37 formas comprobadas de usar la IA en marketing

Esta es una recopilación de 37 formas sencillas y útiles de utilizar la IA en tu marketing, organizadas por disciplina, desde el SEO hasta el marketing internacional. Cada una de ellas proviene de un profesional del marketing que realmente lo ha hecho y ha mostrado su forma de trabajar, para que puedas seguir los pasos y lograr lo mismo tú mismo.

Aquí tienes cómo usar la IA en marketing, según profesionales reales del marketing:

Gran parte del SEO es tedioso y complicado al mismo tiempo: exportaciones de rastreo, descargas de Search Console, hojas de cálculo unidas con VLOOKUP, análisis de datos complicados. Esa combinación de repetitivo y complicado es exactamente donde la IA puede ayudar.

Vale la pena decirlo claramente, sin embargo: cualquiera que prometa que la IA puede automatizar tu SEO por 9$ al mes te está vendiendo humo. Ninguna herramienta de IA sustituye el saber lo que estás haciendo. Cada una sigue dependiendo del criterio de la persona que la utiliza.

Dan Hinckley de Go Fish Digital ha construido un agente de IA que revisa una página de la forma en que lo haría uno de los propios evaluadores de calidad de Google, y la puntúa según las directrices publicadas por Google para ellos.

Le das una palabra clave y una página de tu sitio web. Primero lee el manual para evaluadores de Google de 168 páginas y lo convierte en una lista de verificación, luego abre una ventana de Chrome real, busca la palabra clave, observa los resultados para averiguar qué quiere el buscador y hace clic en tu página. Se desplaza por la página, revisa tu página de "Acerca de" y tu pie de página, y redacta un informe sobre dónde cumples las directrices y dónde te quedas corto. Incluso graba un vídeo de todo lo que hizo.

El manual es lo más cercano que tenemos a Google diciéndonos cómo es una buena página, pero leer 168 páginas de él y luego juzgar tu propio trabajo en comparación no es algo que la mayoría de nosotros vayamos a hacer jamás. Esto te da ese veredicto en unos minutos, y puedes ejecutarlo también en la página que posiciona por encima de ti, para que descubras qué página es genuinamente mejor y en qué sentido, en lugar de adivinar.

Sam, nuestro Vicepresidente de Marketing, hizo que Letaido construyera una herramienta de keyword research porque estaba harto de clasificar palabras clave a mano. Le das un nicho, como "café", y te devuelve un plan.

Expande el nicho en palabras clave semilla (seed keywords), extrae el volumen real del Keywords Explorer, y luego lee las SERP para cada candidato que sobrevive para juzgar la intención de búsqueda, la dificultad y quién posiciona ya. Para cada palabra clave, cuenta los tipos de páginas en el top 10, de modo que puedes ver cuándo una SERP está llena de vídeos o de hilos de Reddit antes de encargar un artículo para ella.

Todo vuelve clasificado como Ir, Tal vez u Omitir, agrupado en temas, con una lista de brechas de competidores y un mapa de hub-and-spoke. En una ejecución, clasificó 8.437 palabras clave en 17 grupos y marcó 1.809 como Ir.

Es bastante fácil analizar la salud técnica de un sitio web (especialmente si usas una herramienta como Site Audit), pero suele ser mucho más difícil solucionar realmente los problemas que descubres, sobre todo en sitios web grandes. Para resolver esto, el equipo de Ahrefs utilizó IA generativa para conectar nuestra auditoría del sitio habitual directamente a GitHub, en un trabajo que se ejecuta todos los domingos.

Extrae la auditoría de sitio más reciente, clasifica los problemas por gravedad y abre un pull request limitado a los de alta gravedad: problemas de indexabilidad, páginas rotas, enlaces internos rotos. El PR llega con una lista de verificación y los datos de la auditoría adjuntos, y omite cualquier cosa que ya se encuentre en un PR abierto.

Significa que el desarrollador que retoma la auditoría el lunes no tiene que averiguar qué está mal o qué URL están afectadas: simplemente puede revisar los cambios y subirlos a producción si tienen sentido. Pan comido.

Steven Macdonald realizó un experimento controlado que puedes replicar: tomó 21 publicaciones existentes en 3 sitios web y utilizó ChatGPT para identificar las preguntas que un lector seguiría teniendo después de terminar cada artículo, luego escribió respuestas y las añadió como una sección de preguntas frecuentes (FAQ).

El tráfico en las publicaciones actualizadas aumentó un 32% de media, unas 16.000 visitas adicionales y 3.500 clasificaciones de palabras clave adicionales. La mejor ganó un 180%. Cada publicación actualizada ganó algo, mientras que su grupo de control disminuyó un 4% durante el mismo periodo de tiempo. Ningún cambio en el marcado schema.

El grupo de control es lo que hace que esto sea creíble. Mucha gente reporta ganancias después de una actualización sin comprobar lo que habría sucedido de todos modos.

Esta es mía. Construí una herramienta que sugiere enlaces internos para cualquier artículo de este blog, y empecé pidiéndole a la búsqueda profunda de ChatGPT que me enseñara las matemáticas que hay detrás, porque nunca antes había trabajado con nada de eso.

Lee cada artículo del blog y convierte cada uno en una larga cadena de números que representa de qué trata el artículo (conocido como vector embeddings). Le das una URL y compara esa página con todas las demás, luego devuelve las 20 coincidencias más cercanas. Busca páginas sobre el mismo tema en lugar de páginas que resultan compartir una palabra clave, y esas suelen ser listas diferentes.

