La inteligencia artificial aplicada al CRO acelera el análisis de datos, la generación de hipótesis, el prototipado y la documentación, pero no sustituye la priorización ni la interpretación de los resultados. En Bring la usamos en todos los proyectos de optimización de la conversión con una regla fija: la IA amplía lo que abarcamos; las personas deciden qué pasa a producción.
«Si tu cliente le pregunta a ChatGPT, al gratis, ¿le va a decir lo mismo que tú? En muchos casos la respuesta es sí. Entonces, ¿cuál es tu valor? Tiende a cero». Lo dijo Ricardo Tayar (Flat 101) en la mesa redonda sobre CRO y growth en tiempos de la IA que organizamos el 28 de julio, junto a Ubaldo Hervás (LIN3S) y José Carlos Cortizo, Corti (Product Hackers).
Salimos de esa conversación con unas cuantas premisas, y con una pregunta incómoda que nos hicimos a nosotros mismos: ¿qué ha cambiado de verdad en cómo trabajamos?
Este artículo es nuestra respuesta: no un resumen de la charla, sino lo que la IA ha cambiado en los proyectos de optimización de la conversión en Bring, con ejemplos reales, y lo que hemos decidido no cambiar.
Análisis cuantitativo con IA: de una mañana cruzando tablas a minutos
De los cinco cuellos de botella de la experimentación (detectar oportunidades, crear variantes, implementar, esperar el test, pasar a producción), la IA ha derribado casi todos. El primero, detectar, es el que más ha cambiado.
— Ubaldo Hervás
Un ejemplo concreto de nuestro día a día. Para identificar los términos transaccionales por los que posiciona un sitio, nuestro proceso era este: sacar en GA4 las páginas de destino principales del canal orgánico ordenadas por ingresos, extraer de Search Console las consultas de cada una de esas URL, y asignar pesos a las consultas para inferir qué keywords estaban trayendo las conversiones. Con esa lista priorizábamos la optimización. Ese cruce nos llevaba una mañana de trabajo. Hoy son unos minutos: la IA consulta directamente GA4 y Search Console, hace el cruce y nos devuelve la priorización para discutirla, no para construirla.
Donde más hemos ganado es en capacidad de reconocer patrones. En un ecommerce, cruzando el histórico de devoluciones con los comentarios y reseñas, vimos que se concentraban en una categoría concreta de producto y que la causa era el tallaje: la ficha no comunicaba bien el ajuste. Ese tipo de cruce antes era trabajo manual que rara vez cabía en el presupuesto de horas; ahora es una sesión de análisis.
Lo mismo con la voz del cliente: recopilar miles de comentarios y valoraciones y clasificarlos en positivos, negativos y neutros para extraer los temas que mueven la satisfacción. Es investigación de usuarios que antes hacíamos sobre muestras pequeñas y ahora hacemos sobre el corpus completo.
Análisis heurístico con IA: el experto no cambia, su alcance sí
La IA no sustituye el análisis heurístico del experto: lo complementa. La diferencia está en el alcance. Antes, como expertos, analizábamos los flujos principales, aquellos donde detectábamos caídas o fugas de tráfico, porque el tiempo no daba para más. Ahora podemos analizar un volumen mucho mayor de flujos y llegar donde antes no llegábamos.
Un ejemplo reciente: en la auditoría de un ecommerce revisamos flujos que normalmente quedan fuera del alcance por horas, entre ellos el listado de colección en móvil. Ahí apareció un hallazgo que el análisis de los flujos principales no había priorizado: los filtros quedaban ocultos en un carrusel horizontal cortado y el usuario acababa tirando del buscador. Entró al roadmap como quick win. Lo que cambia es cuánto territorio puede cubrir el mismo experto.
Del hallazgo a la propuesta: prototipos en alta fidelidad y documentación en el mismo flujo
Crear variantes e implementar ya no son cuellos de botella; la capa de ejecución se ha abaratado.
— Consenso de los ponentes
Dos cambios muy visibles en cómo entregamos. El primero, el prototipado: antes hacíamos wireframes a baja fidelidad por pura capacidad. Ahora el equipo entrega propuestas de solución con prototipos de alta fidelidad (con herramientas del tipo Lovable, por citar una), y eso cambia la conversación: el equipo y el cliente ven la propuesta en lugar de imaginársela. En una auditoría reciente generamos así seis mockups: página de producto, filtros de colección, carrito, captación de email, a partir de los hallazgos y con un sistema de diseño fiel a la estética del cliente.
