Un vendedor abre una oportunidad marcada como prioritaria. El cliente encaja, el importe es atractivo y hubo una reunión reciente. Aun así, la ficha no resuelve lo que necesita saber esta mañana: si conviene llamar, preparar una respuesta técnica, involucrar a otra persona o esperar el plazo acordado.
La próxima mejor acción en ventas, conocida como next best action, es una recomendación contextual sobre qué hacer a continuación para ayudar a avanzar una compra. Su utilidad depende de la evidencia que la sostiene, del obstáculo que busca resolver y de que alguien compruebe el resultado. La inteligencia artificial (IA) puede ayudar a formularla; el nombre no garantiza que sea la mejor decisión.
Ordenar las oportunidades y decidir una intervención son problemas relacionados, pero distintos. Una puntuación alta indica dónde prestar atención. No establece por sí misma qué necesita el comprador. Dos cuentas igualmente prioritarias pueden requerir acciones opuestas: una espera una propuesta y otra pidió expresamente retomar la conversación el mes siguiente.
Por eso, esta práctica complementa la gestión de oportunidades comerciales. Parte de una situación ya documentada y propone una intervención concreta: resolver una duda, verificar un requisito, acordar un siguiente paso o reconocer que todavía falta información. «Contactar al cliente» es demasiado amplio para evaluar si la recomendación tenía sentido.
El 20 de mayo de 2026, Gartner informó que las organizaciones que ofrecen próximas acciones apoyadas por IA eran 2,6 veces más propensas a lograr crecimiento comercial. El comunicado se apoya en una encuesta a 227 directores de ventas realizada entre agosto y septiembre de 2025.
El hallazgo describe una asociación. No demuestra que activar recomendaciones cause ese crecimiento ni que las ventas aumenten 2,6 veces. Tampoco constituye una referencia específica para pymes latinoamericanas. El comunicado público no permite reconstruir todos los controles del análisis, por lo que conviene leerlo como una señal para investigar el diseño del trabajo comercial.
La consecuencia práctica es ensayar una hipótesis acotada: si el equipo recibe sugerencias pertinentes y puede cuestionarlas, quizá reduzca el tiempo que dedica a decidir qué hacer. Comprobar esa mejora requiere observar la operación propia.
El siguiente marco es una propuesta práctica de El Ciclo. Puede aplicarse inicialmente con reglas sencillas en un sistema de gestión de relaciones con clientes, conocido como CRM por Customer Relationship Management, antes de incorporar recomendaciones generadas por IA.
Separar estas piezas evita que una inferencia se convierta en un hecho por repetición. «No conocemos al responsable de presupuesto» describe una carencia de información. «El contacto no tiene influencia» atribuye una condición que quizá nadie comprobó. La recomendación adecuada puede consistir precisamente en preguntar cómo se tomará la decisión.
La matriz propone opciones, no instrucciones universales. Cada equipo debe ajustar los plazos y las condiciones a su ciclo comercial y a lo acordado con el comprador.
| Situación observada | Acción propuesta | Resultado que conviene comprobar |
|---|---|---|
| Reunión realizada sin siguiente paso registrado. | Revisar las notas y proponer un compromiso específico. | El comprador acepta una tarea, un responsable y una fecha. |
| La propuesta necesita aprobación de una persona aún no involucrada. | Preguntar al interlocutor cómo incorporar esa evaluación. | Se identifica el proceso de aprobación y la información requerida. |
| La oportunidad supera el tiempo habitual de su etapa. | Investigar el bloqueo antes de enviar otro recordatorio. | Se confirma si hay avance, pausa, falta de encaje o ausencia de decisión. |
| Una cuenta interactúa con contenido, sin necesidad confirmada. | Contrastar la señal con el historial y explorar su contexto. | Se distingue interés informativo de una evaluación de compra. |
| Se acerca una renovación y existe una incidencia abierta. | Coordinar primero la revisión del servicio con su responsable. | El cliente conoce la situación de la incidencia y el plan acordado. |
La última fila muestra por qué más contacto no siempre equivale a mejor seguimiento. Un mensaje comercial puede llegar en un momento inadecuado si otro equipo está resolviendo una falla. La recomendación necesita contexto compartido y un responsable que evite comunicaciones contradictorias.
Una regla puede detectar que venció una tarea. La IA puede ayudar a revisar notas y proponer qué asunto requiere atención. Esa capacidad resulta útil cuando la información está dispersa, pero exige que el vendedor pueda abrir la evidencia original y corregir la interpretación.
