Categorías
Entrada de Blog

¿Debería una IA Escribir en tu CRM? Lo Que Cambia el Conector de HubSpot para Claude

CRM · Gobernanza de IA

Tu CRM siempre ha tenido una garantía silenciosa: para cambiar algo, alguien tenía que escribirlo. Abrir el registro, elegir la etapa, guardar. Lento, pero auditable por diseño.

Esa garantía ya no existe. El conector de HubSpot para Claude puede crear contactos y negocios, registrar llamadas y notas, y mover un negocio a Cerrado ganado desde una ventana de chat, en una frase, sin formulario de por medio. La escritura salió como beta pública junto con el acceso general al historial de interacciones, y funciona más o menos como esperarías: rápido, literal y sin ninguna opinión sobre si el cambio era buena idea.

Así que la pregunta interesante para quien gestiona un CRM de verdad no es si funciona. Funciona. La pregunta es qué le dejas tocar y qué necesitas tener resuelto antes. Vamos con la vista de operador.

¿Qué puede escribir realmente el conector de HubSpot para Claude?

Más de lo que la mayoría supone y menos de lo que sugiere el titular. En lectura llega a contactos, empresas, negocios, tickets, line items y registros de interacción. En escritura, en beta pública, puede crear y actualizar contactos, empresas, negocios, tickets y line items, y registrar actividades: llamadas, reuniones, notas y tareas.

La parte que se infravalora es el historial de interacciones. Claude puede leer todo el hilo de emails, llamadas, reuniones, tareas y notas de un registro. Ya no resume una foto fija del CRM: resume la conversación real y actúa sobre ella en el mismo movimiento. Lee seis meses de correo con una cuenta, redacta la tarea de seguimiento y la crea.

Tres límites que conviene anotar antes de diseñar nada alrededor:

  • El bulk está limitado a diez registros por petición. Es un guardarraíl deliberado, no una limitación temporal de beta que haya que esquivar.
  • Los portales con datos sensibles activados pierden el acceso a interacciones por completo. Si tu cuenta de HubSpot tiene datos sensibles habilitados, el conector no ve ningún dato de interacción. Si montas un proceso que asume contexto de email, simplemente no va a funcionar.
  • Requiere plan de pago de Claude. Está disponible en todos los niveles de HubSpot, pero cada usuario necesita su propia suscripción de pago, y las conexiones existentes hay que desconectarlas y volver a autenticarlas para que recojan la escritura.
Comprobación de fechas: esto no es un lanzamiento de agosto, digan lo que digan los resúmenes mensuales. HubSpot anunció la escritura y el historial de interacciones en su changelog de desarrolladores en noviembre de 2025. La escritura sigue etiquetada como beta pública, que es justo por lo que merece la pena tener esta conversación ahora y no cuando pase a GA y se extienda por todo el equipo.

¿Quién controla el acceso y qué registra de verdad el audit log?

El modelo de permisos es mejor que el de la integración media, y conviene entenderlo con precisión porque va a pesar más que tu documento interno de política.

Un Super Admin tiene que dar de alta la cuenta en la actualización de producto antes de que nadie pueda escribir. La primera conexión la hace un Super Admin o un usuario con permisos de App Marketplace, y esa persona elige qué permisos recibe el conector. Solo después pueden conectarse el resto de usuarios. A partir de ahí el conector hereda los permisos de cada usuario en HubSpot: un comercial que trabaja desde Claude ve exactamente el pipeline que vería en la interfaz, ni un registro más.

El rastro de auditoría es la pieza sobre la que yo montaría el proceso de revisión. Cada creación y cada actualización hecha a través del conector queda atribuida en el Audit Log de HubSpot al usuario y al conector de Claude. Es una decisión de diseño realmente útil: puedes filtrar los cambios hechos por el conector y verlos como una población separada, en vez de mezclados con el resto de ediciones.

Ahora, el hueco, que es el mismo que tiene cualquier sistema de permisos. Los permisos te dicen quién estaba autorizado a cambiar algo. No te dicen si el cambio era correcto. Un comercial con acceso legítimo a un negocio puede moverlo a Cerrado ganado escribiendo una frase, y todos los controles de la cadena darán el visto bueno. El log lo registrará con total fidelidad. Nada en el sistema sabe que ese negocio no se ha cerrado.

¿Dónde se rompe la escritura en la práctica?

No por donde la gente teme. Los modos de fallo son aburridos, estructurales y totalmente predecibles a partir del estado de tu portal.

1. Definiciones de propiedad ambiguas

«Mueve el negocio a Cerrado ganado» no es ambiguo. «Marca este contacto como cualificado» sí lo es, si tu portal arrastra un Lifecycle Stage de MQL, un Lead Status aparte de Sales Qualified y un check personalizado de Cualificado que alguien creó en 2023. Una persona duda y pregunta. El modelo elige la opción más plausible y sigue. El property sprawl ya era un problema de reporting; con escritura pasa a ser un problema de entrada de datos.

2. Las etapas no son ediciones, son disparadores

Un cambio de etapa dispara workflows, notificaciones internas, recálculos de forecast y, en bastantes portales, una secuencia de facturación u onboarding. En el chat, cambiar de etapa parece una frase. En tu portal es la primera ficha de dominó. Es lo primero que yo dejaría fuera del prompting casual hasta tener mapeado qué desencadena cada etapa.

3. Crear sin buscar antes genera duplicados

«Crea un contacto para María de Acme» es una instrucción de creación, no un upsert. Pídelo diez veces en un equipo comercial y has reintroducido justo el problema de duplicados que costó un trimestre limpiar. Contamos cómo automatizar esa limpieza en nuestro post sobre el bot de higiene de datos, y la lección se traslada tal cual: la lógica de deduplicación vive en código, no en un prompt.

4. Trabajo masivo en la herramienta equivocada

El tope de diez registros te marca dónde está la frontera. Todo lo que pase de ahí va a un script con dry run y un diff que puedas leer antes de que se ejecute, o a un workflow de HubSpot probado en sandbox. El chat es para el registro que tienes delante. No es una herramienta de migración.

5. Las notas escritas por IA son idénticas a las humanas

Seis meses después, nadie que lea un registro puede distinguir qué notas se resumieron de un hilo de correo y cuáles escribió la persona que estuvo en la llamada. Eso importa cuando la nota es la prueba sobre la que se decide una renovación. Estandariza un prefijo o una propiedad booleana ahora, no cuando empiece la arqueología.

La idea clave: la escritura con IA no crea problemas en tu CRM. Acelera los que ya tienes. Un portal con propiedades limpias y definiciones de ciclo de vida cerradas se vuelve más rápido. Un portal con property sprawl se equivoca más rápido, y ahora con un audit log lleno de cambios que nadie sabe explicar.
Una prueba rápida antes de conectar nada: pregunta a dos personas de tu equipo qué significa «cualificado» en vuestro portal. Si te dan dos respuestas distintas, ahí está el trabajo. No en el conector.

¿Qué reglas deberías fijar antes de activarlo?

Esta es la parte que ningún changelog cubre, porque es política operativa y no producto. Siete reglas que yo pondría en cualquier portal antes de dar escritura a más de dos o tres personas.

Regla Por qué importa
Empieza por ops, no por ventas Da escritura a las dos o tres personas que ya son dueñas de la calidad del dato. Amplía cuando tengas un mes de audit log que mirar.
Arregla las propiedades primero Un significado por propiedad, documentado. Jubila las duplicadas. Es la hora mejor invertida de todo el proyecto.
Los cambios de etapa, fuera del chat Hasta que tengas mapeado qué dispara cada etapa, mueve los negocios en la interfaz, donde las consecuencias se ven.
Revisa el audit log cada semana Filtra por cambios atribuidos al conector. Quince minutos. Es el único bucle de feedback que vas a tener.
El bulk va a código Todo lo que supere el tope de diez registros corre como script con dry run, o como workflow probado en sandbox. Sin excepciones.
Marca la actividad escrita por IA Un prefijo en las notas o una propiedad booleana. Barato ahora, impagable dentro de un año.
Escribe un SOP de prompts Formulaciones aprobadas para las cinco cosas que la gente va a hacer de verdad. Prompts ambiguos producen datos ambiguos.

Nada de esto es exótico. Es la misma disciplina que hace segura cualquier integración, aplicada a una interfaz que resulta que acepta español llano. Si estás mapeando el panorama de conectores, esto va justo al lado de las herramientas de lectura que cubrimos en el panorama de conectores MCP para marketing, con una diferencia que lo cambia todo: las lecturas son reversibles y las escrituras no.

La pregunta real no es si la IA debe escribir en tu CRM

Es si tu CRM está lo bastante bien definido como para que un operador rápido, literal e incansable no pueda hacer daño con él. Esa es una pregunta sobre tu modelo de datos, tus definiciones de ciclo de vida y tu mapa de automatizaciones, y merecía respuesta mucho antes de que nadie conectara una ventana de chat.

Respóndela y la escritura es apalancamiento real: el trabajo de administración que se comía un viernes por la tarde se convierte en una conversación. Sáltatela y tendrás el mismo portal de siempre, degradándose más rápido, con un registro exhaustivo de cómo pasó.

El conector no es el riesgo. El portal sin definir que hay debajo siempre lo fue.

¿No sabes si tu portal está listo para dar escritura?

Hago revisiones de preparación de CRM para equipos B2B en HubSpot: auditoría de propiedades y ciclo de vida, mapa de automatizaciones, modelo de permisos y una política de gobernanza que se pueda cumplir de verdad. Suele ser una semana de trabajo que ahorra un trimestre de limpieza.

Reserva una revisión de tu CRM

Nacho Hernández

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

Montamos un Bot de Higiene de Datos para un CRM con la API de HubSpot y GitHub Actions. Esto Aprendimos.

Todo CRM se pudre. Los contactos cambian de empleo, los formularios se llenan de basura, la misma empresa entra tres veces con tres grafías distintas, y seis meses después tus informes dejan de significar nada sin que te des cuenta. La mayoría lo trata como una tarea pesada — una limpieza trimestral que nadie quiere hacer, o un SaaS de pago pegado encima para tapar el desorden. Para un cliente B2B hicimos algo distinto: montamos un pequeño bot de higiene de datos sobre la API de HubSpot y GitHub Actions que se ejecuta solo, cada noche, por un coste que redondea a cero. Aquí va lo que hace, por qué lo construimos en vez de comprarlo, y dónde cae esa línea de verdad en 2026.

RevOps · Higiene de Datos

¿Por qué la higiene de datos del CRM se rompe siempre?

