San Valentín es, probablemente, una de las campañas más competidas del año. Todas las marcas hablan de amor, todas usan corazones, y todas compiten por los mismos segundos de atención en redes sociales. Entonces, ¿cómo logras que tu campaña no sea «una más»?
Esa fue exactamente la pregunta que nos hicimos cuando desde Product Hackers empezamos a trabajar con MASMOVIL en su campaña de San Valentín 2026. El punto de partida era conocido: las landings promocionales estándar funcionaban, pero seguían un patrón predecible que dejaba poco espacio para la diferenciación. Queríamos que el usuario no solo viera una oferta, sino que descubriera cuál era la tarifa perfecta para su estilo de vida.
El resultado fue Perfect Match: un microsite interactivo que combina IA, Growth y una buena dosis de experimentación. Pero más allá del caso en sí, este proyecto cristaliza algo en lo que vengo trabajando hace meses: usar IA para comprimir el ciclo de experimentación. Pasar de la idea a producción en días, no semanas. En este artículo te cuento cómo lo hicimos, qué resultados obtuvimos y, sobre todo, por qué creo que este es el futuro del Growth.
Piénsalo un segundo. Estás scrolleando Instagram, ves un anuncio de una operadora de telecomunicaciones y haces clic. ¿Qué esperas encontrar? Probablemente una página con 3 tarifas, una tabla de precios y un botón de «Contratar». Es funcional, sí, pero… ¿memorable? Difícilmente.
El desafío con MASMOVIL era romper ese patrón. No queríamos crear otro escaparate de tarifas con corazones de fondo. Queríamos construir una experiencia donde:
La hipótesis era directa: si transformamos la experiencia de descubrimiento de tarifa en algo interactivo y personalizado, aumentaremos el tráfico cualificado al checkout respecto a lo que una landing estática habría logrado con el mismo presupuesto de ads.
Aquí es donde las cosas se ponen interesantes. En lugar de seguir el camino tradicional (brief → diseño → desarrollo → QA → lanzamiento, un proceso que puede tomar semanas), decidimos usar herramientas de IA como aceleradores en cada fase del proyecto.
Aquí viene la parte que más me entusiasma compartir: usamos IA de forma creativa en cada fase, no solo para generar código.
AI Studio Apps de Google fue nuestra herramienta para construir el prototipo funcional de la aplicación. No un mockup estático en Figma, sino una app navegable con el flujo completo: landing emocional → quiz interactivo → resultado personalizado → CTA de conversión. Esto nos permitió validar la experiencia completa antes de escribir una sola línea de código de producción. El equipo pudo recorrer el quiz, ver cómo se sentía cada transición y ajustar el tono de las preguntas en tiempo real.
Antigravity (un agente de IA de codificación avanzada) fue nuestro copiloto técnico durante todo el proyecto. Pero lo más interesante fue su uso creativo más allá del código:
¿El aprendizaje oculto aquí? La IA no fue solo un acelerador de código. Fue un acelerador de storytelling: nos permitió presentar al cliente un concepto tangible, con prototipo funcional y presentación profesional, en una fracción del tiempo que habría llevado un flujo tradicional.
Voy a ser directo: esto cambia las reglas del juego para cualquier Growth Manager. El cuello de botella histórico de la experimentación nunca fue la falta de ideas, sino el tiempo que toma ejecutarlas. Si puedes pasar de concepto a prototipo en una tarde, puedes permitirte fallar más rápido y aprender más rápido. Ese es el punto.
El corazón de Perfect Match es un quiz de 5 preguntas diseñadas para perfilar al usuario según su estilo de vida digital:
| # | Pregunta | Lo que mide |
|---|---|---|
| Q1 | «¿Eres de maratones de series?» | Consumo de streaming |
| Q2 | «¿TikTok/Reels todo el día?» | Uso intensivo de datos |
| Q3 | «¿Videollamadas de trabajo?» | Estabilidad de fibra |
| Q4 | «¿Familia conectada en casa?» | Concurrencia de dispositivos |
| Q5 | «¿Manta y peli los domingos?» | Entretenimiento en el hogar |
Detrás de cada respuesta hay un algoritmo de puntuación que asigna pesos diferenciados. Las preguntas Q2 (TikTok) y Q4 (Familia) tienen peso doble (+2 puntos) porque son los mayores indicadores de consumo de datos real. Según el puntaje acumulado, el usuario recibe una de tres recomendaciones: BASIC, BALANCED o PREMIUM.
