Quién vende más no es quien vende mejor: identifica a tus mejores asesores con IA y MCP

Todos los años pasa lo mismo. La dirección comercial premia al asesor que más contratos firmó, le entrega la placa en la convención y lo pone de ejemplo. Doce meses después, cartera descubre que un tercio de lo que ese asesor vendió está en mora o se retiró, que sus contratos exigieron más gestión de cobranza que los de nadie y que varias familias llegaron al servicio creyendo que tenían coberturas que nunca contrataron. El número que se premió —contratos firmados— era real. Simplemente no medía lo que la compañía quería que midiera.

Este artículo desarrolla un caso de uso concreto de MCP para la dirección de un grupo funerario: identificar quién vende bien de verdad, con los datos que tu ERP ya tiene, y convertir lo que hacen los mejores en el estándar del resto del equipo. No es un artículo sobre comisiones ni sobre motivación: es sobre cómo se construye —y cómo se gobierna— un ranking que no destruya valor.

El problema de negocio y cuánto cuesta hoy

En una operación funeraria a escala, el equipo comercial vende un producto cuyo resultado se conoce mucho después de la firma. Esa distancia entre el momento de la venta y el momento de la verdad es exactamente donde se acumulan los costos invisibles:

• Cartera que nace enferma. Contratos vendidos a familias que no podían sostener la cuota, o con un día de cobro que nunca coincidió con su ingreso. Cada uno consume gestión de cobranza durante meses antes de retirarse.
• Comisiones pagadas sobre ventas que se caen. Si el esquema no difiere una parte del pago, la compañía financia ventas que nunca se consolidaron.
• Expectativas mal fijadas. La familia llega al servicio creyendo que tenía una cobertura que no contrató. El costo aparece en la sala, en el peor momento posible, y lo paga la marca.
• Concentración de cierres al final del mes. Ventas empujadas para alcanzar la meta, con descuentos y condiciones que nadie autorizó explícitamente.
• Rotación del equipo bueno. Cuando el ranking premia el volumen, el asesor que hace bien el trabajo ve que su esfuerzo no cuenta. Es el primero que se va, y se lleva la cartera sana.
• Decisiones de territorio a ciegas. Sin ajustar por zona, sede y flujo de prospectos, el ranking termina midiendo el territorio y no a la persona, y las mejores zonas se asignan a quien ya las tenía.

La homologación al sector es incómoda de tan directa. Lo que allá fueron cuentas abiertas sin consentimiento, aquí son contratos firmados a nombre de un familiar que no autorizó, afiliaciones que nadie pidió y ventas registradas el 30 de cada mes que se caen en enero. Y no es hipotético: en Australia, el caso del seguro exequial ACBF/Youpla —vendido durante décadas a comunidades aborígenes con técnicas de venta no solicitada— terminó con un fallo de la Corte Federal en pleno (29 de febrero de 2024) que declaró que la compañía representó falsamente ser de propiedad o gestión aborigen, y con sanciones de AUD 1,2 millones en 2023 y AUD 3,5 millones adicionales en julio de 2025. Es el sector funerario, no otro.

Los reguladores financieros llegaron antes que nosotros a la conclusión práctica. La FCA británica, en su guía FG13/01 sobre incentivos comerciales, señaló que la mayoría de las entidades revisadas no tenía controles para gestionar el riesgo de mala venta que sus propios incentivos generaban, y exigió vigilar picos y patrones anómalos de venta por asesor. El CFPB estadounidense, en su boletín 2016-03, fue más explícito: los programas atados a metas de producción que crean “una cultura irreal de metas de alta presión” son un riesgo supervisable en sí mismo. Ninguna de las dos autoridades regula funerarias. Las dos describen, con precisión, el riesgo de una sala de ventas de previsión exequial.

