Growth
·
16 MIN
2 mar 2026
Cómo Crecería Relevance AI
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 Relevance AI
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 Relevance AI incrementar la activación de los usuarios en fase de evaluación?
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
Relevance AI es una plataforma diseñada para construir, entrenar y desplegar agentes de Inteligencia Artificial que permiten a las empresas optimizar sus operaciones, especialmente en áreas de go-to-market como marketing, ventas, operaciones y soporte al cliente.
Su producto permite a los equipos crear agentes sin necesidad de escribir código. A través de una interfaz visual, los usuarios pueden diseñar agentes capaces de ejecutar tareas complejas combinando LLMs, datos y recursos internos, herramientas e integraciones.
Estos agentes pueden configurarse para múltiples casos de uso, como cualificación de leads, outreach, investigación de empresas, generación de contenido, SEO, atención al cliente, etc. Al tratarse de una plataforma de construcción de agentes, su propuesta de valor no se limita a un único caso de uso, sino que permite a las empresas crear agentes adaptados a sus propias necesidades.
Una vez configurados, los agentes pueden desplegarse en diferentes interfaces conversacionales (vía web) o integrarse con más de 2000 aplicaciones, incluyendo herramientas como Google Workspace, Slack, Notion o Asana, lo que permite incorporarlos dentro de los flujos de trabajo de los equipos.
Uno de los elementos más interesantes de su posicionamiento es el concepto de “AI Workforce”, que presenta a los agentes de IA como una extensión de los equipos humanos, capaces de ejecutar tareas operativas de forma autónoma o asistida.
Para facilitar la adopción, la plataforma introduce distintos niveles de automatización, de menor a mayor:
Assisted, donde los equipos delegan tareas repetitivas a los agentes.
Copilot, donde los agentes ejecutan workflows más complejos que el equipo revisa antes de completarse.
Autopilot, donde los agentes operan de forma autónoma a partir de determinadas señales o triggers.
Este gradiente de automatización permite a los equipos construir confianza progresivamente en los agentes antes de delegar procesos completos.
Relevance AI opera bajo un modelo SaaS con estrategia product-led sales, ofreciendo un plan gratuito, con limitaciones en consumo de créditos, y planes de pago basados principalmente en el uso de la plataforma. El plan Team parte de 234 $ al mes, mientras que las organizaciones con necesidades más avanzadas pueden acceder a planes Enterprise con funcionalidades y capacidad ampliada.
Recientemente, la compañía también ha introducido en su modelo de precios el concepto de “acciones”, que se suma al consumo de créditos. Sin embargo, en mi opinión, esta combinación añade complejidad al pricing, ya que dificulta la estimación del coste de ejecutar una determinada acción.
Además, la compañía ha simplificado su estructura de precios. Anteriormente ofrecían, además de los tres anteriores, un plan Pro de 19 $ al mes, que ha sido eliminado. Actualmente, el modelo de precios se organiza en tres opciones principales, simplificando su modelos de precios.
¿Qué diferencia a Relevance AI de otras plataformas de creación de agentes? ¿Cuál es su principal propuesta de valor?
En un mercado cada vez más competitivo de plataformas para construir agentes de IA (Relay app, Stack AI, Crewai.com, Agent.ai, Cassidy AI, Gumloop, Lindy, etc.) Relevance AI ha desarrollado una propuesta de valor que combina facilidad de construcción de herramientas, agentes y sistemas multiagente y una distribución basada en la comunidad.
A continuación, describo algunos de los elementos más relevantes de su propuesta:
1. Estrategia de distribución impulsada por comunidad y marketplace de agentes
Uno de los aspectos más interesantes de la estrategia de Relevance AI es su enfoque en crear un ecosistema alrededor de la plataforma, donde la comunidad, los partners y los propios usuarios contribuyen a la creación y distribución de agentes.
Entre los principales componentes de esta estrategia destacan:
1.1 Marketplace de templates de agentes
La plataforma ofrece una galería de templates de agentes de alto valor, accesibles tanto desde el producto como desde su web (ver imagen abajo). Estos templates permiten a los usuarios desplegar agentes funcionales en pocos minutos, simplemente modificando algunos parámetros o conectando sus propias fuentes de datos. La galería presenta distintos casos de uso de agentes aplicados a ventas, marketing, customer success y soporte.
Esta estrategia reduce significativamente la fricción en la adopción de la plataforma y facilita que los usuarios experimenten rápidamente el valor de la solución.
1.2 Programa de afiliados y partner directory
Relevance AI ha desarrollado un ecosistema de partners y afiliados que impulsa el crecimiento de su comunidad.
