Agentes de IA: RFP de días a minutos en ventas de medios

Qué cambia cuando un agente de IA responde el RFP

Una empresa de medios de alcance global pasó de dedicar días a procesar una solicitud de propuesta (RFP) a resolverla en minutos con agentes de IA. Para un equipo comercial que compite por la atención de un anunciante, eso no es una mejora incremental: es la diferencia entre entrar en la conversación o quedar fuera de la lista corta.

El caso, reportado por NEO, no se apoya en un chatbot que redacta correos más rápido. Se apoya en dos agentes especializados que operan sobre datos reales de la operación publicitaria. Ahí está lo interesante para cualquier founder que esté decidiendo dónde meter IA dentro de su proceso comercial.

Los dos agentes: preventa y ejecución en tiempo real

El primer agente trabaja en la fase de preventa. Analiza cada RFP entrante, cruza datos del CRM, el sistema de gestión de pedidos y el servidor de anuncios a través de un grafo de conocimiento compartido, y genera propuestas personalizadas a partir de campañas históricas de anunciantes similares.

Lo que rompe el molde es el momento en que usa esos datos: incorpora información de campañas activas en la etapa de planificación, una práctica que la industria reservaba casi en exclusiva a los equipos de operaciones postcierre.

El segundo agente opera en tiempo real durante la ejecución. Detecta desviaciones de rendimiento y emite recomendaciones concretas sobre ajustes de tráfico, ritmo o distribución presupuestal. La diferencia frente a un panel de control convencional es de naturaleza, no de grado: el dashboard alerta, el agente prescribe.

El grafo de conocimiento: la pieza que casi nadie construye

La infraestructura que sostiene a ambos agentes es un grafo de conocimiento que integra fuentes que normalmente viven en silos: el CRM de Salesforce, el sistema de gestión de pedidos y el servidor de anuncios.

Esa capa de integración es lo que le permite al agente de preventa armar propuestas para prospectos con los que la empresa todavía no tiene historial directo, extrapolando patrones de comportamiento de anunciantes comparables. Sin el grafo, el agente solo tendría acceso a una parte de la foto y las propuestas serían genéricas.

La startup que desarrolló la solución, fundada por veteranos del sector de tecnología publicitaria, diseñó los agentes con una lógica de asistencia, no de sustitución. El sistema investiga, estructura y recomienda; la decisión y la relación con el cliente permanecen en manos del vendedor.

Asistir, no sustituir: el principio que sostiene el modelo

La industria de medios arrastra una tensión que este caso no resuelve del todo: cómo capturar eficiencia operativa con IA sin erosionar la diferenciación que viene del vínculo humano con el anunciante.

La respuesta que emerge de esta implementación es funcional: los agentes absorben la coordinación y el análisis, mientras el vendedor concentra su tiempo en la negociación y la construcción de confianza. Para organizaciones que gestionan volúmenes altos de RFP con equipos comerciales de tamaño fijo, el esquema representa una vía para escalar capacidad sin aumentar headcount.

Ese encuadre no es casual. Es el mismo que están adoptando los grandes proveedores de software empresarial, y conviene entenderlo antes de comprar cualquier herramienta.

Qué dicen los datos del mercado

El caso no es una excepción aislada. Según el State of Sales Report 2026 de Salesforce, que encuestó a 4.050 profesionales de ventas en 22 países y fue reseñado por ZDNET, nueve de cada diez equipos de ventas ya usan agentes de IA o planean hacerlo en los próximos dos años. Y el 94% de los líderes de ventas que ya los usan los considera críticos para cumplir con las demandas del negocio.

El mismo informe señala el problema que este caso ataca de frente: los vendedores dedican más de la mitad de su jornada a actividades que no son vender, como carga de datos y prospección. Además, el 51% de los líderes de ventas que usan IA afirma que los silos tecnológicos retrasan o limitan sus iniciativas.

Los proveedores se mueven en la misma dirección. SiliconANGLE reportó en septiembre de 2026 que Salesforce presentó una serie de agentes de IA para ventas y soporte, entre ellos Hunter, que automatiza tareas como preparar a los vendedores para presentaciones y crear propuestas. El agente corre sobre un módulo llamado long-horizon runtime, pensado para operar en ciclos de venta que se extienden durante semanas. Yahoo Finance reportó además que la compañía adquirió Momentum para integrar insights conversacionales en Agentforce 360 y Slack.

El antecedente viene de más atrás: en octubre de 2024, Microsoft anunció que abriría en beta pública herramientas para crear agentes autónomos en Copilot Studio, junto con diez agentes preconfigurados para Dynamics 365, entre ellos uno de calificación de ventas, según WWWhat's New. Lo que era un anuncio de producto hace dos años hoy es un caso de implementación con resultados operativos concretos.

¿Qué significa esto para tu startup?

La lección no es comprar agentes de IA. Es que el valor no está en el modelo, está en los datos que el modelo puede leer.

• Arregla el dato antes de comprar el agente. El 74% de los equipos de ventas con IA priorizan la higiene de datos para sostenerla, y el 84% de los equipos que no tienen una plataforma unificada planea consolidar su stack, según el informe reseñado por ZDNET. Si tu CRM, tu facturación y tu producto no se hablan, ningún agente va a producir propuestas útiles.
• Empieza por el proceso con volumen y reglas claras. Los RFP, las cotizaciones y las respuestas a licitaciones son documentos estructurados, con criterios repetibles y un resultado verificable. Son el mejor primer caso de uso porque puedes medir el antes y el después sin ambigüedad.
• Diseña el agente como copiloto, no como piloto automático. El caso de medios funciona porque el vendedor conserva la decisión. Si tu agente puede enviar una propuesta o mover presupuesto sin revisión, estás importando el riesgo de una alucinación a tu relación con el cliente.
• Mide tiempo de ciclo, no tareas automatizadas. El indicador relevante es cuánto tarda una propuesta desde que llega la solicitud hasta que sale, y cuántas de esas propuestas se convierten. Automatizar 40 tareas que nadie medía no mueve el negocio.

Los límites del modelo: la calidad del dato lo es todo

La efectividad de este esquema a largo plazo depende de la calidad y la actualización continua de los datos que alimentan el grafo de conocimiento. Es una dependencia real, no un detalle técnico.

El propio informe de Salesforce lo confirma desde el otro lado: los líderes de datos y analítica estiman que el 19% de su información es inaccesible, y muchos creen que esa porción contiene sus insights de negocio más valiosos. Un agente que lee datos incompletos produce recomendaciones incompletas, y las produce con la misma seguridad que si fueran correctas.

Para un equipo chico, la implicación es práctica: el trabajo aburrido de ordenar fuentes y definir un identificador único de cliente es lo que habilita todo lo demás. Sin eso, el agente es una demo.

Conclusión

El caso de esta empresa de medios muestra un patrón replicable: agentes que absorben coordinación y análisis, humanos que retienen la negociación. La eficiencia no viene de reemplazar al vendedor, sino de devolverle las horas que hoy se le van en armar documentos y leer paneles.

Para un founder, la pregunta útil no es si sus competidores van a usar agentes de IA en ventas, porque los datos sugieren que ya lo están haciendo, sino si sus datos están en condiciones de alimentarlos. Esa es la parte que no se resuelve comprando software.

Fuentes

• NEO (fuente original)
• ZDNET
• SiliconANGLE
• Yahoo Finance
• WWWhat's New