Growth
·
14 MIN
26 mar 2026
Cómo Crecería Gorgias
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 mes 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.
Empezamos.
Hoy analizamos a Gorgias
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 Gorgias incrementar la activación de los usuarios en fase de evaluación?
¿Cómo puede Gorgias 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
Gorgias es una plataforma de soporte y atención al cliente diseñada específicamente para ecommerce. Su propuesta de valor principal es centralizar todas las conversaciones con clientes —email, chat, SMS y voz— en un único inbox, integrando de forma nativa datos de pedidos, devoluciones e historial de compra directamente desde Shopify, BigCommerce, Magento y WooCommerce.
A diferencia de helpdesks generalistas como Zendesk o Intercom, Gorgias se construyó específicamente para el ecommerce. Su agente de soporte puede procesar reembolsos, modificar pedidos y consultar el estado de envíos, además de responder las preguntas de los usuarios.
Su solución integra tres funcionalidades principales:
Helpdesk: bandeja de entrada unificada para todos los canales de comunicación con el cliente (email, chat, SMS, redes sociales y voz), con acceso en tiempo real a datos del pedido y del cliente provenientes de la tienda.
Agente de IA:
Agente de soporte: agente capaz de resolver conversaciones de soporte de forma autónoma, ejecutar acciones en el ecommerce y derivar al equipo humano cuando la complejidad lo requiere.
Shopping assistant: asistente conversacional orientado a ventas que ayuda al cliente a encontrar el producto más relevante a su intención de compra e incrementar el ticket medio.
Gorgias apuesta por una estrategia GTM híbrida: combina la reserva de demos (sales-led) con un product tour interactivo que refuerza el enfoque product-led sales. El tour cubre tanto el helpdesk como el agente de IA, permitiendo al prospecto explorar la solución antes de hablar con ventas. El CTA principal tras completar el tour es agendar una demo con el equipo comercial. Complementa su estrategia con un free trial de 7 días que potencia el enfoque product-led.
Gorgias opera bajo un modelo SaaS con pricing basado en consumo (tickets y automatizaciones de IA al mes). El plan Basic incluye 300 tickets por 50$/mes; el resto de planes escalan según volumen. El AI Agent se cobra como add-on adicional por encima del plan base.
La compañía fue fundada en 2015 por Romain Lapeyre y Alex Plugaru en París. En 2024 cerró una ronda Serie C-2 de 29M$ liderada por SaaStr y Alven, con participación de Shopify, Sapphire Ventures y CRV, acumulando más de 104M$ de financiación total. A mediados de 2024, la empresa reportaba entre 60 y 70M$ de ARR con más de 15.000 merchants activos en plataforma.
¿Qué diferencia a Gorgias de otras plataformas de Agentes de Soporte? ¿Cuál es su principal propuesta de valor?
A continuación, describo algunos de los elementos más relevantes de su propuesta:
1. La arquitectura del agente de soporte se estructura en torno a cuatro funcionalidades
La plataforma organiza la gestión del agente de soporte en torno a cuatro funcionalidades: Entrenamiento, Test, Despliegue y Análisis (ver imagen abajo). Como ya he señalado en otras publicaciones(aquí y aquí), estas cuatro dimensiones son fundamentales para construir agentes de alto valor.
2. Entrenamiento del agente
La funcionalidad de Knowledge permite alimentar, y entrenar, al agente con múltiples fuentes de información: artículos del help center, páginas web de la tienda, documentos internos y URLs externas. Sobre esta base, las Guías permiten al usuario escribir instrucciones personalizadas que el agente seguirá al responder a escenarios específicos de soporte. Y las Acciones permiten al agente ejecutar tareas en aplicaciones de terceros, como cancelar pedidos o modificar direcciones de envío.
A continuación, algunos pantallazos de las principales funcionalidades de la capa de entrenamiento.
Funcionalidad de Knowledge:
Funcionalidad Guías:
En el ejemplo de abajo, se define la guía que sigue el agente cuando un cliente solicita cancelar un pedido.
Funcionalidad Acciones:
Gorgias ofrece una librería de templates con acciones predefinidas, y permite además crear acciones personalizadas (ver imagen abajo).
