Andrei lidera el marketing de producto en Ahrefs, con un pequeño equipo que cubre textos, seminarios web, asociaciones y promoción de pago para todo Ahrefs (incluidas las docenas de actualizaciones que lanzamos cada mes).
Constance trabaja en el equipo de producto, dirigiendo todos nuestros seminarios web, redactando la documentación de nuestro centro de ayuda y mucho más (echa un vistazo a los seminarios web de Constance en YouTube).
Andrei y Constance crearon un espacio de trabajo de marketing de producto en Agent A que automatiza sus flujos de trabajo y crea aplicaciones personalizadas. Aquí están las ocho herramientas en las que más se apoyan como Product Marketing Managers.
Agent A es un agente de marketing de Ahrefs: un asistente de IA con acceso directo a todo el conjunto de datos de Ahrefs que puede llevar a cabo tareas de marketing de forma autónoma, en lugar de solo responder preguntas.
Agent A incluye:
- Acceso sin restricciones a los endpoints de Ahrefs. Todos los endpoints que usamos para construir Ahrefs están disponibles, incluidos muchos a los que no puedes acceder a través de API o MCP.
- Un stack tecnológico robusto. Postgres para el estado, Flask para las interfaces de usuario, un proxy OpenRouter con más de 300 modelos, recuperación web con análisis de página completa, PDFs, OCR, trabajos programados.
- Conectores nativos para herramientas de marketing. Slack, HubSpot, GitHub, Notion, Linear, Mailchimp, Resend, SendGrid, Stripe, Gong, WordPress, Airtable, Apify e incluso Semrush.
- Biblioteca de habilidades expertas. El equipo de Ahrefs ha aportado habilidades de marketing prediseñadas y aplicaciones que codifican cómo trabajamos realmente.
El flujo de trabajo principal de Andrei se encuentra en el GTM Generator, una herramienta que toma un único brief de producto y produce un paquete de lanzamiento completo en una sola secuencia.
Para cada lanzamiento de nuevos productos y funcionalidades, Andrei puede generar automáticamente un borrador de landing page independiente, un guion de vídeo de 90 segundos, un correo electrónico promocional y un folleto casi listo para imprimir.
Luego, hay una etapa de consistencia entre activos que revisa todos los resultados y señala cualquier área donde el mensaje se desvíe o los detalles se vuelvan un poco inconsistentes. En la práctica, eso significa:
- El generador de guiones de vídeo se mantiene con un límite estricto de 1:30.
- El correo electrónico se dirige precisamente al Perfil de Cliente Ideal (ICP) adecuado.
- La landing page cubre todos los detalles clave (sin alucinar nada).
La consistencia es muy importante en el marketing de producto, por lo que la etapa de revisión final también lee los cinco resultados en paralelo y escribe un archivo summary.md enumerando cada afirmación, frase de titular y enfoque de ICP que no concuerde entre los activos (como una landing page que afirma que una nueva actualización es “10 veces más rápida”… a pesar de que esa afirmación no aparece por ninguna parte en el brief original).
Una vez que Andrei ha editado los activos, incluso puede volver a subir el archivo editado al GTM Generator para que ejecute una comprobación de diferencias entre su resultado y la versión editada, permitiéndole aprender de los cambios que realizó.
Constrúyeme un orquestador de paquetes GTM. Entrada: un brief de producto en texto libre. En cascada a través de seis etapas: (1) Brief: convierte el texto en bruto en un contract brief.md estructurado con niveles de ICP, posicionamiento, puntos de prueba, KPIs; (2) Landing page: genera un HTML de landing page de producto independiente, regla estricta que prohíba nombrar productos hermanos de la misma empresa en cualquier parte del cuerpo del texto; (3) Guión de vídeo: guión de 90 segundos estructurado en segmentos con VOZ EN OFF, PANTALLA, TEXTO EN PANTALLA por cada ritmo, límite estricto de 1:50; (4) Correo electrónico: un solo correo electrónico de lanzamiento más 2 líneas de asunto más 2 textos de vista previa, 120-180 palabras; (5) Folleto: HTML horizontal A4 de 2 páginas más PDF; (6) Comprobación de consistencia: el LLM lee los cinco activos y escribe un summary.md enumerando cada contradicción entre activos. Cada paso escribe en una tabla de ejecuciones, se admite la reejecución por paso, el brief es la fuente de verdad inicial.
