IA en ventas: Nano Banana 2 no es suficiente

KI & Automatisierung · 2. November 2026 · Ohiku Mose Guy

La IA en ventas necesita pruebas rigurosas de modelos: descubra cómo Nano Banana 2, la IA generativa de imágenes y los flujos de trabajo comerciales transformarán a las pymes industriales en 2026.

Mil millones de imágenes en 30 días: esta es la cifra que circula actualmente en torno a la familia Nano Banana de Google (Economic Times, noviembre de 2026). Para la IA en ventas, esto no es un dato decorativo de redes sociales. Es una prueba de estrés para la demanda, los procesos de aprobación, la gestión de marca y la cuestión de si los equipos de ventas generarán elementos visuales de forma tan natural como variantes de correo electrónico en el futuro. Sin embargo: mil millones de imágenes generadas no constituyen un benchmark. Ni de calidad, ni de latencia, ni de ingresos.

Y ahí es precisamente donde radica el peligro para los directores de ventas de las empresas medianas (Mittelstand). Quien toma decisiones sobre modelos basándose en cifras de uso probablemente compre velocidad y obtenga caos. Bueno, casi. La velocidad es buena si se integra en un flujo de trabajo que verifique datos, conozca la información técnica del producto, lea limpiamente los campos del CRM y no acabe pintando cualquier máquina con una brida de conexión incorrecta en un gráfico de oferta.

Mi pronóstico: para finales de 2027, los equipos comerciales B2B generarán internamente más imágenes con IA de las que los departamentos de marketing pueden aprobar oficialmente. El cuello de botella no pasará de la persona a la máquina: pasará de la producción a la gobernanza.

Escribo esto como Senior Engineer en Amplifa, no como un observador externo. En nuestros proyectos con fabricantes de maquinaria, distribuidores técnicos, fabricantes de componentes y proveedores de SaaS, llevo meses viendo el mismo patrón: el modelo rara vez es el sistema. El sistema es el CRM, la calidad de los datos, el RAG, la gestión de permisos, el control de versiones de prompts, la aprobación y la medición. El modelo es solo la parte más ruidosa.

IA en ventas en 2026: dónde estamos realmente

El statu quo es incómodo. En el ámbito público no existe actualmente ninguna publicación oficial y fiable sobre «Nano Banana 2» con ficha de modelo (model card), precios de API, perfil de latencia, ventana de contexto o benchmarks estandarizados. Ningún valor p95 limpio. Ningún precio por activo aprobado. Ningún límite de API. Ninguna Model Card de la que yo, como ingeniero, pueda deducir si integraría esta herramienta en una automatización de ventas en producción para Webasto, Festo o un proveedor industrial de Ostwestfalen.

Aun así, muchos hablan de ello como si el debate técnico ya estuviera resuelto. No es del todo cierto. Lo único que está decidido es que la generación de imágenes se utiliza de forma masiva. El informe mencionado apunta a unos mil millones de imágenes en 30 días para Nano Banana y a una magnitud estimada de seis mil millones de imágenes en 30 días para xAI/Grok. Son señales de uso, no métricas de calidad. No demuestran que la imagen de un producto de Phoenix Contact conserve la misma geometría de bornes tras tres ediciones.

Este es el punto en el que a menudo me pongo firme en las discusiones de ventas. No gritando, sino siendo directo. Si un director general me dice en marzo de 2026 que simplemente quiere comprar «el mejor modelo de imagen», le respondo con otra pregunta: ¿para qué tarea? ¿Un banner de LinkedIn para una feria en Hannover? ¿Un gráfico de repuestos para posventa? ¿Un recurso visual personalizado para los compradores de Schaeffler? ¿Un anexo de oferta para una fresadora de DMG Mori? Estas tareas parecen similares. Técnicamente son animales completamente distintos.

