Ventas y experiencia del clienteGrowth Transformation
Conseguir clientes ya no es suficiente. La rentabilidad se decide en toda la relación comercial
La inteligencia artificial está transformando cómo las empresas venden, atienden y entregan valor. Pero también está cambiando lo que los clientes necesitan contratar, cuánto están dispuestos a pagar y qué esperan recibir a cambio.
Una empresa puede cerrar su mejor año en ventas y, al mismo tiempo, ganar menos con cada cliente que el año anterior. Incorporó cuentas, respondió más rápido, implementó un CRM y sumó un asistente de inteligencia artificial que atiende las 24 horas. Todos los indicadores de actividad mejoraron. Lo que no siempre aparece en el tablero es que algunas de esas cuentas exigen más horas de las que pagan, que una parte de los contactos se repite porque el problema no se resolvió la primera vez y que ciertos clientes ya hacen por su cuenta, con su propia IA, el trabajo que antes contrataban.
Facturación y rentabilidad no son lo mismo. Tampoco lo son adquirir clientes y crear valor con ellos, automatizar y resolver, o responder rápido y ofrecer una buena experiencia. La inteligencia artificial vuelve más urgente esa distinción porque actúa de los dos lados de la relación: cambia el costo de vender, atender y entregar para el proveedor, y cambia lo que el comprador puede hacer sin él.
La pregunta ya no es cuántos clientes consigue una empresa, sino qué relaciones comerciales puede sostener con rentabilidad.
Ideas clave
- Más clientes no implica necesariamente más valor: los clientes difieren en contribución, costo de servir y valor futuro, y una parte puede destruir rentabilidad.
- La rentabilidad de una relación se decide antes de la firma (calificación, precio, alcance) y después de ella (entrega, atención, renovación).
- Automatizar conversaciones no equivale a resolver problemas. Un canal disponible las 24 horas puede aumentar el esfuerzo del cliente si no tiene capacidad de solución.
- La evidencia más sólida sobre productividad con IA corresponde a IA que asiste a personas, no a sistemas que reemplazan por completo la atención humana.
- La IA reduce el costo de ejecutar tareas para ambos lados. El riesgo para un proveedor es seguir cobrando por lo que el cliente ya puede hacer solo y no entregar lo que el cliente no puede o no quiere hacer.
- En América Latina, el uso de IA por parte de las personas supera al promedio global mientras la inversión empresarial queda rezagada, y la tolerancia a una mala experiencia es baja.
Más ventas no garantizan más valor
Facturación, margen bruto, contribución, rentabilidad por cliente y valor del cliente en el tiempo (customer lifetime value, CLV) son medidas distintas. La facturación indica cuánto paga un cliente. El margen bruto descuenta el costo directo de lo que se le vende. La contribución descuenta, además, los costos de servirlo: horas de atención, personalización, cambios de alcance, soporte, logística o descuentos. La rentabilidad por cliente incorpora también el costo de haberlo adquirido. Y el CLV estima el valor económico esperado de la relación completa, considerando cuánto tiempo puede durar y cómo puede evolucionar.
Un ejemplo ilustrativo, sin datos reales, muestra por qué esas diferencias importan. El cliente A factura USD 10.000 y sus costos directos y de servicio suman USD 8.500: deja una contribución de USD 1.500. El cliente B factura USD 8.000 con costos de USD 4.500: deja USD 3.500. El cliente que más factura aporta menos de la mitad de la contribución. Si la organización mide el éxito comercial por facturación, priorizará al cliente equivocado.
Ejemplo hipotético con fines ilustrativos; no incluye costo de adquisición ni CLV. Fuente: Advisent®.
Peter Fader y Sarah Toms parten de una observación que la mayoría de las empresas conoce pero pocas aplican: los clientes son heterogéneos en su valor, y una estrategia centrada en el cliente no consiste en tratarlos a todos de la misma manera, sino en asignar recursos de adquisición, retención y desarrollo según el valor económico esperado de cada relación.1 No implica atender mal a los clientes menos rentables. Implica diseñar experiencias que la empresa pueda sostener económicamente para cada segmento.
La investigación académica confirma que esa heterogeneidad tiene consecuencias. Sunil Gupta, Donald Lehmann y Jennifer Ames Stuart estimaron el valor de cinco empresas a partir del valor de sus clientes y encontraron que, en sus modelos, una mejora del 1% en retención aumentaba el valor de la empresa alrededor de un 5%, frente a cerca de un 1% para una mejora equivalente en margen y un 0,1% en costo de adquisición.2 Son estimaciones basadas en modelos, con datos de comienzos de los 2000 y pocas empresas, pero muestran por qué retener y desarrollar clientes puede pesar más que sumar nuevos. Denish Shah y coautores agregan el matiz incómodo: en cinco empresas analizadas, entre el 10% y el 35% de los clientes que compraban varias líneas de productos o servicios no eran rentables y explicaban entre el 39% y el 88% de las pérdidas.3 Comprar más no siempre significa valer más.
