IA en Ventas: Zeller+Gmelin triplica su Pipeline

Case Study · 7. September 2026 · Mohsen Ghulami

IA en ventas en un caso real de mediana empresa: Cómo Zeller+Gmelin triplicó su pipeline. Lea la guía práctica con configuraciones, cifras y errores.

Quien en 2026 en la mediana empresa manufacturera todavía crea que los buenos productos generan automáticamente un buen pipeline, ha confundido las ventas con el negocio de piezas de repuesto. La IA en ventas no es relevante porque un bot escriba correos electrónicos bonitos, sino porque los mercados técnicos se han vuelto demasiado grandes, fragmentados y lentos para la intuición. Esto es incómodo. Especialmente para empresas que durante décadas han ganado clientes con ingeniería de aplicaciones, ferias y relaciones. Zeller+Gmelin, fabricante suabo de especialidades químicas para lubricantes industriales y tintas de impresión cerca de Stuttgart, es para mí exactamente un caso así: técnicamente fuerte, visible internacionalmente, pero antes de Amplifa con un acceso sistemático insuficiente a nuevos clientes.

Escribo esto como Mohsen Ghulami, GTM Engineer en Amplifa. No como un analista que imprime tres estudios de mercado y luego explica la mediana empresa. Mi trabajo es desglosar los mercados objetivo, consolidar las fuentes de datos, construir secuencias de outbound y encontrar el punto en el que un ingeniero de ventas ya no dice: "Otro lead más", sino: "Quiero encargarme yo mismo de esta reunión".

En Zeller+Gmelin no se trataba de una simple herramienta de leads. Se trataba de cómo una mediana empresa con alrededor de 900 empleados, estructuras de producción y ventas en varias regiones y una cartera de lubricantes de alto rendimiento, tintas de huecograbado, tintas flexográficas y sistemas de curado UV puede triplicar su pipeline en nueve meses, sin contratar a 15 nuevos SDRs. Bueno, casi. También se trataba de eliminar algunos viejos reflejos de ventas.

Planteamiento del problema: Por qué la IA en ventas era necesaria aquí

El problema en Zeller+Gmelin no era la demanda. En la impresión de envases, la normativa, el contacto con alimentos, los sistemas de baja migración y los envases sostenibles impulsan el mercado. En el sector de los lubricantes, los OEMs, el mantenimiento y los directores de planta hablan de eficiencia energética, tiempos de vida útil, monitorización de condiciones y menos paradas. Según la previsión de IndexBox, el mercado de tintas de curado UV crecerá alrededor del 7,9 por ciento de CAGR hasta 2035; las tintas especiales termocromáticas y variables se sitúan, según los análisis de mercado, en aproximadamente el 7,5 por ciento de CAGR. Al mismo tiempo, las nuevas formulaciones en aplicaciones críticas a menudo requieren de 6 a 18 meses para su aprobación. Esto huele a pipeline. Pero también huele a laboratorio, ciclos de aprobación y notas muy largas en el CRM.

Si no se utiliza la IA en ventas en un entorno así, ocurre algo trivial: la fuerza de ventas se queda estancada en la base de clientes existente. No porque sea perezosa. Sino porque es necesaria. En pruebas de clientes, reclamaciones, muestras, preguntas sobre REACH, fechas de entrega, cálculos, visitas a fábricas. Thomas, director de ventas de química industrial en el sur de Alemania, me dijo en abril de 2025 con bastante sequedad: "No teníamos una brecha de leads. Teníamos una brecha de capacidad antes de la primera conversación real". Esa frase se me quedó grabada porque encaja con muchos fabricantes de maquinaria, empresas químicas y fabricantes de componentes. Phoenix Contact, Festo, Wittenstein, en todas partes se ven variantes del mismo patrón: el conocimiento reside en pocas personas, y precisamente esas personas también deben desarrollar sistemáticamente nuevos mercados.

Antes de Amplifa, el pipeline de Zeller+Gmelin estaba fuertemente influenciado por cuentas conocidas. La proporción de nuevos clientes era internamente inferior al 20 por ciento. ¿Las fuentes de leads? Ferias, recomendaciones, distribuidores existentes, consultas ocasionales en el sitio web, búsquedas individuales en LinkedIn de colegas de ventas motivados. Funciona. Hasta que ya no es suficiente. Especialmente cuando competidores como Siegwerk, Flint Group, Fuchs SE, Shell o Castrol aparecen con redes de ventas más grandes y el 'long tail' de clientes objetivo adecuados se distribuye en algún lugar entre Bielefeld, Lyon, Eindhoven y Brno.