OpenAI, Google, Adobe, Black Forest Labs con Flux, Midjourney y xAI ofrecen compromisos diferentes. Algunos destacan por su estética; otros, por la edición; algunos, por el control vía API; otros, por la gobernanza empresarial. Con los modelos de texto y multimodales al menos conocemos parámetros concretos como precios por token y ventanas de contexto: por ejemplo, GPT-4o con precios de API públicos en torno a 5 USD por millón de tokens de entrada y 15 USD por millón de tokens de salida; GPT-4o mini a 0,15 y 0,60 USD por millón de tokens; o familias como Claude 3.5 Sonnet con ventanas de contexto de 200k y precios típicos en torno a 3 y 15 USD por millón de tokens, según la documentación pública de API de 2024/2025. En muchos modelos de imagen la información es mucho más escasa. Y muy rápido.

Para las ventas, esto no es una discusión académica. Un equipo de SDR que enriquece 20.000 cuentas por trimestre puede presupuestar los costes de tokens. Un equipo que genera tres elementos visuales por cuenta, descarta dos, pasa uno por el departamento legal y luego descubre que la máquina tiene un aspecto incorrecto, no tiene un coste por imagen: tiene un coste por activo aprobado. Esa es la cifra que importa en el consejo de administración.

Tendencia 1: la IA de imágenes pasa de herramienta creativa a generador de activos de ventas

Antes, la IA de imagen en las ventas B2B era un mero pasatiempo: un robot futurista, un stand de feria brillante, una imagen de recurso para la «Industria 4.0» (generalmente azul, casi siempre aburrida). En 2026 esto cambia radicalmente. Ahora se trata de recursos visuales específicos por cuenta: la planta de destino del cliente, el sector, la pieza de repuesto, el entorno de montaje, el ahorro energético, el proceso del antes y el después. No como arte, sino como detonante de conversación.

Andrea, Head of Sales de un Hidden Champion en Bielefeld, me dijo en junio de 2026: «Nuestros mejores correos ya no parecen correos electrónicos. Parecen una conversación minuciosamente preparada». A eso me refiero exactamente. Su equipo ya no envía PDF genéricos a fabricantes de alimentos o proveedores de automoción. Generan para cada sector objetivo un breve briefing visual a partir de datos del CRM, proyectos de referencia y fichas técnicas de producto. La IA de imagen crea variantes a partir de ahí; luego, una persona las revisa. Es laborioso, pero escala mucho mejor que el trabajo manual en PowerPoint.

El olor a tóner ha desaparecido de los pasillos de ventas, pero la aprobación sigue ahí. Y hoy suena diferente: ya no es «¿queda bonito el diseño?», sino «¿es correcta la jaula de seguridad?», «¿puede aparecer el logotipo en esta representación?», «¿es técnicamente viable el tendido de mangueras?». En Kärcher o Trumpf nadie pasaría por alto una representación errónea de un producto como un desliz creativo. En las empresas medianas tampoco se debería empezar a tolerarlo.

«En nuestro caso no sirve de nada que la imagen solo impresione. Tiene que encajar con la realidad técnica. De lo contrario, el gestor de producto me llama a los dos minutos».

— Markus, CSO de un proveedor de automatización en Núremberg, conversación en abril de 2026

Markus tiene razón. Y señala la diferencia entre la IA de consumo y las ventas B2B. En el mercado de consumo, la atención a menudo basta. En las ventas técnicas, no. Si un bloque de válvulas neumáticas de Festo está mal etiquetado, el daño no es solo cosmético: el destinatario percibe de inmediato que no comprendes su problema. Y adiós a la confianza.

Lo que vemos concretamente en Amplifa: en implementaciones con equipos técnicos B2B, la tasa de acierto inicial con imágenes comerciales generadas por IA rara vez supera el 35 o 45 % cuando solo se utiliza un prompt breve. En cuanto anteponemos briefings con RAG basados en fichas técnicas de producto, notas del CRM, taxonomías del sector y lógica de validación, la aceptación interna en los proyectos piloto suele subir al 62-78 %. No porque el modelo de imagen se vuelva repentinamente más «inteligente», sino porque el input es menos impreciso. Suena contundente, pero es la verdad técnica más importante en este ámbito.