3. Testing del comportamiento del agente
Gorgias incluye una interfaz de pruebas (ver imagen abajo) que permite evaluar el comportamiento del agente de forma muy rápida, antes de lanzarlo a producción, para diferentes grupos de usuarios (Cliente existentes, Nuevos clientes, etc.). Incorpora, además, una funcionalidad de "oportunidades" que identifica patrones en conversaciones reales para sugerir mejoras, y ajustes, en las respuestas del agente.
4. Posicionamiento como Premier Shopify Partner
Shopify es inversor en Gorgias, y la empresa ha alcanzado el estatus de Premier Partner for Customer Experience dentro del ecosistema de Shopify. Este posicionamiento refuerza significativamente su visibilidad en el marketplace de Shopify, convirtiéndola en la opción de referencia para merchants que operan sobre esta plataforma.
5. Configuración de la estrategia de venta del shopping assistant para incrementar el ticket medio (ver imagen abajo)
6. Onboarding self-serve del Agente de IA cuidado y bien resuelto.
Me ha gustado el proceso de configuración inicial del agente, una vez conectado al ecommerce. El usuario puede:
Seleccionar el tono de comunicación del agente, con una previsualización en tiempo real (ver imagen abajo) que muestra exactamente cómo respondería el agente con cada tono. El usuario puede comparar los diferentes tonos con facilidad.
Elegir cómo el AI Agent impulsa las ventas, seleccionando el gradiente en la estrategia de recomendación de productos, desde un enfoque más educativo hasta uno más promocional, incluyendo la estrategia de descuentos (ver imagen abajo).
Seleccionar qué herramientas puede usar el agente para ayudar a los usuarios.
7. Elevado número de integraciones
Gorgias ofrece integraciones con las principales plataformas de ecommerce (Shopify, BigCommerce, Magento y WooCommerce) y más de 100 aplicaciones adicionales en categorías como marketing, redes sociales, data management, ERP, etc.
Amenazas y Tendencias del mercado
Hemos identificado una amenaza principal que enfrenta Gorgias en el mercado de soluciones de Agentes de IA:
Amenaza 1 : La evaluación: El talón de Aquiles de las Plataformas de Agentes de IA
La mayoría de plataformas de agentes de IA han invertido considerablemente recursos en las funcionalidades de construcción, entrenamiento y despliegue. Sin embargo, la capa de test, evaluación, monitorización y analítica del comportamiento del agente sigue siendo limitada en prácticamente todo el mercado, incluido Gorgias.
Actualmente, la plataforma ofrece funcionalidades sólidas para configurar, entrenar y desplegar agentes. Sin embargo, aunque el usuario, como veíamos anteriormente, puede revisar manualmente los resultados del agente e identificar errores puntuales, no existe una capa clara de observabilidad ni un sistema de evaluación continua que permita entender cómo evoluciona la calidad del agente a lo largo del tiempo.
Esto genera varias limitaciones:
Dificultad para detectar degradaciones en la calidad de las respuestas en producción.
Falta de visibilidad sobre regresiones tras cambios en prompts, modelos o fuentes de datos.
Dependencia de revisiones manuales poco escalables.
En soluciones basadas en agentes de IA, la capacidad de evaluar, monitorizar y mejorar su comportamiento es un elemento fundamental para generar confianza en el producto y facilitar su adopción dentro de las organizaciones.
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 los próximos apartados, compartiré dos hipótesis de crecimiento sobre cómo Gorgias 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 Gorgias, describiré diferentes oportunidades de crecimiento enfocadas principalmente en la etapa de Activación y Monetización.
¿Cómo puede Gorgias incrementar la activación de los usuarios en fase de evaluación?
¿Cómo puede Gorgias 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 Gorgias 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 Gorgias (ver imagen abajo):
Landing page
Página de registro
Configuración de la cuenta
Experimentación de valor
Principal problema: El onboarding self-serve no personaliza la primera experiencia, lo que incrementa el time-to-value
Durante el registro y configuración de la cuenta, Gorgias realiza diferentes preguntas al usuario, pero con un objetivo únicamente comercial: cualificar al lead (ver imagen abajo). Esa información no se utiliza después para adaptar la experiencia de configuración ni para guiar al usuario hacia el momento de valor más relevante para su caso de uso.
