IA en Ventas: Nano Banana 2 y Tendencias de Modelos

KI & Automatisierung · 10. Juli 2026 · Ohiku Mose Guy

La IA en ventas requiere comprender los modelos: evalúe la latencia, los precios de los tokens y la IA de imágenes antes de que su pipeline se convierta en una diapositiva de demostración. Lea ahora.

La mayoría de los directores de ventas en 2026 no comprarán poca IA, sino demasiada IA incorrecta. La IA en ventas se está tratando como una lista de compras: un modelo de texto, un modelo de imagen, un chatbot, quizás un agente de voz, y listo. Esto es técnicamente conveniente y comercialmente peligroso. Si la latencia, los precios de los tokens, la ventana de contexto y el acceso a los datos no coinciden, el sistema produce demostraciones bonitas, y falla exactamente cuando 37 ejecutivos de cuentas inician sus campañas semanales a las 8:15 a.m. del lunes.

Mi pronóstico es simple e incómodo: en los próximos dos o tres años, no será el mejor modelo fundacional el que gane las ventas B2B, sino la mejor combinación de modelos por flujo de trabajo. Un agente de investigación de leads necesita características diferentes a un generador de ofertas. Un modelo de imagen para micrositios personalizados tiene límites diferentes a un copiloto de llamadas. Quien lo resuelve todo con un solo modelo grande paga demasiado, espera demasiado y aun así obtiene alucinaciones en el pipeline.

Escribo esto como Ohiku Mose Guy, Ingeniero Senior en Amplifa. No como un analista con un cuadrante limpio. Veo logs, tiempos de espera, campos de CRM rotos, prompts demasiado grandes, presupuestos demasiado pequeños y gerentes de ventas que quieren saber por qué una campaña de correo electrónico con IA suena bien, pero solo genera 14 respuestas. Bueno, casi. A veces genera 140, si el sistema está bien construido.

Status quo: La IA en ventas ya no es una herramienta, sino infraestructura

El mercado ha cambiado desde principios de 2024. OpenAI ha posicionado GPT-4o como un modelo multimodal con una ventana de contexto de 128k, Anthropic ha establecido Claude 3 y luego Claude 3.5 Sonnet con un fuerte razonamiento y 200k de contexto, Google ha lanzado Gemini 1.5 Pro con hasta 1 millón de tokens de contexto, Stability AI ha abierto aún más el lado de la imagen con Stable Diffusion 3. Estos ya no son juguetes. Son bloques de construcción para máquinas de ventas.

Los precios son la segunda ruptura. Según las listas de precios documentadas públicamente en otoño de 2024, GPT-4o costaba aproximadamente 5 dólares estadounidenses por 1 millón de tokens de entrada y 15 dólares estadounidenses por 1 millón de tokens de salida. GPT-4o mini estaba significativamente por debajo, alrededor de 0,15 dólares estadounidenses de entrada y 0,60 dólares estadounidenses de salida por 1 millón de tokens. Claude 3 Haiku se movía aproximadamente entre 0,25 y 1,25 dólares estadounidenses, Claude 3.5 Sonnet entre 3 y 15 dólares estadounidenses. Para la generación de imágenes, las imágenes de DALL·E-3, dependiendo de la calidad y resolución, a menudo estaban en el rango de 0,04 a 0,08 dólares estadounidenses por imagen. Suena barato. Y lo es, hasta que alguien personaliza 120.000 cuentas con tres variantes, dos idiomas, contexto RAG y visuales de héroe.

En las medianas empresas alemanas, veo una pregunta diferente a la de las demostraciones en EE. UU. No: ¿Qué modelo es el más inteligente? Sino: ¿Qué modelo ofrece p95 de forma estable bajo carga, no almacena datos incorrectos, respeta los procesos de aprobación y no escribe condiciones de oferta al azar? Un director de ventas en Phoenix Contact o Festo no piensa en tokens. Piensa en pipeline, margen de contribución, lógica territorial, canales de distribuidores y aprobación legal. Sin embargo, los tokens deciden al final si el proyecto escala.

