Guía · operación · actualizada 2026-09-18 12 fallas al automatizar una agencia de marketing con IA, y la compuerta que evita cada una
No son riesgos teóricos: son las formas en que los pilotos de IA en agencias terminan cancelados, o peor, en producción con un error frente al cliente. Cada falla viene con su síntoma, su causa y una compuerta que se puede verificar antes de empezar.
Respuesta corta. La mayoría de los proyectos de IA en empresas no llega a producción o se cancela; los datos publicados dicen que la falla casi nunca está en el modelo sino en lo que lo rodea. Las 12 fallas de esta guía tienen en común que ninguna se arregla con un prompt mejor: se arreglan con una compuerta, una regla que el sistema tiene que cumplir para seguir. Si tu agencia puede responder «sí» a las 12 preguntas del final, ya tiene un harness; si no, la lista te dice cuál falta.
Las 12 fallas, de un vistazo
1. El reporte llega al cliente con una cifra que el modelo inventó
Cómo se ve. Un porcentaje de crecimiento que no coincide con la plataforma, una campaña que no existe en la cuenta, un total que no suma. El cliente lo detecta antes que la agencia.
Por qué pasa. Se le pidió al modelo que leyera datos y escribiera a la vez. Los modelos redondean, confunden períodos y completan huecos con plausibilidad; al resumir documentos, incluso los mejores se equivocan una fracción medible de las veces.
La compuerta. Las cifras se extraen por API y se calculan en código; el modelo escribe sobre una tabla ya cerrada, y un verificador compara cada número de la narrativa contra la tabla antes de que nadie lo vea. Si una cifra no está en la tabla, el reporte no sale.
- Dato: Al resumir documentos, los mejores modelos alucinan entre 1,8% y 3,3% de las veces y varios modelos frontera entre 8% y 12%: sin una compuerta de verificación, alrededor de 1 de cada 10 resúmenes lleva un error factual. Vectara, Hallucination Leaderboard (HHEM), 2026-05-11.
Cómo lo hacemos: el harness de reportes · la plantilla con la compuerta de cifras.
2. El costo del modelo crece sin que nadie lo mire
Cómo se ve. La factura del proveedor de IA aparece a fin de mes con un número que nadie presupuestó, y no se sabe qué cliente ni qué flujo lo consumió.
Por qué pasa. Un agente que reintenta en bucle, un prompt que arrastra todo el historial, un subagente que lee archivos enteros para responder una línea. Sin atribución por flujo, el costo es una sola cifra opaca.
La compuerta. Presupuesto por flujo y por cliente con corte automático al superarlo, y atribución del consumo por skill, subagente y conector para leerlo cada semana. El costo del modelo se compara con las horas que libera, no consigo mismo.
- Documentación: Costo promedio en despliegues empresariales: unos USD 13 por desarrollador por día activo y USD 150-250 por desarrollador por mes; el 90% queda por debajo de USD 30 por día activo. /usage muestra la atribución por skill, subagente y servidor MCP. Claude Code · Costos, verificada el 2026-09-11.
Cómo lo hacemos: qué encarece un flujo.
3. El agente tiene las llaves de las cuentas de los clientes
Cómo se ve. Una credencial de Google Ads o de Meta pegada en un prompt o en un archivo del repositorio; un agente con permiso de escribir donde solo debía leer; nadie puede decir qué tocó.
Por qué pasa. Se conectó todo con la cuenta de la persona que armó el piloto, con los permisos que esa persona tenía. Funcionó, y quedó así.
La compuerta. Las cuentas y credenciales son de la agencia, nunca del proveedor ni de una persona; cada subagente recibe solo las herramientas y los alcances que su tarea necesita, con reglas explícitas de permitir, preguntar y denegar; escribir en la cuenta de un cliente pide confirmación humana siempre.
- Documentación: Reglas allow/ask/deny con sintaxis Tool(patrón): Bash(git push *), Read(./.env), WebFetch(domain:host), mcp__servidor__get_*; una regla deny gana sobre allow; modos default, acceptEdits, plan, auto, dontAsk, bypassPermissions. Claude Code · Permisos, verificada el 2026-09-11.
