Mes: septiembre 2026

Categorías
Entrada de Blog

ChatGPT Ads ya se compran en autoservicio en España: ¿debería probarlos un SaaS B2B o una marca D2C?

Ads are live in ChatGPT. In Spain. — Studio Ideago
Medios de pago · Canal nuevo

Desde el 31 de agosto de 2026, cualquier empresa española con una tarjeta puede abrir el Ads Manager de OpenAI y comprar anuncios dentro de ChatGPT. Sin equipo comercial de por medio, sin agencia partner, sin inversión mínima. El autoservicio se activó a la vez en 31 mercados europeos —España, Alemania, Francia, Italia, Países Bajos, los nórdicos— seis meses después de que arrancara la prueba en Estados Unidos.

Llevo dos semanas leyendo la documentación real en lugar de los hilos de LinkedIn, y el resumen honesto es este: ChatGPT Ads es un canal de verdad, con una infraestructura de medición seria, y a la vez es un canal donde la mayoría de quien ve tu anuncio está en el plan gratuito, dentro de una conversación que tú no puedes ver, emparejado por un sistema que no puedes auditar. Las dos cosas son ciertas. La pregunta para un SaaS B2B o una marca D2C en España no es «si esto es el futuro», sino «qué tendría que demostrar un test de 1.500 € para que entre en el plan de medios».

Así montaría yo ese test, qué mediría antes de gastar un euro y dónde espero que se pise con el presupuesto de Google Search que ya tienes en marcha.

Qué se activó de verdad en España el 31 de agosto (y qué no)

La cronología, según los propios anuncios de OpenAI: prueba en Estados Unidos el 9 de febrero de 2026, solo para adultos con sesión iniciada en los planes Free y Go. Canadá, Australia y Nueva Zelanda en primavera. Reino Unido, México, Brasil, Japón y Corea del Sur el 11 de agosto. El anuncio europeo llegó el 18 de agosto y el autoservicio en Ads Manager se confirmó el 31. Ese mismo día OpenAI comunicó que la plataforma había superado los 1.000 millones de dólares de facturación anualizada en menos de 200 días, lo que te dice que los anunciantes americanos que entraron pronto no se han ido.

Lo que tienes hoy en la cuenta, según la documentación para desarrolladores y el correo de producto de septiembre: pujas CPM y CPC más un objetivo optimizado a conversión; segmentación geográfica y audiencias personalizadas a partir de emails, teléfonos o IDs de publicidad móvil hasheados; un píxel de medición en JavaScript, una etiqueta de imagen sin JS y una Conversions API de servidor; campañas de feed de producto para retail, que se sirven en un carrusel multiproducto; ritmo de gasto en presupuestos totales; y, desde el 4 de septiembre, un plugin de Ads Manager con el que puedes crear y editar campañas desde dentro del propio ChatGPT.

Lo que no tienes: ninguna visibilidad de la conversación en la que apareció tu anuncio. El anunciante recibe impresiones y clics agregados, y nada más. Es una decisión de diseño, repetida en todos los documentos de OpenAI sobre publicidad desde febrero, y es la diferencia más grande respecto a un informe de términos de búsqueda.

Aviso de fechas: buena parte de lo publicado en septiembre recicla la prueba de febrero como si fuera nueva. Las fechas que importan a un anunciante español son el 18 de agosto (anuncio) y el 31 de agosto (autoservicio activo). Todo lo que diga «próximamente en Europa» está desactualizado.

Quién ve realmente un anuncio en ChatGPT, y por qué cambia tu previsión

Los anuncios solo se muestran a usuarios de los planes Free y Go. Las cuentas Plus, Pro, Business, Enterprise y Education no los ven nunca, y los usuarios Free pueden desactivarlos a cambio de menos mensajes diarios. No se sirven a menores de 18 años (ni a quien el sistema estime que lo es) y no son elegibles cerca de temas de salud, salud mental o política.

Léelo como planificador de medios y salen tres consecuencias. Primera: la audiencia se aleja de quien paga por software; el director financiero de una empresa mediana que evalúa una herramienta de finanzas está más probablemente en una licencia Business que en Free. Segunda: las exclusiones son lo bastante amplias como para que categorías enteras (suplementos con cualquier reclamo de salud, por ejemplo) se encuentren con un inventario escaso o imprevisible. Tercera: la selección del anuncio depende del tema de la conversación actual, de los chats anteriores del usuario y de cómo ha interactuado antes con anuncios. Tu anuncio aparece cuando alguien está hablando de tu categoría: una señal de intención más fuerte que una impresión de display y más débil que una búsqueda escrita con modificadores comerciales.

Así que el modelo mental correcto no es «Google Search pero en ChatGPT». Se parece más a un emplazamiento de mitad de embudo emparejado por intención y con sesgo hacia el plan gratuito. No es una crítica; es lo que deberías estar valorando cuando fijes el CPA objetivo del test.

Cómo medirlo antes de gastar un euro

Todos los tests de canal que he visto fracasar fracasaron en la medición, no en el canal. ChatGPT Ads te da tres vías de seguimiento que reportan al mismo ID de píxel, y el orden en que las montes importa.

Antes de lanzar Por qué importa
Píxel de medición vía GTM con los mismos eventos estándar que ya disparas para Meta y Google La puja optimizada a conversión necesita una señal de conversión. Si lanzas a CPC sin píxel tienes una campaña de tráfico, no un test.
Conversions API desde el backend (o vía eventos de servidor de HubSpot / Shopify) con email y teléfono hasheados El emparejamiento solo en navegador infrarreporta, exactamente igual que en Meta. Septiembre añadió más campos de matching (nombre, región, código postal, GAID); úsalos.
Un UTM source propio (utm_source=chatgpt&utm_medium=paid) y un grupo de canal personalizado en GA4 Sin él, el tráfico de ChatGPT cae en Referral o Unassigned y nunca lo verás frente al resto del mix.
Una landing que responda a la conversación, no a la keyword El usuario llega a mitad de comparación. Una página que abre con «por qué nosotros y no X» gana siempre a una home genérica.
Una marca en el CRM en cada contacto que venga de ChatGPT Las conversiones que reporta la plataforma no te dirán si esos leads cerraron. Tu informe de pipeline sí, ocho semanas después.

Una cosa más que la documentación deja clara: viene «próximamente» un modelo de conversión post-impresión, facturado por impresiones y optimizado tanto con clics como con visualizaciones. Cuando llegue, déjalo fuera del test. Un primer test necesita una lectura limpia basada en clics; la atribución post-impresión es donde los canales nuevos van a parecer mejores de lo que son.

Un test de 1.500 € que demuestre algo: SaaS B2B frente a D2C

Los dos tipos de cliente para los que gestiono medios de pago necesitan tests distintos, porque el canal los trata de forma distinta.

Para un SaaS B2B —pongamos una herramienta de automatización financiera que vende a fundadores y directores financieros— la hipótesis honesta no es «ChatGPT producirá demos a un CPA más bajo que Google». Es «la gente que pregunta a ChatGPT cómo estructurar el reporting de tesorería de su empresa está en nuestro ICP, y podemos llegar a ella antes de que escriba una búsqueda de marca». Por tanto: una campaña, optimizada a una conversión blanda (descarga de guía o visita a la página de precios, no demo reservada), exclusión por audiencia personalizada de clientes actuales, geo España más tus dos mejores mercados de la UE, y tres anuncios que respondan cada uno a una pregunta concreta. El éxito a 1.500 € no es una demo. Es un coste por contacto cualificado dentro de 1,5× tu cifra de LinkedIn Ads y una marca en el CRM que puedas seguir durante dos meses.

Para una marca D2C —una bebida nutricional diaria, una suscripción de café— el canal se parece más a Shopping que a Search, y el feed de producto no es opcional: desde principios de septiembre, los resultados de producto en ChatGPT vienen de marcas que envían un feed, y las campañas de feed se sirven en el carrusel con impresiones y clics por tarjeta. El test es una campaña de feed optimizada a conversión con el píxel más los eventos de servidor de Shopify, una audiencia personalizada de compradores anteriores para excluirlos, y una regla estricta sobre reclamos: cualquier cosa que suene a beneficio de salud arriesga quedar fuera del inventario por la exclusión de temas de salud, así que lidera con sabor, ritual y comodidad. El éxito es un ROAS combinado que aceptarías de una campaña de prospección en Meta, en un canal donde la comparación ocurre en el chat y no en tu ficha de producto.