¿El resultado? El usuario siente que la tarifa «le encontró a él», no que eligió de un catálogo.
Uno de los aprendizajes más valiosos del proyecto fue la implementación del CTA Dual. Dependiendo del origen del usuario (campaña de branding vs. performance), el botón final mostraba una acción diferente:
Esta decisión no fue arbitraria. Sabíamos que muchos usuarios que llegan desde redes sociales no están listos para contratar online, pero sí tienen interés. En lugar de perderlos, les ofrecimos una ruta alternativa de conversión. La innovación no siempre es tecnológica; a veces es estratégica.
La campaña corrió del 13 al 16 de febrero (San Valentín 2026), con el 100% del tráfico de campaña dirigido a la experiencia de Perfect Match. Estos fueron los resultados finales:
| Métrica | Tasa | Lectura |
|---|---|---|
| Quiz Start | 38,21% | Casi 2 de cada 5 visitantes iniciaron el quiz |
| Quiz Complete | 25,00% | 1 de cada 4 visitantes completó las 5 preguntas |
| Completion Rate | 65,4% | 2 de cada 3 que iniciaron el quiz, lo terminaron |
| CTA Click | 5,03% | 1 de cada 5 completadores hizo clic en el CTA |
| CTA → Carrito | 46,9% | Casi 1 de cada 2 que hicieron clic, llegaron al checkout |
| Begin Checkout | 2,36% | — |
| Lead CRM | 1,42% | 9 leads generados |
| Purchase | 0,67% | 3 compras cerradas |
| Value per Visitor | 0,15€ | Sobre 95.400€ de valor total |
Con 636 visitantes en 4 días, obtuvimos 27 acciones de negocio (compras + leads), lo que representa un 4,2% de conversión a acción comercial sobre el total de visitantes.
Que 2 de cada 5 visitantes inicien voluntariamente un quiz en una landing de telecomunicaciones no es algo menor. Esto confirma que los usuarios responden mejor a experiencias de descubrimiento que a catálogos estáticos. La gamificación light del formato (preguntas de estilo de vida, no formularios aburridos) fue clave.
La tasa de finalización del quiz fue del 65,4%: 2 de cada 3 que lo empezaron, lo terminaron. Esto nos dice que las 5 preguntas encontraron el balance correcto entre lo suficientemente largo para cualificar y lo suficientemente corto para no aburrir. En experimentación, estos detalles marcan la diferencia.
Quienes llegaron al CTA después de completar el quiz mostraron una intención real: casi 1 de cada 2 hizo clic y llegó al carrito. Esto es una tasa de conversión CTA→Carrito del 46,9%, significativamente más alta que en flujos tradicionales donde el usuario no ha pasado por un proceso de cualificación.
Con solo 636 visitantes, 3 compras y 9 leads pueden parecer números modestos. Pero la lectura correcta es otra: esta experiencia demostró que un formato interactivo puede funcionar como canal de cualificación y que el CTA Dual captura intención en diferentes fases del journey del usuario.
Quizás el aprendizaje más transversal: la IA no reemplazó al equipo. Lo amplificó. Nos permitió pasar de concepto a producción en un tiempo que habría sido imposible con flujos tradicionales. Desde prototipar el UI hasta depurar la lógica de tracking, la IA fue un copiloto constante.
Ningún caso de éxito está completo sin hablar de lo que no salió perfecto. Ser honesto con las limitaciones es parte del proceso de experimentación:
Si volviéramos a hacerlo, arrancaríamos con un soft-launch de 48 horas antes de la fecha clave para validar el tracking y ajustar el flujo antes de que llegue el grueso del tráfico.
Este proyecto es un ejemplo de lo que sucede cuando la IA deja de ser un buzzword y se convierte en una herramienta operativa. Pero más allá de eso, es un caso donde la usamos de forma creativa, no solo para las tareas obvias.