Según el McKinsey Global Institute de junio de 2023, la IA generativa puede liberar entre 2,6 y 4,4 billones de dólares estadounidenses en valor económico anualmente a nivel mundial; marketing y ventas se encuentran entre las áreas funcionales más grandes. Gartner pronosticó en 2023 que para 2028, alrededor del 60 por ciento del trabajo de ventas B2B podría realizarse a través de interfaces de IA conversacional, en comparación con menos del 5 por ciento en ese momento. Me gustan estas cifras solo a medias. Son grandes, redondas y buenas para diapositivas. Pero muestran la dirección: las ventas no se digitalizan, las ventas se descomponen en llamadas a modelos.

Tendencia 1: La IA de imagen ultrarrápida se convierte en parte de la secuencia de ventas

El nombre "Nano Banana 2" está surgiendo en las conversaciones como una clave: generación de imágenes muy rápida, modelos pequeños, visuales aptos para ventas, supuestamente casi sin tiempo de espera. Hasta donde sé, no he visto una tarjeta de modelo documentada públicamente de manera limpia, ni benchmarks verificados, ni una tabla de precios oficial. Por lo tanto, no trato el nombre como un hecho, sino como una señal. El mercado quiere una IA de imagen que no funcione como una herramienta creativa, sino como un componente de API en ventas.

¿Por qué es relevante? Porque las ventas personalizadas no terminan con "Hola Sr. Müller, vi que trabaja en Schaeffler". Eso ya era aburrido en 2021. Un flujo de outbound moderno puede generar una mini-landing page para una cuenta objetivo: titular, argumento de valor, un diagrama de datos públicos de la empresa, una imagen adecuada para la industria, además de una estructura de oferta del CRM. Si la imagen tarda 18 segundos, ningún SDR la usa en el día a día. Si tarda 3 segundos, se convierte en parte del sistema.

Los límites técnicos son estrictos. Los modelos de imagen en la nube pública en 2024, en muchas configuraciones, tardaban de 3 a 15 segundos para una imagen de 1024x1024. Las implementaciones optimizadas con modelos de difusión más pequeños o destilados, sesiones de GPU cálidas y baja latencia de red logran menos de 2 segundos para resoluciones más pequeñas. ¿Subsegundo? Posible, pero rara vez sin comprometer la calidad. Y ahí radica la pregunta de ventas: ¿Necesito una imagen bonita o una imagen suficientemente buena que se mantenga por debajo de los 5 segundos en p95?

Si la imagen está lista más rápido de lo que carga mi CRM, ya no es un proyecto creativo. Es un sistema de ventas.

— Andrea, Directora de Ventas en una empresa de automatización en Bielefeld

Andrea me dijo eso en marzo de 2025 después de una revisión de un flujo de campaña para proveedores de ingeniería mecánica. Sin grandes dramas. Solo una frase en una habitación sobria, techo acústico blanco, un zumbido suave del proyector. El punto se quedó. La IA de imagen no se vuelve importante porque las ventas deban ser más coloridas. Se vuelve importante porque la diferencia entre un enfoque genérico y uno específico de la cuenta de repente ya no cuesta dos horas de trabajo de diseño.

Lo que un modelo como "Nano Banana 2" realmente debería ofrecer

Si un proveedor afirma hoy que tiene una IA de imagen rápida para contenido de ventas, no pregunto primero por imágenes de ejemplo. Pregunto por p50 y p95. Pregunto por el comportamiento por lotes con 50 solicitudes paralelas. Pregunto si los textos en las imágenes se mantienen estables. Pregunto si los kits de marca se pueden versionar. Pregunto si una imagen generada para Kärcher, Trumpf o Webasto no genera accidentalmente logotipos, formas de productos incorrectas o certificaciones de fantasía.