- Documentación: Archivos Markdown en .claude/agents/ con name, description, tools, disallowedTools, model, permissionMode, maxTurns; contexto propio; hasta 3 niveles de anidamiento; límite de 20 subagentes concurrentes por defecto (CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS). Claude Code · Subagentes, verificada el 2026-09-11.
Cómo lo hacemos: subagentes por cliente con permisos acotados.
4. Nadie en la agencia es dueño del flujo
Cómo se ve. El proveedor entregó, cobró y se fue. Tres meses después una API cambió, el flujo se cayó y la persona que lo entendía ya no está. Vuelven a hacer el reporte a mano.
Por qué pasa. Se compró un resultado en vez de una capacidad. La documentación quedó en el proveedor y la agencia nunca ejecutó el flujo por su cuenta.
La compuerta. Cada flujo tiene una persona de la agencia con nombre y apellido que lo ejecuta sola antes de darlo por entregado, y el traspaso (repositorio, documentación, credenciales, quién avisa cuando algo cambia) es un entregable con firma, no un favor posterior.
Cómo lo hacemos: cómo se entrega un piloto.
5. El piloto nunca termina y nadie lo cierra
Cómo se ve. Hay una demo que impresiona, un canal de Slack con ideas y ningún cliente que reciba algo distinto. A los seis meses se cancela «por prioridades».
Por qué pasa. No se definió qué significaría éxito antes de empezar. Sin una medición previa de horas por tarea, el piloto no puede ganar ni perder: solo continuar.
La compuerta. Antes de escribir una línea se mide una semana de horas por tarea y se fija el criterio de salida: qué flujo, cuántas horas menos, en cuántas semanas. El piloto termina en la fecha pactada con una decisión escrita: se opera, se corrige o se apaga.
Cómo lo hacemos: el diagnóstico de capacidad.
6. Se automatiza lo que suena moderno, no lo que consume horas
Cómo se ve. Un generador de ideas para redes que nadie usa, mientras el account manager sigue armando reportes a mano los primeros días de cada mes.
Por qué pasa. El orden lo decidió el entusiasmo, no el reloj. Las tareas que más horas consumen suelen ser las menos vistosas: reportes, consolidación de datos, propuestas.
La compuerta. El primer flujo se elige por horas medidas y por costo de error, no por demo: el que más horas consume y donde una equivocación no llega al cliente sin revisión. Los casos documentados de ahorro grande están en reportes y propuestas, no en la creatividad.
Cómo lo hacemos: por qué empezar por reportes.
7. El sistema publica o envía sin que una persona lo vea
Cómo se ve. Un post con el tono equivocado en la cuenta de un cliente, una respuesta a un comentario que escaló una crisis, un correo enviado a la lista equivocada.
Por qué pasa. Se confundió automatizar con dejar solo. La confianza en la demo se extendió al caso que la demo no cubría.
La compuerta. Todo lo que sale hacia un cliente o hacia su audiencia pasa por una cola de aprobación con una persona que firma; el sistema propone, clasifica y prepara, nunca publica ni envía por su cuenta. Es el mismo principio que recomienda el propio proveedor del modelo: guardrails y puntos de control humanos.
- Dato: Anthropic distingue «workflows» (LLMs orquestados por código con caminos predefinidos) de «agentes» (el modelo dirige su propio proceso) y recomienda empezar por la solución más simple, sumar complejidad solo cuando mejora resultados medibles, y mantener guardrails y puntos de control humanos. Anthropic, «Building effective agents», 2024-12-19.
- Dato: La Oficina de Copyright de EE.UU. concluyó que el material puramente generado por IA no es protegible y que los prompts por sí solos no dan control suficiente; sí protege la selección, el arreglo y la modificación creativa humana del resultado. US Copyright Office, «Copyright and Artificial Intelligence, Part 2», 2025-01.