El Landing Page Generator es parte del flujo de trabajo de GTM anterior, pero Andrei lo ejecuta de forma independiente todo el tiempo cuando quiere reescribir una página de producto o crear una página de casos de uso nueva.
Después de pegar un brief en la herramienta, extrae datos de palabras clave relevantes usando el endpoint de Keywords Explorer, elige una plantilla relevante, redacta un esquema que Andrei puede editar, antes de generar la página, lista para entregarse al equipo web para su desarrollo.
Andrei crea muchas landing pages adaptadas a diferentes tipos de buyer persona (agencias, profesionales del marketing, comercio electrónico, SaaS, emprendedores, autónomos, empresas). El generador de landing pages tiene plantillas “semilla” prediseñadas para cada arquetipo, lo que facilita la generación de múltiples variaciones para cada nueva función o lanzamiento.
Constrúyeme un generador de landing pages de productos. Entrada de brief híbrido: área de texto de formato libre más formulario estructurado editable (nombre del producto, arquetipo, niveles de ICP, puntos de prueba). Pipeline: (1) escaneo de la competencia, lee la lista canónica de competidores desde un archivo de skills; (2) términos_coincidentes de Keywords Explorer, semillas de arquetipo, top 50 por volumen; (3) etapa de esquema con lista de secciones editable; (4) generación de la página con una cláusula de prompt REGLA_INDEPENDIENTE estricta que enumere todos mis productos hermanos, más un escaneo de expresiones regulares posterior a la generación que marque cualquier nombre de producto hermano en el texto del cuerpo; (5) metadatos SEO (slug, meta título, metadescripción). Salida: HTML independiente más especificaciones en markdown más vista previa en línea.
El Paid Ads Campaign Builder es lo que ejecuta Andrei cuando quiere ver cómo un competidor está orientando sus mensajes en sus campañas de pago. La herramienta utiliza los endpoints de <code>paid_keywords</code> y <code>paid_pages<code> de Site Explorer para encontrar las campañas de pago de cualquier dominio:
Luego, recupera cada landing page de pago para encontrar y analizar el texto del anuncio, agrupa las palabras clave de pago en temáticas de grupos de anuncios y proporciona una visión estratégica de la estrategia de pago de la empresa:
A continuación, el generador produce creatividades de Búsqueda de Google para que Andrei las revise, con tres titulares y dos descripciones por variante, y tres variantes por grupo de anuncios, completas con titular, CTA y el texto completo:
Constrúyeme un creador de campañas de anuncios de pago a partir del gasto de un competidor. Entrada: dominio de la competencia. Pipeline: (1) paid_keywords más paid_pages de Ahrefs en su dominio; (2) recuperar de la web las principales landing pages de pago para que el LLM lea el texto del anuncio; (3) agrupar las palabras clave en grupos de anuncios, marcar las que no son de marca, puntuar la brecha frente a mi dominio (donde no pujo actualmente); (4) generar creatividades de Búsqueda de Google, 3 titulares más 2 descripciones por variante, 3 variantes por grupo de anuncios, límites estrictos de caracteres (titular 30, descripción 90); (5) generar PNG para redes sociales de 1080x1080 en 4 estilos de fondo mediante Pillow con la fuente de mi marca, palabra de acento en naranja. Describe verbalmente los elementos visuales del anuncio de referencia en el prompt del sistema en lugar de pasar binarios. Conserva las ejecuciones en Postgres, descarga en ZIP de todos los PNG.
El Battlecard Generator toma la URL de un competidor y produce un battlecard de ventas de 6 cuadros (con secciones para Vista general, Producto, Precios, Puntos fuertes, Puntos débiles, Cómo posicionar a Ahrefs y Dónde podríamos perder).
La herramienta genera tanto una vista previa en HTML como una exportación real en .pptx que refleja la plantilla existente de Andrei:
El battlecard se genera en base a un montón de investigación:
- Análisis de las páginas principales del sitio web: página de inicio, páginas de precios, páginas de funcionalidades y soluciones, además de hasta 15 enlaces de navegación descubiertos en la página de inicio.
- Sitios de reseñas disponibles públicamente: como G2, TrustRadius y Capterra.
- Datos de Ahrefs: como Domain Rating, tráfico orgánico, distribución de Domain Rating de dominios de referencia, principales palabras clave de pago, división de tráfico de marca.
- Análisis del LLM: síntesis de datos para responder a dos preguntas cruciales: “Cómo posicionar a Ahrefs” y “Dónde podríamos perder”.
