Automatizar Marketing con IA Sin Programar: 6 Workflows Reales

El lunes pasado un cliente nos pidió "lo mismo que hace HubSpot pero por una décima parte". Equipo de tres personas, USD 180/mes de presupuesto en herramientas, cero developers. En tres semanas armamos seis workflows con n8n, Make y un par de modelos de IA conectados por webhook. Hoy esos flujos generan, califican y enrutan unos 1.400 leads/mes y le devolvieron al equipo unas catorce horas semanales de trabajo manual.

Este artículo documenta esos seis workflows tal cual quedaron en producción: el problema, los bloques exactos, el costo mensual real, las métricas antes y después, y — esto es lo que casi nunca se cuenta — los tres workflows que tuvimos que tirar a la basura.

Por qué importa esto ahora

"Automatizá tu marketing con IA en 5 minutos" se rompe en cuanto enchufás el flujo a tráfico real. Los tutoriales públicos suelen omitir tres cosas: el costo cuando escala, los rate limits, y el cumplimiento legal cuando manejás datos de prospectos en LATAM y la UE. Si vendés en México, España, Brasil, Argentina o Chile, tu pipeline cruza varios marcos legales (GDPR, LGPD, leyes locales como la Ley 25.326 en Argentina). Lo que sigue es la versión post-mortem: cada flujo corrió por al menos 30 días con tráfico real antes de escribir el caso.

Lo que aprendimos en seis semanas

Tres patrones que se repiten:

1. El cuello de botella casi nunca es el modelo de IA. Es el formato de los datos que entran. El 60% del trabajo fue normalizar inputs: limpiar UTMs, deduplicar emails, parsear teléfonos LATAM con prefijos inconsistentes.
2. n8n self-hosted gana cuando el volumen pasa de ~1.000 ejecuciones/mes. Make y Zapier son más rápidos de armar, pero el costo crece lineal.
3. El humano sigue en el loop. Cada workflow tiene un punto de pausa donde alguien aprueba antes de que algo salga al mundo. Sin ese paso, en mes dos uno de los flujos mandó 47 emails con el placeholder {{nombre}} literal.

Workflow 1: Calificación de leads antes de que toquen al SDR

El problema. Ventas perdía 6-8 horas/semana en leads no calificados. El form no podía pedir más campos sin matar la conversión (un campo extra bajó CVR de 3.1% a 1.8%).

El flujo (n8n self-hosted).

• Trigger: webhook desde el form (Tally en la landing).
• Nodo 1 — HTTP Request: enriquecimiento contra Apollo por dominio corporativo. Si es Gmail/Hotmail, salta este paso.
• Nodo 2 — LLM (Claude Sonnet API): recibe el JSON enriquecido (cargo, tamaño, industria, país) y devuelve {score: 0-100, tier: A/B/C, reasoning}.
• Nodo 3 — Switch: Tier A → Slack #sales-hot con @mención al SDR regional. Tier B → nurturing en Brevo. Tier C → tabla de Notion para revisión mensual.
• Nodo 4 — Postgres: insert del lead + score + razonamiento.

Costo mensual real: USD 0 (n8n en VPS de USD 12/mes que ya teníamos) + USD 49 Apollo plan starter + ~USD 18 en tokens de Claude (1.400 leads × ~600 tokens entrada + 200 salida). Total USD 79/mes.

Métricas (antes / después, 60 días):

• CVR de form a meeting agendada: 4.2% → 7.8%
• Tiempo del SDR en triage: 7h/semana → 1.2h/semana
• % de meetings con leads "no fit" reportadas por SDR: 38% → 11%

Lo que casi falla: la primera versión le pedía al LLM que decidiera el ruteo directo. Alucinó nombres de canales de Slack que no existían. Solución: el LLM solo devuelve tier (A/B/C); la lógica de ruteo vive en el Switch de n8n. Regla: las decisiones reversibles las toma la IA, las irreversibles las toma el código.

Workflow 2: Variantes creativas para A/B testing

El problema. El equipo iteraba 2-3 variantes de copy para Meta Ads por semana. Cuello de botella: el diseñador rendereaba cada variante a mano en Figma.

El flujo (Make).

• Trigger: nueva fila en Google Sheets (Variantes Pendientes).
• Módulo 1 — LLM: dado el brief (audiencia, propuesta, CTA), genera 3 variaciones headline | body | CTA.
• Módulo 2 — Bannerbear/Placid: render automático sobre template de marca. Recibe headline+CTA, devuelve PNG.
• Módulo 3 — Google Drive: sube con naming campania_audiencia_variante.png.
• Módulo 4 — Slack: posta la grilla al canal de revisión. Humano aprueba antes de Ads Manager.

Costo mensual: Make Core USD 9 + Bannerbear USD 49 + ~USD 4 en tokens. USD 62/mes.

