Meta reporta 500 leads. El CRM tiene 180. Ventas cerró 11. Cada brecha es un problema diferente. El algoritmo aprende de los 500 — construye un modelo que cada semana se aleja más de los 11.
El sistema de adquisición conecta dos mundos que operan con lógicas diferentes: la plataforma publicitaria, que optimiza hacia eventos digitales, y el negocio real, que convierte en personas que pagan. Cuando esos dos mundos no se hablan — cuando el CRM no retroalimenta lo que pasó después del clic — el algoritmo construye su modelo de audiencia en un vacío de información.
El resultado no es que el sistema deje de funcionar. Es que funciona cada vez mejor en traer el tipo equivocado de persona. Eso es peor.
El algoritmo "ve" 500 conversiones. El CRM solo recibe 180. Los 320 restantes son eventos que se dispararon sin generar un lead real: visitas directas a la página de confirmación, formularios iniciados y abandonados que igual cuentan, duplicaciones Pixel+CAPI, bots o tráfico inválido que completa el formulario. El algoritmo aprende del perfil de los 500 — incluidos los 320 fantasmas.
De los 180 leads reales que llegaron al CRM, solo 11 se convirtieron en clientes. Una tasa de conversión del 6% en cualquier vertical con margen estrecho es insostenible. El algoritmo está trayendo personas que llenan formularios pero no tienen intención o capacidad de compra real. Ese perfil fue construido optimizando por "formulario llenado" durante semanas sin corrección de señal.
El sistema de optimización de Meta funciona por acumulación. Cada conversión registrada alimenta el modelo de quién convierte. Después de 4 semanas con la Brecha 1 activa, el 64% de las "conversiones" que definen el modelo son falsas. El algoritmo ha construido una imagen de su cliente ideal que incluye mayoritariamente a personas que nunca existieron como leads.
Después de 8 semanas, ese modelo está refinado. El sistema lo entrega con alta eficiencia: bajo CPL, buena cobertura, Event Match Quality sólido. Todo indica que el sistema está bien. Pero cada lead que llega tiene un 94% de probabilidad de no convertir porque el perfil objetivo fue construido sobre datos incorrectos.
El problema de señal corrupta es que se autorefuerza. No se arregla solo con el tiempo — empeora. El modelo se vuelve más preciso hacia el objetivo equivocado con cada semana de datos.
Lo que el CRM necesita enviar de vuelta: No solo "este lead existe". Sino "este lead se convirtió en cliente" — y si es posible, "este cliente tiene este LTV estimado". Esa señal convierte al algoritmo de un sistema que optimiza por actividad de formulario a uno que optimiza por perfil de cliente rentable. El impacto tarda 6-8 semanas en verse pero es estructural.
El loop de retroalimentación se implementa vía Conversions API (CAPI) server-side. El flujo es:
Aquí está el dato que nadie anticipa: cuando corriges el tracking y empiezas a enviar señales de calidad, el sistema no mejora inmediatamente. Hay un período de 3-6 semanas donde el modelo anterior (construido sobre datos malos) compite con las señales nuevas. Durante ese período, el CPL puede subir y el volumen puede caer.
Ese costo hay que anticiparlo y defenderlo con la dirección antes de ejecutar la corrección. Si no se gestiona la expectativa de que "las métricas van a empeorar antes de mejorar", la presión para revertir el cambio llega en semana 2 — antes de que las señales nuevas hayan tenido tiempo de impactar el modelo.
La corrección correcta no es gradual — es definitiva. Señal de calidad desde el día 1, presupuesto protegido durante 6 semanas, KPI de evaluación basado en CAC real (no CPL), y paciencia estructurada.
Si hay una brecha, el algoritmo está aprendiendo de datos que no representan a tus clientes reales. Integro el loop CRM→Meta y reconstruyo el modelo de señal desde la base correcta.