Porque la data sucia no es un evento — es una fuga constante. Cada lead nuevo, cada integración, cada edición manual es una oportunidad para un duplicado, un email mal formado, un lifecycle stage vacío o un campo de país que dice «España», «ES» y «Spain» en la misma lista. El daño es silencioso pero caro: ventas persigue la misma cuenta dos veces, la automatización se dispara sobre el segmento equivocado, y los dashboards en los que confía la dirección están construidos sobre arena.

El instinto es apoyarse en las herramientas nativas del CRM, y ayudan — hasta cierto punto. HubSpot deduplica contactos por email y empresas por dominio de forma automática, y su herramienta de Gestionar Duplicados saca a la superficie coincidencias probables. Pero la nativa está capada — unas 2.000 sugerencias en Professional, 5.000 en Operations Hub Pro, 10.000 en Enterprise — y, crítico: las empresas creadas por API no se deduplican por dominio en absoluto. Así que en cuanto tienes volumen real, o cualquier integración escribiendo registros, la limpieza nativa se queda estructuralmente por detrás. Ese hueco es justo donde entra un SaaS de deduplicación de pago — y donde la pregunta de construir o comprar se pone interesante.

¿Construir o comprar? La línea de 2026 se ha movido

Durante años la respuesta era obvia: comprar. Montar herramientas internas significaba contratar desarrolladores, levantar infraestructura y cargar con el mantenimiento para siempre — no compensaba para fusionar contactos duplicados. Pero cambiaron dos cosas. El código en lenguaje natural desplomó el coste de escribir y mantener un script acotado, y las APIs de los conectores más los runners de automatización gratuitos eliminaron la infraestructura por completo. La línea entre construir y comprar se movió, y muchos equipos de operaciones la siguen dibujando donde estaba en 2022.

La forma útil de decidir es un 2×2 simple: impacto en ingresos frente a esfuerzo de construir y mantener. Sigue comprando donde el valor del proveedor es propietario — tu CRM central, la entregabilidad de email, la data de intención y contactos de terceros. No vas a superar a HubSpot construyendo. Pero para el workflow configurable — las reglas que deciden qué significa «un duplicado» para tu negocio, qué campos estandarizar, cuándo marcar un registro caducado — el caso de comprar se encoge rápido, porque esas reglas son específicas tuyas y baratas de codificar. La lógica de deduplicación es el ejemplo de manual: impacto suficiente para importar, esfuerzo suficientemente bajo para ser tuyo. Hemos hecho el mismo argumento sobre poseer tu capa de integración en el panorama de conectores de marketing y tus datos de cliente en la infraestructura de datos de primera parte — un bot de higiene es el mismo principio aplicado a la calidad del dato.

El test honesto antes de construir nada:
¿Podría una función nativa bien configurada o una herramienta de 50€/mes resolver el 90%? Si sí, cómpralo. Construye solo cuando tus reglas son genuinamente tuyas, el volumen rompe los límites nativos, o necesitas que corra desatendido en un horario que ningún plan SaaS te da. «Ya podemos programarlo» no es lo mismo que «deberíamos».

Cómo lo montamos: API de HubSpot + GitHub Actions

La arquitectura es deliberadamente aburrida, y ese es el punto. No hay servidor, no hay factura de hosting, y no hay nada que vigilar. Todo es un script en un repositorio privado de GitHub que se ejecuta por horario a través de GitHub Actions — el mismo runner de CI gratuito que los desarrolladores usan para testear código, reconvertido en un cron nocturno. Cada noche se despierta, habla con HubSpot vía la API del CRM, hace su trabajo, y vuelve a dormir.

En concreto, el bot hace cuatro tareas en cada ejecución. Primero, deduplicación: extrae registros por lotes, los agrupa por email y dominio normalizados (más coincidencia difusa por nombre y empresa para los casos que la lógica de coincidencia exacta de HubSpot se salta), y fusiona o marca las colisiones con sus propias reglas — no con el límite nativo. Segundo, estandarización: reescribe los campos de texto libre desordenados a un vocabulario controlado — país, cargo, lifecycle stage, industria — para que la segmentación deje de tener fugas. Tercero, validación: marca emails mal formados, propiedades obligatorias vacías y registros que llevan caducados más allá de un umbral. Cuarto, reporte: publica un resumen corto — cuántos fusionados, estandarizados, marcados — en un canal de Slack, para que el equipo vea el CRM limpiándose en vez de preguntarse si pasó algo.

Dos decisiones de ingeniería lo hicieron lo bastante seguro para correr desatendido. Respeta los límites de la API y trabaja por lotes, para no machacar el portal. Y cada acción destructiva — cada fusión — queda registrada y, en las primeras semanas, corrió en modo simulación que solo reportaba lo que haría, para afinar las reglas de coincidencia contra data real antes de dejarlo escribir. Un bot de higiene que fusiona los registros equivocados es peor que la data sucia; los guardarraíles importan más que la parte ingeniosa.

La idea clave

Un script nocturno sobre una API y un runner de CI gratuito hace hoy lo que antes exigía una suscripción SaaS de pago — porque el valor nunca fue la infraestructura, sino las reglas que definen qué es data limpia para tu negocio.

Esas reglas son tuyas. Esa es la parte que vale la pena construir.

¿Tu data de CRM está rompiendo tus informes en silencio?

Ayudo a equipos B2B a auditar su CRM, arreglar el modelo de datos y automatizar la higiene — ya sea el setup nativo correcto, la herramienta adecuada, o un bot a medida como este. El objetivo es el mismo: informes en los que puedas confiar.

Auditar mi CRM →

Qué aprendimos — y cuándo NO construir esto

El bot funciona, los informes del cliente vuelven a ser fiables, y el coste de operación redondea a cero. Pero las lecciones más útiles son las advertencias. Empieza en modo simulación y quédate ahí más de lo que parece necesario — las reglas de coincidencia son donde vive todo el riesgo, y la data real siempre te sorprende. Registra todo y haz las fusiones reversibles donde puedas; un buen rastro de auditoría es lo que te deja dormir. Y resuelve el modelo, no solo el síntoma — si la data mala sigue entrando, arregla los formularios e integraciones que la crean, o el bot solo se convierte en una fregona permanente.

Igual de importante: saber cuándo no construir. Si tu volumen cabe cómodo bajo los límites nativos, usa las herramientas de HubSpot y sigue. Si una app mantenida lo resuelve por unos euros al mes y no tienes reglas raras, cómprala — ser dueño de código que no necesitas es su propia deuda. Construye solo cuando el impacto es real, las reglas son genuinamente tuyas, y tienes a alguien que pueda mantenerlo. Para este cliente las tres eran ciertas, así que un bot fue la decisión correcta. Para el siguiente puede que no, y decirlo es la consultoría.

El cambio de fondo es el que corre por debajo de casi todo lo que se movió este año: la IA y las APIs abiertas siguen abaratando el hacer, lo que desplaza la ventaja al criterio — saber qué problemas merecen un desarrollo a medida y cuáles solo necesitan el arreglo aburrido que ya existe. Un bot de higiene es un ejemplo pequeño de un patrón grande: las herramientas para construir tu propio apalancamiento están hoy al alcance de una consultoría de una persona, si sabes hacia dónde apuntarlas.

¿Quieres data de CRM limpia y fiable sin tener que vigilarla?

Ayudo a consultores, agencias y equipos B2B a diseñar el setup de higiene adecuado para su CRM — configuración nativa, las herramientas correctas, o una automatización a medida como esta — para que tu data se mantenga limpia en automático y tus informes por fin digan la verdad.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

Meta Muse Image: ¿El Modelo de IA de Meta Mata Tu Stack Creativo?

El 7 de julio de 2026 Meta lanzó Muse Image, el primer modelo de generación de imágenes de sus Superintelligence Labs. Ya funciona dentro de la app de Meta AI y alimenta la creatividad en Instagram y WhatsApp. Lo que importa para quien invierte en paid social llega justo después: en las próximas semanas entra en las herramientas para anunciantes vía Advantage+ creative, donde puede leer un brief creativo completo y convertir una sola idea en decenas de variantes on-brand. Así que la pregunta cae sola: si Meta te genera la creatividad gratis, dentro del propio gestor de campañas, ¿por qué sigues pagando por un stack de IA aparte — o por un diseñador? Esta es la respuesta honesta.

Meta Ads · Creatividad con IA

¿Qué Es Meta Muse Image y Qué Se Lanzó Realmente?

Muse Image es el modelo de texto-a-imagen propio de Meta, desarrollado en casa por sus Superintelligence Labs en lugar de licenciarlo de un tercero. En su lanzamiento del 7 de julio arrancó en la app de Meta AI y empezó a alimentar experiencias de imagen en Instagram y WhatsApp, con Facebook y Messenger después. Para el anunciante, el titular es el paso que Meta ya ha anunciado: Muse Image llega a las herramientas de anunciantes y agencias a través de Advantage+ creative en las próximas semanas — la misma capa de automatización que ya decide cómo se montan y entregan tus anuncios.

El salto que reivindica frente a herramientas anteriores es la comprensión. Meta afirma que Muse Image interpreta un brief creativo completo — la intención, el tono, el producto, las restricciones — en vez de coser palabras clave sueltas. Analiza ese brief, ajusta elementos individuales, cambia estilos y produce variantes on-brand con menos idas y venidas. La promesa práctica: un anunciante pequeño sin equipo de producción puede convertir una idea en muchas ejecuciones terminadas sin abrir una herramienta de diseño. No es un truco nuevo; es Meta metiendo la generación dentro de la cuenta publicitaria.

¿Qué Hace Muse Image Que Tu Proceso Actual No Puede?

La ventaja real no es la calidad de imagen — los modelos externos llevan tiempo siendo más que suficientes. Es proximidad y volumen. Cuando la generación vive de forma nativa dentro de Advantage+ creative, desaparecen tres fricciones a la vez. Te ahorras el baile de exportar-importar entre una herramienta externa y el Ads Manager. Obtienes variantes ajustadas por defecto a los propios formatos y proporciones de Meta. Y el sistema de entrega de Meta puede, en teoría, generar y testear más permutaciones de las que ningún humano se molestaría en briefear.

Ese último punto es el estratégico. El paid social lleva dos años derivando hacia creatividad de volumen-y-señal: dale al algoritmo muchas variantes y deja que la entrega encuentre las ganadoras. Escribimos justo sobre este giro en por qué cinco variantes ya le ganan a una — Muse Image es Meta llevando esa lógica hasta el final, donde producir la vigésima variante no cuesta prácticamente nada. Si tu cuello de botella creativo era «solo podemos hacer tres versiones por semana», ese cuello de botella está a punto de moverse.