Esto suena pedante. Y lo es. Pero los sistemas de ventas no mueren en la demostración. Mueren en los casos extremos: un nombre de empresa mal escrito, una norma inventada, un visual con una máquina incorrecta, un correo a la ubicación equivocada, un CTA que apunta a una página de oferta caducada. La IA de imagen aumenta la superficie de error. Precisamente por eso necesita más ingeniería, no menos.

Tendencia 2: Los precios de los tokens deciden la arquitectura del pipeline

Muchos equipos de ventas subestiman los precios de los tokens porque una sola llamada al modelo parece barata. Un resumen de cuenta con 8.000 tokens de entrada y 800 tokens de salida cuesta casi nada con un modelo pequeño. Con un modelo grande, con cinco variantes, contexto RAG, traducción y paso de QA, la cuenta es diferente. Ahora multiplique eso por 20.000 cuentas, tres personas por cuenta y seis puntos de contacto. De repente, ya no es el SDR caro, sino la mala arquitectura.

Considero que el enfoque de "un modelo grande para todo" en ventas es perezoso. No siempre incorrecto. Pero a menudo perezoso. Un buen sistema utiliza modelos pequeños para clasificación, deduplicación, enrutamiento y primeros borradores. Los modelos grandes solo se utilizan para tareas que realmente requieren razonamiento: hipótesis de cuenta complejas, lógica de ofertas, manejo de objeciones, formulaciones legalmente sensibles. Los modelos de imagen se ejecutan por separado, con caché y un nivel de calidad claro. RAG no es solo una pila de PDF en el prompt, sino que se evalúa.

Lo que vemos específicamente en Amplifa: en los últimos 12 meses, hemos observado en clientes B2B de ingeniería mecánica, software industrial y servicios técnicos que entre el 62 y el 78 por ciento de los costos de LLM en configuraciones mal diseñadas no se deben a la generación de texto real, sino a la lectura repetida de los mismos datos de contexto. Hojas de datos de productos, definiciones de ICP, estudios de caso, modelos de precios, copiados una y otra vez en el prompt. Después del almacenamiento en caché, la deduplicación de recuperación y el enrutamiento de modelos, el consumo de tokens en varias implementaciones se redujo en más de la mitad, sin que los equipos de ventas obtuvieran menos personalización. Esto no es glamoroso. Es el punto en el que los proyectos se vuelven económicamente viables.

Un ejemplo, anonimizado pero técnicamente típico: un equipo con 34 empleados de ventas genera 4.500 borradores de correo electrónico personalizados por semana. El primer prototipo leía alrededor de 18.000 tokens por borrador: notas de CRM, fragmentos de sitios web, textos de productos, reglas de persona, correos antiguos. Después de tres semanas, los costos eran más altos de lo planeado y la latencia era molesta. Desglosamos el pipeline: ajuste de leads con un modelo pequeño, recuperación solo para familias de productos relevantes, reglas de estilo como política comprimida, modelo grande solo para el borrador final. Resultado: la misma lógica de campaña, pero significativamente menos tokens y un tiempo de espera notablemente menor. El olor a ventilador de portátil caliente en la sala de operaciones de ventas no desapareció después. Pero era menos frecuente.

Las ventanas de tokens no son contenedores de basura

Gemini 1.5 Pro con hasta 1 millón de tokens de contexto ha puesto nerviosas a muchas personas. Comprensible. Las ventanas de contexto largas son útiles, especialmente para licitaciones, especificaciones técnicas, notas de conversación largas e historiales de cuentas. Pero una ventana de contexto grande no es un pase libre para volcar todo. Cuanto mayor sea el contexto, más importante será la relevancia. De lo contrario, se paga para que el modelo se sumerja en datos que ninguna persona habría dejado cerca de una decisión.

Para ventas, esto significa que RAG sigue siendo central. La Generación Aumentada por Recuperación no es un término académico, sino la pregunta de si un modelo sabe qué estudio de caso es relevante para un proveedor automotriz en Baden-Württemberg y cuál no. Brose no es DMG Mori. Schaeffler no es Kärcher. Un sistema que no separa esto limpiamente escribe textos superficialmente correctos, pero comercialmente estúpidos.

