Un director de marketing comparte cómo usar la IA como un ciclo de aprendizaje y experimentación

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

Hablamos con Lomit para saber cómo está convirtiendo las operaciones de marketing en un ciclo continuo de aprendizaje y experimentación. Esto es lo que nos contó.

El marketing está redefiniéndose

He dedicado los últimos más de 20 años a ayudar a escalar empresas como Roku, IMVU, TrustedID y Texture. Actualmente, soy CMO en TYB (Try Your Best), donde dirijo una organización de marketing ágil y de alta velocidad basada en una creencia fundamental: la comunidad no es un canal, sino un sistema de comercialización.

En cada uno de estos puestos, construí sistemáticamente sistemas que conectan el conocimiento del cliente con resultados empresariales medibles. Al principio de mi carrera, el crecimiento dependía en gran medida de los canales. Optimizabas campañas, probabas creatividades y ampliabas lo que funcionaba. Pero incluso entonces, me centré en algo más profundo: cómo utilizar los datos y la experimentación para eliminar las suposiciones y aumentar la velocidad de decisión en todo el embudo.

Ese enfoque evolucionó hacia una perspectiva más amplia que exploré en mi libro, Lean AI, donde me centré no solo en utilizar la IA para mejorar la eficiencia, sino también en rediseñar el funcionamiento de los sistemas de crecimiento.

En IMVU, por ejemplo, pasamos de la optimización manual a la orquestación basada en IA de los recorridos de los usuarios, las pruebas de creatividades y la interacción durante todo el ciclo de vida. Mi objetivo siempre fue el mismo: aumentar la velocidad y la calidad del aprendizaje, al tiempo que mejorábamos la retención y el valor del tiempo de vida del cliente (LTV).

Hoy, como CMO en TYB, ese cambio se ha acelerado por completo. La IA ya no es solo una herramienta del conjunto tecnológico; se está convirtiendo en la capa operativa del marketing moderno. Estamos pasando de pensar en campañas a pensar en sistemas, donde las señales, la automatización y la inteligencia creativa interactúan continuamente en tiempo real.

Lo que más me entusiasma es que el marketing se está redefiniendo fundamentalmente. Estamos pasando de ser operadores de canales y narradores a arquitectos de sistemas inteligentes de crecimiento que aprenden, se adaptan y amplían el impacto en la adquisición, la interacción y la monetización.

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

La IA ha puesto en cuestión tres grandes supuestos del marketing:

1. En un entorno habilitado para la IA, la eficiencia del canal se convierte más en una referencia que en un cuello de botella. Lo que diferencia el rendimiento es el sistema que lo rodea: la rapidez con la que 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 bastante estables como para constituir la base de las estrategias de marketing. Los modelos tradicionales de segmentación presuponen grupos de usuarios relativamente fijos para mantener una comunicación coherente. Con la IA, ahora vemos que el comportamiento de los usuarios es mucho más fluido. La intención cambia rápidamente y los segmentos estáticos a menudo no reflejan la realidad. Esto nos llevó hacia una agrupación dinámica y basada en el comportamiento que se actualiza continuamente.
3. Las campañas ya no son la unidad central de ejecución del marketing. Las campañas presuponen un inicio, un final y un ciclo de evaluación. La IA nos impulsó hacia sistemas siempre activos en los que 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 importa más que la planificación estática o la segmentación perfecta.

Cómo la IA transforma los procesos de marketing

Por eso, hemos pasado de la planificación estática de campañas a la experimentación siempre activa y basada en señales en todo el sistema de marketing.

Históricamente, planificábamos las campañas por ciclos. Definíamos los mensajes, creábamos conjuntos de piezas creativas, lanzábamos las campañas y después analizábamos los resultados tras un retraso considerable. Ese modelo es demasiado lento en un entorno nativo de IA porque el comportamiento de los usuarios y las señales de intención evolucionan rápidamente.

Introdujimos un flujo de crecimiento asistido por IA que convierte continuamente las señales de comportamiento en tiempo real en experimentos activados y mensajes adaptativos en los canales del ciclo de vida, de contenido y de rendimiento. En lugar de esperar a que termine una campaña, ahora tratamos cada señal de usuario significativa, comportamiento durante la incorporación, participación en la comunidad y actividad de los creadores como entradas para informar de inmediato la siguiente mejor acción.

En la práctica, esto ha transformado la forma en que trabajan los equipos. La iteración creativa es más rápida porque la IA ayuda a generar y probar variaciones de forma continua. El marketing del ciclo de vida es más dinámico porque los mensajes ya no están vinculados a segmentos fijos, sino a grupos de comportamiento en evolución. Y las señales de intención dentro del producto informan cada vez más al marketing de rendimiento, no solo a la segmentación a nivel de plataforma.