Por eso conviene evitar dos atajos frecuentes. La afirmación de que retener un cliente cuesta cinco veces menos que conseguir uno nuevo circula sin un estudio que la respalde con esa precisión, y depende del sector, de cómo se asignan los costos y del cliente en cuestión. Y la relación de 3 a 1 entre valor del cliente y costo de adquisición es una regla práctica surgida de empresas de software por suscripción, no un estándar universal: su nivel adecuado depende del margen, el tiempo de recupero, el ciclo de venta y el costo del capital. Un cliente retenido que es estructuralmente deficitario no es una victoria económica.
La rentabilidad se decide antes y después de la firma
En muchas empresas de servicios, la economía de una cuenta queda definida antes de que empiece el trabajo. La calificación determina si el cliente tiene el problema, el presupuesto y la madurez para aprovechar lo que se le vende. El precio y los descuentos fijan el margen disponible. El alcance escrito (o su ausencia) define cuánto trabajo adicional se absorberá sin cobrar. Las promesas comerciales establecen expectativas que la operación tendrá que cumplir. Un vendedor que cierra rápido con un descuento agresivo y un alcance ambiguo puede mejorar el resultado del trimestre y empeorar la rentabilidad de los dos años siguientes.
Después de la firma, la venta termina para el vendedor y la experiencia recién empieza para la organización. El paso de ventas a onboarding, delivery, atención y renovación es donde suelen aparecer las brechas: información que no viaja, compromisos que el equipo de entrega no conocía, clientes que tienen que explicar dos veces lo que ya habían explicado. Cuando ventas, marketing y atención funcionan como sistemas separados, nadie es responsable de la economía de la relación completa. Es el problema que analizamos en nuestro artículo sobre RevOps y sistemas de revenue.
¿Cuántas de nuestras cuentas actuales volveríamos a vender en las mismas condiciones de precio, alcance y servicio?
La experiencia del cliente también tiene una estructura de costos
Conviene separar términos que suelen usarse como sinónimos. La experiencia del cliente es la percepción acumulada de todas sus interacciones con una organización. La atención al cliente es el conjunto de interacciones destinadas a resolver consultas, necesidades o problemas. El customer success, propio de los modelos recurrentes, busca que el cliente obtenga resultados y sostenga el uso. Y el costo de servir es lo que cuesta entregar todo eso a cada cliente. Una experiencia excelente que la empresa no puede financiar no es una ventaja: es una promesa que tarde o temprano se degrada.
Matthew Dixon, Karen Freeman y Nicholas Toman cuestionaron en 2010 la idea de que la lealtad se construye superando expectativas de manera constante. A partir de una investigación con más de 75.000 clientes que habían interactuado con centros de contacto o canales de autoservicio, concluyeron que, en situaciones de atención, reducir el esfuerzo necesario para resolver un problema se relacionaba más con la lealtad que intentar deleitar.4 Los datos describen bien dónde se origina el esfuerzo: el 57% de quienes llamaban había intentado antes resolver en la web, y el 56% tuvo que volver a explicar su problema. El libro posterior de Dixon, Toman y Rick DeLisi desarrolla esa idea y el indicador de esfuerzo del cliente (Customer Effort Score).5
Dos advertencias evitan convertir esa investigación en dogma. Sus conclusiones se refieren a interacciones de atención, no a toda la experiencia: en el diseño de un producto o en momentos de alto valor emocional, sorprender puede tener sentido. Y el esfuerzo no es la única variable que explica la lealtad. Lo que sí deja claro es que el esfuerzo tiene un doble costo: deteriora la relación y encarece la operación, porque cada contacto repetido, cada cambio de canal y cada derivación consumen recursos.
Cada contacto que no resuelve es, al mismo tiempo, un costo operativo y un costo en la relación.
Responder no es resolver
Un chatbot puede contestar en segundos y aun así aumentar el esfuerzo del cliente: si no entiende el problema, si obliga a repetir información, si no tiene acceso al sistema donde está la solución, si bloquea el acceso a una persona o si responde algo irrelevante. La disponibilidad las 24 horas resuelve la espera, no el problema. Medir un asistente por la cantidad de conversaciones o por el porcentaje de consultas que no llegan a una persona confunde desvío con resolución: un cliente que abandona el chat no necesariamente quedó atendido.
