Cómo automatizar el inbound con IA: reglas en código y juicio en el modelo, según Tomasz Tunguz y el caso Vercel

Tomasz Tunguz, socio de Theory Ventures y autor de uno de los blogs más leídos del software B2B, publicó How to Automate Inbound, un análisis del agente de inbound que construyó el equipo de Jeanne DeWitt Grosser, COO de Vercel, conversado en su programa Office Hours. Más que un caso de éxito, la pieza propone un patrón de diseño para cualquier equipo que quiera poner IA a calificar leads.

¿Qué problema eligió Vercel para automatizar primero?

Según Tunguz, el acierto inicial fue escoger una tarea con reglas claras: investigar, calificar y redactar la respuesta a un lead entrante. El agente no enviaba correos, preparaba el trabajo. Su mejor SDR escribió el primer prompt y lo supervisó como si fuera un nuevo integrante del equipo, revisando cada borrador al principio y luego solo una muestra aleatoria, del orden de uno de cada cien envíos.

¿Por qué el prompt se volvió un pasivo?

A medida que Vercel sumó productos y se movió hacia clientes más grandes, el prompt pasó de unas 125 líneas a cerca de mil. El problema, según el análisis, es que muchas de esas instrucciones eran en realidad lógica determinística, y el modelo no siempre las seguía. Grosser lo resume así: «The model shouldn't get to decide, we just want that to occur». Si un lead pertenece a una cuenta con una oportunidad abierta, debe ir a su ejecutivo, siempre, sin margen de interpretación.

Reglas en código, juicio en el modelo

La solución fue mover esas reglas a código. Hoy, según Tunguz, el inbound de Vercel opera con 14 reglas explícitas, como una consulta al CRM que detecta oportunidades abiertas y enruta el lead al dueño de la cuenta. El modelo queda reservado para las decisiones que sí requieren criterio. Un segundo agente revisa las excepciones a las reglas y decide si corregirlas o aprobarlas. Tunguz lo conecta con su propio estudio de 14 flujos de agentes en producción, donde la mayoría de los pasos corre como código puro y solo una minoría es plenamente agéntica.

¿Qué pasó con los SDR humanos?

El equipo de SDR no desapareció: fue promovido a roles de outbound. La lectura de Grosser es que la IA saca a las personas del correo y las devuelve a la conversación. Según el análisis, el proyecto ocupó cerca de 20% del tiempo de un GTM engineer y su costo de inferencia e infraestructura ronda los mil dólares al año. Son cifras reportadas por la propia compañía en la conversación, no verificadas de forma independiente.

¿Cómo aplica esto a un equipo comercial en Chile y Latinoamérica?

En la región, muchos equipos que prueban agentes de calificación empiezan por el prompt y terminan con un documento gigante que nadie audita. El caso Vercel sugiere otro orden: primero escribir las reglas de enrutamiento y calificación que ya deberían existir en el CRM, como dueño de cuenta, oportunidad abierta o segmento, y recién después darle al modelo lo que exige criterio. Para una empresa B2B en Santiago, Bogotá o Ciudad de México, eso significa que la higiene del CRM es el prerequisito del agente, no un proyecto paralelo.

¿Por dónde empezar esta semana?

• Elige un flujo acotado y con reglas claras, como la respuesta a formularios de demo.
• Haz que tu mejor SDR escriba el primer prompt y supervise el agente como a un nuevo integrante.
• Lista las reglas que deben cumplirse siempre y llévalas a workflows del CRM, no al prompt.
• Pasa de revisar todo a revisar una muestra cuando el agente demuestre consistencia.

La lectura de Revenue Hub

Coincidimos con el diagnóstico de Tunguz y lo llevamos a un punto más incómodo: si tus reglas de enrutamiento no están escritas hoy, el agente no las va a inventar bien. El cuello de botella del inbound automatizado en Latinoamérica no es el modelo, es la ausencia de una definición operativa de quién es dueño de qué cuenta. Este es un análisis editorial de Revenue Hub sobre la opinión de Tomasz Tunguz y el caso que presenta; recomendamos leer la pieza original en inglés y ver la conversación completa.