Constrúyeme un generador de battlecards de ventas. Entrada: URL de la competencia. Salida: un battlecard de 6 cajas (Vista general, Producto, Precios, Puntos fuertes, Puntos débiles, Cómo posicionarnos, Dónde podríamos perder) en HTML más un .pptx real que refleje la plantilla de battlecard existente de mi equipo. Pipeline: (1) scraping profundo de la competencia (página de inicio más /precios, /características, /soluciones más hasta 15 enlaces de navegación interna, límite de 18 URLs); (2) recuperación de reseñas directamente desde la URL de detractores de G2 (filters[nps_score][]=1), TrustRadius, Capterra por slug, en paralelo; (3) señales SEO en su dominio (Domain Rating, tráfico orgánico, distribución de Domain Rating de dominios de referencia, palabras clave de pago, división de tráfico de marca); (4) el LLM sintetiza los Puntos fuertes, Puntos débiles, Cómo posicionarnos, Dónde podríamos perder usando mi habilidad de estrategia como verdad fundamental para nuestras ventajas y el enfoque de ICP; (5) renderizado HTML a la paleta de colores de mi equipo más una exportación de python-pptx que refleje el diseño del battlecard existente.
El LinkedIn Post Generator es la herramienta más pequeña de esta lista, pero es una de las que Andrei y Constance usan la mayoría de los días. Pega una idea preliminar para una publicación de LinkedIn y la aplicación devuelve dos versiones pulidas con dos ángulos diferentes para elegir:
El generador utiliza un conjunto de “ángulos” predefinidos para generar publicaciones: narrativa, guiada por un gancho, desglose, revelación de proyecto. El equipo de PMM elige dos, o la aplicación elige por ellos.
La herramienta hace referencia al HCD <code>linkedin-post-bank</code> personal de Andrei y Constance (una selección curada de sus publicaciones con mejor rendimiento) y utiliza una habilidad de voz de marca para mantener cada mención de producto precisa.
Constrúyeme un generador de publicaciones para LinkedIn. Entrada: un borrador aproximado y dos elecciones de ángulo entre {narrativa, guiada por un gancho, desglose, revelación de proyecto}. Lee un archivo personal de skills de “banco de publicaciones” como fuente de verdad del tono de voz en cada generación (contiene 15-30 publicaciones de referencia con mi voz). Detecta el patrón del borrador, luego reescribe en dos versiones, ambas visibles antes del scroll por debajo de los 1300 caracteres. Agrega un botón “Añadir al banco” que añada los resultados aprobados de nuevo al archivo de skills. Conserva las ejecuciones en Postgres para tener el historial. Reutiliza el mismo archivo de habilidad del banco desde cualquier otra sesión de agente que redacte contenido para LinkedIn, el archivo es el corpus.
Constance dirige muchos seminarios web para Ahrefs, así que le pidió a Agent A que construyera la aplicación Webinar Automation: ingresa el título de un seminario web, la fecha y la lista de compañeros de equipo una vez, y crea un proyecto completo en Linear desde cero:
La herramienta pasa por cinco fases distintas:
- Fase 1 (Concepto) crea el proyecto en Linear en el equipo de Marketing de Producto con hitos calculados hacia atrás desde la fecha del seminario web: Inicio de la promoción, En directo, Grabación lista, Informe.
- Fase 2 (Landing) crea un evento en Zoom, una landing page de administración, actualiza la página /webinars/ y crea un ticket para el equipo de diseño.
- Fase 3 (Promociones) genera el texto promocional, un flujo de trabajo de Intercom y crea un ticket para que nuestro gestor de pago inicie la promoción.
- Fase 4 (Contenido) genera borradores de demostraciones de Agent A, diapositivas del seminario web y un guión.
- Fase 5 (Informes) crea un informe de rendimiento para compartir con el equipo.
Constrúyeme una aplicación de Consola de automatización de seminarios web respaldada por Linear. Entrada atómica: un título de seminario web, fecha y lista de compañeros de equipo con sus ID de usuario de Linear. La interfaz de usuario recorre 5 fases secuenciales (Concepto, Landing pages, Promociones, Contenido, Informes), cada una con su propio panel de configuración y un botón de Lanzamiento; la fase N+1 está bloqueada hasta que se lanza la fase N. La Fase 1 crea un proyecto en Linear en mi equipo de Marketing de Producto con 4 hitos calculados hacia atrás desde la fecha del seminario web. Las Fases 2-5 crean 14 problemas + 6 subproblemas a partir de descripciones basadas en plantillas de Jinja con interpolación de {webinar.title}; puedo anular cualquier título o asignado por seminario web antes del lanzamiento. Las plantillas residen en el código para que se versionen con la aplicación. Usa el conector Linear para proyectos/problemas y GraphQL directo para hitos.