Métricas:

• Variantes por semana: 3 → 12
• CTR promedio de campañas (Meta, mercados ES + MX): 0.91% → 1.34% (atribuible a poder testear más, no a que la IA escriba mejor)
• Horas del diseñador en variantes: 6h/semana → 0.5h/semana (solo aprueba)

Disclaimer: los assets con templates no reemplazan dirección creativa. La IA escala variaciones dentro de un sistema visual ya definido. Saltearse esa regla rompe (ver descarte 2).

Workflow 3: Newsletter editorial con curaduría IA

El problema. Newsletter semanal, 12.000 suscriptores. Curaduría manual: 4-5 horas cada lunes.

El flujo (n8n + Beehiiv).

• Trigger: cron, lunes 06:00 BRT.
• Nodo 1 — RSS + APIs: lee 18 fuentes (medios sectoriales ES/EN, GitHub, blogs de competencia, Google Alerts).
• Nodo 2 — Deduplicación: elimina notas ya cubiertas (Postgres con embeddings de títulos previos).
• Nodo 3 — LLM: evalúa cada nota contra criterios editoriales (tono, relevancia LATAM, novedad). Devuelve top 8.
• Nodo 4 — LLM: redacta TL;DR de 50-70 palabras por nota, en español neutro.
• Nodo 5 — Beehiiv API: crea draft con bloques pre-armados.
• Nodo 6 — Slack: notifica al editor. Editor revisa y publica manualmente.

Costo mensual: USD 0 n8n + USD 49 Beehiiv plan Scale + ~USD 11 en tokens. USD 60/mes.

Métricas:

• Tiempo de curaduría: 4.5h → 45 min de revisión final
• Open rate: 31% → 34% (más estable, menos variación lunes-a-lunes)
• CTR del newsletter: 4.1% → 5.6%
• Cancelaciones/semana: bajaron 22% (atribuible a TL;DRs más consistentes)

Lo que aprendimos: los embeddings para deduplicar son más útiles que cualquier prompt fancy. El LLM como filtro editorial funciona si el prompt incluye 4-5 ejemplos few-shot. Sin ejemplos, el modelo elige lo más popular, no lo más relevante.

Workflow 4: Borradores de respuesta a comentarios en redes

El problema. ~80 comentarios/día en LinkedIn e Instagram (cuenta corporativa + CEO). Tasa de respuesta en 48h: 12%.

El flujo (Zapier + n8n híbrido).

• Trigger: Zapier escucha menciones y comentarios vía APIs oficiales de Meta y LinkedIn.
• Paso 1: envía comentario + contexto del post a un webhook de n8n.
• Nodo 1 — LLM: clasifica en {pregunta, elogio, queja, spam, ambiguo}.
• Nodo 2 — Switch: spam ignorar; elogios → emoji automático; preguntas y quejas → borrador.
• Nodo 3 — Notion: crea card en columna Pendiente Aprobación.
• Nodo 4 — Slack: notifica al community manager.

Costo mensual: Zapier Pro USD 19.99 + n8n USD 0 + ~USD 6 tokens. USD 26/mes.

Métricas:

• Tasa de respuesta en 24h: 12% → 71%
• Tiempo del community manager: 2h/día → 35 min/día (revisar y aprobar)
• Comentarios respondidos automáticamente sin revisión: 0% (decisión deliberada)

Workflow 5: Enrutamiento del chat web con RAG

El problema. Crisp recibía ~200 conversaciones/mes. 60% FAQ, 25% soporte de clientes, 15% prospects. Todas al mismo inbox.

El flujo (Make + Crisp).

• Trigger: webhook message:received.
• Módulo 1 — LLM con RAG: prompt = mensaje + top-3 chunks de la base de conocimiento (recuperados por embeddings). Devuelve {intent, confidence, draft_response}.
• Módulo 2 — Switch por intent:
  • faq con confidence >0.85: responde automáticamente con chip "¿Resolvió tu duda? Sí/No".
  • soporte_cliente: rutea a Customer Success.
  • prospect: rutea a ventas + dispara workflow 1.
  • confidence <0.85: cola general con borrador sugerido.

Costo mensual: Make Core USD 9 + Crisp Pro USD 25 + ~USD 14 tokens. USD 48/mes.

Métricas:

• T1 (tiempo primera respuesta): 1h 47min → 12 seg en FAQs / 8 min en humanos
• Auto-resolución sin escalado: 41% (objetivo 30%)
• CSAT del chat: 4.1 → 4.4 sobre 5

Lección: las primeras dos semanas el threshold era 0.70 y respondió cosas raras. Subirlo a 0.85 bajó la auto-resolución a 41% pero subió CSAT. La métrica que importa es CSAT, no la tasa de automatización.

Workflow 6: Re-engagement de leads dormidos por micro-segmento

El problema. 8.400 leads sin actividad en >90 días. Secuencia genérica daba 0.4% de respuesta.

El flujo (n8n + HubSpot + LLM).

• Trigger: mensual, primer martes.
• Nodo 1 — HubSpot: exporta leads inactivos con propiedades + historial de eventos.
• Nodo 2 — LLM batch: clasifica cada lead en uno de 5 micro-segmentos (probó-pricing-no-compró, descargó-recurso-y-silencio, meeting-no-show, ex-cliente-churned, lead-frio-clasico).
• Nodo 3 — LLM: genera un email por micro-segmento (no por lead — esa diferencia importa para costo).
• Nodo 4: Slack notifica los 5 borradores. Marketing aprueba.
• Nodo 5 — HubSpot Sequences: dispara la secuencia segmentada.