El resultado es un onboarding muy genérico que lleva al usuario a configurar el helpdesk (ver imagen abajo), donde la activación pasa por completar estos tres eventos principales:
Añadir un email
Conectar la tienda de shopify
Automatizar el soporte.
Esta configuración está muy alejada de la experimentación de valor. Además, puede generar abandono en usuarios que llegan con la intención de explorar el agente de IA y se encuentran con un flujo orientado únicamente al setup del helpdesk.
Lo cual me lleva a la pregunta:
¿Cuál es el verdadero objetivo de la activación para Gorgias?
¿Es configurar la solución de helpdesk? ¿el backend?
¿O es configurar y desplegar el agente? ¿el frontend y ver cómo sus clientes experimentarían el valor de la solución?
Oportunidad: Rediseñar la activación alrededor de la primera resolución del agente
Mi hipótesis es que la verdadera activación pasa por algo diferente: que el usuario conecte su tienda, configure y entrene el agente, lo teste y lo despliegue. Dicho de otro modo, la activación debería estar ligada a la primera resolución autónoma del Agente de IA, no al setup del helpdesk.
Un rediseño del onboarding self-serve orientado a este nuevo momento de activación podría contemplar, por ejemplo:
Bifurcación del flujo desde el inicio: usuarios que quieren explorar el helpdesk versus usuarios que quieren configurar el agente de soporte y ventas.
Checklist de activación orientado al despliegue del agente: conectar tienda → añadir knowledge → configurar guías → lanzar test → desplegar en producción.
Redefinir las métricas de activación internas alrededor de la primera resolución del agente, no de la configuración del helpdesk.
Esta es solo una hipótesis; hay múltiples formas de materializar esta oportunidad.
¿Cómo puede Gorgias simplificar su modelo de precios alrededor de una única métrica de valor?
Principal problema: Complejidad del modelo de precios actual
Actualmente, el modelo de precios de Gorgias resulta complejo para el usuario. El precio se construye a partir de múltiples métricas:
Número de tickets gestionados mensualmente (tarifa base del plan).
Número de automatizaciones del Agente de IA al mes (add-on).
Resoluciones efectivas completadas por el agente.
Overages por tickets adicionales fuera del plan contratado.
Desde el punto de vista de la compañía, este modelo tiene lógica para controlar el coste de la infraestructura. Sin embargo, desde la perspectiva del valor que recibe el cliente, muestra limitaciones claras.
La principal fricción que veo es la triple métrica de cobro. Por ejemplo, el plan Pro tiene un coste mensual base de 360$ para 2000 tickets + 540$ para 600 automatizaciones, lo que supone un coste de 960$ al mes, al que se suman posibles costes adicionales (ver imagen abajo).
Esto genera un problema concreto: impredecibilidad del gasto. El AI Agent combina varias variables de cobro simultáneas (resoluciones, tickets base, automatizaciones y overages) que hacen muy difícil estimar el coste total antes de contratar. ¿Cuántas automatizaciones voy a necesitar al mes? ¿Una automatización equivale a un ticket resuelto de forma efectiva por el agente?
Oportunidad: Una única métrica basada en valor
Existe una oportunidad clara de simplificar el modelo de precios alrededor de una única métrica principal. La candidata más natural, dado el posicionamiento de Gorgias como plataforma de agentes de soporte para ecommerce, sería el número de conversaciones resueltas de forma autónoma por el agente.
Reducir el pricing a una métrica permitiría:
Reducir la carga cognitiva del usuario en el momento de evaluación y upgrade.
Alinear mejor el precio con el valor real que percibe el cliente: no pagar por tickets no resueltos, sino por resoluciones efectivas.
Ejemplo: Cómo otras soluciones en el mercado lo resuelven
Intercom con Fin ya ha validado este modelo: 0,99$ por resolución efectiva más 29$/mes de helpdesk. Simple, y directamente alineado con el valor entregado al cliente.
