Juan Pablo Tejela, CEO y cofundador de Metricool – Serie de entrevistas

Juan Pablo Tejela, CEO y cofundador de Metricool, es un ingeniero de software y empresario tecnológico que ha liderado la empresa desde 2014, ayudando a desarrollarla en una plataforma integral para gestionar y medir contenido digital. Antes de lanzar Metricool, pasó casi nueve años en Optimyth Software, donde sus responsabilidades incluían gestión de productos, desarrollo de aplicaciones, diseño de interfaz de usuario, preventa, soporte al cliente y marketing en línea para la plataforma de análisis de software Kiuwan. Al comienzo de su carrera, Tejela ocupó puestos de ingeniería de software en Swissrisk, Indra, EADS-CASA y FEDETEC, trabajando en Java, C++, sistemas embebidos, tecnología de comunicaciones y desarrollo del núcleo de Linux.

Metricool es una plataforma de gestión de medios sociales con sede en Madrid que permite a creadores, marcas y agencias planificar contenido, publicar publicaciones, gestionar conversaciones, analizar el rendimiento, monitorear a los competidores y generar informes desde un espacio de trabajo centralizado. La plataforma admite las principales redes sociales y canales publicitarios, incluyendo Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google y Meta Ads, y también ofrece herramientas de creación y optimización de contenido asistidas por inteligencia artificial. Metricool informa que atiende a más de dos millones de usuarios, incluyendo organizaciones como Forbes, Adidas, Volvo, H&M y Warner Music (WMG ) Group.

Su carrera comenzó en ingeniería de software, sistemas embebidos, calidad de aplicaciones y desarrollo de productos. ¿Cómo moldearon esas experiencias su enfoque cuando fundó Metricool, y qué necesidad insatisfecha lo convenció de que los profesionales de los medios sociales necesitaban una nueva clase de plataforma de análisis?

Honestamente, Metricool comenzó más pequeño de lo que la gente piensa. Mi esposa Laura y yo lo construimos en 2015 como un proyecto paralelo, además de nuestros trabajos regulares. Los bloggers eran lo más grande en Internet en ese momento, y notamos que no tenían una buena manera de ver sus números en un solo lugar — todo estaba disperso en cinco herramientas diferentes, ninguna de las cuales estaba diseñada para alguien que no fuera técnico. Mi experiencia en sistemas embebidos y QA me había inculcado un hábito. No confías en algo que no has medido tú mismo. Así que construimos la versión simple que deseábamos que existiera.

Lo que en realidad validó la idea no fueron los bloggers, sino los profesionales de los medios sociales que comenzaron a registrarse justo después de ellos. Querían informes de clientes que se vieran profesionales, y esta es la parte que importaba para un proyecto paralelo — estaban dispuestos a pagar. La mayoría de los bloggers no lo estaban. Ese fue el momento en que me di cuenta de que no estábamos construyendo una herramienta de afición, estábamos construyendo para una profesión subatendida. Mantuvimos nuestros trabajos hasta que se volvió inmanejable, y comenzamos a contratar adecuadamente en enero de 2017. Todo desde entonces ha sido básicamente una extensión de ese primer instinto: eliminar el ruido, mantener los análisis transparentes y construir algo para la persona que hace el trabajo, no para la persona que compra software para otros.

Metricool ha evolucionado de un producto de análisis enfocado a una plataforma de gestión de medios sociales utilizada por más de cuatro millones de profesionales, agencias, creadores y marcas. ¿Cuáles fueron las decisiones de producto más consecuentes detrás de ese crecimiento, y hubo momentos en que tuvo que replantear la visión original de la empresa?

Unas pocas decisiones importaron más que el resto. Ir a por los análisis mientras todos los demás — Hootsuite, Buffer — se centraban en la programación fue la primera, y sigue siendo nuestro diferenciador hoy en día. La segunda fue negarse a ser una “herramienta americana” que trata al español y otros idiomas como una idea de último momento; eso nos dio una ventaja real en Europa y América Latina desde el principio. La tercera, más reciente, fue decidir que los anuncios sociales no podían vivir en una herramienta separada del contenido orgánico, porque ningún gestor de medios sociales piensa en ellos por separado.

¿Cambió la visión? Constantemente, y no creo que eso sea algo malo. No nos propusimos construir para agencias, sino que construimos para profesionales y bloggers individuales. Las agencias se presentaron solas, nos dijeron qué necesitaban (informes con marca blanca, paneles de clientes múltiples, asientos de equipo), y escuchamos y tomamos medidas. Lo mismo sucedió con las marcas más tarde. Si hubiera mantenido la “visión original” de Metricool demasiado, habríamos construido un producto mucho más pequeño para una audiencia de nicho. El plan nunca fue sagrado. Los usuarios en gran medida trazaron la hoja de ruta para nosotros.