Costo mensual: ~USD 22 tokens (batch único). USD 22/mes incremental (HubSpot ya estaba pago).

Métricas (3 meses):

• Tasa de respuesta: 0.4% → 2.1%
• Meetings desde re-engagement: 3/trimestre → 14/trimestre
• Pipeline reactivado atribuido: ~USD 38.000 (autoreportado por Sales)

Los tres workflows que tiramos a la basura

De doce workflows que prototipamos, tres no llegaron a producción.

Descarte 1: Auto-publicación de posts en LinkedIn del CEO con aprobación a posteriori. Semana dos: un post citó una estadística inventada (alucinación clásica). Daño reputacional potencial enorme. Lección: en redes con autoría personal, la IA asiste la primera versión, nunca publica sola.

Descarte 2: Imágenes hero generativas con prompts dinámicos. Cinco landings de la misma campaña parecían cinco marcas distintas. IA generativa sin sistema de tokens de marca no escala — escala el caos. Volvimos a templates (Workflow 2).

Descarte 3: Voice cloning del CEO para mensajes a leads top. Técnicamente funcionó. Lo apagamos por dos motivos: (a) creciente sensibilidad legal y reputacional al uso de voz sintética sin disclaimer (ver Convenio Marco del Consejo de Europa sobre IA), y (b) el CSAT cayó 1.3 puntos cuando los receptores supieron que era IA. Si una táctica solo funciona si el destinatario no sabe cómo se hizo, no es sostenible.

Privacidad, GDPR y LGPD antes de enchufar nada

Marketing automation con IA toca datos personales. En 2026 esto no es opcional. Lo que aplicamos en cada flujo:

• Base legal explícita. El form declara para qué usamos los datos, incluyendo "evaluación automatizada para asignar prioridad comercial". Esto cubre el artículo 22 del GDPR sobre decisiones automatizadas y la LGPD en Brasil.
• DPA firmado con el procesador de IA. Si el LLM corre en OpenAI, Anthropic o Google, el contrato comercial debe incluir Data Processing Agreement. APIs personales (sin DPA) no van a producción.
• Datos mínimos al modelo. No le pasamos al LLM nada innecesario. Email hasheado alcanza para scoring; nombre completo casi nunca es necesario para clasificar intent.
• Retención. Logs de llamadas al LLM rotan a 30 días. Si el proveedor entrena con tus datos por default, desactivalo (planes API enterprise lo tienen off; los de consumidor no).
• Derecho de acceso y borrado. Cualquier flujo automatizado necesita endpoint para que un lead pida sus datos o su borrado. Sin eso, no es legal en la UE ni en Brasil.
• Disclosure de IA. En chats y respuestas en redes, el primer mensaje del bot debe identificarse como tal. En California (CCPA) y partes de la UE ya es obligación.

¿n8n, Make o Zapier? Plantilla de decisión

• Zapier: prototipos de menos de 500 ejecuciones/mes. Validar la idea antes de invertir en infra.
• Make: 500–5.000 ejecuciones/mes con lógica condicional moderada. Los escenarios visuales ganan cuando el flujo pasa de 6 pasos.
• n8n self-hosted: >5.000 ejecuciones/mes, datos sensibles que no querés en nube de terceros, o nodos custom. Costo marginal casi cero pero alguien mantiene el VPS.

Si nadie en tu equipo está cómodo con docker compose, quedate en Make. La autonomía técnica vale más que ahorrarse USD 20/mes.

Lo que NO automatizarías

• Voz de la marca. Tono editorial, posicionamiento, comunicación de crisis: humano.
• Follow-ups personales post-demo. Es la ventaja competitiva contra empresas más grandes.
• Envío masivo a listas frías compradas. Te quema la reputación de dominio y rompe la deliverability del resto del correo legítimo.
• Cualquier flujo cuyo error no puedas detectar rápido. Si puede mandar 500 emails con bug y te enterás 24h después, falta control humano.

Para llevarlo a la práctica

Recursos en aiclases.com que profundizan piezas de estos flujos:

• Aprende IA en 30 días ($50 USD pago único) — incluye automatización de marketing con n8n paso a paso
• Cómo escribir prompts que no alucinan
• Embeddings y RAG explicados sin matemática
• Marco legal de IA en LATAM: GDPR, LGPD y leyes locales

Fuera del sitio: la documentación de n8n, la guía de Make y el blog técnico de Anthropic Research.

Sobre el autor

Equipo Editorial AIClases es Lead de Automatización de Marketing y diseña pipelines de growth con n8n, Make y modelos de IA para equipos B2B en LATAM y España. Antes trabajó cinco años en Marketing Ops en SaaS con foco en ciclos de venta complejos. Escribe sobre lo que funciona y, sobre todo, sobre lo que no.