Qué datos del ERP intervienen

La ventaja de operar sobre un ERP funerario integral es que la evidencia para responder “quién vende bien” ya existe y está relacionada: no hay que instrumentar nada nuevo, porque cada contrato conoce a su vendedor, su sede, su zona de cobro, su estado y su historia de pagos. Estos son los datos que intervienen en el caso:

Ese mecanismo no es una invención del sector funerario: es el equivalente exacto de la persistencia de la póliza en seguros de vida, donde el indicador estándar del asesor no es la venta sino el persistency ratio al mes 13 —si el cliente pagó la prima del segundo año—, con esquemas de comisión que recuperan el anticipo cuando la póliza cae temprano. Lo que en un seguro de vida es la persistencia a 13 meses, en previsión exequial es el contrato que sigue al día a los 12 meses.

Cómo se arma el caso con MCP, paso a paso

MCP (Model Context Protocol) es el estándar abierto que conecta la inteligencia artificial que prefiera tu equipo —Claude, Gemini, ChatGPT u otro agente— con tu ERP, para consultar y ejecutar operaciones en lenguaje natural respetando los permisos del usuario que autorizó la conexión. En este caso de uso, el agente no vende ni evalúa a nadie: lee y analiza. Estos son los cinco pasos.

Paso 1: congelar las definiciones antes de encender nada

Es el paso que todos quieren saltarse y el que decide si el proyecto sirve. “Venta del mes” puede contarse por fecha de firma del contrato inicial, por fecha de activación o por fecha de primer pago, y las tres dan números distintos. Si no se fija la definición antes, la dirección obtendrá tres cifras diferentes de la misma pregunta y el ejercicio muere de desconfianza en la segunda reunión. Define y escribe, con el equipo comercial y el de cartera en la misma sala: qué cuenta como venta, cuándo se considera vigente un contrato, qué es un retiro atribuible al asesor y cuál no, y qué ventana de tiempo se evalúa.

Paso 2: convertir cada definición en un reporte, no en una consulta libre

Aquí conviene aprender de lo que ya midieron otros sectores, porque la evidencia pública es contundente. LinkedIn publicó los resultados de su asistente de consultas en lenguaje natural: tras más de un año de trabajo, obtuvo 53 % de respuestas correctas o casi correctas, con 78 % de acierto al recuperar tablas y solo 56 % al recuperar columnas. Pinterest midió que el acierto al elegir la tabla correcta pasaba de 40 % a 90 % cuando el sistema tenía documentación de negocio. Swiggy llevó la precisión de su analista conversacional de 54 % a 93 %, principalmente con metadata curada y una prueba automática por cada métrica incorporada. Y Snowflake reportó más de 90 % de acierto con un modelo semántico de métricas certificadas, frente al 51 % de un modelo de lenguaje respondiendo con SQL libre sobre el mismo conjunto de preguntas.

La conclusión práctica es una sola: las cifras que van al comité no se generan con consultas libres, se generan con métricas certificadas. En SFUN eso se traduce directamente: cada definición del paso 1 se materializa en un reporte guardado del sistema, y el agente lo ejecuta por MCP con run_report, que respeta el permiso de reporte sobre el doctype y los roles configurados. El grupo ya cuenta con reportes de ventas por asesor, cartera por asesor, contratos retirados, renovaciones y seguimiento de ventas; el trabajo es acordarlos como oficiales y completarlos, no construir un tablero desde cero.

Paso 3: las cinco preguntas que arman el ranking honesto

Con las métricas certificadas en su lugar, la dirección comercial pregunta en lenguaje natural y el agente responde ejecutando esos reportes y agregando resultados. Estas son las cinco preguntas mínimas:

1. ¿Cuántos contratos vendió cada asesor en la ventana y cuánto representan en cuota mensual, por sede y por zona de cobro?
2. ¿Qué porcentaje de esos contratos sigue vigente y al día a los 12 meses? Es el indicador estrella; todos los demás lo explican.
3. ¿Qué porcentaje se retiró y con qué anotación de retiro? Separa el retiro por capacidad de pago del retiro por expectativa mal fijada.
4. ¿Cuánta comisión quedó revertida o todavía condicionada por asesor? Es la traducción monetaria y auditable de las dos preguntas anteriores.
5. ¿Cómo se distribuyen los cierres dentro del mes y qué dispersión de descuento tiene cada asesor? Las dos palancas que se gamean primero.