1.3 Comunidad
La comunidad actúa como un espacio donde los usuarios comparten agentes, templates y casos de uso, fortaleciendo el aprendizaje y acelerando la adopción de la plataforma (ver imagen abajo).
Este enfoque basado en comunidad y templates de alto valor permite a Relevance AI crear un loop de distribución, donde los propios usuarios contribuyen a expandir los casos de uso de la plataforma.
2. Plataforma flexible para construir Herramientas, Agentes y Sistemas Multiagente
Otro elemento diferenciador de Relevance AI es la estructura modular de su producto, que permite construir distintos niveles de automatización dentro de la plataforma.
La solución no se limita a la creación de agentes aislados, sino que permite construir herramientas de IA y sistemas multiagente diseñadas para trabajar de forma conjunta.
La forma en que combinan estas tres capas de funcionalidad es lo que realmente la diferencia de otras soluciones del mercado.
2.1 Herramientas de IA
Las herramientas de IA son componentes que permiten automatizar tareas específicas mediante el uso de LLMs, datos y la integración con aplicaciones externas, organizadas a través de una secuencia de pasos (ver imagen abajo). Estas herramientas pueden integrarse posteriormente dentro de los agentes.
2.2 Creación de Agentes
Dentro de la plataforma, los usuarios pueden diseñar agentes definiendo distintas propiedades de su comportamiento:
Prompt: instrucciones que definen el comportamiento del agente.
Tools: herramientas que el agente puede utilizar para ejecutar acciones.
Knowledge: bases de conocimiento, datos, y recursos que alimentan el contexto del agente.
Triggers: eventos o señales que activan al agente.
Deploy: opciones para compartir o desplegar el agente en distintos canales (web, email, etc).
En la imagen de abajo puedes ver un agente de ventas especializado en la investigación y cualificación de leads.
2.3 Sistemas Multiagente
Además de agentes especializados, Relevance AI también permite construir sistemas multiagente, donde varios agentes colaboran entre sí para resolver tareas más complejas (ver imagen abajo).
Por ejemplo, un sistema multiagente orientado a ventas podría estar compuesto por distintos agentes con responsabilidades específicas, como:
Prospect Finder, encargado de identificar nuevos prospectos.
Prospect Researcher, enriquece la información sobre esos prospectos.
Lead Qualifier, evalúa su encaje con el perfil de cliente ideal.
Outreach Drafter, genera mensajes personalizados para iniciar el contacto.
En estos sistemas, el output de un agente se convierte en el input del siguiente, permitiendo orquestar un flujo de trabajo automatizado.
3. “Invent Agent”: generación automática de agentes para reducir el time-to-value
Una funcionalidad especialmente interesante dentro de la plataforma es Invent Agent.
En lugar de construir un agente desde cero, el usuario puede describir, mediante prompting, el objetivo que quiere conseguir, por ejemplo, investigar cuentas, automatizar la cualificación de leads, etc., y la plataforma genera automáticamente una primera versión del agente.
Esta funcionalidad es especialmente relevante para reducir el time-to-value y facilitar la adopción del producto, ya que permite experimentar rápidamente con diferentes agentes sin necesidad de construirlos manualmente desde el inicio.
4. Herramientas para estimar el consumo de modelos de IA
Otra funcionalidad interesante de su producto permite estimar el consumo de créditos asociado al uso de distintos LLMs (ver imagen abajo).
La plataforma muestra el consumo de tokens de cada modelo y, además, puede recomendar automáticamente la opción más adecuada en función del objetivo del usuario, ya sea maximizar el rendimiento o reducir costes.
Esta transparencia permite entender mejor el impacto económico que tiene la elección de modelo dentro de los agentes.
5. Diseño del producto orientado a impulsar upgrades desde su modelo freemium
Una conversación recurrente en los modelos freemium es cómo el propio producto puede impulsar la monetización y facilitar la conversión de usuarios gratuitos a planes de pago.
En Relevance AI, el nivel de uso del usuario, incluyendo acciones ejecutadas y créditos consumidos, permanece siempre visible en el menú principal de la plataforma (ver imagen abajo, parte inferior izquierda). A medida que se aproxima al límite de su plan, el sistema facilita de forma directa la actualización a una suscripción superior.
Este enfoque resulta especialmente eficaz en modelos basados en consumo, ya que conecta de forma clara el uso real del producto con el momento en el que el usuario toma la decisión de hacer un upgrade.
Amenazas y Tendencias del mercado
Hemos identificado dos amenazas principales que enfrenta Relevance AI en el mercado de plataformas para la construcción de Agentes de Inteligencia Artificial:
Amenaza 1: La evolución del SaaS hacia plataformas agénticas
Una de las tendencias más relevantes en el mercado es la rápida evolución de muchas compañías SaaS establecidas hacia plataformas agénticas.