Pero aquí surge una pregunta: ¿qué considera Fin una resolución? Fin marca una conversación como resuelta, y por tanto cobra 0,99$, cuando el cliente confirma explícitamente que su problema está resuelto (“gracias, perfecto”), o cuando abandona la conversación sin pedir más ayuda (assumed resolution).
En mi opinión, el modelo basado en resolución no está del todo aterrizado todavía. Definir con claridad cuándo una conversación se considera realmente resuelta es más complejo de lo que parece, especialmente en los casos donde el cliente abandona sin confirmar nada de forma explícita. Los modelos de precios están cambiando rápidamente —Salesforce, por ejemplo, volvió al modelo por asiento tras probar el de resolución— por lo que será interesante ver cómo evoluciona este enfoque. Lo seguiremos de cerca.
Otro ejemplo interesante es Clarify, un CRM autónomo impulsado 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, medido a través de una única métrica: 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. Este enfoque hace que el coste crezca de forma directamente proporcional al valor generado, sin sorpresas.
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: La evaluación del agente sigue siendo manual
En Gorgias, la evaluación de las respuestas del agente se realiza actualmente de forma manual. Aunque existen herramientas para revisar conversaciones, detectar errores e identificar oportunidades de mejora, no hay una capa clara de observabilidad ni un sistema de evaluación continua y monitorización que permita entender cómo evoluciona el comportamiento del agente a lo largo del tiempo.
Esto genera varias limitaciones:
Dificultad para detectar degradaciones progresivas en la calidad de las respuestas.
Falta de visibilidad sobre regresiones tras cambios en prompts, modelos o fuentes de datos.
Dependencia de revisiones manuales, poco escalables a medida que crece el volumen de conversaciones gestionadas por el agente.
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 dentro de la organización.
Oportunidad: construir una interfaz de AI Evals
Existe una oportunidad clara para que Gorgias 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 una respuesta es buena o no. Este proceso facilita la creación de un golden dataset basado en evaluación humana.
Simulaciones de conversaciones completas: para testear el comportamiento del agente de principio a fin antes de desplegarlo en producción.
Este enfoque permitiría a los clientes:
Detectar degradaciones en el comportamiento del agente
Iterar y mejorar el comportamiento del 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.
Otro es AI Evals de Relevance AI (ver imagen abajo), su funcionalidad para evaluación y testing de agentes de IA, que incluye:
Test Suites. Crea escenarios que simulan conversaciones reales de usuarios con el agente. En cada uno puedes definir distintos criterios de evaluación y aceptación para medir la precisión y el rendimiento del agente.
Evaluadores. Configura criterios globales reutilizables en diferentes escenarios. Tipos de evaluadores disponibles: LLM Judge, String Contains, String Equals y Tool Usage.
Runs. Consulta el historial de ejecuciones, de un Test Suite específico o de forma general, y accede a distintas métricas: puntuación media, número de conversaciones evaluadas, estado, créditos consumidos y fecha.
Performance. Monitoriza conversaciones reales en producción. Configura el umbral de aceptación en la evaluación para hacer seguimiento continuo de la calidad sin ejecutar Test Suites de forma manual.
Publish Checks. Define qué Test Suites deben superarse antes de publicar el agente. Establece un umbral mínimo y bloquea la publicación si la evaluación no lo alcanza.
AI Evals cubre tanto el testing en múltiples escenarios como la monitorización continua en producción. Este tipo de funcionalidades serán críticas para monitorizar la eficacia de los agentes a lo largo del tiempo.
Oportunidad: Integrar modelos RFM para la segmentación del Shopping Assistant
La creación de segmentos de audiencia basados en recency, frequency y monetization —una metodología ampliamente extendida en la industria del ecommerce— aplicada a la lógica de recomendación de productos del Shopping Assistant, podría incrementar el ticket medio, mejorar la retención y reducir el churn. En lugar de ofrecer recomendaciones genéricas, el agente adaptaría su propuesta a cada segmento: productos de mayor valor para compradores recurrentes de alto ticket, o productos con descuentos para clientes con baja frecuencia de compra.
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 el próximo mes con un nuevo análisis.
Fran
¿Te gustaría acceder a insights más detallados sobre Gorgias?
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.
