En la era de la IA, la decisión in-house vs agencia ya no va principalmente de coste. Quédate las capas que componen —juicio de marca, datos propios y la memoria de cliente que hace que la IA mejore con el tiempo— y usa agencias para producción elástica y ejecución especialista. La pregunta decisiva ha pasado de «¿qué es más barato?» a «¿qué mejora cuanto más lo hacemos?». Ese es un test distinto, y apunta a un reparto distinto.
Escribí por primera vez sobre in-housing vs outsourcing en 2007, cuando el argumento era casi puramente económico: contrata la capacidad o alquílala. La economía sigue importando. Pero la IA cambia qué es «la capacidad», porque el valor de un equipo ahora depende en parte de lo que acumula. Esa es la parte que se pierden la mayoría de los debates sobre in-housing.
Qué ha cambiado desde el debate del coste
El cálculo antiguo era simple. Una agencia tiene escala, así que puede repartir el coste especialista entre clientes y cobrarte menos que una contratación a tiempo completo. Externalizas cuando la necesidad es intermitente o especialista; internalizas cuando la necesidad es continua y central. Esa lógica sigue describiendo la capacidad de producción y la pericia de canal.
Lo que añade la IA es un segundo eje: parte del trabajo se vuelve más valioso cuanto más contexto le das. Un modelo que ha visto dos años de tus briefs, resultados, reglas de marca y decisiones pasadas produce mejor trabajo que uno nuevo. Esa mejora se acumula donde vive el contexto. Así que la pregunta no es solo «¿quién puede hacer esto más barato?», sino «¿dónde queremos que se acumule el aprendizaje?» —y esa respuesta favorece mantener cerca las capas que componen.
La pregunta decisiva: componer o ser elástico
Toda capacidad que puedes mantener o externalizar cae en un espectro entre componer y ser elástica. El trabajo que compone mejora al acumular contexto que posees: juicio de marca, entendimiento de audiencia, historial de rendimiento, el registro de qué decidiste y por qué. El trabajo elástico es capacidad que necesitas a veces y cuyo valor no depende de tu historia concreta: volumen de producción, desbordamiento, el lanzamiento de un canal especialista.
Las capacidades que componen pertenecen al in-house, porque externalizarlas significa alquilar fuera justo lo que te hace mejor. Las capacidades elásticas pertenecen a un socio, porque construir capacidad permanente para trabajo intermitente es desperdicio. La mayoría de los errores vienen de confundir las dos —mantener producción elástica in-house por costumbre, o entregar una capa que compone a una agencia y luego preguntarse por qué el trabajo nunca mejoró.
El mapa de capacidades
| Capacidad | In-house | Agencia | Por qué |
|---|---|---|---|
| Juicio de marca y categoría | Sí | — | Compone, es propietario, difícil de briefear |
| Datos propios y memoria | Sí | — | El aprendizaje se acumula aquí; debes poseerlo |
| Estrategia y diseño de medición | Sí | Limitado | Fija el estándar que todo lo demás hereda |
| Planificación y compra de medios | Compartido | Compartido | Juicio in-house, capacidad de ejecución alquilada |
| Producción creativa en volumen | — | Sí | Elástica; la herramienta la volvió barata y rápida |
| Localización y transcreación | — | Casi todo | Necesita matiz nativo a escala |
| Canales especialistas | — | Sí | Pericia intermitente, difícil de dotar de forma permanente |
| Reporting e inteligencia | Sí | Compartido | La interpretación compone; el ensamblaje es elástico |
| Gobernanza y política | Sí | — | Eres responsable; no se puede delegar |
La tabla es una posición de partida, no una regla. Una marca pequeña puede externalizar razonablemente más que una grande; una marca grande puede internalizar producción porque tiene el volumen para justificarlo. El eje que importa es la composición, y cada fila se decide por dónde necesita aterrizar el aprendizaje.
Por qué el juicio de marca se queda dentro
El juicio de marca es la llamada in-house más clara, y la IA la hace más clara. Un modelo puede generar trabajo on-brand solo si sabe qué significa «on-brand» para ti —que es un cuerpo de criterio, precedente y contexto que un socio nunca posee del todo. Cuantas más opciones produce un modelo, más valiosa se vuelve la persona que puede decir cuál es la correcta.
Esta es la trampa de externalizar el juicio de marca a una agencia: puedes delegar el trabajo pero no el conocimiento de tu propia marca. Cada ronda de feedback que das es contexto que le estás enseñando al modelo de otro. Con el tiempo, el activo que mejora se queda con ellos, no contigo. Si el juicio de marca es cómo compites, ese es el lugar equivocado para que se acumule el aprendizaje.
Por qué los datos y la memoria se quedan dentro
Los datos propios y la capa de memoria a su alrededor son la capa que compone que más importa, y la que más riesgo corre de ser externalizada por accidente. Si una agencia construye la capa de contexto que hace más inteligentes tus campañas —los briefs, los resultados, el registro de decisiones— entonces el beneficio de composición se acumula a la relación con la agencia, y lo pierdes el día que la relación termina.
