Skip to main content

IA en Marketing Cloud: Style Guide

Las reglas opinadas que Cleon aplica a la IA en Marketing Cloud — cuándo agarrar Einstein, Agentforce o un modelo externo, los guardrails que cada uno necesita, y la decisión 'Agentforce vs IA externa' completa. El documento de disciplina que ata la subcategoría de IA.

Marco de decisión·Actualizado 2026-06-01·Escrito por Lira · Editado por German Medina

Esta es la página donde Cleon deja de describir qué son las superficies de IA y empieza a decir qué hacemos con ellas. Las páginas de referencia documentan cada superficie — Einstein, Agentforce, modelos externos desde CloudPages. Los gotchas documentan dónde muerde cada una. Este Style Guide es la disciplina que decide cuál IA agarrar, y los guardrails que vuelven seguro publicar cualquiera de ellas.

La decisión ancla — Agentforce vs. un modelo externo — es la que los equipos erran más seguido, así que tiene su propia sección. Las reglas son cortas a propósito; cuando una regla necesita explicación, la explicación está en la página que linkea.

La primera pregunta: ¿cuál superficie, para cuál trabajo?

La IA en Marketing Cloud responde tres preguntas distintas. Matcheá el trabajo a la superficie antes que nada.

| El trabajo | La superficie | Por qué | |---|---|---| | Predecir quién y cuándo — engagement, send time, mejor asset | Einstein | Entrenado con tu propia historia de engagement; ya está en la plataforma | | Responder sobre data de clientes, o tomar una acción gobernada | Agentforce | Fundamentado en Data Cloud, corre en el modelo de seguridad, construido para actuar | | Generar o clasificar lenguaje autocontenido | LLM externo | Un modelo general que llamás; sabe solo lo que le mandás, actúa solo cuando lo cableás |

Agarrar la superficie equivocada es el error de IA más caro — un modelo externo atornillado a un trabajo que Einstein ya hace, o una llamada a un LLM en render time haciendo lo que un agente de Agentforce debería gobernar.

La decisión ancla: Agentforce vs. un modelo externo

Los dos son "IA que produce lenguaje", que es por qué se confunden. No son intercambiables. La decisión gira sobre tres preguntas:

1. ¿La tarea necesita tu data de clientes?

  • Sí, y mucha → Agentforce. Está fundamentado en el perfil de Data Cloud por diseño; no mandás data a ningún lado.
  • No, o solo un poco que podés scopear → un modelo externo es viable. Controlás exactamente qué sale en el prompt.

2. ¿La tarea toma una acción en la plataforma?

  • Sí — disparar un journey, actualizar un registro, mensajear a un cliente → Agentforce. Corre en el modelo de seguridad con acciones gobernadas y auditables.
  • No — solo produce texto que guardás y usás → un modelo externo es más simple. Generá antes de tiempo, escribí a un DE.

3. ¿Quién es dueño de la superficie de gobernanza de datos?

  • Querés que la plataforma sea dueña del grounding y la seguridad → Agentforce. La data se queda en Salesforce.
  • Aceptás ser dueño de la decisión de egreso de data → un modelo externo. Ahora un DPA, la redacción, y la retención son tu responsabilidad (ver gotchas — gotcha 6).

La versión corta: Agentforce cuando la tarea necesita tu data y/o necesita actuar, gobernada por la plataforma. Un modelo externo para tareas de lenguaje autocontenidas donde no querés entregarle a un agente de plataforma tu data y tus acciones. Cuando los dos podrían funcionar, preferí aquel cuyo modo de falla preferirías poseer.

Guardrails por superficie

Einstein

  • Chequeá la historia de engagement bajo cualquier score antes de confiar; una historia delgada puntúa ruido. (Gotcha 1.)
  • No pongas un envío de STO en una deadline dura — mueve el envío a lo largo de un día. (Gotcha 2.)
  • Tratá a Content Selection y Copy Insights como sugerencias que un humano aprueba, nunca publicación automática. (Gotcha 3.)

Agentforce

  • El agente vale lo que el modelo de Data Cloud por debajo — corré el chequeo de agent-readiness primero. (Gotcha 4.)
  • Un agente que puede actuar recibe los guardrails de automation: aprobación, radio de explosión, audit trail, kill switch. (Gotcha 5.)

Modelos externos

  • Antes de tiempo, no en render time — generá hacia un DE, nunca llames sincrónicamente en el camino de envío. (Gotchas 6–7.)
  • Nunca hard-codees la API key; leela de un DE restringido o Key Management.
  • Un acuerdo de procesamiento de datos y una regla de redacción antes de que cualquier PII salga de la plataforma. (Gotcha 6.)
  • Un valor de fallback ante cada falla — nunca dejes un campo en blanco cuando el modelo está caído. (Gotcha 7.)
  • Un throttle y un modelo de costo contra el tamaño real de la audiencia. (Gotcha 9.)
  • Validá, después que un humano apruebe el output abierto antes de que salga. (Gotcha 8.)

Patrones a preferir

  • La superficie que ya está en la plataforma, cuando hace el trabajo — Einstein sobre un modelo externo para predicción; Agentforce sobre un agente hecho a mano para data + acciones.
  • Generación antes de tiempo, cacheada en un DE — convierte una dependencia frágil de render-time en un lookup rápido y determinístico.
  • Un set fijo de opciones entre las que el modelo elige, por sobre generación abierta, siempre que el trabajo lo permita.
  • Una puerta de aprobación humana sobre cualquier cosa visible al cliente que una IA produjo o seleccionó.
  • El chequeo de agent-readiness pasando antes de que cualquier agente lea data de marketing.

Patrones a rechazar

  • Una llamada a un modelo externo en render time en un camino de envío — el p99 de otro ahora es el de tu página. (Gotcha 7.)
  • Un score de Einstein manejando una audiencia sobre una historia delgada. (Gotcha 1.)
  • Un agente fundamentado sobre un modelo fragmentado — seguro y equivocado es peor que "no sé". (Gotcha 4.)
  • Un agente que puede actuar sin un kill switch. (Gotcha 5.)
  • PII en un prompt antes de que un DPA lo cubra. (Gotcha 6.)
  • Un campo generado publicado sobre un spot check de tres previews. (Gotcha 8.)
  • "Lo hizo la IA" como respuesta a quién es responsable. (Gotcha 10.)

El chequeo de responsabilidad antes de que cualquier superficie de IA salga

La IA no muda la responsabilidad al modelo. Antes de que cualquier score de Einstein, agente, o campo generado toque a un cliente, confirmá:

  • [ ] Un humano es responsable de lo que esta superficie produce, y puede explicarlo y defenderlo.
  • [ ] La superficie correcta está matcheada al trabajo (predecir / actuar-sobre-data / generar).
  • [ ] Los guardrails de arriba de la superficie están en su lugar para la superficie en uso.
  • [ ] Cualquier cosa visible al cliente y abierta tiene una puerta de aprobación humana.
  • [ ] Para modelos externos: un DPA cubre la data, y hay un fallback ante falla.
  • [ ] Para agentes: el chequeo de agent-readiness pasa y las acciones están gobernadas.

Si alguna casilla queda sin tildar, la IA no está lista para salir — y "el modelo decidió" no va a ser una respuesta aceptable cuando esté equivocado.

Relacionado

Si encontrás una regla que falta — o una de estas reglas violada en nuestro trabajo público — escribí a hello@wearecleon.com. La agregamos, o la arreglamos y lo decimos.