El Director de Marketing Comparte Cómo Usar la IA como un Bucle de Aprendizaje y Experimentación

Lomit Patel es un ejecutivo de crecimiento y marketing, actualmente CMO en TYB (Try Your Best). También es el autor de Lean AI.

Conversamos con Lomit para aprender cómo está convirtiendo las operaciones de marketing en un ciclo continuo de aprendizaje y experimentación. Esto fue lo que nos dijo.

El marketing está siendo redefinido

He pasado los últimos 20+ años ayudando a escalar empresas como Roku, IMVU, TrustedID y Texture. Actualmente, soy CMO en TYB (Try Your Best), donde lidero una organización de marketing ágil y de alta velocidad construida en torno a una creencia central: la comunidad no es un canal, es un sistema de lanzamiento al mercado.

En cada uno de estos cargos, he construido consistentemente sistemas que conectan el conocimiento del cliente con resultados comerciales medibles. Al principio de mi carrera, el crecimiento se basaba principalmente en el canal. Optimizabas campañas, probabas creatividades y escalabas lo que funcionaba. Pero incluso entonces, me enfocaba en algo más profundo: cómo utilizar los datos y la experimentación para eliminar suposiciones e incrementar la velocidad de decisiones en todo el embudo.

Esa forma de pensar evolucionó en una perspectiva más amplia que exploré en mi libro Lean AI, donde me centré no solo en usar IA para la eficiencia, sino en rediseñar cómo funcionan los sistemas de crecimiento.

En IMVU, por ejemplo, pasamos de la optimización manual a la orquestación impulsada por IA de los recorridos de usuario, pruebas creativas y engagement durante el ciclo de vida. Mi objetivo siempre fue el mismo: aumentar la velocidad y calidad del aprendizaje, mejorando al mismo tiempo la retención y el valor de vida del cliente (LTV).

Hoy, como CMO en TYB, ese cambio se ha acelerado completamente. La IA ya no es solo una herramienta en el stack; está convirtiéndose en la capa operativa del marketing moderno. Estamos pasando del pensamiento de campañas al pensamiento sistemático, donde señales, automatización e inteligencia creativa interactúan continuamente en tiempo real.

Lo que más me entusiasma es que el marketing está siendo fundamentalmente redefinido. Estamos pasando de operadores de canales y narradores de historias a arquitectos de sistemas inteligentes de crecimiento que aprenden, se adaptan y escalan el impacto en adquisición, engagement y monetización.

Cómo la IA ha convertido el marketing en un sistema de aprendizaje en tiempo real

La IA ha desafiado tres grandes supuestos en el marketing:

1. En un entorno habilitado por IA, la eficiencia de canal se convierte más en una base que en un cuello de botella. El sistema que lo rodea es lo que diferencia el desempeño: qué tan rápido puedes detectar la intención, interpretar el comportamiento, generar hipótesis y adaptar los mensajes o las experiencias de producto en respuesta.
2. La IA nos mostró que los segmentos no son lo suficientemente estables como para ser la base de estrategias de marketing. Los modelos de segmentación tradicionales asumen grupos de usuarios relativamente fijos para enviar mensajes consistentes. Con la IA, ahora vemos que el comportamiento del usuario es mucho más fluido. La intención cambia rápidamente y los segmentos estáticos suelen ir por detrás de la realidad. Esto nos empujó hacia una agrupación dinámica, en constante actualización, basada en el comportamiento.
3. Las campañas ya no son la unidad central de ejecución en marketing. Las campañas suponen un inicio, un final y un ciclo de evaluación. La IA nos llevó hacia sistemas siempre activos donde los experimentos se ejecutan continuamente, el aprendizaje es incremental y la optimización es constante en lugar de episódica.

En otras palabras, el marketing es un sistema de aprendizaje en tiempo real donde la velocidad de interpretación y adaptación importan más que la planificación estática o una segmentación perfecta.

Cómo la IA remodela los procesos de marketing

Así que, hemos pasado de la planificación de campañas estáticas a la experimentación continua, impulsada por señales, en todo el sistema de marketing.

Históricamente, planeábamos las campañas en ciclos. Definíamos mensajes, creábamos conjuntos creativos, lanzábamos y después analizábamos los resultados tras un retraso significativo. Ese modelo es demasiado lento en un entorno nativo de IA porque el comportamiento del usuario y las señales de intención evolucionan rápidamente.

Hemos introducido un flujo de trabajo de crecimiento asistido por IA que convierte de manera continua señales de comportamiento en tiempo real en experimentos desencadenados y mensajes adaptativos a lo largo de los canales de ciclo de vida, contenido y rendimiento. En lugar de esperar a que termine una campaña, ahora tratamos cada señal significativa de usuario, comportamiento de incorporación, participación en la comunidad y actividad de creadores como insumos para informar de inmediato la próxima mejor acción.

En la práctica, esto ha transformado la manera en que operan los equipos. La iteración creativa es más rápida porque la IA ayuda a generar y probar variaciones de manera continua. El marketing de ciclo de vida es más dinámico porque la mensajería ya no está ligada a segmentos fijos sino a agrupaciones de comportamiento que evolucionan. Y las señales de intención dentro del producto cada vez informan más al marketing de rendimiento, no solo a la segmentación a nivel de plataforma.

