--- title: "Cómo automatizar el inbound con IA: reglas en código y juicio en el modelo, según Tomasz Tunguz y el caso Vercel" description: "Tomasz Tunguz analiza el agente de inbound de Vercel: reglas en código, juicio en el modelo. Qué deben copiar los equipos B2B de Chile y Latinoamérica." canonical: "https://www.revenuehublatam.com/noticias/columnas/ia-ventas-automatizar-inbound-reglas-codigo-juicio-modelo-tunguz-vercel-26-10-13" language: "es" section: "Columnas" type: "Análisis" category: "ia-ventas" author: "Redacción Revenue Hub" author_profile: "" rights_status: "original" published: "2026-10-13T12:55:00+00:00" updated: "2026-10-13T12:53:34.947+00:00" tags: ["IA en ventas", "Inbound", "Agentes de IA", "Tomasz Tunguz", "Vercel"] --- # Cómo automatizar el inbound con IA: reglas en código y juicio en el modelo, según Tomasz Tunguz y el caso Vercel > Tomasz Tunguz analiza el agente de inbound que Vercel construyó con su equipo de SDR y extrae un patrón de diseño: lo que siempre debe ocurrir va en código, y el modelo solo decide donde hace falta criterio. ## La tesis Tunguz sostiene, a partir del caso de Vercel, que automatizar el inbound funciona cuando se elige un problema casi determinístico y se separan las reglas del juicio. El prompt de Vercel creció hasta unas mil líneas y el modelo no siempre respetaba las reglas; la solución fue moverlas a código y dejar al modelo solo las decisiones de criterio. Para equipos comerciales de Chile y Latinoamérica, la lección es que un agente de calificación confiable depende más de la arquitectura y del dato del CRM que del prompt. Tomasz Tunguz, socio de Theory Ventures y autor de uno de los blogs más leídos del software B2B, publicó [How to Automate Inbound](https://tomtunguz.com/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](https://www.youtube.com/watch?v=zNFecTwsUz0). 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](https://tomtunguz.com/how-to-automate-inbound/) y ver la conversación completa. ## Fuentes y referencias - [How to Automate Inbound](https://tomtunguz.com/how-to-automate-inbound/) — Tomasz Tunguz - [Office Hours con Jeanne DeWitt Grosser (Vercel)](https://www.youtube.com/watch?v=zNFecTwsUz0) — Tomasz Tunguz ## Transparencia editorial Análisis editorial de Revenue Hub asistido por IA. Sintetiza y comenta una columna de terceros; puede diferir del original. Lee la pieza original en la fuente enlazada. ## Preguntas frecuentes ### ¿Qué sostiene Tomasz Tunguz sobre automatizar el inbound con IA? Que funciona mejor cuando se elige un problema casi determinístico y se separan las reglas, que van en código, de las decisiones de criterio, que quedan en manos del modelo de lenguaje. ### ¿Cómo funciona el agente de inbound de Vercel? Según el análisis de Tunguz, investiga, califica y redacta respuestas a leads entrantes. Opera con 14 reglas en código, como enrutar al ejecutivo si la cuenta tiene una oportunidad abierta, y un segundo agente revisa las excepciones. ### ¿Por qué no basta con un buen prompt para calificar leads? Porque el prompt de Vercel creció hasta unas mil líneas y el modelo no siempre respetaba las reglas embebidas. Las reglas que deben cumplirse siempre son más confiables como lógica determinística en código o en workflows del CRM. ### ¿Qué pasó con los SDR de Vercel tras automatizar el inbound? Fueron promovidos a roles de outbound. Jeanne DeWitt Grosser, COO de Vercel, plantea que la IA devuelve a las personas a la conversación con clientes. ### ¿Cuánto cuesta un agente de inbound como el de Vercel? Según lo reportado en la conversación con Tunguz, cerca de 20% del tiempo de un GTM engineer y alrededor de mil dólares al año en inferencia e infraestructura. Son cifras de la compañía, no verificadas de forma independiente. ### ¿Cómo aplica este modelo a empresas B2B en Chile y Latinoamérica? Implica escribir primero las reglas de enrutamiento y calificación en el CRM, como dueño de cuenta y oportunidades abiertas, y solo después delegar al modelo las decisiones de criterio. La higiene del CRM es el prerequisito del agente. ### ¿Cuál es la postura de Revenue Hub? Compartimos la tesis y agregamos que el cuello de botella en la región no es el modelo, sino la falta de una definición operativa de quién es dueño de cada cuenta y qué reglas deben cumplirse siempre.