Qué roles necesita realmente un equipo de marketing AI-nativo en 2026

Sigo escuchando la misma conversación en distintas formas.

Alguien pregunta: "¿Cuántas personas necesitamos en el equipo ahora que tenemos AI?"

El número cambia. A veces son cuatro. A veces son diez. A veces es "probablemente podemos reducir este equipo a la mitad."

Entiendo por qué la gente se ancla en el headcount. Es concreto. Cabe en una línea de presupuesto. Es la pregunta que hace un CFO.

Pero desde mi experiencia, es el punto de partida equivocado.

La mejor pregunta es: ¿qué funciones necesita el equipo?

Porque las funciones resultan ser las mismas, ya sea que tengas un pod de agencia de cuatro personas, un equipo in-house de cuarenta, o algo intermedio. El organigrama es flexible. Las funciones no lo son.

He estado pensando mucho en esto durante el último año y quiero compartir a dónde he llegado. Puede que me equivoque en algunos detalles. Pero el patrón subyacente se siente correcto.

Primero: ¿Por qué no empezar por el headcount?

Porque la respuesta cambia según el contexto, y el contexto varía enormemente.

Una agencia de mercado medio construyendo desde cero no se parece en nada a un equipo enterprise adaptando AI a flujos de trabajo existentes. Un equipo in-house de ocho personas tiene restricciones diferentes a un pod de agencia que atiende a un solo cliente grande.

Si empiezas con "¿cuántas personas?" obtienes un número que parece preciso pero solo aplica a un escenario.

Si empiezas con "¿qué funciones?" obtienes algo portátil.

Tres funciones operativas (más un líder estratégico)

Después de construir sistemas de AI para equipos de marketing y trabajar en cómo realmente cambia el modelo operativo, sigo volviendo a tres funciones que necesitan existir, sin importar el tamaño del equipo.

1. Validación de output

Alguien tiene que revisar lo que la AI produce.

No solo "¿esto se ve bien?" sino específicamente:

¿Esto coincide con lo que la plataforma realmente muestra?
¿Sigue nuestra guía de marca y las reglas de campaña?
¿Los datos son precisos, o la AI suavizó algo importante?
¿Pasaría la revisión que hace nuestro stakeholder más exigente?

He empezado a llamar a esto la función de AI Auditor. La persona (o personas) que valida el output de AI en plataformas, creatividad y datos.

Lo interesante de esta función es que no necesariamente requiere una persona senior. Lo que necesita es alguien con profundidad actual en la plataforma — alguien que ha estado en las herramientas lo suficientemente reciente como para detectar cuando la AI produce algo incorrecto con total confianza. Escribí sobre esto en La AI sube el piso — las personas más cercanas a las plataformas suelen ser los mejores validadores, independientemente de su título.

Un estratega senior que no ha entrado a la plataforma publicitaria en tres años probablemente no puede hacer esto bien. Un operador de nivel medio que vive en la plataforma todos los días podría ser excelente en ello.

Eso importa para cómo contratas y desarrollas personas.

2. Infraestructura de datos y medición

Los sistemas de AI son tan buenos como los datos que fluyen hacia ellos. Alguien necesita ser dueño de:

Implementación y precisión del tracking
Definiciones de eventos de conversión
Higiene del data warehouse
Conexiones de datos entre plataformas
La verdad fundamental de la medición — qué constituye un tracking preciso, umbrales aceptables de discrepancia, lógica de atribución correcta

Pienso en esto como la función de Signal Architect. Es, en mi experiencia, la función más difícil de contratar en cualquier nivel de seniority. Las personas que pueden hacer esto bien son raras, y desarrollar esta profundidad internamente puede ser tu única opción realista.

Cuando una AI genera un plan de medición o señala una anomalía de rendimiento, la infraestructura del Signal Architect determina si ese análisis siquiera está basado en datos confiables. Sin esta función, estás construyendo sobre arena.

3. Conocimiento estructurado y memoria

Esta es la función sobre la que he escrito más recientemente, y creo que es la más subestimada.