Y ahí también aprendimos dónde está el límite: uno de los mockups proponía como punto de venta un retailer que había cerrado el año anterior, y otro usaba un umbral de envío gratis que no era el real. Dos errores perfectamente plausibles que solo el conocimiento del negocio caza. La revisión humana de lo que genera la IA no es un trámite: es donde se protege la credibilidad ante el cliente.
El segundo, la documentación, el coste oculto de cualquier agencia. En una auditoría CRO, una parte importante del tiempo se iba en montar la presentación de hallazgos. Hoy la genera nuestro propio sistema a partir de nuestro sistema de diseño y de los datos que hemos ido recogiendo durante la auditoría. El tiempo que liberamos va a análisis, no a maquetar.
La consecuencia de ambas cosas es un flujo de trabajo continuo: análisis, definición de hipótesis, priorización, diseño de la solución y lanzamiento del test viven en el mismo hilo. Antes la documentación de cada proyecto vivía en herramientas separadas; ahora todo está en el mismo entorno de trabajo, y los hallazgos de un proyecto quedan registrados y disponibles para el siguiente del mismo sector.
Inferencia causal con IA: los análisis que antes no entraban en el proyecto
El trabajo sube de nivel de abstracción; capacidades que exigían perfiles técnicos dedicados quedan al alcance del especialista.
— Ubaldo Hervás / Manuel Berthollet
Este es el cambio que más ha ampliado lo que podemos ofrecer. Hasta hace poco, un análisis de diferencias en diferencias (DiD) o un ITSA (análisis de series temporales interrumpidas) no eran viables para nosotros: exigían escribir Python o R. Hoy el script ya no es la barrera: las librerías y el conocimiento de la comunidad existen, y la IA los opera, y el analista se centra en lo que sí es su trabajo: elegir el test adecuado según la distribución y el tamaño de la muestra, evaluar su potencia estadística (la probabilidad de detectar un efecto real si existe) e interpretar el resultado en términos de negocio.
Un ejemplo real de por qué esto importa. Un cliente lanzó un rediseño completo de su sitio web. La comparativa simple de antes y después decía que las transacciones aguantaban (+0,2%) y que el problema era el ticket medio (−11,8%). Conclusión aparente: optimizar el ticket.
El ITSA contó la historia completa: hubo un shock negativo inmediato y estadísticamente significativo el día del lanzamiento; los ingresos y el ticket medio se estaban recuperando a un ritmo medible (en torno a +52 € y +1 € al día); y las transacciones, la métrica que la comparativa daba por sana, eran justo lo que no se estaba recuperando, con tendencia plana. El impacto acumulado de las primeras ocho semanas superaba los 65.000 € en ingresos y, al ritmo observado, faltaban unos 50 días para volver al nivel previo. Con la lectura simple habríamos priorizado la métrica equivocada. Ese es el tipo de análisis que hace unos meses no era viable dentro del presupuesto de horas de un proyecto tipo.
La lectura de fondo: el perfil en T que siempre ha pedido este sector no desaparece: se hace más profundo en todas sus ramas. El mismo consultor que hace el análisis heurístico ahora corre el modelo causal: quien domina el concepto puede ejecutarlo.
El nuevo cuello de botella del CRO con IA: decidir qué pasa a producción
«Eso no se llama intuición. Es una acumulación de experiencia: el tiempo y la diversidad en aquello que has ejecutado». El criterio no se sustituye.
— Ricardo Tayar
Aquí va nuestra conclusión más importante después de meses trabajando así: la identificación de oportunidades ya no es el problema. Tenemos más volumen de detección que nunca: más ideas, más hipótesis, más propuestas de solución. La implementación tampoco es el freno. El cuello de botella se ha desplazado a la priorización: decidir qué oportunidades van a tener mayor impacto en el negocio del cliente y qué pasa a producción. El coste de oportunidad sigue estando ahí.
No es una conclusión solo nuestra. Amol Avasare, Head of Growth de Anthropic, contaba en una entrevista en Lenny’s Podcast que los perfiles que están contratando son product managers: las personas que deciden qué funcionalidad se desarrolla y cuál no. Cuando la ejecución se abarata, el valor se concentra en quien decide.
Por eso hay cosas que en Bring no delegamos, por diseño:
- La duración del test A/B: seguimos dimensionando muestra, MDE (el efecto mínimo detectable) y duración con checklist pre-test. Un test A/B necesita el tiempo que necesita; quien te prometa lo contrario está vendiendo otra cosa.
- La interpretación de los resultados: la IA propone el análisis; la lectura estadística y de negocio la firma una persona.
- La decisión de qué pasa a producción: se toman con el dato y con criterio de negocio, no dictadas por el p-valor.