Tendencia 2: Nano Banana 2 evidencia sobre todo un problema de medición

El revuelo en torno a Nano Banana 2 es interesante porque nos obliga a trabajar con rigor. Según la información disponible actualmente, no existen datos técnicos verificados sobre esta versión concreta: ni nombre oficial del modelo, ni fecha de lanzamiento confirmada, ni precio por millón de tokens de entrada o salida, ni precio por generación de imagen, ni latencia p50 o p95, ni ventana de contexto, ni límites probados de procesamiento por lotes (batch). Esto no es ser quisquilloso; es higiene de producción.

Sé lo tentadores que son estos nombres. Nano Banana suena a producto, a versión, a algo que se puede incluir en un roadmap. Pero para un director de ventas en Brose, Wittenstein o un fabricante de maquinaria de 400 empleados en Reutlingen, el nombre no importa. Necesita respuestas: ¿cuánto cuesta un recurso visual finalmente aprobado? ¿Con qué frecuencia alucina geometrías el modelo? ¿Qué estabilidad mantiene un producto de referencia tras cinco ediciones? ¿Cuál es la latencia bajo carga cuando 40 SDR generan seguimientos a la vez un lunes por la mañana?

Una referencia reciente a una arena de edición de imágenes de Artificial Analysis con 17 categorías especializadas resulta útil, pero sin valores individuales sólidos para Nano Banana 2, Gemini, OpenAI, Midjourney o Flux, no sirve para tomar decisiones de compra. Un informe de marketing que cita una reducción de latencia de 8,64 a 6,94 segundos (un 19,7 %) también es interesante, pero no se puede atribuir con rigor a Nano Banana 2. ¿Y la cifra de WPP/Validify con un 84 % más de ventas y un 87 % más de conversión en ciertas aplicaciones de retail? Impresionante, pero sin metodología, tamaño de muestra ni asignación de modelo, no representa un benchmark aplicable a las ventas técnicas B2B.

Muchos equipos de ventas miden en el lugar equivocado. Toman el tiempo hasta que aparece una imagen. Eso está bien, pero en producción lo que cuenta es el tiempo hasta tener un seguimiento utilizable. Esto abarca la creación del prompt, la recuperación de datos, la generación, la revisión, la corrección, la aprobación, el envío y el registro en el CRM. Si la pura generación de la imagen tarda 7 segundos, pero el gestor de producto necesita 18 minutos para revisarla, la latencia del modelo no es su cuello de botella. Sinceramente, en muchos proyectos no lo es.

En septiembre de 2026 conversé con Lena, RevOps Lead en un proveedor de maquinaria industrial en Stuttgart. Me dijo: «No medimos el tiempo de generación de imágenes, medimos la discusión posterior en Slack». Duraba una mediana de 14 minutos. Así es exactamente como hay que medir: sin romanticismo, sin enamorarse del modelo, sino a lo largo de todo el proceso que influye en los ingresos.

La IA en ventas necesita benchmarks, no devoción por modelos

Una comparativa competitiva honesta es fácil de describir y difícil de ejecutar. Se toman los mismos prompts, las mismas imágenes de referencia, las mismas resoluciones, las mismas tareas de edición, el mismo número de iteraciones, la misma carga y la misma lógica de aprobación. Luego se mide. No en un vídeo de demostración, sino en la API, con activos reales y tipologías de errores.

Para un piloto B2B utilizaría al menos ocho criterios: fidelidad a los hechos, capacidad de edición, consistencia de marca, fidelidad a la imagen de referencia, latencia mediana y p95, coste por activo aceptado, gobernanza e integración en el flujo de trabajo. Medir únicamente si «se ve bien» equivale a tirar los dados. Un recurso visual de Midjourney puede parecer fantástico y, aun así, resultar inadecuado para un caso de uso de Kärcher si inventa detalles técnicos del producto. Adobe Firefly puede resultar más atractivo en entornos corporativos por los flujos de derechos y marca. Flux puede destacar en ciertas calidades de imagen. OpenAI puede tener sentido en un stack de orquestación multimodal. Google puede ofrecer ventajas gracias a la integración con Gemini. Pero sin pruebas, todo esto es mera charla de café con una clave de API.