Sin embargo, el cambio más grande es cultural. El marketing ya no se organiza en torno a campañas. Se organiza en torno a un ciclo de aprendizaje continuo donde la IA nos ayuda a detectar señales, generar hipótesis y escalar lo que funciona casi en tiempo real.

Un Flujo de Trabajo de Crecimiento Asistido por IA

Lomit comparte

En lugar de depender de personas estáticas o etapas fijas del ciclo de vida, utilizamos IA para identificar patrones como “alta intención pero baja activación,” “participantes activos con bajo riesgo de abandono,” o “nuevos usuarios que muestran un comportamiento temprano de defensa de la marca.”

Así es el flujo de trabajo:

1. Todo comienza con señales de comportamiento en tiempo real dentro del producto y la capa de comunidad. Seguimos acciones como el progreso en la incorporación, la profundidad de la participación, la actividad de los creadores y los patrones de engagement. El cambio clave es que estas señales ya no son solo paneles de analítica; ahora son insumos estructurados dentro de nuestro sistema de marketing. Herramientas: Segment para la recopilación y enrutamiento de eventos, Amplitude para analítica de comportamiento y Snowflake como columna vertebral del almacén de datos.
2. A continuación, la IA nos ayuda a agrupar e interpretar esas señales en segmentos de intención dinámicos. En lugar de depender de personas estáticas o etapas fijas del ciclo de vida, usamos IA para identificar patrones como “alta intención pero baja activación”, “participantes activos con bajo riesgo de abandono” o “nuevos usuarios que demuestran defensa temprana.” Estos segmentos evolucionan constantemente según el comportamiento en vivo. Herramientas: BigQuery y modelos de Python/ML para construir características de comportamiento, con OpenAI (GPT) para etiquetar e interpretar los patrones de intención emergentes.
3. Después de formar esos clusters, la IA nos asiste en la generación de hipótesis y dirección creativa. Para cada segmento, identificamos el mensaje con mayor probabilidad de influir en el comportamiento, y la IA ayuda a generar variaciones en el texto, "gancho" y ángulos de contenido. No se trata de una producción totalmente automatizada, pero aumenta considerablemente la velocidad de exploración de caminos de mensajes. Herramientas: ChatGPT y Claude para generar ángulos de mensajería, ganchos y variaciones de posicionamiento, con Notion AI para organizar y mantener una biblioteca creativa siempre actualizada.
4. Luego utilizamos estos resultados para realizar experimentación continua en puntos de contacto de ciclo de vida, pagos y comunidad. En lugar de campañas aisladas, desplegamos constantemente pruebas pequeñas e iterativas, ajustando mensajes, creatividad y cronología según señales de rendimiento en tiempo real. Herramientas: Braze para experimentos de ciclo de vida, Optimizely para pruebas A/B en producto y web, y LaunchDarkly para activación de funcionalidades y lanzamientos controlados.
5. Por último, y lo más importante, el sistema cierra el ciclo con síntesis de aprendizaje asistida por IA. No solo analizamos qué funcionó mejor; usamos IA para descubrir por qué ciertos mensajes o recorridos funcionaron para segmentos específicos. Esos aprendizajes informan directamente la lógica de segmentación actualizada, los marcos de mensajes y las decisiones de marketing informadas por el producto. Herramientas: Amplitude para insights de comportamiento, Looker para reportes estructurados y Claude para sintetizar aprendizajes en marcos narrativos y de decisión.

Cómo la renovación mediante IA beneficia a los marketers

En el lado positivo, el mayor impacto de la IA ha sido la velocidad y la capacidad de prueba de experimentos. Hemos incrementado significativamente la cantidad de experimentos creativos y de ciclo de vida que podemos ejecutar en un período, porque la IA reduce la fricción al generar variantes, probar mensajes y iterar a partir del rendimiento de las primeras señales. Esto se ha traducido en ciclos de aprendizaje más rápidos tanto en los programas de adquisición como de retención.

También hemos visto mejoras en la eficiencia de conversión impulsadas por un mejor uso de señales. Al conectar el comportamiento dentro del producto y de la comunidad con la activación de marketing, respondemos a la intención mucho antes en el recorrido del usuario. Eso ha mejorado la calidad del flujo de tráfico a activación y ha fortalecido la retención posterior, porque los usuarios reciben puntos de contacto más relevantes contextualmente.

Otro beneficio claro es la reducción de dependencia en la segmentación rígida y el análisis manual. La agrupación impulsada por IA y la generación de insights nos permiten avanzar hacia definiciones de audiencias dinámicas, que reflejan mejor cómo se comportan los usuarios y no solo cómo los agrupábamos históricamente.

El riesgo de avanzar rápido con insights de IA

En un plano más matizado, también hemos tenido que ajustar las expectativas respecto al ruido en las señales y la sobreautomatización.

Al principio, tendíamos a actuar sobre demasiados insights generados por IA demasiado rápido, creando fragmentación en los mensajes y una sobrecarga de experimentación. Tuvimos que dar un paso atrás e introducir filtros humanos más estrictos para la priorización y la consistencia narrativa.