Los clientes lo están diciendo con bastante claridad. En una encuesta de Gartner a 3.566 clientes de empresas B2B y B2C realizada entre febrero y marzo de 2026, la mitad afirmó que sus interacciones son más fáciles cuando las empresas usan IA generativa, y el 87% consideró esencial que las empresas que la usan ofrezcan la opción de hablar con una persona.10 La misma investigación encontró que los clientes eran unas tres veces más propensos a usar herramientas de IA generativa propias o de terceros que el chatbot de la empresa para resolver un problema de servicio.11 La pregunta para cualquier empresa es incómoda: si el cliente prefiere preguntarle a su propio asistente, ¿qué valor agrega el nuestro?
Hay evidencia académica de que la implementación importa. Cammy Crolic y coautores mostraron, con datos de campo y cuatro experimentos, que cuando el cliente llega enojado, un chatbot con apariencia humana reduce su satisfacción, su evaluación de la empresa y su intención de compra; el efecto no aparece con clientes que no están enojados.9 Y hay casos visibles de corrección: en 2025, Klarna, que había promocionado la sustitución de agentes por IA, anunció que volvería a contratar personas para que sus clientes siempre pudieran hablar con alguien, y su director ejecutivo reconoció que el enfoque centrado en costos había producido menor calidad.23 No fue un abandono de la IA, sino un ajuste del modelo.
En América Latina, el margen de error es menor. Según el informe CX Trends 2025 de Zendesk, el 84% de los consumidores latinoamericanos cambiaría de marca después de una sola mala experiencia, frente al 58% en Europa y al 51% en Norteamérica; al mismo tiempo, el 73% dijo que no le importa si lo atiende una IA o una persona, siempre que le resuelvan el problema.24 Son datos de un proveedor de software de atención y miden intenciones, no comportamientos, pero apuntan en la misma dirección: el cliente no exige un canal humano por principio, exige resolución. A eso se suma el canal. En un estudio encargado por Meta a Kantar en 22 mercados, incluidos Argentina, Brasil, Colombia y México, el 73% de los adultos encuestados prefirió contactar a las empresas por mensajería y el 75% dijo confiar más en una empresa a la que puede escribirle.25 En la región, venta, atención y posventa suelen ocurrir en la misma conversación de WhatsApp. Un asistente que falla ahí no falla en soporte: interrumpe la relación comercial completa.
| Modelo | Qué hace | Dónde suele funcionar | Riesgo principal |
|---|---|---|---|
| Solo IA | Responde y, si está integrada, ejecuta | Consultas simples, frecuentes y de bajo riesgo | Desvío sin resolución y frustración |
| Solo personas | Atención humana completa | Situaciones complejas, emocionales o de alto valor | Costo elevado y capacidad limitada |
| IA que asiste a personas | Sugiere respuestas, resume, busca información | Equipos con alta rotación o casos variados | Dependencia sin criterio propio |
| IA con derivación a personas | Resuelve lo simple y deriva lo demás con contexto | Volumen alto con casos mixtos | Derivaciones que obligan a repetir información |
| Agentes autónomos con supervisión | Ejecutan tareas de punta a punta bajo control humano | Procesos estandarizados con sistemas integrados | Errores con consecuencias y responsabilidad difusa |
Las métricas que permiten distinguir entre responder y resolver existen: resolución en el primer contacto, tasa de contactos repetidos, resolución exitosa en autoservicio, tasa de derivación a personas, tiempo hasta la resolución, esfuerzo del cliente, tasa de error y costo por caso resuelto, no por conversación atendida. A partir de ahí pueden vincularse con conversión, retención y contribución.
Automatizar más no significa ganar más
El estudio más citado sobre productividad con IA generativa en atención es, en realidad, un estudio sobre personas asistidas por IA. Erik Brynjolfsson, Danielle Li y Lindsey Raymond analizaron la implementación escalonada de un asistente conversacional que sugería respuestas a 5.172 agentes de atención de una empresa. La productividad, medida como problemas resueltos por hora, aumentó en promedio alrededor de un 15%, con mejoras mayores en velocidad y calidad entre los agentes menos experimentados y efectos pequeños en los más experimentados, que incluso mostraron leves caídas de calidad.8 El estudio también registró clientes más corteses y menos pedidos de hablar con un supervisor. Lo que no demuestra es que un chatbot autónomo produzca esos resultados. La diferencia entre IA que asiste a una persona e IA que la reemplaza es central para interpretar cualquier promesa de productividad.
