Automatizar reportes de campañas en tu pyme (sin que la IA invente los números)

Es fin de mes y alguien de tu equipo (o vos mismo) entra a Meta Ads, después a Google Ads, después a GA4, después al CRM. Copia números a una planilla, calcula variaciones a mano, arma el PowerPoint o el PDF, escribe dos párrafos de “lectura” y manda el archivo por mail. Si hay suerte, lo hace un día después del cierre de mes. Si no, tres o cuatro.

Ese proceso tiene un problema que no es de esfuerzo, es de diseño: depende enteramente de que una persona no se equivoque copiando un número, no se olvide de una fuente, y tenga tiempo disponible justo esa semana. No escala con más clientes ni con más campañas, y cuando el volumen crece, lo primero que se sacrifica es la frecuencia: el reporte que debería ser semanal pasa a ser mensual, y el mensual pasa a “cuando el cliente pregunta”.

Automatizar reportes de campañas en una pyme no es un lujo de agencia grande: es sacarle a una persona el trabajo de mover números de un lado a otro para que se dedique a lo que un humano hace bien, que es decidir qué hacer con esos números. Nosotros lo hicimos puertas adentro en Bloop, así que en vez de hablar en abstracto, te contamos exactamente cómo está armado y qué aprendimos.

El error de diseño más común: pedirle todo el reporte a un LLM

La mayoría de las herramientas de “reportes con IA” que aparecieron en los últimos dos años resuelven esto de la forma más simple posible: le pasan los datos crudos a un modelo de lenguaje y le piden que arme el reporte entero —números, formato y análisis— de una sola pasada.

El problema es que un LLM no calcula: predice texto que suena a un cálculo. Puede escribir “el CTR bajó de 2,1% a 1,8%, una caída del 14%” con total confianza y que la cuenta esté mal, o puede decir 40,7% en un párrafo y 41% tres líneas después, del mismo dato. No es un caso hipotético: es el motivo por el que dejamos de confiar reportes completos a un modelo y separamos el proceso en capas.

Cómo lo armamos nosotros: la separación en 3 partes

En Bloop usamos una plataforma propia, reportes.bloop.agency (Next.js con varios servicios corriendo en nuestro propio servidor), que arma los reportes de marketing de todos los clientes de la agencia. Conecta alrededor de 18 fuentes de datos reales: Meta Ads, Google Ads, GA4, GoHighLevel (CRM), Zoho Desk y Zoho CRM, Notion (tareas y tickets), redes sociales (Instagram y TikTok, vía scraping), newsletters, y más. La regla de diseño de fondo es separar tres trabajos que normalmente se mezclan:

1. Los datos y las cuentas se calculan en código, nunca los inventa un LLM. CPL, CTR, frecuencia, variaciones porcentuales, promedios: todo sale de fórmulas fijas corriendo sobre los números que trajo cada API. Si el CPL bajó 14%, es porque una función restó y dividió dos números reales, no porque un modelo “sintió” que bajó.
2. La presentación es código fijo. Los mismos componentes, los mismos colores, el mismo formato de tabla se usan siempre para el mismo tipo de dato. Un CPL se ve igual en el reporte de enero que en el de agosto, y el reporte de un cliente se ve igual que el de otro. Nada de que el “diseño” del reporte cambie según cómo interpretó el modelo esa corrida.
3. El análisis lo hace un LLM (Claude), pero con las manos atadas a propósito. Recibe únicamente los números ya calculados en el paso 1 — nunca datos crudos, nunca hace cuentas — y devuelve un JSON estructurado con la narrativa, las alertas y las acciones sugeridas. No genera HTML, no arma tablas, no decide el formato. Solo interpreta números que ya están cerrados.

Esta separación es la postura que tomamos y la recomendamos sin matices: si una herramienta de reportes le pide a un LLM que calcule y redacte todo junto, en algún reporte los números no van a cerrar. No es una opinión, es una consecuencia directa de cómo funciona un modelo de lenguaje.

