Clay publica una política de escritura con AI: el problema no es usar el modelo, sino dejarle el criterio

Sophie Alpert publicó en el blog de Clay una política que comenzó dentro del equipo de ingeniería y después se extendió a toda la empresa, incluso a materiales escritos por candidatos durante entrevistas. Según Alpert, el detonante fue un aumento de documentos y presentaciones difíciles de leer: eran más largos de lo necesario, contenían secciones que no terminaban de tener sentido y repetían tics comunes de escritura generada con AI.

Clay no planteó una prohibición. La política permite usar herramientas de AI para brainstorming, borradores y proofreading. La condición es más exigente que marcar una casilla: quien firma el texto debe asegurarse de que todas las ideas, la estructura, las palabras y los énfasis representen lo que realmente quiere comunicar.

El texto también llegó a LinkedIn cuando, de acuerdo con Alpert, el cofundador de Clay Varun compartió la política y esta se volvió viral. Clay no publica en el artículo una métrica verificable de alcance ni prueba que la política mejore conversiones. Lo comprobable es la decisión organizacional y el documento completo; cualquier efecto comercial sigue siendo una hipótesis.

Clay vende infraestructura para datos, enriquecimiento y workflows de go-to-market. Precisamente por eso la política resulta relevante: no viene de una organización que decidió apartarse de la AI, sino de una que la integra en su producto y aun así identifica un costo cuando el output sin editar reemplaza el pensamiento.

La política formula tres ideas incómodas. Primera: el autor debe poder explicar cualquier línea. Segunda: escribir también es pensar; saltarse la formulación del argumento puede dejar una comprensión más pobre. Tercera: el tiempo de lectura se multiplica. Un documento generado en minutos puede consumir horas distribuidas entre quienes intentan descifrarlo.

Nuestra interpretación es que Clay está moviendo la conversación de detección a responsabilidad. Preguntar si una frase 'parece AI' importa menos que preguntar si contiene una señal cierta, una inferencia razonable y una propuesta que el remitente puede defender. El detector de adjetivos no sustituye al dueño del mensaje.

Un cold email también es texto visto por otra persona, solo que llega sin invitación previa y compite con decenas de mensajes. Si una nota interna larga desperdicia tiempo de colegas, una secuencia inflada traslada ese costo a prospectos. Además, el remitente arriesga reputación de marca, bajas y quejas, no únicamente una corrección en comentarios.

La automatización vuelve barato producir variaciones. Eso permite investigar mejor y adaptar mensajes, pero también facilita crear cien párrafos plausibles a partir de una señal mínima. Cuando el sistema confunde volumen de lenguaje con relevancia, cada contacto recibe una hipótesis que nadie revisó y el equipo aprende de respuestas provocadas por errores que ni siquiera conocía.

La regla operativa debería ser sencilla: si el SDR, el founder o el responsable de campaña no puede explicar de dónde salió una afirmación y por qué está en el correo, no debe enviarla. 'El modelo la escribió' describe el mecanismo; no justifica el contacto.

Personalizar no significa producir más palabras alrededor del nombre de una empresa. Significa seleccionar una cuenta por criterios observables, encontrar una señal con fuente y fecha, formular una hipótesis relevante para el rol y ofrecer un siguiente paso proporcional. La prosa viene después.

Ejemplo: una compañía publica tres vacantes de ventas enterprise en México. El hecho es la existencia de las vacantes en una fuente vigente. La interpretación puede ser que el equipo comercial está ampliando capacidad. La hipótesis es que quizá necesite ordenar segmentación y reporting antes de aumentar volumen. Ninguna de esas capas autoriza afirmar que la empresa 'está luchando por generar pipeline'. Eso sería inventar dolor para llenar una variable.

Una AI puede resumir la señal y proponer el primer borrador. La revisión humana debe comprobar que el hecho existe, que la inferencia no se presentó como certeza y que la oferta conecta con la situación. Si solo corrige comas, la revisión llegó a la parte menos importante.