Esa última pregunta no es paranoia. Un estudio publicado en el Journal of Labor Economics (Larkin, 2014), con datos internos de un fabricante líder de software empresarial, documentó que los vendedores manipulan el momento del cierre para aprovechar la comisión acelerada y conceden descuentos significativamente mayores en los trimestres que les convienen, con un costo estimado de 6 % a 8 % de los ingresos. En una sala de ventas de previsión, la versión local es la concentración de firmas en los últimos tres días del mes.

Paso 4: ajustar por territorio antes de comparar personas

Este paso separa un ranking útil de uno que solo genera resentimiento. Antes de comparar a dos asesores hay que descontar la zona, la sede, el flujo de prospectos recibido, la estacionalidad y el mix de plan asignado. La advertencia más clara sobre esto no viene del mundo comercial sino de la American Statistical Association, que al evaluar los modelos de valor agregado usados para rankear maestros concluyó que estos explicaban entre el 1 % y el 14 % de la variabilidad de los resultados, y advirtió que rankear personas con esos puntajes puede producir consecuencias no deseadas que reducen la calidad. La lección se traslada intacta: sin ajuste por territorio, tu ranking mide el territorio.

Hay una segunda corrección estadística igual de importante: el tamaño de la muestra. Un asesor de sala con ocho ventas al mes no tiene señal suficiente para sostener una diferencia real. Compara con ventanas móviles de 6 a 12 meses y, cuando dos asesores queden dentro del mismo rango, decláralos empatados en lugar de inventar un primero y un segundo.

Paso 5: descubrir qué hacen distinto los mejores

Solo después de tener el ranking corregido tiene sentido preguntar por el cómo. El agente puede contrastar los patrones observables de los asesores del cuartil superior contra el resto: qué planes venden, con qué cuota promedio, en qué zonas, con qué duración de ciclo desde el prospecto hasta la firma, con qué día de cobro pactado, con cuántos beneficiarios por contrato y con qué tasa de contacto posterior a la venta. Todo eso sale de datos que ya están en el sistema.

Una advertencia metodológica que conviene decir en voz alta ante el comité: que los mejores compartan un rasgo no prueba que ese rasgo cause el resultado. Al mejor asesor suelen asignarle los mejores prospectos, lo que lo mantiene arriba. Por eso toda “práctica de los mejores” se valida con un piloto en una sala antes de convertirse en estándar obligatorio, y la razón por la que una familia no compró se le pregunta a la familia, no al asesor que perdió la venta.

El bucle: qué se revisa cada mes y cada trimestre

Un ranking que se calcula una vez al año es un trofeo. Lo que cambia el resultado del negocio es un ciclo corto y aburrido, con dueño y con calendario.

El comité trimestral de incentivos es el que más se descuida y el que más protege a la compañía. La propia FCA advierte que los esquemas de scorecard balanceado también se gamean: no eliminan el riesgo, solo trasladan el punto de fuga. Cada indicador nuevo que agregues necesita su propio control. Si mides “calidad del diagnóstico de la familia”, alguien empezará a llenar el formulario sin conversar.

Gobierno y límites: evaluar personas es distinto de evaluar procesos

Este caso de uso tiene una diferencia esencial con los demás casos de IA en una funeraria: aquí el objeto del análisis son personas empleadas. Eso cambia las reglas, y conviene adoptarlas por convicción antes de que las imponga una norma local.

Lo que el sistema hace por diseño

• La conexión hereda los permisos de un usuario concreto. El agente no puede leer nada que esa persona no pueda leer, y cada consulta queda asociada a esa identidad. El acceso se autoriza y se revoca desde el propio sistema.
• Análisis agregado por defecto. El modo de agregación del MCP calcula conteos, sumas y promedios respetando permisos, sin necesidad de extraer registros individuales.
• El análisis en SQL está restringido. Requiere un rol privilegiado, admite únicamente consultas de solo lectura y está limitado a un tope de 20 filas, precisamente como barrera contra la extracción masiva de datos personales.
• Los reportes respetan sus propios roles y devuelven resultados truncados, no volcados completos de la base.
• Usuario de análisis dedicado y de solo lectura para el ejercicio: no es el usuario del director, es una identidad creada para esto, con alcance acotado y auditable.