Existe una implementación concreta de esta lógica en Sales accelerator de Microsoft Dynamics 365 Sales: combina una lista de trabajo con información contextual y secuencias de actividades. Su documentación sobre creación de secuencias explica que estas definen actividades, orden y condiciones para orientar los pasos siguientes. Es un ejemplo de diseño de producto, no una prueba independiente de mejora comercial.
Conviene distinguir una secuencia configurada de una recomendación inferida. La primera ejecuta una lógica definida; la segunda interpreta información y puede equivocarse. Una interfaz puede presentar ambas como «siguiente acción», aunque sus fundamentos sean diferentes.
Para comenzar, la sugerencia debería mostrar el motivo, la fuente y qué dato falta. Si no puede justificar por qué propone un descuento o un cambio de fecha, el equipo no tiene una base suficiente para aceptarlo. Además, la ausencia de evidencia debería permitir una salida explícita: «revisar antes de recomendar».
En un ejemplo hipotético, una empresa de servicios selecciona veinte oportunidades activas. Decide probar recomendaciones solo cuando falta un próximo paso confirmado. Durante dos semanas, un responsable revisa las propuestas antes de que los vendedores las utilicen. La cantidad y el plazo son decisiones del ejemplo, no un estándar del mercado.
Cada recomendación queda aceptada, modificada o rechazada con un motivo. «La reunión ya estaba agendada» revela un registro incompleto. «El cliente pidió esperar» muestra que faltaba contexto. «La acción no resuelve el bloqueo» señala un problema de razonamiento. Reunir esos motivos permite corregir reglas y datos sin asumir que toda resistencia del vendedor es falta de adopción.
También conviene fijar límites desde el inicio: las sugerencias no deberían enviar comunicaciones, alterar condiciones comerciales ni cambiar etapas automáticamente durante esta prueba. El acceso a notas y registros debe respetar los permisos del equipo. La automatización puede ampliarse después para acciones concretas cuya ejecución y resultado puedan verificarse.
La evaluación puede separar tres preguntas. ¿La recomendación era pertinente? ¿Se ejecutó? ¿Ayudó a obtener un avance confirmado? Marcar una llamada como realizada responde solo a la segunda.
Como indicador inicial, puede medirse la proporción de sugerencias ejecutadas que terminaron en un siguiente paso aceptado por el cliente. El denominador debe incluir únicamente las acciones cuyo plazo de observación ya terminó; de otro modo, los casos recientes parecerán fallidos antes de tiempo. Conviene registrar también sugerencias incorrectas, tiempo de revisión y contactos innecesarios.
Comparar con un periodo anterior ayuda a orientar el análisis, pero no prueba causalidad: pueden haber cambiado el tipo de oportunidades, los vendedores o la demanda. Si el volumen lo permite, una prueba con grupos comparables y asignación aleatoria ofrece una evaluación más sólida. En ciclos largos, el cierre y los ingresos necesitarán más tiempo que la primera revisión operativa.
Es una recomendación contextual sobre qué hacer a continuación con una oportunidad. Debe explicar qué evidencia la sostiene, qué obstáculo busca resolver y cómo se comprobará el resultado.
El lead scoring ayuda a ordenar contactos u oportunidades mediante una puntuación. La próxima mejor acción propone una intervención concreta. Una misma prioridad puede requerir acciones diferentes según el contexto del comprador.
No. Es posible comenzar con reglas explícitas, datos actualizados y revisión humana. La IA puede ayudar a interpretar información dispersa, pero sus recomendaciones deben poder contrastarse con las fuentes originales.
Hay que revisar su pertinencia, ejecución y resultado. Además de tareas completadas, conviene medir próximos pasos aceptados por el cliente, errores, tiempo de revisión y contactos innecesarios, con un plazo de observación definido.
La interpretación de El Ciclo es que la ventaja de estos sistemas dependerá de la calidad del circuito de aprendizaje que construyan. Una recomendación aceptada sin explicación deja poco conocimiento para el equipo; una sugerencia rechazada con un motivo preciso puede revelar una condición decisiva de la compra.
Si las empresas conservan esa evidencia, sus procesos podrían volverse más explícitos y discutibles: sería posible comprender por qué se hizo una intervención y mejorar el criterio compartido. Si solo registran que una tarea se completó, la IA corre el riesgo de acelerar hábitos cuya utilidad nadie ha comprobado.