La barrera de seguridad que Meta añadió en paralelo:
Meta también introdujo un ajuste de Palabras Restringidas para el texto generado por IA en campañas Advantage+ — una lista de términos que el modelo no puede usar. Si activas Muse, configúralo el primer día. Generación gratis sin guardarraíles de marca es exactamente cómo acaba una creatividad fuera de mensaje publicada en tu nombre.

¿Sustituye Muse Image a Midjourney, a Tu Diseñador o a Tu Agencia?

No — y tener claro qué sustituye es cómo evitas un error caro. Muse Image reemplaza el medio commodity de la producción creativa: la décima variante de fondo, el reencuadre rápido, el lote de «el mismo anuncio con cinco hooks», la creatividad de test desechable que nunca le habrías pagado a un diseñador. Ese trabajo ya estaba migrando a la IA. Meta solo lo hizo gratis y lo movió dentro de la plataforma.

Lo que no reemplaza son los dos extremos de la barra. No reemplaza la estrategia — el brief, la oferta, el ángulo, el insight de audiencia que hace que una creatividad merezca generarse siquiera. Y no reemplaza el oficio de marca distintivo — el asset hero, la dirección de arte, la idea de campaña que un cliente de verdad recuerda. Forbes describió el lanzamiento como Meta «compitiendo por presupuestos publicitarios», y ahí está la pista: Meta gana si generas más creatividad en Meta. No tiene ningún incentivo en hacer tu marca distintiva entre canales — solo en mantenerte produciendo y gastando dentro de sus muros. Un modelo gratis que optimiza para el negocio de Meta es una herramienta, no una estrategia.

Hay también un coste de portabilidad. La creatividad generada dentro de Advantage+ está ajustada a los formatos de Meta y vive en la cuenta de Meta. Apóyate en ella en exclusiva y tu biblioteca creativa se vuelve con forma de plataforma — más difícil de reutilizar para Google, email o tu web. La misma disciplina que defendimos en cómo construir una máquina de contenido escalable con IA aplica aquí: sé dueño de tu sistema creativo y usa el modelo de la plataforma como un input, no como el pipeline entero.

La Idea Clave

Muse Image reemplaza el medio commodity de la creatividad — las variantes y los reencuadres — no la estrategia que va encima ni el oficio de marca que va al lado. Úsalo para multiplicar tests, no para delegar tu criterio creativo en un modelo que optimiza para los ingresos de Meta.

Generar gratis dentro de la cuenta es cómodo. Cómodo no es lo mismo que estratégico.

¿Quieres un sistema de testeo creativo que use Muse sin depender de él?

Ayudo a marcas y agencias a montar operaciones creativas en Meta que multiplican variantes con IA, mantienen la marca distintiva y siguen siendo portables entre canales — en vez de quedar atrapadas dentro del modelo de una sola plataforma.

Montar mi sistema creativo →

En Resumen: ¿Cómo Deberías Usar Muse Image?

Actívalo cuando llegue a tu cuenta — pero úsalo con criterio. Trata a Muse Image como un motor de variantes bajo un brief humano. Tú sigues escribiendo la estrategia, la oferta y el ángulo central; Muse los expande al volumen de tests que la entrega de Meta quiere ver. Configura tu lista de Palabras Restringidas antes de la primera generación, conserva al menos un asset hero distintivo hecho fuera de la plataforma, y saca tus conceptos ganadores para que tu biblioteca creativa no quede atrapada con la forma de Meta.

El patrón de fondo es el mismo que atraviesa todo lo que las plataformas lanzaron este año: la IA abarata el hacer, lo que convierte el criterio en el activo escaso. Cuando cualquiera puede generar cien anuncios gratis, la ventaja no es generar — es saber qué idea merece las cien variantes, y qué señales de marca proteger mientras las escalas.

Muse Image hará la mala creatividad más rápida y la buena más barata. Cuál de las dos te toca sigue dependiendo por completo del brief que le lleves.

Haz que la IA creativa de Meta trabaje para tu marca, no al revés

Ayudo a consultores, agencias y equipos B2B a construir sistemas de creatividad en Meta que usan Advantage+ y Muse Image para multiplicar el testeo — con guardarraíles de marca, assets hero distintivos y una biblioteca que de verdad es tuya en todos los canales.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

HubSpot Acaba de Lanzar Agent Hub: El Fin del Caos de Agentes de IA

La mayoría de equipos no adoptó un agente de IA este año — adoptó seis, de seis herramientas distintas, sin que nadie los gobierne y sin memoria compartida entre ellos. El 23 de julio de 2026 HubSpot lanzó su respuesta a ese caos: Agent Hub y Agent Builder, ya en beta pública para todos los clientes Professional y Enterprise. La propuesta no es «aquí tienes otro agente». Es «aquí tienes el sitio para construirlos, ejecutarlos y vigilarlos todos, sobre un único registro compartido de tu cliente». Es una apuesta distinta — y más interesante. Esto es lo que se lanzó de verdad y cómo decidir si activarlo.

HubSpot · Agentes de IA

¿Qué Lanzó HubSpot con Agent Hub y Agent Builder?

HubSpot publicó dos productos conectados en beta pública. Agent Hub es la capa de gestión: un espacio único donde descubres, activas, monitorizas y organizas cada agente de IA que corre en marketing, ventas y servicio. Ves estado en vivo, resultados recientes y salidas agrupadas por objetivo de negocio — generar demanda, cerrar tratos, fidelizar clientes, escalar — en lugar de una dispersión de bots inconexos. Agent Builder es la capa de creación: un lienzo low-code donde usuarios no técnicos describen una tarea en lenguaje natural vía Breeze Assistant, conectan workflows y agentes propios, y los disparan desde horarios, cambios en registros, webhooks o integraciones de terceros.

Lo que lo hace funcionar es el contexto compartido. Cada agente lee y escribe sobre el mismo registro de cliente en HubSpot, así que dejan de trabajar a ciegas entre sí. El ejemplo de la propia HubSpot es el fallo que todos reconocemos: un agente de prospección envía un pitch a una cuenta la misma semana en que un agente de servicio gestiona una queja abierta de esa cuenta — sin que ninguno sepa del otro. Sobre un registro compartido, esa colisión no ocurre. Es el paso lógico tras el despliegue de Breeze del año pasado; si quieres la base, nuestro análisis de qué activar y qué ignorar en HubSpot Breeze sigue vigente.

¿Qué Problema Resuelve Agent Hub de Verdad?

El objetivo real es el «agent sprawl»: la proliferación descontrolada de agentes. En los últimos dieciocho meses casi todos los equipos añadieron IA a su stack herramienta por herramienta — un chatbot aquí, un agente de contenido allí, un agente de prospección de otro proveedor — y acabaron con automatización que nadie gobierna, sin visibilidad de rendimiento y sin una visión compartida del cliente. Parece productivo y crea riesgo en silencio: agentes que duplican contactos, se contradicen o actúan sobre datos caducados.

Agent Hub ataca eso por tres frentes. Gobierno: una pantalla muestra qué corre, qué hace y quién responde, para que los agentes dejen de operar en los rincones oscuros de tus operaciones. Visibilidad: los resultados se organizan por resultado de negocio, no por herramienta, así que por fin puedes preguntar «¿este agente genera pipeline?» y obtener respuesta. Contexto: como todo vive sobre el registro de HubSpot, la acción de un agente se informa del historial completo del cliente, no del trozo que su proveedor alcanzaba a ver.

Por eso este lanzamiento importa más que un agente vistoso suelto. El cuello de botella de la mayoría de equipos en 2026 no es «¿podemos hacer que un agente haga una tarea?» — es «¿podemos correr diez sin que se pisen entre ellos y con nuestros clientes?». Una torre de control es un producto menos glamuroso que un bot mágico, y mucho más útil.

Agent Builder: ¿Para Quién Es la Creación Low-Code de Agentes?

Agent Builder baja el listón para crear un agente a medida. Describes lo que quieres en lenguaje natural, lo conectas a tus workflows y datos de HubSpot, y defines qué lo dispara. Eso ayuda de verdad a un responsable de RevOps o a un manager de marketing a automatizar una tarea real — enrutado, enriquecimiento, borradores de seguimiento, preparación de reuniones — sin esperar a un desarrollador.

Pero «low-code» no es «sin criterio». Un agente que montas en una tarde sigue actuando sobre datos vivos de clientes, y aplica la misma disciplina que a una contratación humana: un trabajo acotado, límites claros y una forma de revisar su labor. Los que se quemen serán quienes traten Agent Builder como un juguete y suelten cinco agentes mal configurados sobre su base de datos. Los que ganen acotarán cada agente a un trabajo que puedan medir. Es la misma lección de nuestro análisis sobre qué están reemplazando los agentes de IA en marketing B2B: la herramienta vale lo que el trabajo que le das.

Algo que revisar antes de construir:
Los agentes a medida consumen Créditos de HubSpot cuando ejecutan acciones configuradas. Los créditos vienen incluidos en Professional y Enterprise, pero «gratis de crear» no es «gratis de ejecutar» — acota cada agente a trabajos que justifiquen los créditos que gastarán.

¿Cómo Deberías Desplegarlo de Verdad?

Trata la beta como un piloto controlado, no como una carrera por ocupar terreno. Un despliegue sensato en cuatro pasos.

1. Inventaria lo que ya corre. Antes de añadir nada, usa Agent Hub para ver cada agente ya activo en tu portal. A la mayoría de equipos les sorprende lo que hay encendido. No puedes arreglar una dispersión que no ves.

2. Empieza por un trabajo de alto valor y bajo riesgo. Elige una tarea con dueño claro y métrica obvia — enrutado de leads, preparación de reuniones, un borrador de seguimiento que aún envía un humano. Evita lo que dé la cara al cliente y sea irreversible hasta que confíes en el resultado.

3. Conecta el contexto compartido con intención. El valor son agentes que saben qué han hecho otros agentes y comerciales. Asegúrate de que tus datos y propiedades estén lo bastante limpios para que «contexto compartido» signifique contexto correcto, no contexto erróneo con seguridad.

4. Fija una cadencia de revisión. Revisa cada semana los resultados de cada agente frente al objetivo para el que lo contrataste, y frente al gasto de créditos. Apaga los que no se ganen el sueldo. Un agente que nunca auditas es un pasivo con credenciales.

La Idea Clave

El producto real de Agent Hub no es otro agente — es gobierno, visibilidad y contexto compartido para los agentes que ya corres. Adóptalo como torre de control y acota cada agente a un trabajo medible.

El low-code baja el listón para construir. No baja el listón del criterio.

¿No sabes qué agentes de tu portal se están ganando el sueldo?