Sabíamos que había muchos clientes objetivo adecuados ahí fuera (impresores de envases, fabricantes de maquinaria, OEMs). Pero simplemente nos faltaba la capacidad para identificarlos sistemáticamente y abordarlos de manera adecuada.

— Thomas, Director de Ventas de Química Industrial, Región de Stuttgart

Lo peligroso de esto: uno se da cuenta tarde. Durante un año, la tabla de pronósticos todavía se ve ordenada porque los clientes existentes posponen proyectos. Luego, dos cuentas clave posponen inversiones, un cliente de envases espera aprobaciones regulatorias, un OEM congela su programa, y de repente el pipeline ya no es un embudo, sino una pieza de museo. Bien etiquetada. Sin movimiento.

Resumen: Lo que muestra esta guía práctica sobre IA en ventas

Aquí no muestro "la IA automatiza las ventas". No es del todo cierto, muchos lo venden así. Muestro la configuración concreta con la que Zeller+Gmelin triplicó su pipeline de ventas activo en nueve meses: desde la segmentación hasta el enriquecimiento de datos y el outbound de AI-SDR, pasando por la entrega a los ingenieros de ventas técnicos. El punto relevante no es el correo electrónico. El punto relevante es el sistema operativo que hay detrás.

Los pasos de esta guía:

• Paso 1: Traducir datos de inventario y pedidos históricos a patrones de clientes objetivo
• Paso 2: Enriquecer segmentos de mercado con motivos de compra y señales técnicas
• Paso 3: Construir secuencias de AI-SDR separadas para tintas de impresión y lubricantes
• Paso 4: Diseñar la cualificación para que los ingenieros de campo no pierdan tiempo
• Paso 5: Programar revisiones de pipeline, bucles de retroalimentación y correcciones de mensajes semanalmente

El resultado: el número de oportunidades cualificadas para ventas (sales-qualified Opportunities) aumentó de un promedio de unas 30 al mes a más de 90. El valor del pipeline se triplicó en comparación con la línea base. La proporción de nuevos logos aumentó de menos del 20 por ciento a casi la mitad del pipeline activo. Y sí, estas cifras solo son interesantes porque surgieron en un mercado donde una "cita" no significa que alguien haga clic en una demostración el jueves. A menudo significa: primera conversación técnica, muestra, parámetros de la máquina, sustrato, proceso de aprobación, compras, QA, director de producción. A veces, el siguiente paso huele a disolvente y aceite de máquina caliente.

Paso 1: Construir patrones de clientes objetivo reales a partir de datos de CRM

El primer error en este tipo de proyectos es casi siempre el mismo: se empieza con listas. "Danos 5.000 impresores de envases en Europa". Por favor, no. Eso no es una estrategia de Go-to-Market, es basura de datos con función de exportación. En Zeller+Gmelin, primero analizamos el CRM existente, los datos históricos de ofertas, los proyectos ganados y las oportunidades perdidas. No es perfecto. Ningún CRM es perfecto. Pero incluso un CRM desordenado dice la verdad si se busca la repetición.

Observamos qué cuentas encajaban realmente bien: impresores flexográficos y de huecograbado de tamaño mediano con envases alimentarios, convertidores con presión regulatoria en sistemas de baja migración, clientes industriales con alta disponibilidad de plantas, OEMs con programas de mantenimiento y lubricación, distribuidores en mercados con necesidad de asesoramiento técnico. Luego vino la pregunta difícil: ¿Qué características eran visibles antes de la primera conversación? Porque si una señal solo se hace visible en una prueba de laboratorio, no ayuda para la prospección. Eran visibles, por ejemplo, los procesos de impresión, las certificaciones, los segmentos de envases, las indicaciones sobre el parque de maquinaria, la estructura de la ubicación, los mercados de exportación, la comunicación de sostenibilidad, los puestos vacantes en calidad o ingeniería de aplicaciones.