La productividad, además, no se convierte automáticamente en rentabilidad. En otra encuesta de Gartner a 1.303 líderes de distintas funciones, solo el 24% de los responsables de atención y soporte había logrado demostrar retornos financieros positivos en sus casos de uso de IA, pese a que esa función era, entre las diez analizadas, la que destinaba a IA la mayor proporción de su presupuesto.11 No haber demostrado un retorno no es lo mismo que no tenerlo, pero el dato muestra cuán difícil resulta conectar eficiencia operativa con resultados económicos. McKinsey encontró, en una encuesta a 440 ejecutivos de atención, que el grupo de mejor desempeño tenía IA desplegada a escala con mucha mayor frecuencia y reportaba mejoras significativas en experiencia del cliente con más frecuencia que el resto.12 Es una asociación declarada por los propios ejecutivos, no una prueba de causalidad. Y Salesforce reporta que el 70% de las organizaciones con agentes de IA en atención observó valor medible dentro de los 60 días, un dato de una empresa que vende esos agentes y que no define qué entiende por valor.13
En América Latina, la distancia entre adopción y resultados es visible. En la última encuesta global de PwC a 4.454 directores ejecutivos, el 56% de los latinoamericanos no había visto ni más ingresos ni menores costos a partir de la IA, la misma proporción que a nivel global.28 La IA puede mejorar la productividad, desplazar costos de un área a otra o simplemente generar más interacciones. Cuál de las tres cosas ocurre depende del rediseño del proceso, no de la herramienta.
El comprador ya no depende del vendedor para informarse
En 2011, Matthew Dixon y Brent Adamson publicaron una investigación sobre miles de vendedores que identificó cinco perfiles comerciales y encontró que, en ventas complejas, el perfil que llamaron Challenger representaba la mayor proporción de los mejores vendedores.6 Su rasgo distintivo era la capacidad de enseñar algo nuevo sobre el negocio del cliente, adaptar el mensaje a su contexto y conducir la conversación. La conclusión que más incomodó entonces fue que la relación personal, por sí sola, no explicaba el desempeño. El valor aportado en la conversación sí. El modelo tiene especial relevancia en ventas complejas, no en cualquier transacción.
Esa conclusión es más pertinente hoy. Un estudio de G2 con 1.076 compradores de software B2B, realizado en marzo de 2026, encontró que el 51% empieza su investigación con un chatbot de IA más a menudo que con un buscador, y que el 69% terminó eligiendo un proveedor distinto del que tenía previsto a partir de las recomendaciones de esos asistentes.20 El informe 2025 de 6sense, con unos 4.000 compradores, reporta que el 94% usa modelos de lenguaje en algún momento del proceso de compra y que llega al primer contacto con el proveedor habiendo recorrido alrededor del 61% del proceso.21 Ambos son estudios de empresas con interés comercial en el tema y se concentran en tecnología, pero coinciden en que el comprador llega a la conversación con más información y con una lista corta ya formada.
En América Latina, el punto de partida es aún más marcado. Según el Microsoft AI Economy Institute, en el segundo semestre de 2025 la proporción de la población en edad de trabajar que usaba IA generativa superaba el promedio global de 16,3% en Uruguay, Colombia, Chile, Argentina, México y Brasil, con valores de entre 17% y 23%.26 Las empresas, en cambio, van más atrás: según el Índice Latinoamericano de Inteligencia Artificial 2025, la región invierte en IA unas cuatro veces menos de lo que correspondería a su peso económico.27 Es una asimetría con consecuencias comerciales: el cliente latinoamericano puede llegar a la conversación con más IA que el proveedor que lo atiende. Cómo se forma esa decisión fuera de los canales que la empresa observa lo desarrollamos en nuestro artículo sobre branding y crecimiento.
¿Qué aporta nuestra conversación comercial que el cliente no obtiene preguntándole a una IA?
Cuando el cliente puede hacer por sí mismo lo que antes contrataba
La IA no solo cambia cómo vende un proveedor. También cambia la frontera entre lo que el cliente hace internamente y lo que contrata. En octubre de 2026, Reuters informó que el abogado general de AT&T, David McAtee, había dejado de pagar a estudios externos por muchas de las tareas que tradicionalmente realizaban abogados junior.15 Según la compañía, LegalEdge, una unidad interna que combina abogados, operaciones legales e IA creada en enero de 2026, atendió cerca de 100 asuntos en sus primeros seis meses, y AT&T anunció una colaboración con OpenAI para desarrollar flujos de trabajo legales con IA en los que las decisiones jurídicas siguen en manos de abogados.16 Las coberturas describen que los asesores externos quedarían enfocados en estrategia compleja y especialización. No hay cifras públicas de ahorro.