- Documentación: Comandos que corren en eventos del ciclo de vida (PreToolUse, PostToolUse, Stop, SessionStart, etc.); un PreToolUse bloquea la herramienta con exit 2 o permissionDecision: deny. Se configuran en settings.json. Claude Code · Hooks, verificada el 2026-09-11.
Cómo lo hacemos: qué es un harness y por qué no es un agente autónomo.
8. Se producen cientos de páginas y el dominio del cliente deja de crecer
Cómo se ve. El sitemap tiene diez veces más URLs que hace tres meses, las impresiones no se mueven y Search Console muestra páginas «descubiertas, no indexadas» acumulándose.
Por qué pasa. Se publicó por volumen. Google no penaliza el método, penaliza páginas generadas para posicionar y no para servir a alguien; y un dominio joven no recibe presupuesto de rastreo para consumir esa cola.
La compuerta. El ritmo de publicación lo gobierna la indexación: no se genera un lote nuevo mientras Google no haya indexado una proporción mínima del anterior, y cada página tiene que responder algo que la de al lado no. La compuerta se mide con Search Console antes de cada lote.
- Dato: La política de «scaled content abuse» de Google sanciona generar muchas páginas cuyo propósito principal es manipular rankings y no ayudar a las personas, sin importar si se generan con IA, con humanos o combinando ambos. Google Search Central, políticas de spam, 2024-03-05.
Cómo lo hacemos: la compuerta por indexación, con la tabla de lotes · las diez compuertas del contenido.
9. Se automatiza el outbound en LinkedIn y la cuenta queda restringida
Cómo se ve. Una herramienta manda conexiones y mensajes desde el perfil del dueño de la agencia. Un martes aparece el aviso de restricción y el activo comercial más importante queda fuera de juego.
Por qué pasa. Los términos de la red prohíben la automatización de mensajes, y las restricciones se aplican sobre la cuenta personal, no sobre la herramienta.
La compuerta. El sistema investiga, redacta y prepara la secuencia; una persona envía, a mano, dentro de un límite semanal que pueda sostener y responder. Ningún script se conecta a la cuenta de LinkedIn de nadie.
- Dato: El acuerdo de usuario de LinkedIn prohíbe usar bots u otros métodos automatizados no autorizados para enviar o redirigir mensajes, y el centro de ayuda prevé restringir o cerrar las cuentas que usan software de automatización. LinkedIn, User Agreement §8.2 y Help Center, 2025-11-03.
10. Bajó el costo de producir y la agencia bajó el precio
Cómo se ve. Se entrega lo mismo en la mitad del tiempo y se cobra la mitad. Al año, el cliente compara con otra agencia que hace lo mismo con la misma IA, y ya no hay nada que defienda el margen.
Por qué pasa. Se trasladó el ahorro al cliente en vez de reinvertirlo en algo que el cliente no consiga solo: medición, criterio, dato propio.
La compuerta. El precio se ata al resultado medido y a lo que la agencia sabe que el cliente no puede automatizar; lo que se ahorra en horas se reinvierte en oferta, no en descuento. La decisión de precio se toma antes de automatizar, no después.
Cómo lo hacemos: los precios del mercado, del lado del comprador.
11. La calidad se juzga por sensación
Cómo se ve. «Anda bien» hasta que un cliente se queja. Cambiar el prompt arregla un caso y rompe otros dos, y nadie sabe si la versión de hoy es mejor que la del mes pasado.
Por qué pasa. No hay un conjunto de casos de prueba tomados de fallas reales, ni calificadores que corran solos cada vez que algo cambia.
La compuerta. Cada flujo tiene una evaluación con casos reales (los que fallaron, los que casi fallaron) que corre antes de cada cambio; se combinan chequeos por código, por modelo y una muestra revisada por una persona. Sin evaluación verde, la versión nueva no reemplaza a la vieja.
- Dato: Anthropic recomienda empezar las evaluaciones de agentes con 20 a 50 tareas simples tomadas de fallas reales, combinando calificadores por código, por modelo y humanos. Anthropic, «Demystifying evals for AI agents», 2026-01-09.