Un ejemplo concreto: un impresor de envases en el norte de Italia, 180 empleados, Flexible Packaging, indicios de huecograbado y flexografía, certificaciones ISO, clientes de alimentación y farmacia, sitio web con página de sostenibilidad, pero sin comunicación clara sobre UV de baja migración. Para un SDR genérico, esto es una "imprenta". Para Zeller+Gmelin, es potencialmente una cuenta donde el dolor regulatorio, la aplicación técnica y el margen se unen. Precisamente ahí debe ayudar la IA en ventas: no escupir más contactos, sino formar mejores hipótesis.

Para ello, construimos un modelo de ajuste. No es magia negra. Más bien una lógica de puntuación estructurada con ponderaciones que validamos con ventas e ingeniería de aplicaciones. Una cuenta obtenía puntos por segmento, tamaño de la empresa, tecnología, relevancia regulatoria, prioridad geográfica y caso de uso supuesto. Había puntos negativos para empresas demasiado pequeñas, imprentas comerciales puras sin enfoque en envases, empresas comerciales sin profundidad técnica o mercados en los que Zeller+Gmelin conscientemente no quería ser agresivo. Suena seco. Y lo era. Pero el trabajo seco triplica el pipeline con más frecuencia que un taller creativo de líneas de asunto.

La discusión más importante no fue qué IA usaríamos. La discusión más importante fue: ¿A quién no queremos contactar en absoluto?

— Julia, Operaciones de Marketing, Ulm

Paso 2: Enriquecer segmentos de mercado con señales

Después del trabajo de ICP, vino el enriquecimiento. Para las tintas de impresión, separamos los segmentos objetivo: envases flexibles, etiquetas, papeles decorativos, aplicaciones especiales, sistemas de curado UV. Para los lubricantes: ingeniería mecánica, metalurgia, producción de alimentos, proveedores de automoción, aplicaciones eólicas y energéticas, mantenimiento industrial con madurez en la monitorización de condiciones. Esto suena a diapositiva de la industria. En la herramienta, se convirtió en un modelo de datos con campos, fuentes y reglas de decisión.

Hemos combinado datos firmográficos, señales públicas de sitios web, ofertas de empleo, certificados, páginas de productos, listas de expositores de ferias, información de empresas de LinkedIn y, en parte, tecnografía. Un ejemplo de mayo de 2025: Si un fabricante de maquinaria en Baden-Württemberg había publicado ofertas de empleo para "Predictive Maintenance Engineer" y "Service Sales Manager", obtenía un mayor peso de señal para ciertas campañas de lubricantes. ¿Por qué? Porque la monitorización de condiciones rara vez viene sola. Quien mide el estado de las máquinas, en algún momento pregunta por el desgaste, los intervalos, la calidad del aceite, los paquetes de aditivos y el TCO. Ahí la conversación no comienza con "Tenemos lubricantes", sino con "¿Qué tan fiables son sus datos sobre fricción y vida útil en el campo?"

Para los impresores de envases, la lógica era diferente. Allí buscábamos términos como envases alimentarios, envases flexibles, baja migración, UV, LED-UV, huecograbado, flexografía, envases farmacéuticos, informe de sostenibilidad, sistemas a base de disolventes o tintas a base de agua. No todos los términos eran un motivo de compra. Pero las combinaciones se volvieron interesantes. Una empresa que comunica envases alimentarios, flexografía, nuevos objetivos de sostenibilidad y crecimiento en el Benelux no es un contacto casual. Es una hipótesis con dirección.

De nuestras implementaciones sabemos: en proyectos de medianas empresas técnicas, entre el 60 y el 70 por ciento de las oportunidades posteriormente aceptadas no son las cuentas con la puntuación general más alta, sino las cuentas con dos o tres señales de compra muy específicas. En Zeller+Gmelin, por ejemplo, eran la impresión de envases más el cumplimiento alimentario más la indicación de tecnología UV o flexográfica. En el sector de los lubricantes, eran el negocio de servicios OEM más el lenguaje de monitorización de condiciones más una base instalada internacional. Esto no es una frase de libro de texto. Este es el patrón que veo cuando los lunes comparo los datos de respuesta de las secuencias de outbound con las tasas de aceptación del CRM.

