G2 2026: AI Search está formando el pipeline antes del primer cold email

G2 publicó el 22 de julio su Buyer Behavior Report 2026 y el 7 de agosto Sidharth Yadav desarrolló una consecuencia concreta: AI Search ya está alterando dónde se forma el pipeline. El informe se basa en una encuesta online realizada en junio de 2026 a 1,038 personas que decidían o influían compras B2B de software en Norteamérica, EMEA y APAC, además de 55 entrevistas con profesionales de marketing B2B.

El hallazgo más útil para outbound no es que los compradores usen chatbots —eso ya dejó de sorprender—, sino cuándo los usan. Más de 80% afirmó haber obtenido recomendaciones de software mediante un chatbot durante los últimos dos años. Entre ese grupo, la mitad dijo que AI tuvo su mayor influencia durante la creación de la shortlist y la evaluación.

G2 también encontró que la evaluación es la etapa más larga para 40% de los compradores, frente a 36% que señaló investigación y 22% decisión. La lectura editorial de picos.Ai es clara: AI comprime el descubrimiento, pero no elimina la fricción de comprar. La desplaza hacia pruebas, seguridad, precio, adopción y confianza.

En el modelo clásico, outbound buscaba presentar una categoría, despertar interés y conseguir una reunión. Ese recorrido todavía existe, pero ya no describe todas las cuentas. Un comprador puede pedir a ChatGPT, Gemini, Perplexity o Copilot una lista de opciones, comparar capacidades y revisar objeciones antes de aparecer en el CRM del proveedor.

Eso cambia el significado del silencio. Una cuenta sin aperturas confiables, form fill o reply no está necesariamente inactiva; puede estar investigando fuera de los canales que el dashboard observa. Esto es una interpretación operativa, no permiso para declarar que cada prospecto silencioso está 'en mercado'. Sin una señal verificable, sigue siendo una hipótesis.

También cambia el trabajo del primer mensaje. Si el prospecto ya conoce la categoría, un email que explica qué es automatización comercial llega tarde. Debe ayudar a evaluar: qué problema resuelve picos.Ai, cómo se conectan datos, personalización, deliverability y CRM, qué se puede comprobar y qué tradeoffs existen.

Cuando cae pipeline, el reflejo habitual es aumentar cuentas, inboxes y follow-ups. Pero si la marca no apareció durante la formación de la shortlist, el problema no es necesariamente falta de actividad. Puede ser falta de evidencia pública suficiente para que el comprador —o el sistema que sintetiza fuentes— entienda dónde encaja la oferta.

Un sexto toque no corrige una página vaga, perfiles contradictorios o ausencia de respuestas concretas sobre implementación y medición. Solo repite el problema con mejor cadencia. Outbound puede abrir una puerta, pero tendrá más fricción si el prospecto busca a la empresa después y encuentra una propuesta distinta en cada canal.

La consecuencia es incómoda para los dashboards: parte del trabajo que mejora respuestas ocurre fuera de la plataforma de envío. Casos explicados, páginas comparativas honestas, FAQs, documentación de proceso y perfiles coherentes pueden influir antes de que exista un evento atribuible.

El mismo informe ofrece otra señal. Ochenta y siete por ciento de los compradores dijo que sería más probable comprar a un proveedor con AI transparente —que explica uso de datos o entrenamiento de modelos— que a una alternativa black box más barata. El dato se refiere a compradores de software B2B; no debe extrapolarse como porcentaje garantizado para cualquier servicio de outbound.

Para una oferta como picos.Ai, transparencia significa explicar de dónde salen los datos, qué campos alimentan la personalización, cuándo el sistema decide no enviar, cómo se protegen dominios, cómo se clasifican respuestas y qué eventos llegan al CRM. También significa separar automatización de juicio humano y reconocer que una mejor infraestructura no garantiza reuniones.

La evidencia útil debe poder viajar dentro del comité de compra. Un champion necesita una explicación que pueda reenviar a ventas, marketing, RevOps, seguridad o dirección. Si solo el fundador del proveedor puede contar la historia en una llamada de 45 minutos, la propuesta todavía no está lista para una evaluación asistida por AI.

Primero, añade una capa de contexto de evaluación. Además de industria, rol y señal, registra qué alternativas visibles podría estar comparando la cuenta, qué preguntas aparecen en sus materiales públicos y qué riesgo tendría que justificar internamente. No inventes que usa un chatbot ni afirmes conocer su shortlist; formula una hipótesis que el mensaje pueda validar.

Segundo, personaliza por decisión, no por trivia. 'Vi que publicaron sobre expansión a enterprise' puede llevar a una pregunta sobre cómo atribuyen pipeline por segmento. 'Vi que su oficina está en Monterrey' rara vez ayuda a decidir un sistema outbound. La personalización debe reducir una incertidumbre comercial, no demostrar que el scraper encontró la página correcta.

Tercero, conecta el email con una pieza que soporte evaluación: una checklist de datos, una matriz de stack, un diagnóstico de headers o un método para clasificar replies. El recurso debe resolver algo sin exigir reunión. Así el contacto puede evaluar criterio antes de abrir calendario.

No conviene reemplazar métricas de pipeline por una cifra de 'visibilidad en AI' sin metodología. Mantén entregados, respuestas positivas, reuniones, oportunidades y pipeline por cohorte. Añade señales que expliquen influencia: menciones espontáneas de ChatGPT o Gemini en replies y llamadas, visitas a páginas de comparación, branded search, fuentes de referencia y preguntas repetidas durante evaluación.

Pregunta explícitamente en formularios o discovery cómo encontró la cuenta a la empresa y qué fuentes usó para comparar. Conserva la respuesta textual; forzar todo a first-touch o last-touch borra recorridos híbridos. Si una cuenta recibió cold email, investigó en un chatbot y volvió por búsqueda de marca, las tres interacciones pueden ser ciertas.

Para experimentos, elige un segmento y publica evidencia ligada a sus objeciones. Después coordina el ángulo del outbound con esa pieza durante una ventana definida. La hipótesis puede ser: las cuentas que reciben un recurso de evaluación producirán más replies cualificados o avanzarán con menos fricción. Si no cambia nada, se documenta; no se rebautiza como 'dark funnel success'.

AI Search no vuelve inútil el cold email. Lo vuelve menos tolerante a mensajes que actúan como si el comprador no pudiera investigar. El email sigue creando una oportunidad de atención directa; la web, las fuentes externas y las respuestas de AI ayudan a decidir si esa atención merece confianza.

picos.Ai puede conectar ambas capas: definir preguntas reales del ICP, convertirlas en evidencia pública, investigar señales de cuenta y operar secuencias que lleven a una evaluación concreta. Después conectamos replies, reuniones y oportunidades con la cohorte para distinguir visibilidad de pipeline real.

La decisión práctica no es escoger entre AEO y outbound. Es asegurar que ambos describan la misma oferta y ayuden al comprador en momentos distintos. Si el chatbot presenta una promesa, el cold email cuenta otra y la llamada descubre una tercera, el problema no es el algoritmo. Es posicionamiento sin dueño.