Qué hace el sistema, en la práctica

• Generación bajo demanda. El botón “Generar ahora” dispara todo el pipeline —trae los datos de las ~18 fuentes, calcula las métricas, corre el análisis con IA— y lo deja listo en aproximadamente 50 segundos, corriendo aislado en el servidor. No depende de que alguien tenga tiempo esa semana para armar una planilla.
• Salud auto-curativa por fuente de datos. Un proceso audita automáticamente cada conexión (una cuenta de Meta, un token de GA4, una integración de Zoho) por cliente. Cuando detecta que algo se rompió — una API que dejó de responder, un token vencido — intenta corregirlo solo. Lo que no puede resolver por sí mismo queda marcado como pendiente humano, con la instrucción concreta de qué hay que arreglar, en vez de que alguien se entere semanas después porque “el reporte se ve raro”.
• Chat sobre el propio reporte. Los clientes de Bloop pueden hacerle preguntas a su reporte en lenguaje natural — por ejemplo, “¿por qué bajó el CPL en julio?” — y el sistema responde en base a los números que ya calculó, no inventando una explicación nueva.

A mano vs. automatizado: la diferencia no es solo tiempo

	Reporte armado a mano	Sistema en 3 partes (lo que usamos en Bloop)
Tiempo por reporte	Horas (copiar de cada plataforma, armar planilla, diseñar el documento)	~50 segundos por corrida, bajo demanda
Origen de los cálculos	Persona copiando y calculando en la planilla	Código, siempre la misma fórmula para el mismo dato
Consistencia entre reportes	Depende de quién lo arma y cuánto tiempo tuvo	Mismo formato y mismos cálculos en todos los reportes
Frecuencia realista	Mensual, a veces menos si hay mucho volumen	Tan seguido como se necesite (semanal, ante cada pedido)
Detección de fuentes rotas (token vencido, API caída)	Se nota cuando el reporte “no cierra” o falta un dato, a veces semanas después	Auditoría automática por fuente; lo que no se autocorrige queda marcado con la acción concreta a tomar
Quién escribe el análisis final	La persona que arma el reporte, con el tiempo que le quedó	Un LLM, pero solo sobre números ya calculados y cerrados en código

Cómo lo haríamos para un cliente de Mutar (y qué no prometemos)

El enfoque que se traslada a un cliente de Mutar es el mismo: separar datos (código), presentación (código) y análisis (IA, sobre números ya cerrados), adaptado a las fuentes que ese negocio realmente use — no necesariamente 18, puede ser Meta Ads y un CRM, o Google Ads y una planilla de ventas. Lo que no cambia es la regla de fondo: la IA no calcula ni diseña, solo interpreta.

Y hay algo que no prometemos, a propósito: este sistema no es “cero intervención humana”. La salud auto-curativa resuelve lo que puede resolver sola (reintentar una conexión, refrescar un token que todavía es válido), y lo que no puede — una cuenta de Meta que un cliente desconectó, un permiso que alguien le sacó al sistema — lo deja marcado para que una persona lo revise, con la instrucción de qué hacer. Eso no es una falla del diseño: es la parte honesta. Cualquier reporte automatizado que dependa de conexiones externas (APIs de terceros que cambian, tokens que vencen) va a tener, tarde o temprano, algo que requiere que un humano lo mire. La diferencia está en enterarte al toque, con la solución ya indicada, en vez de enterarte cuando el cliente pregunta por qué el reporte tiene un agujero.

Qué podés hacer esta semana

No hace falta automatizar todo de una. Para saber si te conviene y por dónde arrancar:

• Contá cuántas fuentes de datos entran hoy en tu reporte (Meta, Google Ads, GA4, CRM, redes) y cuánto tarda alguien en juntarlas a mano.
• Medí la frecuencia real con la que se manda el reporte hoy vs. la que debería tener (¿debería ser semanal y termina siendo mensual?).
• Revisá el último reporte que armaste: ¿los mismos números aparecen calculados igual en todas las secciones? Si encontrás una inconsistencia, ese es exactamente el problema que la separación en capas evita.
• Anotá cuántas veces, en los últimos meses, un reporte salió con un dato desactualizado porque una integración se rompió sin que nadie se diera cuenta a tiempo.
• Con esos números, llevalos al Diagnóstico: ahí vemos cuántas fuentes tenés, qué tan seguido necesitás reportar de verdad, y si te conviene empezar por ahí o por otro proceso.