La diferencia parece pequeña. Es brutal. Una cuenta con altos ingresos y un motivo equivocado consume tiempo. Una cuenta de tamaño mediano con un motivo real abre puertas. Andrea, Directora de Ventas de un 'Hidden Champion' en Bielefeld, me dijo en junio de 2025: "Nuestros mejores nuevos clientes nunca parecían glamurosos en la base de datos. Simplemente tenían exactamente el problema que podíamos resolver". Exacto.

Paso 3: Construir secuencias de AI-SDR para centros de compra técnicos

Solo ahora llegó el outbound. Muchos empiezan aquí. Incorrecto. Sin lógica de segmento, la IA escribe un acoso cortés. En Zeller+Gmelin, separamos las secuencias por unidad de negocio, caso de uso y persona. Para las tintas de impresión había mensajes diferentes que para los lubricantes. Para los gerentes de sostenibilidad, diferentes que para los directores de producción. Para los directores de calidad, diferentes que para compras. Y no, no construimos 48 variantes porque a alguien le encantan las personas en un taller. Construimos las variantes que tienen objeciones, lenguaje y próximos pasos mediblemente diferentes.

Un flujo de trabajo típico de tintas de impresión funcionaba así: la cuenta se cualifica mediante el modelo de ajuste, se identifican los contactos relevantes, se verifican los datos de contacto y, a continuación, el AI-SDR genera una secuencia de correo electrónico, contacto en LinkedIn y una tarea de llamada opcional. El primer correo electrónico no hace referencia a la "innovación" o la "asociación". Hace referencia al contexto técnico supuesto: envases flexibles, contacto con alimentos, migración, UV/LED-UV o huecograbado. El segundo mensaje aporta una prueba breve. El tercero pregunta por el interlocutor adecuado para las aprobaciones técnicas. Tras una respuesta positiva, no se lanza inmediatamente un discurso de ventas, sino que se inicia un bloque de descubrimiento: proceso de impresión, sustrato, requisitos normativos, cuello de botella actual, plazos.

Para los lubricantes, la secuencia era más sencilla. Sin términos de embalaje llamativos. Más mantenimiento. Más tiempo de inactividad. Más engranajes, compresores, mecanizado, consumo de energía, aprobaciones. Una posible entrada decía, en esencia: "Observamos en varios OEMs que la selección de lubricantes está más vinculada a los programas de monitorización de condiciones. ¿Forma esto ya parte de su estrategia de servicio o mantenimiento?" Corto. No una novela. El AI-SDR adaptaba el mensaje según la cuenta: ingeniería mecánica, producción de alimentos, proveedor de automoción o aplicación energética.

La entrega era importante. Un lead no se entregaba a ventas porque alguien escribiera "interesante". Eso es demasiado blando. Definimos criterios de entrega: área de aplicación confirmada, rol relevante, ventana de tiempo, problema técnico o motivo del proyecto, ajuste mínimo con el segmento, ninguna exclusión obvia por región o cartera. Solo entonces se creaba una oportunidad o un lead cualificado en el CRM, incluyendo un resumen, notas de conversación, área de producto supuesta y la siguiente acción recomendada. Un ingeniero de ventas debía entender en 90 segundos por qué este contacto merecía su tiempo.

El mayor cambio no fue solo la cantidad de leads, sino su precisión. De repente, teníamos conversaciones con impresores de envases que realmente podían usar nuestros sistemas de baja migración.