La idea clave: ChatGPT Ads premia a los anunciantes que saben qué pregunta hace su cliente justo antes de comprar. Si no puedes escribir esa pregunta en una línea, no estás listo para probar el canal, y ninguna estrategia de puja lo va a arreglar.
¿Quieres una segunda opinión antes de abrir la cuenta? Estoy montando estos tests para clientes este trimestre —píxel, CAPI, estructura de UTMs y marca en el CRM incluidos— para que la lectura final sea una en la que puedas confiar. Cuéntame qué vendes y te digo si ya merece la pena probarlo.

Dónde canibaliza a Google Search y dónde no

La parte incómoda de cualquier canal nuevo es que rara vez trae demanda nueva; normalmente mueve la demanda existente a un sitio donde ahora tienes que pagar por ella. Dos comprobaciones te dicen cuál de las dos cosas está pasando.

Vigila el volumen de búsqueda de marca. Si las exposiciones en ChatGPT empujan a la gente a buscar tu marca en Google, la campaña de Search se lleva la conversión y ChatGPT parece que no hizo nada. La marca en el CRM más un vistazo a las impresiones de marca en las dos semanas posteriores al lanzamiento lo detectan. Es el mismo patrón que describimos cuando Smart Bidding empezó a absorber señales de otros canales: la plataforma que cierra se lleva el mérito.

Vigila la cola larga sin marca. Las búsquedas llevan año y medio alargándose, y quien escribe preguntas de cinco palabras en Google es la misma persona que pregunta a ChatGPT. Si tus conversiones no-marca de Google bajan en el geo del test mientras aparecen contactos con origen ChatGPT, estás pagando dos veces por la misma persona. No es motivo para parar; es motivo para fijar el CPA objetivo de ChatGPT en lo que te cuesta una conversión de cola larga en Google, no en lo que cuesta un clic de display.

Y una advertencia por el lado orgánico: pagar por estar en ChatGPT no influye en absoluto en que ChatGPT te cite en una respuesta. Los anuncios van etiquetados, separados, y no afectan a las respuestas. Si el objetivo es que te citen, eso es un problema de contenido y estructura —el mismo que creó el AI Mode de Google— y el presupuesto de anuncios no lo compra.

Preguntas que me hacen una y otra vez

¿Puede una empresa española anunciarse en ChatGPT ahora mismo?

Sí. El acceso en autoservicio a través del Ads Manager de OpenAI está activo en España y otros 30 mercados europeos desde el 31 de agosto de 2026. El alta se hace en ads.openai.com; no hace falta agencia y no hay inversión mínima publicada.

¿Quién ve los anuncios en ChatGPT?

Solo usuarios adultos con sesión iniciada en los planes Free y Go. Los usuarios Plus, Pro, Business, Enterprise y Education nunca ven anuncios. No se muestran cerca de temas de salud, salud mental o política, y los usuarios Free pueden desactivarlos a cambio de menos mensajes diarios.

¿Cómo se segmenta un anuncio en ChatGPT?

Los anuncios se emparejan con el tema de la conversación actual, los chats anteriores del usuario y sus interacciones previas con anuncios. El anunciante puede añadir segmentación geográfica y audiencias personalizadas (email, teléfono o IDs móviles hasheados), pero nunca ve la conversación: solo impresiones y clics agregados.

¿Anunciarme en ChatGPT ayuda a que ChatGPT cite mi marca en sus respuestas?

No. OpenAI afirma que los anuncios no influyen en las respuestas y que siempre van etiquetados y separados visualmente. Que te citen de forma orgánica depende de tu contenido, tu estructura y tu autoridad, no de la inversión publicitaria.

Pruébalo como un canal, no como un titular

La tentación con cualquier cosa que lleve «ChatGPT» en el nombre es descartarla o anunciarla a bombo y platillo. Ninguna de las dos es una decisión de medios. La plataforma ha lanzado las piezas que necesita un anunciante serio —puja a conversión, medición de servidor, matching de audiencias, soporte de feed, una API— más rápido que cualquier red publicitaria que recuerde. Y también, por diseño, te da menos visibilidad sobre por qué se sirvió un anuncio que cualquier canal que compres hoy.

Así que trátalo como tratarías cualquier emplazamiento sin probar: mide primero, limita el presupuesto, define la métrica de éxito antes de lanzar, marca cada contacto en el CRM y lee el resultado contra tu cola larga de Google y tus cifras de prospección en LinkedIn o Meta, no contra cero. Si con esas reglas se gana una línea en el plan de 2027, se la ha ganado. Si no, habrás gastado 1.500 € en saber algo que la mayoría de tus competidores todavía está adivinando.

¿Quieres que el test se haga bien?

Monto pilotos de ChatGPT Ads de principio a fin para SaaS B2B y marcas D2C en España: cuenta e instrumentación de píxel/CAPI, UTMs y canal en GA4, exclusiones de audiencia, brief creativo de tres anuncios, marcado en el CRM y un informe escrito al agotar el presupuesto que te dice si escalar o parar.

Reservar un piloto de ChatGPT Ads

Nacho Hernández

Nacho HernándezConsultor de Marketing y Negocio · Studio IdeagoLinkedIn →
Categorías
Blog post

ChatGPT Ads Are Self-Serve in Spain: Should a B2B SaaS or a D2C Brand Test Them?

Ads are live in ChatGPT. In Spain. — Studio Ideago
Paid Media · New Channel

Since 31 August 2026, anyone with a Spanish company and a credit card can open OpenAI’s Ads Manager and buy ads inside ChatGPT. No sales team, no agency partner, no minimum spend. Self-service went live across 31 European markets at once — Spain, Germany, France, Italy, the Netherlands, the Nordics — six months after the US pilot started in February.

I have spent the last two weeks reading the actual documentation rather than the hot takes, and the honest summary is this: ChatGPT Ads is a real channel with real measurement plumbing, and it is also a channel where most of the people who see your ad are on the free tier, in a conversation you cannot see, being matched by a system you cannot audit. Both things are true. The question for a Spanish B2B SaaS or a D2C brand is not «is this the future», it is «what would a €1,500 test have to prove before I put it in the media plan».

This is how I would set that test up, what I would instrument first, and where I expect it to overlap with the Google Search budget you already run.

What actually went live in Spain on 31 August — and what did not

OpenAI’s timeline, from its own announcements: US test on 9 February 2026, logged-in adults on the Free and Go tiers only. Canada, Australia and New Zealand in spring. UK, Mexico, Brazil, Japan and South Korea on 11 August. Then the European announcement on 18 August, with self-serve access through Ads Manager confirmed on 31 August. On 31 August OpenAI also reported the platform had passed a $1 billion annualised run rate in under 200 days — which tells you the US advertisers who got in early did not leave.

What you get in the account today, per the developer docs and the September product email: CPM and CPC bidding plus a conversion-optimised objective; geo-targeting and custom audiences built from hashed emails, phones or mobile ad IDs; a JavaScript measurement pixel, a no-JS image tag and a server-side Conversions API; product-feed campaigns for retailers, which serve in a multi-product carousel; total-budget pacing; and — new on 4 September — an Ads Manager plugin that lets you build and edit campaigns from inside ChatGPT itself.

What you do not get: any view of the conversation your ad appeared in. Advertisers receive aggregate views and clicks, nothing else. That is a deliberate design choice, stated in every OpenAI ads document since February, and it is the single biggest difference between this and a search-terms report.

Recency check: a lot of September coverage recycles the February pilot as if it were new. The dates that matter for a Spanish advertiser are 18 August (announcement) and 31 August (self-serve live). Anything describing «coming soon to Europe» is stale.

