El trabajo real de un equipo de crecimiento rara vez es la campaña. Es el bucle alrededor de la campaña: la hipótesis sobre quién responderá, el test que la confirma o la descarta, el debate sobre qué canal generó la conversión, y el presupuesto reasignado el lunes por la mañana. La mayor parte de ese bucle sigue ocurriendo en hojas de cálculo, dashboards y reuniones — lentamente, y a mano.
Cohenta es el motor que Thyn está construyendo para cerrar ese bucle. Es un enfoque de automatización de marketing con IA en el que el crecimiento funciona como un experimento continuo, operado por agentes bajo política en lugar de por personas actualizando informes. Cohenta es temprano — en desarrollo activo, aún no lanzado — por lo que esto es una descripción de lo que está siendo construido para hacer.
El dashboard no es el sistema
Un dashboard te dice lo que ocurrió. No decide qué hacer a continuación, y nunca actúa. Así, el dashboard se convierte en el lugar donde los humanos van a traducir números en acciones — una estación de relevo manual entre la observación y la decisión.
La mayoría de las herramientas de marketing se sitúan en el lado de la observación de esa brecha. Reportan, segmentan y visualizan, y luego devuelven el juicio a una persona. La parte lenta nunca fue el gráfico; fue el humano en el medio, reconciliando canales y redecidiendo el gasto.
La premisa detrás de Cohenta es que el bucle en sí debería ser el producto. Percibir, decidir y actuar pertenecen a un mismo sistema, con personas estableciendo los límites en lugar de ejecutar cada paso. Esa es la diferencia entre una capa de reporting y una automatización de marketing con IA que realmente se mueve.
El marketing es un experimento que nunca termina. El trabajo es ejecutar el bucle, no leer el gráfico.
El bucle de Cohenta
Cohenta está diseñado alrededor de un único ciclo que se repite de forma continua. Cada vuelta nombra los mismos cuatro pasos, y cada paso es un lugar donde un agente hace el trabajo que un equipo haría a mano.
- Hipotetizar. Formular una afirmación comprobable — un segmento, una oferta, un mensaje, una combinación de canales — con la métrica que la confirmaría o refutaría.
- Experimentar. Lanzar el test como un experimento controlado, con grupos de control y reglas de exposición definidas desde el principio, no reconstruidas después.
- Atribuir. Identificar qué contacto produjo realmente la señal, separando los canales que generaron una conversión de los que simplemente estuvieron cerca.
- Optimizar. Desplazar presupuesto y creatividad hacia lo que funcionó, retirar lo que no, y devolver el resultado como la siguiente hipótesis.
El cuarto paso es el primero de la siguiente vuelta. Ese cierre es el punto central: el sistema no se detiene en una recomendación, actúa sobre ella y mide la consecuencia, y luego propone el siguiente movimiento. El crecimiento autónomo es lo que produce este bucle cuando funciona sin esperar a que un humano copie un número de una pestaña a otra.
Automatización de marketing con IA, gestionada por agentes bajo política
El bucle es ejecutado por agentes de marketing con IA — componentes que poseen un paso en lugar de narrarlo. Un agente propone hipótesis a partir de resultados anteriores. Otro configura y lanza experimentos. Otro resuelve la atribución. Otro reasigna el presupuesto dentro de los límites establecidos.
Lo que evita que esto sea imprudente es la política. La política es el límite explícito dentro del cual operan los agentes: gasto diario máximo, marcas y afirmaciones que nunca pueden aparecer, audiencias fuera de límites, la evidencia mínima requerida antes de modificar el presupuesto en producción. Las personas escriben la política; los agentes actúan dentro de ella.
Esta es la inversión alrededor de la cual está construido Cohenta. En lugar de que una persona decida cada acción y una herramienta simplemente ejecute pulsaciones de teclas, los agentes deciden y ejecutan, mientras la persona decide las reglas. El humano sube un nivel — de operador a legislador — que es donde su juicio realmente se multiplica.
Simulación antes del gasto
Los experimentos en vivo cuestan dinero real y atención real, y algunas hipótesis no merecen ser probadas en el mercado. Antes de que Cohenta comprometa presupuesto, está siendo construido para simular — para estimar el rango probable de resultados de un experimento propuesto y descartar los que fallan sobre el papel.
La simulación hace dos cosas. Reduce el conjunto de tests en vivo a los que vale la pena ejecutar, de modo que el gasto se concentra donde la incertidumbre es genuina. Y le da al paso de optimización un punto de partida: un modelo de comportamiento esperado con el que comparar el resultado real, de modo que un resultado sorprendente sea reconocido como tal.
Esto es lo que separa la automatización disciplinada de un sistema que simplemente quema presupuesto más rápido. La velocidad sin un modelo de coste esperado es solo una forma cara de equivocarse. La capa de simulación es la verificación de corrección que justifica el derecho a actuar con rapidez.
El contenido como sistema, no como lista de pendientes
Los experimentos necesitan material — mensajes, variantes, páginas de destino, la creatividad que se pone a prueba. Tratar cada uno de ellos como una tarea puntual es cómo el contenido se convierte en el cuello de botella que paraliza todo el bucle.
Cohenta está siendo diseñado para tratar el contenido como un sistema. Las variantes se generan en función de una hipótesis, gobernadas por la misma política que limita el gasto, y producidas al ritmo que el bucle de experimento las consume. La inteligencia de contenido aquí significa que el bucle se alimenta de forma continua, y que lo que se produce está moldeado por lo que el paso de atribución ya ha aprendido que funciona.
El objetivo no es más contenido. Es contenido que cierra más rápido — generado para probar una afirmación específica, medido con honestidad, y reemplazado en el momento en que se demuestra una variante mejor.
Hacia dónde se dirige esto
Cohenta sigue siendo construido, y ese orden es deliberado: el bucle, la política, la simulación y la atribución deben ser fiables antes de que cualquiera de ellos toque un presupuesto en producción. Los primeros hitos consisten en hacer que cada paso sea honesto de forma aislada, y luego dejar que el bucle funcione de extremo a extremo bajo una política estricta. Con el tiempo, la misma maquinaria debería soportar más canales, experimentos más ricos y ciclos más ajustados — el bucle permanece constante mientras sus vueltas se vuelven más rápidas.
La apuesta es simple. Entre la próxima generación de herramientas de automatización de marketing con IA, las que importen no serán mejores dashboards. Serán sistemas que ejecuten el experimento por ti, bajo las reglas que tú estableces, y muestren su trabajo. Cohenta es el intento de Thyn de construir uno.