Lo que nunca se automatiza

• Ninguna decisión laboral sale directo de un modelo. La IA prepara el análisis; el jefe de sala decide, firma y responde. La ley 144 de la ciudad de Nueva York, vigente desde 2023, ya exige auditoría de sesgo independiente y anual, publicación de resultados y notificación previa para herramientas automatizadas que sustituyan sustancialmente la decisión discrecional sobre empleo —incluidos los puntajes sobre empleados actuales—. Es el estándar hacia el que va el mundo.
• Nada de inferir emociones. El Reglamento Europeo de IA prohíbe expresamente los sistemas destinados a inferir emociones de una persona en el ámbito laboral, con excepciones solo médicas o de seguridad. Aunque tu operación esté en Latinoamérica, es el estándar que tus clientes corporativos y sus auditores van a preguntar.
• Nada de vigilancia al segundo. La autoridad francesa de protección de datos multó con 32 millones de euros a Amazon France Logistique por un sistema de monitoreo “excesivamente intrusivo”: alertas por inactividad, medición de tiempos entre escaneos y obligación de justificar pausas. Mide resultados de la venta, no minutos de inactividad del asesor.
• La conversación de coaching la tiene una persona. Un experimento de campo publicado en Strategic Management Journal (Tong, Jia, Luo y Fang, 2021) encontró que la retroalimentación generada por IA era de mayor calidad que la del jefe humano, pero que revelarle al empleado que venía de una IA deprimía su productividad. La salida no es ocultarlo: es cambiar el rol de la IA. Ella prepara el análisis; el jefe conduce la conversación.
• Los datos de la familia doliente no entran al ranking. Nombres, diagnósticos, causas de muerte y detalles del servicio no son insumo de una evaluación comercial. El análisis se hace sobre el contrato y su comportamiento, no sobre las personas atendidas.

KPIs: línea base y meta

Estos son los indicadores que hacen medible el caso. Las metas son referencias de arranque para una operación funeraria a escala, no promesas: cada compañía debe fijar su propia línea base en el primer trimestre y medir el movimiento contra ella, no contra el promedio de nadie.

Hoja de ruta de adopción

Semana 1: acordar definiciones y conectar

• Reunir a comercial y cartera y escribir las definiciones: venta, vigencia, retiro atribuible, ventana de evaluación. Una página, firmada por ambas áreas.
• Crear el usuario de análisis de solo lectura y autorizar la conexión MCP con ese usuario, no con el del director.
• Verificar qué reportes de ventas, cartera, retiros y renovaciones ya existen y cuáles hay que completar.
• Nombrar al responsable del ciclo. Sin un nombre propio, el ranking se calcula una vez y se abandona.

Mes 1: línea base sin publicar el ranking

• Correr las cinco preguntas sobre los últimos 24 meses y guardar la línea base de cada indicador.
• Validar tres casos a mano: tomar tres asesores y reconstruir sus cifras manualmente. Si el número no cuadra, la definición está mal, no el asesor.
• No publicar el ranking todavía. Compartirlo primero con cada jefe de sala para detectar distorsiones de territorio y errores de asignación de vendedor.
• Documentar el ajuste por zona, sede y flujo de prospectos, y dejarlo escrito como parte de la metodología.

Trimestre 1: convertirlo en práctica de gestión

• Publicar el ranking corregido con su metodología visible y el derecho explícito a impugnarlo.
• Iniciar el ciclo mensual con dirección comercial y cartera en la misma reunión, no en reuniones separadas.
• Identificar de tres a cinco prácticas de los mejores y pilotearlas en una sala antes de volverlas estándar.
• Llevar al comité de incentivos la primera revisión del esquema de comisiones a la luz de los datos: meses condicionados, aceleradores y metas.
• Medir la brecha del asesor nuevo. Si se cierra, el caso de uso está funcionando; si no, estás midiendo, no mejorando.