Empresas con posiciones relevantes en sus respectivos mercados están extendiendo su propuesta de valor incorporando agentes nativos en sus plataformas:
HubSpot con Breeze AI
Intercom con Fin AI
Notion con Notion AI
En este contexto, plataformas horizontales de construcción de agentes como Relevance AI deben demostrar un valor diferencial que justifique su adopción frente a agentes ya integrados dentro del stack de software existente en las compañías.
La ventaja de estas plataformas consolidadas es evidente:
ya tienen los datos, el contexto y la base de usuarios.
La pregunta aquí sería :
¿Cuál es la verdadera diferenciación de las plataformas horizontales de construcción de agentes, como Relevance AI, frente a los agentes nativos de los grandes SaaS?
No tengo ni idea, pero parece difícil que estas soluciones horizontales puedan competir con propuestas verticales que disponen de mayor contexto y, por tanto, pueden generar resultados más relevantes con los modelos de lenguaje.
Una segunda amenaza que considero apropiada en este escenario es:
Amenaza 2: Por qué los LLMs y las interfaces no crean ventajas competitivas. El contexto sí. Los datos sí.
Otro cambio estructural en el mercado de la IA es la rápida commoditización de los modelos fundacionales.
Hoy en día, prácticamente cualquier empresa tiene acceso a los mismos modelos de lenguaje.
Claude, ChatGPT y Gemini ya no son herramientas exclusivas reservadas para unos pocos equipos avanzados; ahora están ampliamente disponibles para todos.
Shubham Saboo, Senior AI Product Manager en Google, exploró recientemente esta idea en X.
Los LLMs se están convirtiendo en commodities.
Los precios siguen bajando. El coste por token continúa disminuyendo.
Y la diferencia de rendimiento entre modelos cada vez es menor.
Este cambio transforma por completo la pregunta.
Ya no es:
¿Qué modelo estás utilizando?
Si todas las empresas tienen acceso a los mismos modelos, la pregunta pasa a ser otra:
¿De dónde viene realmente la diferenciación? ¿Cómo pueden las compañías utilizar los LLMs para diferenciarse de verdad?
¿Cuál es el verdadero moat?
La respuesta no está en el modelo.
Está en los datos y en el contexto.
La CEO de HubSpot, Yamini Rangan, lo resumía de forma muy clara en una publicación en Linkedin:
“We all know you need good data for AI, but it’s not enough—you need shared context.
Data tells you what happened. Shared context tells you why it happened and what to do next.
For AI to be genuinely useful, it can’t just consume more data. It needs the same context that we have to make decisions.”
Dharmesh Shah, fundador y CTO de HubSpot, también profundizó en esta misma idea:
“In most companies, context lives in databases, docs, message threads… and people's heads. It's scattered and fragmented. That's a problem because without shared context, AI is just a very smart intern on their first day at work.”
In a world where models will be interchangeable, shared context is what turns AI from a generic assistant into a system that actually understands your business.”
Los modelos serán commodities. El contexto no.
Imaginemos que una empresa quiere construir un agente de soporte al cliente utilizando Claude o ChatGPT.
Prompt:
“Construye un agente de soporte para una empresa de XXX.”
Cualquier LLM generará una respuesta razonable.
Pero será completamente genérica.
Ahora comparemos con esto:
“Construye un agente de soporte para una empresa de XXX con la siguiente base de conocimiento:
Base de datos histórica de preguntas de clientes
Guías de tono y comunicación de la marca
Casos límite que requieren escalado a humanos
Definición clara de lo que significa resolver un caso con éxito
Reglas específicas según tipo de cliente”
Mismo modelo.
Resultados completamente distintos.
La diferencia no está en la longitud del prompt ni en la descripción de la tarea.
El valor no está en decirle al modelo qué hacer. Está en ayudarle a entender el contexto específico del negocio.
La diferencia es el contexto compartido y los datos.
Ese contexto es el verdadero moat.
El prompting será cada vez más fácil. Los modelos necesitarán menos palabras.
A medida que los modelos requieran menos instrucciones, el contexto seguirá siendo el elemento crítico para construir sistemas de IA fiables.
En el caso de plataformas como Relevance AI, esta realidad abre una cuestión estratégica relevante.
Hoy, cada agente dentro de su plataforma se entrena de forma independiente, utilizando su propio conjunto de recursos: prompts, herramientas e información específica del negocio.
Esto plantea la siguiente duda:
¿Tiene sentido construir una capa de conocimiento o contexto común que alimente a todos los agentes desarrollados dentro de Relevance AI?