Who actually sees a ChatGPT ad, and why it changes your forecast

Ads are only shown to users on the Free and Go plans. Plus, Pro, Business, Enterprise and Education accounts never see them, and Free users can opt out of ads in exchange for fewer daily messages. Ads are not served to anyone under 18 or predicted to be, and they are not eligible near health, mental health or political topics.

Read that as a media planner and three things follow. First, the audience skews away from the people who pay for software — the CFO of a mid-market company evaluating a finance tool is more likely on a Business seat than on Free. Second, the exclusions are broad enough that entire categories (supplements with any health claim, for instance) will find inventory thin or unpredictable. Third, ad selection is driven by the topic of the current conversation, the user’s past chats and their past ad interactions. Your ad appears when someone is talking about your category, which is a stronger intent signal than a display impression and a weaker one than a typed search with commercial modifiers.

So the right mental model is not «Google Search but in ChatGPT». It is closer to an intent-matched mid-funnel placement with a free-tier skew. That is not a criticism; it is what you should be pricing when you set a target CPA for the test.

How to instrument it before you spend a euro

Every failed channel test I have seen failed at measurement, not at the channel. ChatGPT Ads gives you three tracking paths that all report to one Pixel ID, and the order you set them up in matters.

Before launch Why it matters
Measurement Pixel via GTM with the standard events you already fire for Meta and Google Conversion-optimised bidding needs a conversion signal. Launch on CPC without the pixel and you have a traffic campaign, not a test.
Conversions API from the backend (or via your HubSpot / Shopify server events) with hashed email and phone Browser-side matching alone will under-report, exactly as it does on Meta. September added more matching fields (name, region, postal code, GAID); use them.
A dedicated UTM source (utm_source=chatgpt&utm_medium=paid) and a custom channel group in GA4 Without it, ChatGPT traffic lands in Referral or Unassigned and you will never see it against the rest of the mix.
A landing page that answers the conversation, not the keyword The user arrives mid-comparison. A page that opens with «why choose us over X» outperforms a generic homepage every time.
A holdout in the CRM: a flag on every ChatGPT-sourced contact Platform-reported conversions will not tell you whether the leads closed. Your pipeline report will, eight weeks later.

One more thing the docs are explicit about: a view-through conversion model is «coming soon», billed on impressions and optimised on both clicks and views. When it arrives, keep it out of the test. A first test needs a clean click-based read; view-through attribution is where new channels go to look better than they are.

A €1,500 test that proves something: B2B SaaS versus D2C

The two kinds of clients I run paid media for need different tests, because the channel treats them differently.

For a B2B SaaS — say a finance-automation tool selling to founders and CFOs — the honest hypothesis is not «ChatGPT will produce demos at a lower CPA than Google». It is «people who ask ChatGPT how to structure their company’s cash-flow reporting are in our ICP, and we can reach them before they type a branded search». So: one campaign, conversion-optimised toward a soft conversion (guide download or pricing page view, not demo booked), custom audience exclusion built from current customers, geo Spain plus your two best EU markets, three ads that each answer one specific question. Success at €1,500 is not a demo. It is a cost per qualified contact within 1.5× of your LinkedIn Ads number and a CRM flag you can follow for two months.

For a D2C brand — a daily nutritional beverage, a coffee subscription — the channel is closer to Shopping than to Search, and the product feed is not optional: since early September, product-level results in ChatGPT come from brands that submit a feed, and feed campaigns serve in the carousel unit with per-card impression and click reporting. The test is a feed campaign on conversion optimisation with the Pixel plus Shopify server events, a custom audience of past purchasers for exclusion, and a hard rule on claims: anything that reads as a health benefit risks being ineligible near health topics, so lead with taste, ritual and convenience. Success is a blended ROAS you would accept from a Meta prospecting campaign, on a channel where the comparison is happening in the chat instead of on your PDP.

The key idea: ChatGPT Ads rewards advertisers who know which question their customer asks right before they buy. If you cannot write that question down, you are not ready to test the channel — and no bid strategy will fix it.
Want a second opinion before you open the account? I am setting these tests up for clients this quarter — pixel, CAPI, UTM structure and the CRM flag included — so the read at the end is one you can actually trust. Tell me what you sell and I will tell you whether a test is worth it yet.

Where it cannibalises Google Search, and where it does not

The uncomfortable part of any new channel is that it rarely brings new demand; it usually moves existing demand somewhere you now have to pay for. Two checks tell you which is happening here.

Watch branded search volume. If ChatGPT exposures push people to Google your brand, your Search campaign gets the conversion and ChatGPT looks like it did nothing. The ChatGPT-sourced CRM flag plus a look at brand impressions in the two weeks after launch will catch this. It is the same pattern we described when Smart Bidding started absorbing cross-channel signals: the platform that closes claims the credit.

Watch the non-brand long tail. Search queries have been getting longer for eighteen months, and the people typing five-word questions into Google are the same people asking ChatGPT. If your Google non-brand conversions dip in the test geo while ChatGPT-sourced contacts appear, you are paying twice for the same person. That is not a reason to stop; it is a reason to set the ChatGPT target CPA at what a Google long-tail conversion costs you, not at what a display click costs.

And a caveat on the organic side: paid presence in ChatGPT does nothing for whether ChatGPT cites you in an answer. Ads are labelled, separated, and do not influence responses. If being cited is the goal, that is a content and structure problem — the same one Google AI Mode created — and the ad budget will not buy it.

Questions I keep getting asked

Can a company in Spain advertise on ChatGPT right now?

Yes. Self-service access through OpenAI’s Ads Manager has been live in Spain and 30 other European markets since 31 August 2026. You sign up at ads.openai.com; there is no agency requirement and no published minimum spend.

Who sees ads in ChatGPT?

Only logged-in adult users on the Free and Go plans. Plus, Pro, Business, Enterprise and Education users never see ads. Ads are not shown near health, mental health or political topics, and Free users can opt out in exchange for fewer daily messages.

How is a ChatGPT ad targeted?

Ads are matched to the topic of the current conversation, the user’s past chats and their past ad interactions. Advertisers can add geo-targeting and custom audiences (hashed email, phone, mobile ad IDs), but never see the conversation itself — only aggregate views and clicks.

Do ChatGPT Ads help my brand get cited in ChatGPT answers?

No. OpenAI states that ads do not influence answers and are always labelled and visually separated. Being cited organically depends on your content, structure and authority, not on ad spend.

Test it like a channel, not like a headline

The temptation with anything that has «ChatGPT» in the name is to either dismiss it or to announce it. Neither is a media decision. The platform has shipped the pieces a serious advertiser needs — conversion bidding, server-side measurement, audience matching, feed support, an API — faster than any ad network I can remember. It has also, by design, given you less visibility into why an ad served than any channel you currently buy.

So run it the way you would run any unproven placement: instrument first, cap the budget, define the success metric before launch, flag every contact in the CRM, and read the result against your Google long-tail and your LinkedIn or Meta prospecting numbers rather than against zero. If it earns a line in the 2027 plan on those terms, it earned it. If it does not, you have spent €1,500 to know something most of your competitors are still guessing about.

Want the test run properly?

I set up ChatGPT Ads pilots end to end for B2B SaaS and D2C brands in Spain: account and Pixel/CAPI instrumentation, UTM and GA4 channel setup, audience exclusions, three-ad creative brief, CRM flagging, and a written read-out at the end of the budget that tells you whether to scale or stop.

Book a ChatGPT Ads pilot

Nacho Hernandez

Nacho HernandezMarketing & Business Consultant · Studio IdeagoLinkedIn →
Categorías
Entrada de Blog

Tus Etapas del Ciclo de Vida No Son el Problema. Tus Criterios de Salida Sí.

Torn paper strips forming an ascending staircase, one knocked out of line
CRM · RevOps

Todas las implementaciones de CRM atascadas a las que me han llamado tenían un modelo de etapas del ciclo de vida. Normalmente uno decente. Suscriptor, Lead, MQL, SQL, Oportunidad, Cliente: las mismas seis palabras, en el mismo desplegable, en HubSpot o en Salesforce o en lo que toque.

