Su próximo colega podría no ser humano: una charla en el MBA de la International Hellenic University
Chrysovalantis Chartonas, fundador de Brand Atelier, comparte perspectivas prácticas sobre agentes de IA, marketing y el futuro del trabajo con estudiantes de MBA en Grecia.

Los agentes de IA pueden ayudar a las empresas a realizar tareas encadenadas entre distintas herramientas, utilizando información empresarial y permisos predefinidos. Su utilidad depende del contexto que reciben, de los sistemas a los que pueden acceder y del criterio que se aplica a su trabajo.
«El próximo colega con el que trabaje podría no ser humano».
Este fue el punto de partida de una charla reciente que ofrecí a estudiantes de MBA, a la que volví como antiguo alumno para compartir perspectivas de más de diez años de trabajo en marketing.
El público aportaba experiencia en contabilidad, fabricación, logística, hotelería, comercio minorista, ingeniería y recursos humanos. Eso hizo que el debate resultara especialmente valioso: aunque mis demostraciones se centraron en el marketing, las preguntas abarcaron las operaciones cotidianas de la empresa.
¿Dónde puede contribuir un agente de IA? ¿Qué se le debería permitir hacer? ¿Y qué sigue siendo responsabilidad nuestra?

¿Cuál es la diferencia entre un asistente de IA y un agente de IA?
Un asistente de IA puede ayudarle a redactar un correo electrónico, resumir un informe o explorar una idea.
Un flujo de trabajo agéntico puede conectar varios pasos. Con las integraciones y los permisos adecuados, podría recuperar información, contrastarla con las reglas de negocio, preparar una recomendación y ejecutar una acción aprobada.
Piense en una comparación de proveedores. Un asistente podría ayudarle a redactar una solicitud de presupuestos. Un agente podría recopilar las respuestas, comparar plazos de entrega y especificaciones, señalar la información que falta y preparar una solicitud de compra para su revisión.
Esto requiere acceso a la información pertinente y un proceso claramente definido. Una interfaz conversacional por sí sola no proporciona ninguna de las dos cosas.
Una respuesta bien redactada puede seguir sin abordar el problema de negocio
Uno de los ejemplos de la charla presentaba a dos empresarios que hacían a la IA la misma pregunta de marketing.
Ambos podrían recibir respuestas claras y persuasivas. Sin embargo, sus empresas podrían tener márgenes, disponibilidad de existencias, objeciones de clientes o limitaciones operativas distintas.
Una recomendación de aumentar la inversión publicitaria podría ser razonable para uno e inadecuada para el otro.
Lo mismo ocurre con las recomendaciones dentro de cada plataforma de marketing. Una campaña puede parecer prometedora según las métricas publicitarias mientras la empresa se enfrenta a existencias limitadas, una rentabilidad débil o problemas para convertir las consultas.
Esas recomendaciones deben interpretarse en el contexto más amplio de la empresa.
La calidad de una recomendación de IA depende en parte de lo que el sistema sabe, de lo que no puede ver y de si hace visibles esos límites.
El contexto empresarial cambia la recomendación
El contexto útil abarca mucho más que la analítica web.
Según la empresa y las integraciones disponibles, puede incluir:
Objetivos comerciales, posicionamiento y limitaciones operativas.
GA4, Search Console y rendimiento publicitario.
Disponibilidad de productos, márgenes e información de ventas.
Conversaciones con clientes, objeciones recurrentes y solicitudes de servicio.
Demanda de búsqueda, competidores y decisiones anteriores.
Estos datos pueden cambiar la pregunta que se está respondiendo.
En lugar de preguntarse «¿Qué campaña debería recibir más presupuesto?», la empresa quizá deba preguntarse «¿Qué productos podemos promocionar, servir y atender de forma rentable?».
En Brand Atelier, esta es la finalidad de la plataforma de Strategic Intelligence: conectar el contexto empresarial con el análisis y las decisiones prácticas.
Los hechos y las suposiciones requieren un tratamiento distinto
Un sistema empresarial útil debería permitir que su razonamiento se examine abiertamente.
Un resultado observado, una explicación probable y una acción propuesta son cosas distintas.
Por ejemplo, la analítica podría mostrar que un producto atrae una atención considerable. Eso no establece por qué interesa a los visitantes, si tienen intención de comprarlo ni si promocionarlo sería rentable.
Durante la demostración, mostré cómo la plataforma distingue las evidencias de las hipótesis y hace visible la información que falta.
Esto ofrece a la persona que revisa una recomendación algo concreto que cuestionar. Puede preguntar qué la respalda, qué sigue siendo incierto y qué información podría cambiar la conclusión.