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

Un flujo de crecimiento asistido por IA

Lomit comparte

En lugar de depender de perfiles de usuario estáticos o etapas fijas del ciclo de vida, usamos la IA para identificar patrones como “alta intención, pero baja activación,” “participantes activos con bajo riesgo de retención,” o “nuevos usuarios que muestran un comportamiento inicial de recomendación.”

Este es el flujo de trabajo:

1. Comienza con señales de comportamiento en tiempo real dentro del producto y de la comunidad. Realizamos un seguimiento de acciones como el progreso durante la incorporación, la profundidad de la participación, la actividad de los creadores y los patrones de interacción. El cambio clave es que estas señales ya no son solo paneles de analítica; son entradas estructuradas en nuestro sistema de marketing. Herramientas: Segment para la recopilación y el enrutamiento de eventos, Amplitude para la analítica del comportamiento y Snowflake como base 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 perfiles de usuario estáticos o etapas fijas del ciclo de vida, usamos la IA para identificar patrones como “alta intención, pero baja activación”, “participantes activos con bajo riesgo de retención” o “nuevos usuarios que muestran un comportamiento inicial de recomendación”. Estos segmentos evolucionan constantemente según el comportamiento en directo. Herramientas: BigQuery y modelos de Python/ML para crear características de comportamiento, con OpenAI (GPT) para etiquetar e interpretar los patrones de intención emergentes.
3. Después de formar esos grupos, la IA nos ayuda a generar hipótesis y definir la dirección creativa. Para cada segmento, identificamos el mensaje con más probabilidades de influir en el comportamiento, y la IA ayuda a generar variaciones de textos, ganchos y enfoques de contenido. No se trata de resultados totalmente automatizados, pero aumenta considerablemente la velocidad con la que exploramos las distintas vías de mensajería. Herramientas: ChatGPT y Claude para generar enfoques de mensajes, ganchos y variaciones de posicionamiento, con Notion AI para organizar y mantener una biblioteca creativa viva.
4. Después incorporamos esos resultados a una experimentación continua en los puntos de contacto del ciclo de vida, de pago y de la comunidad. En lugar de ejecutar campañas aisladas, implementamos constantemente pequeñas pruebas iterativas y ajustamos los mensajes, la creatividad y el momento según las señales de rendimiento en tiempo real. Herramientas: Braze para los experimentos del ciclo de vida, Optimizely para las pruebas A/B de productos y sitios web, y LaunchDarkly para la gestión de indicadores de funcionalidad y los lanzamientos controlados.
5. Por último, y lo más importante, el sistema cierra el ciclo con una síntesis del aprendizaje asistida por IA. No nos limitamos a analizar qué obtuvo mejores resultados; usamos la IA para mostrar por qué determinados mensajes o recorridos funcionaron para segmentos concretos. A continuación, esos conocimientos informan directamente de la actualización de la lógica de segmentación, los marcos de mensajería y las decisiones de marketing basadas en el producto. Herramientas: Amplitude para obtener información sobre el comportamiento, Looker para los informes estructurados y Claude para sintetizar los aprendizajes en narrativas y marcos de decisión.

Cómo benefician a los profesionales del marketing las transformaciones impulsadas por la IA

En el lado positivo, el mayor impacto de la IA ha sido la velocidad y el volumen de experimentación. Hemos aumentado considerablemente el número de experimentos creativos y del ciclo de vida que podemos ejecutar en un periodo determinado, porque la IA reduce la fricción al generar variantes, probar mensajes e 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 en los de retención.

También hemos observado mejoras en la eficiencia de conversión impulsadas por un mejor uso de las 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. Esto ha mejorado la calidad del flujo desde el tráfico hasta la activación y ha fortalecido la retención posterior, ya que los usuarios reciben puntos de contacto más relevantes desde el punto de vista contextual.

Otro beneficio claro es la menor dependencia de la segmentación rígida y del análisis manual. La agrupación y la generación de hallazgos impulsadas por IA nos permiten avanzar hacia definiciones dinámicas de las audiencias, que reflejan mejor cómo se comportan los usuarios en lugar de cómo los clasificábamos históricamente.

El riesgo de avanzar demasiado rápido con los hallazgos de IA

En el aspecto más matizado, también hemos tenido que ajustar nuestras expectativas en torno al ruido de las señales y la automatización excesiva.

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

También subestimamos la necesidad de definir disciplinadamente las métricas de éxito desde el principio. La IA facilita enormemente iterar con rapidez, pero si no vinculas los experimentos a resultados conductuales o de ingresos claros, puedes acabar optimizando la interacción dentro de una parte limitada del sistema en lugar de lograr un impacto empresarial significativo.