Las etapas nunca eran el problema. Lo que faltaba, sin excepción, era la parte aburrida de debajo: quién decide que un contacto sale de esta etapa, con qué evidencia, y qué pasa en el momento en que sale. Sin eso, una etapa del ciclo de vida es una etiqueta que alguien rellena cuando se acuerda. El reporting que construyes encima es ficción, y en la sala todo el mundo lo sabe aunque nadie lo diga.

Este es el modelo que implemento de verdad, y las cuatro preguntas que obligo a responder por etapa antes de tocar una sola propiedad del CRM.

Etapa del ciclo de vida y estado del lead responden a preguntas distintas

Empieza por aquí, porque mezclar estos dos campos hace más daño que cualquier otro error de CRM que me encuentro, y arreglarlo no cuesta nada.

La etapa del ciclo de vida responde: ¿hasta dónde ha llegado esta persona en la relación? Avanza hacia delante, es propiedad de la empresa entera y es sobre lo que reportas el embudo. El estado del lead responde: ¿qué está pasando ahora mismo en el trabajo? Nuevo, intentando contacto, contactado, sin respuesta, no cualificado. Va y viene, lo gestiona quien esté trabajando el registro y es lo que mira un comercial un lunes por la mañana.

Cuando se colapsan los dos, acabas con etapas como «Intentando contactar» o «Nurture» conviviendo con MQL y Cliente en el mismo desplegable. El informe de embudo cuenta entonces un intento de llamada fallido como una posición del embudo, las tasas de conversión entre etapas dejan de significar nada y nadie puede responder a la única pregunta para la que existe el modelo: de los que llegaron aquí, ¿cuántos llegaron al siguiente paso y cuánto tardaron?

La señal: si tu desplegable de ciclo de vida tiene más de siete opciones, o si alguna de ellas es un verbo, tienes estados de trabajo viviendo dentro de un campo de embudo. Sepáralos antes de hacer nada más de esta lista.

Cada etapa necesita cuatro cosas, y casi todas tienen una

La mayoría de implementaciones definen qué significa una etapa y ahí se quedan. Una etapa solo es operativa cuando existen las cuatro, por escrito:

Qué necesita A qué pregunta responde
Una definición ¿Qué es cierto de una persona que está aquí? Escrito de forma que dos personas de equipos distintos clasifiquen el mismo registro igual.
Un criterio de salida ¿Qué evento concreto y observable la saca de aquí? No «muestra interés»: un formulario, un umbral, una reunión celebrada, un cambio de etapa en el negocio.
Un responsable ¿Quién responde mientras el registro está aquí y quién responde de la transición en sí? Pueden ser dos personas distintas.
Una marca de tiempo Una propiedad de fecha que se escribe al entrar. Sin ella no puedes medir la velocidad por etapa, y ahí es donde vive el diagnóstico real.

El criterio de salida es el que hace el trabajo. «MQL significa lead cualificado por marketing» es una tautología. «MQL significa puntuación de fit igual o superior a 60 y, además, o petición de demo o 3 visitas a la página de precios en 14 días» es una regla que un workflow puede ejecutar y que un director comercial puede discutir. Que la discuta es justo lo que buscas: la discusión ocurre una vez, en una sala, en vez de cada semana en la revisión de pipeline.

La marca de tiempo es la que todo el mundo se salta y luego echa de menos. Las fechas de entrada por etapa son las que te permiten decir «de MQL a SQL son 19 días y el 40% no llega» en lugar de «el embudo va lento». No cuestan nada el primer día y no se pueden reconstruir después.

Fit e intención son dos puntuaciones, no una

El fallo de scoring más habitual con diferencia: un solo número, construido sumando puntos por cargo y puntos por aperturas de email. Un CFO de una empresa que encaja perfecto y ha entrado dos veces puntúa igual que un estudiante que se ha descargado cuatro PDFs. El modelo no te puede decir a quién llamar, porque las dos entradas significan cosas opuestas.

El fit es quién es: sector, tamaño, rol, geografía, stack. Se mueve despacio y es sobre todo firmográfico. La intención es qué está haciendo: página de precios, petición de demo, sesiones repetidas, respuesta a una secuencia. Se mueve rápido y caduca. Mantenlas como dos propiedades y la lógica de enrutamiento se escribe sola:

Fit alto · intención altaVentas, ya. Es el único cuadrante que debería disparar un SLA.
Fit alto · intención bajaNurture de marketing, y la lista más valiosa que tienes. No dejes que ventas la queme con secuencias en frío.
Fit bajo · intención altaAutoservicio, comunidad o nada, educadamente. El cuadrante que se come más horas de comercial sin que nadie lo mire.
Fit bajo · intención bajaBase de datos. Se mide, no se trabaja.

Dos reglas más que salvan a los modelos de scoring de sí mismos. La intención tiene que decaer: una visita a precios de marzo no puede seguir inflando la puntuación en septiembre, y un modelo sin decaimiento acaba ascendiendo a toda tu base de datos. Y la puntuación negativa debe ser estructural, no de comportamiento: resta por dominio de competidor, por email de estudiante, por país donde no vendes. Restar puntos porque alguien no abrió un email castiga al email, no al lead.

La idea clave: un modelo de ciclo de vida no es una taxonomía, es un conjunto de acuerdos sobre quién actúa y cuándo. Si una etapa no tiene criterio de salida ni responsable, no es una etapa: es una carpeta.
Una prueba que puedes hacer esta tarde: pide a tu responsable de ventas y a tu responsable de marketing, por separado, que escriban qué convierte a un lead en MQL. Si las dos respuestas no coinciden —y casi nunca coinciden— acabas de encontrar por qué nadie se fía del informe de embudo. Ese hueco es el proyecto entero. Lo vemos juntos si quieres otro par de ojos.

Tres reglas que mantienen limpio el modelo una vez está vivo

1. El ciclo de vida solo avanza. Un cliente que rellena un formulario de la parte alta del embudo no vuelve a ser Lead. La mayoría de CRMs dejan encantados que un workflow lo degrade, y a partir de ahí tu recuento de clientes baja cada mes por razones que nadie sabe rastrear. Protege cada workflow que asigne etapa con una condición que compruebe primero la etapa actual. Retroceder, cuando de verdad hace falta, es un acto manual deliberado con motivo registrado, no un efecto colateral de una automatización.

2. Un responsable por transición. Dos workflows que puedan poner un contacto en MQL acabarán peleándose, y gana el orden de ejecución, no la intención. Cada transición tiene exactamente un mecanismo: un workflow o una acción manual, nunca los dos. Escribe la lista de transiciones; si una transición tiene dos causas posibles, una de ellas es un bug que todavía no te ha explotado.

3. El reciclado es un camino definido, no un cementerio. Alrededor de dos tercios de los leads que ventas rechaza siguen siendo viables más adelante, y el tratamiento por defecto —marcar como no cualificado y olvidar— es donde muere en silencio buena parte del pipeline B2B. Define la ruta de vuelta: motivo de rechazo obligatorio, los rechazos por timing vuelven a nurture con una regla de reentrada, los rechazos por fit se suprimen de forma permanente. Un campo de motivo de rechazo opcional estará vacío en un mes, y entonces no sabrás si tus leads son malos o si lo malo es tu momento.

La revisión de cinco días que haría en tu CRM

Esto no es un proyecto de un trimestre. En un setup mid-market normal es una semana, y la mayor parte de la semana es conversación, no configuración.

Día 1 — Auditoría. Exporta contactos por etapa. Cuenta cuántos hay en cada una, cuánto llevan ahí y a cuántos los ha tocado una persona por última vez. Solo la distribución ya te dice qué etapas son reales y cuáles son almacén. Día 2 — Definiciones. Los dos equipos en una sala, una página por etapa, cuatro casillas: definición, criterio de salida, responsable, marca de tiempo. Nadie se va hasta que la fila de MQL esté acordada. Día 3 — Separa las puntuaciones. Fit e intención como propiedades distintas, decaimiento en intención, negativos solo estructurales.

Día 4 — Construye y protege. Un workflow por transición, condiciones de solo avance, fecha de entrada en cada etapa, motivo de rechazo obligatorio. Día 5 — El informe que antes no podías construir. Volumen, tasa de conversión y mediana de días por etapa, más el resultado de los leads reciclados. Ese informe es el entregable. La configuración solo era lo que lo hacía posible.