— Anna, Directora de Ventas de Tintas de Impresión, Stuttgart

Pasos 4 y 5: Flujos de trabajo avanzados para la gestión del pipeline

1. Limitar radicalmente los campos del CRM: En Zeller+Gmelin no introdujimos 40 campos obligatorios, sino pocos campos que influyen en las decisiones: segmento, aplicación, tecnología, contexto regulatorio, fase del proyecto, siguiente paso técnico. Si un campo no desencadena una acción, es decoración.
2. Incorporar 'human-in-the-loop' para declaraciones técnicas: El AI-SDR podía formular hipótesis, pero no hacer promesas de productos fiables. Las declaraciones sobre REACH, contacto con alimentos, aprobaciones o vida útil se formulaban como motivo de conversación y, si era necesario, se remitían a ingeniería de aplicaciones.
3. Revisión semanal del pipeline en lugar de informe mensual: Cada martes se revisaban las nuevas respuestas, los leads aceptados, los leads rechazados y los motivos de no ajuste. La reunión duraba 35 minutos. Si duraba más, el panel de control solía ser deficiente.
4. Utilizar los motivos de no ajuste como datos de entrenamiento: "Demasiado pequeño", "proceso de impresión incorrecto", "solo distribuidor", "no es un proyecto técnico", "región no priorizada": estos motivos se volvían a introducir en la puntuación. No como aprendizaje en PowerPoint, sino como cambio de regla.
5. Acortar o alargar secuencias según el resultado del segmento: Los impresores de envases con una clara señal de cumplimiento recibían secuencias más cortas y directas. Los fabricantes de maquinaria con señales de servicio y monitorización de condiciones a menudo necesitaban más contexto, porque el motivo de compra estaba distribuido.
6. Establecer la aceptación de ventas como estrella polar: No MQLs. No tasas de apertura. No "contactos generados". Lo decisivo era: ¿Cuántas oportunidades entregadas acepta el equipo de ventas técnico sin poner los ojos en blanco?

Los pasos avanzados suenan a disciplina de proceso. Y lo son. Por eso funcionan. Nunca he visto un proyecto de outbound B2B que haya fracasado por falta de creatividad. Muchos fracasan por falta de retroalimentación. El AI-SDR no aprende, ventas no confía en el sistema, marketing optimiza para cifras bonitas, y después de tres meses alguien dice: "La IA no funciona para nosotros". "Eso no funciona para nosotros", me dijo recientemente un CSO de Núremberg. Cuando analizamos los datos, resultó que el 72 por ciento de los leads rechazados provenían de dos segmentos que nunca deberían haber sido abordados. La IA no era el problema. La aprobación del segmento sí lo era.

En Zeller+Gmelin, por lo tanto, analizamos con especial atención los motivos de rechazo. Si un ingeniero de ventas rechazaba un lead, debía haber una razón. No como control. Como material de aprendizaje. Una vez apareció varias veces "interlocutor incorrecto - compras demasiado pronto". Así que cambiamos la secuencia: en ciertas cuentas de envases, primero se contactaba con calidad, ingeniería de aplicaciones o dirección de producción, y compras solo más tarde como stakeholder. La calidad de las citas aumentó. Pequeño cambio. Gran efecto.

Lista de verificación de herramientas y flujos de trabajo para IA en ventas

La tabla es sencilla. Intencionadamente. La complejidad no reside en 17 herramientas, sino en las decisiones intermedias. A menudo veo stacks con HubSpot, Salesforce, Apollo, LinkedIn Sales Navigator, Clay, ChatGPT, Make, Zapier y algún proveedor de intención. Todo útil individualmente. Juntos, a menudo un plato de espagueti. En Zeller+Gmelin, la arquitectura era más esbelta: Amplifa como lógica de AI-SDR y orquestación, CRM como sistema de registro, fuentes de datos definidas para el enriquecimiento, entrega clara a ventas. Eso fue suficiente porque las cuestiones de proceso se habían aclarado de antemano.

Auditoría de Ventas de Amplifa Compruebe dónde se está filtrando su pipeline hoy: ICP, calidad de datos, configuración de outbound, entrega al CRM y aceptación de ventas en una auditoría estructurada.

Impacto empresarial: Lo que significó en la práctica la triplicación

Un pipeline triplicado suena bien. Pero en la mediana empresa, lo que cuenta es lo que cambia en el día a día. En Zeller+Gmelin significó: la fuerza de ventas tuvo que investigar menos en frío y pudo dedicar más tiempo a conversaciones técnicas. Los ingenieros de ventas de campo, según una evaluación interna, dedicaron entre un 30 y un 40 por ciento más de tiempo a visitas a sitios, muestreos, pruebas y procesos de aprobación en lugar de a la primera toma de contacto. Esto no es glamuroso. Pero es precisamente ahí donde surgen los pedidos en la química especializada.