| Fase | Herramienta | Qué hicimos | Resultado |
|---|---|---|---|
| Ideación y Prototipo | AI Studio Apps | Generamos una app funcional navegable con el flujo completo del quiz | Concepto validado con el equipo en horas, sin diseño tradicional |
| Venta al cliente | Antigravity | Creamos el deck de presentación completo para pitchear Perfect Match a MASMOVIL | El cliente aprobó el concepto con un entregable profesional generado con IA |
| Desarrollo | Antigravity | Copiloto técnico para código, lógica del quiz y algoritmo de puntuación | Tiempo de desarrollo reducido drásticamente |
| Tracking | Antigravity | Configuración de los 5 eventos custom de GA4 y documentación técnica | Tracking operativo desde el día 1, con documentación lista para el equipo de MASMOVIL |
| Debugging | Antigravity | Diagnóstico y resolución de problemas de tracking en producción | Issues resueltos sin ciclos largos de QA |
| Análisis | Antigravity | Interpretación de resultados y generación de lectura del funnel | Insights accionables para reportar al cliente inmediatamente |
Lo que me parece más interesante de esta tabla es que la mitad de los usos no tienen nada que ver con escribir código. Crear una presentación, vender una idea, interpretar datos: son tareas estratégicas y creativas donde la IA multiplicó nuestra capacidad.
Para dimensionarlo: en un flujo tradicional, el ciclo habría sido diseñador crea mockups (1 semana) → presentación en PowerPoint (2-3 días) → aprobación del cliente (reunión) → desarrollo (2+ semanas) → QA y ajustes (1 semana). Estamos hablando de ~5 semanas de trabajo. Con IA, comprimimos ese ciclo a días. No es una exageración: el prototipo funcional, la presentación al cliente y el código base se generaron en sesiones de trabajo intensivas con herramientas de IA, no en sprints de semanas.
De este proyecto y otros similares, he llegado a una convicción que quiero compartir abiertamente. Creo que el futuro del Growth no es tener más ideas, sino poder testearlas más rápido. Y la IA es la palanca que lo hace posible.
El ciclo tradicional de experimentación se ve así:
Idea → Brief → Diseño → Desarrollo → QA → Lanzamiento → Análisis (~5-8 semanas)
El ciclo comprimido con IA se ve así:
Idea → Prototipo con IA → Validación interna → Pitch al cliente → Desarrollo con IA → Lanzamiento → Análisis con IA (~días)
La diferencia no es solo de velocidad. Es de volumen de aprendizaje. Si antes podías lanzar 2 experimentos al mes, ahora puedes lanzar 6 o 7. Y en Growth, el equipo que más rápido aprende, gana.
Pero hay tres condiciones mínimas para que esto funcione:
La reflexión aquí es importante: la IA no hizo el trabajo por nosotros. Hizo que el equipo pudiera enfocarse en las decisiones estratégicas (qué preguntas hacer, cómo ponderar las respuestas, cuándo usar carrito vs. llamada) mientras las capas más operativas se aceleraban.
Es exactamente lo que venimos predicando en Product Hackers sobre la cultura de experimentación: no se trata de la herramienta, sino del mindset. La IA es una herramienta poderosísima, pero sin una hipótesis clara, sin métricas definidas y sin un equipo que sepa interpretar los datos, es solo código generando código.
Perfect Match empezó como una idea sencilla: «¿Y si en lugar de mostrar tarifas, ayudamos al usuario a descubrir la suya?». Desde esa pregunta, la IA, el Growth y la innovación hicieron match para crear una experiencia que generó datos, aprendizajes y, sobre todo, un nuevo camino para futuras campañas.
Si algo me llevo de este proyecto es esto: no necesitas millones de visitantes ni meses de desarrollo para validar una idea. Con 636 usuarios, 5 preguntas, herramientas de IA y un buen tracking, pudimos obtener una lectura completa de un funnel experimental que abre puertas para escalar.
Como Growth Managers, nuestro trabajo no es tener la idea perfecta. Es crear las condiciones para testear muchas ideas rápidamente y dejar que los datos decidan. La IA no cambia el qué del Growth. Cambia el cuándo: lo que antes tomaba semanas, ahora toma días.
¿Y si tu próxima campaña no fuera solo un anuncio, sino una experiencia? El único verdadero fracaso es no haberlo intentado.
636 usuarios. 5 preguntas. De idea a producción en días, no semanas. Así se ve un experimento de Growth impulsado por IA.
Escrito por Gonzalo Díaz — Growth Manager en Product Hackers
Estoy explorando cómo la IA puede comprimir el ciclo de experimentación en Growth. Si estás haciendo algo parecido, o si crees que estoy equivocado en algo, me encanta conversar: escríbeme o deja tu comentario. Los mejores aprendizajes salen de las conversaciones, no de los dashboards.