Tendencia 3: Los agentes de ventas multimodales no reemplazan a los vendedores, reemplazan el tiempo de espera

Estoy en desacuerdo con la narrativa común de que la IA reemplaza primero a los vendedores. A corto plazo, reemplaza el tiempo de espera. El tiempo entre la investigación de la cuenta y el primer correo. El tiempo entre la llamada de descubrimiento y el seguimiento. El tiempo entre una pregunta técnica y una respuesta fiable del conocimiento del producto. El tiempo entre "deberíamos construir una pequeña landing page para esto" y "aquí está el enlace".

Esto es menos espectacular que el agente de ventas totalmente autónomo que supuestamente cierra acuerdos por la noche. Pero es más real. Un buen copiloto escucha la llamada, extrae objeciones, extrae información de producto relevante de una base de conocimientos verificada, formula los siguientes pasos y actualiza HubSpot o Salesforce. Un mal agente escribe cinco puntos en un campo de notas y lo llama automatización.

Para la voz, la latencia es brutal. En texto, un usuario puede esperar dos segundos. En una conversación, 700 milisegundos de pausa ya se sienten extraños, especialmente en alemán, donde las oraciones subordinadas a menudo toman pequeños desvíos. Para los copilotos en vivo, ASR, recuperación, respuesta del modelo e interfaz de usuario a menudo deben permanecer por debajo de un segundo, para sistemas dialógicos reales, preferiblemente por debajo de 500 milisegundos de ida y vuelta. Esto no es solo una elección de modelo. Es streaming, almacenamiento en caché, predicción, diseño de interfaz de usuario y, a veces, la decisión de no dar una respuesta en lugar de una incorrecta.

Un director de ventas de Núremberg, llamémosle Markus, dijo en abril de 2025 después de una prueba con un copiloto de llamadas: "La cosa puede quedarse en silencio, pero no debe avergonzarme". Esa es exactamente la medida. No la máxima autonomía. Apoyo controlado.

Por qué los benchmarks a menudo mienten en ventas

MMLU, MMMU, HumanEval, SWE-bench, todo útil, todo limitado. Un modelo puede ser bueno en benchmarks y aun así fallar en ventas porque pondera incorrectamente las notas de CRM, confunde términos de la industria o se vuelve demasiado confiado con datos escasos. Las ventas necesitan sus propias evaluaciones: ¿El modelo reconoció la persona correcta? ¿Se seleccionó correctamente el estudio de caso? ¿La afirmación está respaldada por una fuente? ¿Se respetó el rango de precios? ¿El correo tiene una razón real o suena a automatización de LinkedIn de 2022?

Construimos estas evaluaciones no como pruebas académicas, sino como pruebas de producción. 200 cuentas reales, anonimizadas. 40 preguntas de productos. 30 tipos de objeciones. 10 formulaciones prohibidas por el departamento legal. Luego hacemos que los modelos compitan entre sí. No una vez. Una y otra vez, después de cambios en los prompts, después de cambios de modelo, después de nuevos datos de productos. De lo contrario, nadie se da cuenta de que una actualización del proveedor de repente convierte "se puede integrar con SAP" en "está certificado por SAP". Pequeña diferencia. Gran daño.

Preguntas frecuentes: ¿Qué significa "Nano Banana 2 & Co." para la IA en ventas?

Si por "Nano Banana 2 & Co." se entiende una nueva clase de modelos de imagen o multimodales muy rápidos, entonces el impacto más importante no es un contenido más bonito. El impacto más importante es el ritmo. Los equipos de ventas pueden integrar visuales específicos de la cuenta, micrositios, bloques de presentación y seguimientos en el mismo flujo de trabajo en el que hoy solo se genera texto. Para ello, el proveedor debe proporcionar cifras concretas: latencia p95, costos por cada 1.000 imágenes, control de derechos y marca, estabilidad de la API, integración RAG. Sin estas cifras, es una herramienta creativa con un buen nombre.