La cuestión del coste es más compleja de lo que parece en la tabla de tarifas. Tomemos un patrón ficticio pero representativo de un piloto: 10.000 cuentas objetivo, dos elementos visuales por sector para cada cuenta, tres generaciones por activo final, 40 % de retrabajo manual y un 15 % de rechazo por fallos técnicos. Aunque la llamada a la API individual sea barata, el coste por activo aprobado se dispara con rapidez. A esto se suma el tiempo de revisión: con una tarifa horaria interna de 75 euros, bastan unos pocos minutos de verificación para que el coste del modelo resulte casi irrelevante.

«No queremos una obra de arte. Queremos que un comprador entienda en cinco segundos por qué nos ponemos en contacto con él».

— Sven, director general de un distribuidor técnico en Hamburgo, conversación en agosto de 2026

Tendencia 3: RAG, voz y modelos de imagen convergen en el flujo de trabajo de ventas

La tercera tendencia es la más importante. La IA de imagen no triunfará de forma aislada: triunfará cuando esté coordinada por sistemas RAG, llamadas de voz asistidas, datos del CRM y automatización de ofertas. Un modelo de imagen no sabe qué línea de productos de Webasto es relevante, qué máquina tiene el cliente en planta, qué normativa rige en el mercado de destino ni qué objeciones surgieron en la última llamada. Eso debe aportarlo el flujo de trabajo.

Un proceso realista se estructura así: un SDR investiga una cuenta. El sistema extrae datos del registro mercantil, textos web, ofertas de empleo, historial del CRM, segmentación del ERP y proyectos de referencia. Una capa de RAG recupera fichas técnicas pertinentes, casos de estudio y restricciones técnicas. Con esto se genera un briefing. Solo entonces el modelo de imagen recibe un prompt. Tras la generación, varios validadores comprueban reglas de marca, afirmaciones no permitidas, requisitos técnicos obligatorios y derechos del activo. Finalmente, el recurso visual se incorpora al correo de seguimiento o al one-pager.

Suena a demasiada arquitectura para una sola imagen. Y lo es. Pero esta arquitectura es precisamente la que determina si la IA en ventas resulta verdaderamente sólida. He visto demasiadas demostraciones con recursos visuales deslumbrantes en las que nadie preguntaba de dónde procedían los datos. La respuesta solía ser: del prompt. Eso no es una estrategia de datos; es mera ilusión con una interfaz atractiva.

El voice calling hace que esto sea aún más interesante. Durante una llamada, el reconocimiento de voz (speech-to-text) puede detectar objeciones, particularidades del sector y criterios de compra. El CRM se alimenta con campos estructurados. Un sistema RAG busca referencias adecuadas. El modelo de imagen genera un elemento visual de seguimiento o un esquema de proceso. El comercial revisa, ajusta y envía. La verdadera mejora no está en la imagen en sí, sino en la orquestación entre audio, datos, recuperación, generación y aprobación.

En un proyecto piloto realizado en octubre de 2026 con un proveedor de software B2B de Múnich observamos exactamente esto: no fue el gráfico personalizado por sí solo lo que elevó la tasa de respuesta. Fue la combinación de un resumen riguroso de la llamada, una referencia específica del sector, un recurso visual coherente y el envío en menos de 22 minutos tras la conversación lo que marcó la diferencia. Antes, los seguimientos solían enviarse al día siguiente. Aún se oía el tecleo en la oficina, pero el verdadero ruido era la fricción del proceso.

Playbook de ICP de Amplifa Un playbook práctico para estructurar perfiles de cliente ideal, segmentos objetivo y señales de cuentas, evitando que los flujos de trabajo de IA en ventas dependan de la intuición.

¿Qué significa esto para los directores de ventas en empresas medianas?

En primer lugar: quien en 2026 siga confiando exclusivamente en una estrategia de inbound, no tendrá pipeline en cinco años. Es mi opinión y sé que incomoda a algunos. El inbound sigue siendo importante, pero los compradores técnicos B2B investigan de forma más discreta, más tarde y a menudo sin rellenar formularios. Si ventas reacciona únicamente cuando el lead levanta la mano, el proceso de selección interno a menudo ya ha finalizado.