También subestimamos la necesidad de disciplina al definir métricas de éxito desde el principio. La IA hace que iterar rápidamente sea muy fácil, pero si no anclas los experimentos a resultados claros de comportamiento o ingresos, puedes terminar optimizando la interacción en una pequeña parte del sistema en lugar de lograr un impacto significativo para el negocio.

Si lo hubiera entendido antes, habría pasado menos tiempo escalando el volumen de experimentos y más tiempo diseñando el modelo operativo en torno a decisiones impulsadas por IA, incluyendo marcos de hipótesis más sólidos, propiedad más clara de las decisiones y mejor alineación entre las señales de marketing y los resultados del negocio.

Lo que maneja la IA y dónde retienen supervisión los humanos

Trazamos una línea clara entre lo que informa la IA y lo que posee el ser humano, y la distinción se reduce a una pregunta: ¿Se trata de optimización y reconocimiento de patrones, o se trata de juicio, contexto y criterio?

Cada vez dependemos más de la IA para impulsar el procesamiento de señales, la segmentación y la experimentación a gran escala. Eso incluye identificar patrones de comportamiento a través de la comunidad y la actividad del producto, agrupar usuarios en segmentos dinámicos según acciones en tiempo real, y generar e iterar sobre variaciones creativas y de mensajes. La IA también analiza en profundidad los datos de desempeño entre canales, revelando insights no evidentes mucho más rápido que una revisión manual.

La IA es especialmente potente comprimiendo el ciclo entre señal y acción. Por ejemplo, puede detectar cambios en el comportamiento de interacción dentro del producto o la comunidad, sugerir hipótesis e incluso generar creatividades o variantes de ciclo de vida testeables. Eso nos permite realizar muchos más experimentos de los que permitiría una estructura de equipo tradicional.

Los humanos poseen el posicionamiento, la narrativa y la dirección creativa. La IA puede generar variaciones, pero no puede definir por qué existimos o cómo queremos posicionarnos en el mercado. Eso requiere contexto sobre la marca, la psicología de la audiencia y la diferenciación a largo plazo, cuestiones que van más allá del reconocimiento de patrones.

Lomit comparte

El simple hecho de que la IA pueda descubrir docenas de oportunidades no significa que debamos actuar sobre todas ellas. Decidir qué no hacer y qué se alinea con la tesis de crecimiento más amplia sigue siendo una responsabilidad profundamente humana.

En entornos impulsados por la comunidad, específicamente, la IA no ha reemplazado la interacción humana auténtica ni la construcción de confianza. Puede ayudar a escalar el compromiso e identificar patrones, pero no puede replicar la credibilidad que proviene de la participación real, la presencia de líderes y el juicio humano en momentos comunitarios.

Los humanos también se encargan de la priorización y los compromisos estratégicos. Como ya mencioné, el hecho de que la IA pueda identificar decenas de oportunidades no significa que debamos actuar sobre todas ellas. Decidir qué no hacer, y qué se alinea con la tesis de crecimiento más amplia, sigue siendo una responsabilidad profundamente humana.

Por último, las personas tienen la apropiación de la interpretación del significado. La IA puede decirnos qué está ocurriendo, pero los humanos son responsables de comprender por qué importa y cómo debería transformar la estrategia.

Cómo los CMO deben abordar la transformación con IA

Voy a compartir cuatro consejos:

1. No trate la IA como un conjunto de herramientas para integrar en su máquina de marketing existente. Considérela como una razón para rediseñar toda la máquina. Porque esto no se trata sólo de productividad; el verdadero cambio ocurre cuando se pasa de modelos operativos basados en campañas a sistemas continuos de crecimiento impulsados por señales, donde la IA está integrada en cómo detecta la intención, toma decisiones y aprende en tiempo real.
2. Replantee lo que significa “escalar”. En el pasado, escalar implicaba eficiencia en canales y presupuesto. En un mundo impulsado por IA, escalar se trata de la velocidad de aprendizaje. Los equipos que ganen no serán los que ejecuten más campañas, sino los que puedan convertir señales en experimentos, y experimentos en decisiones, más rápido que los demás.
3. Sea muy intencional sobre dónde deben permanecer los humanos en el proceso. A medida que la IA asume más tareas de ejecución y análisis, la ventaja humana se agudiza, no se debilita. Los líderes deben enfocarse aún más en la narrativa, el posicionamiento y la priorización. Si todo es medible y optimizable, entonces el juicio se vuelve el principal factor diferenciador.
4. Invierta en pensamiento sistémico en lugar de pensamiento enfocado en canales. La IA elimina los silos entre rendimiento, ciclo de vida, producto y comunidad. La oportunidad consiste en diseñar un sistema de crecimiento unificado donde las señales fluyan a través de todos ellos, en lugar de optimizar cada uno por separado.

Sigue la conversación

Puedes seguir a Lomit Patel en LinkedIn y en su blog personal. Además, consulta su libro, Lean AI.

¡Pronto más entrevistas con expertos en The CMO Club!