta los agentes, a través de Capture y un data warehouse BigQuery documentado.](https://edgeangel.co/assets/notes/ia-data-marketing/schema-etl-capture.webp) El camino de los datos en nuestros clientes, de las fuentes de medios y analítica hasta los agentes, a través de Capture y un data warehouse BigQuery documentado. **Nivel dos, exponer los datos a los agentes.** Este data warehouse documentado está conectado a Claude y a las herramientas de dataviz conversacional. El agente puede entonces buscar con precisión, sin alucinar. Lo que lo hace fiable es la documentación que lee: definiciones escritas por personas que conocen la cuenta. El mismo agente conectado a las tablas en bruto, sin esa capa, respondería rápido. Y mal. ![Extracto real del esquema de BigQuery de un cliente (anonimizado): cada campo está descrito a mano, hasta la regla que detecta el país en el nombre de la campaña.](https://edgeangel.co/assets/notes/ia-data-marketing/bq-couche-semantique-annote.webp) Extracto real del esquema de BigQuery de un cliente (anonimizado): cada campo está descrito a mano, hasta la regla que detecta el país en el nombre de la campaña. **Nivel tres, codificar los usos en skills.** Cada mes, un consultor escribe un comando, `/bilan`, seguido de una instrucción en lenguaje corriente. El agente carga el contexto (skills, ficha del cliente, historial de los informes anteriores), consulta el data warehouse y las plataformas publicitarias, analiza las tendencias por país y por canal y genera el informe maquetado, listo para enviar. ![Conversación real en Claude, cifras anonimizadas: del contexto cargado en el agente al informe mensual generado, listo para enviar.](https://edgeangel.co/assets/notes/ia-data-marketing/capture-agent-bilan-annote.webp) Conversación real en Claude, cifras anonimizadas: del contexto cargado en el agente al informe mensual generado, listo para enviar. Lo que cambia, en concreto: - informes más finos que antes con el mismo esfuerzo; - análisis que nunca habríamos tenido tiempo de hacer: cruzar segmentos, descomponer una variación, buscar una anomalía en todo un histórico; - y tiempo de consultor reinvertido donde más cuenta, en la interpretación y la priorización de las acciones. Estos assets los crean y los mantienen nuestros expertos. Todo esto se apoya en dos requisitos previos. - **Unos datos fiables**: [el tracking y la recogida de datos](https://edgeangel.co/es/data-foundations/web-tracking) se trabajan primero, y son un oficio en sí mismos. - **Y una arquitectura agéntica documentada**, que moviliza la skill adecuada y el contexto adecuado en el momento adecuado. Sin ella, un agente se queda en lo plausible y produce, de forma mecánica y regular, respuestas falsas. ## Por dónde empezar, en concreto Dos etapas, en este orden. **Primero, identifica los casos de uso que crean valor en tu empresa.** Hay dos yacimientos que explorar: el rendimiento de tus campañas y el tiempo que pierdes en tareas repetitivas. - reporting e informes; - identificación de oportunidades de medios; - análisis del rendimiento; - medición de la eficacia publicitaria; - detección de anomalías en la web; - vigilancia competitiva. Son pistas que conviene revisar una a una. El buen filtro cabe en una pregunta. ¿Qué se hace hoy a mano, de forma repetitiva, por personas competentes? Eso se puede aumentar con IA. **Después, despliega una plataforma de IA y traduce esos casos de uso en assets agénticos, de forma progresiva.** Un plan de empresa, un primer conector a tus datos, un primer caso de uso codificado, iteraciones con los equipos que lo usan. Sin cambios bruscos: se avanza paso a paso, y cada asset que crea valor en un uso real abre el camino al siguiente. EdgeAngel acompaña a sus clientes en el [data marketing aumentado por la IA](https://edgeangel.co/es/marketing-activation/ai-marketing). Nuestros consultores construyen y mantienen los assets agénticos, conexión a los datos, casos de uso, reglas de seguridad, que mejoran el rendimiento en toda la cadena de marketing, de la recogida de datos a la gestión de las campañas. ## Preguntas frecuentes ### ¿Qué plataforma de IA elegir para una pyme? Depende de lo que ya tengas: con la suite de Google, Gemini Enterprise; con la suite de Microsoft, Copilot. Sin una preferencia clara, Claude y ChatGPT están a la par, con pocos meses de diferencia. El punto innegociable sigue siendo el plan de empresa, Team o