Primero, conserva evidencia. Cada registro debe guardar la URL, fecha de captura, fragmento relevante y campo derivado que alimentó el mensaje. Segundo, separa en el prompt hecho, interpretación e hipótesis. Tercero, exige una salida de 'no enviar' cuando falte contexto suficiente. Un modelo obligado a escribir siempre terminará cobrando la cuota en precisión.

Cuarto, aplica reglas automáticas antes de la revisión: bloquear claims sin fuente, superlativos, datos sensibles, variables vacías, texto demasiado largo y lenguaje que presente una hipótesis como hecho. Quinto, muestra al revisor el correo junto con la evidencia, no en otra pestaña escondida detrás de seis clics.

Finalmente, registra decisión y versión: aprobado, corregido, rechazado o devuelto a investigación; quién revisó; qué cambió; y qué versión del prompt y del modelo produjo el borrador. Esa trazabilidad permite distinguir un problema de datos, instrucciones o criterio humano cuando aparecen respuestas negativas.

La revisión necesita una pregunta por capa. Cuenta: ¿cumple el ICP y no está suprimida? Contacto: ¿el rol tiene relación con el problema? Evidencia: ¿la señal es pública, vigente y corresponde a esa empresa? Inferencia: ¿el correo deja claro qué sabemos y qué estamos suponiendo? Oferta: ¿explica una consecuencia concreta sin prometer resultados? CTA: ¿puede responderse con baja fricción?

Después viene la lectura humana: ¿yo diría esto en una conversación?, ¿puedo explicar cada frase?, ¿el mensaje respeta el tiempo del lector?, ¿hay una oración que existe solo porque el modelo quiso cerrar bonito? Si el correo mejora al borrar la mitad, la AI no estaba siendo exhaustiva; estaba cobrando renta por palabra.

No todas las cuentas requieren el mismo nivel de revisión. Una cohorte pequeña y homogénea puede usar aprobación por muestra si las variables son controladas. Cuentas de alto valor, señales ambiguas, industrias reguladas o claims complejos deberían pasar por revisión individual. El riesgo decide la profundidad, no la emoción por automatizar.

No uses open rate para declarar que la edición humana funcionó. Mide defectos antes del envío: porcentaje de registros sin fuente, claims corregidos, outputs rechazados, variables rotas y tiempo de revisión. Después observa respuestas positivas, objeciones por información incorrecta, bajas, reuniones y oportunidades por cohorte.

Conserva ejemplos de fallas. Si varios mensajes inventan crecimiento, el problema puede estar en el prompt o en una señal mal definida. Si el texto es correcto pero genérico, quizá la cuenta no tiene evidencia suficiente para personalización uno a uno. Si el equipo aprueba todo por velocidad, el control existe en el diagrama y no en la operación.

La hipótesis de picos.Ai es que una política explícita reduce variación indeseada y acelera aprendizaje porque obliga a saber qué se envió y por qué. No afirmamos que revisar cada mensaje garantice replies ni que la política de Clay haya elevado pipeline. La calidad del correo sigue dependiendo de ICP, timing, oferta, entrega y ejecución comercial.

La política de Clay acierta al evitar dos extremos: publicar output crudo o prohibir la herramienta. Outbound necesita el mismo equilibrio. La AI puede investigar, comparar, resumir, proponer hipótesis y adaptar estructura; una persona conserva responsabilidad sobre selección, verdad, postura y envío.

picos.Ai diseña esa responsabilidad dentro del workflow: fuentes fechadas, campos separados para hechos e inferencias, prompts con salida de rechazo, controles automáticos, revisión proporcional al riesgo y resultados que regresan al sistema. La meta no es que cada cold email parezca artesanal. Es que cada correo tenga una razón defendible para existir.

Si tu equipo ya genera copy en Clay, Instantly, Smartlead o un flujo propio, podemos auditar desde qué datos escribe, qué puede inventar, dónde se aprueba y cómo aprende de replies y pipeline. Automatizar la redacción es fácil. Automatizar sin renunciar al criterio es el trabajo real.