Ayudo a equipos de HubSpot a auditar su stack de agentes, eliminar la dispersión y desplegar Agent Hub en torno a trabajos que se pueden medir — con la higiene de datos que hace fiable el «contexto compartido».

Auditar mis agentes de HubSpot →

En Resumen: ¿Deberías Activar Agent Hub Esta Semana?

Si estás en Professional o Enterprise y ya tienes más de un agente corriendo, sí — pero primero como herramienta de auditoría, no de construcción. Abre Agent Hub, mira todo lo que está activo y organízalo antes de crear nada nuevo. La mayor victoria de la primera semana es la visibilidad: saber qué le está haciendo tu automatización a tus clientes.

El patrón de fondo es el que recorre todo lo que lanzaron las plataformas este año. La IA abarató hacer la tarea; la habilidad escasa ahora es la orquestación — decidir qué trabajos automatizar, evitar que colisionen y leer si funcionan. HubSpot apuesta a que los equipos ganadores no serán los que tengan más agentes, sino los que los gestionen como un equipo y no como un montón de scripts.

Encender un agente ya es trivial. Gobernar una flota entera es el trabajo de verdad. Construye primero la torre de control.

Convierte el stack de agentes de HubSpot en un sistema que controlas

Ayudo a consultores, agencias y equipos B2B a desplegar HubSpot Agent Hub como toca — un inventario de lo que corre, agentes acotados a trabajos medibles, datos limpios para que el contexto compartido sea fiable, y una cadencia de revisión que corta la dispersión antes de que te cueste clientes o créditos.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

El Giro Creativo de LinkedIn Ads: Por Qué Cinco Variantes Ya Ganan a Una en 2026

Durante años el manual de LinkedIn Ads fue el mismo: escribe un anuncio redondo, métele presupuesto y reza. El 1 de julio de 2026 LinkedIn dejó ese manual obsoleto sin hacer ruido. Lanzó una suite creativa completa dentro de Campaign Manager — Brand Kit, Draft with AI, Personalización de Anuncios, variantes con IA y Creación Flexible de Anuncios — y la acompañó de un dato que debería cambiar cómo repartes el presupuesto: las campañas con cinco o más variantes de anuncio consiguen más de un 20% más de CTR que las que corren un solo anuncio. Si sigues publicando una creatividad por campaña, estás dejando rendimiento medible sobre la mesa. Esto es lo que cambió y cómo montar un sistema de testeo creativo alrededor.

LinkedIn Ads · Creatividad

¿Qué Acaba de Cambiar LinkedIn en Campaign Manager?

El 1 de julio de 2026 LinkedIn desplegó un conjunto conectado de herramientas creativas que viven dentro de Campaign Manager, para que dejes de saltar entre el archivo de diseño, el documento de copy y el creador de anuncios. Cinco piezas importan para quien pone anuncios.

Brand Kit guarda tus logos, tipografías y colores una vez y los aplica a cada anuncio, de modo que una campaña hecha con prisas siga siendo coherente con tu marca. Draft with AI genera copy a partir de un prompt corto o de tu landing, dándote primeros borradores en vez de un recuadro en blanco. Las variantes con IA cogen un concepto ya aprobado y sacan múltiples versiones — distintos titulares, ángulos, enfoques — en unos clics. La Personalización de Anuncios adapta elementos del anuncio al miembro que lo ve. Y la Creación Flexible te deja aportar un conjunto de recursos que LinkedIn ensambla y testea según el emplazamiento.

LinkedIn también añadió Auto-targeting y Draft with AI pensados para pymes, bajando el listón técnico para equipos sin un comprador de medios dedicado. Leído en conjunto, el lanzamiento tiene una intención clara: LinkedIn quiere que produzcas y testees más creatividad, porque sus propios datos dicen que el volumen de variantes ya es una palanca de rendimiento, no un extra.

¿Por Qué Cinco Variantes Ganan a Una?

La diferencia del 20% de CTR no es magia — es cómo funciona la entrega de LinkedIn. Cuando le das a la subasta un solo anuncio, el sistema no tiene nada entre lo que optimizar; se lo enseña a toda tu audiencia, funcione el ángulo o no. Dale cinco y el algoritmo puede emparejar el mensaje correcto con el miembro correcto, desplazando presupuesto hacia la variante que cada segmento responde mejor. Más variantes significan más superficie para que el sistema encuentre encaje.

Hay un segundo efecto, más lento: la fatiga creativa. En las audiencias B2B de LinkedIn — pequeñas y de alta frecuencia — un solo anuncio se quema rápido: los mismos decisores lo ven una y otra vez y dejan de fijarse. Una rotación de cinco mantiene fresca la impresión más tiempo, así que tu CTR se degrada de forma más suave a lo largo de la campaña en lugar de desplomarse en la segunda semana.

El matiz es que «cinco variantes» solo funciona si son de verdad distintas. Cinco titulares casi idénticos no le dan a la subasta nada que elegir. El sentido de las nuevas herramientas de IA es hacer que la variación real — ganchos, formatos y propuestas de valor distintos — sea lo bastante barata como para que producir cinco deje de ser excusa para saltarte el test.

La palanca real es la variedad, no el volumen:
Cinco variantes ganan a una porque le dan a la subasta y a la audiencia algo que elegir. Cinco copias de la misma idea siguen siendo, en la práctica, un solo anuncio.

¿Cómo Montas un Sistema de Testeo Creativo en LinkedIn?

Trata las nuevas herramientas como una cadena de montaje, no como un botón mágico. Un sistema repetible gana a los arrebatos ocasionales de inspiración.

1. Pon las barreras primero. Carga tu Brand Kit antes de tocar Draft with AI. Si la IA va a generar copy y variantes, quieres los colores, tipografías y logo bloqueados para que cada versión automática siga pareciéndose a ti — no a una plantilla genérica.

2. Testea ángulos, no adjetivos. Construye tus cinco alrededor de ideas de verdad distintas: una sobre el resultado central, una sobre un dolor, una sobre una prueba o un dato, una sobre la objeción que tus compradores realmente ponen, una sobre una tesis a contracorriente. Así aprendes qué responde tu mercado — no haciendo A/B de dos versiones de la misma frase.

3. Usa la IA para el primer borrador y a una persona para el corte final. Draft with AI y las variantes con IA son excelentes produciendo volumen y rompiendo la parálisis del folio en blanco. Son mediocres en matiz, posicionamiento y el lenguaje concreto de tu nicho. Genera diez, quédate con las cinco que una persona aprobaría de verdad y edítalas para que no suenen al copy de IA de todos los demás.

4. Dale aire al test y luego lee la métrica correcta. No mates una variante al día siguiente. Deja que la entrega de LinkedIn reparta impresiones y juzga por la métrica que encaja con tu objetivo — CTR para notoriedad y engagement, pero coste por lead o pipeline para cualquier cosa de fondo de embudo. Un anuncio con mucho CTR que trae leads basura no es un ganador. Justo por eso tu marco de medición tiene que estar debajo del test creativo, no al lado.

La Idea Clave

Publica cinco ángulos de verdad distintos por campaña, deja que la IA los redacte y una persona los apruebe, y juzga cada uno por la métrica que encaja con tu objetivo — no solo por el CTR.

Las herramientas quitaron la excusa. Producir cinco variantes fuertes ya es barato; correr una sola es ahora una decisión de rendir menos.

¿Corres LinkedIn Ads con una sola creatividad por campaña?

Ayudo a equipos B2B a montar un sistema de testeo creativo en LinkedIn — un Brand Kit que mantiene la salida de IA fiel a la marca, un marco de cinco ángulos, y la medición para distinguir un ganador real de uno de métrica vanidosa.

Arreglar mi creatividad en LinkedIn →

En Resumen: ¿Qué Deberías Hacer Esta Semana?

Coge una campaña activa y convierte su único anuncio en cinco ángulos distintos con las nuevas herramientas — Brand Kit bloqueado, Draft with AI para la primera pasada, tu propia edición para el corte final. Dale dos semanas y compara CTR y coste por lead contra el anuncio único que venías corriendo. Los números de LinkedIn dicen que deberías ver la diferencia; tu cuenta te dirá si se sostiene para tu audiencia.

El patrón de fondo es el mismo que atraviesa todo lo que las plataformas lanzaron este año: la IA abarata la producción, y eso mueve la ventaja de quién sabe hacer un anuncio a quién testea y lee resultados bien. El mismo giro está cambiando cómo captan leads los equipos B2B de entrada. Los que ganen no serán los que generen más creatividad — serán los que tengan un sistema para convertir ese volumen en aprendizaje.

El volumen ya es gratis. El criterio es la parte escasa. Monta el sistema que lo aporta.

Convierte las nuevas herramientas creativas de LinkedIn en pipeline

Ayudo a consultores, agencias y equipos B2B a montar un sistema de testeo creativo en LinkedIn Ads que de verdad mueve el coste por lead — barreras de marca, un marco de cinco ángulos, producción asistida por IA con corte final humano, y medición que separa ganadores reales de métricas vanidosas.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

El Panorama de Conectores MCP para Marketing en 2026: Cuáles Existen y Cuáles Usar

Hace dos años, conectar tus cuentas publicitarias a cualquier cosa exigía un programador, una API key y una semana de tu vida. En 2026 abres Claude o ChatGPT y preguntas, en español y sin rodeos, «¿qué campaña de Google Ads se está comiendo el presupuesto?» — y recibes una respuesta sacada en vivo de la cuenta. Lo que lo hace posible es el conector MCP: una forma estándar de que los asistentes de IA lean — y cada vez más, escriban en— las plataformas que ya gestionas. El problema es que ahora hay decenas, son de calidad muy desigual, y algunos modifican tus campañas en producción sin pestañear. Aquí tienes cuáles existen de verdad, en cuáles confiar, y cómo usarlos sin darle a una IA las llaves de las cuentas de tus clientes.

Conectores · MCP

¿Qué es un conector MCP y por qué debería importarle a un marketero?

MCP — el Model Context Protocol — es un estándar compartido que permite a un asistente de IA hablar con una herramienta externa a través de un pequeño servidor. En lugar de que cada aplicación invente su propio plugin a medida, MCP le da a Claude, ChatGPT, Gemini, Cursor y compañía un mismo enchufe común. Un «conector» no es más que el servidor MCP de una plataforma concreta: un conector de Google Ads, uno de Meta Ads, uno de HubSpot.

