Todo el mundo usa IA ahora. Y casi todo el mundo lo usa de la misma manera.
Inicia sesión en Google Ads, exporta un informe, pega el CSV en ChatGPT o Claude, obtiene un análisis y luego repite todo el proceso para Meta, Google Analytics 4 y cualquier otra cosa que tenga en mente esa semana. El mismo proceso doloroso, en todas las plataformas, todas las semanas.
Eso no es marketing impulsado por IA. Se trata de copiar y pegar asistido por IA.
La IA en ese flujo de trabajo trabaja en una instantánea estática. No en vivo. No conectado a su cuenta real. No estar al tanto de lo que pasó ayer ni de cuál es su objetivo de coste por adquisición (CPA). Es un motor potente que funciona con combustible rancio y explica por qué el resultado parece inconsistente: excelente un día, genérico al siguiente y siempre requiere más edición de la que debería.
El problema no es el modelo. El problema es la configuración. Hay una pila de tres capas que cambia esto fundamentalmente: MCP para el acceso a datos en vivo, Skills para la coherencia del comportamiento y Claude Projects para empaquetar todo en un entorno de equipo reutilizable. Cada capa resuelve un modo de falla distinto. Juntos, marcan la diferencia entre la IA como novedad y la IA como infraestructura.
Capa 1: MCP le brinda a la IA la visión de su negocio real
Model Context Protocol (MCP) es un estándar abierto diseñado para conectar modelos de IA a herramientas y fuentes de datos externas. Piense en ello como la capa Zapier para la IA, excepto que en lugar de mover datos entre aplicaciones, le da a la IA la capacidad de leer, consultar y, en algunos casos, actuar sobre esos datos directamente.
Sin MCP, su IA funciona a ciegas. Sabe mucho en general, pero no sabe nada específico sobre su negocio, sus campañas, sus clientes o su desempeño. Copias y pegas números en una ventana de chat y le pides que los analice. Eso no es inteligencia a escala. Ese es un portapapeles muy caro.
Con MCP conectado, la IA puede extraer datos en vivo directamente desde sus herramientas. Google Ads tiene un servidor MCP oficial, lo que significa que puede pedirle a Claude que verifique qué campañas tienen un rendimiento inferior al de su CPA objetivo en este momento, obtenga informes de términos de búsqueda, muestre problemas de ritmo del presupuesto o compare el rendimiento entre campañas, y consulta la cuenta real en lugar de esperar a que pegue un informe. Sin exportar, sin copiar y pegar, sin paso de formateo manual.
El mismo principio se aplica a GA4, su CRM o cualquier otra fuente de datos con un servidor MCP disponible. Pero Google Ads es el punto de partida más claro para los equipos de PPC porque los datos están en vivo, las decisiones son urgentes y la brecha de rendimiento entre actuar con datos del lunes y los del viernes es real y mensurable.
Específicamente para los equipos de marketing, esto es importante porque los datos de rendimiento siempre están en movimiento. El análisis que haces el lunes queda obsoleto el miércoles. Una IA que puede ver datos en vivo es categóricamente diferente de una que no puede.
Capa 2: Las habilidades le dicen a la IA cómo comportarse en su contexto
MCP maneja el problema de los datos. Las habilidades manejan el problema de la coherencia.
Una habilidad es un conjunto de instrucciones persistentes que le dicen a Claude cómo abordar un tipo específico de tarea. No qué hacer una vez, sino cómo comportarse cada vez. Las reglas se definen una vez y cada conversación que utiliza esa habilidad las hereda automáticamente.
Para las agencias, este es el mayor desbloqueo operativo disponible en este momento.
Piense en cuánto conocimiento implícito existe dentro de su agencia y nunca se documenta. Su analista senior conoce su formato de informes, su modelo de atribución preferido, cómo formular recomendaciones para clientes conservadores versus aquellos en etapa de crecimiento, qué métricas realmente interesan a sus tipos de clientes más comunes. Un empleado junior tarda seis meses en absorber ese conocimiento a través de la ósmosis.
Una habilidad lo captura en unos pocos cientos de palabras. Las mejores prácticas de su agencia se escriben una vez: cómo estructurar una auditoría de campaña, cómo enmarcar las recomendaciones presupuestarias, qué tono utilizar en los resúmenes orientados al cliente, qué indicadores clave de rendimiento (KPI) marcar automáticamente. Cada miembro del equipo que utiliza Claude con esa habilidad activa recibe el juicio del analista senior desde el primer día.
Un ejemplo concreto: su agencia tiene un enfoque estándar para las auditorías de cuentas de Google Ads. Verifica la distribución del nivel de calidad, el porcentaje de impresiones de búsqueda por tipo de campaña, las ventanas de retraso de conversión antes de tocar los objetivos de retorno de la inversión publicitaria (ROAS) y siempre enmarca las recomendaciones en función del objetivo de crecimiento declarado del cliente en lugar de los puntos de referencia de la plataforma. Toda esa lista de verificación, enmarcada como una habilidad, significa que Claude ejecuta esa auditoría de manera consistente cada vez a través de la conexión MCP de Google Ads, extrayendo datos de la cuenta real y aplicando su marco automáticamente, no solo cuando la persona con más experiencia lo hace manualmente.