Enterprise según tu tamaño. ### ¿Hace falta un data warehouse antes de empezar? Sí, es claramente recomendable en cuanto cruzas datos (medios, CRM, analítica). Con datos sin centralizar ni documentar, un agente responde rápido y desacertado: conectarlo a tus herramientas sin contexto es la forma más segura de obtener análisis y recomendaciones que no vienen al caso. ### ¿Basta con una herramienta no-code (n8n, Make, Zapier)? Para automatizaciones ya estabilizadas, a menudo sí. Para un uso que exige adaptarse al contexto, cuesta mantenerla en el tiempo. ## Fuentes y referencias - [Model Context Protocol (MCP): el estándar, iniciado por Anthropic](https://modelcontextprotocol.io/) - [Claude para organizaciones, planes Team y Enterprise (Anthropic)](https://www.anthropic.com/enterprise) - [ChatGPT para empresas (OpenAI)](https://openai.com/business/) - [Gemini Enterprise (Google Cloud)](https://cloud.google.com/gemini-enterprise?hl=es) - [Microsoft 365 Copilot (Microsoft)](https://www.microsoft.com/en-us/microsoft-365-copilot) - [Zapier Agents (Zapier)](https://zapier.com/agents) - [Maia, el asistente de IA de Make (Make)](https://www.make.com/en/blog/waves-make-product-releases-2025) - [IA nativa en n8n (n8n)](https://n8n.io/ai/) - [Notion AI y agentes (Notion)](https://www.notion.com/product/ai) - [Agentforce (Salesforce)](https://www.salesforce.com/agentforce/) Hablar de tu proyecto Una primera conversación para identificar tus casos de uso y por dónde empezar en tu empresa. El detalle de nuestro trabajo está en la página [AI-Powered Marketing](https://edgeangel.co/es/marketing-activation/ai-marketing). [Contacta con nosotros](https://edgeangel.co/es/contact) ```json {"@context":"https://schema.org","@type":"Organization","name":"EdgeAngel","url":"https://edgeangel.co","logo":"https://edgeangel.co/assets/brand/edgeangel-logo.svg","sameAs":["https://www.linkedin.com/company/edgeangel"],"contactPoint":{"@type":"ContactPoint","email":"hello@edgeangel.co","telephone":"+33 1 84 16 42 20","contactType":"customer service"}} {"@context":"https://schema.org","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"name":"Inicio","item":"https://edgeangel.co/es"},{"@type":"ListItem","position":2,"name":"Recursos","item":"https://edgeangel.co/es/notes"},{"@type":"ListItem","position":3,"name":"IA para marketing","item":"https://edgeangel.co/es/notes?category=ai-marketing"},{"@type":"ListItem","position":4,"name":"IA y data marketing: por dónde empezar","item":"https://edgeangel.co/es/notes/ia-data-marketing"}]} {"@context":"https://schema.org","@type":"Article","headline":"IA y data marketing: por dónde empezar | experiencia 2026","description":"Dos años de sistemas de IA implantados en clientes de datos y marketing: lo que hemos aprendido, lo que recomendamos y por dónde empezar para invertir bien.","image":"https://edgeangel.co/assets/notes/ia-data-marketing/hero-paysage-ia-og.jpg","author":{"@type":"Person","name":"Olivier Chubilleau"},"publisher":{"@type":"Organization","name":"EdgeAngel","logo":{"@type":"ImageObject","url":"https://edgeangel.co/assets/brand/edgeangel-logo.svg"}},"datePublished":"2025-01-15","dateModified":"2026-07-31","mainEntityOfPage":{"@type":"WebPage","@id":"https://edgeangel.co/es/notes/ia-data-marketing"}} {"@context":"https://schema.org","@type":"FAQPage","mainEntity":[{"@type":"Question","name":"¿Qué plataforma de IA elegir para una pyme?","acceptedAnswer":{"@type":"Answer","text":"Depende de lo que ya tengas: con la suite de Google, Gemini Enterprise; con la suite de Microsoft, Copilot. Sin una preferencia clara, Claude y ChatGPT están a la par, con pocos meses de diferencia. El punto innegociable sigue siendo el plan de empresa, Team o Enterprise según tu tamaño."}},{"@type":"Question","name":"¿Hace falta un data warehouse antes de empezar?","acceptedAnswer":{"@type":"Answer","text":"Sí, es claramente recomendable en cuanto cruzas datos (medios, CRM, analítica). Con datos sin centralizar ni documentar, un agente responde rápido y desacertado: conectarlo a tus herramientas sin contexto es la forma más segura de obtener análisis y recomendaciones que no vienen al caso."}},{"@type":"Question","name":"¿Basta con una herramienta no-code (n8n, Make, Zapier)?","acceptedAnswer":{"@type":"Answer","text":"Para automatizaciones ya estabilizadas, a menudo sí. Para un uso que exige adaptarse al contexto, cuesta mantenerla en el tiempo."}}]} ```