Errores comunes que hacen fracasar el caso

• Publicar el ranking antes de validar las definiciones. Basta una cifra mal calculada para que el equipo desestime el ejercicio completo, y no hay segunda oportunidad.
• Comparar sin ajustar por territorio. Es la forma más rápida de premiar la zona y castigar a quien la trabajó bien en condiciones peores.
• Usar consultas libres para cifras oficiales. Las métricas que van al comité salen de reportes certificados; el análisis exploratorio se marca como no oficial.
• Convertirlo en un instrumento disciplinario. El objetivo es subir el desempeño del promedio, no armar un expediente. En el momento en que el equipo lo perciba como vigilancia, los datos de entrada se empiezan a ensuciar.
• Forzar una curva. Microsoft eliminó su sistema de clasificación forzada en 2013 tras concluir que fomentaba competencia tóxica y desincentivaba la colaboración. Usa umbrales absolutos de calidad, no cuotas relativas de bajo desempeño.
• Dejarlo en manos de un área sola. Si cartera no participa, el ranking vuelve a ser de volumen en tres meses.
• Analizar solo a los mejores. Es sesgo de supervivencia: al mejor le dan los mejores prospectos. Compara también contra los que mejoraron, que suelen enseñar más.

Preguntas frecuentes

¿Cómo se mide si un asesor funerario vende bien y no solo mucho?

Con la persistencia del contrato como indicador estrella: qué porcentaje de lo que vendió hace doce meses sigue vigente y al día. A ese número se le suman la tasa de retiro temprano, la mora de la cartera que generó y la proporción de comisión revertida. El volumen sigue reportándose, pero nunca solo. Es el mismo criterio que usan los seguros de vida con la persistencia de la póliza al mes 13, y por la misma razón: el producto se vende hoy y se cumple años después, así que el resultado no se conoce el día de la firma.

¿Qué aporta MCP frente a un informe de BI tradicional?

Baja el costo de preguntar. Un informe de BI responde bien la pregunta para la que fue construido y mal todas las demás; cada variación nueva —“ahora por zona”, “ahora solo los del plan familiar”, “ahora comparado contra el mismo trimestre del año pasado”— es una solicitud al equipo de datos y una espera de días. Con MCP, la dirección hace esa pregunta en lenguaje natural y el agente la responde ejecutando los reportes certificados con los permisos del usuario que autorizó la conexión. Lo que era un proyecto trimestral se vuelve una rutina mensual. Lo que MCP no reemplaza es el trabajo de definir las métricas: sin eso, acelera la producción de cifras que nadie cree.

¿Es legal y ético evaluar a los asesores con inteligencia artificial?

Lo es cuando la IA analiza y una persona decide, cuando el asesor sabe qué se mide y puede impugnarlo, y cuando el alcance del análisis se limita a datos de la operación comercial. Deja de serlo cuando la evaluación se automatiza, cuando se infieren emociones o estados a partir de la voz o del comportamiento —prohibido expresamente en el ámbito laboral por el Reglamento Europeo de IA—, o cuando se monitorea la actividad minuto a minuto, práctica por la que la autoridad francesa de protección de datos multó con 32 millones de euros a Amazon France Logistique. En Latinoamérica, además, aplica el régimen local de datos personales de cada país sobre las grabaciones y su tratamiento. La regla simple: mide resultados de la venta, no la conducta del empleado.

¿Qué tan precisas son las respuestas de una IA que consulta el ERP?

Depende por completo de cómo se le pregunte a los datos. La evidencia pública de empresas que lo llevaron a producción es consistente: con generación libre de consultas sobre esquemas empresariales reales, la precisión ronda el 50-60 % —LinkedIn reportó 53 % de respuestas correctas o casi correctas tras más de un año de trabajo—, y sube por encima del 90 % cuando se responde desde métricas y reportes certificados en lugar de consultas improvisadas: Swiggy pasó de 54 % a 93 % con metadata curada y pruebas por métrica; Snowflake reportó más de 90 % con modelo semántico frente a 51 % con generación libre. Por eso el paso 2 de este caso de uso no es opcional: certifica las métricas primero y usa el lenguaje natural para consultarlas, no para inventarlas.

