Esto lo aprendí del lado del cliente, no del proveedor. Cuando trabajaba en marca dentro de Fortune 500 vi varias veces cómo se tomaban decisiones grandes a partir de dashboards que nadie había releído con criterio. Una de las razones por las que armamos Epical fue para resolver ese gap desde afuera.
Hoy, cuando arrancamos con un cliente nuevo en LATAM, hacemos lo mismo de siempre: tomamos los últimos seis meses de conversación digital sobre la marca y los procesamos con criterio regional. Si el cliente ya tiene una plataforma de listening licenciada, mi equipo trabaja sobre su stack. Si no, desplegamos el nuestro. Encima de cualquiera de los dos, va lo mismo: nuestros modelos entrenados en lenguaje regional, herramientas internas de clasificación, y analistas senior leyendo muestras curadas.
La diferencia entre esa lectura y el output crudo del dashboard suele ser importante. A veces cambia la decisión.
El sentimiento que no era
Un cliente de consumo masivo lanzó una nueva línea en Argentina. El dashboard reportaba 71% de menciones positivas en las primeras dos semanas, y el equipo de marca preparó el caso para escalar la inversión a toda la región. Antes de tomar la decisión, nos pidieron una segunda lectura.
El mismo posteo, dos lecturas opuestas
El equipo filtró las menciones positivas y las releyó una por una. Aparecían cosas como "qué buena la nueva versión eh", "me re encanta esta porquería", "está buenísimo, sigan así". Las tres tienen las marcas léxicas que un modelo entrenado en español genérico clasifica como positivas — buena, encanta, buenísimo. Las tres son ironía.
Y no es solo argentina. El mismo patrón aparece en México con "qué padre la mamada esta", en Chile con "qué bacán la weá", en Colombia con "qué chimba el man". La ironía con marcas léxicas positivas es transversal al español latinoamericano contemporáneo y los modelos entrenados mayormente en español de España o español neutro de doblaje todavía no la resuelven con la misma precisión que en inglés.
Tres menciones reales. Vos decidís la polaridad.
Esto no es un error del dashboard, es la salida correcta dado el modelo que opera por default. Lo que falta es una capa adicional encima: muestreo curado, releído por analistas que conocen la variante regional, recalibración de polaridad para el corpus local.
Cuando el equipo volvió a procesar el corpus con esa capa, el sentimiento real era 34% positivo, 41% neutro, 25% negativo. Y dentro de ese "positivo" original había un núcleo de ironía que en realidad anticipaba un problema de marca emergente.
Lo que decía el dashboard vs. lo que decía el corpus
Lo más incómodo de ese proyecto fue presentarle al CMO un dato que contradecía el que su propio equipo le había mostrado dos semanas antes. La pregunta obvia que apareció en la sala fue "¿entonces los datos que vimos no servían?". La respuesta — los datos servían, faltaba la lectura — es más sutil de lo que parece, pero es exactamente lo que terminó comprando. El cliente decidió pausar el rollout regional y rediseñar la propuesta de valor antes de escalar la inversión.
El sentimiento atribuido al sujeto equivocado
Un organismo multilateral nos llamó porque su monitoreo reportaba un pico de sentimiento negativo asociado a una operación de financiamiento que estaban anunciando en un país de la región. El equipo de comunicación del cliente interpretó el dato como rechazo público al préstamo y empezó a preparar una respuesta defensiva — explicar las condiciones financieras, los criterios de elegibilidad, la metodología de tasas.
A quién le estaban hablando, realmente
Cuando el equipo de Epical releyó el corpus, el patrón era distinto. El sentimiento negativo no estaba dirigido al préstamo ni al organismo. Estaba dirigido al funcionario político local que firmaba la operación. La gente no rechazaba el financiamiento — rechazaba a quien lo recibía. La conversación tenía nombres propios, hashtags personales y referencias a una controversia política local que estaba en curso.
El monitoreo había agregado todas las menciones bajo el tag del organismo, lo cual es la salida esperable. Lo que faltaba era resolver el objeto del sentimiento dentro de cada mención: distinguir si lo que la gente estaba diciendo iba al cliente o a algo en su órbita. Eso requiere lectura humana con contexto político local — no más data, ni mejores modelos.
La respuesta defensiva que el cliente estaba por publicar habría profundizado el problema. Era responder a la pregunta equivocada. Lo más difícil de ese proyecto no fue diagnosticar el problema, fue convencer al cliente de no responder. Para un organismo multilateral con presupuesto millonario, callarse cuesta. Pero era lo correcto, y lo entendieron. Recomendamos silencio institucional por parte del organismo, comunicación dirigida al equipo técnico del país, y monitoreo focalizado en el actor político específico. El pico se disipó en pocas semanas.
La capa que falta
Estos casos no son anomalías. Aparecen sistemáticamente cuando una plataforma global procesa conversación en mercados con códigos lingüísticos, culturales y políticos distintos al corpus de entrenamiento dominante. Son los límites razonables de lo que un modelo entrenado a escala global puede entregar por default.
Las tres capas entre la conversación y la decisión
Lo que falta encima es una capa que casi nunca viene empaquetada con la herramienta. Lectura léxica que distinga las variantes específicas del español y del portugués latinoamericanos. Resolución del objeto del sentimiento cuando una mención agrupa al cliente con actores políticos o culturales cercanos. Y contexto local en tiempo real, porque una conversación digital en LATAM rara vez vive aislada del momento que está pasando.
Entre el dashboard y la decisión hay un espacio de lectura que requiere criterio regional, contexto cultural y disciplina de revisión. En la mayoría de las marcas globales operando en LATAM ese espacio está vacío, o lo cubre un equipo que no tiene los recursos ni la especialización para hacerlo bien.
Esa capa es, todavía hoy, la diferencia entre escalar una campaña que estaba rindiendo por debajo de lo esperado y detectar un problema reputacional cuando aún es contenible.