Cómo hablar con todos tus clientes usando IA: investigación proactiva por email con Claude Code

Nota previa: el texto recibido está cortado. Termina al comienzo de la sección sobre cómo añadir un bucle de evaluación (eval loop) en directo. Este resumen cubre solo lo que aparece en esa parte de la transcripción de un episodio de pódcast. Es una conversación entre Aakash Gupta, autor del newsletter Product Growth, y un invitado llamado Greg. Greg fue chief product officer de Bolt y habla de su experiencia con Woven, una herramienta de conversaciones con clientes.

La tesis de partida es que la ingeniería se acelera con IA, pero la gestión de producto también puede hacerlo si ayuda a hablar con muchos más clientes. Aakash plantea que muchos PMs ya usan Claude para sintetizar transcripciones. La pregunta del episodio es si pueden usarlo para lanzar investigación automatizada y proactiva con todos sus clientes.

Greg cuenta que, cuando era CPO de Bolt, se daba por satisfecho con hablar con 5 a 10 clientes al mes. Ahora, según él, es posible mantener conversaciones reales de ida y vuelta con miles o incluso cientos de miles de clientes al mes. Antes eso habría requerido un ejército de investigadores y de agentes de soporte.

Para ilustrarlo enseña un informe de ejemplo de Ancestry.com. Los destinatarios son personas que abandonaron la compra de un kit de ADN. El informe se organiza en varias capas:

• Impacto en el recorrido del cliente desde la óptica de las métricas de negocio. Greg afirma que este tipo de conversación personal no solo captura información, sino que también permite convertir a una parte más amplia de la audiencia. • Preocupaciones principales de quienes abandonan el embudo: qué mencionan con más frecuencia y qué les empuja a irse. • Cruce con los datos de conversión posteriores, para ver la tasa de conversión de cada categoría de preocupación frente a la línea base de todos los que conversan.

Ese cruce permite distinguir dos tipos de problema. Una duda como el plazo de envío y entrega se resuelve con mensajería: la IA responde a la pregunta y basta con comunicar mejor ese dato. Otras, como la confusión sobre la suscripción, siguen sin convertir aunque la IA conteste. Eso indica un problema de producto que merece un abordaje más profundo.

Las conversaciones nacen cuando alguien abandona un flujo, por ejemplo tras dejar su email o su teléfono. La IA contacta por ese canal y, según Greg, un porcentaje alto responde y sigue la conversación. Aakash lo resume como la evolución de las encuestas in-app más IA. Greg lo acepta y añade la ventaja de poder hacer preguntas de seguimiento, intentar resolver la preocupación y ver cómo reacciona el cliente. Pone como ejemplo el temor a que aparezca un pariente inesperado y resulte incómodo.

Sobre cómo construirlo, Greg dice que a muchos equipos no les compensará comprar un producto dedicado como Woven. Con herramientas existentes, como Claude Code, se puede montar algo parecido. Él preparó una demo en unos 30 minutos antes de grabar. Sus piezas son:

• Una fuente de datos de clientes. En la demo es un CSV con personas que abandonaron una prueba, con su punto de abandono y datos de uso. También valdría un CDP o un almacén de datos como Snowflake o Segment. • Un archivo CLAUDE.md con instrucciones sobre cómo abordar la conversación y formatear el email, para que suene personal, como un correo redactado directamente al cliente. • Documentos en markdown con el contexto de la empresa. En la demo es una compañía ficticia, Cadence, de entrenamiento físico con IA. Incluyen procesos de escalado, políticas sobre lo que el agente puede o no hacer y los programas disponibles. Si no existen, Greg sugiere que Claude los genere a partir del sitio web. • Una skill que envía el contacto. Puede lanzarse a mano, programarse o dispararse con nuevas filas en el CSV o la base de datos.

El agente recorre la lista, identifica a quienes aún no han recibido mensaje, personaliza cada email según su situación y los objetivos de la campaña, y lo envía. En el ejemplo, escribe a alguien que empezó a usar la app pero no convirtió tras la prueba. Le pregunta por su experiencia, por ejemplo si el programa le pareció demasiado intenso. El agente responde en un par de minutos y sigue haciendo preguntas.

Greg insiste en la velocidad de respuesta. Según lo que dice haber visto con Woven, cuando se introducen retrasos la tasa de respuesta cae en picado y la conversión baja con ella. Su explicación es que la persona ya no está en su bandeja de entrada.