- La responsabilidad: todo entregable tiene una persona identificada que lo revisa y responde por él, por política interna.
Mejorar el sistema que mejora: nuestra capa de aprendizaje continuo
«Su trabajo no es muchas veces analizar un sitio web, sino mejorar un sistema agéntico que mejora un sitio web».
— Ubaldo Hervás, sobre cómo operan ya las grandes corporaciones
Esto, que suena abstracto, en Bring es rutina diaria. Operamos sobre un sistema propio compuesto de skills (procesos estandarizados), agentes especializados por disciplina, reglas y una wiki de conocimiento interna. Y el sistema se mejora a sí mismo con uso: al cerrar una sesión de trabajo hacemos una retrospectiva; si detectamos algo que facilitaría el flujo, se implementa como mejora del propio proceso y la lección aprendida queda registrada en la wiki. Cuanto más lo usa el equipo, más se afina.
Un ejemplo de cómo funciona en la práctica. En una auditoría CRO reciente, la retrospectiva de cierre detectó que nuestro proceso estándar se quedaba corto en dos bloques que el proyecto había pedido a gritos: un análisis de negocio previo (entender el modelo antes de tocar la conversión) y un árbol de objetivos que conectara cada hallazgo con la métrica de negocio a la que sirve. Esa carencia no se apuntó en un documento que nadie relee: se incorporó al proceso de auditoría y quedó registrada en la wiki interna con su fecha y su contexto. La siguiente auditoría arrancó con esos dos bloques de serie. Eso es “mejorar el sistema que mejora”: el proyecto no solo entrega valor al cliente: deja el proceso mejor de lo que lo encontró.
En la mesa hubo un debate honesto sobre esto: Corti defendía el cerebro organizacional como camino inevitable (Product Hackers acumula, según contó Corti en la mesa, más de 7.500 experimentos documentados), y Tayar advertía del riesgo real: el conocimiento acumulado construye sesgo, y lo que funcionó en 2023 puede no funcionar hoy. Nuestra respuesta práctica a esa objeción: las lecciones se guardan con fecha y contexto, y se revisan periódicamente. El conocimiento caduca; el sistema para capturarlo y depurarlo, no.
Lo que no ha cambiado (y no va a cambiar)
Después de todo lo anterior, lo honesto es cerrar con lo contrario. Para nuestros clientes hay tres cosas que siguen exactamente igual: el método (datos, hipótesis, experimento, aprendizaje), una persona responsable detrás de cada entregable, y un test A/B que dura lo que la estadística diga que dura. Aplicar inteligencia artificial al CRO ha cambiado cuánto abarcamos y a qué velocidad; no ha cambiado quién decide ni cómo se valida.
Y una advertencia honesta: esta foto caduca en meses: lo que hoy contamos como diferencial será estándar. Nuestra forma de asumirlo: la capa de ejecución se renueva cada pocos meses; el método y la responsabilidad, no.
Si quieres ver cómo sería esto aplicado a tu negocio (dónde está perdiendo conversión tu web y qué priorizaríamos nosotros), podemos analizarlo contigo.
Preguntas frecuentes sobre CRO e inteligencia artificial
¿Va a sustituir la IA a los especialistas en CRO?
No. En nuestra experiencia, la IA absorbe la ejecución (análisis, variantes, documentación) y desplaza el valor del especialista hacia la priorización y la decisión: qué oportunidades tienen más impacto en el negocio y qué pasa a producción. El volumen de trabajo analizable crece; el criterio para filtrarlo sigue siendo humano.
¿Siguen teniendo sentido los tests A/B con IA?
Sí, y se pueden lanzar más que antes porque idear, prototipar e implementar cuesta menos. Lo que la IA no acelera es la duración del propio test: la significancia estadística exige un tamaño de muestra y un tiempo que dependen del tráfico, no de la herramienta. Nosotros seguimos dimensionándolos con checklist pre-test.
¿Qué es la IA agéntica aplicada al CRO?
Son sistemas de IA que ejecutan procesos completos con autonomía supervisada: consultan las fuentes de datos, cruzan la información, proponen hipótesis priorizadas y documentan los hallazgos. Aplicada al CRO, cubre la capa operativa del proceso de experimentación; la interpretación y la decisión quedan del lado humano. Definición general: IBM: ¿Qué es la IA agentiva?
Auditar es el inicio. Dominar la Conversión es el resultado. Descarga nuestro Ebook Experto en CRO para aplicar las tácticas más avanzadas.
Recibirás 1 email con nuestro Ebook de CRO antes de lo que esperas.
Me encargo de optimizar la conversión, siempre desde el conocimiento de las necesidades y problemáticas del usuario.