El segundo efecto fue más estratégico. La proporción de nuevos logos en el pipeline activo aumentó de menos del 20 por ciento a aproximadamente el 45-50 por ciento. De repente, Zeller+Gmelin no solo veía a los grandes clientes y distribuidores conocidos, sino también a convertidores más pequeños en Europa del Este, especialistas en envases en el Benelux, OEMs con programas de servicio, productores de alimentos con requisitos especiales de lubricantes. Algunas de estas cuentas quizás habrían pasado por una feria antes. Quizás. En el ruido de un pabellón en Düsseldorf, entre alfombras, expositores de folletos y el olor a impresión fresca en películas de muestra.

El tercer efecto fue la velocidad. El tiempo desde el primer contacto hasta la toma de muestras técnica disminuyó en los segmentos priorizados entre un 20 y un 30 por ciento. No porque las aprobaciones se acortaran de repente. Esas siguen siendo difíciles. Sino porque las conversaciones de bajo ajuste se descartaban antes y las de alto ajuste comenzaban mejor preparadas. Si el ingeniero de ventas ya sabe antes de la primera llamada que un convertidor tiene envases alimentarios, flexografía y temas de baja migración, la conversación comienza en otro nivel. Menos charla trivial. Más sustrato.

En el sector de los lubricantes, la identificación de los interlocutores adecuados siempre fue difícil. La plataforma no solo nos mostró nuevos OEMs, sino también a los directores de mantenimiento e ingenieros de planta que realmente querían hablar de monitorización de condiciones.

— Markus, Director de la División de Lubricantes, Göppingen

Por qué una estrategia puramente inbound es insuficiente en la mediana empresa

Me atrevo a decir: cualquier mediana empresa técnica que solo apueste por el inbound pierde las mejores oportunidades frente a competidores más ruidosos. El inbound funciona con problemas claramente definidos, alta actividad de búsqueda y procesos de decisión cortos. Pero, ¿qué director de mantenimiento busca en Google en el momento adecuado "paquete de aditivos de alto rendimiento para engranajes energéticamente eficientes con relevancia para la monitorización de condiciones"? ¿Qué ingeniero de envases busca públicamente un cambio en los sistemas de tinta de baja migración cuando internamente calidad, compras y producción están discutiendo?

Por supuesto, se necesita buen contenido. Julia, del equipo de marketing en Ulm, utilizó precisamente eso: a partir de los segmentos que Amplifa identificó, surgieron páginas de destino y materiales de conversación sobre impresión flexográfica UV-LED, sistemas de baja migración y biolubricantes. Pero el contenido por sí solo espera. El outbound mueve. La combinación fue el punto clave. Primero la lógica de clientes objetivo, luego el contenido adecuado, luego el AI-SDR segmentado, luego las ventas técnicas humanas. No al revés.

Esa es también la razón por la que a menudo encuentro el término "generación de leads" demasiado pequeño. No se trata de leads. Se trata de cobertura de mercado. ¿Qué empresas adecuadas aún no conocemos? ¿Cuáles nos conocen, pero no para este caso de uso? ¿Cuáles tienen una señal que indica disposición al cambio? ¿Cuáles deberíamos ignorar conscientemente? Estas preguntas deciden la calidad del pipeline. No el asunto con el nombre de pila.

FAQ: Preguntas frecuentes sobre IA en ventas

¿Cuánto tiempo tarda la IA en ventas en generar un pipeline medible?

En Zeller+Gmelin, vimos las primeras señales fiables después de unas pocas semanas: respuestas, primeras conversaciones aceptadas, primeras cualificaciones técnicas. El verdadero impacto en el pipeline se hizo evidente a lo largo de nueve meses. Esto encaja con los mercados B2B técnicos. Quien espera ingresos después de 14 días, o vende un producto muy simple o se engaña a sí mismo. Para las medianas empresas con ciclos de ventas de 9 a 18 meses, el KPI temprano no es el ingreso, sino la oportunidad aceptada con un claro siguiente paso técnico.

¿Un AI-SDR reemplaza a la fuerza de ventas?

No. Y si alguien afirma eso, yo sería cauteloso. Un AI-SDR no reemplaza al ingeniero de ventas que está en la máquina del cliente, que reconoce el olor a aceite sobrecalentado o que en la sala de impresión entiende por qué un sustrato causa problemas. El AI-SDR reemplaza la búsqueda manual de cuentas adecuadas, el primer contacto estructurado y parte de la precualificación. El humano interviene más tarde, pero mejor preparado.