Los modelos de imagen con IA no transforman el outbound porque hagan los correos más llamativos, sino porque hacen más tangible la relevancia. Un comprador en Schaeffler no necesita un mensaje genérico sobre eficiencia: necesita percibir que el remitente comprende su línea de producción, sus restricciones y sus prioridades. Un buen elemento visual puede lograrlo en cuestión de segundos; uno erróneo lo destruye todavía más rápido.

En segundo lugar: las pymes industriales deben dejar de adquirir la IA como si fuera una suscripción a una herramienta más. Para automatizar las ventas no basta con tener acceso a un modelo de imagen. Se requiere acceso a datos, permisos por roles, plantillas de prompts, registro de actividad, supervisión humana (human-in-the-loop), control de versiones de activos, reglas de exclusión (opt-out), modelos de respaldo (fallbacks) y un sistema de medición. Sí, suena técnico y sobrio; precisamente por eso funciona.

En tercer lugar: marketing y ventas deben compartir la misma definición de activo (asset). En muchas empresas hay imágenes sueltas en Teams, fotos de producto en el DAM, estados de aprobación en un Excel y la última presentación de clientes en el escritorio de un account manager. Así no se construye una IA escalable; así solo se genera trabajo de búsqueda ineficiente.

En julio de 2026 hablé con Nina, Marketing Operations Manager en un fabricante de electrónica en Blomberg, sobre Phoenix Contact como referente de comunicación técnica rigurosa. Su frase se me quedó grabada: «Nuestra marca no es el logotipo; nuestra marca es que un técnico confíe en nosotros». Ese debe ser exactamente el estándar de los recursos visuales creados con IA.

¿Cómo medir correctamente la IA con modelos de imagen en ventas?

La respuesta corta: no con capturas de pantalla de demos. La respuesta larga: mediante un proyecto piloto controlado que refleje tareas de ventas reales. Jamás empezaría con 10 prompts preparados por un proveedor. Comenzaría con 100 tareas reales procedentes de su propio equipo de ventas, con sus datos, sus productos, sus rutas de aprobación y sus casos límite más complejos.

Estas 100 tareas deberían ser variadas: diez seguimientos a clientes existentes, veinte recursos visuales de outbound para sectores objetivo, diez acciones de seguimiento tras ferias, cinco gráficos para ofertas, veinte creatividades para social selling, diez variantes técnicas con imagen de referencia, diez ediciones sobre imágenes de producto existentes, cinco versiones multilingües y diez casos deliberadamente difíciles (por ejemplo, piezas metálicas brillantes, carcasas transparentes, salas de máquinas estrechas, logotipos, manos, cableados o señales de seguridad). Ahí es justo donde fallan los modelos.

A continuación, mida la latencia p50 y p95. No solo un viernes por la tarde cuando nadie genera contenido: hágalo bajo carga. Mida el coste por llamada a la API y el coste por activo aceptado. Mida la tasa de errores técnicos, el tiempo de retoque manual, los motivos de rechazo, el tiempo de aprobación, la tasa de respuesta, la tasa de reuniones concertadas y, en el mejor de los casos, el impacto en las oportunidades de negocio. Si solo mide clics, optimizará para la curiosidad; las ventas requieren interés de compra.

1. Defina 100 tareas reales de ventas y enablement de los últimos tres meses. Nada de prompts de laboratorio: utilice casos que realmente le cuesten tiempo a su equipo.
2. Construya una matriz de evaluación con tipología de errores: forma incorrecta del producto, incumplimiento de marca, mensaje confuso, incongruencia técnica, latencia excesiva, retoque necesario o riesgo legal.
3. Pruebe al menos tres variantes de modelos o flujos de trabajo en idénticas condiciones. Si Nano Banana 2 no ofrece datos oficiales, trátelo como una opción sin confirmar, no como un estándar.
4. Mida p50 y p95 en todo el proceso: extracción de datos, creación del prompt, generación, revisión, corrección, aprobación y envío. El punto más lento no suele ser el modelo.
5. Calcule el coste por activo aprobado. Los costes de API, el tiempo de revisión, el retrabajo, las generaciones descartadas y el software deben incluirse en la misma ecuación.
6. Vincule el piloto a métricas comerciales reales: tasa de respuesta, tasa de reuniones, conversión a oportunidad, calidad del feedback recibido y tiempo hasta el seguimiento.
7. Tome la decisión tras el piloto, no tras la demo. Un modelo que genera cinco imágenes atractivas no constituye un sistema de ventas.