Los enlaces internos son importantes para el SEO por tres razones. Ayudan a Google a encontrar tus páginas, ya que una página a la que no enlaza nada es una página que Google tal vez nunca descubra. Transmiten autoridad por todo tu sitio web, por lo que enlazar a una página desde varias páginas fuertes es como decides cuáles de tus páginas merecen posicionarse. Y las palabras con las que enlazas le dicen a Google de qué trata la página de destino. Como dijo John Mueller, el enlazado interno es "una de las cosas más importantes que puedes hacer en un sitio web para guiar a Google y a los visitantes hacia las páginas que consideras importantes".

Nada de eso es difícil. Es solo que hacerlo correctamente significa retener varios cientos de artículos en tu cabeza al mismo tiempo, así que nunca sucede el día que publicas. Esa es la parte que esto te quita de encima.

Obtén automáticamente recomendaciones de enlaces internos para cualquier artículo del blog

No tienes que escribir un script para hacer esto. Site Audit de Ahrefs tiene un informe de Oportunidades de enlaces internos que rastrea tu sitio y te dice qué páginas deberían enlazarse entre sí, basándose en las palabras clave para las que cada página ya posiciona. La parte útil es que no se detiene en nombrar un objetivo. Te muestra el pasaje de texto específico donde corresponde el enlace, de modo que cada sugerencia es una edición en lugar de una tarea de investigación. El mismo rastreo también señala los problemas de enlazado interno que no puedes ver a simple vista: páginas huérfanas a las que no enlaza nada, enlaces internos que apuntan a páginas caídas, y páginas cuyos enlaces internos están configurados como nofollow.

John Iwuozor escribió un script de Python que encuentra un buen enlace interno y luego lo escribe en la página por ti.

Apúntalo a un artículo y lee tus otras páginas para averiguar cuál cubre el tema más cercano. Luego recorre el artículo párrafo por párrafo buscando una frase que tenga sentido como anchor text, elige la mejor y suelta el enlace en el propio HTML.

Encontrar la página correcta a la que enlazar es solo la mitad del trabajo. La otra mitad es abrir el artículo, volver a leerlo, elegir una oración que pueda llevar el enlace sin sonar forzada y editar la página. Esa segunda mitad es la razón por la que los retrasos en el enlazado interno nunca se reducen, y es la mitad que esto te quita.

Rudiger Dalchow construyó una herramienta que lee tus exportaciones de Search Console y te devuelve un plan de qué escribir a continuación.

Le entregas las dos exportaciones que Search Console ya te da, una de consultas y una de páginas. Agrupa tus páginas en temas, averigua qué quiere la gente de cada una, señala las páginas que compiten entre sí por la misma búsqueda y escribe briefings que puedes pasar directamente a un redactor.

La mayoría de los informes te dicen lo que sucedió y te dejan el análisis a ti. Esto te dice qué hacer, y los problemas que encuentra son los estructurales que no puedes ver en una lista ordenada por tráfico: dos de tus propias páginas dividiendo una búsqueda entre ellas, o un tema donde has publicado muchos artículos y nada en el medio que los una.

Quieres que tu negocio aparezca cuando alguien le pregunta a ChatGPT sobre lo que vendes. Descubrir cómo hacer que eso suceda es más difícil de lo que debería ser. Hay una gran complejidad y mucha venta de humo, y los consejos que encuentras van desde jerga como consultas de expansión (fan-out queries) y generación aumentada por recuperación hasta marcado schema y archivos llms.txt, con muy poco acuerdo sobre qué funciona realmente.

Sin embargo, mucho de lo que sí funciona es sencillo, y la mayoría está arraigado en el SEO que ya entiendes. Estos cinco son todos concretos: analizan lo que los modelos hacen realmente con una página y editan en base a eso en lugar de a una teoría. Y dado que el trabajo involucrado consiste principalmente en leer y comparar a un volumen que ninguna persona soportaría, la IA es una herramienta útil en el kit para acelerarlo.

Aimee Jurenka construyó una herramienta que toma una URL, captura tanto el HTML sin procesar como una captura de pantalla renderizada, y luego le pregunta a GPT cómo se lee la página para un modelo de lenguaje.

Devuelve una puntuación más comentarios específicos sobre tres cosas: si el contenido es lo suficientemente claro como para extraerlo, si vale la pena citarlo y si hay algo importante atrapado detrás de JavaScript. Ese último punto atrapa algo que la gente pasa por alto, porque una página que se ve bien en un navegador puede estar casi vacía para un rastreador que no ejecuta tus scripts.

Chris Long escribió un script que comprueba si tu sitio web responde a las preguntas que un asistente de IA está haciendo realmente.

Pregúntale algo a un asistente y rara vez busca lo que escribiste. Rompe tu pregunta en varias más específicas y va a buscar esas en su lugar. El script extrae esas preguntas más específicas, puntúa cada una con las páginas que ya tienes y escribe los resultados en una hoja de cálculo.

Lo que obtienes es una lista de las preguntas que tu sitio web no puede responder. Eso es algo más útil de tener que una lista de palabras clave, porque un asistente ensambla su respuesta a partir de quien cubra las partes de un tema, y una página que cubre cuatro de las seis preguntas detrás de un tema simplemente se usa con menos frecuencia que una que cubre las seis.

Wil Reynolds utiliza las herramientas para webmasters gratuitas de Bing para ver cuáles de sus páginas se están utilizando en las respuestas de la IA, y qué preguntó la gente para llegar allí.

Bing informa de las búsquedas detrás de cada cita, por lo que recopila las preguntas que llevaron a un asistente a una página determinada. Luego lee la página comparándola con esa lista y reescribe siempre que la página no responda realmente a lo que se preguntó.

En cualquier otro lugar de la búsqueda con IA estás adivinando lo que la gente escribió. Aquí tienes las preguntas reales que llevaron tu página a una respuesta, lo que convierte una reescritura de una corazonada en una comparación que cualquiera puede hacer. No publica números sobre lo que esto hizo por él, así que quédate con el método en lugar de con un resultado.

Adina Timar, que lidera AEO en Weflow, reconstruyó sus plantillas de listicles y comparaciones a partir de datos de citas de IA en lugar de a partir de suposiciones clásicas sobre cómo se supone que debe ser una publicación de blog.

Rastrea 460 prompts en ChatGPT, Perplexity, Gemini y el modo IA de Google, luego conecta esos datos a Claude y trabaja en ellos. Cuáles de sus páginas son citadas, en qué plataforma, para qué prompt. Cómo estructura realmente un asistente una comparación cuando responde a una. Qué partes de una página aparecen en las respuestas y cuáles se ignoran. Luego construye la plantilla en torno a eso, sección por sección, de modo que cada parte de la página existe porque los datos dicen que un asistente extrae información de ella.

Todo el mundo está intentando adivinar cómo escribir para las respuestas de la IA, y la mayoría de los consejos son la teoría de alguien sobre la estructura. Esto reemplaza la teoría por un registro de lo que se citó. Sin embargo, vale la pena tener en cuenta su propia conclusión: diferentes prompts favorecieron diferentes tipos de páginas, por lo que lo que sale es una plantilla para tu mercado en lugar de una que funcione en todas partes. Y las páginas que ganan son las que tienen veredictos reales en ellas, donde dices qué herramienta es mejor en qué y admites dónde te supera un competidor, porque una página que solo se halaga a sí misma pierde ante G2.

Ross Hudgens, que dirige la agencia Siege Media, compartió el proceso que utiliza su equipo para elegir qué artículos escribir para ganar visibilidad en la IA.

Empiezan con los prompts que realmente conducen a una venta, las preguntas sobre "cuál es el mejor X" que cubren todo lo que venden, y los ponen en un tracker. Luego observan qué páginas se citan con mayor frecuencia en las respuestas. Esa lista, clasificada según la frecuencia con la que aparece cada página, es el cuadro de mando. Lo que buscan en él son empresas como la suya, porque que se cite a un competidor es prueba de que el lugar se puede ganar en lugar de estar reservado para Wikipedia.

El último paso es el que lo convierte en una lista de prioridades en lugar de una lista de deseos. Comprueban esos mismos temas con la demanda ordinaria de Google, y cualquier cosa muy citada por la IA y muy buscada en Google va a la parte superior. Terminas escribiendo para las preguntas que pagan, en el orden en que pagan, lo cual es una base más firme que adivinar lo que le podría gustar a un modelo.

Pídele a la IA que te escriba una publicación de blog y obtendrás basura. Sin personalidad, sin pensamientos originales, sin investigación, y generalmente faltando lo básico también, como enlaces internos e imágenes.

Sin embargo, trata el marketing de contenidos como un proceso de varios pasos, que es como ya trabajan un redactor experto y un buen equipo editorial, y resulta que la IA es notablemente útil en muchos de esos pasos individuales. Investigación, creación de briefings, redacción de esquemas, edición estructural, verificación de datos, enlazado interno, formato. Hemos escrito mucho sobre esto en el blog de Ahrefs, y el artículo que estás leyendo ahora mismo fue redactado con vibe-coding en Letaido.

Esta es mía. Documenté todo el proceso, y consigue que un artículo tenga un nivel de publicación para este mismo blog en aproximadamente dos horas, en lugar de varios días.

Funciona porque dividí nuestro proceso editorial en pasos lo suficientemente pequeños como para escribirlos, y luego los escribí: selección de temas, creación de briefings, esquemas, edición estructural, redacción de borradores, integración de nuestros productos, corrección de estilo, enlaces internos, metadatos y el formato de WordPress al final. Esos documentos viven en un proyecto de ChatGPT junto con muestras de escritura y extractos de mis cursos de escritura, de modo que cada conversación comienza con el estándar ya cargado. Relleno un breve briefing, y luego me siento en la silla del editor, leyendo cada etapa y exigiendo mejoras antes de que pase a la siguiente.

La cantidad de pasos es todo el truco. Un prompt pidiendo un artículo terminado te da basura, porque has entregado diez decisiones a la vez. Diez prompts limitados, cada uno haciendo un trabajo con alguien revisando el resultado, te da algo publicable. Se necesita un profesional del marketing competente para dirigirlo, y yo solo lo uso en temas que conozco lo suficientemente bien como para saber cuándo se equivoca.

Kelsey Libert, cofundadora de la agencia Fractl, pasó un mes aprendiendo Cursor y luego escribió y construyó 30 landing pages con él, una para cada uno de los productos de agentes de su empresa.

Cursor es un editor de código con IA integrada, por lo que describes lo que quieres en un lenguaje sencillo y él escribe el código. Trabajó en una ventana junto a varios modelos, utilizando su propio criterio de marketing para decidir lo que cada página tenía que explicar: qué hace el producto, por qué es importante, cómo funciona y cómo lo utilizarían diferentes tipos de compradores. No tenía experiencia en desarrollo al empezar y lo aprendió a través de sesiones nocturnas con su cofundador.

Las landing pages son el clásico cuello de botella del marketing. Sabes exactamente lo que debería decir la página, y luego esperas semanas a que alguien más la construya, y la versión que vuelve no es exactamente lo que describiste. Poder escribir y lanzar la página tú mismo elimina un traspaso que cuesta a la mayoría de los equipos más tiempo que la redacción en sí. Su veredicto después de un mes fue que lo que produjo ya era mejor de lo que habría esperado de un equipo de marketing competente.

Mateusz, de nuestro equipo de contenido, quería saber si el tráfico orgánico de una empresa sigue el precio de sus acciones, lo que implicaba obtener tres años de tráfico mensual y precios de cierre mensuales para cada valor en el Nasdaq. Hizo que la IA escribiera el código que extraía ambos, de las API de Ahrefs y Polygon, uniera los conjuntos de datos, ejecutara las correlaciones y dibujara los gráficos. Lo describe en términos sencillos: casi todo el procesamiento de números en ese artículo fue obra de la IA.

También es sincero acerca de dónde dejó de ser suficiente. El estudio mejoró sustancialmente cuando una verdadera científica de datos, nuestra compañera Xibeijia Guan, se hizo cargo del análisis y decidió cómo debían ponderarse los números. Así que la versión honesta de esto es que la IA lo llevó de no tener datos a un conjunto de datos funcional y una primera pasada de las matemáticas, que es la parte que normalmente mata un proyecto de investigación antes de que empiece. La investigación original es casi el mejor activo para conseguir enlaces que tiene un equipo de contenido, y "nadie aquí puede extraer los datos" es normalmente la razón por la que nunca se hace.

Myriam Jessier compartió el sistema de prompts que ha utilizado durante meses para eliminar el relleno de las respuestas de ChatGPT, que ella llama Modo Absoluto.

Es un bloque de texto que pegas en tus instrucciones personalizadas. Le dice al modelo que elimine emojis, palabras de relleno, el hype y los pequeños calentamientos conversacionales, que deje de hacer preguntas de seguimiento y de ofrecer ayuda adicional, que deje de reflejar tu tono contigo, y que termine la respuesta en el momento en que haya contestado en lugar de añadir un resumen y una sugerencia.

La mayor parte del trabajo al editar el copy generado por IA consiste en eliminar cosas: el aclaramiento de garganta de la parte superior, la "gran pregunta", el resumen que no pediste, el entusiasmo de la oferta al final. Solucionar eso a nivel de instrucciones en lugar de frase por frase en cada borrador son los mejores diez segundos que puedes invertir si escribes con estas herramientas. También hace que el resultado sea más fácil de juzgar, porque una vez que se ha eliminado el relleno, puedes ver si había una idea debajo.

Wil Reynolds se graba a sí mismo explicando un concepto, lo transcribe y luego alimenta a un LLM con la transcripción para trazar un arco narrativo. NotebookLM y Gamma convierten esa estructura en varias variaciones de presentaciones.

Lo que se devuelve no es una presentación terminada, y él no la usa como tal. Es una forma aproximada que luego edita. Pero hablar es una forma mucho más rápida de sacar una idea de tu cabeza que escribirla, y las partes de la creación de diapositivas que consumen una tarde, decidir en qué orden van las cosas y hacer que se vean presentables, ya están hechas para cuando la abre.

Hay alrededor de mil artículos en este blog, y mantener los antiguos actualizados es uno de los trabajos de mayor retorno que hacemos. Un artículo publicado hace tres años puede seguir siendo lo mejor de internet sobre su tema y aún así estar perdiendo tráfico de forma silenciosa, porque una estadística en él está desactualizada o un competidor cubrió dos cosas que pasamos por alto. Actualizarlo es más barato que escribir algo nuevo y normalmente funciona más rápido.

También es importante para la búsqueda con IA. Analizamos 17 millones de citas en siete plataformas y descubrimos que los asistentes de IA citan páginas notablemente más frescas que los resultados orgánicos de Google, siendo ChatGPT el más entusiasta de todos con el contenido reciente. Así que un artículo que nadie ha tocado en tres años está trabajando en su contra en dos lugares a la vez.

El truco es que mil artículos son más de los que cualquiera puede retener en su cabeza, y comprobar uno correctamente lleva una hora. Nuestro Update Pipeline realiza esa comprobación. Le das una URL publicada y busca estadísticas que se han quedado obsoletas y encuentra fuentes más nuevas para ellas, señala dónde describimos nuestro propio producto como solía funcionar y compara el artículo con lo que actualmente posiciona para ver qué le falta.

Luego te muestra la versión antigua y la nueva una al lado de la otra, y tú aceptas o rechazas cada cambio de uno en uno. Nada se publica sin haberlo leído. Nuestro sprint mensual de "actualizar 20 publicaciones antiguas" pasó de ser algo de lo que hablábamos a ser algo que hacemos.

Steve Toth construyó un proyecto de Claude al que llama Investigador de Ganancia de Información.

Le das un tema y va a cazar a través de PDFs, documentos de Word y presentaciones de PowerPoint en lugar de páginas web normales. Unos diez minutos más tarde vuelve con aproximadamente 30 estadísticas, cada una con el año en que se publicó, un enlace y el archivo del que salió.

Las estadísticas que todos citan son las que están en las páginas web, fáciles de encontrar y que ya están en los artículos de tus competidores. Las que nadie cita están en el apéndice de un PDF que nadie ha abierto. Ir tras los formatos de archivo en lugar de las páginas es lo que pone un número en tu artículo que los otros cinco resultados en esa búsqueda no tienen, y un número original es una de las pocas cosas que quedan que todavía gana un enlace.

Hacer un llamamiento a citas de expertos es una de las mejores formas de hacer que un artículo valga la pena leer, y cualquiera que lo haya hecho conoce el truco. Publicas la solicitud, y unos días después hay docenas de respuestas en tu bandeja de entrada, la mayoría inservibles, y sin forma de verlas todas sin abrir cada una.

Mateusz Makosiewicz, quien escribe nuestros estudios de datos, maneja esa pila con NotebookLM. Guarda las notificaciones de correo electrónico como PDFs, sube el lote y espera un minuto mientras los lee. Desde ahí puede hacer preguntas a todo el conjunto a la vez, en lenguaje sencillo, como pedirle que le muestre los consejos más poco convencionales de los dueños de negocios y nombrar de qué archivo vino cada uno. Una vez que tiene las citas que quiere, se cambia a otra herramienta para escribir, porque NotebookLM es bueno para encontrar cosas en tus documentos y menos bueno para la prosa.

Dos cosas hacen que esto funcione mejor que pegar todo en ChatGPT. Puede contener mucho más texto a la vez de lo que la mayoría de las herramientas de chat aceptarán, lo que importa cuando tienes cien respuestas. Y responde solo a partir de los documentos que le diste, con una referencia a la fuente, por lo que una cita que obtienes de él es una que alguien realmente dijo.

Ryan McCready encadenó cuatro automatizaciones de Zapier que convierten las grabaciones que su equipo ya tenía por ahí en contenido e investigación de clientes.

La primera toma la grabación de un webinar y produce tres esquemas de blog, una guía de los mejores clips y briefs para redes sociales, archivados en Notion. Aprueba un esquema y la segunda lo convierte en un borrador de unas 1.200 palabras con fuentes y citas. La tercera escucha las llamadas de ventas y archiva cada punto de dolor y objeción en una base de datos etiquetada. La cuarta hace lo mismo con llamadas de clientes más largas, extrayendo citas y etiquetándolas por el tipo de comprador que las dijo.

Todas las empresas graban estas llamadas y casi nadie vuelve a escucharlas nunca, por lo que el relato más honesto de lo que quieren los clientes se encuentra en una carpeta que nadie abre. La base de datos de quejas es lo que hace que esto sea más que un ahorrador de tiempo. La mayoría de los equipos de contenido no guardan ningún registro de lo que los clientes se quejan realmente, así que cada trimestre alguien reconstruye esa lista de memoria y la llama plan de contenido.

La elaboración de informes es el trabajo más automatizable en marketing. También es la parte del mes menos favorita de todo el mundo, lo cual es una buena señal de que debería estar haciéndola una máquina.

La IA puede hacer la mayor parte de este trabajo por ti: extraer las exportaciones, unirlas, construir las tablas. Y cuando soy yo quien lo hace a mano, se cuelan pequeños errores, una columna desparejada o el número del mes pasado copiado en la fila de este mes, por lo que tenerlo hecho de la misma manera cada vez vale algo más allá de las horas que ahorra. Lo que la herramienta todavía no puede hacer es decirte qué significa algo de eso. Esa parte sigue siendo tuya.

Letaidoconstruye nuestro informe de rendimiento mensual del blog el día 2 de cada mes, extrayendo datos de Google Search Console y de Web Analytics. Tarjetas de KPIs, un gráfico de tendencias de 12 meses, desgloses por subcarpetas, tablas de ganadores y perdedores, avisos diarios de anomalías, listas de publicaciones paginadas.

También redacta entre 6 y 10 viñetas de análisis posibles para la persona que escribe los comentarios, por lo que está editando en lugar de empezar desde una página en blanco.

Antes tomaba la mayor parte de un día. ¡Ahora se ejecuta automáticamente!

Realizamos una auditoría semántica de este blog para averiguar cuántos de nuestros artículos cubren nuestros temas principales (SEO, link building, marketing de contenidos) y cuántos cubren temas en los que Ahrefs no es una autoridad.

Comienza de la misma manera que la herramienta de enlaces internos: convierte cada artículo en una larga cadena de números llamada vector embeddings. Haz una media de todos ellos y obtendrás una cadena de números para el blog en su conjunto, que es lo más parecido a una respuesta matemática a "¿de qué va este sitio?". A continuación, mide la distancia de cada artículo a ese centro. Si está cerca, está de lleno en el tema. Si está muy lejos, es un artículo sobre otra cosa que resulta estar en tu blog. Clasificamos cada página en cuatro grupos en base a esto, de principal a lejano, y adjuntamos el tráfico, los enlaces y las posiciones de cada una para poder ver cómo se comparan los grupos.

El patrón era lo suficientemente claro como para cambiar lo que encargamos. Las páginas principales reciben alrededor del doble de tráfico orgánico que las lejanas. En todos los blogs se acumulan artículos que parecían una buena idea en ese momento y que se sitúan un poco fuera de lo que el sitio es conocido, y esto le pone una cifra a lo que te cuesta esa desviación.

Chris Long documentó un asistente de auditoría de contenido creado por Ian Lurie que lee juntos tus rastreos, tu analítica y tus números de Search Console, en lugar de uno a la vez.

Screaming Frog, Google Analytics y Search Console alimentan a Claude a través de Zapier. Claude lee los tres de forma conjunta y busca páginas que pierden tráfico, páginas que responden a una pregunta diferente a la que la gente está haciendo, y páginas que ya no encajan con el resto del sitio web. El trabajo está en escribir las instrucciones para él y reescribirlas hasta que valga la pena leer el resultado.