Si hubiera entendido eso antes, habría dedicado menos tiempo a aumentar el volumen de experimentación y más tiempo a diseñar el modelo operativo en torno a decisiones impulsadas por IA, incluidos marcos de hipótesis más estrictos, una responsabilidad más clara sobre las decisiones y una mayor alineación entre las señales de marketing y los resultados empresariales.

Qué gestiona la IA y dónde las personas mantienen la supervisión

Establecemos una línea clara entre aquello sobre lo que informa la IA y aquello de lo que se responsabilizan las personas, y la distinción se reduce a una pregunta: ¿se trata de optimización y reconocimiento de patrones, o de criterio, contexto y sensibilidad?

Dependemos cada vez más de la IA para procesar señales, segmentar y realizar experimentos a gran escala. Esto incluye identificar patrones de comportamiento en la actividad de la comunidad y del producto, agrupar a los usuarios en segmentos dinámicos basados en acciones en tiempo real y generar e iterar variaciones creativas y de mensajes. La IA también analiza en profundidad los datos de rendimiento de todos los canales y hace aflorar hallazgos que no son evidentes mucho más rápido de lo que permitiría cualquier revisión manual.

La IA es especialmente potente a la hora de acortar el ciclo entre la señal y la acción. Por ejemplo, puede detectar cambios en el comportamiento de interacción dentro del producto o la comunidad, sugerir hipótesis e incluso generar variantes creativas o del ciclo de vida que se puedan probar. Esto nos permite realizar muchos más experimentos de los que admitiría una estructura de equipo tradicional.

Las personas se responsabilizan del posicionamiento, la narrativa y la dirección creativa. La IA puede generar variaciones, pero no puede definir lo que representamos ni cómo queremos presentarnos en el mercado. Eso requiere un contexto sobre la marca, la psicología de la audiencia y la diferenciación a largo plazo que va más allá del reconocimiento de patrones.

Lomit comparte

El hecho de que la IA pueda hacer aflorar decenas de oportunidades no significa que debamos actuar sobre todas ellas. Decidir qué no hacer y qué está alineado con la tesis de crecimiento general sigue siendo una responsabilidad profundamente humana.

En los entornos impulsados por la comunidad, concretamente, la IA no ha sustituido la interacción humana auténtica ni la creación de confianza. Puede ayudar a ampliar la interacción e identificar patrones, pero no puede reproducir la credibilidad que nace de la participación real, la presencia del liderazgo y el criterio humano en los momentos de la comunidad.

Las personas también se responsabilizan de la priorización y de las decisiones estratégicas. Como he dicho antes, el hecho de que la IA pueda hacer aflorar decenas de oportunidades no significa que debamos actuar sobre todas ellas. Decidir qué no hacer y qué está alineado con la tesis de crecimiento general sigue siendo una responsabilidad profundamente humana.

Por último, las personas se responsabilizan de interpretar el significado. La IA puede decirnos qué está ocurriendo, pero las personas son responsables de comprender por qué es importante y cómo debería transformar la estrategia.

Cómo deberían abordar los CMO la transformación mediante IA

Compartiré cuatro consejos:

1. No trates la IA como un conjunto de herramientas que se conectan a tu máquina de marketing existente. Trátala como una razón para rediseñar la propia máquina. Porque esto no trata de productividad, el verdadero cambio se produce cuando pasas de modelos operativos basados en campañas a sistemas de crecimiento continuos e impulsados por señales, en los que la IA está integrada en la forma en que detectas la intención, tomas decisiones y aprendes en tiempo real.
2. Replantea lo que significa «escala». En el pasado, la escala implicaba canales y eficiencia presupuestaria. En un mundo impulsado por la IA, la escala consiste en la velocidad de aprendizaje. Los equipos que triunfen no serán los que ejecuten más campañas, sino los que puedan convertir las señales en experimentos y los experimentos en decisiones más rápido que los demás.
3. Sé muy intencional con respecto a dónde permanecen los humanos en el circuito. A medida que la IA asume más tareas de ejecución y análisis, la ventaja humana se vuelve más marcada, no más débil. Los líderes deben redoblar sus esfuerzos en narrativa, posicionamiento y priorización. Si todo se puede medir y optimizar, el criterio se convierte en el principal factor diferenciador.
4. Invierte en una visión de sistemas en lugar de centrarte en los canales. La IA deshace los silos entre rendimiento, ciclo de vida, producto y comunidad. La oportunidad consiste en diseñar un sistema de crecimiento unificado en el que las señales fluyan entre todos ellos, en lugar de optimizar cada uno de forma aislada.

Sigue la actualidad

Puedes seguir la actualidad de Lomit Patel en LinkedIn y en su blog personal. También puedes consultar su libro, Lean AI.

¡Próximamente habrá más entrevistas con expertos en The CMO Club!