Sobre por qué usar email y no chat dentro de la app, Greg ofrece varios motivos. Recomienda añadir también chat in-app, pero señala estas ventajas del email:

• El público que abandonó ya no está en la app. • Dentro de la app hay que evitar distraer del objetivo principal y perjudicar la conversión sin saber aún si la persona se irá. • El email es fácil de desplegar y escalar, y es un canal que todos usan a diario. Eso permite ser más proactivo. • Afirma que en campañas de investigación obtienen respuestas del 20, 30 o 40 %, muy por encima de lo que suele interactuar con un chat en una web.

Sobre la diferencia entre un 20 % y un 40 % de respuesta, Greg apunta a dos factores. El primero es el tipo de campaña: las orientadas a investigación y situadas más abajo en el embudo, con usuarios que ya mostraron intención, responden más. Cita un experimento con una empresa de fitness que obtuvo cerca de un 35 % en abandono de prueba. Más arriba en el embudo, por ejemplo cuando alguien solo dejó su email sin completar el onboarding, la respuesta suele ser menor. El segundo factor es lo personal y relevante que sea el primer mensaje. Lo compara con el email en frío de ventas B2B.

Su consejo para la plantilla es usar texto plano y hacer preguntas simples y directas, ligadas al punto del recorrido en que está el usuario. El error típico es incluir demasiado contenido, intentando meter la encuesta entera en un solo correo. Es mejor ir despacio y dejar que el cliente marque qué le importa. Muchas de esas preguntas acaban saliendo a lo largo de la conversación.

Greg propone tres momentos del recorrido, ilustrados con una app de fitness con prueba gratuita:

• Inicio: quienes empiezan el registro y no lo terminan. Es el tramo más ancho del embudo, con la menor tasa de respuesta pero el mayor volumen. También da información para todo lo que viene después. • Durante la prueba, quizá varias veces: ayudar a configurar el éxito y comprobar cómo avanzan. • Fin de la prueba sin conversión: contactar a quienes no pasan a pago. Aquí recomienda ofrecer un incentivo por compartir opiniones, como un 20 % de descuento durante unos meses. Dice que eso aumenta mucho la respuesta, también entre los indecisos. Esa audiencia puede resolver sus dudas y recibir una promoción que probablemente se iba a enviar de todos modos.

Para usuarios activos, Greg ve más sentido en el chat dentro de la app, donde se captura la experiencia en el momento. Los canales como el email encajan mejor en los puntos de abandono:

• Un usuario activo que exploró por primera vez una función nueva o de upsell sin convertir. • Alguien antes activo que ha reducido su uso en las últimas semanas. • Quien canceló su suscripción. Según Greg, de esta audiencia, que decidió que el producto no era para ella, salen algunos de los hallazgos más interesantes.

Sobre quién envía los correos, Greg hizo las pruebas con una cuenta estándar de Gmail. Eso limita el volumen, pero permite hacerlo en solitario, sin depender de marketing. Con audiencias grandes habría que coordinarse con el equipo de marketing o configurar Postmark u otra herramienta. Señala que es habitual que los correos de investigación salgan de un sistema distinto al de marketing. Menciona Medallia y Qualtrics, cuyos emails no los envía el equipo de marketing. Aakash lo resume como montar tu propio sistema de email de investigación de producto, y Greg lo confirma como buena práctica común.

Aakash recapitula que el email es un canal muy potente. Conviene dispararlo en el momento y con el desencadenante adecuados del ciclo de vida: prueba, registro sin completar, inactividad y baja. Encima se añaden respuestas instantáneas de IA con tu voz, para profundizar y resolver objeciones. Greg añade que a un PM individual le sirve para entender mejor la audiencia de su producto o función y fomentar su adopción. Además se genera una audiencia comprometida a la que volver. Por ejemplo, se puede pedir a Claude que revise la bandeja y localice a quienes mencionaron algo relacionado con una función nueva. Después se les escribe con una pregunta de seguimiento o una invitación a una llamada.

Sobre los prompts, Greg dice que fue sencillo. Dio a Claude el contexto de montar un programa de contacto desde su bandeja con el MCP de Gmail. Sería parecido con un MCP de Postmark. Le indicó la fuente de datos de clientes, que según él es lo principal que hay que decidir, y las instrucciones. Un ejemplo fue contactar a personas que llevan 10 días de prueba. La primera versión necesitó ajustes: el hilo de las respuestas no quedaba bien enlazado y parte del lenguaje era inapropiado. Aun así, en unos 30 o 40 minutos tenía algo funcional para probar con clientes reales.

La transcripción se corta justo cuando Aakash introduce la sección de añadir un bucle de evaluación en directo. No se conoce su contenido ni lo que siga. Conviene tener en cuenta que las cifras de respuesta y conversión las aporta el propio invitado, sin datos que las respalden en el fragmento recibido. Tampoco se discuten aquí el consentimiento ni la privacidad al escribir a clientes que abandonaron.