La investigación de Metricool encontró que el 96% de los profesionales de los medios sociales utilizan inteligencia artificial, pero el 36% no sabe o no mide si el contenido generado por IA funciona mejor. ¿Por qué la adopción de IA ha avanzado mucho más rápido que la capacidad de las organizaciones para evaluar su impacto empresarial real?

Porque usar IA es fácil y medirla adecuadamente es trabajo. Abres una herramienta, obtienes un título, lo publicas — no hay fricción en absoluto. De hecho, saber si ese título hizo algo por ti significa configurar una comparación, ser paciente, resistir la tentación de declarar la victoria después de una buena publicación. La mayoría de los equipos no han construido esa disciplina todavía, y honestamente, ¿por qué habrían de hacerlo? Hasta hace dieciocho meses, nadie necesitaba preguntar “¿la versión de IA superó a la versión humana” — una persona la escribió, juzgaste la publicación por sus propios méritos.

Ese 36% no me preocupa como podría sonar. No es que la gente sea descuidada. Es que la medición siempre va por detrás de la adopción — sucedió con los medios sociales pagados, sucedió con el marketing de influencia, y está sucediendo de nuevo aquí. Las herramientas para usar IA mejoraron rápidamente. Los hábitos para juzgarla no han alcanzado el ritmo todavía. Lo harán.

La inteligencia artificial generativa permite a las marcas producir más contenido a un costo menor, pero un mayor alcance o volumen de publicaciones puede crear una falsa sensación de éxito. ¿Qué métricas deben priorizar los equipos para determinar si el contenido asistido por IA está fortaleciendo la confianza, la salud de la marca y las relaciones con los clientes?

El alcance es la métrica que la IA es mejor para inflar y peor para explicar. Si solo estás mirando ese número, te sentirás genial durante meses justo hasta que no. Lo que realmente monitorearía es a las personas que guardan o comparten el contenido, no solo pasan por él — esa es la diferencia entre “lo vi” y “esto valía la pena conservar”. ¿Los comentarios son una conversación real, o solo más ruido bajo más publicaciones? Y, esta es la que se salta constantemente, ¿la marca todavía suena como una persona después de trescientas publicaciones asistidas por IA, o ha comenzado a desviarse publicación tras publicación sin que nadie se dé cuenta?

Esa última es la astuta. La confianza no se derrumba de golpe — se erosiona silenciosamente, y para cuando el alcance o las ventas lo muestren, has estado perdiéndola durante meses.

Metricool encontró que el 66% de los encuestados involucran a la IA en al menos la mitad de su contenido, mientras que seis de cada diez creen que el contenido generado por IA es igual o superior al creado por humanos. ¿Cómo deben diseñar las marcas experimentos que comparen justamente el contenido asistido por IA y el creado por humanos sin confundir la correlación, los algoritmos de la plataforma y la calidad del contenido?

Mantén todo fijo excepto la cosa que estás probando — mismo briefing, misma plataforma, mismo día y hora, misma persona que hace la edición final — y solo cambia quién escribió el primer borrador. Eso es todo. La mayoría de las comparaciones “IA versus humano” que flotan no hacen esto. Comparan una publicación de IA de un martes con una publicación humana de tres meses atrás sobre un tema completamente diferente, y luego sacan una conclusión.

Ejecútalo en pares, ejecútalo durante semanas, no por una sola publicación — el rendimiento de una sola publicación es en gran medida suerte y estado de ánimo del algoritmo ese día, y necesitas suficiente volumen para ver más allá de eso. Y sé honesto sobre lo que “igualar el trabajo humano” realmente significa. Si el contenido de IA obtiene impresiones similares pero una calidad de comentarios peor o menos guardados, eso no es un empate, eso es un signo de advertencia. Mucha de esa “seis de cada diez” confianza, sospecho, es gente que mira el número de superficie y se detiene allí.

¿Dónde agrega la automatización actualmente más valor para los equipos de medios sociales, y qué responsabilidades, como establecer la voz de la marca, gestionar comunidades o responder durante una crisis, deben permanecer firmemente bajo control humano?

La cosa aburrida y de alto volumen — programación, primeros borradores, cambio de tamaño de un video para seis plataformas, extracción de un informe mensual — eso es donde la automatización es básicamente tiempo libre devuelto a un equipo. Nadie debería hacer eso a mano en 2026.

La línea para mí es el juicio. Voz, comunidad y especialmente cualquier cosa que sea una crisis — esas necesitan un ser humano. No porque la IA no pueda redactar algo razonable, a menudo puede, pero porque el costo de un tono incorrecto en un momento sensible es público e inmediato, y la reputación de una marca no es algo que puedas probar con A/B. Volveré a algo que he dicho antes: estar medio presente o mal presente en los medios sociales es como tener una ventana de tienda rota. La IA que redacta una respuesta a una crisis para que un humano la revise en treinta segundos, genial. La IA que publica esa respuesta por sí sola, nunca.