El caso no demuestra que las empresas estén dejando de contratar estudios jurídicos. Muestra que, para una empresa grande con capacidad interna, la frontera entre hacer y comprar se movió en tareas de rutina. Algo similar aparece en marketing: en la encuesta de Gartner a 402 directores de marketing de 2025, el 22% dijo que la IA generativa le había permitido reducir la dependencia de agencias externas en creatividad y estrategia.22
La evidencia contraria es igual de importante. En 2025, la demanda de horas en el mercado legal de Estados Unidos creció un 2,5%, las tarifas subieron un récord de 7,3% y alrededor del 90% del gasto legal siguió facturándose por hora.17 BCG informó que los servicios vinculados con IA y tecnología ya representan más del 40% de sus ingresos.19 Y entre los estudios jurídicos pequeños y medianos de Estados Unidos que usan IA ampliamente, el 26% subió precios.18 La IA no está reduciendo, por ahora, el gasto total en servicios profesionales. Está redistribuyéndolo.
El dato que mejor describe esa redistribución viene de los clientes. En el informe Future of Professionals 2026 de Thomson Reuters, con alrededor de 1.800 profesionales de servicios legales, impositivos, de auditoría y compliance en 62 países, el 78% de los clientes corporativos consideró muy importante o esencial que sus proveedores entreguen mejoras de calidad habilitadas por IA; solo el 6% dijo que la mayoría de sus proveedores ya lo hace, y el 32% espera reconsiderar relaciones con proveedores en los próximos doce meses.14 Es una intención, no un cambio de proveedor ya realizado. Pero sugiere que el riesgo para un proveedor no es que la IA lo reemplace, sino quedarse atrás frente a un cliente que ya la usa.
Para América Latina, la pregunta tiene una dimensión adicional, porque la región también exporta servicios profesionales. En 2022, Argentina exportó USD 2.167 millones en servicios jurídicos y contables, la categoría más grande dentro de los servicios profesionales, técnicos y empresariales.30 En Brasil, el 77% de los abogados declaró usar IA con frecuencia en 2026, frente al 55% un año antes, aunque solo el 34% de sus organizaciones tiene un presupuesto específico para IA.31 Si los clientes del exterior internalizan tareas de rutina, el modelo exportador basado en horas de ejecución quedará más expuesto que el basado en criterio y especialización. No hay evidencia de que eso ya esté ocurriendo a gran escala; es una pregunta estratégica, no un pronóstico.
Para ordenar esa decisión proponemos The AI-Era Make-or-Buy Matrix by Advisent®, una herramienta conceptual (no un modelo académico validado) que cruza dos variables: la capacidad interna de la empresa, potenciada por IA, y el nivel de complejidad, riesgo y responsabilidad que exige la tarea.
Framework conceptual de Advisent®, no un modelo validado. Otras variables (urgencia, regulación, acceso a datos, costo de oportunidad, escala) pueden mover una tarea de cuadrante. Fuente: Advisent®.
El precio no es la única variable. Una empresa puede tener la capacidad técnica para hacer algo y aun así preferir contratarlo porque no quiere asumir el riesgo, porque necesita a alguien que responda por el resultado, porque el costo de oportunidad de su equipo es alto o porque la regulación exige una firma profesional. Y puede ocurrir lo inverso: tareas que antes requerían un proveedor se vuelven internas porque la IA bajó la barrera de entrada y la empresa tiene datos y contexto que el proveedor no tiene.
Qué sigue mereciendo ser pagado
Cuando la IA reduce el costo de producir un primer borrador, un análisis preliminar o una comparación, el valor de algunos servicios se desplaza. Lo que el cliente sigue necesitando, y está dispuesto a pagar, tiende a concentrarse en lo que no puede o no quiere hacer solo: diagnosticar el problema correcto, interpretar la información en su contexto, ejercer criterio, integrar soluciones con sus sistemas y su organización, implementar, gestionar riesgos y responder por el resultado. La información se volvió abundante; el criterio y la responsabilidad, no.
Esa es la hipótesis de Advisent®, y también tiene límites. Hay servicios donde la ejecución sigue siendo el valor principal, porque la escala, la confiabilidad o la conveniencia importan más que el criterio. Hay clientes que pagan por no ocuparse de algo, aunque podrían hacerlo. Hay mercados donde la IA aumenta la demanda de especialistas, porque crea problemas nuevos (gobierno de datos, seguridad, regulación, integración) que antes no existían. Y hay servicios donde la IA permite cobrar más, porque mejora la calidad o la velocidad de manera visible. El desplazamiento del valor no es uniforme; es un mapa que cada empresa tiene que trazar para su propio portafolio.