Esto conecta con otra tendencia que estamos viendo en el mercado: la evolución hacia agentes de IA unificados a lo largo de todo el ciclo de vida del cliente.
En lugar de construir múltiples agentes independientes, uno para soporte, otro para ventas, otro para marketing, algunas compañías están avanzando hacia un modelo donde un único agente gestiona la relación completa con el cliente.
Intercom está avanzando claramente en esta dirección con su agente Fin, que ya está evolucionando más allá del soporte a cliente para cubrir nuevos casos de uso como shopping assistant o funciones de SDR.
La visión de Intercom para Fin es especialmente interesante:
“Fin will have Goals to pursue, objectives you set for your customers, your company, your revenue. It will have Memory that grows over the entire customer lifecycle, building a deep context of the customer. It will have deep knowledge of your business, every product, policy, process. And it will interoperate with different tools, systems, channels, and even different agents”
En un mercado donde los LLMs serán intercambiables, la capacidad de construir sistemas de IA con contexto profundo, memoria y grandes datasets será el verdadero moat.
En los próximos apartados, compartiré dos tesis de crecimiento sobre cómo Relevance AI 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 Relevance AI, describiré diferentes oportunidades de crecimiento enfocadas principalmente en la etapa de activación.
¿Cómo puede Relevance AI incrementar la activación de los usuarios en fase de evaluación?
Profundicemos en los distintos insights que quiero compartir en este análisis :
¿Cómo puede Relevance AI 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 Relevance AI (ver imagen abajo):
Página web
Página de registro
Configuración de la cuenta
Experimentación de valor
El objetivo de este flujo debería ser reducir al máximo el Time-to-Value, es decir, el tiempo que transcurre desde que el usuario crea su cuenta hasta que experimenta el valor de la plataforma.
En este contexto, conviene diferenciar entre dos conceptos clave: el “Aha Moment” y el “evento de activación”. El primero representa el primer momento en el que el usuario experimenta el valor de la plataforma, mientras que la activación está asociada al mínimo patrón de uso recurrente que indica que el producto ha empezado a integrarse en su flujo de trabajo. En este artículo, y en este otro, profundizamos con más detalle en esta distinción.
Principal Problema : Dificultad para experimentar el valor del producto en los primeros pasos
Durante el proceso de creación de la cuenta en Relevance AI, la plataforma realiza algunas preguntas iniciales para cualificar al usuario, como por ejemplo:
Tamaño de la empresa
Departamento
Rol dentro de la organización
Estas preguntas podrían utilizarse para personalizar la experiencia inicial del producto.
Sin embargo, tras completar el registro, el usuario debe seleccionar un punto de partida entre distintas opciones, que actualmente no parecen estar alineadas con el objetivo principal del usuario.
Las opciones que aparecen son (ver imagen abajo):
El problema es que estas opciones presentan varias fricciones para un usuario que está evaluando la plataforma por primera vez.
Por ejemplo:
Generate on-brand slides
Es un caso de uso demasiado específico, que difícilmente será relevante para la mayoría de usuarios que están explorando la plataforma por primera vez.Chat with pre-built agents
Permite interactuar con algunos agentes predefinidos, pero ninguno de ellos está relacionado con la principal necesidad del usuario.
Build your own agent
Es una opción demasiado avanzada para un usuario que todavía no ha entendido cómo funciona Relevance AI.
En otras palabras, el flujo actual no parece estar optimizado para llevar al usuario de forma clara hacia su primer “Aha Moment”.
Oportunidad: Personalizar la experiencia inicial según el rol del usuario
Una oportunidad clara para mejorar la activación sería utilizar la información registrada durante la configuración de la cuenta para personalizar el punto de partida dentro del producto.
Si el usuario ya ha indicado su rol y su departamento durante el registro, la plataforma podría utilizar esta información para mostrar templates de agentes relevantes según su rol.
Por ejemplo:
Para un usuario del equipo de ventas, mostrar agentes relacionados con investigación de cuentas, generación de leads, cualificación de prospectos o outreach.
Para un usuario de marketing, mostrar agentes orientados a generación de contenido, distribución o análisis de mercado.
En lugar de ofrecer un camino con tres opciones de inicio genéricas, el producto podría presentar directamente 2-3 agentes ya construidos y adaptados al rol del usuario, permitiéndole ejecutarlos o explorarlos desde el primer momento.
Este enfoque tendría dos beneficios:
Reducir el Time-to-Value, facilitando que el usuario experimente rápidamente el valor de la plataforma.