Producto Amplifa Amplifa conecta prospección de cuentas, orquestación de IA, señales del CRM y flujos de trabajo de ventas para que los equipos comerciales transformen los datos en acciones de impacto.

FAQ: ¿Está Nano Banana 2 listo para las ventas B2B?

Según las pruebas públicas disponibles actualmente: no está demostrado. Esto no significa que la tecnología sea deficiente, sino que faltan datos para tomar una decisión de inversión informada. Sin una ficha de modelo oficial, precios de API, métricas de latencia, ventanas de contexto, límites y benchmarks, como ingeniero no puedo recomendar su puesta en producción. Puedo recomendar un piloto, nada más.

FAQ: ¿Qué papel juegan los precios de los tokens en la IA de imágenes?

En modelos de imagen puros, el precio de los tokens no suele ser la tarifa visible principal, ya que los proveedores suelen facturar por imagen, crédito o resolución. Sin embargo, los tokens siguen siendo determinantes en cuanto el flujo de trabajo se vuelve multimodal: los resúmenes del CRM, los briefings con RAG, la generación de prompts, el control de calidad, la traducción y los textos de seguimiento suelen ejecutarse con modelos de texto o multimodales. Así, un flujo de ventas puede ser económico en la imagen y costoso en el contexto, o viceversa.

FAQ: ¿Reemplaza la IA de imagen al Sales Enablement?

No. Desplaza la naturaleza del trabajo. El equipo de Sales Enablement produce menos variantes a mano, pero supervisa más reglas, plantillas, propuestas de valor, lógicas sectoriales y repositorios de activos. Esto no es una degradación: es una revalorización técnica del equipo. Quien conciba el enablement como una fábrica de PowerPoint se verá arrollado por la IA; quien lo entienda como un sistema de conocimiento comercial se volverá imprescindible.

La cuestión arquitectónica clave: ¿dónde reside la fuente de la verdad?

Todo flujo de trabajo comercial con IA necesita una única fuente de la verdad. No cinco. Los datos de producto pueden residir en el PIM; el historial de clientes, en el CRM; las imágenes aprobadas, en el DAM; la lógica de precios, en el ERP; y las referencias, en Notion, SharePoint o en la mente de tres directores de grandes cuentas. Un modelo de imagen no debe inventar nada a partir de esto: solo debe representar con fidelidad lo que el flujo de trabajo le suministre limpiamente.

Suena evidente, pero es aquí donde fracasan los equipos. Primero compran el modelo y luego buscan los datos: el orden equivocado. Yo siempre comenzaría mapeando las rutas de datos: ¿de dónde procede la información del sector? ¿Quién actualiza las variantes de producto? ¿Qué afirmaciones comerciales están autorizadas? ¿Qué logotipos de clientes se pueden utilizar? ¿Qué detalles técnicos pueden figurar en la prospección outbound? ¿Qué imágenes han caducado? ¿Quién aprueba?

Por eso, en Amplifa no diseñamos estos flujos como colecciones de prompts: los estructuramos como pipelines. Una señal en una cuenta activa la investigación. La investigación genera un briefing estructurado. El briefing recupera los bloques de conocimiento autorizados. Un modelo propone texto e imágenes. Varios validadores verifican el contenido. Una persona toma la decisión final. El CRM recibe el estado actualizado. ¿Suena poco glamuroso? Quizá. ¿Está listo para producción? Totalmente.

Por qué la latencia p95 importa más que la velocidad en una demo

La latencia mediana es la cifra que los proveedores suelen mostrar. La latencia p95 es la que los equipos comerciales realmente experimentan. Que el 95 % de las solicitudes tarden menos de ocho segundos es muy distinto a tener una mediana de cuatro segundos con picos de 45 segundos. En la operativa diaria, los picos de lentitud ocurren justo en los momentos de mayor actividad: los lunes por la mañana, antes de una feria, tras una campaña de webinars o a cierre de mes.