La personalización ilustra bien ese equilibrio. Mark Abraham y David Edelman la plantean como una capacidad organizacional, no como un recurso de marketing, y la organizan en cinco promesas al cliente (empower me, know me, reach me, show me, delight me) que requieren datos, tecnología, procesos, gobierno y confianza.7 Según el índice de personalización de BCG que acompaña su trabajo, las empresas líderes crecen alrededor de diez puntos porcentuales más por año que las rezagadas. Pero personalizar tiene un costo, y no todos los clientes ni todas las interacciones lo justifican. La pregunta no es cuánto personalizar, sino dónde la personalización crea suficiente valor como para pagar su complejidad.
La IA puede bajar el costo de entregar un servicio. También puede bajar lo que el cliente está dispuesto a pagar por lo que ya puede hacer solo.
Productos y servicios: dos economías de la experiencia
La distinción entre productos y servicios no coincide con la distinción entre B2B y B2C: hay productos y servicios en ambos mercados. Lo que cambia es dónde se forma el costo de servir y dónde puede perderse la rentabilidad. En productos, buena parte se juega en la comparación, la disponibilidad, la logística, las devoluciones y la recompra. En servicios, en el alcance, la utilización del equipo, los cambios no cobrados y la renovación. En América Latina, donde las empresas grandes llegan a ser hasta 33 veces más productivas que las microempresas según la CEPAL, el costo de servir pesa de manera muy distinta según el tamaño de la empresa que atiende.29
| Dimensión | Empresas de productos | Empresas de servicios | Dónde actúa la IA |
|---|---|---|---|
| Descubrimiento | Comparación de atributos, precios y reseñas | Reputación, especialización y recomendaciones | El comprador compara y preselecciona con su propia IA |
| Conversión | Precio, disponibilidad y facilidad de compra | Calificación, propuesta, precio y alcance | Propuestas más rápidas; riesgo de descuentos sin criterio |
| Entrega | Logística, stock y tiempos | Onboarding, utilización del equipo y calidad | Productividad del equipo y automatización de tareas |
| Costo de servir | Devoluciones, soporte y envíos | Cambios de alcance, horas no cobradas, coordinación | Puede bajar, o solo desplazarse a otra área |
| Atención | Consultas frecuentes y estandarizadas | Consultas ambiguas y de alto contexto | Autoservicio en lo simple; asistencia en lo complejo |
| Retención | Recompra y suscripción | Renovación, expansión y venta cruzada | Detección temprana de riesgo y oportunidades |
| Disposición a pagar | Comparación directa con alternativas | Valor percibido del criterio y del resultado | Cae en tareas que el cliente puede hacer solo |
Customer Growth Economics: una forma de decidir dónde invertir
Para conectar adquisición, experiencia, costo de servir, retención y valor, proponemos Customer Growth Economics by Advisent®: una matriz conceptual que clasifica clientes o segmentos según dos variables medibles. La primera es su contribución actual, después de descontar el costo de servirlos. La segunda es su valor futuro esperado: probabilidad de renovación, potencial de expansión y capacidad de generar recomendaciones. No es un modelo validado académicamente; es una herramienta para que ventas, operaciones y finanzas discutan con los mismos datos.
Matriz conceptual de Advisent®, no un modelo validado. Requiere estimar costo de servir y valor futuro con criterios explícitos; un cliente de baja contribución puede tener valor indirecto (referencias, aprendizaje, acceso a un mercado). Fuente: Advisent®.
La matriz no sugiere abandonar clientes. Sugiere que cada cuadrante merece un diseño distinto de experiencia y de inversión. A los clientes que conviene desarrollar, más atención comercial y de customer success. A los que conviene proteger, continuidad y prioridad. A los de alta contribución y bajo potencial, un servicio eficiente que no erosione el margen. Y a los de baja contribución y bajo potencial, una revisión honesta de precio, alcance o canal: muchas veces el problema no es el cliente, sino un modelo de atención que nadie diseñó para él.
Lo que realmente se está renegociando
Durante años, el crecimiento comercial pudo medirse con razonable precisión por la cantidad de clientes y el volumen de ventas. Esa medida se vuelve insuficiente cuando el costo de servir varía tanto entre clientes, cuando la automatización puede multiplicar interacciones sin resolver problemas y cuando el comprador puede hacer por su cuenta parte de lo que antes contrataba. La rentabilidad ya no se decide solo en el cierre: se decide en la calificación, en el precio, en la entrega, en cada contacto de atención y en la renovación.