Incrementar la tasa de activación, al mostrar casos de uso relevantes para el contexto real del usuario.
El papel de los templates en la fase de evaluación
En las primeras etapas de evaluación, los usuarios todavía no han experimentado el valor del producto.
Por esta razón, los templates o agentes preconstruidos juegan un papel fundamental en la activación.
En lugar de esperar que el usuario diseñe un agente desde cero, la plataforma puede apoyarse en su biblioteca de templates para facilitar la experimentación.
En esta fase de evaluación, el peso debería recaer principalmente en explorar y ejecutar agentes existentes, más que en construirlos manualmente desde el inicio.
Esta es solo una tesis; existen múltiples formas de materializar esta oportunidad dentro del producto.
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
Como mencionaba anteriormente, uno de los puntos fuertes de Relevance AI es su capacidad para facilitar la creación de herramientas muy específicas, agentes y sistemas multiagente dentro de workflows conectados con otras aplicaciones.
Principal Problema
Actualmente, la plataforma ofrece funcionalidades sólidas para configurar, entrenar y desplegar agentes.
Sin embargo, la capa de test, evaluación, monitorización y analítica del comportamiento del agente sigue siendo limitada dentro de la plataforma.
Aunque el usuario puede revisar manualmente los resultados generados por el agente e identificar errores, no existe una capa clara de observabilidad ni un sistema de evaluación continua que permita entender cómo evoluciona su calidad 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 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.
Oportunidad: Construir una capa de AI Evals dentro de la plataforma
Existe una oportunidad clara para que Relevance AI extienda su propuesta de valor incorporando una capa específica de evaluación y observabilidad del comportamiento del agente.
Esta capa podría combinar diferentes enfoques de evaluación:
Evaluaciones automáticas (LLM-as-judge)
Utilizar modelos de lenguaje para evaluar automáticamente la calidad de las respuestas del agente según criterios como precisión, tono o alineación con el negocio.Evaluaciones humanas
Permitir a los equipos revisar manualmente outputs, etiquetarlos y añadir feedback cualitativo que explique por qué una respuesta es correcta o incorrecta. Este proceso facilita la construcción de un golden dataset basado en evaluación humana.Simulaciones de conversaciones completas
Testear el comportamiento del agente mediante simulaciones end-to-end antes de desplegarlo en producción.
Este enfoque permitiría a los clientes:
Detectar degradaciones en el comportamiento del agente.
Iterar y optimizar su rendimiento de forma continua.
Reducir el riesgo asociado a cambios en prompts, modelos o fuentes de datos.
Oportunidad : Analítica más allá del consumo del agente
Actualmente, Relevance AI ofrece un dashboard analítico centrado principalmente en el consumo del agente y el uso de la infraestructura, con métricas como:
Número de tareas ejecutadas
Acciones realizadas
Créditos consumidos
Evolución de estas en el tiempo
Sin embargo, estas métricas resultan poco accionables, ya que no permiten entender cómo mejorar la performance del agente.
Ejemplo: Cómo otras soluciones en el mercado lo resuelven
Fin, el agente de IA de Intercom, está abordando este desafío de forma especialmente interesante, sobre todo en las capas de test y analítica, que son precisamente las áreas donde Relevance AI presenta una mayor oportunidad de evolución.
Para garantizar que el agente genere un impacto real, Fin articula su propuesta en torno a cuatro capas fundamentales:
Entrenamiento · Test · Despliegue · Análisis
Entrenamiento
Es la fase en la que el agente adquiere el conocimiento y el contexto del negocio, definiendo también su comportamiento, reglas y estilo de comunicación.
Test
Permite validar su comportamiento antes del despliegue y monitorizar su rendimiento en el tiempo. Esta capa ayuda a detectar errores potenciales y degradaciones derivadas de cambios en prompts, modelos o fuentes de conocimiento.
Despliegue
Consiste en activar el agente en los distintos canales donde operará, como web, aplicaciones o email.
Análisis
Permite monitorizar y optimizar la performance del agente a lo largo del tiempo, evaluando la calidad de sus respuestas.
Este enfoque estructurado en cuatro capas no solo mejora la calidad del agente, sino que también refuerza la confianza de los equipos que lo utilizan.
A medida que las organizaciones deleguen más procesos en sistemas autónomos, estas cuatro capacidades serán críticas para monitorizar y garantizar la eficacia de los agentes a lo largo del tiempo.
Existe un espacio de oportunidad que explorar. 😉
Estas son algunas tesis 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 y oportunidades requieren de datos para ser validadas.
Otros insights
Os comparto algunos enlaces a análisis de otras plataformas para la construcción de agentes de IA 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 Relevance AI?
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.