Una dependencia que conviene decir en voz alta: nada de esto sobrevive a datos sucios. Los contactos duplicados parten el historial de una persona en dos registros y los dos puntúan mal, que es la razón por la que la capa de higiene va primero y por la que acabamos montando un bot de deduplicación sobre la API de HubSpot en lugar de fiarlo todo a las herramientas nativas. Primero los registros, después el modelo.

Preguntas que salen siempre

¿Cuál es la diferencia entre etapa del ciclo de vida y estado del lead?

La etapa del ciclo de vida registra hasta dónde ha avanzado un contacto en la relación global y solo se mueve hacia delante: es la base del reporting de embudo. El estado del lead registra qué está pasando ahora mismo en el trabajo (nuevo, intentando, contactado, sin respuesta) y cambia libremente. Mantenlos en propiedades separadas: mezclarlos deja las tasas de conversión sin significado.

¿Cuántas etapas debería tener una empresa B2B?

Entre cinco y siete. Con menos, el embudo esconde sus propios cuellos de botella; con más, las etapas extra casi siempre son estados de trabajo o segmentos disfrazados. Añade una etapa solo cuando después de la transición el registro pase a manos de otro equipo.

¿Deberían retroceder alguna vez las etapas?

Automáticamente no. Protege cada workflow que asigne etapa para que no pueda degradar un registro. Cuando hace falta un reinicio real —un cliente que se ha ido y vuelve a evaluación, por ejemplo— que sea una acción manual deliberada con motivo registrado, para que el histórico del embudo siga siendo interpretable.

¿Sigue haciendo falta lead scoring si ya tenemos IA en el CRM?

Sí, y diría que más. Una puntuación predictiva o asistida por IA solo es tan buena como las definiciones y los resultados de los que aprende: si tu etiqueta de MQL se aplica de forma inconsistente, el modelo aprende la inconsistencia. Primero deja fino el modelo legible por humanos y después pon la automatización encima.

El modelo es un acuerdo, y los acuerdos necesitan mantenimiento

Los modelos de ciclo de vida no se degradan por razones técnicas. Se degradan porque el acuerdo que había detrás se cerró una vez, entre personas que desde entonces han cambiado de puesto, sobre un producto que desde entonces ha cambiado de forma. Las definiciones se quedan en el CRM mucho después de dejar de describir el negocio.

Así que ponle fecha. Una vez por trimestre, coge la página de cuatro casillas de cada etapa y pregunta si los criterios de salida siguen coincidiendo con cómo pasan los negocios de verdad. Son cuarenta minutos de reunión y son la diferencia entre un CRM que refleja el negocio y uno que refleja el negocio de hace dos años.

Y antes de entregarle nada de esto a la automatización, asegúrate de que las reglas existen por escrito: el mismo argumento vale para darle a una IA permisos de escritura en tu CRM. La automatización es muy buena ejecutando un modelo de forma consistente. Es malísima dándose cuenta de que el modelo nunca se acordó.

¿Lo hacemos en tu CRM?

Reconstruyo modelos de ciclo de vida y scoring para equipos B2B en HubSpot: auditoría de etapas, taller de definiciones con ventas y marketing en la misma sala, scoring separado de fit e intención, workflows protegidos y el informe de embudo al final. Una semana de trabajo, y la documentación se queda contigo.

Reserva una auditoría de ciclo de vida

Nacho Hernandez

Nacho HernándezMarketing & Business Consultant · Studio IdeagoLinkedIn →
Categorías
Blog post

Your Lifecycle Stages Aren’t the Problem. Your Exit Criteria Are.

Torn paper strips forming an ascending staircase, one knocked out of line
CRM · RevOps

Every stalled CRM implementation I have been called into had a lifecycle stage model. Usually a good one. Subscriber, Lead, MQL, SQL, Opportunity, Customer — the same six words, sitting in the same dropdown, in HubSpot or Salesforce or whatever else.

The stages were never the problem. What was missing, every single time, was the boring part underneath: who decides a contact has left this stage, on what evidence, and what happens the moment they do. Without that, a lifecycle stage is a label someone types in when they remember. Reporting built on it is fiction, and everybody in the room quietly knows it.

This is the model I actually implement, and the four questions I make a team answer per stage before we touch a single property in the CRM.

Lifecycle stage and lead status answer different questions

Start here, because conflating these two fields causes more damage than any other CRM mistake I see, and it is completely free to fix.

Lifecycle stage answers: how far into the relationship is this person? It moves forward, it is owned by the business as a whole, and it is what you report the funnel on. Lead status answers: what is happening in the work right now? New, attempting contact, connected, unresponsive, unqualified. It bounces around, it is owned by whoever is working the record, and it is what a rep looks at on Monday morning.

When teams collapse the two, you get lifecycle stages like «Attempting to contact» and «Nurture» sitting in the same dropdown as MQL and Customer. The funnel report then counts a stalled call attempt as a funnel position, conversion rates between stages become uninterpretable, and nobody can answer the only question the model exists to answer: of the people who reached this point, how many reached the next one, and how long did it take?

The tell: if your lifecycle dropdown has more than seven options, or if any of them is a verb, you have work statuses living in a funnel field. Split them before you do anything else on this list.

Every stage needs four things, and most have one

Most implementations define what a stage means and stop there. A stage is only operational when all four of these exist in writing:

What it needs The question it answers
A definition What is true about a person who is here? Written so two people in different teams classify the same record identically.
An exit criterion What specific, observable event moves them out? Not «shows interest» — a form, a threshold, a meeting held, a stage change on a deal.
An owner Who is accountable while the record sits here, and who is accountable for the transition itself? Those can be two different people.
A timestamp A date property written when the record enters. Without it you cannot measure stage velocity, and velocity is where the actual diagnosis lives.

The exit criterion is the one that does the work. «MQL means a marketing-qualified lead» is a tautology. «MQL means fit score is 60 or above and the contact has either requested a demo or hit 3 pricing-page views in 14 days» is a rule a workflow can execute and a sales director can argue with — which is exactly what you want, because the argument happens once, in a room, instead of every week in the pipeline review.

The timestamp is the one everybody skips and later wishes they had. Entry dates per stage are what let you say «MQL to SQL takes 19 days and 40% never make it» instead of «the funnel feels slow». They cost nothing to add on day one and cannot be reconstructed retroactively.

Fit and intent are two scores, not one

The single most common scoring failure: one number, built by adding points for job title to points for email opens. A CFO at a perfect-fit company who has visited twice scores the same as a student who downloaded four PDFs. The model cannot tell you which one to call, because the two inputs mean opposite things.

Fit is who they are — industry, size, role, geography, tech stack. It is slow-moving and mostly firmographic. Intent is what they are doing — pricing page, demo request, repeat sessions, reply to a sequence. It is fast-moving and it decays. Keep them as two properties and the routing logic writes itself:

High fit · high intentSales, now. This is the only quadrant that should trigger an SLA.
High fit · low intentMarketing nurture, and the highest-value list you own. Do not let sales burn it with cold sequences.
Low fit · high intentSelf-serve, community, or politely nothing. The quadrant that quietly consumes the most rep hours.
Low fit · low intentDatabase. Measure it, do not work it.

Two more rules that save scoring models from themselves. Intent must decay — a pricing visit from March should not still be inflating a score in September, and a model without decay slowly promotes your entire database. And negative scoring should be structural, not behavioural: subtract for a competitor domain, a student email, a country you do not sell into. Subtracting points because someone did not open an email punishes the email, not the lead.

The key idea: a lifecycle model is not a taxonomy, it is a set of agreements about who acts when. If a stage has no exit criterion and no owner, it is not a stage — it is a folder.
A test you can run this afternoon: ask your head of sales and your head of marketing, separately, to write down what makes a lead an MQL. If the two answers differ — and they almost always do — you have found the reason your funnel report is not trusted. That gap is the whole project. Talk it through with me if you want a second pair of eyes on it.