La tecnología puede reducir el costo de crear y entregar determinados servicios. Pero también puede reducir lo que el comprador está dispuesto a pagar por tareas que ahora ejecuta por sí mismo. Por eso la ventaja no depende simplemente de adoptar IA, sino de redefinir qué se vende, a quién, a qué precio, con qué nivel de servicio, qué se automatiza y qué se mantiene humano.
¿Estamos construyendo relaciones comerciales rentables o simplemente procesando más transacciones?
El valor que merece seguir siendo comprado es el que el cliente no puede, no quiere o no debe producir solo.
Preguntas frecuentes sobre ventas y experiencia del cliente
¿Cuál es la diferencia entre experiencia del cliente y atención al cliente?
La experiencia del cliente es la percepción acumulada de todas las interacciones de una persona con una organización, desde el descubrimiento hasta la renovación. La atención al cliente es una parte de esa experiencia: las interacciones destinadas a resolver consultas, necesidades o problemas. Una empresa puede tener una atención rápida y, aun así, una experiencia deficiente si el problema no se resuelve o si la promesa comercial no se cumple.
¿Qué es la rentabilidad por cliente?
La rentabilidad por cliente es lo que una empresa gana con un cliente después de descontar el costo directo de lo que le vende, el costo de servirlo (atención, personalización, cambios de alcance, soporte, logística, descuentos) y el costo de haberlo adquirido. Dos clientes con la misma facturación pueden tener rentabilidades muy distintas, y un cliente que factura más puede dejar menos contribución.
¿Qué es el costo de servir?
El costo de servir es el conjunto de recursos que una empresa destina a atender y mantener a un cliente más allá del costo del producto o servicio en sí: horas de atención, contactos repetidos, coordinación, cambios no cobrados, devoluciones, envíos o personalización. Es una de las variables que más diferencia la rentabilidad entre clientes, especialmente en empresas de servicios.
¿Qué mide el customer lifetime value y qué no mide?
El customer lifetime value (CLV) estima el valor económico esperado de la relación completa con un cliente, considerando cuánto tiempo puede durar y cuánto margen puede generar. No es una fórmula única: distintos modelos usan distintos supuestos sobre retención, margen y descuento. Tampoco captura por sí solo el valor indirecto de un cliente, como las recomendaciones o el acceso a un mercado.
¿Los chatbots con IA mejoran la experiencia del cliente?
Depende de si resuelven o solo responden. En una encuesta de Gartner de 2026, la mitad de los clientes dijo que la IA generativa facilita sus interacciones, pero el 87% consideró esencial poder hablar con una persona. La investigación académica muestra que, con clientes enojados, un chatbot con apariencia humana puede reducir la satisfacción. La experiencia mejora cuando el asistente tiene capacidad real de solución y una derivación a personas sin fricción.
¿Cómo medir el retorno de la IA en atención al cliente?
Midiendo resolución y no volumen: resolución en el primer contacto, contactos repetidos, resolución exitosa en autoservicio, tasa de derivación, tiempo hasta la resolución, esfuerzo del cliente, tasa de error y costo por caso resuelto. Después hay que vincular esos indicadores con conversión, retención y contribución, e incluir el costo total de la tecnología. Desviar una consulta no equivale a resolverla.
¿La IA reemplaza a vendedores y consultores?
La evidencia disponible no muestra un reemplazo generalizado. Muestra un cambio en lo que el cliente valora: con información abundante y asistentes de IA, el comprador llega más preparado y espera que el vendedor o consultor aporte diagnóstico, criterio, contexto, implementación y responsabilidad por el resultado. Lo que corre más riesgo es el trabajo de ejecución rutinaria que el cliente puede hacer por su cuenta.
¿Cuándo conviene hacer algo internamente con IA y cuándo contratar un proveedor?
Depende sobre todo de dos variables: la capacidad interna de la empresa, potenciada por IA, y la complejidad, el riesgo y la responsabilidad que exige la tarea. Las tareas de rutina y bajo riesgo tienden a internalizarse cuando hay capacidad; las de alto riesgo o alta especialización suelen requerir un socio externo o un modelo híbrido. Urgencia, regulación, acceso a datos y costo de oportunidad también influyen. El precio no es la única variable.
Fuentes y lecturas
Fundamentos académicos
- Fader, P. y Toms, S. E. (2018). The customer centricity playbook: Implement a winning strategy driven by customer lifetime value. Wharton School Press.