Un flujo de ventas es sumamente sensible a los tiempos de espera. No porque los comerciales no puedan esperar diez segundos, sino porque la espera provoca cambios de contexto. El SDR entra en Slack, responde a otro correo, pierde el hilo de la cuenta y descuida la revisión. Las pequeñas latencias se convierten en fricción operativa acumulada. Esto no se escucha en el cuadro de mando; se refleja en borradores a medio terminar.

Por eso, con Nano Banana 2 no me interesa si alguien generó una sola imagen rápidamente. Me interesa el p95 bajo carga simultánea. Quiero tasas de error por categoría de prompt. Quiero costes por reintento. Quiero saber si las imágenes de referencia se mantienen fieles tras la tercera edición. Sin estos datos, cualquier afirmación sobre su madurez operativa no es más que una corazonada con conexión wifi.

Gobernanza: la parte menos llamativa que salva operaciones

C2PA, trazabilidad de procedencia (provenance), retención de datos, uso para entrenamiento, derechos sobre los datos de entrada, plazos de eliminación y modelos de permisos: nada de esto son notas a pie de página. Para medianas empresas con clientes OEM, son factores decisivos en el cierre de acuerdos. Si un proveedor trabaja para BMW, Bosch o Siemens, no puede subir libremente fotos de productos a cualquier plataforma esperando que no haya consecuencias.

No soy abogado (afortunadamente). Pero como ingeniero debo diseñar sistemas que el departamento legal pueda auditar: logs, versiones, fuentes utilizadas, activos generados, estados de aprobación y roles de usuario. Si un cliente pregunta tres meses después por qué se envió un recurso visual concreto, la respuesta no puede ser: «Creo que usamos el prompt número 17».

La gobernanza no frena: frena la mala gobernanza. Una buena gobernanza hace posible la escalabilidad porque aporta repetibilidad a las decisiones. Esa es la diferencia entre crear diez imágenes experimentales y generar 10.000 seguimientos personalizados por trimestre.

Amplifa para flujos de ventas impulsados por IA Desde el ICP y las señales de cuentas hasta la prospección orquestada: Amplifa ayuda a los equipos a usar la IA no como un juguete, sino como un proceso comercial riguroso.

Mi pronóstico personal para 2027-2029

En los próximos dos o tres años, el mercado de modelos se volverá más complejo, no más sencillo. Habrá más lanzamientos, más puntuaciones en arenas, más modelos especializados y más paquetes integrados en suites de CRM y marketing. Algunos nombres desaparecerán; otros surgirán de golpe en todas partes. Nano Banana 2 puede cobrar relevancia si Google aporta datos técnicos y la integración es sólida. Sin esos datos, sigue siendo una señal, no unos cimientos.

No creo que un único modelo de imagen domine las ventas B2B. Los requisitos son demasiado diversos: un fabricante de maquinaria exige una precisión distinta a la de una empresa de SaaS; un distribuidor técnico requiere una lógica de variantes diferente a la de una compañía de tecnología médica; un equipo de posventa tolera márgenes de error distintos a los de un equipo ferial. Los ganadores no serán quienes creen la imagen más vistosa: serán quienes construyan flujos de trabajo capaces de determinar qué modelo basta para cada tarea, cuándo es imprescindible la revisión humana y cuándo es mejor no incluir ninguna imagen.

Mi conclusión directa: la IA de imagen no salvará el outbound si su CRM es un desastre. No escalará el Sales Enablement si nadie actualiza las propuestas de valor. No aumentará la conversión si la imagen contiene errores técnicos. Pero cuando los datos, el RAG, el modelo, las aprobaciones y el timing se sincronizan, un equipo comercial puede generar más conversaciones relevantes en nueve meses sin duplicar su plantilla. Esto no lo he visto en una presentación; lo veo en implementaciones reales.

Quizás Nano Banana 2 resulte ser muy potente con el tiempo. Quizás otro modelo encaje mejor en su caso de uso. Puede que la mejor decisión en el primer trimestre de 2027 ni siquiera sea contratar un nuevo modelo de imagen, sino ordenar los datos de producto, los flujos de aprobación y las señales de ICP. Suena menos llamativo y huele a trabajo duro. Precisamente por eso es lo que probablemente funcione.