¿Qué datos se necesitan para la IA en ventas en la mediana empresa?

Se necesitan menos datos perfectos de lo que muchos piensan, pero más claridad sobre los buenos clientes. Los pedidos históricos, las oportunidades ganadas y perdidas, las áreas de producto, los segmentos objetivo, los criterios de no ajuste, las prioridades regionales y algunas exclusiones estrictas suelen ser suficientes para empezar. En Zeller+Gmelin, no fue solo el CRM lo decisivo, sino la combinación de CRM, conocimiento de ventas, ingeniería de aplicaciones y señales externas como certificados, procesos de impresión, ofertas de empleo y temas de sostenibilidad.

Producto Amplifa La plataforma AI-SDR de Amplifa conecta la identificación de clientes objetivo, el enriquecimiento de datos, el outbound personalizado y la entrega al CRM para equipos de ventas B2B.

Tres aprendizajes para las medianas empresas manufactureras

Primer aprendizaje: la segmentación supera la personalización. Un correo electrónico con el nombre de la empresa, el sector y una introducción agradable aporta poco si el segmento es incorrecto. En Zeller+Gmelin, los mejores resultados se obtuvieron donde el caso de uso, la tecnología y el motivo de compra coincidían. Las tintas de impresión y los lubricantes debían pensarse por separado. En realidad, es lógico. Sin embargo, a menudo se ignora porque una configuración de campaña común es más cómoda.

Segundo aprendizaje: la aceptación de ventas es más dura que la tasa de respuesta. Una alta tasa de respuesta puede ser una señal de advertencia si las respuestas provienen de grupos objetivo incorrectos. En productos técnicos, lo que cuenta es si el equipo de ventas acepta el lead y lo procesa. Por lo tanto, en Zeller+Gmelin no se optimizó para métricas de vanidad, sino para oportunidades aceptadas, primeras conversaciones técnicas y progreso hacia el muestreo.

Tercer aprendizaje: la IA necesita límites. El AI-SDR no podía prometer aprobaciones técnicas, inventar declaraciones de cumplimiento ni garantizar el rendimiento del producto. Podía formular hipótesis, hacer preguntas, cualificar contactos y proporcionar contexto. Este límite fue crucial para la confianza. Especialmente en química, ingeniería mecánica, tecnología médica o automoción, la precisión falsa es más peligrosa que la ausencia total de automatización.

Para mí, Zeller+Gmelin es una buena historia de éxito de cliente porque no huele a fantasía de Silicon Valley. No hay "hemos automatizado las ventas". No hay teatro de paneles de control. Más bien, un trabajo de ventas suabo con soporte de IA: definir claramente los clientes objetivo, tomarse los datos en serio, probar secuencias, evaluar los rechazos, mejorar las entregas técnicas. Al final, un pipeline triplicado. No porque la IA haga magia, sino porque asume un trabajo que las personas de ventas deberían haber hecho de forma secundaria durante demasiado tiempo.

Historia de éxito completa Lea la historia completa del cliente Zeller+Gmelin y cómo Amplifa ayudó a construir un pipeline de ventas tres veces mayor.

Los 3 aprendizajes más importantes

1. La IA en ventas solo funciona en la mediana empresa si antes está claro qué cuentas no deben ser procesadas. El 'no-fit' no es un tema marginal, sino una protección del pipeline.
2. La mejor arquitectura de AI-SDR combina señales de compra externas con el conocimiento interno de ventas. En Zeller+Gmelin, combinaciones específicas como el cumplimiento alimentario más la tecnología flexográfica o el servicio OEM más la monitorización de condiciones fueron más fuertes que el tamaño general de la empresa.
3. La fuerza de ventas no es reemplazada, sino aliviada. La máquina se encarga de la búsqueda, la precualificación y el contexto. El humano se encarga del asesoramiento técnico, la confianza y los procesos de aprobación.

Cuando miro este tipo de proyectos, rara vez veo empresas a las que les falten oportunidades de mercado. Veo empresas que encuentran sus oportunidades demasiado tarde, de forma demasiado aleatoria o demasiado manual. En Zeller+Gmelin, eso cambió, y en algún CRM ahora hay una cuenta que probablemente antes solo se habría notado en la próxima feria.