- Gupta, S., Lehmann, D. R. y Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7–18. doi.org/10.1509/jmkr.41.1.7.25084
- Shah, D., Kumar, V., Qu, Y. y Chen, S. (2012). Unprofitable cross-buying: Evidence from consumer and business markets. Journal of Marketing, 76(3), 78–95. doi.org/10.1509/jm.10.0445
- Dixon, M., Freeman, K. y Toman, N. (2010). Stop trying to delight your customers. Harvard Business Review (julio-agosto).
- Dixon, M., Toman, N. y DeLisi, R. (2013). The effortless experience: Conquering the new battleground for customer loyalty. Portfolio/Penguin.
- Dixon, M. y Adamson, B. (2011). The challenger sale: Taking control of the customer conversation. Portfolio/Penguin.
- Abraham, M. y Edelman, D. C. (2024). Personalized: Customer strategy in the age of AI. Harvard Business Review Press.
- Brynjolfsson, E., Li, D. y Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. doi.org/10.1093/qje/qjae044
- Crolic, C., Thomaz, F., Hadi, R. y Stephen, A. T. (2022). Blame the bot: Anthropomorphism and anger in customer–chatbot interactions. Journal of Marketing, 86(1), 132–148. doi.org/10.1177/00222429211045687
Investigación empresarial e institucional
- Gartner. (4 de agosto de 2026). Gartner survey finds 87% of customers say companies using GenAI for customer service must provide access to a human agent. gartner.com
- Gartner. (8 de julio de 2026). Gartner survey finds customers are three times more likely to use third-party GenAI than company-provided chatbots for customer service. gartner.com
- Kleinstein, B., Buesing, E., Amar, J. y Haug, M. (23 de febrero de 2026). Building trust: How customer care leaders pull ahead with AI. McKinsey & Company. mckinsey.com
- Salesforce. (2026). State of service: AI agents edition. salesforce.com
- Thomson Reuters. (22 de junio de 2026). Future of professionals 2026. thomsonreuters.com
- Randazzo, S. (8 de octubre de 2026). How AT&T is using AI to reduce its reliance on law firms. Reuters. reuters.com vía tradingview.com
- Johnson, M. (9 de octubre de 2026). AT&T uses AI to reduce reliance on outside law firms. Lawyer Monthly. lawyer-monthly.com
- Thomson Reuters Institute y Georgetown Law Center on Ethics and the Legal Profession. (2026). 2026 state of the US legal market. thomsonreuters.com
- Clio. (2025). Legal trends report 2025. clio.com
- Boston Consulting Group. (23 de abril de 2026). BCG revenue: 22nd consecutive year of growth. bcg.com
- G2. (15 de abril de 2026). New G2 research: Half of B2B software buyers now start their research with AI chatbots. prnewswire.com
- 6sense. (2025). 2025 buyer experience report. 6sense.com
- Gartner. (12 de mayo de 2025). Gartner 2025 CMO spend survey reveals marketing budgets have flatlined at seven percent of overall company revenue. gartner.com
- Bloomberg. (8 de mayo de 2025). Klarna slows AI-driven job cuts with call for real people. bloomberg.com
América Latina
- Zendesk. (2025). CX trends 2025. Datos regionales citados por Expansión (9 de enero de 2025). expansion.mx
- Meta y Kantar. (2025). State of business messaging. whatsappbusiness.com
- Microsoft AI Economy Institute. (2026). Global AI adoption in 2025. Datos citados por Forbes Argentina (26 de febrero de 2026). forbesargentina.com
- CENIA y CEPAL. (2025). Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025. Hallazgos citados por DPL News. dplnews.com
- PwC. (2026). 29.ª Encuesta Global de Presidentes (CEO Survey). pwc.com
- CEPAL. (s. f.). Acerca de las microempresas y pymes. cepal.org
- Observatorio de la Economía del Conocimiento. (2023). Informe n.º 27. Ministerio de Economía de la Nación Argentina. argentina.gob.ar
- OAB SP. (26 de marzo de 2026). Três em cada quatro advogados usam inteligência artificial no trabalho. oabsp.org.br
The AI-Era Make-or-Buy Matrix by Advisent® y Customer Growth Economics by Advisent® son desarrollos propios y conceptuales. Los conceptos de customer centricity y heterogeneidad del valor del cliente (Fader y Toms), esfuerzo del cliente (Dixon, Toman y DeLisi), el modelo Challenger (Dixon y Adamson) y las cinco promesas de personalización (Abraham y Edelman) pertenecen a sus autores. Las investigaciones de Salesforce, Zendesk, Meta, G2 y 6sense provienen de empresas con interés comercial en los temas que estudian.
Última actualización:
