Growth
·
15 MIN
26 ene 2026
Cómo Crecería Chatbase
Hola! Soy Fran, bienvenido a "Cómo Crecería X", un proyecto creado para ayudarte a identificar oportunidades de crecimiento para tu empresa mediante el análisis de distintos casos de uso.
Cada dos semanas elijo una empresa de tecnología, ya sea B2B o B2C, y escribo un análisis en el que exploro cómo la haría crecer desde una perspectiva de producto, ciclo de vida del cliente, datos y go-to-market.
Después de un final de año especialmente intenso 😉, retomamos los análisis.
Empezamos.
Hoy analizamos a Chatbase
Resumen
Sobre la empresa : Modelo de negocio, propuesta de valor y posicionamiento en el mercado.
Amenazas y Tendencias del mercado.
Mi tesis de crecimiento 1 - Optimización del ciclo de vida del cliente mediante datos:
¿Cómo puede Chatbase incrementar la activación de los usuarios en fase de evaluación?
¿Cómo puede Chatbase mejorar la experiencia de su free trial para acelerar la activación y la conversión?
¿Cómo puede Chatbase simplificar su modelo de precios alrededor de una única métrica de valor?
Mi tesis de crecimiento 2 - Creación de mayor valor para los clientes a través del producto
Otros insights
Disclaimer :
Toda la información e insights presentados en este análisis se basan exclusivamente en fuentes externas y datos de acceso público, sin contar con conocimiento interno de la empresa.
Sobre la empresa
Chatbase es una plataforma SaaS que permite a las compañías construir, entrenar y desplegar agentes conversacionales de soporte y atención al cliente de forma muy sencilla. Su solución permite :
Entrenar agentes con el conocimiento específico de la empresa.
Personalizar su comportamiento y tono.
Desplegarlos fácilmente en múltiples canales.
Los agentes pueden integrarse en la web mediante un widget, pero también utilizarse a través de email o integrarse con herramientas como Slack, Zapier, WhatsApp o mediante APIs.
Chatbase se posiciona como una solución horizontal, aplicable a múltiples industrias y casos de uso, como soporte al cliente, generación de leads, bases de conocimiento o asistencia en e-commerce.
La compañía fue fundada por Yasser Elsaid, quien inició, sin financiación, Chatbase desde cero hasta alcanzar, en la actualidad, aproximadamente 8 M $ de ARR en solo tres años.
¿Qué diferencia a Chatbase de otras plataformas de Agentes de soporte? ¿Cuál es su principal propuesta de valor?
1. Onboarding self-serve para la configuración del agente
Chatbase ofrece un free trial a través de su plan gratuito, muy limitado en capacidades, pero con una estrategia de onboarding (self-serve) especialmente interesante, diseñada para reducir el tiempo en el que el usuario experimenta el valor de la solución.
Uno de los grandes retos de las plataformas de agentes de IA es personalizar las respuestas del agente al contexto específico de cada empresa. Chatbase aborda este problema desde la primera interacción del proceso de onboarding.
En el primer paso, la plataforma hace dos preguntas:
¿Cuál es tu web?
¿Qué tipo de agente quieres desplegar?
A partir de la URL, Chatbase realiza un scraping automático del contenido del sitio web, extrayendo la información relevante y utilizándola directamente para entrenar al agente. De este modo, elimina la necesidad de que el usuario tenga que subir manualmente documentación o bases de conocimiento en un primer momento.
La segunda pregunta, el tipo de agente, se utiliza para personalizar automáticamente el prompting, ajustando el comportamiento del agente al caso de uso seleccionado.
Una vez finalizado el scraping, la interfaz muestra todos los recursos extraídos y listos para entrenar al agente (ver imagen abajo), reforzando la percepción de valor inmediato.
Por tanto, en un solo paso, Chatbase:
Extrae el conocimiento y lo estructura.
Entrena al agente
Personaliza el prompting
Y reduce drásticamente el Time-to-Value
¿Por qué es esto relevante?
Porque el usuario que está evaluando la solución puede validar de forma inmediata la calidad de las respuestas del agente, que es, en última instancia, la verdadera forma de experimentar el valor del producto.
2. Personalización del agente
Chatbase ofrece un playground donde el usuario puede:
Seleccionar el modelo LLM
Definir instrucciones y reglas de comportamiento
Probar y evaluar manualmente las respuestas del agente en tiempo real
Además, la plataforma incluye opciones avanzadas de personalización del widget, que permiten adaptar tanto la experiencia visual como la conversacional del agente al branding y tono de la empresa.
3. Knowledge base para el entrenamiento del agente con conocimiento de la empresa
La funcionalidad “Sources” (ver imagen abajo) permite añadir y gestionar distintas fuentes de datos con las que entrenar al agente, centralizando el conocimiento específico de la empresa en un único lugar.
Dentro de esta capa, Chatbase ha incorporado una funcionalidad especialmente interesante: Suggestions.
Esta funcionalidad analiza las conversaciones mantenidas por el agente y:
Detecta inconsistencias o vacíos de contenido en su base de conocimiento
Identifica preguntas que no han sido resueltas correctamente
Sugiere mejoras automáticas en la base de conocimiento que ayudan a optimizar el rendimiento del agente
Se trata de un primer paso muy relevante hacia la optimización continua del rendimiento del agente, más allá del setup inicial.
4. Acciones durante la experiencia conversacional
Chatbase permite integrar acciones directamente dentro de la experiencia conversacional del agente, entre las que se incluyen:
Reservar demos en el calendario
Capturar leads de forma automática
Ejecutar pagos
Disparar acciones personalizadas en función del contexto de la conversación
Este enfoque permite que el agente evolucione desde un simple “responde-preguntas” hacia un agente transaccional, capaz de actuar en función de la intención y el contexto del usuario.
5. Despliegue multicanal
Los agentes conversacionales pueden desplegarse fácilmente en múltiples canales, entre ellos:
Web
Email
Slack
Zapier
WhatsApp
API
Este enfoque amplía considerablemente los casos de uso y permite a las empresas reutilizar el mismo agente a lo largo de distintos puntos del ciclo de vida del cliente, manteniendo una experiencia unificada en todos los canales.
6. Analítica
Chatbase incluye una capa analítica básica que permite:
Analizar las conversaciones mantenidas por el agente
Identificar los principales temas recurrentes
Detectar patrones en las preguntas de los usuarios
Chatbase es un excelente ejemplo que permite identificar cuáles son las principales capas de valor en un producto de creación de agentes de IA: una interfaz clara para la personalización del comportamiento del agente (prompting), despliegue multicanal, una capa analítica sobre las conversaciones y, finalmente, la capacidad de activar acciones directamente desde la experiencia conversacional.
Amenazas y Tendencias del mercado
Hemos identificado una amenaza principal que enfrenta Chatbase en el mercado de soluciones de Agentes de IA:
Amenaza 1 : La ausencia de una capa de evaluación continua en los agentes conversacionales
Después de trabajar con agentes de IA, tengo claro algo: sin estas 4 capas, no hay confianza. Ni adopción.
En el mercado de agentes de IA estamos viendo una tendencia clara hacia la construcción:
Interfaces que permiten la personalización del agente.
Prompting avanzado.
Integraciones y despliegue sencillo de los agentes.
Todo eso está bien.
Pero hay una capa crítica que muchas plataformas siguen ignorando:
La monitorización continua de la calidad de las respuestas del agente.
Hoy, la mayoría de plataformas de agentes incluyen principalmente estas capas:
Entrenamiento con conocimiento específico del negocio
Prompting y personalización
Despliegue en múltiples canales (web, email, etc)
Analítica básica sobre el comportamiento del agente (conversaciones, resoluciones, etc.)
Sin embargo, falta una capa fundamental:
La evaluación del comportamiento del agente a lo largo del tiempo.
Muchos equipos siguen testeando su IA de forma manual, lo que genera:
Resultados inconsistentes.
Cambios de modelo que rompen flujos previamente optimizados.
Falta de trazabilidad sobre la performance en el tiempo.
Cambios en los datos de la knowledge base
Ajustes de prompts que degradan la calidad sin que nadie lo note hasta demasiado tarde.
Cuando no existe una capa de evaluación, la consecuencia es clara: la confianza del cliente se reduce.
Algunas soluciones del mercado ya están avanzado en esta dirección:
1. Intercom Fin, con herramientas de simulación y testing para evaluar de forma sistemática el comportamiento del agente.
2. OpenAI Evals, una forma sencilla de crear evaluaciones y testear prompts y respuestas según criterios de contenido, estilo e instrucciones.
En agentes conversacionales basados en IA, la confianza es el producto.
En los próximos apartados, compartiré dos hipótesis de crecimiento sobre cómo Chatbase puede aprovechar distintas oportunidades para fortalecer su propuesta de valor en el mercado.
Mi tesis de crecimiento 1 - Optimización del ciclo de vida del cliente mediante datos
Con nuestros clientes, abordamos el crecimiento de sus compañías, identificando oportunidades, a través de tres dimensiones clave:
Adquisición
Monetización
Retención
Para el caso de uso de Chatbase, describiré diferentes oportunidades de crecimiento enfocadas principalmente en la etapa de Activación, GTM y Monetización.
¿Cómo puede Chatbase incrementar la activación de los usuarios en fase de evaluación?
¿Cómo puede Chatbase mejorar la experiencia de su free trial para acelerar la activación y la conversión?
¿Cómo puede Chatbase simplificar su modelo de precios alrededor de una única métrica de valor?
Profundicemos en los distintos insights que quiero compartir en este análisis :
¿Cómo puede Chatbase incrementar la activación de los usuarios en fase de evaluación?
Con el objetivo de identificar oportunidades de crecimiento, hemos analizado las principales etapas del proceso de activación dentro del onboarding “self-serve” de Chatbase (ver imagen abajo):
Landing page
Página de registro
Configuración de la cuenta
Experimentación de valor
Como comentaba más arriba en el análisis, la propuesta que ha implementado Chatbase para reducir la fricción en la fase de configuración del agente es brillante. Sin embargo, al analizar el flujo completo, se observa una oportunidad clara: dar mayor relevancia al momento en el que el usuario experimenta por primera vez cómo el agente responde correctamente a una de sus preguntas.
El flujo de onboarding no debería quedarse únicamente en la configuración del agente, sino guiar activamente al usuario hasta ese primer momento real de valor.
Principal Problema : La activación no debería corresponder con la configuración del agente, sino con su capacidad real de resolver preguntas.
Durante el proceso de onboarding de Chatbase, el foco está puesto en facilitar al usuario la configuración del agente. El setup es rápido, guiado y muy eficiente. Sin embargo, el setup no debería considerarse el momento de activación.
Hoy, la activación se mide como:
“Agente creado”.
Pero crear o configurar un agente no es experimentar valor.
¿Cuándo ocurre realmente la activación?
La activación sucede cuando el usuario comprueba que el agente:
Resuelve correctamente una pregunta real
Es capaz de responder de forma consistente a distintas preguntas
Genera confianza en que puede ser expuesto a usuarios finales
Hasta que el usuario no puede simular y evaluar rápidamente el comportamiento del agente frente a distintos escenarios y preguntas, el valor del producto, y su activación, no se ha experimentado.
Oportunidad: redefinir la activación como “primera resolución correcta del agente”
Mientras el usuario no:
Embeba el agente en un entorno real
Lo exponga a preguntas reales
Valide que las respuestas son correctas, consistentes y alineadas con su negocio
…la confianza sigue siendo frágil.
Chatbase ya ha reducido gran parte del trabajo pesado del setup gracias a procesos automáticos de captura de información del negocio. El siguiente paso es guiar activamente al usuario desde la configuración hacia la evaluación real del agente, acelerando el momento en el que experimenta el valor del producto.
Reducir al máximo el tiempo entre:
Agente configurado → primera respuesta de valor
Es, probablemente, una oportunidad para incrementar la activación durante la fase de evaluación.
Esta es solo una hipótesis; hay múltiples formas de materializar esta oportunidad.
¿Cómo puede Chatbase mejorar la experiencia de su free trial para acelerar la activación y la conversión?
El free trial actual de Chatbase :
Limita por el uso de créditos mensuales
Limita por tamaño de la knowledge base (400KB)
Limita por funcionalidad
Los usuarios que deciden evaluar Chatbase, con su free trial, experimentan que el muro de pago está presente de forma constante a lo largo de todo el producto (ver imagen abajo).
Principal Problema : El muro de pago tiene un peso excesivo en la primera experiencia del usuario con el producto
Si el modelo de precios de Chatbase ya está definido por el uso de créditos, no parece coherente añadir, además, limitaciones por funcionalidad. Este enfoque introduce fricción innecesaria y dificulta que el usuario experimente el valor de la plataforma.
Si el objetivo del free trial es que el usuario experimente el valor del producto, la lógica debería ser la contraria:
Liberar el acceso a todas las funcionalidades
Limitar únicamente el consumo
¿Quieres probar cómo funciona el agente conversacional?
¿Quieres probar cómo funcionan las Actions? Acceso completo, pero consumo limitado por créditos.
De este modo, el usuario decide cómo invertir sus créditos y puede explorar libremente las capacidades del producto.
Oportunidad: free trial de 14 días con una única limitación de consumo
Una oportunidad de mejora sería ofrecer un free trial de 14 días en el que:
Todas las funcionalidades estén disponibles desde el primer momento
La única limitación sea el consumo, medido en créditos
El usuario decide cómo consumir los créditos
Este enfoque sigue una lógica muy clara:
Primero experimentas el valor. Después decides si quieres pagar.
En productos de IA, limitar funcionalidades durante la fase de evaluación va en contra de la primera experimentación de valor, confianza y adopción.
¿Cómo puede Chatbase simplificar su modelo de precios alrededor de una única métrica de valor?
Principal problema: complejidad del modelo de precios
Actualmente, el modelo de precios de Chatbase resulta excesivamente complejo para el usuario. El precio se construye a partir de múltiples métricas:
Número de mensajes
Créditos mensuales
Tamaño de la knowledge base (MB)
Modelos de LLM utilizados
AI Actions
Desde el punto de vista de la compañía, este modelo de precios tiene sentido para controlar el coste de la infraestructura. Sin embargo, desde la perspectiva del valor que recibe el cliente, muestra limitaciones.
En el modelo de precios actual, el usuario tiene que calcular mensajes, créditos, acciones, modelos de LLM e integraciones para entender cuánto le va a costar realmente el producto.
Si el pricing no se entiende en 5 segundos, el momentum muere.
Oportunidad: una única métrica basada en valor
Existe una oportunidad clara de simplificar el modelo de precios alrededor de una única métrica principal, por ejemplo:
Número de créditos consumidos
Reducir el pricing a una métrica permitiría:
Reducir la carga cognitiva en el momento del upgrade
Alinear mejor el precio con el valor real del producto
El modelo de precios debería evolucionar para estar cada vez más alineado con el valor que recibe el cliente, desplazándose progresivamente:
De un modelo basado en el consumo de infraestructura
A un modelo basado en el uso de la plataforma
Y, finalmente, hacia modelos basados en resultados
Este último paso (precio basado en resultados) todavía cuenta con pocos casos de éxito consolidados en el mercado, pero marca claramente una dirección hacia la que están evolucionando los productos de IA.
Ejemplo: Cómo otras soluciones en el mercado lo resuelven
Un ejemplo interesante de modelo de precios basado en una única métrica es Clarify, una solución de CRM autónomo impulsada por IA.
A diferencia de los CRM tradicionales, en Clarify no se paga por número de licencias o asientos. El precio se basa exclusivamente en el uso, el trabajo que realiza su IA para ayudar a los equipos a vender más, medido en créditos. Cada plan incluye un número fijo de créditos que se renuevan mensualmente, y los usuarios pueden adquirir créditos adicionales según sus necesidades en cada uno de los planes de pago.