Metricool Studio permite a los usuarios generar informes, comparar el rendimiento, analizar a los competidores e identificar patrones de publicación a través de instrucciones de lenguaje natural. A medida que la IA pasa de generar contenido a interpretar el rendimiento, ¿cómo cambiará el papel diario de los gestores de medios sociales y los analistas de marketing?

Empuja el trabajo hacia arriba. Un gran trozo de la semana de un gestor de medios sociales todavía se va en meter números en una diapositiva y escribir la oración que explica qué sucedió. Si puedes simplemente preguntar “¿por qué disminuyó el compromiso la semana pasada” y obtener una respuesta real en segundos, ese gran trozo de la semana básicamente desaparece.

Lo que queda es la parte valiosa real: decidir qué hacer con la respuesta. ¿Qué formato duplicar, cómo explicarlo a un cliente que no le importa la mecánica, cuándo los datos te dicen algo con lo que tu instinto no está de acuerdo? No creo que el papel se reduzca, se divide a las personas en dos grupos muy rápido: los que estaban haciendo un análisis real, y los que estaban haciendo principalmente entrada de datos con pasos adicionales. Solo el primer grupo crece desde aquí.

Metricool ha adoptado el Protocolo de Contexto de Modelo, que permite a los asistentes de IA, las plataformas de automatización y los agentes personalizados interactuar con los datos y flujos de trabajo de los medios sociales. ¿Qué oportunidades crea esto, y cómo pueden las empresas evitar que los sistemas autónomos publiquen contenido inapropiado, malinterpreten los análisis o tomen acciones que dañen una marca?

Fuimos una de las primeras plataformas de medios sociales en construir sobre el MCP de Claude, y la razón es simple. Significa que los datos de Metricool ya no viven solo dentro de nuestra propia interfaz. El agente de una marca, una plataforma de automatización, lo que sea que un equipo esté utilizando, ahora pueden extraer datos de rendimiento o activar un flujo de trabajo directamente, sin que tengamos que construir cada integración individualmente. Eso abre flujos de trabajo que no hemos pensado todavía, construidos por las personas más cercanas a los datos.

El riesgo tiene que estar diseñado desde el primer día, no parcheado después. Prácticamente, la publicación debe tener un paso de aprobación humana por defecto, no una publicación autónoma silenciosa, especialmente cualquier cosa que enfrente al cliente. Las permisos necesitan estar limitados estrechamente, como un agente construido para extraer un informe no debe poder activar una publicación, punto. Y cada acción que toma un agente necesita un rastro que un humano pueda verificar después. El protocolo te da la conexión. Las barreras de seguridad son todavía una decisión que cada empresa tiene que tomar a propósito.

La investigación de Metricool sugiere que las interacciones públicas tradicionales pueden disminuir incluso cuando el compromiso general aumenta, impulsado por acciones menos visibles como clics, deslizamientos, vistas y toques de enlaces. ¿Cómo deben adaptarse las marcas cuando algunos de los señales de atención más significativos son cada vez más invisibles para el público?

Los gustos y comentarios nunca fueron un buen proxy para la atención, y están empeorando. La mayoría del interés genuino hoy sucede en algún lugar donde nadie más puede ver. Alguien desliza a través de cada diapositiva de una presentación de diapositivas, ve un video hasta el final, captura una pantalla para enviarla a un amigo de forma privada. Nada de eso aparece públicamente. Todo es atención real, potencialmente más valiosa que un doble toque reflejo.

Así que las marcas necesitan sentirse cómodas tratando la tasa de finalización, el deslizamiento y la tasa de clics como números básicos, no como notas al pie enterradas bajo los gustos. El cambio práctico es hacer una pregunta diferente por completo: no “¿cuánto compromiso obtuvimos”, sino “¿cuánta atención ganamos en realidad”, sabiendo que la mayoría de ese segundo número nunca será visible para nadie fuera de tu propio panel.

¿Mirando hacia adelante, espera que la IA siga siendo una colección de asistentes utilizados por los profesionales de los medios sociales, o se desarrollará en una capa operativa que continúamente planee campañas, asigna recursos, interpreta el rendimiento y recomienda decisiones en todas las plataformas?

Una capa operativa, y antes de lo que la mayoría de la gente espera. El modelo “preguntar a la IA una cosa a la vez” es una fase, no el destino. Lo que realmente estamos construyendo hacia es la IA que se sienta debajo de todo el flujo de trabajo, como mirar el rendimiento en todas las plataformas continuamente, atrapar lo que funciona antes de que un humano lo note, y recomendar el próximo movimiento.

Recomendar, no decidir. No creo que el estado final sea la IA que ejecuta campañas con nadie vigilando. Creo que es la IA que hace el monitoreo implacable que ningún equipo tiene las horas para hacer, y que le da a una persona una lista útil y corta en lugar de una pared de paneles. Los profesionales que se desempeñan bien en ese mundo no serán los que luchen contra la capa, serán los que se vuelvan buenos para señalarla.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Metricool.