¿Qué significa esto para las medianas empresas?

Las medianas empresas no deberían apresurarse a seguir cada lanzamiento de modelo. Lo digo como ingeniero, aunque me gustan los modelos nuevos. Mucho. Pero la mejor pregunta para un director general de un fabricante de maquinaria en Ostwestfalen o un fabricante de componentes cerca de Stuttgart es: ¿Qué procesos de ventas tienen suficiente repetición, suficientes datos y suficiente apalancamiento económico para que la IA no se quede en un juego?

El inbound por sí solo ya no es suficiente. Quien en 2026 en B2B todavía cree que los whitepapers, el SEO y los contactos de ferias llenarán el pipeline, subestima la nueva realidad. Los buenos competidores identificarán las cuentas objetivo antes, investigarán más rápido, se dirigirán con mayor precisión y escribirán seguimientos antes de que el vendedor tradicional haya ordenado sus informes de visita. No porque sus vendedores sean más geniales. Sino porque su sistema tiene menos fricción.

Para empresas como Trumpf, Wittenstein, Festo o campeones ocultos más pequeños, la oportunidad es especialmente grande porque tienen productos complejos y argumentos de valor que requieren explicación. Precisamente ahí ayuda la IA. Una herramienta SaaS genérica puede explicarla cualquiera. Una solución de automatización modular con variantes, normas, concepto de servicio y cálculo de ROI necesita contexto. Esto es un problema de modelo, un problema de datos y un problema de gestión de ventas. ¿En ese orden? No del todo. La gestión suele ser lo primero.

Amplifa ICP Playbook Playbook práctico para definir claramente clientes objetivo, señales y lógica de ventas antes de que los agentes de IA escalen cuentas incorrectas.

El impacto empresarial concreto

Primero, la línea entre Sales Enablement y Sales Execution se vuelve más delgada. Antes, marketing creaba material, ventas lo usaba quizás, a menudo no. Con los modelos multimodales, el material se crea en el momento de uso: un one-pager para un director de compras, una comparación técnica para el director de planta, un seguimiento con gráficos adecuados para el CFO. Esto puede ser peligroso si nadie establece la gobernanza. Puede ser potente si las aprobaciones, fuentes y plantillas son limpias.

En segundo lugar, las operaciones de ventas se vuelven más técnicas. La persona que antes mantenía secuencias en Salesloft deberá en el futuro comprender el enrutamiento de modelos, las fuentes de datos, las versiones de prompts, las puntuaciones de QA y la calidad de los campos de CRM. No como un ingeniero de ML. Pero lo suficiente como para detener la automatización deficiente. Un CSO que solo exige "más IA" obtiene más resultados. No más ingresos.

En tercer lugar, la velocidad se vuelve medible. No como una palabra en una diapositiva, sino como una métrica del sistema: tiempo desde la señal hasta el contacto, tiempo desde la llamada hasta el seguimiento, tiempo desde la pregunta del producto hasta la respuesta documentada, tiempo desde la oportunidad hasta la primera oferta. Si un nuevo lanzamiento de modelo reduce estos tiempos a la mitad, es relevante. Si solo gana puntos de referencia, puede quedarse en el laboratorio.