Para finalizar, quería compartir una última oportunidad para extender la propuesta de valor de su producto.
Mi tesis de crecimiento 2 - Creación de mayor valor para los clientes a través del producto
Principal Problema
En Chatbase, la evaluación de las respuestas del agente sigue realizándose de forma manual. Aunque existen herramientas para revisar conversaciones y detectar errores puntuales, no hay una capa clara de observabilidad ni un sistema de evaluación continua de las respuestas que permita entender cómo evoluciona el comportamiento del agente a lo largo del tiempo.
Esto genera varias limitaciones:
Dificultad para detectar degradaciones en la calidad de las respuestas
Falta de visibilidad sobre regresiones tras cambios en prompts, modelos o datos
Dependencia de revisiones manuales, poco escalables
En productos de agentes de IA, esta falta de control no es un problema menor: impacta directamente en la confianza del cliente y en la adopción del producto.
Oportunidad: construir una interfaz de AI Evals
Existe una oportunidad clara para que Chatbase extienda su propuesta de valor incorporando una capa específica de evaluación y observabilidad del agente, combinando:
Evaluaciones automáticas (LLM-as-judge) para validar respuestas según criterios de calidad, tono, contenido o alineación con el negocio
Evaluaciones humanas, que permitan realizar una etiquetación manual y añadir feedback cualitativo explicando por qué la respuesta es buena o no. Este proceso permite la creación de un “golden dataset”, basado en evaluación humana
Simulaciones de conversaciones completas, para testear el comportamiento del agente de principio a fin
Este enfoque permitiría a los clientes:
Detectar degradaciones en el comportamiento del agente
Identificar regresiones antes de llegar a producción
Iterar y mejorar el agente con mayor confianza
Reducir el riesgo asociado a cambios en prompts, modelos o fuentes de datos
En definitiva, pasar de un modelo reactivo “revisar cuando algo falla” a uno proactivo, donde el comportamiento del agente se evalúa de forma continua.
Ejemplo: Cómo otras soluciones en el mercado lo resuelven
Un ejemplo muy interesante de esta aproximación es el sistema de simulaciones de Fin, Intercom, que permite testear agentes mediante conversaciones completamente simuladas antes de su despliegue.
La funcionalidad incluye:
Simulación completa de conversaciones. Se simulan conversaciones de principio a fin para observar cómo responde el agente en distintos escenarios, qué decisiones toma el agente y en qué puntos falla o tiene éxito.
Asistencia mediante IA para crear y mantener tests. La propia IA ayuda a generar nuevos tests, corregir los que fallan e iterar de forma continua basado en el feedback generado.
Librería de simulaciones: El agente incluye una librería de simulaciones que pueden reutilizarse para hacer evaluaciones. Cuando cambia alguna política o datos, los tests se vuelven a ejecutar para detectar regresiones antes de desplegar a producción.
Este enfoque no solo mejora la calidad del agente, sino que también refuerza la confianza de los equipos de soporte que lo utilizan.
Este tipo de funcionalidades serán críticas para monitorizar la eficacia de los agentes a lo largo del tiempo.
Existe un espacio de oportunidad que explorar. 😉
Estas son algunas hipótesis de crecimiento que exploraría en la compañía, basadas únicamente en información abierta y conocimiento del mercado, sin tener acceso a datos internos de la compañía.
Como siempre, estas hipótesis requieren de datos para ser validadas.
Otros insights
Os comparto algunos enlaces a otros análisis de soluciones que están construyendo agentes de IA en el mercado y que pueden complementar la lectura de este análisis:
Eso es todo por hoy.
Nos vemos en dos semanas con un nuevo análisis.
Fran
¿Te gustaría acceder a insights más detallados sobre Chatbase?
Me encantará charlar. Puedes enviarme un mensaje aquí.
¿Te gustaría que hablemos y exploremos juntos oportunidades de crecimiento para tu empresa?
Si te interesa, puedes escribirme aquí o, si lo prefieres, agendar una reunión directamente dede este enlace.