Para un marketero, la ganancia práctica es que la capa de reporting y trabajo repetitivo se desmorona. Dejas de exportar CSVs y reconstruir la misma tabla dinámica cada lunes, y empiezas a hacer preguntas: qué conjuntos de anuncios bajaron de un ROAS de 2x la semana pasada, qué deals de HubSpot se enfriaron, qué términos de búsqueda están quemando presupuesto. La IA consulta la cuenta directamente y responde. El giro de 2026 es que esto dejó de ser una demo y se convirtió en infraestructura: Meta adoptó MCP como método de integración principal de sus Ads AI Connectors, y las grandes plataformas ya publican servidores oficiales en vez de dejarlo en manos de aficionados.

¿Qué conectores MCP de marketing existen de verdad en 2026?

El panorama se divide en dos bandos con límites claros: los servidores oficiales que publican las propias plataformas, y los servidores de terceros que envuelven varias plataformas o añaden acciones de escritura que los oficiales se reservan. Los dos tienen su sitio.

Los oficiales (empieza por aquí). Google liberó su propio servidor MCP de Google Ads a principios de 2026 — es deliberadamente de solo lectura, con listado de cuentas y consultas GAQL para diagnóstico y analítica. Google también publica un servidor oficial de GA4 con más de 200 dimensiones y métricas, para que interrogues tráfico, conversiones y audiencias conversando. Y el servidor MCP remoto de HubSpot pasó a disponibilidad general el 13 de abril de 2026: da acceso de lectura y escritura a los registros clave del CRM — contactos, empresas, negocios, tickets, líneas de producto — además de actividades como llamadas, correos, notas y tareas, todo sobre una conexión OAuth 2.1 que respeta los permisos que ya tiene cada usuario. Sus límites honestos: nada de objetos personalizados, y si tu portal tiene la protección de datos sensibles activada, los objetos de actividad quedan bloqueados.

Los de terceros (rellenan los huecos). Donde los oficiales se quedan en solo lectura, los independientes añaden control. El MCP de Meta Ads de Pipeboard es el servidor de Meta de plataforma única más maduro, con lectura/escritura completa de campañas, conjuntos de anuncios, creatividades, segmentación y presupuestos. Conectores comerciales unificados como Ryze (Google Ads, Meta, GA4 con escrituras que exigen confirmación, ~89 $/mes) o Synter (14 plataformas de ads, desde ~199 $/mes) cambian una suscripción por un único enchufe para todo tu stack. Y Markifact lanzó un MCP de Google Ads alojado el 13 de julio de 2026 que añade acciones de escritura sobre la cuenta — pero solo con un humano aprobando cada cambio. Para extracciones de datos puras entre más de 350 fuentes, un conector de reporting como Windsor.ai sigue siendo la opción pragmática.

La distinción que más importa:
Los conectores de solo lectura solo pueden contarte cosas. Los de escritura pueden cambiar cosas — pausar una campaña, mover un presupuesto, editar un negocio. Esa única línea decide cuánto deberías fiarte de un servidor y cuánta supervisión necesita.

¿Lectura o escritura? Cómo elegir el conector adecuado

Ajusta el conector al trabajo, no al hype. Para reporting, diagnóstico y preguntas del tipo «qué pasó la semana pasada», un servidor oficial de solo lectura es casi siempre la elección correcta — no puede romper nada, así que puedes enchufarlo a todas las cuentas de tus clientes sin perder el sueño. Ahí vive el 80% del valor del día a día, y es el sitio más seguro para empezar.

Recurre a un conector con escritura solo cuando el flujo necesite de verdad actuar — pausar en bloque conjuntos que pierden, empujar negative keywords, actualizar etapas de negocio después de una llamada. Y cuando lo hagas, la función innegociable es el paso de aprobación humana: la IA propone el cambio, tú lo confirmas, y entonces se ejecuta. Es exactamente el modelo sobre el que Markifact construyó su lanzamiento de julio, y es la diferencia entre un copiloto y un becario sin supervisión con tu presupuesto de ads.

Dos filtros más antes de conectar nada a la cuenta de un cliente. Primero, autenticación: prioriza conectores que usen OAuth como es debido y respeten los permisos que el usuario ya tiene, como el servidor oficial de HubSpot — evita cualquiera que te pida pegar una API key de larga duración en un archivo de configuración. Segundo, mantenimiento: un conector vale lo que su cuidado. Un servidor open-source bien mantenido y con commits activos gana a uno abandonado, y un servidor comercial alojado gana a ambos si prefieres no vigilar actualizaciones.

La Regla De Oro

Solo lectura por defecto, escritura solo con un humano en el bucle. Empieza por el servidor oficial de la plataforma; añade uno de terceros solo cuando necesites una acción que el oficial no realiza.

El mejor conector no es el que tiene más herramientas. Es el que puedes apuntar con seguridad a la cuenta de un cliente y olvidarte.

¿No sabes qué conectores es seguro enchufar a tu stack?

Ayudo a equipos a elegir los conectores MCP adecuados para sus cuentas de ads y CRM, integrarlos en un flujo de reporting y optimización, y poner los límites para que nada cambie sin que un humano diga que sí.

Mapear mi stack de conectores →

En resumen: ¿cuáles deberías usar de verdad?

Si gestionas Google Ads, Meta y un CRM, un stack sensato para arrancar en 2026 tiene esta pinta: los servidores oficiales de solo lectura de Google Ads y GA4 para reporting y diagnóstico, el servidor oficial de HubSpot para lecturas de CRM y la escritura supervisada ocasional, y un único conector de ads con escritura — Pipeboard para cuentas muy de Meta, o un servidor comercial unificado como Ryze o Synter si quieres un solo enchufe — estrictamente con la aprobación humana activada. Manén un conector de reporting como Windsor.ai para las extracciones cross-channel que no encajan en ninguna plataforma.

Es el mismo hilo que atraviesa todo lo que las plataformas lanzaron este año: las herramientas corren más rápido que los límites de seguridad. Es la razón por la que la IA está reescribiendo cómo captas leads, y la misma por la que la puja automática te sigue quitando decisiones de las manos. Los conectores devuelven parte de ese control — si los eliges con criterio.

No conectes todo porque puedas. Conecta los pocos servidores que se ganan su acceso, manén a un humano en las acciones de escritura, y deja que la IA haga el reporting que nunca ibas a disfrutar de todos modos.

Monta un stack de marketing conectado a IA que sea de verdad seguro

Ayudo a consultores, agencias y equipos B2B a conectar sus plataformas de ads y su CRM a asistentes de IA de la forma correcta — servidores oficiales primero, escritura bloqueada tras aprobación humana, y una capa de reporting que por fin se ejecuta sola. Sin apuestas de open-source abandonado, sin llaves entregadas a un bot sin supervisión.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

Google AI Mode Ya Es el Modo por Defecto. Así Consigues que te Citen, no que te Salten

Durante veinte años, «posicionar en Google» significó una sola cosa: conseguir un enlace azul cerca de lo alto de una página llena de enlaces azules. En 2026 esa página casi no existe. AI Mode — la experiencia de respuesta de Google al estilo ChatGPT, impulsada por Gemini — dejó de ser una pestaña opcional y se convirtió en silencio en la forma por defecto en que busca una parte creciente de la gente. A la vez, un regulador británico obligó a Google a dar a los editores un interruptor para salirse, y un core update despiadado reordenó quién aparece citado. Tres movimientos, una dirección: el resultado de búsqueda se está convirtiendo en una respuesta, y tu trabajo ya no es posicionar en la página — es ser la fuente con la que se construye esa respuesta.

SEO · GEO

¿Qué Cambió Realmente en Google en 2026?

Pasaron tres cosas casi seguidas y, juntas, importan mucho más que cualquiera por separado. Primero, AI Mode se convirtió en la experiencia de respuesta por defecto, no en un experimento de laboratorio que había que activar. En vez de diez enlaces, cada vez más búsquedas devuelven una respuesta sintetizada con un puñado de fuentes citadas debajo — y la mayoría de la gente nunca baja de ahí. El clic por el que competías, muchas veces, ya no se produce.

Segundo, el core update de mayo de 2026 terminó de desplegarse el 2 de junio tras doce días — y pegó más fuerte que el de marzo. El patrón fue nítido: las webs que recopilan, reformulan o resumen ligeramente lo que ya existe perdieron terreno, mientras que las marcas, las fuentes oficiales y las páginas con datos propios y experiencia real ganaron. Google premia cada vez más lo único que una IA no puede generar sola — sustancia original y verificable.

Tercero, y lo más ignorado, los editores consiguieron un interruptor. El 3 de junio de 2026, la autoridad de competencia del Reino Unido (CMA) emitió una orden legalmente vinculante — la primera de su tipo — obligando a Google a permitir que las webs se salgan de sus funciones de IA. El resultado es un control en Google Search Console, en Ajustes → Search generative AI, que entró en vigor el 17 de junio. Cada propiedad se puede poner en Incluir, Excluir o Heredar, decidiendo si tu contenido puede aparecer en AI Overviews, AI Mode y AI Overviews en Discover — sin dejar de estar indexado en los resultados normales. De momento es solo para Reino Unido, con despliegue global prometido pero sin fecha.

El titular silencioso:
Search Console también empezó a reportar tus impresiones y clics desde las superficies de IA. Por primera vez puedes ver con qué frecuencia te citan dentro de las respuestas de IA — lo que convierte la visibilidad en IA en una métrica que puedes gestionar, no en una caja negra que adivinas.

¿Deberías Usar el Nuevo Interruptor para Salirte?

Para casi todo el mundo, no — y conviene entender por qué el interruptor es más trampa que regalo. En la superficie suena empoderador: saca tu contenido de las respuestas de IA de Google para que no lo «resuman gratis». El instinto se entiende. Si los AI Overviews responden la pregunta sin un clic, ¿para qué alimentar a la máquina que se come tu tráfico?

Porque salirte no te devuelve los clics de antes — solo te hace invisible en la superficie que crece mientras sigues visible en la que se encoge. AI Mode y AI Overviews se están convirtiendo en donde ocurre la búsqueda. Excluirte significa que la respuesta se escribe igual; solo que se escribe con el contenido de tu competencia en vez del tuyo. No proteges tu autoridad escondiéndote del lugar donde ahora lee la gente — se la regalas a quien se quedó.

Hay una excepción estrecha. Si tu modelo de negocio depende de verdad de la monetización en página — impresiones de anuncios, contenido de pago, clics de afiliación que solo pagan cuando alguien aterriza en tu web — y tienes datos que demuestran que las citas de IA canibalizan en vez de ayudar a ese modelo, el interruptor es una palanca legítima que probar. Pero para consultores, agencias, SaaS y marcas B2B cuya web es un motor de credibilidad y captación, que te citen por nombre dentro de una respuesta de IA es el equivalente moderno a salir primero. Eso no es una fuga que tapar. Es el objetivo.

¿Cómo Consigues de Verdad que la IA te Cite?