Profundizo en esto en construir un data moat de memoria de cliente. La versión corta: el modelo es un commodity que puedes alquilar; la memoria es el activo que hace útil al modelo alquilado. Quédate la memoria. Alquila el modelo. La gobernanza es la misma historia —la responsabilidad no se puede externalizar, así que las reglas sobre qué puede ver el modelo y quién posee el output se quedan contigo. La pieza sobre gobernanza de datos cubre eso en detalle.
Qué externalizar
Externaliza la capa elástica. Volumen de producción, desbordamiento, localización de campaña, un canal especialista que lanzas dos veces al año —todo buen trabajo de socio. Estas son capacidades cuyo valor no depende de tu historia concreta, así que no hay pérdida de composición al alquilarlas, y hay coste real en construirlas de forma permanente.
El socio AI-native aquí es genuinamente útil, porque una tienda dirigida por flujos de trabajo puede producir y adaptar trabajo a una velocidad y un coste que tu equipo in-house no puede igualar para necesidades intermitentes. El punto es comprar capacidad sin comprar el aprendizaje. Quédate los briefs, los estándares y el registro de decisiones de tu lado del muro.
La transición, si estás re-repartiendo
La mayoría de los equipos no parten de cero; ya tienen una mezcla, y se fue a la deriva en vez de diseñarse. El re-reparto funciona mejor como una auditoría única. Lista cada capacidad que compras o construyes actualmente, marca cada una como compone o elástica, y normalmente encontrarás dos o tres que están en el lado equivocado. Los hallazgos habituales son una función de medición externalizada que debería estar interpretando tus propios datos, y un equipo de producción in-house haciendo trabajo elástico que un socio podría absorber.
Mueve una capacidad a la vez. Traer in-house una capa que compone es un proyecto —el contexto tiene que migrarse y la memoria reconstruirse de tu lado— así que hazlo con deliberación, no en pánico cuando un contrato está por renovarse. Y sé honesto sobre lo que construyó el socio: si el flujo de trabajo contiene tu contexto, extraerlo es parte del movimiento, no un añadido.
La implicación para el contrato
El reparto cambia qué debe decir el contrato. Si las capas que componen se quedan in-house, el acuerdo con el socio debería ser explícito sobre los datos: qué puede retener la agencia, qué debe devolverse o borrarse al final, y quién posee cualquier cosa derivada de tu contexto. El default en la mayoría de los contratos es el silencio sobre esto, lo cual entrega en silencio el activo de composición a quien construyó el flujo de trabajo.
Haz tres preguntas a cualquier socio. ¿Qué contexto conservas cuando termina el encargo? ¿Podemos exportar la capa de memoria que construisteis? ¿Quién posee los datos derivados? Si las respuestas son vagas, ese es el riesgo real del acuerdo —más que la tarifa.
FAQ
¿Debería una marca internalizar sus herramientas de IA o usar las de una agencia?
Internaliza siempre el contexto sobre el que corre la IA —tus datos, reglas de marca e historial de decisiones— aunque uses las herramientas de un socio. Las herramientas son reemplazables; el contexto es el activo. Puedes alquilar el modelo y el flujo de trabajo mientras posees la memoria que los hace útiles.
¿Es alguna vez correcto externalizar la estrategia?
Para un lanzamiento concreto o un mercado que no conoces, sí, como input temporal. Pero la estrategia que compone —el estándar de cómo se toman las decisiones— pertenece al equipo responsable de los resultados. Toma prestado un punto de vista; no externalices la responsabilidad.
¿Y si no podemos permitirnos un equipo sénior in-house?
Ahí es donde el modelo elástico se gana su lugar. Alquila juicio sénior para decisiones concretas y usa un socio para producción, pero quédate el contexto y la responsabilidad. El objetivo es poseer la capa que compone incluso a pequeña escala.
¿Cómo decidimos servicio a servicio?
Pregunta si el trabajo se vuelve más valioso al acumular contexto que posees. Si sí, mantenlo in-house. Si su valor es independiente de tu historia, externalízalo. Ese único test resuelve la mayoría de los casos sin un debate largo.
La versión corta
En la era de la IA, quédate in-house las capas que componen —juicio de marca, datos propios y la memoria que hace mejorar a la IA— y usa agencias para producción elástica y capacidad especialista. La vieja cuestión del coste sigue aplicando, pero ahora se sitúa bajo una mayor: ¿dónde queremos que se acumule el aprendizaje? Poseer esa respuesta es todo el juego. La guía del Modelo de agencia cubre el resto del reparto, y el carril para equipos in-house lo trabaja a través de gobernanza y medición.
Si has hecho este reparto en tu propio equipo, me gustaría saber qué capa resultó más difícil de mantener de lo que esperabas.
Un abrazo, Chandler
Este artículo está disponible en español, pero los materiales del curso (videos, plantillas y guías complementarias) están en inglés, japonés, chino simplificado y coreano; este sitio está disponible en 13 idiomas.