Aprendizaje validado.

Un experimento deja siempre dos cosas y solo una de las dos sigue valiendo dentro de un año. Deja un resultado —la variante ganó, el canal trajo cuarenta leads, las reservas se dispararon— y deja, si alguien se molesta en buscarlo, un porqué. El aprendizaje validado es ese porqué: comprobado, escrito y fechado.

El malentendido que resuelve el término es dar el resultado por conocimiento. Pasa todo el rato, y se ve mejor con un caso que con teoría. Hace años, en una empresa de viajes, cambiamos la imagen de una landing porque la que había —unas tumbonas de playa— era de relleno, cutre y pasadísima de moda. Buscando un paisaje más bonito apareció la foto de un templo con árboles en Tailandia. Se eligió sin pensar en la ubicación ni una décima de segundo: se buscaba algo que quedara bien y ya está. Ese año, por motivos completamente ajenos a nosotros, viajar al triángulo de oro se puso de moda. Un x100 en las reservas. De la noche a la mañana lo único que se vendía eran paquetes de Tailandia.

Eso no fue growth, fue chiripa. La foto acompañó, no causó: con otro trend habría dado igual poner Vietnam o Birmania. Y esa distinción no es una anécdota de sobremesa, es toda la diferencia entre un dato y un activo. Sin el porqué, un pico es ruido: lo replicas donde no toca y no entiendes por qué deja de funcionar. Con el porqué —aquí, que lo que convierte es el contenido que engancha con lo que ya está en tendencia— es una receta, y una receta se repite a propósito.

En el extremo contrario está la dirección que abre la primera reunión con un “eso os lo dejo a vosotros, haced lo que queráis mientras facturemos X”. A esa mentalidad le pusimos nombre: daigualismo. El fin justifica los medios y el medio no se analiza nunca. Es delegar el criterio y cruzar los dedos. El aprendizaje validado es exactamente lo contrario: es la parte del trabajo que impide que dentro de seis meses tu empresa sepa lo mismo que hoy, pero con más facturas.

La hipótesis se escribe antes, no después. Y con fundamento: “con el tiempo que llevo aquí me he dado cuenta de que pasa X, así que si en vez de hacerlo así lo hiciéramos asá, funcionaría mejor”. Una hipótesis escrita a posteriori siempre acierta, y por eso no vale nada. El resultado es el número con su ventana y su muestra, no el titular. El aprendizaje es el porqué, en una frase que se entienda sin haber estado en la reunión. Y ¿vitaminar? es la única línea que obliga a mojarse: qué se hace mañana con esto.

Antes de escribir la tercera línea hay que saber si el resultado aguanta el peso. Por debajo de 8.000 usuarios al mes por URL, un test A/B deja de ser representativo: es la muestra estadística de toda la vida, que ocho de cada diez personas a las que has mirado tengan los ojos azules no dice nada del 80% de la población. La mayoría de empresas de uno a veinte millones no llega a ese suelo en sus URLs de venta. Eso no las libra de experimentar; cambia la herramienta. Grabaciones, mapas de calor y entrevistas: investigación cualitativa hecha en serio da un aprendizaje más validado que un A/B con novecientas sesiones y un cartel verde. Y para poder atribuir el movimiento al experimento y no a la estacionalidad hace falta atribución que aguante: sin eso, el tercer campo es una opinión con formato de conclusión.

Lo que no es un aprendizaje validado: “ganó la B”. Tampoco “el equipo hizo un gran trabajo”, ni “hay que seguir invirtiendo en este canal”. Un aprendizaje se escribe como una regla del negocio —lo que es cierto de tus clientes y no lo era de tu suposición— y no como el acta de un test. La prueba del algodón es leerlo en voz alta quitándole el nombre del experimento: si sigue diciendo algo, es un aprendizaje; si se queda en el aire, es un resultado con adjetivos.

Uno: el backlog de experimentos. Un aprendizaje nuevo obliga a repuntuar lo que hay en la cola. Si después de escribirlo ninguna idea del backlog cambia de ICE —ni de impacto ni, sobre todo, de confianza— no lo has usado. Es el control más simple que existe: lo que aprendes se nota en el orden en que atacas lo siguiente.

Dos: la retro de cierre de sprint. Con sprints de unos quince días, cada cierre es la ocasión de recoger lo aprendido en voz alta con las cuatro o cinco personas de siempre. La versión que usamos del Starfish son tres preguntas: qué mantener o potenciar, qué incorporar y qué eliminar o reorientar. No hace falta más aparato que ese, y la exigencia de fondo es la misma: en cada tarjeta que se cierra, una reflexión breve de qué tal fue. No es opcional. Es lo único que te permite mirar atrás dentro de tres meses y saber qué ha funcionado de verdad.

Tres: el presupuesto. Cuando el aprendizaje toca lo que cuesta traer un cliente —el CAC de un canal, el ROAS al que se sostiene— no cambia la lista de ideas: cambia dónde va el dinero el mes que viene. Ese es el aprendizaje caro, y el que menos veces llega a escribirse.

Hay un sesgo que hay que romper para que esto funcione. Cuando algo va mal, lo analizamos todos: qué ha podido fallar, quién, cuándo. Cuando algo va bien no lo analiza nadie —nosotros tampoco, la primera vez—. Y tiene más sentido analizar lo que funciona que lo que no, aunque sea menos instintivo. Un cliente llegó con la idea de crecer hasta X con anuncios y a partir de ahí ya se vería. Los anuncios no fueron bien. El email, que no miraba nadie, sí. Todo su modelo de crecimiento acabó montado sobre maximizar el impacto del email marketing, creciendo a x2 mensual. Si miras solo por qué no funcionan los anuncios, se te ocurren mil maneras de intentar arreglarlos. Si miras por qué sí funciona el email, lo vitaminas y sigues buscando qué más funciona. Es la misma energía apuntada al sitio correcto.

Y de aquí sale la conclusión que más cuesta aceptar: el ritmo no es la palanca. Un equipo que cierra cinco experimentos por sprint y documenta todos termina doce sprints después con 60 aprendizajes escritos; uno que lanza quince por sprint y documenta uno de cada cinco termina con 36, habiendo trabajado el triple. No es una hipótesis de laboratorio: hemos visto proyectos que, tocando solo cuatro o cinco cosas, logran más que otros que lanzan quince tests a la semana durante meses. El objetivo nunca fue lanzar el máximo número de experimentos posible.