Una marca pequeña publica tres artículos por semana. El calendario está lleno, el equipo está cansado y nadie sabe si las páginas responden a las preguntas que realmente traen visitas. Hay un informe de Search Console que se abre una vez al mes, una hoja con ideas, otra con borradores y un sitio donde publicar. La persona que ayuda a conectar esos puntos puede llamarse marketing engineer. Su trabajo comienza al preguntar: ¿qué aprendimos de las personas que ya llegaron?
El término nombra una mezcla de investigación, datos, contenido, automatización y capacidad de construir pequeños sistemas. No exige que una sola persona sea experta en todas las disciplinas ni que escriba código desde el primer día. La tesis práctica es: un sistema de marketing sirve cuando convierte señales en decisiones editoriales y después mide si la decisión ayudó. Greg Isenberg ha popularizado visiones amplias del rol; sirven como hipótesis de mercado, no como prueba de salarios o resultados replicables. La descripción de Modern Creator sobre ese marco es una interpretación secundaria, no una estadística auditada.
De una tabla de búsquedas a una decisión concreta
Tomemos una academia ficticia de idiomas en México. En su Search Console aparecen consultas relacionadas con “inglés para entrevistas de trabajo”. La persona responsable no debe mirar solo volumen: revisa en qué páginas aparece la consulta, cuál es la intención, si el contenido actual la responde y qué experiencia real puede aportar la academia. La API oficial de Search Console permite agrupar por consulta, página, país y dispositivo, pero Google aclara que las filas disponibles tienen límites internos. Un dato exportado no representa necesariamente todo el universo de búsquedas.
La marketing engineer propone mejorar una guía existente. Habla con una docente y recoge tres errores frecuentes que ve en clase. Añade ejemplos completos, una pregunta de práctica y enlaces a otras lecciones. La IA ayuda a comparar el borrador con la intención de búsqueda, detectar repeticiones y verificar que cada sección tenga una función. La docente revisa exactitud y tono. Se publica una actualización fechada, se registra qué cambió y se observa durante semanas, sin atribuir cualquier subida de tráfico a un solo párrafo.
Google recomienda crear contenido útil para personas, con información y experiencia que respondan de forma suficiente la pregunta. También aclara que no existe una longitud de palabras preferida para posicionar. La labor de ingeniería aquí consiste en conectar evidencia, colaboración y medición; producir veinte textos genéricos con IA llenaría el calendario pero no necesariamente resolvería la pregunta de una lectora.
Las cinco partes del trabajo
Escuchar: entrevistas, soporte, ventas y consultas de búsqueda muestran qué lenguaje usa la gente. Priorizar: una oportunidad se evalúa por relevancia para la audiencia, calidad de la respuesta posible, esfuerzo y vínculo con una oferta real. Producir: contenido, páginas, correos y pequeños recursos se crean con dueños claros. Distribuir: cada pieza llega por los canales que la audiencia usa, con enlaces internos útiles. Aprender: se comparan métricas antes y después, se anota lo que no se puede concluir y se decide qué actualizar.
Las herramientas pueden ayudar en cada parte, pero cada conexión necesita criterio. Una automatización que copia consultas de Search Console a una hoja puede ahorrar tiempo. Un agente que propone grupos de preguntas puede ordenar el trabajo. Publicar sin revisión puede repetir errores o mezclar intenciones. Si querés entender cuándo elegir reglas fijas y cuándo dar más autonomía, la guía sobre automatización y agentes sirve como base.
La fuente oficial de cada dato debe ser visible. Search Console informa sobre rendimiento en búsqueda; Analytics observa comportamiento en el sitio según su implementación; una hoja editorial registra decisiones; el CMS contiene lo publicado. No sumés clics y sesiones como si fueran la misma medida. En GA4, los eventos clave ayudan a observar acciones importantes, siempre que estén configurados y probados. Un formulario enviado vale más como señal de interés que una página vista, pero tampoco equivale automáticamente a una venta.
Una oferta de servicio que una pyme entienda
Para una primera clienta, evitá vender “growth autónomo”. Ofrecé un piloto de cuatro semanas: auditoría de diez páginas, análisis de las consultas que ya reciben, elección de tres mejoras, ejecución de dos y un informe final sobre qué cambió. Acordá quién aprueba textos, quién tiene acceso a Search Console y Analytics, y qué métricas son observables en tan poco tiempo. Posicionamiento orgánico, ventas y suscripciones pueden tardar más de un mes en mostrar cambios interpretables.
Imaginemos que Lucía ofrece el piloto a una academia por US$600 hipotéticos. Dedica cuatro horas al diagnóstico, cinco a entrevistas y prioridades, ocho a dos páginas, tres a control de calidad y dos a informe y conversación: 22 horas. A un costo interno de US$20 por hora son US$440. Reserva US$25 para herramientas o API, US$15 para alojamiento o utilidades y US$20 para coordinación y comisiones. Total previsto: US$500; quedan US$100 antes de impuestos, captación y correcciones. Si la academia pide cinco páginas adicionales, Lucía debe presupuestarlas por separado. Los números muestran cómo razonar sobre alcance; no fijan un precio universal ni prometen margen.
El costo variable puede venir de uso de API, búsqueda externa, transcripción, procesamiento de documentos, generación de imágenes y horas de revisión. OpenAI recomienda revisar uso y costo de API, no estimarlos solo por el tamaño visible de una respuesta. Si un flujo consulta la web y el modelo varias veces por artículo, la factura crece con cada iteración. Los costos humanos también crecen cuando el brief llega incompleto o el cliente cambia de rumbo después de aprobarlo.
Una propuesta seria incluye una línea base: páginas trabajadas, consultas visibles, clics y métricas de comportamiento disponibles antes de editar. Después registra fecha de cambio y período de observación. No prometas una posición concreta. Un competidor puede publicar, Google puede cambiar cómo muestra resultados y una consulta estacional puede subir aunque la página siga igual. La marketing engineer puede dar cuenta de su trabajo y de su hipótesis; no controla todo el entorno.
Cómo crear un sistema pequeño y mantenible
Una hoja de trabajo suficiente contiene: URL, pregunta principal, audiencia, fuente del hallazgo, estado, persona revisora, fecha de publicación y siguiente revisión. Una columna con “borrador generado” no debería confundirse con “contenido aprobado”. Si el sitio ya usa un repositorio o gestor editorial, agregá el mínimo de campos allí en vez de fundar una plataforma nueva. El artículo sobre qué herramientas pagar y cancelar ayuda a revisar esa tentación.
Para cada mejora, escribí una hipótesis: “La página responde tarde a la pregunta sobre preparación de entrevistas; añadiremos un ejemplo al inicio y enlaces a ejercicios”. La hipótesis puede resultar incorrecta. Eso es útil si medís y aprendés. Compará consultas relevantes, navegación hacia la siguiente lectura y acciones importantes. Anotá cambios simultáneos, campañas pagadas o estacionalidad. Si el tráfico crece pero la página atrae a personas que no encuentran lo que buscaban, revisá el contenido y la promesa.
El enlace interno es parte de la experiencia, no un trámite SEO. Una guía introductoria puede llevar a un ejercicio y después a una página de servicio. Cada enlace responde la siguiente pregunta natural. Lo mismo ocurre con un correo: no pidas inscripción antes de haber explicado por qué vale la pena seguir leyendo. Una voz humana y un sistema de medición pueden convivir si la métrica no dicta toda la escritura.
Los límites del rol
Una marketing engineer no sustituye a quien conoce la disciplina de la clienta. Necesita entrevistas y revisión experta para contenidos especializados. Tampoco convierte datos incompletos en certezas. Cuando Search Console muestra pocas consultas, conviene complementar con conversaciones, navegación del sitio y fuentes públicas. Cuando Analytics carece de eventos correctos, no corresponde inventar una tasa de conversión.
Hay riesgos de privacidad al mover listas de clientes, grabaciones o datos de comportamiento entre herramientas. Antes de conectar un modelo a cuentas reales, definí qué puede leer, qué se anonimiza y qué acciones necesitan aprobación. Un sistema que ahorra una hora pero expone una lista de estudiantes es una mala solución. Si una herramienta cambia sus precios o interfaz, el proceso debe poder seguir con exportaciones y documentación clara.
Una práctica de 75 minutos
Elegí una página propia o de una organización que te haya dado acceso. Anotá qué pregunta promete responder. Mirá una consulta relevante de Search Console, si existe; si no, entrevistá a una persona de la audiencia. Leé la página como si no conocieras la marca. En 20 minutos redactá la mejora más importante, en otros 20 buscá una fuente o experiencia que la sostenga, y en 15 definí cómo sabrás si la página ayudó más. Los minutos restantes son para escribir una hipótesis y pedir revisión. No hace falta automatizar nada para aprender del primer ciclo.
Si querés ofrecer este trabajo, llevá una muestra donde se vea el antes, la decisión y la revisión, no solo un gráfico ascendente. En AI Girlies podés contrastar ideas de oferta con otras mujeres; El Recap seguirá mostrando el trabajo detrás de sistemas que se pueden explicar.
Fuentes para profundizar
- Google Search Console API: datos por consulta, página, país y dispositivo.
- Google Search Central: contenido útil y centrado en personas.
- Google Analytics: informes de eventos clave.
- OpenAI: revisión de consumo y costos de API.
Fuentes consultadas el 29 de septiembre de 2026. El caso, las métricas y el presupuesto son hipotéticos.
Transparencia editorial
Este artículo fue investigado y preparado con ayuda de IA. Nina revisó fuentes, contexto, criterio editorial y versión final.