¿Cuánto tarda en verse un resultado?

El primer trimestre es de línea base y credibilidad: definir, validar y publicar sin sorpresas. Los cambios de comportamiento comercial —menos concentración de cierres a fin de mes, mejor coherencia entre la cuota pactada y la capacidad de pago de la familia— suelen notarse entre el segundo y el tercer mes del ciclo, porque son decisiones que el asesor toma en cada venta. La persistencia a 12 meses, en cambio, es un indicador con retraso estructural: la primera cohorte comparable llega un año después de empezar. Por eso conviene vigilar durante ese año los indicadores adelantados —retiro temprano, mora de los primeros meses y comisión condicionada que no avanza— que anticipan hacia dónde va la persistencia antes de que se pueda medir.

¿Y si el ranking muestra que mi mejor vendedor histórico no lo era?

Es el resultado más frecuente y el más valioso, y también el que más conviene manejar con cuidado. La respuesta no es sancionar a esa persona: durante años se le pidió maximizar un número y lo maximizó. La respuesta es cambiar lo que se pide —esquema de comisiones, metas y reconocimiento— y acompañar la transición con formación, dando un periodo claro antes de que el nuevo criterio afecte la remuneración. Wells Fargo eliminó sus metas de producto en la banca minorista pocos días después del escándalo justamente porque el problema no estaba en los empleados, sino en el diseño de la métrica. Un ranking honesto que se estrena castigando personas por las reglas viejas es la manera más segura de que el equipo no vuelva a confiar en un número.

Referencias

• Consumer Financial Protection Bureau — acción de cumplimiento contra Wells Fargo Bank (8 de septiembre de 2016): consumerfinance.gov. Eliminación de metas de producto en banca minorista: newsroom.wf.com.
• M. Harris y B. Tayler, “Don’t Let Metrics Undermine Your Business”, Harvard Business Review, septiembre-octubre de 2019: hbr.org.
• Financial Conduct Authority — guía FG13/01 sobre riesgos para los consumidores derivados de incentivos comerciales: fca.org.uk. Consumer Financial Protection Bureau — Compliance Bulletin 2016-03 sobre incentivos de producción: files.consumerfinance.gov.
• ASIC — apelación exitosa en el caso ACBF/Youpla por representaciones engañosas en seguros de gastos funerarios (29 de febrero de 2024): asic.gov.au.
• I. Larkin, “The Cost of High-Powered Incentives: Employee Gaming in Enterprise Software Sales”, Journal of Labor Economics 32(2), 2014: journals.uchicago.edu.
• E. Brynjolfsson, D. Li y L. Raymond, “Generative AI at Work”, Quarterly Journal of Economics 140(2), 2025: academic.oup.com.
• X. Tong, N. Jia, X. Luo y Z. Fang, “The Janus face of artificial intelligence feedback”, Strategic Management Journal 42(9), 2021: onlinelibrary.wiley.com.
• American Statistical Association — declaración sobre el uso de modelos de valor agregado para evaluación educativa (2014): amstat.org.
• LinkedIn — “SQL Bot: A Text-to-SQL Assistant” (2025): arxiv.org. Pinterest — “How we built Text-to-SQL at Pinterest” (2024): medium.com. Swiggy — “Hermes V3” (2026): bytes.swiggy.com. Snowflake — “Cortex Analyst: text-to-SQL accuracy for BI” (2024): snowflake.com.
• CNIL — sanción de 32 millones de euros a Amazon France Logistique por monitoreo excesivo de trabajadores (2024): edpb.europa.eu. NYC Department of Consumer and Worker Protection — Local Law 144 sobre herramientas automatizadas de decisión de empleo: nyc.gov.