Three rules that keep the model clean once it is live

1. Lifecycle only moves forward. A customer who fills in a top-of-funnel form does not become a Lead again. Most CRMs will happily let a workflow demote them, and once that starts your customer count drifts down every month for reasons nobody can trace. Guard every stage-setting workflow with a condition that checks the current stage first. Movement backwards, when it is genuinely needed, is a deliberate manual act with a reason logged — not an automation side effect.

2. One owner per transition. Two workflows that can both set a contact to MQL will eventually fight, and the winner is decided by execution order rather than intent. Every transition gets exactly one mechanism: one workflow, or one manual action, never both. Write the list of transitions down; if a transition has two possible causes, one of them is a bug you have not hit yet.

3. Recycling is a defined path, not a graveyard. Roughly two-thirds of leads sales rejects are still viable later, and the default handling — mark unqualified, forget forever — is where most B2B pipeline quietly dies. Define the return route: rejection reason is mandatory, timing rejections go back to nurture with a re-entry rule, fit rejections are suppressed permanently. A rejection reason field that is optional will be empty within a month, and then you have no idea whether your leads are bad or your timing is.

The five-day pass I would run on your CRM

This is not a quarter-long project. On a normal mid-market setup it is a week, and most of the week is conversation rather than configuration.

Day 1 — Audit. Export contacts by lifecycle stage. Count how many sit in each, how long they have been there, and how many were last touched by a human. The distribution alone tells you which stages are real and which are storage. Day 2 — Definitions. Both teams in one room, one page per stage, four boxes each: definition, exit criterion, owner, timestamp. Nobody leaves until the MQL row is agreed. Day 3 — Split the scores. Fit and intent as separate properties, decay on intent, structural negatives only.

Day 4 — Build and guard. One workflow per transition, forward-only conditions, entry-date stamps on every stage, mandatory rejection reason. Day 5 — The report you could not build before. Volume, conversion rate and median days per stage, plus recycled-lead outcomes. That report is the deliverable. The configuration was just what made it possible.

One dependency worth naming: none of this survives dirty data. Duplicate contacts split a person’s history across two records and both of them score wrong — which is why the hygiene layer comes first, and why we ended up building a deduplication bot on top of the HubSpot API rather than trusting native tooling alone. Fix the records, then fix the model.

Questions that come up every time

What is the difference between lifecycle stage and lead status?

Lifecycle stage records how far a contact has progressed in the overall relationship and moves forward only — it is what funnel reporting is built on. Lead status records what is happening in the work right now (new, attempting, connected, unresponsive) and changes freely. Keep them in separate properties: mixing them makes conversion rates meaningless.

How many lifecycle stages should a B2B company have?

Five to seven. Fewer and the funnel hides its own bottlenecks; more and the extra stages are almost always work statuses or segments wearing a costume. Add a stage only when a different team owns the record after the transition.

Should lifecycle stages ever move backwards?

Not automatically. Guard every stage-setting workflow so it cannot demote a record. When a genuine reset is needed — a churned customer re-entering evaluation, for example — make it a deliberate manual action with a logged reason, so the funnel history stays interpretable.

Do we still need lead scoring if we have AI in the CRM?

Yes, and arguably more. A predictive or AI-assisted score is only as good as the definitions and outcomes it learns from — if your MQL label is applied inconsistently, the model learns the inconsistency. Get the human-legible model right first, then let automation run on top of it.

The model is an agreement, and agreements need maintenance

The reason lifecycle models decay is not technical. They decay because the agreement behind them was made once, by people who have since changed roles, about a product that has since changed shape. The definitions stay in the CRM long after they stopped describing the business.

So put a date on it. Once a quarter, take the four-box page for each stage and ask whether the exit criteria still match how deals actually happen. It is a forty-minute meeting and it is the difference between a CRM that reflects the business and one that reflects the business as it was two years ago.

And before you hand any of this to automation, make sure the rules exist in writing first — the same argument applies to giving an AI write access to your CRM. Automation is very good at executing a model consistently. It is very bad at noticing that the model was never agreed.

Want this run on your CRM?

I rebuild lifecycle and scoring models for B2B teams on HubSpot: stage audit, definitions workshop with sales and marketing in the room, split fit/intent scoring, guarded workflows, and the funnel report at the end of it. A week of work, and you keep the documentation.

Book a lifecycle audit

Nacho Hernandez

Nacho HernandezMarketing & Business Consultant · Studio IdeagoLinkedIn →
Categorías
Entrada de Blog

El Reglamento de IA ya obliga a decir que es IA: qué tiene que cambiar tu marketing

Cumplimiento · Marketing Ops

Durante tres años el Reglamento Europeo de IA fue eso que ya mirará legal más adelante. Más adelante fue el 2 de agosto de 2026.

Ese es el día en que empezó a aplicarse el artículo 50 — el capítulo de transparencia — y el día en que la Oficina Europea de IA y las autoridades nacionales de vigilancia del mercado empezaron a hacerlo cumplir. En cristiano: los chatbots tienen que decir que son chatbots, el contenido generado o manipulado con IA tiene que llevar marcas legibles por máquina, y los deepfakes hay que etiquetarlos. El incumplimiento entra en la horquilla de sanciones que llega a los 15 millones de euros o el 3% de la facturación mundial.

Casi todo lo que se ha publicado sobre esto lo han escrito despachos de abogados para otros abogados. Esta es la versión de quien lleva la operación: qué activos tuyos entran de verdad, quién carga con la obligación y qué tocar en el stack este mes.

Qué cambió exactamente el 2 de agosto de 2026

El artículo 50 cubre cuatro supuestos, y conviene leerlos como cuatro cosas distintas y no como una sola norma: sistemas de IA que interactúan directamente con personas, sistemas que generan audio, imagen, vídeo o texto sintéticos, reconocimiento de emociones y categorización biométrica, y deepfakes más texto generado con IA publicado para informar al público sobre asuntos de interés público.

El modelo mental que más ayuda: esto no es un régimen de consentimiento, es un régimen de divulgación. El RGPD pregunta si puedes tratar los datos de alguien. El artículo 50 pregunta si esa persona entiende qué tiene delante. Puedes seguir usando todas las herramientas de IA que usas hoy. Lo que no puedes seguir haciendo es ser ambiguo al respecto.

El detalle de tiempos que se le escapa a todo el mundo: la información tiene que llegar a la persona como muy tarde en el momento de la primera interacción o exposición, de forma clara y distinguible, y cumpliendo los requisitos de accesibilidad. Una línea en los términos y condiciones no es una divulgación. Un texto gris de 10px bajo el chat que el lector de pantalla se salta, tampoco.

El atajo de cumplimiento: la Comisión publicó sus directrices sobre el artículo 50 el 29 de julio de 2026, junto a un Código de Buenas Prácticas sobre Transparencia del Contenido Generado por IA que más de 180 organizaciones firmaron de salida. Adherirse a ese código es la vía reconocida para demostrar el cumplimiento de las obligaciones de marcado y etiquetado. Quien decida no firmarlo tendrá que demostrar el cumplimiento por medios alternativos de eficacia equivalente — es decir, inventarse un método propio y defenderlo.

¿Eres proveedor o responsable del despliegue?

Esta distinción decide cuánto trabajo tienes por delante. El proveedor desarrolla un sistema de IA y lo pone en el mercado bajo su propio nombre. El responsable del despliegue lo usa bajo su autoridad en un contexto profesional. Si llevas marketing con HubSpot, Meta y un chatbot de catálogo, eres responsable del despliegue de los tres.

Las obligaciones se reparten igual. Informar de que se está hablando con una IA, y marcar el contenido generado en formato legible por máquina, están redactadas para el proveedor: tus proveedores tecnológicos. Informar del reconocimiento de emociones y la categorización biométrica, y revelar los deepfakes, están redactadas para el responsable del despliegue: tú.