Alguien necesita mantener la base de conocimiento estructurado que hace que todo lo demás funcione:

Contexto del cliente o marca (largo plazo: posicionamiento, voz, panorama competitivo, patrones estacionales)
Conocimiento operativo (corto plazo: pacing de esta semana, experimentos activos, resultados recientes, temas abiertos)
Estándares de evaluación (cómo se ve "bueno", qué se rechazó y por qué, qué benchmarks importan)

Llamo a esto la función de Memory Curator. La persona que asegura que los sistemas de AI tengan contexto actual y preciso para cada pieza de trabajo.

La memoria de largo plazo se actualiza trimestralmente. La memoria de corto plazo se actualiza cada ciclo. Ambos tipos necesitan ser estructurados y mantenidos deliberadamente. Sin esto, obtienes el problema que sigo viendo: AI que produce output pulido que falla completamente en el contexto de negocio.

La buena noticia es que esta función se beneficia de la experiencia, pero la habilidad central se puede enseñar. Es uno de los puntos de entrada más accesibles para alguien que se está desarrollando hacia un rol estratégico.

Más: Un líder estratégico o de cuenta

Estas tres funciones necesitan a alguien dirigiendo la dirección general — estableciendo prioridades, gestionando stakeholders, tomando las decisiones de trade-off que dan forma a en qué trabaja el equipo y por qué. Llámalo Account Lead, Director de Marketing, Head of Growth — lo que encaje en tu organización.

El punto es: las tres funciones de arriba — validación, infraestructura, memoria — son la capa operativa. El líder estratégico es la capa de dirección. Necesitas ambas.

Cómo se ve esto un lunes por la mañana

Déjenme hacer esto concreto.

Una marca de skincare de mercado medio se prepara para lanzar una campaña de Q2. La AI generó un plan de medios inicial, un brief creativo y un framework de medición durante la noche.

Esto es lo que pasa antes de que algo salga al aire:

El AI Auditor abre el plan de medios y lo revisa contra las plataformas. La AI recomendó un split 60/40 entre Meta y TikTok — pero el Auditor sabe que la integración de TikTok Shop de la marca se rompió el mes pasado y no ha sido arreglada. La AI no sabe eso. El Auditor lo señala antes de que se comprometa presupuesto.

El Signal Architect revisa el framework de medición. La AI propuso tracking basado en la configuración de pixel del trimestre pasado. Pero el Architect sabe que el equipo migró a tracking server-side hace dos semanas, y los viejos eventos de pixel ahora están duplicando conversiones. Los números de atribución se verían geniales y serían completamente incorrectos. El Architect corrige las definiciones de eventos antes de que se construya el dashboard.

El Memory Curator revisa el brief creativo. La AI produjo algo pulido — tono profesional, CTA fuerte, copy limpio. Pero la memoria estructurada del Curator muestra que el CEO de este cliente rechazó cualquier cosa con framing de "descuento" el trimestre pasado, y el equipo de compliance requiere lenguaje específico alrededor de claims de ingredientes. El Curator agrega esas restricciones antes de que el brief llegue al equipo creativo.

El Account Lead mira los tres outputs, ahora validados y corregidos, y toma la decisión estratégica: posponer el lanzamiento una semana porque un competidor acaba de anunciar un producto similar y la marca necesita un ángulo de diferenciación primero.

Ninguna de estas capturas es glamorosa. Todas habrían sido pasadas por alto por un equipo que simplemente confió en el output de la AI. Escribí sobre este patrón en Por qué la mayoría de las herramientas de AI marketing se sienten rápidas pero debilitan el juicio del equipo — la velocidad es real, pero sin la capa de validación, la velocidad solo te acelera hacia una peor decisión.

Cómo cambia la forma según el contexto

Aquí es donde creo que la conversación se vuelve más útil que un headcount fijo.