Aquí está la parte tranquilizadora que Google repite, y es cierta: «optimizar para la búsqueda generativa con IA es optimizar para la experiencia de búsqueda — sigue siendo SEO». No hay una disciplina GEO aparte con palancas secretas. Lo que cambió es el peso. Las señales que te hacen citable para un modelo de lenguaje son una versión afilada de las que ya te hacían posicionar. En concreto:

1. Responde la pregunta en las dos primeras frases. Los sistemas de IA extraen respuestas autocontenidas. Empieza cada sección con una respuesta directa e independiente a una pregunta real, y luego ampía. Las conclusiones enterradas no se citan — las que van por delante, sí. Estructura las páginas en torno a las preguntas que tus clientes realmente escriben, con la respuesta justo debajo del encabezado.

2. Aporta datos propios y un punto de vista. El core update de mayo fue un referéndum sobre la originalidad. Números propios, pruebas que hiciste, un experto con nombre y opinión, un marco que construiste — son las cosas que un modelo no puede sintetizar de la nada, así que cita a la fuente. Agregar lo que ya dijeron todos los demás ahora se penaliza activamente, no solo se ignora.

3. Ponle fácil el trabajo a la máquina. Estructura limpia, encabezados descriptivos, schema de FAQ y How-To, nombres de entidad claros y coherencia factual en toda tu web suben las probabilidades de extracción. No se trata de hacer trampas — se trata de ser inequívoco. Y trata AI Mode y AI Overviews como dos audiencias, no una: los análisis sugieren que solo una pequeña parte de las citas coincide entre ambas, así que la amplitud de páginas bien estructuradas y realmente útiles gana a un solo artículo estrella.

4. Vigila el nuevo informe. Ahora que Search Console muestra impresiones y clics de las superficies de IA, trátalo como cualquier otro canal: mira qué páginas entran en las respuestas, qué tienen en común, y haz más de eso. La visibilidad en IA dejó de ser inmedible en el momento en que Google te dio el panel.

El Cambio en Una Línea

Ya no compites por una posición en la página. Compites por ser la fuente con la que se ensambla la respuesta — y la entrada cuesta sustancia original que un modelo no puede fingir.

Pensar en ranking optimiza una página. Pensar en citas optimiza para que te citen. En 2026, solo lo segundo compone.

¿Sabes si la IA te cita a ti o a tu competencia?

La mayoría de las marcas no tiene ni idea de cuántas veces aparece dentro de las respuestas de IA de Google — ni qué páginas hacen el trabajo. Ayudo a equipos a leer los nuevos informes de IA de Search Console y a reestructurar su contenido para que los citen, no para que los salten.

Audita tu visibilidad en IA →

En Resumen: Optimiza para que te Citen, no Solo para Posicionar

AI Mode por defecto, un core update que premia la originalidad y un interruptor para salirse que casi nadie debería tocar — leídos juntos, describen un buscador que dejó de ser una lista de enlaces para convertirse en una máquina de respuestas. Las marcas que ganen la siguiente fase no están peleando ese cambio ni escondiéndose de él. Se están convirtiendo en la fuente más citable de su categoría: datos propios, respuestas directas, estructura limpia, un punto de vista real.

Es la misma disciplina que hay detrás de que te citen los motores de respuesta en general — el argumento que hice sobre AEO e IA agentica — y está aguas abajo de una deriva mayor: las plataformas hacen sus datos cada vez más efímeros y sus algoritmos más opacos, el mismo patrón detrás del recorte silencioso de retención de datos de Google. La página en la que solías posicionar pierde importancia. La fuente detrás de la respuesta la gana.

No te salgas del futuro de la búsqueda. Conviértete en aquello con lo que se construye.

Haz que tu marca sea la fuente que cita la IA

Ayudo a consultores, agencias y equipos B2B a convertir su contenido en algo que las respuestas de IA de Google citan por nombre — auditando tu visibilidad en las superficies de IA, reestructurando páginas para la extracción y construyendo la sustancia original y respaldada por datos que premian los core updates de 2026. Práctico, medible y sin humo GEO.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

Google Acaba de Recortar Tus Datos de Anuncios de 11 Años a 37 Meses. Esto Es Lo Que No Te Cuentan

En noviembre de 2024, Google hizo una promesa: once años de datos de reporting de Google Ads, guardados y consultables. Dieciocho meses después, el 1 de junio de 2026, dio marcha atrás en silencio. Los datos granulares — las cifras por hora, día y semana que de verdad usas para diagnosticar una campaña — ahora viven solo 37 meses. Google lo archivó bajo «actualización de la política de retención de datos», la frase más somnífera de su vocabulario. Y ahí está la clave. Un cambio disfrazado de limpieza técnica casi nunca es limpieza técnica. Lee entre líneas y verás una decisión sobre quién es dueño de la memoria de tus campañas — y la respuesta por defecto acaba de dejar de ser tú.

Google Ads · Medición

¿Qué cambió realmente el 1 de junio de 2026?

La versión sin adornos. Desde el 1 de junio de 2026, Google Ads parte los datos de reporting en dos cubos con vidas muy distintas. Los datos granulares — todo lo medido a resolución por hora, día o semana — se retienen 37 meses. Los datos agregados — resúmenes mensuales, trimestrales y anuales — conservan el horizonte de once años que Google anunció en noviembre de 2024. Las métricas de alcance y frecuencia llevan una correa aún más corta: tres años, y después desaparecen tanto de la interfaz como de la API.

Sobre el papel suena ordenado. En la práctica, el cubo que recortaron es el que importa. Nadie diagnostica una campaña con un resumen anual. Diagnosticas con datos a nivel de día y de semana — justo la resolución ahora limitada a 37 meses. Así que aunque Google pueda decir técnicamente «seguimos guardando once años de datos», los datos que buscarías en un análisis real son precisamente los que ahora caducan primero.

La señal:
Cuando una plataforma conserva el titular («¡11 años!») pero acorta en silencio la resolución que de verdad consultarías, el titular es para la nota de prensa y la letra pequeña es para ti. La ventana de retención no se encogió. Tu ventana útil se encogió alrededor de dos tercios.

¿Por qué recortaría Google de 11 años a 3 en 18 meses?

Es la pregunta que el anuncio no responde, así que respondámosla con honestidad. Google citará el coste de almacenamiento y la «simplificación». Puede ser. Pero no montas una promesa de retención de once años a finales de 2024 y la vacías año y medio después porque te sorprendió la factura del almacenamiento. Algo cambió en la estrategia, y el momento lo delata.

Mira qué más pasó en esa misma ventana. Google se pasó 2025 y 2026 empujando con fuerza a los anunciantes hacia Smart Bidding, Performance Max y la automatización con IA — sistemas que deciden a dónde va tu dinero sin enseñarte los cálculos. Todo el discurso es «confía en el algoritmo». Ahora piensa para qué sirve un historial largo y granular: es la materia prima con la que auditarías de forma independiente si ese algoritmo de verdad rinde, con la que reconstruirías por qué se movió el rendimiento, con la que calibrarías tus propios modelos de atribución o de mix de marketing contra la caja negra de Google.

Acorta ese historial y debilitas en silencio cada uno de esos controles. Es más difícil demostrar que PMax rindió mal el año pasado si los datos a nivel de día de ese año ya no están. Es más difícil cuestionar una recomendación de puja cuando no puedes sacar la base granular de la que se desvía. Menos historial independiente significa menos formas de cuestionar la automatización — lo que significa más dependencia de la automatización. No es una teoría de la conspiración; es simplemente hacia dónde apunta el incentivo.

La lectura incómoda

La plataforma que más te empuja hacia la automatización de caja negra acaba de acortar justo los datos históricos que necesitarías para auditar esa automatización. Sea intencionado o simplemente conveniente, el efecto es idéntico: menos memoria en tus manos, más confianza exigida hacia las suyas.

No hace falta asumir mala fe para tomar la medida defensiva. Solo hace falta ser dueño de tus propios datos.

¿A quién perjudica — y quién ni se enterará?

La mayoría de anunciantes con un par de campañas de Search no notarán nada en años. Si nunca miras más allá de una ventana de 90 días, un límite de 37 meses es invisible. Por eso justo el cambio pasó casi sin ruido — a quienes perjudica son una minoría, pero una minoría que importa.

Quién Qué pierde
Anunciantes estacionales y retail Necesitas 3–4 años de datos a nivel de día para comparar Black Fridays o picos de temporada de forma equiparable. Con 37 meses apenas sostienes tres ciclos comparables — y el más antiguo ya se está desmoronando.
Agencias y consultores Las auditorías forenses de cuenta y las investigaciones de «qué pasó en el Q3 de hace dos años» dependen de un historial granular que ahora caduca bajo tus pies.
Equipos de datos y analítica Los modelos de atribución y MMM se calibran contra bases largas y granulares. Recorta la base y tus modelos se vuelven más ruidosos justo cuando dirección pide más rigor de medición.
SaaS B2B con ciclos largos Cuando un deal tarda 6–12 meses en cerrar, atar los ingresos de hoy a los datos granulares del anuncio que los originó se complica a medida que esos datos de origen caducan.

Fíjate en el hilo común: los perjudicados son precisamente quienes intentan hacer medición rigurosa e independiente — los que tienen más probabilidad de pillar una automatización rindiendo mal. El anunciante casual que solo confía en las recomendaciones no pierde nada, porque nunca estuvo auditando nada. El cambio es regresivo de una forma muy concreta: penaliza el escrutinio.

¿Sabes de verdad qué está caducando en tus cuentas?

La mayoría de equipos tienen más de tres años de historial granular de Google Ads envejeciendo en silencio hacia la salida — y ninguna exportación montada. Ayudo a agencias y equipos in-house a montar un almacén de datos sencillo y automatizado para que la memoria de tus campañas sobreviva a los recortes de retención de Google en vez de evaporarse.

Protege tus datos publicitarios →

¿Qué deberías hacer antes de que caduque tu historial?

La medida defensiva es aburrida, barata y urgente: deja de dejar que Google sea el único custodio del historial de tus campañas. Si tu única copia de datos granulares vive dentro de Google Ads, has externalizado tu propia memoria a una empresa que acaba de demostrar que acortará el contrato de alquiler cuando su estrategia cambie. Esta es la secuencia práctica.

1. Exporta ya lo que está en riesgo. Todo lo anterior a unos 34 meses está en la zona de peligro. Saca los informes a nivel de día de campaña, grupo de anuncios, keyword y términos de búsqueda hasta donde la cuenta permita, antes de que caigan los tramos más antiguos. Es un rescate único que no puedes hacer de forma retroactiva — una vez desaparece, desaparece.