Suena a que la mayor parte es problema de otro. No lo es, por dos motivos. Primero: el proveedor entrega la capacidad, pero tú configuras la superficie. Si le cambias el nombre al asistente, sustituyes el aviso por defecto del proveedor por tu propio copy, o diseñas un widget donde el aviso desaparece en móvil, la ambigüedad la creas tú. Segundo: la excepción a la que todo el mundo se agarra — no hace falta avisar cuando resulta evidente — se mide desde el punto de vista de una persona razonablemente informada, atenta y perspicaz, según el contexto. Un asistente con nombre de pila, foto de perfil e indicador de escribiendo está diseñado precisamente para tumbar ese criterio.

Los cuatro sitios donde pilla de verdad a marketing

1. El chatbot de la web y de WhatsApp

El fallo más frecuente no es que falte el aviso: es que estaba y el diseño se lo comió. Comprueba que el valor por defecto del proveedor sigue activo, que aparece en el primer mensaje y no dentro de un panel plegado, y que sobrevive en móvil. Si el bot pasa la conversación a una persona, dilo también. Lo que se regula es la comprensión de quien está al otro lado, no la casilla del panel de administración.

2. Creatividades generadas que parecen reales

Un deepfake, según la definición del reglamento, es contenido de imagen, audio o vídeo generado o manipulado con IA que se asemeja a personas, objetos, lugares, entidades o sucesos existentes y que parecería auténtico. Vuelve a leerlo pensando en tu último lote de creatividades. Un bodegón fotorrealista generado con IA ambientado en un sitio que parece un sitio real, un portavoz sintético, un testimonio de cliente inventado: todos son candidatos. La generación nativa dentro de las propias plataformas convirtió esto en un problema de volumen, no de casos puntuales — lo tratamos cuando Meta metió su modelo de imagen dentro de las herramientas de anuncios. El etiquetado automático de la plataforma ayuda, pero la obligación de revelar como responsable del despliegue es tuya, y las etiquetas de la plataforma no son una defensa que controles.

3. Contenido escrito con IA: lee la excepción antes de asustarte

Aquí es donde casi todos cumplen de más. La obligación sobre texto afecta a lo publicado para informar al público sobre asuntos de interés público, y decae cuando el contenido ha pasado por revisión humana o control editorial y alguien asume la responsabilidad editorial de la publicación. Y por separado, la obligación de marcado no aplica cuando el sistema cumple una función auxiliar de edición estándar o no altera sustancialmente lo que le has dado. Tu ficha de producto no es un asunto de interés público, y un artículo redactado y luego editado con un autor identificable que responde por él es exactamente el supuesto que describe la excepción. Aquí el arreglo es gobernanza editorial, no un banner en cada post.

4. Herramientas de emociones y biometría

Si infieres emociones a partir de caras o voces — paneles de test de creatividades en vídeo, scoring de sentimiento sobre el audio de llamadas grabadas — eres responsable del despliegue de un sistema de reconocimiento de emociones, tienes que informar a las personas expuestas y tratas esos datos bajo el RGPD. Merece la pena la precisión, porque casi todo el mundo aplica esto de más: el análisis de sentimiento sobre el texto de los tickets de soporte no es biométrico y no es lo que cubre este apartado.

La idea clave: el artículo 50 no te pide usar menos IA. Te pide dejar de ser ambiguo con ella. Los equipos que lo van a pasar mal no son los que más IA usan, sino los que no saben enumerar dónde toca la IA a un cliente.
Prueba de cinco minutos: enumera todas las superficies de cara al cliente donde la IA habla, escribe o genera. Bot, secuencias de SDR, creatividades, personalización on-site, respuestas a reseñas. Si esa lista no existe por escrito, construirla es el trabajo. La revisión legal viene después y es la parte fácil.

Una revisión de 30 días para tu stack de marketing

No es un proyecto legal. Es una semana de inventario, una semana de copy y configuración, y un responsable fijo. Esta es la pasada que haría en cualquier stack de cliente.

Superficie Qué hacer este mes
Chatbots y asistentes Aviso en el primer mensaje, visible en móvil y legible por lector de pantalla. Avisa también cuando entra una persona.
Voz IA y outbound Revelar al abrir la llamada o el mensaje, no después de cualificar. Guarda la redacción exacta que se usa.
Creatividades de paid social y display Etiqueta cada activo sintético en producción. Mantén activado el etiquetado de IA de la plataforma. Revela las generaciones fotorrealistas de personas o lugares.
Contenido y SEO Autor identificado con responsabilidad editorial y un paso de revisión documentado. Esa es la excepción: hazla real, no la des por supuesta.
Research y analítica de llamadas Cualquier inferencia emocional o biométrica: informa a los participantes, confirma la base legal RGPD y plantéate si necesitas esa función.
Proveedores Dos preguntas por proveedor: ¿estáis adheridos al Código de Buenas Prácticas? ¿vuestras salidas llevan marcas legibles por máquina?
El registro Una hoja: sistema, proveedor, tu rol, texto del aviso, responsable, última revisión. Es el documento que te van a pedir clientes y auditores.

Si solo haces una fila, que sea la última. El registro es lo que convierte una inquietud difusa en una respuesta de cinco minutos, y es el mismo inventario que las obligaciones de alfabetización en IA llevan pidiendo por lo bajo desde principios de 2025. Además es el documento que hace posible la conversación de gobernanza dentro de la empresa — la misma razón por la que defendíamos escribir las reglas antes de dar a una IA permisos de escritura en el CRM.

Preguntas que siempre salen

¿Aplica si mi empresa no está en la UE?

El reglamento alcanza a los sistemas y a las salidas que se usan en la Unión, no solo a las empresas establecidas en ella. Si haces campañas, chatbots o creatividades generadas dirigidas a personas en la UE, la hipótesis de trabajo debería ser que sí — y el análisis concreto es para tu asesoría legal.

¿Tengo que etiquetar cada post redactado con IA?

No. La obligación sobre texto se limita a publicaciones que informan al público sobre asuntos de interés público, y decae cuando hubo revisión humana o control editorial con alguien que asume la responsabilidad editorial. La edición asistida que no altera sustancialmente el original también queda fuera del marcado.

¿Quién lo vigila y cuál es la exposición?

Las autoridades nacionales de vigilancia del mercado, la Oficina Europea de IA para los sistemas bajo su supervisión, y el Supervisor Europeo de Protección de Datos cuando hay instituciones de la UE de por medio. El incumplimiento de las obligaciones de transparencia entra en la horquilla que llega a 15 millones de euros o el 3% de la facturación mundial.

Avisar no es un impuesto, es un activo de confianza

El instinto en la mayoría de equipos es que decir esto es IA cuesta conversión. En la práctica pasa lo contrario cuando se mide bien: la gente se desengancha cuando sospecha que la está atendiendo una máquina que finge no serlo, no cuando se lo dicen claro y luego le resuelven rápido. La fricción no es el aviso. La fricción es descubrirlo.

Por eso conviene tratarlo como un proyecto de operaciones y no como uno legal. El inventario, la redacción, el responsable, la cadencia de revisión: son los mismos hábitos que hacen auditable un marketing intensivo en IA. La norma solo les ha puesto fecha.

Un matiz, dicho claro: esto es la lectura de alguien que opera, no asesoramiento jurídico. Clasificar un sistema concreto, y todo lo que roce la línea, es conversación para tu abogado — entra en ella con el registro hecho y durará una hora en vez de un mes.

¿Quieres el registro hecho?

Hago auditorías de divulgación de IA para equipos de marketing: inventario completo de puntos de contacto con IA en web, ads, CRM y contenido, mapa de proveedor frente a responsable del despliegue, textos de aviso que no matan la conversión, y un responsable y una cadencia de revisión que puedas mantener. Normalmente una semana de trabajo.

Reservar una auditoría de divulgación de IA

Nacho Hernandez

Nacho HernandezMarketing & Business Consultant · Studio IdeagoLinkedIn →
Categorías
Blog post

The EU AI Act’s Transparency Rules Are Live: What Marketing Teams Have to Change

Compliance · Marketing Ops

For three years the EU AI Act was a thing your legal team would deal with later. Later arrived on 2 August 2026.