Del análisis estratégico a la ejecución aprobada
El análisis resulta más útil cuando se conecta con el trabajo posterior.
Las demostraciones de la plataforma exploraron un flujo de trabajo en el que el contexto empresarial orienta las prioridades estratégicas, esas prioridades guían las propuestas de contenido y campañas, y la revisión conduce a una ejecución aprobada.
Una fase de cuestionamiento actúa como «abogado del diablo» y examina debilidades, explicaciones alternativas y evidencias que faltan antes de que una propuesta avance.
La aprobación humana sigue formando parte del proceso demostrado. El revisor puede inspeccionar la acción propuesta y decidir si debe seguir adelante.
La actividad y el rendimiento resultantes aportan después información para la siguiente revisión.

Un ejemplo cotidiano: de la analítica al contenido para redes sociales
Una de las demostraciones comenzó con una petición operativa directa: identificar los cinco productos por encima de un precio determinado con más visitas durante un periodo reciente y, a continuación, preparar publicaciones para redes sociales.
El flujo de trabajo necesitaba consultar la analítica y comprobar la información de los productos. También puso de manifiesto una limitación práctica: los datos de analítica no contenían todos los detalles necesarios para la tarea.
Esa carencia era importante. Los precios de los productos requerían una comprobación aparte, no una suposición.
El contenido resultante podía pasar después a revisión y programación. Así se demostró cómo una petición puntual puede convivir con un calendario de redes sociales planificado.
Se parece a dar instrucciones a un colega junior: explicar la tarea, darle acceso a la información pertinente y revisar el trabajo antes de su publicación.

Dónde pueden ayudar los agentes de IA más allá del marketing
El mismo enfoque se aplica a otros procesos empresariales recurrentes.
Un equipo de contabilidad podría utilizar un agente para detectar documentos que faltan. Un equipo de compras podría preparar comparativas de proveedores. Un equipo de logística podría organizar las actualizaciones de envíos, mientras que recursos humanos podría coordinar las tareas de incorporación.
Un buen punto de partida es un proceso en el que las personas recopilan repetidamente información de varios sistemas antes de decidir el siguiente paso.
El proceso debería tener un responsable claro, datos de entrada accesibles y un resultado verificable.
El criterio humano sigue formando parte del trabajo
Una producción más rápida hace que elegir con cuidado sea aún más importante.
En marketing, generar más contenido no garantiza una idea más sólida, una voz distintiva ni una mejor comprensión del público. Alguien sigue teniendo que decidir qué merece publicarse y qué debe descartarse.
La misma responsabilidad aparece en otras profesiones. Las personas definen los objetivos, interpretan las excepciones y tienen en cuenta consecuencias que quizá no figuren en los datos disponibles.
Mi mensaje central para el público del MBA fue que el valor profesional incluye cada vez más la capacidad de dirigir estos sistemas y evaluar su trabajo.
¿Por dónde debería empezar una empresa?
Empiece por una tarea recurrente que consuma tiempo y tenga un punto de revisión claro.
Defina la información que necesita, las acciones que puede realizar y las situaciones que requieren la decisión de una persona. Después, evalúe su trabajo en comparación con el proceso actual.
Entre las métricas útiles podrían figurar el tiempo de preparación, las tasas de corrección, las excepciones sin resolver y la calidad del resultado final.
En Brand Atelier, utilizo este enfoque para conectar la Strategic Intelligence con la ejecución de marketing y los Custom AI Business Workflows.
Si desea explorar un flujo de trabajo agéntico para su empresa, traiga un proceso recurrente a una demostración. Podremos analizar la información que necesita, las decisiones implicadas y en qué punto corresponde la aprobación humana.
Hablemos del flujo de trabajo de su empresa
Un agradecimiento especial al Dr. Konstantinos Asimakopoulos por la invitación para compartir esta sesión con los estudiantes del MBA en la International Hellenic University.
Sobre el autor
Chrysovalantis Chartonas es el fundador de Brand Atelier, un estudio de Strategic Intelligence y ejecución creativa con sede en Salónica (Grecia). Con formación en Marketing, un MBA y más de diez años de experiencia profesional, trabaja en estrategia empresarial, flujos de trabajo de Agentic Marketing y experiencias digitales.