La herramienta Calls to Positioning es para investigación, no para generación de entregables, pero es increíblemente útil. Toma fragmentos de llamadas de ventas, analiza su contenido y crea sugerencias sobre cómo el equipo de PM puede actualizar nuestro posicionamiento de producto para ganar más acuerdos, todo basado en citas reales de clientes.
El análisis se divide en cuatro categorías:
- Por qué ganamos: patrones de victoria y puntos de venta que vale la pena incorporar en los textos de la web.
- Por qué perdemos o nos estancamos: una lista de objeciones, bloqueos, señales de abandono.
- Lenguaje textual: frases que los clientes usan realmente, ordenadas por recurrencia.
- Cambios de posicionamiento propuestos: ejemplos de antes y después con las citas de respaldo adjuntas.
Constrúyeme una herramienta de llamadas de ventas a posicionamiento. Entrada: pega fragmentos de llamadas uno por cada bloque de línea en blanco, etiquetas de orador opcionales. Opcionalmente, incluye un corpus de muestra de 15-20 fragmentos incorporado que cubra victorias, derrotas, abandono y menciones de la competencia, para que la herramienta sea utilizable en la primera ejecución. Elimina cualquier metadato de origen (orador, etapa, resultado del acuerdo) del prompt: la agrupación debe provenir del lenguaje en sí, no de los grupos de etiquetas. Salida en cuatro cubos: (1) Por qué ganamos, patrones de victoria con frases textuales que vale la pena incorporar en el texto; (2) Por qué perdemos o nos estancamos, objeciones, bloqueos, señales de abandono; (3) Lenguaje textual, frases que los clientes usan realmente, ordenadas por recuento de recurrencia; (4) Cambios de posicionamiento propuestos, antes/después con las citas textuales de respaldo adjuntas. Conserva las ejecuciones en Postgres para tener el historial.
Para Constance, las presentaciones de diapositivas son la peor parte de cada lanzamiento de producto. Ella usó Agent A para crear un Text to PowerPoint y así no tener que empezar nunca más desde una diapositiva en blanco.
Constance escribe sus notas e ideas en Markdown y las pega en la herramienta. La herramienta divide el contenido en secciones y diapositivas, mientras que una regla de expresiones regulares detecta patrones de señales de imagen (“mostrar captura de pantalla”, “insertar diagrama”, “[imagen]”, <screenshot>, “agregar un gráfico”…) y reserva un cuadro de marcador de posición etiquetado con un borde naranja discontinuo a la derecha de la diapositiva.
El creador de PowerPoint tiene la paleta de colores de Ahrefs, y Constance puede previsualizar diapositiva por diapositiva en el navegador, editar cualquier diapositiva en línea y exportarla cuando haya terminado.
Constrúyeme un generador de markdown a pptx. Entrada: texto en markdown pegado o carga de archivo .md. El analizador divide en #/##/### en diapositivas de título/sección/contenido. Las expresiones regulares detectan 8 patrones de señales de imagen (“mostrar captura de pantalla”, “insertar diagrama”, “[imagen]”, , “agregar un gráfico”…) y reservan un cuadro de marcador de posición etiquetado con borde discontinuo a la derecha de cada diapositiva afectada. Claude Sonnet 4.6 reescribe cada bloque en 3-5 viñetas concisas; la prosa original se conserva textualmente en las notas del orador (no en el cuerpo de la diapositiva). Usa python-pptx con mi paleta de marca incorporada: barra de encabezado azul marino, franja de acento naranja, 16:9, encabezados de 26 puntos, viñetas de 20 puntos. Las diapositivas de título y sección son completamente azul marino con una línea de acento naranja centrada. La interfaz de usuario muestra una vista previa diapositiva por diapositiva con edición y eliminación en línea por diapositiva. Exportar como .pptx.
Reflexiones finales
Si eres cliente de Ahrefs, puedes probar Agent A gratis durante un mes. Copia cualquiera de estos prompts en un espacio de trabajo nuevo y tu propio Agent A comenzará a construir la herramienta, o echa un vistazo a la biblioteca de aplicaciones para añadir algunas de estas herramientas directamente a tu propio espacio de trabajo.
¿Tienes preguntas? Estamos en LinkedIn y en X.