That is the date Article 50 — the transparency chapter — started to apply, and the date the Commission’s AI Office and national market surveillance authorities began enforcing it. In plain terms: chatbots have to tell people they are chatbots, AI-generated or manipulated content has to carry machine-readable marks, and deepfakes have to be labelled. Breaches of these obligations sit in the penalty band that reaches EUR 15 million or 3% of worldwide annual turnover.

Almost everything written about this has been written by law firms, for law firms. This is the operator’s version: which of your assets are actually in scope, who carries the obligation, and what to change in your stack this month.

What actually changed on 2 August 2026?

Article 50 covers four situations, and it is worth reading them as four different products rather than one rule: AI systems that interact directly with people, AI systems that generate synthetic audio, image, video or text, emotion recognition and biometric categorisation, and deepfakes plus AI-generated text published to inform the public on matters of public interest.

The mental model that helps most: this is not a consent regime, it is a disclosure regime. GDPR asks whether you are allowed to process someone’s data. Article 50 asks whether the person understands what they are looking at. You can keep using every AI tool you use today. You cannot keep being ambiguous about it.

The timing detail people miss: the disclosure has to reach the person at the latest at the time of the first interaction or exposure, in a clear and distinguishable manner, and it has to meet accessibility requirements. A note in your terms of service is not a disclosure. A grey 10px line under the chat window that a screen reader skips is not one either.

The compliance shortcut: the Commission published its Article 50 guidelines on 29 July 2026 alongside a Code of Practice on Transparency of AI-generated Content, and more than 180 organisations signed at launch. Adhering to that code is the recognised way to demonstrate compliance with the marking and labelling duties. Providers and deployers who choose not to sign have to demonstrate compliance through alternative, equivalently adequate means — which is a polite way of saying you will have to invent and defend your own method.

Are you the provider or the deployer?

This single distinction decides how much work you have. A provider develops an AI system and places it on the market under its own name. A deployer uses one under its own authority in a professional capacity. If you run marketing on HubSpot, Meta and an off-the-shelf chatbot, you are a deployer of all three.

The obligations split accordingly. Informing people that they are talking to an AI, and marking generated content in a machine-readable format, are drafted at the provider — your vendors. Disclosing emotion recognition and biometric categorisation, and disclosing deepfakes, are drafted at the deployer — you.

Which sounds like most of it is someone else’s problem. It is not, for two reasons. First, the provider ships the capability but you configure the surface: if you rename the assistant, replace the vendor’s default disclosure with your own copy, or design a widget where the notice is invisible on mobile, the ambiguity is yours. Second, the exemption everyone reaches for — disclosure is not required where the AI is obvious — is measured from the point of view of a reasonably well-informed, observant and circumspect person, in context. An assistant with a human first name, a headshot and a typing indicator is engineered to defeat exactly that test.

The four places marketing teams actually get caught

1. The website and WhatsApp chatbot

The most common failure is not a missing disclosure — it is a disclosure that was there and got designed away. Check the vendor default is still on, that it appears in the first message rather than in a collapsed panel, and that it survives on mobile. If your bot hands off to a human, say when that happens too. The person’s understanding is the thing being regulated, not the checkbox in the admin panel.

2. AI ad creative that looks real

A deepfake, in the Act’s definition, is AI-generated or manipulated image, audio or video content that resembles existing persons, objects, places, entities or events and would falsely appear authentic. Read that again with your last creative batch in mind. A photoreal AI product shot staged in a place that looks like a real place, an AI-generated spokesperson, a synthetic customer testimonial: all candidates. Native generation inside ad platforms made this a volume problem rather than an occasional one — we covered that shift when Meta put its own image model inside the ad tools. Platform auto-labelling helps, but the disclosure duty for deployers is yours, and platform labels are not a defence you control.

3. AI-written content — read the carve-out before you panic

This is where most teams over-comply. The deployer duty on AI-generated text applies to text published to inform the public on matters of public interest, and it does not apply where the content has undergone human review or editorial control and a natural or legal person holds editorial responsibility for the publication. Separately, the marking obligation does not apply where the system performs an assistive function for standard editing or does not substantially alter the input. Your product page is not a matter of public interest, and a drafted-then-edited article with a named accountable author is exactly the case the carve-out describes. The fix here is editorial governance, not a banner on every post.

4. Emotion and biometric tooling

If you run emotion inference on faces or voices — video ad testing panels, sentiment scoring on recorded sales calls from the audio itself — you are a deployer of an emotion recognition system, you must inform the people exposed to it, and you process that data under GDPR. Worth being precise, because most people over-apply this one: sentiment analysis on the text of support tickets is not biometric, and it is not what this paragraph covers.

The key idea: Article 50 does not ask you to use less AI. It asks you to stop being ambiguous about it. The teams that will struggle are not the heavy AI users — they are the teams that cannot produce a list of where AI touches a customer.
A five-minute test: name every customer-facing surface where AI speaks, writes or generates. Bot, SDR sequences, ad creative, on-site personalisation, review replies. If that list does not exist in writing, building it is the work. The legal review is the easy part afterwards.

A 30-day compliance pass for your marketing stack

Not a legal project. A week of inventory, a week of copy and configuration, and a standing owner. Here is the pass I would run on any client stack.

Surface What to do this month
Chatbots and AI assistants Disclosure in the first message, visible on mobile, readable by a screen reader. Say when a human takes over.
AI voice and outbound Disclose at the opening of the call or message, not after qualification. Store the exact wording used.
Paid social and display creative Tag every synthetic asset at production time. Keep platform AI labelling switched on. Disclose photoreal generations of people or places.
Content and SEO Named author with editorial responsibility, documented review step. That is the carve-out — make it real rather than assumed.
Research and call analytics Any emotion or biometric inference: notify participants, confirm the GDPR basis, and ask whether you need the feature at all.
Vendors Two questions per vendor: are you a signatory to the Code of Practice, and do your outputs carry machine-readable marks?
The register One sheet: system, vendor, your role, disclosure wording, owner, last reviewed. This is the artefact clients and auditors ask for.

That last row is the one worth doing even if nothing else gets done. The register is what turns a vague anxiety into a five-minute answer, and it is the same inventory the AI literacy obligations have been quietly asking organisations to produce since early 2025. It also happens to be the document that makes the governance conversation possible internally — the same reason we argued for writing rules down before switching on AI write access to a CRM.

Questions people keep asking

Does this apply if my company is not based in the EU?

The Act reaches systems and outputs used in the Union, not only companies established in it. If you run campaigns, chatbots or generated creative aimed at people in the EU, the working assumption should be yes — and the specific analysis belongs with your counsel.

Do I have to label every blog post I drafted with AI?

No. The deployer duty on text is limited to publications informing the public on matters of public interest, and it falls away where there was human review or editorial control with someone holding editorial responsibility. Assistive editing that does not substantially alter the input is outside the marking obligation as well.

Who enforces this, and what is the exposure?

National market surveillance authorities, the AI Office for systems under its supervision, and the European Data Protection Supervisor where EU institutions are involved. Breaches of the transparency obligations sit in the band reaching EUR 15 million or 3% of worldwide annual turnover.

Disclosure is a trust asset, not a tax

The instinct in most marketing teams is that saying this is AI costs conversion. In practice the opposite has been true wherever it has been tested properly: people disengage when they suspect they are being handled by a machine that is pretending otherwise, not when they are told plainly and then given a fast, useful answer. The disclosure is not the friction. The discovery is.

Which is the practical case for treating this as an operations project rather than a legal one. The inventory, the wording, the ownership, the review cadence — these are the same habits that make an AI-heavy marketing function reviewable at all. The regulation just set a date on them.

One caveat, stated plainly: this is an operator’s reading of the rules, not legal advice. The classification of a specific system, and anything close to the line, is a conversation for your counsel — go into it with your register in hand and it will take an hour instead of a month.

Want the register built for you?

I run AI disclosure audits for marketing teams: full inventory of AI touchpoints across web, ads, CRM and content, provider-versus-deployer mapping, disclosure copy that does not kill conversion, and an owner and review cadence you can actually keep. Typically a week of work.

Book an AI disclosure audit

Nacho Hernandez

Nacho HernandezMarketing & Business Consultant · Studio IdeagoLinkedIn →