Contexto
Leí un breakdown del sistema de Román (co-founder de Gojiberry AI) que afirma haber agendado 12 demos en 5 días con prospección high-intent. La tesis es simple: en lugar de mandar mensajes en frío y rezar por un 1-2% de respuesta, contactas a gente que ya está mostrando señales de compra (likes en posts de competidores, cambios de puesto, rondas de funding anunciadas). La tasa de respuesta reportada salta a 25-40%.
Suena demasiado bonito. Quiero validarlo con nuestro pipeline real de GNB Labs.
Por qué este experimento
Hoy nuestra prospección B2B depende de:
- Referencias — alta conversión pero volumen impredecible
- Contenido orgánico (blog, YouTube, LinkedIn) — trae leads pero ciclo largo
- Outbound ocasional — baja respuesta, quema tiempo
Si la hipótesis de high-intent se sostiene, podemos agregar un canal predecible sin quemar la marca con spam. Si no se sostiene, confirmamos que nuestro mix actual es el correcto y dejamos de gastar horas mirando pastos más verdes.
Metodología
Input: detección de señales
Herramienta: Gojiberry AI (trial de 7 días, 300 leads incluidos).
No tenemos equivalente en nuestro stack para detectar señales de intención en LinkedIn de forma automática, así que usamos Gojiberry tal cual. Este es justamente el punto del experimento: validar si esta categoría de herramienta vale su precio antes de meterla al stack permanente.
Agentes activados:
- Interacciones con perfiles de competidores (consultorías NoCode en LATAM)
- Engagement con influencers de nuestro nicho (NoCode, IA para PyMEs)
- Cambios recientes de puesto (nuevos VP Ops, nuevos Heads of Growth)
- Rondas de funding anunciadas en los últimos 30 días
Output: nuestro stack
Aquí es donde sustituimos las herramientas que recomienda Gojiberry por las nuestras:
| Función | Gojiberry recomienda | Nuestro stack |
|---|---|---|
| CRM | HubSpot / Pipedrive / Folk | CRM propio (lib/crm.ts en MongoDB) |
| Email outreach | Instantly / Lemlist | ActiveCampaign (automatizaciones + secuencias) |
| LinkedIn outreach | Gojiberry nativo | Gojiberry nativo (se queda igual — es parte de lo que evaluamos) |
| Notificaciones | Slack | Slack (ya en stack) |
Flujo técnico:
- Gojiberry detecta señal y ejecuta outreach de LinkedIn nativo
- Leads nuevos sincronizan vía webhook al CRM propio (
lib/crm.ts, MongoDB) - Notificación en Slack por cada lead calificado
- Respuestas positivas → ActiveCampaign arma secuencia de email de seguimiento
- Estado del deal se actualiza en el CRM según respuestas y agenda de demos
Secuencia de mensajes (control)
Idéntica para cold list y high-intent para aislar la variable:
Mensaje 1 — apertura (23 palabras):
Hola [Nombre], pregunta rápida: ¿cuál es tu mayor reto con [tema relevante a su señal] ahora mismo?
Mensaje 2 — booking (después de respuesta):
Interesante, justo resolvimos eso para [empresa similar]. ¿Te mando un video de 3 minutos mostrando cómo?
Mensaje 3 — follow-up (3 días sin respuesta):
Hola [Nombre], ¿viste el mensaje anterior? Noté que [observación específica sobre su empresa] — creo que te sirve platicar.
Muestra y duración
- Grupo A (control): 50 prospectos de cold list filtrada por ICP
- Grupo B (tratamiento): 50 prospectos detectados por Gojiberry
- Duración: 14 días (dos semanas naturales, L-V)
- Canal: LinkedIn primario, email secundario
- Métrica primaria: tasa de respuesta
- Métricas secundarias: demos agendadas, tiempo de respuesta, costo por demo
Resultados
Aún estamos planificando. Este experimento arranca cuando terminemos el setup de n8n → ActiveCampaign y tengamos los dos grupos (A control / B tratamiento) cargados. Los resultados se actualizan aquí conforme lleguen — este log es vivo.
Checkpoints que vamos a publicar:
- Día 0: setup completo, grupos cargados, primera tanda de mensajes enviada
- Día 3: primeras respuestas, % de apertura, ajustes si aplican
- Día 7: cierre de semana 1, demos agendadas hasta la fecha
- Día 14: cierre, análisis final, decisión sobre Gojiberry en el stack
Conclusiones
Pendiente hasta cerrar el experimento.
Qué sigue después de este
Dependiendo del resultado:
- Si la hipótesis se valida (≥20% respuesta, ≥5 demos): Gojiberry entra al stack, documentamos el playbook y escalamos a 200 prospectos/mes
- Si se valida parcialmente (10-19% respuesta): probamos otro experimento aislando variables (mensaje, canal, ICP) antes de decidir
- Si no se valida (<10% respuesta): cerramos el canal, publicamos el postmortem y volvemos al mix actual
Todo lo que aprendamos vuelve al diario como entradas individuales.