Muchos problemas de contenido son invisibles en cualquiera de esos informes por separado. Una página puede parecer saludable en analítica mientras que silenciosamente pierde impresiones, o posicionarse perfectamente para una búsqueda cuyo significado se ha alejado de lo que dice la página. Solo detectas eso cuando los tres conjuntos de datos se colocan uno al lado del otro, y esta combinación de fuentes de datos es algo en lo que la IA es excelente.

Las redes sociales son difíciles por dos razones: la gente menciona tu marca en más lugares de los que puedes seguir el ritmo, y siempre hay más cosas que podrías estar publicando que tiempo tienes para escribir.

La IA es buena en ambos trabajos, siempre y cuando la uses para clasificar y redactar borradores en lugar de para publicar. Equivocarse en una respuesta en las redes sociales es más caro que equivocarse en un informe. Un mal informe te hace perder la mañana, y un comentario desafortunado dejado en un subreddit por un robot hace que te baneen, te hagan capturas de pantalla y te avergüencen. Así que deja que encuentre las menciones que vale la pena responder y te dé un primer borrador para trabajar, y luego haz que alguien que conoce el entorno decida lo que realmente se publica.

El equipo de lemlist pasó tres meses tratando de descubrir si Reddit valía la pena su tiempo, y guardaron un registro de exactamente lo que hicieron. Durante ese período iniciaron 12 hilos propios en 6 subreddits, se unieron a 28 discusiones que ya estaban en marcha y respondieron en 13 lugares donde alguien había mencionado su marca sin previo aviso. El tráfico desde Reddit subió un 22%, y las personas que llegaban desde allí se registraban a un ritmo un 20% superior a su visitante medio. Los hilos en sí también comenzaron a posicionarse en Google y a aparecer como fuentes en las respuestas de ChatGPT y Perplexity.

La parte de la que se encargó la IA fue la búsqueda. Reddit es enorme, y las conversaciones en las que tendrías algo genuinamente útil que aportar están dispersas por ahí, enterradas bajo una pila mucho más grande donde serías una molestia. Utilizaron la IA para leer a través de esa pila y sacar a la superficie el puñado de hilos que eran realmente relevantes, y luego para darles un punto de partida para una respuesta.

Todo lo que hubo después fue una persona. Alguien del equipo leía el hilo, decidía si tenían algo que valiera la pena decir, lo escribía con sus propias palabras y lo publicaba bajo su propia cuenta. Eso no es un compromiso por el bien de las reglas de Reddit, aunque esas reglas son lo suficientemente claras como para que las leas. Es que todo el valor de estar en un subreddit es que la gente pueda darse cuenta de que eres una persona que sabe de lo que habla. Una respuesta automatizada fracasa en lo único para lo que estaba allí.

Britney Muller, que enseña a profesionales de marketing a construir con IA en su estudio Orange Labs, explica paso a paso cómo extraer insights de audiencia de plataformas comunitarias en lugar de intentar adivinar. Su punto es que las conversaciones que más quieres leer son las que nadie tiene tiempo de encontrar, y que esto ahora es un problema con solución en lugar de uno permanente.

La versión que ella recomienda construir tú mismo utiliza la propia API gratuita de una plataforma para recopilar las discusiones que mencionan tu marca o tu tema, y luego hace que un modelo las lea y extraiga lo que realmente se está diciendo: las quejas recurrentes, las preguntas que surgen una y otra vez, las comparaciones que la gente hace entre tú y un competidor, y las palabras exactas que utilizan para todo ello. Realiza un taller gratuito que guía a la gente paso a paso en su construcción.

Lo que se obtiene vale más que una puntuación de sentimiento. Es el lenguaje que utilizan tus clientes cuando no saben que estás escuchando, que por lo general no se parece en nada al lenguaje de tu sitio web. Esa es la materia prima para una landing page que suena como si la hubiera escrito alguien que los ha conocido, y para saber qué objeción responder primero.

Hice que Letaido me construyera un generador de posts sociales, porque escribir el post de LinkedIn es la parte de publicar un artículo que más pospongo. Revisa el mapa del sitio del blog en busca de cualquier cosa nueva bajo mi firma, lee el artículo y escribe cinco borradores de una publicación sobre él.

Los cinco son deliberadamente diferentes entre sí: uno comienza con lo más sorprendente del artículo, uno abre con una historia, uno hace la pregunta que responde el artículo, uno enumera las conclusiones y uno argumenta en contra de algo que la mayoría de la gente cree. Eso está ahí porque no sé qué enfoque quiero hasta que veo unos cuantos, y elegir entre opciones es mucho más fácil que empezar de cero.

La parte que lo hizo utilizable en lugar de una novedad es que escribe con mi voz, no con la de LinkedIn. Marqué mis propias publicaciones de mejor rendimiento dentro de la aplicación, y se las paso al modelo como el estilo a copiar, ponderado por encima de todo lo demás. Una vez que he elegido un borrador y lo he editado, la aplicación lo envía a mi cola de programación a través del Gestor de redes sociales de Ahrefs. De modo que el trabajo pasa de escribir un post desde cero a elegir entre cinco y arreglar el que me gusta.

El outreach vive o muere según el momento y la relevancia. Ser la tercera persona en presentarle una historia a un periodista no vale nada, por lo que el trabajo implica observar miles de historias al día a través de feeds que nadie tiene tiempo de leer, y luego escribir a cada contacto como si hubieras leído su trabajo. Ambos son trabajos que una máquina puede asumir.

Lo que no puede asumir es el juicio sobre si tu propuesta es bienvenida en primer lugar. El outreach generado por IA a gran escala es la razón por la que muchos periodistas ya han dejado de leer sus bandejas de entrada, y personalizar más rápido solo ayuda si lo que envías vale la pena recibirlo. Por lo tanto, los cuatro a continuación se detienen en el mismo lugar: hacen el seguimiento y el primer borrador, y te dejan decidir qué es lo que realmente se envía.

Mark Williams-Cook escribió un script de Python que ejecuta un LLM local (Ollama con Gemma) a través de miles de noticias diarias extraídas de feeds RSS, haciendo coincidir cada titular y descripción con los perfiles de interés del cliente. Los leads cualificados van a Slack para el equipo de PR digital.

Ejecutar el modelo de forma local es lo que hace que el volumen sea viable, porque no hay que preocuparse por ninguna factura de API por llamada cuando estás examinando miles de historias al día.

Andy Chadwick alimenta transcripciones de llamadas de ventas en un flujo de trabajo de ChatGPT entrenado en su propio tono, los detalles de su producto y las objeciones que escucha más a menudo. Redacta un seguimiento que refleja los problemas declarados de ese prospecto en específico, lo edita, lo envía.

La composición pasó de 45 minutos a 5. Él informa de una tasa de cierre del 90% en los seguimientos de precio alto para los que lo usa, en servicios de 5.000 a 10.000 £.

El propio Sam Oh de Ahrefs pagó a una agencia para que le hiciera outreach. Enviaron 100 correos electrónicos y obtuvieron tres respuestas, dos de las cuales pedían que los sacaran de la lista. Así que construyó su propia campaña de outreach en su lugar, y lo grabó.

Funciona como un equipo de agentes con un gerente. El gerente comienza entrevistándolo sobre lo que busca: cómo es un buen prospecto, qué descarta a uno, cómo deben leerse los correos electrónicos. Luego, un agente sale a buscar prospectos y extrae los datos de Ahrefs sobre cada uno, un segundo comprueba si el crecimiento de su tráfico es real en lugar de un espejismo, y un tercero escribe los correos electrónicos y los deja en sus borradores de Gmail para que los apruebe. Ejecuta todo esto desde Slack.

Lo puso en marcha mientras se dirigía al aeropuerto, y para cuando llegó a su puerta de embarque había 74 borradores esperando. De los 54 que envió, 11 respondieron y siete se convirtieron en reuniones reservadas, frente a un objetivo de cinco. El cold outreach es principalmente un trabajo de investigación en lugar de uno de redacción, ya que la razón por la que se ignora la mayor parte es que nadie hizo los deberes sobre a quién le estaban escribiendo. Esa es la parte que esto hace por ti, y es la razón por la que los correos electrónicos se leían como si alguien lo hubiera hecho.

Construimos un Generador de Notas de Prensa que toma la URL de un artículo de blog o una nota sobre una funcionalidad de producto y devuelve una nota de prensa formateada. El plan es apuntarlo a nuestros estudios de datos, para que cada nuevo estudio venga con un comunicado ya redactado en lugar de esperar a que alguien encuentre una tarde libre.

La investigación original es la forma en que conseguimos ser recogidos por la prensa. Nuestros estudios han sido citados por medios como The Atlantic, CNN y la BBC, y eso solo sucede si alguien realmente se los propone, rápidamente, mientras el hallazgo todavía es noticia. La escritura nunca fue la parte difícil de eso, pero era el paso en el que todo se atascaba, por lo que tener un primer borrador esperando es lo que hace que la promoción suceda de manera consistente en lugar de cuando hay tiempo. El resultado todavía necesita que una persona lo lea antes de que vaya a ninguna parte.

Lanzar un producto significa escribir una landing page, un correo electrónico, un guión de vídeo, una presentación de ventas y un one-pager, y todos deben decir lo mismo. Generalmente no lo hacen. Diferentes personas los escriben en diferentes semanas, por lo que la landing page promete algo que nadie acordó y el correo electrónico está dirigido a un cliente diferente que la presentación. Leer los cinco uno al lado del otro para detectar eso es un trabajo que todos tienen la intención de hacer y que nadie hace la semana de un lanzamiento.

Escribir las primeras versiones es la parte fácil, y la parte que hay que revisar con más rigor. Estos tres provienen de nuestro equipo de marketing de producto, y lo mejor que tienen es el paso que lee todo al final y te dice dónde dos documentos no están de acuerdo.

Andrei, que dirige el marketing de producto en Ahrefs, construyó un Generador GTM que convierte un solo brief de producto en borrador en seis cosas: un brief pulido, una landing page, un guión de vídeo de 90 segundos, un correo electrónico promocional, un folleto que está casi listo para imprimir, y una comprobación final.

Esa última es la razón por la que todo se mantiene coherente. Lee los cinco documentos uno al lado del otro y te escribe una lista de todos los lugares en los que no están de acuerdo entre sí, hasta el punto de que una landing page promete que algo es "10x más rápido" cuando nadie afirmó eso en el brief.

Una vez que Andrei ha editado los documentos, puede volver a introducirlos en la herramienta para que compare sus versiones editadas con lo que escribió originalmente.

El Creador de Campañas de Anuncios de Pago de Ahrefs toma el dominio de un competidor y te devuelve un conjunto de anuncios para que los lances contra ellos.

Extrae las palabras clave por las que ese competidor paga y las páginas a las que envían ese tráfico, luego lee esas páginas para que pueda ver las promesas reales en el texto de sus anuncios. Agrupa las palabras clave en temáticas, señala aquellas por las que tú mismo no estás pujando, y redacta anuncios de Búsqueda de Google para esas brechas, tres titulares y dos descripciones por versión, dentro de los límites de caracteres.

La búsqueda de pago es el único lugar donde un competidor no puede ocultar lo que cree que vale dinero. Cada palabra clave en esa lista es una que alguien eligió pagar, probó, y siguió pagando, lo que la convierte en una lista preseleccionada que ya ha sido validada con un presupuesto que no era el tuyo. Recibirla en la mano, junto con los anuncios para apuntar a las brechas, es una buena tarde de trabajo para un nombre de dominio.

Constance se encarga de los webinars de Ahrefs, así que le pidió a Letaido que construyera una aplicación de automatización de webinars. Escribe un título, una fecha y quién es el ponente, y le configura todo el proceso.

Trabaja hacia atrás desde la fecha del webinar para decidir cuándo es necesario hacer cada trabajo, luego crea las tareas en Linear: configurar el evento de Zoom y las landing pages, redactar el copy promocional, reservar la promoción de pago, preparar las diapositivas y el guión, y reportar cómo fue después. Eso son veinte tareas en total, escritas a partir de plantillas que ella puede cambiar para cualquier webinar en particular.

También se los entrega en etapas en lugar de todo a la vez, por lo que solo ve los trabajos sobre los que realmente puede hacer algo hoy. Hacer un webinar no es difícil, son simplemente veinte pequeñas cosas que deben suceder en el orden correcto, y olvidar una de ellas es lo que te cuesta la audiencia.

El marketing internacional se multiplica. Cada artículo que publicas se convierte en siete artículos, cada uno con su propio keyword research, sus propios enlaces internos que remapear, sus propios gráficos que redibujar, sus propias etiquetas hreflang que mantener ordenadas. Gran parte de ese trabajo añadido es mecánico en lugar de cualificado, por lo que encaja muy bien para la automatización y por lo que normalmente simplemente no se hace.

La parte en la que vale la pena tener cuidado es que la traducción y la localización no son lo mismo. Un modelo te dará felizmente un español fluido que se lee como si hubiera sido escrito para el país equivocado, y no te darás cuenta si no lo hablas.

Erik y Taka del equipo de marketing internacional de Ahrefs construyeron un pipeline de traducción que maneja siete idiomas, cada uno con su propia guía de tono, glosario y reglas de traducción: francés, español, japonés, alemán, italiano, coreano y chino tradicional.

También arregla los enlaces, que es la parte que generalmente se olvida. Si traduces un artículo, los enlaces que contiene seguirán apuntando a las versiones en inglés de tus otros artículos, por lo que un lector en Japón sigue uno y vuelve al inglés. Esto verifica cada enlace, y si hay una versión japonesa de ese artículo, la cambia. Si no la hay, te dice qué enlaces dejó intactos y por qué.

Y antes de nada de eso, realiza un keyword research en el país para el que estás traduciendo, para que el artículo vaya tras las palabras que la gente de allí busca realmente, en lugar de una traducción literal del inglés.

Un artículo traducido con capturas de pantalla en inglés solo está traducido a medias, y un post de Ahrefs puede incluir una docena de gráficos y diagramas de flujo. Así que el equipo internacional construyó un traductor solo para recursos visuales: subes un PNG, JPG o PDF, eliges un idioma y región, y obtienes la imagen localizada.

Ocurren dos cosas. Primero, un modelo mira la imagen y anota lo que necesita cambiarse, en lenguaje sencillo. Luego, un segundo modelo redibuja la imagen con esos cambios hechos. Eliges una región además de un idioma, por lo que el español para México vuelve diferente del español para España, y los precios, las direcciones web de ejemplo y los nombres cambian para adaptarse.

Si se equivoca en una palabra, puedes decírselo y redibujará esa imagen con tus palabras en su lugar. En la captura de pantalla de abajo alguien está corrigiendo un término en japonés a la frase que el equipo usa realmente.

Los intérpretes simultáneos profesionales cuestan más de 2.000 $ al día y no conocen tu producto. En su lugar, Taka ejecuta un Intérprete en vivo en un portátil junto al escenario, generando subtítulos en inglés y japonés desde la señal del micrófono mientras alguien habla.

El discurso en vivo llega en fragmentos a medio terminar, por lo que espera y solo pone una oración completa en pantalla. También lee primero de un glosario de los nombres de nuestros productos, lo que significa que las AI Overviews siempre salen como el término japonés que hemos acordado en lugar de algo similar. El equipo usa Gemini 3 Flash, que es lo suficientemente rápido como para seguir el ritmo de alguien hablando.

Mucha gente te dirá que han despedido a su equipo de marketing y le han entregado todo el asunto a la IA. En realidad, la IA es una herramienta, y solo es tan buena como la persona que la sostiene.

Cada proceso de esta lista fue diseñado por alguien que conoce el marketing de cabo a rabo. Conocen los flujos de trabajo y los resultados deseados. Tienen gusto y criterio. Podrían obtener un buen resultado sin IA generativa, y es precisamente por eso que obtienen uno mejor con ella. La herramienta multiplica lo que tú ya aportas; si no aportas nada, multiplica nada.

Así que mantente escéptico. La IA no es una caja mágica que resuelve tus problemas mientras miras. Pero en manos como las tuyas, hará que gran parte de tu trabajo sea más rápido, que bastante de él sea mejor, y que algo sea genuinamente más divertido de lo que solía ser.

¿Tienes un flujo de trabajo propio que pertenece aquí? Mándame un mensaje en LinkedIn y le echaré un vistazo.