Un producto sólido, una «oficina de marketing» con IA y un motor de prospección que no generaba respuestas.
ContentBuilder es una plataforma estadounidense de formación con IA. Convierte el conocimiento existente de una empresa (documentos, procedimientos, grabaciones, políticas) en formación estructurada, narrada por IA y multilingüe, con entrega LMS completa (SCORM/xAPI, SSO/SCIM). Su módulo hermano, Lumi, se ocupa de tareas de RR. HH.: redactar descripciones de puestos, publicar vacantes, filtrar candidatos y hacer las primeras entrevistas.
Entré como Marketing Manager por contrato. La empresa tenía una «oficina de marketing» con IA, con departamentos y agentes ya creados, pero nada estaba conectado a plataformas reales como Search Console, GA4, la publicación en redes o Canva. Los cold emails salían, pero no llegaban respuestas.
El texto no era el problema. Microsoft mandaba cada correo a spam.
Lo fácil era suponer que el texto era malo. Antes de reescribir nada, hice una prueba completa de llegada a bandeja de entrada en todos los buzones de envío y leí los cinco subinformes:
- Google → Google: 96 % en bandeja de entrada. Contenido, SPF, DKIM y DMARC aprobados. Puntuación de spam 0, sin listas negras.
- Google → Microsoft: 0 % en bandeja de entrada, 100 % en spam. Cada correo a una dirección de Outlook o Microsoft 365 acababa en correo no deseado.
- Eso aislaba el fallo en la reputación del remitente ante Microsoft. Contenido, autenticación y listas negras quedaban descartados. Para un público B2B, donde gran parte de las empresas usa Microsoft 365, eso por sí solo explica la mayoría de las respuestas que faltaban.
El plan para corregirlo: registrarse en Microsoft SNDS/JMRP, añadir 2-3 dominios de envío en un segundo proveedor, limitar el volumen a 25-40 correos por buzón al día, segmentar los envíos según el proveedor de correo del destinatario y desactivar el seguimiento de aperturas. También calculé lo que exigiría en la práctica el objetivo de alto volumen del cliente: unos 200 buzones calentados en muchos dominios, con un calentamiento de 3-4 semanas que no se puede saltar ni comprar.
Reconstruí el cliente ideal y encontré una señal que supera al sector o al tamaño de plantilla.
- ICP reconstruido desde cero cuando el foco pasó al producto de RR. HH.: de directores de RR. HH. y formación en empresas de 100-2.000 personas a dueños, fundadores y COO de empresas sin una persona dedicada a RR. HH., que sienten directamente el problema de contratar
- La mejor señal de segmentación: 5+ vacantes publicadas ahora mismo. Es pública, tiene fecha y es gratuita de encontrar, y predice la intención de compra mejor que el sector o el tamaño de la empresa
- 15 sectores investigados y reducidos a 3 para pruebas en paralelo: servicios a domicilio y de campo, atención domiciliaria y cuidado de mayores, y grupos de salones/restaurantes con más de 10 locales
- Cinco parejas completas de ICP + oferta para el producto principal de formación, más una revisión manual de 40 empresas para comprobar que los leads reales encajaban con el ICP antes de invertir presupuesto en envíos
Reescribí las secuencias para ajustarlas a lo que funciona hoy en cold email.
- Corregí problemas estructurales de los correos originales: los firmaba «el equipo» en lugar de una persona real, pedían una demo de 30 minutos en el primer contacto y llevaban pies de firma pesados. Los sustituí por correos firmados por una persona y una petición ligera de 15 minutos
- Escribí un lanzamiento de cinco campañas basado en datos de referencia actuales: menos de 80 palabras por correo, 4-7 contactos por secuencia y la mayor parte del esfuerzo en el primer correo, porque de ahí sale la mayoría de las respuestas
- Entregué la especificación completa del lanzamiento: audiencias, estructuras de campaña y una configuración de agente para gestionar respuestas con una tabla de respuesta para cada tipo de contestación
- Diseñé una nueva oferta (un «paquete de práctica para la próxima contratación») y un documento de aprobación listo para el fundador para la prospección en EE. UU.
Comprobé que el producto cumplía lo que se prometía y señalé riesgos legales antes de enviar ningún correo.
- Volví a auditar el producto en vivo frente a la promesa de la prospección y resultó más limitado que «se encarga de tu equipo de RR. HH.». Señalé la diferencia antes de que llegara a los prospectos y dañara la confianza
- Investigación de cumplimiento sobre herramientas de contratación con IA: la Local Law 144 de Nueva York (auditorías de sesgo independientes anuales, resultados publicados, aviso a candidatos con 10 días hábiles) y normas similares en Illinois y Colorado, que determinan a quién se puede ofrecer con seguridad un producto de filtrado de candidatos
- Revisé una propuesta de incentivo por reseñas frente a la norma de la FTC sobre reseñas y testimonios de consumidores
Todo basado en datos reales, con informes sobre resultados y no sobre actividad.
- Auditoría completa de SEO y CRO de contentbuilder.ai, más una auditoría en vivo de Google Search Console con datos reales de indexación y consultas en lugar de estimaciones de terceros
- Plan de investigación y ejecución de 20 días con un tracker funcional y un resumen de una página para el fundador
- Creé un curso de demostración en el producto y escribí el guion de un recorrido del producto de 90 segundos para ventas
- Configuré informes basados en resultados: entregados, % de rebote, llegada a bandeja de entrada, respuestas, respuestas positivas, llamadas reservadas, llamadas realizadas, clientes ganados, MRR añadido. Los resúmenes diarios seguían un formato fijo: decisión, motivo, números, aprendizajes, mañana
