Algo se rompió en silencio en el marketing durante los últimos dos años, y la mayoría de los equipos todavía no se dio cuenta.
No es que la AI llegó e hizo las cosas más rápido. Esa es la versión superficial de la historia. La versión más profunda es que toda la lógica de quién hace qué, y por qué ciertas habilidades importan, se reorganizó.
Esto es lo que quiero decir.
Durante mucho tiempo, el ingeniero era la persona más valiosa en cualquier empresa de tecnología. No porque los ingenieros fueran más inteligentes. Porque construir era el cuello de botella. Si podías shippear, tenías palanca. Todos los demás esperaban.
Ese cuello de botella ya no existe.
Un founder no técnico puede lanzar un producto funcional en un fin de semana. Un operador solo puede construir herramientas en una semana que hace unos años habrían requerido un equipo. La capacidad de construir ya no es lo que separa a las empresas.
Lo que las separa ahora es si la gente sabe que el producto existe.
Distribución. Lograr que un ser humano vea tu cosa, le importe, y se lo cuente a otro. Esa es la parte difícil ahora. Ahí es donde se movió la palanca.
Y acá está la parte que todavía no terminó de asentarse: ya no se trata solo de humanos.
Tu audiencia incluye agentes
Cuando alguien le pregunta a Perplexity qué herramientas usar para su stack de growth, Perplexity responde. Cuando un founder le pide a Claude que le recomiende un CRM, Claude responde. Cuando alguien usa un asistente de AI para investigar proveedores antes de hablar con ventas, ese asistente filtra y evalúa antes de que un humano entre siquiera en el cuadro.
Los agentes de AI son cada vez más el primer punto de contacto entre tu producto y un comprador potencial.
Esto cambia todo sobre lo que significa distribución.
El SEO era sobre ser encontrable por el crawler de Google. GEO, generative engine optimization, es sobre ser recomendable por los sistemas de AI que ahora moldean las decisiones humanas. Si un modelo no muestra tu producto cuando alguien pregunta sobre tu categoría, no existís para una porción creciente de tu mercado.
El problema de distribución no solo se puso más difícil. Ganó una dimensión nueva.
Y la mayoría de las empresas están construyendo para la versión vieja del problema.
El rol que todavía no tiene un puesto formal
Hay una persona que está empezando a aparecer en las startups mejor gestionadas. No tienen un título de puesto estándar. A veces les dicen growth, a veces marketing, a veces GTM engineer. Lo que los hace distintos no es su título. Es cómo piensan su trabajo.
Tratan la distribución como un problema de ingeniería.
No corren campañas. Construyen los sistemas que corren las campañas. No escriben copy a mano. Construyen pipelines que generan, testean, e iteran variaciones mientras duermen. No abren dashboards para chequear performance. Construyen conexiones que dejan que su AI extraiga datos en vivo y les diga qué está roto.
El apodo que la gente está empezando a usar es Distribution Engineer.
La idea es bastante simple. La ejecución es lo que la mayoría todavía no descifró.
Los niveles de cómo la gente realmente está haciendo esto
La mayoría de la gente que dice que está usando AI para marketing está en el nivel uno.
Nivel uno es automatizar lo que ya hacés. Reportes automáticos. Copy generado por AI. Extracciones de datos programadas. Útil. No diferenciador. En unos meses, esto es lo mínimo esperable porque las herramientas son baratas y fáciles. El nivel uno te evita quedarte atrás. No te ayuda a estar adelante.
Nivel dos es usar la AI como socio de pensamiento. Construís una base de conocimiento con tus datos internos, campañas pasadas, e investigación de competidores. Conectás múltiples modelos para evaluar ideas desde distintos ángulos. Metés una dirección aproximada y te devuelve diez caminos de ejecución basados en lo que tu empresa ya probó. Esto requiere construir algo. La mayoría de los marketers no construyen. Operan. El nivel dos empieza a separarte.
Nivel tres es hacer trabajo que siempre fue teóricamente valioso pero nadie tenía las horas para hacer. Minar keywords negativas en cada ad group. Monitorear cada movimiento de la competencia en tiempo real. Convertir cada webinar en un artículo. Testear A/B versiones de landing page por segmento. Personalizar el outreach a escala real. El Distribution Engineer tiene las horas para esto porque construyó agentes que no duermen. Acá es donde empezás a superar a equipos enteros.
Nivel cuatro es construir herramientas custom que solo tu negocio específico necesitaría. Tus datos, tus flujos de trabajo, tus casos borde. Ninguna herramienta genérica cubre esto. Ninguna agencia te lo construye. Acá es donde una persona empieza a superar genuinamente a departamentos enteros.
| Nivel | Cómo se ve |
|---|---|
| 1. Automatizar | Reportes automáticos, copy generado por AI — lo mínimo esperable, no diferenciador |
| 2. Socio de pensamiento | Una base de conocimiento real, múltiples modelos evaluando ideas desde distintos ángulos |
| 3. Antes imposible | Monitoreo diario de competidores, outreach personalizado a escala completa — trabajo que nadie tenía las horas para hacer |
| 4. Totalmente custom | Herramientas construidas para tus datos y casos borde exactos — ninguna herramienta genérica o agencia cubre esto |
La mayoría de la gente está en el nivel uno. El Distribution Engineer vive en el tres y el cuatro.
Las cinco cosas que vale la pena construir
No "construir agentes" como instrucción genérica. Específicamente estas:
Un Copy Engine. Toma tus datos de performance, tu contexto de marca, y tu audiencia objetivo y genera variaciones de copy en distintos formatos. Dos sub-agentes: uno para titulares, uno para el cuerpo del copy. Un tercero que actúa como crítico. Memoria que registra cada variación y resultado para que la siguiente ronda sea más inteligente que la anterior. Corre en un horario. Te manda un resumen para revisar.
Un Intelligence Monitor. Vigila a tus competidores todos los días. Ads nuevos, cambios en landing pages, keywords en las que están empezando a rankear, cambios de precio, menciones de marca. Corre a las 5am antes de que empiece tu día. Te manda un briefing con qué se movió y por qué importa. La mayoría de los equipos hace investigación competitiva una vez por trimestre. Esto lo hace todos los días, automáticamente.
Un Content Multiplier. Toma un asset y lo convierte en muchos. Un webinar de sesenta minutos se convierte en un artículo de blog, diez clips para redes, un newsletter, cinco hilos de LinkedIn, y contenido de FAQ. Una llamada de ventas se convierte en insights de objeciones y talking points actualizados. El tiempo de producción pasa de días a menos de una hora. Usa Whisper para transcripción de audio, después nodos de AI en paralelo, uno por formato de output, cada uno con sus propias instrucciones de formato.
Un Lead Intelligence Engine. Toma una lista de cuentas objetivo y hace la investigación que nunca tenés tiempo de hacer. Extrae datos firmográficos, encuentra noticias recientes, puntúa cada cuenta contra tu ICP, y escribe un mensaje de outreach personalizado para las que puntúan más alto. En lugar de doscientos emails idénticos, cincuenta que parecen que de verdad hiciste la tarea sobre cada empresa.
Un Performance Optimizer. El loop continuo para paid media. Chequea cada seis horas o cuando las métricas cruzan umbrales. Extrae datos en vivo de Meta y Google. Hace ajustes de bajo riesgo automáticamente. Marca los cambios de alto riesgo para tu aprobación. Registra cada decisión con su razonamiento. Trabaja a las 3am de un domingo cuando nadie en la competencia tiene a alguien mirando.
El stack que lo hace real
La capa de modelos: Claude para razonamiento complejo, análisis de contexto largo, y seguir instrucciones detalladas. GPT para tareas multimodales y validar ideas contra una segunda perspectiva. Gemini para tareas de alto volumen y sensibles a la velocidad donde el costo importa. Usá distintos modelos para distintas tareas. Los mejores sistemas no corren sobre un solo modelo.
La capa de orquestación: n8n es por donde la mayoría debería empezar. Tiene integración nativa con LangChain, memoria persistente entre ejecuciones, y cobra por corrida de workflow en lugar de por paso, lo que lo hace significativamente más barato que Zapier para configuraciones complejas. Make.com funciona bien para equipos donde no todos son técnicos. Claude Code para workflows custom que ninguna plataforma visual puede manejar.
La capa de memoria: Airtable para el registro de experimentos. Cada test, cada resultado, cada aprendizaje. Pinecone o Weaviate para almacenamiento vectorial para que los agentes puedan buscar en tu historial y encontrar lo que funcionó. Sin memoria, cada generación arranca de cero. La memoria es lo que convierte a un agente en un sistema que se compone.
La capa de GEO: contenido estructurado que los sistemas de AI pueden leer y citar. Posicionamiento claro que le facilita a un modelo recomendarte en contexto. Presencia en los lugares de donde la AI extrae cuando responde preguntas. Este es territorio nuevo y la mayoría de los equipos no está construyendo para esto en absoluto.
Quién realmente hace esto
Tres habilidades que rara vez coexisten en una persona:
Suficientemente técnico para usar APIs, construir workflows, y conectar sistemas. No a nivel de ingeniería de software. Suficiente para hacer que las cosas realmente funcionen.
Psicología de audiencia. Entender qué hace que alguien haga clic, le importe, comparta. De qué tiene miedo. Qué quiere ser. Los ingenieros puros generalmente no tienen esto. Es lo que separa un buen output de agente de un output genérico.
Pensamiento sistémico. Ver la distribución como infraestructura, no como una serie de tareas. Diseñar para que el sistema mejore con el tiempo, no solo para que funcione una vez.
La combinación es genuinamente rara. Lo suficientemente rara como para que la gente que la tiene se esté volviendo extremadamente difícil de encontrar y extremadamente bien compensada.
Los marketers tradicionales están en problemas no porque la AI los esté reemplazando sino porque la AI está haciendo que una persona pueda hacer el trabajo de diez, si esa persona sabe construir. Los que solo operan herramientas cada vez más compiten con sistemas.
Los ingenieros tradicionales están en un tipo distinto de problema. Construir se está volviendo más fácil y más rápido. Lo que era escaso se está volviendo abundante. Pero muchos ingenieros nunca aprendieron a pensar en audiencias, a hacer que a la gente le importe, a poner su trabajo frente a la gente que lo necesita. Construyen cosas que nadie usa.
El Distribution Engineer está en el medio y, por ahora, casi no tiene competencia.
Por dónde empezar
Si sos un marketer que nunca construyó nada:
Pasá dos semanas usando Claude Code de verdad. No para escribir código. Para entender qué es posible. El objetivo es calibrar tu sentido de lo que estos sistemas pueden hacer.
Después creá una cuenta de n8n y construí una automatización que resuelva un problema real en tu trabajo actual. No importa qué tan chica.
Después construí el Copy Engine. No va a ser perfecto. Va a funcionar. Iterá desde ahí.
Sumá el Intelligence Monitor después. La investigación competitiva automática todos los días cambia cómo pensás tu mercado.
Seguí sumando agentes. Cada uno se construye más rápido que el anterior porque la lógica es la misma: definí el output, escribí el prompt, conectá los datos, cerrá el loop de feedback.
La parte que realmente es nueva
Durante la mayor parte de la historia del marketing, la distribución fue un problema de presupuesto. Si podías gastar millones en medios, llegabas a la gente. Si no podías, no llegabas.
Los sistemas que se están construyendo ahora — agentes, workflows orquestados, AI que optimiza mientras dormís, más GEO para los modelos que moldean lo que ven los compradores antes de llegar siquiera a tu sitio — están haciendo posible que una persona con el stack correcto supere a la operación de marketing de una empresa veinte veces más grande.
No eventualmente. Ahora mismo.
La ventana en la que esto todavía es una ventaja, antes de que todos se pongan al día, está abierta hoy.
El Distribution Engineer es la persona que ve eso y actúa en consecuencia.