Un pod de agencia pequeño o equipo de startup (3-5 personas): Una persona tiene dos o incluso las tres funciones. El líder estratégico también cura la memoria. El especialista de canal también audita el output de AI. Esto funciona cuando el equipo es lo suficientemente pequeño como para que el contexto se comparta naturalmente.

Un equipo de agencia de mercado medio (6-12 personas): Cada función tiene una persona dedicada. Aquí es donde el modelo operativo empieza a generar interés compuesto — el conocimiento estructurado del Memory Curator hace que cada otra función sea más efectiva con el tiempo. Por lo que he visto, el mercado medio es en realidad la zona de disrupción más interesante ahora mismo, porque la brecha entre lo que estos clientes reciben actualmente y lo que un equipo aumentado con AI puede entregar es más amplia aquí.

Un equipo enterprise o in-house (15-40+ personas): Cada función podría tener un equipo detrás. La función de AI Auditor se convierte en una capa de calidad a través de múltiples canales. La función de Signal Architect se convierte en una capacidad de data engineering. La función de Memory Curator se convierte en una práctica de conocimiento institucional.

La clave: las funciones no son negociables. Las etiquetas del organigrama y la cantidad de personas por función son completamente flexibles.

Es por eso que creo que "¿cuántas personas?" es la pregunta equivocada. La mejor pregunta es: "¿existen estas tres funciones en nuestro equipo, y quién es responsable de ellas?"

Dónde encajan las personas junior — y por qué esto importa

Quiero abordar algo directamente, porque creo que es importante.

Muchas conversaciones sobre AI y equipos suenan así: equipos más pequeños, más apalancamiento, menos contrataciones. Y si estás al principio de tu carrera, eso puede sonar como: menos oportunidades para mí.

No creo que sea cierto. Pero tampoco creo que el viejo camino funcione más, y quiero ser honesto sobre eso.

El viejo modelo de aprendizaje funcionaba a través de la repetición. Las personas junior aprendían haciendo tareas manualmente — generando reportes, configurando campañas, extrayendo datos, formateando presentaciones — las veces suficientes como para internalizar el juicio detrás del trabajo.

Si la AI ahora maneja mucho de esa producción de primer paso, las repeticiones se reducen. La pregunta se convierte en: si la AI maneja todo el trabajo junior, ¿cómo llega alguien a ser senior?

Creo que este es uno de los problemas no resueltos más difíciles de la industria en este momento.

Aquí es donde he llegado, y lo sostengo con flexibilidad:

El modelo de desarrollo 2+2

Cuando pienso en construir un equipo, no asumo que todos los roles necesitan ser cubiertos por contrataciones senior externas.

Lo que creo que funciona mejor es algo como: 2 personas con experiencia + 2 personas en programas deliberados de desarrollo depth-first.

Las contrataciones con experiencia traen juicio y contexto. Los espacios de desarrollo traen profundidad actual en plataformas, energía y — fundamentalmente — una razón para invertir en desarrollar talento en vez de solo extraerlo.

Depth-first, no rotation-first

El viejo modelo de carrera era: primero ir amplio, especializarse después. Rotar por canales, aprender un poco de todo.

Creo que el modelo AI-nativo invierte esto. Primero ir profundo, después ampliar.

Seis meses enfocados profundamente en una disciplina construyen expertise más duradera que seis meses rotando por cuatro áreas. La profundidad es lo que te permite validar output de AI. La amplitud viene después a través de la rotación.

La creación de evaluaciones como aprendizaje

Uno de los mecanismos de aprendizaje más poderosos que veo ahora mismo es pedirle a las personas que definan cómo se ve "correcto".

No solo ejecutar la tarea. Definir los criterios de evaluación:

¿Cómo se ve un buen setup de campaña?
¿Qué debería disparar una segunda revisión?
¿Qué umbral de discrepancia es aceptable?
¿Qué nunca debe pasar sin una revisión humana?

Ese ejercicio fuerza el tipo de entendimiento profundo que solía venir de hacer el trabajo manualmente. La persona que escribe la checklist de pre-lanzamiento tiene que entender la disciplina lo suficientemente profundo como para codificar juicio experto en un sistema.

Por ejemplo: "el tracking de conversiones debe dispararse dentro del 2% de los números reportados por la plataforma antes de que cualquier campaña salga al aire." Escribir esa regla suena simple. Saber por qué 2% es el umbral correcto, no 5% o 0.5%, requiere profundidad real.

No es lo mismo que el viejo aprendizaje. Pero creo que puede funcionar.

Los caminos de carrera

Cada una de las tres funciones que describí también es un camino de desarrollo, no una etiqueta sin salida:

AI Auditor → crece hacia liderazgo de cuenta, porque la persona que entiende profundamente qué hace que un output sea bueno o malo es la persona que puede dirigir relaciones con clientes
Signal Architect → crece hacia liderazgo de medición, porque el conocimiento de infraestructura de datos es uno de los skill sets más valiosos y raros
Memory Curator → crece hacia estrategia senior, porque la persona que estructura conocimiento eventualmente se convierte en la persona que da forma a cómo piensa la organización

Si estás al principio de tu carrera y lees esto, la pregunta no es "¿habrá un rol para mí?" La pregunta es "¿en cuál de estas funciones estoy construyendo profundidad?" Ese es el movimiento de carrera que genera interés compuesto.

Qué maneja la capa de AI

Si el equipo humano está organizado alrededor de estas funciones, la capa de AI maneja mucho del trabajo de producción — primeros borradores, síntesis de investigación, estructuras de reportes, documentación, reutilización de contenido.

Pero no confundiría alta actividad de AI con un modelo operativo completo.

Alguien todavía tiene que definir qué se confía, qué se revisa y qué significa calidad. Ahí es donde creo que muchas conversaciones "AI-first" todavía se sienten un poco superficiales. Se detienen en la generación. El verdadero apalancamiento está en la orquestación y evaluación.

El framing de empoderamiento

Una cosa más, porque creo que importa para cómo los equipos realmente adoptan esto.

La diferencia entre un equipo que resiste la AI y uno que la abraza es frecuentemente el framing.

Si el mensaje es "la AI está reemplazando tu trabajo" o "estamos automatizando por eficiencia", la reacción es resistencia, ansiedad, desconexión silenciosa.

Si el mensaje es "la AI maneja el trabajo repetitivo para que puedan enfocarse en las partes que requieren juicio", la reacción suele ser curiosidad y sentido de pertenencia.

Lo he visto pasar. El paralelo con programmatic es útil aquí. Cuando las órdenes de inserción manual desaparecieron, las personas que se adaptaron se convirtieron en estrategas programáticos — roles de mayor habilidad y mejor pagados. La transición fue incómoda. El resultado fue crecimiento.

Creo que estamos en un punto de inflexión similar. La forma del trabajo cambia. El valor de las personas que hacen el trabajo sube, no baja — si el equipo está diseñado para permitir que se desarrollen.

Dónde me deja esto

Sigo pensando que la mezcla específica variará por negocio. Algunos equipos necesitan un editor creativo como función central. Algunos necesitan un especialista de canal. Algunos necesitan dos Signal Architects y ningún Memory Curator dedicado.

Pero el patrón subyacente al que sigo volviendo:

Definir funciones, no headcount
Las tres funciones operativas (validación, infraestructura, memoria) no son negociables
Incluir espacios de desarrollo, no solo contrataciones senior
Invertir en aprendizaje depth-first
Dejar que la capa de AI maneje la producción para que la capa humana pueda enfocarse en el juicio

Esa es la dirección en la que me he estado moviendo — tanto en cómo pienso sobre equipos como en cómo he estado construyendo mi propio modelo operativo durante el último año.

Eso es todo de mi parte.

Si están rediseñando un equipo en este momento, genuinamente me encantaría saber cuál de estas funciones es más fácil de establecer y cuál sigue rompiéndose. Y si están al principio de su carrera, ¿en cuál función están construyendo profundidad?

Cheers, Chandler