Nuestra IA no sabía responder una pregunta que parece de cajón: ¿qué canal nos trae dinero de verdad? No porque el modelo fuera torpe, sino porque nadie le había dado los datos en un sitio donde pudiera cruzarlos. Tardamos un tiempo en darnos cuenta de que el problema no era la pregunta ni la IA, era que la respuesta estaba repartida en cuatro sitios distintos que no se hablaban entre sí.
Lo contamos tal cual pasó porque es un problema que tiene cualquier pyme que publica en varias redes y factura por otro lado: el "cuántos likes tengo" es fácil de mirar, y el "qué canal me trae clientes" casi nunca lo es.
El problema: cuatro paneles, ninguna respuesta
En AutoBoost publicamos contenido a diario en LinkedIn, Threads, Facebook e Instagram, además de mantener el blog y cobrar por suscripción a través de Stripe. Cada pieza vive, de forma nativa, en su propio panel: el de LinkedIn cuenta impresiones de LinkedIn, el de Meta cuenta lo de Instagram y Facebook, y Stripe cuenta ingresos, sin saber de dónde vino el cliente que pagó.
Si le preguntas a una IA "qué red me trae más dinero" con esos cuatro paneles abiertos, lo único que puede hacer es opinar sobre trozos sueltos: cuántos likes tiene cada uno, como mucho. No puede cruzar "esta visita vino de Threads" con "este cliente pagó 400 euros", porque en ningún sitio existe esa relación. La IA no falla por el modelo. Falla porque el dato que necesita para responder no existe en ningún lugar unificado.
Por qué pasaba: el dato vivía en cuatro sitios que no se hablaban
Antes de tocar nada de IA, hicimos el inventario de dónde vivía cada pieza de información:
- Redes sociales: impresiones, clics y guardados, cada red en su propia API, con sus propios nombres de campo (que además cambian sin avisar, como nos pasó con las métricas de Meta).
- Web: visitas, tiempo de lectura y desde qué red llegó cada sesión, en nuestro propio tracker.
- Leads: quién rellenó el formulario de contacto o escribió por WhatsApp, y desde qué artículo llegó.
- Ingresos: quién pagó, cuánto y cuándo, dentro del ledger de Stripe.
Cuatro sistemas, cuatro identidades distintas para la misma persona. Ninguno hablaba con los otros tres. Y sin esa conversación, ni un director de marketing ni una IA pueden responder "qué canal me trae dinero": solo pueden responder "qué canal tiene más impresiones", que es una pregunta muy distinta y, para el negocio, mucho menos útil.
Lo que montamos: una base de datos, no una herramienta nueva
La solución no fue comprar un software de atribución de marketing (existen, y son caros). Fue construir una app interna que centraliza 3 redes sociales en una sola base de datos, con 30 días de métricas diarias guardadas para poder ver tendencia, no solo la foto de hoy. Son 4 apps (blog, redes, leads, panel) que comparten el mismo middleware y la misma base de datos, en vez de cuatro sistemas sueltos con exportaciones manuales entre medio.
El detalle que más nos gustó de todo el proyecto: los ingresos no necesitaron ninguna herramienta nueva. Ya estaban ahí, en el ledger de Stripe, esperando a que alguien los conectara con el resto. El trabajo real no fue "montar algo para medir ingresos", fue enlazar lo que ya existía: el slug del artículo que trajo la visita, la red de la que vino esa visita, y el ID del cliente que acabó pagando, todo bajo la misma referencia.
Eso es, literalmente, "primero se ordena el dato, luego se aplica la IA": la parte difícil y la que de verdad vale dinero no es la IA, es dejar el dato en un estado donde una pregunta de negocio tenga respuesta.
Qué le puede preguntar ahora la IA a ese dato
Con las cuatro fuentes bajo la misma base, la pregunta que antes era imposible pasa a tener respuesta directa: qué red trajo la visita, qué visita se convirtió en lead, y qué lead acabó pagando. La IA (o cualquier panel, con o sin IA) ya no opina sobre likes: cruza identidades reales y contesta con un embudo completo, no con cuatro números sueltos que no se pueden sumar.
Es exactamente el mismo patrón que usamos en el caso de una plataforma de datos e IA que montamos para un grupo de farmacias: la IA no empezó a razonar de verdad sobre las ventas hasta que el dato de varias oficinas quedó unificado en un solo sitio. Aquí el negocio es distinto (marketing en vez de venta de farmacia), pero la lección es idéntica.
El checklist antes de meter una IA a tus paneles
Si estás pensando en pedirle a una IA que te diga qué canal, qué producto o qué campaña te da dinero de verdad, comprueba esto antes de escribir el primer prompt:
| Pregunta | Si la respuesta es "no" |
|---|---|
| ¿Tus canales y tus ingresos comparten un identificador común (un cliente, un lead, un pedido)? | La IA solo podrá comparar números sueltos, nunca causa y efecto |
| ¿Los ingresos ya viven en un sistema fiable (facturación, banco, Stripe)? | No inventes un panel nuevo para algo que ya existe: conéctalo |
| ¿Puedes responder "qué canal trae dinero" sin abrir más de una pestaña? | Ese es el trabajo real pendiente, y va antes que cualquier IA |
| ¿Guardas histórico, no solo la foto de hoy? | Sin tendencia, cualquier decisión se basa en un solo día, bueno o malo |
Si alguna respuesta es "no", ese es el proyecto que hay que hacer primero. No es un paso previo aburrido antes de "la parte de IA": es la parte que hace que la IA, cuando llegue, diga algo verdad en vez de una opinión bonita sobre likes.
Cómo lo hacemos en AutoBoost
Este es el mismo enfoque que aplicamos en los proyectos de clientes: antes de prometer un asistente o un agente de IA, miramos si el dato que necesita ese agente vive en un sitio donde se le pueda dar de comer. Muchas veces el proyecto más rentable no es "meter IA", es dejar el dato en condiciones, algo que también cubrimos en detalle en nuestros servicios.
Si tu empresa tiene el mismo problema (paneles sueltos, ninguno que cruce con los ingresos), cuéntanos qué datos manejas hoy y en cuántos sitios distintos viven. Podemos ayudarte a verlo. Habla con nosotros.