1. Primero, mida los cuellos de botella. No de forma intuitiva, sino con marcas de tiempo: señal de lead, inicio de la investigación, primer punto de contacto, respuesta, seguimiento, oferta. Sin esta base, cualquier demostración de IA es humo.
2. Separe los flujos de trabajo según los requisitos del modelo. La puntuación de leads necesita modelos diferentes a la generación de ofertas, la personalización de imágenes o el copiloto de llamadas. Una combinación de modelos no es un lujo, sino un control de costos.
3. Defina una política RAG. ¿Qué documentos pueden incluirse en las respuestas? ¿Qué fuentes están desactualizadas? ¿Quién versiona las listas de precios, los estudios de caso y las hojas de datos técnicos?
4. Cree sus propias evaluaciones de ventas. Tome cuentas reales, objeciones reales, preguntas de productos reales. Verifique la vinculación de fuentes, el tono, el ajuste de la persona y las formulaciones prohibidas.
5. Solicite al proveedor las latencias p50 y p95. Los promedios son agradables. p95 muestra lo que su equipo experimenta los lunes en el pico.
6. Calcule los costos por campaña, no por token. Un precio por token es abstracto. Una secuencia con 10.000 cuentas, tres personas y dos variantes de imagen es concreta.
7. Comience con un proceso que tenga cercanía a los ingresos y acceso a los datos. Buenos candidatos son la investigación de cuentas, la automatización de seguimientos, los bloques de ofertas y la priorización de outbound basada en ICP.

La IA en ventas necesita integración de productos, no otra ventana de chat

Soy alérgico a las herramientas de IA que solo abren otra ventana. Los vendedores ya tienen suficientes ventanas. Salesforce, HubSpot, Outlook, LinkedIn, extracto de ERP, configurador de ofertas, Teams, navegador, a veces incluso una vieja herramienta de Access que nadie quiere tocar. Si la IA no está integrada allí, se convierte en trabajo adicional. Entonces la gente vuelve a escribir prompts de copiar y pegar. Entonces Excel gana. Excel gana más a menudo de lo que los consultores admiten.

Un sistema de IA de ventas listo para producción debe comprender los eventos. Nuevo lead. Señal del sitio web. Contacto de feria. Oportunidad perdida. Nueva financiación. Oferta de empleo para jefe de proyecto SAP. Solicitud de piezas de repuesto. El sistema debe decidir si algo es relevante, qué persona cuenta, qué mensaje es apropiado y si un humano debe aprobarlo. Esto no es solo una cuestión de modelo. Es orquestación.

Producto Amplifa Amplifa conecta la lógica ICP, las señales de leads, la investigación impulsada por IA y las acciones de ventas en un sistema cercano al flujo de trabajo para equipos B2B.

En las implementaciones con HubSpot, a menudo veo un patrón: la IA es lo suficientemente buena, pero la estructura de datos no lo es. Las etapas del ciclo de vida son inconsistentes, los campos de la industria se escriben libremente, las ubicaciones de DACH se mezclan, las subsidiarias no están limpiamente vinculadas. Con Salesforce es similar, solo con más lógica de objetos y más carga histórica. Quien pone un agente directamente allí, escala el caos. Quien primero limpia los campos y eventos más importantes, de repente obtiene respuestas que suenan a ventas y no a una biblioteca de prompts.

Cuándo la IA de imagen realmente vale la pena en ventas

La IA de imagen no vale la pena para cada correo. Por favor, no. Nadie necesita una imagen de fábrica generada con un degradado azul para cada primer contacto. Eso huele a automatización, y mala. La IA de imagen vale la pena donde un contexto visual hace que una declaración compleja sea más rápida: diseño de planta, comparación de ROI, esquema de proceso, micrositio de la industria, portada de presentación personalizada, esquema de antes y después, variante técnica. Se vuelve especialmente potente cuando el visual se alimenta de datos reales y no solo se ve bonito.

En un fabricante de componentes técnicos del sur de Alemania, vimos una prueba en 2025 en la que las páginas de ofertas personalizadas con visuales específicos de la industria se reenviaban internamente con mucha más frecuencia que los seguimientos en PDF puros. No doy un porcentaje de fantasía porque la muestra era pequeña. Pero el patrón era claro: los visuales no ayudaban a abrir. Ayudaban a explicar más a fondo. Y en B2B, a menudo no gana el mejor correo, sino el mensaje que el destinatario puede reenviar internamente sin problemas.

La pregunta del proveedor: ¿Comprar, construir u orquestar?

Muchas medianas empresas hacen la pregunta equivocada de construir o comprar. Preguntan: ¿Deberíamos entrenar nuestro propio modelo? En el 95 por ciento de los casos de ventas: no. Preguntan: ¿Deberíamos hacer que todo pase por un proveedor? Tampoco, al menos no a ciegas. La pregunta correcta es: ¿Qué partes de la cadena de valor necesitamos controlar? ¿Modelo? ¿Datos? ¿Lógica de prompts? ¿Evaluaciones? ¿Interfaz de usuario? ¿Integraciones? ¿Auditoría?

Los modelos fundacionales propios son un sinsentido para la mayoría de las organizaciones de ventas. La orquestación propia, en cambio, a menudo es necesaria. Quien utiliza OpenAI, Anthropic, Google o Stability directamente obtiene modelos base potentes, pero no una lógica de ventas automáticamente limpia. Quien utiliza un SaaS de IA de ventas listo, obtiene velocidad, pero a veces poca transparencia sobre los costos del modelo, la recuperación o las clases de errores. Ambos pueden ser correctos. ¿Honestamente? No lo sé sin el contexto del sistema. Pero sé qué pregunta hago en el primer taller: ¿Dónde puede equivocarse el sistema y dónde no?

En un correo electrónico frío, el tono puede no ser perfecto. En una promesa de precio, nada puede fallar. En un resumen de llamada, puede faltar una frase secundaria sin importancia. En una promesa de cumplimiento, nada puede inventarse. Estas clases de riesgo deben incluirse en la arquitectura. De lo contrario, se discuten nombres de modelos mientras el problema real reside en el proceso de aprobación.

Pronóstico personal: Los próximos 2 a 3 años

Mi primer pronóstico: El término "IA en ventas" desaparecerá porque la IA estará en cada buen proceso de ventas. Nadie dice hoy "ventas basadas en bases de datos". Se usa CRM. Del mismo modo, nadie dirá con orgullo en 2028 que su seguimiento utiliza IA. Se esperará.

Mi segundo pronóstico: Los modelos pequeños serán más estratégicos que los modelos grandes. No porque sean más inteligentes. Sino porque pueden ejecutarse más cerca del proceso: más baratos, más rápidos, más a menudo, con menos drama. Los modelos grandes seguirán siendo importantes para tareas complejas. Pero el apalancamiento económico reside en el enrutamiento, la pre-verificación, la consolidación de datos y el control de calidad. Estas son tareas para modelos pequeños y rápidos y una arquitectura limpia.

Mi tercer pronóstico: La IA de imagen en B2B será primero sobreestimada y luego subestimada. Primero vendrán demasiados visuales genéricos. Luego la desilusión. Después las buenas aplicaciones: bocetos técnicos, micrositios específicos de la cuenta, navegación de ofertas, explicación interna del centro de compras. Si "Nano Banana 2 & Co." realmente acelera esta categoría, el ganador no será el modelo de imagen más bonito. El ganador será el modelo lo suficientemente fiable como para formar parte de una cadena de aprobación.

Mi cuarto pronóstico: La ventaja de ventas pasará del mensaje al momento. Si todos pueden generar buenos textos, lo que cuenta es quién detecta antes que una cuenta está lista para comprar, quién interpreta correctamente el motivo adecuado y quién reacciona en cuestión de minutos con sustancia relevante. No con spam. Con contexto. Esto suena poco espectacular. Pero es la diferencia entre el pipeline y el ruido.

Actualmente veo muchos equipos que prueban modelos como si los modelos fueran lo principal. Comparan capturas de pantalla, respuestas de demostración, clasificaciones. Mientras tanto, el CRM sigue sucio, el ICP impreciso, los datos del producto dispersos y el departamento legal se involucra demasiado tarde. Luego se sorprenden de que la IA en ventas no escale. El modelo no era el problema. Solo era la parte que brillaba más.