- Dato: Cambiar solo el harness, con el mismo modelo, subió el resultado en Terminal-Bench 2.0 de 52,8% a 66,5%. LangChain, «Improving Deep Agents with harness engineering», 2026-02-17.
Cómo lo hacemos: las siete piezas de un harness.
12. El sistema vive en la cabeza del proveedor o en una herramienta que no se puede abrir
Cómo se ve. Cambiar un texto del reporte requiere pedirle al proveedor; migrar de modelo o de plataforma es empezar de cero; nadie de la agencia puede leer qué hace el flujo.
Por qué pasa. Se construyó dentro de una caja cerrada o sin documentación, con la lógica repartida entre prompts sueltos y configuraciones en pantallas.
La compuerta. Todo vive en un repositorio de la agencia: políticas y procesos en texto plano legible por personas y por el modelo, un archivo por proceso, historial de cambios y salida reproducible (misma entrada, misma salida). El harness es todo lo que rodea al modelo: si cambia el modelo, el harness queda.
- Dato: «Harness» es todo lo que hay en un agente de IA excepto el modelo: se compone de guías (controles que actúan antes) y sensores (controles que actúan después), ejecutados por código determinista o por inferencia. Birgitta Böckeler, martinfowler.com, «Harness engineering», 2026-04-02.
- Documentación: CLAUDE.md en ./CLAUDE.md o ./.claude/CLAUDE.md, se lee al inicio de cada sesión; reglas por ruta en .claude/rules/; recomendación de menos de 200 líneas; imports con @ruta. Claude Code · CLAUDE.md y memoria, verificada el 2026-09-11.
Cómo lo hacemos: el repositorio como memoria operativa.
Las 12 preguntas de auditoría
Una por falla. Respondelas con sí o no; cada «no» es una compuerta que falta, y el número de la pregunta te lleva a la sección que explica cómo se construye.
- ¿Hay un verificador en código que compara cada cifra del texto contra la tabla fuente antes de que alguien lo lea?
- ¿Cada flujo y cada cliente tienen un presupuesto de modelo con corte automático, y alguien lee la atribución semanal?
- ¿Las credenciales son de la agencia, cada agente tiene solo los alcances de su tarea y escribir en una cuenta de cliente pide confirmación?
- ¿Una persona de la agencia ejecutó el flujo sola, de punta a punta, antes de darlo por entregado?
- ¿El piloto tiene fecha de fin, horas medidas antes y un criterio escrito de éxito?
- ¿El primer flujo se eligió por horas medidas y por costo de error, y no por lo bien que se ve en una demo?
- ¿Todo lo que sale a un cliente o a su audiencia pasa por una persona que firma?
- ¿El ritmo de publicación depende de la indexación medida en Search Console y no de la capacidad de generar?
- ¿Ningún script se conecta a la cuenta de LinkedIn de nadie, y el envío lo hace una persona dentro de un límite semanal?
- ¿La decisión de precio se tomó antes de automatizar, y el ahorro se reinvierte en oferta y no en descuento?
- ¿Hay casos de prueba tomados de fallas reales que corren antes de cada cambio?
- ¿La agencia puede leer, cambiar y correr el flujo desde su propio repositorio sin pedirle nada al proveedor?
Qué no está en esta lista
Fallas de producto que no dependen de la agencia (una API de plataforma que cambia sin aviso, un modelo que se degrada entre versiones) y fallas legales por país (protección de datos personales de clientes finales, publicidad regulada), que merecen su propia guía. Tampoco están las cifras de mercado sobre adopción de IA en agencias: se leen en el artículo sobre qué es un harness y en el caso Aurora.
Fuentes citadas en esta página
- Vectara, Hallucination Leaderboard (HHEM) (2026-05-11): Al resumir documentos, los mejores modelos alucinan entre 1,8% y 3,3% de las veces y varios modelos frontera entre 8% y 12%: sin una compuerta de verificación, alrededor de 1 de cada 10 resúmenes lleva un error factual.