2. Monta un flujo continuo. Conecta Google Ads a un almacén — BigQuery es la vía nativa, pero un conector hacia cualquier store que controles sirve — y programa una exportación diaria o semanal de los datos granulares. El objetivo es simple: tu propia copia se va acumulando en paralelo, para que los límites de retención nunca toquen las cifras de las que dependes. Sí, hay una leve ironía en que la solución te empuje más hacia el propio BigQuery de Google; la respuesta es aterrizarlo en un sitio que controles de verdad, en un formato portable.

3. Trátalo como parte de tu estrategia de datos de primera parte, no como una tarea secundaria. Ser dueño de tu historial publicitario es la misma disciplina que ser dueño de tus datos de cliente — el argumento de infraestructura que hice en Datos de Primera Parte en la Era IA. Las plataformas están haciendo sus datos cada vez más efímeros y sus algoritmos cada vez más opacos. La contrajugada es construir una capa duradera e independiente que sea tuya, para que tu medición y tu poder de negociación no dependan de sus ajustes de retención.

Nada de esto es caro ni difícil. Un pipeline básico de exportación es una tarde de configuración y unos pocos euros al mes de almacenamiento. Lo que te compra es independencia — la capacidad de auditar, de comparar entre años y de rebatir una recomendación automatizada con tu propia evidencia. En un mundo de cajas negras, eso no es un lujo. Es el juego entero.

En resumen: lee la letra pequeña, sé dueño de los datos

El recorte de 37 meses de Google es un cambio pequeño con una señal enorme. No es el fin del mundo, y para la mayoría de anunciantes ni siquiera es un mal día. Pero es una señal clara de hacia dónde van las plataformas: menos transparencia, memoria más corta, más «confía en la IA y punto». Los updates que más importan casi nunca son los vistosos con keynote — son los que se archivan bajo «política» y se publican un lunes cualquiera.

Los anunciantes que prosperarán en esta siguiente fase no son los que pelean contra la automatización — ese barco ya zarpó. Son los que guardan sus propios recibos: su propio historial granular, sus propias bases, su propia capacidad de revisar el trabajo de la plataforma. Exporta tus datos, sé dueño de tu medición, y conservas lo único que el algoritmo no puede optimizar para quitártelo — el poder de negociación.

Google acortó el alquiler de la memoria de tus campañas. La solución no es quejarse. Es tener tu propia copia de las llaves.

Construye una capa de datos de Google Ads que sea tuya de verdad

Ayudo a agencias y equipos in-house a rescatar sus datos históricos en riesgo y a montar un pipeline de exportación automatizado — para que los recortes de retención nunca toquen tus bases, tus auditorías ni tus modelos de atribución. Un rescate único más un flujo continuo, sobre infraestructura que tú controlas.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

Chatbots con IA vs Formularios: El Giro de la Captación B2B en 2026

Tu formulario de captación B2B está perdiendo pipeline en silencio. No porque la oferta sea floja ni porque el tráfico sea malo, sino porque un formulario estático le pide a un desconocido que rellene ocho campos antes de darle nada a cambio. En 2026, los equipos que ganan la partida de la captación han dejado de tratar el formulario como un peaje y han empezado a tratarlo como una conversación. Los chatbots con IA convierten hoy entre el 15 y el 30% del tráfico, frente al 2–5% de los formularios, y esa diferencia ya no es una curiosidad: es una ventaja estructural. La pregunta para un marketero B2B no es si usar captación conversacional. Es dónde aporta valor real y dónde un formulario sencillo sigue siendo la mejor opción.

Automatización de Marketing & CRO

¿Por Qué Convierten Tanto Mejor los Chatbots que los Formularios?

Los números son claramente desiguales. Los embudos liderados por chatbot convierten en torno a 2,4 veces más que un formulario web estático, y la captación conversacional genera alrededor de un 55% más de leads de calidad que su equivalente en formulario. Algunas implementaciones integradas reportan hasta un 300% de mejora frente a un formulario estático. No son casos aislados: son la nueva línea base una vez entiendes el mecanismo.

Un formulario estático es un muro de exigencias presentado antes de intercambiar ningún valor. Pide nombre, empresa, email, teléfono, cargo, tamaño de empresa y «¿en qué podemos ayudarte?», todo a la vez y por adelantado. Cada campo es un motivo para abandonar. Una conversación invierte eso. Hace una pregunta, reacciona a la respuesta y solo plantea la siguiente cuando la anterior se la ha ganado. El prospecto nunca ve el muro; ve un hilo que parece llevar a alguna parte.

Debajo hay una palanca psicológica: el efecto de compromiso o coste hundido. Responder una primera pregunta fácil («¿Qué intentas resolver?») genera un pequeño impulso. Para cuando el bot pide el email, el prospecto ya ha invertido tres respuestas y quiere su recompensa. El formulario lo pide todo antes de que exista ningún impulso, que es justo por lo que se atasca.

El cambio de enfoque:
Un formulario recoge datos. Una conversación cualifica a un comprador. Son trabajos distintos, y en B2B —donde necesitas conocer presupuesto, autoridad y plazo antes de enrutar un lead— el segundo es el que de verdad mueve los ingresos.

¿Cuándo Usar un Chatbot y Cuándo Sigue Ganando el Formulario?

Aquí es donde la mayoría de artículos de «el chatbot le gana al formulario» se desmoronan: lo tratan como una religión. No lo es. Cada herramienta gana un trabajo distinto, y un stack B2B maduro usa ambos de forma deliberada.

Caso de uso Mejor herramienta Por qué
Página de demo / precios (alta intención) Chatbot Cualifica y enruta a un comercial en tiempo real; agenda antes de que se enfríe la intención
Contenido gated / whitepaper Formulario (corto) Baja intención, transaccional; un formulario de 2 campos quita fricción más rápido que un chat
Cualificación compleja (enterprise) Chatbot La lógica BANT/MEDDIC ramifica según las respuestas; un formulario no se adapta
Newsletter / opt-in simple Formulario (inline) Un campo, sin cualificación; la conversación añade sobrecarga sin ganancia

El patrón se ve claro en cuanto lo identificas: cuanta más intención y más compleja la cualificación, más gana la conversación. Cuanta menos intención y más simple la petición, más gana un formulario corto. Una solicitud de demo nunca debería ser un formulario de 9 campos. Un alta de newsletter nunca debería ser un chat de cinco mensajes.

Idea Clave

No sustituyas cada formulario por un bot. Mapea la intención al formato: conversaciones para los momentos de alta intención y cualificación compleja; formularios cortos para los transaccionales de baja intención. La fuga no son los formularios, es usar un formulario donde el momento pedía una conversación.

Un formulario de demo de 9 campos es el error más común y más caro de la captación B2B.

¿Cómo Cualificar un Lead B2B en un Chat sin Sonar a Bot?

B2B no es B2C. Un bot B2C puede capturar un email y cantar victoria. Un bot B2B tiene que sacar a la luz tamaño de empresa, autoridad presupuestaria y plazo antes de enrutar a nadie, porque los deals son grandes y los ciclos duran meses, no minutos. Aquí es donde frameworks como BANT (Budget, Authority, Need, Timeline) y MEDDIC se ganan su sitio: se convierten en la lógica de ramificación de la conversación.

Empieza por la necesidad, no por el interrogatorio. La primera pregunta debe ir sobre el problema del prospecto, nunca sobre su presupuesto. «¿Qué intentas resolver?» abre el hilo. «¿Cuál es tu presupuesto?» lo cierra. Las preguntas de cualificación llegan después de que el bot haya entregado algo útil: un recurso relevante, un diagnóstico rápido, un siguiente paso a medida.

Ramifica según las respuestas. Si alguien dice que «solo está investigando», el bot no debería empujar hacia una llamada comercial, debería ofrecer contenido y capturar un email blando. Si dice que «está evaluando proveedores este trimestre», eso es un lead caliente y el bot debería ir directo a agendar con un comercial. Un formulario estático trata a ambos igual. Esa es toda la diferencia.

Enruta, no solo recojas. El resultado de un buen chatbot B2B no es una fila en una hoja de cálculo: es un lead puntuado y enrutado que aterriza en la cola del comercial adecuado con contexto adjunto. Esa capa de enrutamiento es donde la captación conversacional se conecta con tu CRM y con tu sistema operativo más amplio, el mismo pensamiento de sistemas que mapeamos en Loop Marketing: la captación es solo la entrada del bucle, no la meta.

¿Tu página de mayor intención está escondida detrás de un formulario largo?

La mayoría de equipos B2B tienen una o dos páginas donde la intención es alta y un formulario estático está matando conversiones en silencio. Ayudo a mapear qué momentos merecen una conversación y cuáles no, y luego cableo la lógica de cualificación en tu CRM para que los leads lleguen puntuados y enrutados, no en crudo.

Audita tu captación →

¿Cuál es el ROI Real y el Riesgo Real?

El caso financiero es sólido. El ROI medio del primer año de un chatbot de generación de leads con IA se sitúa en el 148–200%, y las implementaciones bien integradas reportan hasta un 340%. Los equipos suelen recortar el coste por lead un 40–60% porque el bot hace el trabajo de cualificación que antes hacía un SDR junior en inbound. La adopción ha seguido el ritmo: alrededor del 60% de las empresas B2B ya usan chatbots de alguna forma, muy por encima de hace un par de años.

Pero el riesgo es igual de real, y suele ser autoinfligido. Un bot mal diseñado —que entra en bucle, no sabe escalar a un humano o interroga antes de ayudar— convierte peor que el formulario que sustituyó. La ventaja de 2,4× asume un bot genuinamente conversacional y genuinamente útil. Encaja un árbol de decisión torpe en tu página de precios y solo conseguirás molestar a tus mejores compradores.

Tres salvaguardas separan a los ganadores de los casos de aviso: ofrece siempre una vía rápida hacia un humano, nunca hagas una pregunta de cualificación antes de entregar valor, y devuelve cada conversación a tu capa de datos para que el bot mejore y tu enrutamiento se afine. Ese bucle de datos solo funciona si tu base de datos está limpia, la infraestructura que cubrimos en Datos de Primera Parte en la Era IA.

En Resumen: Conversación Donde Importa

El formulario estático no ha muerto: solo ha sido degradado. Para captaciones transaccionales de baja intención, un formulario corto sigue siendo la herramienta más limpia que tienes. Pero para los momentos que de verdad deciden el pipeline —la solicitud de demo, la consulta de precios, la evaluación enterprise— una conversación que cualifica, ramifica y enruta convertirá más que un formulario por un margen amplio y consistente.

La jugada ganadora en 2026 no es «chatbots en todas partes». Es quirúrgica: identifica los dos o tres momentos de alta intención donde tu formulario tiene fugas, sustitúyelos por una conversación construida sobre lógica de cualificación real, y cablea el resultado en tu CRM para que cada lead llegue puntuado y enrutado. Haz eso y no solo captarás más leads: captarás mejores, y le darás a tu equipo comercial una ventaja de salida en lugar de una hoja de cálculo.

La captación de leads dejó de ser un problema de recogida de datos hace años. Ahora es un problema de cualificación, y la cualificación es una conversación.

Convierte tus páginas de mayor intención en conversaciones que cualifican

Ayudo a equipos B2B a sustituir formularios con fugas por captación conversacional donde importa: construida sobre lógica BANT/MEDDIC, enrutada a tu CRM y diseñada para entregar a ventas un lead puntuado en lugar de uno en crudo. Nada de bots de pegamento. Un sistema de captación que se gana su mejora de conversión.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →
Categorías
Entrada de Blog

MMM vs Atribución vs Incrementalidad: El Marco de Medición para 2026

La mayoría de los equipos de marketing siguen discutiendo sobre medición como si tuvieran que elegir un ganador: MMM o atribución o incrementalidad. Ese planteamiento es justo la razón por la que tantos van a ciegas en 2026. Las cookies desaparecieron, la atribución multitoque dejó de funcionar para social de pago sin que nadie lo anunciara, y la IA ya forma parte del flujo de medición como un compañero de equipo, no como un generador de informes. Los equipos que van por delante no son los que eligieron el método «correcto» — son los que aprendieron cuándo usar cada uno y conectaron los resultados directamente a las decisiones de presupuesto. Este es el marco de decisión.

Analítica y Medición

¿Por Qué Dejó de Funcionar la Atribución Multitoque?

Durante una década, la atribución multitoque (MTA) fue la respuesta por defecto a «¿qué está generando ingresos?». Cosías cada punto de contacto, repartías crédito fraccionado y optimizabas. Dependía de una sola cosa: poder seguir a un mismo usuario entre canales y sesiones. En 2026, esa base ha desaparecido en gran parte.

Las cookies de terceros están obsoletas, el ATT de Apple cortó una porción enorme de la señal móvil hace años, y las leyes de privacidad estatales no dejan de apretar lo que puedes recoger. El resultado es contundente: la MTA dejó de reportar con fiabilidad para social de pago y buena parte de display. Alrededor del 43% de los equipos que adoptaron MMM citan la pérdida de señal como el detonante principal — no se enamoraron del MMM, su stack de atribución simplemente se rompió.

Es la misma historia estructural que trazamos en Atribución de Marketing en 2026: Qué Está Generando Ingresos. Aquel artículo preguntaba qué señales siguen diciendo la verdad. Este responde la pregunta siguiente: si ningún método es fiable por sí solo, ¿cómo decides realmente qué medir con qué?

El cambio mental:
Deja de preguntar «¿qué herramienta de medición es la mejor?». Empieza a preguntar «¿qué pregunta estoy respondiendo, y en qué horizonte temporal?». El método se deriva de la pregunta — no al revés.

MMM vs MTA vs Incrementalidad: ¿Cuál, y Cuándo?

Estos tres métodos responden preguntas distintas en relojes distintos. Elegir entre ellos es un error de categoría. La habilidad está en saber qué trabajo hace bien cada uno — y dónde te miente cada uno.

Método Ideal para Horizonte Cuidado con
MMM Asignación de presupuesto trimestral y anual en TODOS los canales, incluido offline Lento (mensual/trimestral) Granularidad gruesa; no optimiza un anuncio concreto
Incrementalidad Probar el lift causal antes de escalar inversión en un canal Medio (duración del test) Exige disciplina de diseño; no es always-on
MTA Optimización diaria a nivel campaña dentro de canales ya validados Rápido (diario) Poco fiable donde se pierde señal (social de pago, display)

Lee esa tabla como una secuencia, no como un menú. El MMM fija la asignación estratégica: cuánto va a search de pago vs. social vs. marca vs. offline este trimestre. La incrementalidad valida las afirmaciones causales que hacen el MMM y tus plataformas, antes de meterles presupuesto. La MTA se encarga del ajuste fino del día a día dentro de los canales que ya has demostrado que funcionan. Cada uno entrega el testigo al siguiente.

Idea Clave

La jugada ganadora en 2026 no es elegir un método de medición. Es la triangulación: MMM para la gran asignación, incrementalidad para probar causalidad, atribución para optimizar dentro de canales validados — con los resultados realmente conectados a las decisiones de presupuesto.

Un marco de medición sobre el que nadie actúa es solo un dashboard caro.

¿Por Qué el MMM Es de Repente Asequible?

El MMM solía ser cosa de marcas con 200.000–500.000 € para un proyecto de consultoría y un equipo de data scientists internos para interpretarlo. Esa barrera cayó. El modelo open-source Meridian de Google redujo el coste de entrada a unas pocas semanas de trabajo interno, y el 38% de los nuevos adoptantes de MMM dice que es la razón por la que pudieron empezar siquiera.

La metodología también maduró. El MMM moderno usa datos de grano diario en vez de agregados semanales, integra geo-experimentos para calibrar el lift causal, y usa calibración de priors mediante IA en lugar de la intuición del consultor — reconstruido mensualmente, no anualmente. Esa es la diferencia entre un modelo que te cuenta qué pasó el año pasado y uno que informa lo que gastas el mes que viene.

Las cifras de adopción lo reflejan. Los equipos B2B de mid-market y enterprise están en torno al 31% de adopción de MMM, cinco puntos por encima de la media. El segmento por debajo de 10M trasla con un 14%, sobre todo porque ahí la capacidad de datos interna sigue siendo escasa — que es exactamente donde un consultor o un equipo externo ágil se gana el sueldo.

Los geo-experimentos son el puente a prueba de privacidad

La técnica más infravalorada del stack de 2026 es el geo-experimento: apartas una región, lanzas la campaña en el resto, y mides la diferencia. Como funciona sobre datos agregados de ubicación y no sobre identidad a nivel de usuario, esquiva el muro de la privacidad por completo. En un conjunto de 225 geo y holdout tests, el ROAS incremental mediano se situó en 2,31, con un 88% de los tests bien diseñados alcanzando significancia estadística. Esa es la prueba causal que la MTA ya no te puede dar — y es como el MMM moderno se calibra a sí mismo.

Dónde conecta esto con tu capa de datos:
Nada de esto funciona con datos fragmentados. El MMM, los geo-experimentos y la incrementalidad asumen inputs limpios y unificados. Si tu CRM, tus plataformas de ads y tu analítica no cuadran, estás modelando ruido. Profundizamos en esa base en Datos de Primera Parte en la Era IA.

¿No tienes claro qué método necesita de verdad tu inversión?

La mayoría de equipos sobre-invierten en dashboards e infra-invierten en prueba causal. Ayudo a equipos B2B a montar un stack de medición triangulado — MMM para asignar, geo-tests para causalidad, atribución para ajustar — dimensionado a su presupuesto y conectado a decisiones reales.

Mapea tu stack de medición →

¿Qué Añade Realmente la IA a la Medición en 2026?

Hay mucho ruido sobre la «medición potenciada por IA». Quita el marketing y la IA juega tres papeles concretos y aditivos — ninguno sustituye a los métodos de arriba, todos los hacen más rápidos y menos dependientes de un especialista.

Calibra los modelos. La selección de priors mediante IA en el MMM moderno reemplaza la parte que antes era intuición del consultor — las suposiciones informadas sobre cómo se comportan los canales. Es lo que permite reconstruir un modelo cada mes en vez de cada año.

Ejecuta el bucle de análisis. La IA agéntica ya está desplegada en el flujo de medición como un compañero que aporta: tira los datos, marca anomalías, redacta la lectura y propone el siguiente test — de modo que un equipo pequeño opera un stack que antes necesitaba un analista dedicado.

Acorta el bucle de feedback. El sentido de la medición moderna es actuar más rápido. La IA comprime el tiempo entre «el test concluyó» y «ya hemos reasignado el presupuesto» de semanas a días. Si estás construyendo esa cadencia operativa, es la misma lógica que vimos en Loop Marketing — la medición es la etapa Evolve del bucle.

Un Stack Práctico Que Puedes Montar de Verdad

Olvídate de la versión enterprise con un equipo de medición de doce personas. Esta es la versión ágil y realista para 2026, para un equipo B2B de mid-market o para el consultor que lleva el stack:

1. Anual/trimestral: Lanza un MMM (Meridian o un proveedor) para fijar la asignación top-line entre paid, owned, earned y offline. Este es tu mapa de dónde debería ir el dinero.

2. Antes de escalar cualquier canal: Lanza un geo-experimento o holdout para probar que el lift es real. No escales solo con el ROAS que reporta la plataforma — las plataformas se corrigen sus propios exámenes.

3. Diario/semanal: Usa atribución (GA4, datos de plataforma) solo dentro de canales que ya has validado, para optimización táctica — nunca como fuente de verdad sobre si un canal funciona.

4. Siempre: Mantén la capa de datos limpia y deja que la IA lleve el bucle — tirar, marcar, leer, proponer. La medición solo crea valor cuando el resultado cambia una línea de presupuesto dentro del mismo ciclo.

En Resumen: Triangula y Luego Actúa

El debate de medición de la última década — MMM contra atribución contra testing — siempre fue una falsa elección. En un 2026 post-cookie y asistido por IA, ningún método es fiable solo, y está bien, porque nunca debieron hacer el mismo trabajo. El MMM asigna, la incrementalidad prueba, la atribución ajusta. La IA hace que todo el bucle sea lo bastante rápido para importar.

Los equipos que ganan no son los del modelo más sofisticado. Son aquellos cuya medición mueve dinero de verdad — donde un geo-test concluido cambia el presupuesto del mes que viene, no la diapositiva del año que viene. Triangula los métodos, mantén los datos limpios, deja que la IA lleve el bucle, y asegúrate de que cada lectura termina en una decisión.

La medición ya no es una función de reporting. Es el volante. La única pregunta es si el tuyo está conectado a las ruedas.

Monta un stack de medición que mueva presupuesto, no solo dashboards

Ayudo a equipos de marketing B2B a diseñar un stack de medición triangulado y a prueba de privacidad — MMM para asignar, geo-experimentos para prueba causal, atribución para el ajuste diario — dimensionado a tu presupuesto y conectado a decisiones reales. Sin reporting de vanidad. Un sistema que te dice dónde invertir lo siguiente.

Hablemos →

Nacho Hernández

Nacho Hernández
Marketing & Business Consultant · Studio Ideago
LinkedIn →