Preguntas frecuentes

¿Puedo pedirle directamente a ChatGPT o a un asistente de IA que me arme el reporte de mis campañas?

Podés pedirle que te ayude a redactar un resumen a partir de números que vos le pasás, pero no es lo mismo que un sistema que calcule las métricas. Si le das datos crudos y le pedís que calcule variaciones, porcentajes o promedios además de redactar, corrés el riesgo de que algún número no cierre —el modelo predice texto plausible, no ejecuta una fórmula. Para cálculos, hace falta código; para la lectura de esos cálculos, ahí sí un LLM aporta.

¿Cuánto tiempo real se ahorra automatizando los reportes de campañas?

En nuestro caso, lo que antes implicaba entrar a cada plataforma, copiar números y armar el documento a mano pasó a un botón que tarda aproximadamente 50 segundos en dejar el reporte listo, disponible cuando se necesite en vez de una vez al mes. El ahorro no es solo de horas: es poder reportar más seguido sin que eso implique más carga de trabajo.

¿Qué pasa si una de las plataformas conectadas (Meta, Google Ads, GA4) cambia algo y rompe la conexión?

Es lo más común que puede pasar en un sistema que depende de APIs de terceros. Por eso el sistema audita cada fuente automáticamente: lo que puede resolver solo (por ejemplo, refrescar una conexión que sigue siendo válida) lo resuelve, y lo que no, lo deja marcado con la acción concreta pendiente (por ejemplo, “reconectar la cuenta de Meta Ads de este cliente”) en vez de que el reporte salga con un dato faltante sin explicación.

¿Esto sirve para una pyme con pocas campañas, o es solo para agencias con muchos clientes?

Sirve para cualquiera que reporte más de una vez y tenga más de una fuente de datos. Con una sola campaña y un solo canal, probablemente todavía no justifique el desarrollo — ahí alcanza con revisar el panel nativo de la plataforma. El punto de quiebre aparece cuando hay que combinar varias fuentes (por ejemplo Meta Ads + Google Ads + CRM) para tener una lectura completa, que es donde a mano empieza a fallar la consistencia.

¿El análisis que escribe la IA es confiable si nunca hace los cálculos?

Es más confiable justamente por eso: al recibir solo números ya calculados y cerrados en código, no puede “inventar” una cifra ni contradecirse entre secciones. Su trabajo se limita a interpretar —qué significa esa variación, qué alerta merece, qué acción sugerir— que es la parte donde un modelo de lenguaje sí aporta valor real, en vez de pedirle que además haga de calculadora.

¿Cuánto cuesta armar algo así para mi pyme?

No tenemos un precio de lista fijo, porque depende de cuántas fuentes hay que conectar (no es lo mismo Meta Ads solo que Meta Ads + Google Ads + CRM) y de qué tan integrado necesitás el reporte a tu operación. El modelo es el mismo que usamos en el resto de los proyectos de Mutar: arrancás con un Diagnóstico pago, que se bonifica si avanzás con el proyecto, donde contamos tus fuentes reales y tu frecuencia de reporte necesaria; de ahí en más es setup + fee mensual según el alcance que arme. Preferimos esto a tirar un número genérico que no refleje tu caso.

---

Si hoy tu reporte de campañas depende de que alguien tenga la tarde libre para armarlo, eso es justo lo que miramos en el Diagnóstico: qué fuentes tenés, qué tan seguido necesitás reportar de verdad, y si conviene resolverlo con una plataforma como la que usamos en Bloop o con algo más simple para tu volumen actual. Con o sin nosotros después.