- MIT NANDA, «The GenAI Divide», vía Fortune (2025-08-18): El 95% de los pilotos de IA generativa en empresas no tuvo impacto en resultados; las alianzas con proveedores especializados tuvieron ~67% de éxito frente a ~33% de los desarrollos internos.
- Typeface, vía Agile Brand Guide (n>200) (2025-10-01): El 60% de los líderes de marketing (VP o superior) redujo el gasto en agencias por la IA; el 82% tiene agentes de IA atascados en fase piloto.
- Gartner y MIT, vía Forbes Centroamérica (2026-05-25): Gartner prevé que más del 40% de los proyectos de agentes de IA se cancelen antes de 2027; el MIT estima que el 95% de los pilotos de IA generativa no llegan a producción.
- Lilach Bullock, consultora de agencias (Reino Unido) (2026): Caso documentado: el reporte mensual pasó de 11 horas a 90 minutos con IA en el flujo; las propuestas, de 6 horas a 90 minutos.
- consultance.ai, guía de operaciones de agencia con IA (2026-06): Un account manager de agencia dedica entre 6 y 12 horas por semana a reportes de clientes.
- Anthropic, «Building effective agents» (2024-12-19): Anthropic distingue «workflows» (LLMs orquestados por código con caminos predefinidos) de «agentes» (el modelo dirige su propio proceso) y recomienda empezar por la solución más simple, sumar complejidad solo cuando mejora resultados medibles, y mantener guardrails y puntos de control humanos.
- US Copyright Office, «Copyright and Artificial Intelligence, Part 2» (2025-01): La Oficina de Copyright de EE.UU. concluyó que el material puramente generado por IA no es protegible y que los prompts por sí solos no dan control suficiente; sí protege la selección, el arreglo y la modificación creativa humana del resultado.
- Google Search Central, políticas de spam (2024-03-05): La política de «scaled content abuse» de Google sanciona generar muchas páginas cuyo propósito principal es manipular rankings y no ayudar a las personas, sin importar si se generan con IA, con humanos o combinando ambos.
- LinkedIn, User Agreement §8.2 y Help Center (2025-11-03): El acuerdo de usuario de LinkedIn prohíbe usar bots u otros métodos automatizados no autorizados para enviar o redirigir mensajes, y el centro de ayuda prevé restringir o cerrar las cuentas que usan software de automatización.
- Lilach Bullock (2026): Las agencias que usaron la IA solo para bajar costos sin subir precios «se comoditizaron en 18 meses».
- Promethean Research, 2026 State of Digital Services (n=119) (2026-02): El margen neto promedio de las agencias digitales fue 13% en 2025; las que redujeron su oferta de servicios alcanzaron 30% de margen neto y crecieron 13% contra 7,5% del promedio.
- Anthropic, «Demystifying evals for AI agents» (2026-01-09): Anthropic recomienda empezar las evaluaciones de agentes con 20 a 50 tareas simples tomadas de fallas reales, combinando calificadores por código, por modelo y humanos.
- LangChain, «Improving Deep Agents with harness engineering» (2026-02-17): Cambiar solo el harness, con el mismo modelo, subió el resultado en Terminal-Bench 2.0 de 52,8% a 66,5%.
- Birgitta Böckeler, martinfowler.com, «Harness engineering» (2026-04-02): «Harness» es todo lo que hay en un agente de IA excepto el modelo: se compone de guías (controles que actúan antes) y sensores (controles que actúan después), ejecutados por código determinista o por inferencia.
- Claude Code · Costos, verificada el 2026-09-11.
- Claude Code · Permisos, verificada el 2026-09-11.
- Claude Code · Subagentes, verificada el 2026-09-11.
- Claude Code · Hooks, verificada el 2026-09-11.
- Claude Code · CLAUDE.md y memoria, verificada el 2026-09-11.
Las compuertas son criterio operativo nuestro, escrito a partir de operar un portafolio propio con agentes; los datos y la documentación llevan su fuente y fecha. Si una fuente cambia, se corrige acá.