Capa 3: Claude Projects empaqueta todo para equipos
Los proyectos son la forma en que Claude crea entornos persistentes y ricos en contexto. Cada proyecto tiene sus propias instrucciones, su propia base de conocimientos y su propia memoria que se transmite a través de las conversaciones. Es el contenedor operativo lo que hace que la combinación MCP más Skills sea realmente utilizable a nivel de equipo.
Para las agencias, la configuración es sencilla: un proyecto por cliente.
Cada proyecto de cliente carga el contexto del cliente en: su modelo de negocio, su público objetivo, sus puntos de referencia de desempeño histórico, sus patrones estacionales, cualquier directriz de marca relevante para el texto o los mensajes. También conectas las Skills a nivel de agencia, para que se apliquen automáticamente. Ahora, cada conversación sobre ese cliente comienza desde una posición completamente informada.
El resultado es que cualquier miembro de su equipo que abra el proyecto del cliente, ya sea el líder de la cuenta, un estratega que cubre mientras alguien está fuera o un junior que elabora un informe rápido, comienza desde la misma base informada.
Para los equipos de marketing internos, los proyectos funcionan de manera diferente pero igual de poderosa.
En lugar de un proyecto por cliente, un equipo interno normalmente crea un proyecto por función o flujo de trabajo. Un proyecto de búsqueda paga contiene la estructura de la campaña de la marca, las convenciones de nomenclatura, la filosofía de oferta y las métricas objetivo. Cuando ese proyecto está conectado a Google Ads a través de MCP, una pregunta como “qué campañas superan el presupuesto esta semana y cuáles no cumplen con los objetivos de porcentaje de impresiones” se convierte en una consulta de dos segundos en lugar de un ejercicio de informes de 20 minutos. Un proyecto de contenido contiene la guía de voz de la marca, los marcos de mensajería aprobados y el calendario de contenido actual. Un proyecto de presentación de informes conoce a las partes interesadas que reciben el informe, qué les importa y qué formato esperan.
Las habilidades en una configuración interna conllevan el propio conocimiento institucional de la empresa en lugar de las mejores prácticas de la agencia. Si su marca siempre mide el éxito por el costo de adquisición de nuevos clientes en lugar del ROAS combinado, eso reside en la habilidad. Si su equipo de crecimiento utiliza un modelo de atribución específico para la asignación de presupuesto, eso reside en la habilidad. Si el director de marketing prefiere un resumen de una página en lugar de un volcado de datos, Skill también se encarga de eso.
El efecto práctico es que la producción de IA deja de parecer genérica y comienza a sentirse como algo producido por un miembro del equipo bien informado.
Por qué la pila es más importante que cualquier herramienta
Cada capa de esta pila resuelve un modo de falla diferente que hace que la IA tenga un rendimiento inferior en entornos de marketing reales.
MCP resuelve el problema de acceso a datos. La IA sin acceso a datos es impresionante en las demostraciones y decepcionante en la producción, porque la producción siempre se trata de números específicos, no hipotéticos.
Las habilidades resuelven el problema de la coherencia. La calidad de la prontitud varía entre los miembros del equipo y entre los días. Una habilidad bien escrita establece la calidad mínima y hace que el resultado sea lo suficientemente predecible como para confiar.
Los proyectos resuelven el problema del contexto. El trabajo de marketing no es una serie de cuestiones aisladas. Es un proceso continuo donde se acumula el contexto. Los proyectos llevan adelante ese contexto, por lo que cada conversación se basa en la anterior en lugar de empezar desde cero.
Los equipos que obtienen ganancias reales de productividad gracias a la IA en este momento no son los que encontraron una mejor opción. Ellos son los que construyeron un mejor ambiente.
Esa distinción importa más de lo que parece. La mayor parte de la decepción de la IA en el marketing en este momento proviene de los equipos que adoptaron la herramienta pero no la infraestructura que la rodea. Le dieron a su equipo acceso a un modelo capaz y luego se preguntaron por qué los resultados eran inconsistentes, por qué los miembros junior del equipo obtuvieron peores resultados que los senior, por qué nada parecía listo para producción sin una edición intensa. La respuesta es casi siempre la misma: el modelo era capaz, pero el entorno no estaba preparado para soportarlo.
El cambio no es técnicamente complejo. Configurar una conexión MCP de Google Ads lleva una tarde. Escribir un documento de habilidades básicas para su agencia o equipo requiere algunas horas y una conversación honesta sobre lo que sus mejores personas realmente hacen de manera diferente. Crear una estructura de proyecto lleva menos tiempo que incorporar a un nuevo empleado. La barrera no es técnica. Es la decisión de tratar la IA como una infraestructura y no como un atajo.
Una vez que se toma esa decisión, comienza la capitalización. Cada proyecto de cliente mejora a medida que le agrega contexto. Cada habilidad mejora a medida que la perfeccionas en función del resultado que realmente llega a los clientes. El entorno se vuelve más inteligente con el tiempo sin que el modelo subyacente cambie en absoluto.
Eso es lo que separa a los equipos que están construyendo algo duradero de los equipos que todavía exportan CSV y esperan lo mejor.
Más recursos:
Imagen de portada: Stokkete/Shutterstock
