.png)
Última actualización: 9 de octubre de 2026
Tabla de contenidos
- MQL vs SQL: las definiciones
- Diferencias clave de un vistazo
- Por qué se pierden leads entre MQL y SQL
- Cómo definir criterios de traspaso en los que ambos equipos confíen
- Cómo la IA acorta la brecha entre MQL y SQL
- Métricas que vale la pena seguir
- Errores comunes que debes evitar
- Preguntas frecuentes
Todo equipo B2B tiene en algún momento la misma discusión. Marketing dice que entregó cientos de leads calificados. Ventas dice que la mayoría no estaba lista para comprar. Ambos tienen razón, porque usan definiciones distintas de "calificado". Esta guía explica la diferencia entre MQL y SQL, muestra dónde se rompe el traspaso y propone una forma práctica de arreglarlo.
MQL vs SQL: las definiciones
¿Qué es un lead calificado por marketing (MQL)?
Un MQL es un prospecto que mostró interés a través de su comportamiento: descargó una guía, asistió a un webinar o visitó tu página de precios más de una vez. El lead encaja con tu perfil objetivo en el papel y ha interactuado, pero nadie ha confirmado todavía que tenga un problema real, un presupuesto o un plazo. Marketing suele ser dueño de esta etapa y normalmente la puntúa con puntos por perfil y actividad, como explicamos en nuestra guía de lead scoring con IA.
¿Qué es un lead calificado por ventas (SQL)?
Un SQL es un prospecto que fue evaluado y confirmado como listo para el contacto directo de ventas. La evaluación suele revisar necesidad, autoridad, presupuesto y momento mediante una conversación breve. Si usas un marco para este paso, conviene ver cómo lo aplican los equipos en nuestro artículo sobre calificación con IA usando MEDDIC y MEDDPICC. Las definiciones de ambos términos se resumen en esta guía sobre conversión de MQL a SQL.
Diferencias clave de un vistazo
| Dimensión | MQL | SQL |
|---|---|---|
| Quién decide | Marketing, mediante reglas de scoring | Ventas, mediante una conversación |
| Evidencia principal | Comportamiento y encaje firmográfico | Necesidad, autoridad, presupuesto y plazo confirmados |
| Acción típica | Nutrir o dar seguimiento rápido | Llamada de descubrimiento o demo |
| Riesgo si se equivoca | Tiempo de ventas perdido en leads fríos | Buenos leads ignorados o apresurados |
| Mejor responsable del seguimiento | Quien responda primero | Un ejecutivo de cuentas |
Por qué se pierden leads entre MQL y SQL
El traspaso suele ser el punto donde el pipeline pierde más. Los compendios de datos de la industria citados por Flint ubican la conversión promedio de MQL a SQL cerca del 13%, y un análisis citado sugiere que aproximadamente 87 de cada 100 MQL nunca llegan a ser SQL. Eso no significa que el 87% de los leads de marketing sean malos. Significa que una gran parte se enfría, se deriva mal o nunca recibe un seguimiento útil.
Sin una definición compartida
La misma fuente cita una investigación según la cual el 68% de las organizaciones B2B no tiene definiciones claras y compartidas de las etapas del embudo (compendio de estadísticas de Flint). Cuando "calificado" significa llenar un formulario para un equipo y confirmar presupuesto para el otro, las disputas son inevitables.
Seguimiento lento
El momento importa tanto como el scoring. Los datos recopilados por Flint indican que el seguimiento dentro de la primera hora convierte al 53%, frente al 17% cuando el seguimiento ocurre 24 horas después. Nuestro análisis sobre speed to lead y tiempo de respuesta explica con más detalle por qué los primeros minutos importan tanto.
Ruteo y calificación manuales
Cuando un SDR tiene que leer cada formulario, decidir a quién corresponde y luego perseguir al lead por correo y teléfono, los mejores leads esperan en la misma fila que los más débiles. Un mejor ruteo de leads con IA resuelve la fila, pero solo si los criterios detrás son claros.
Cómo definir criterios de traspaso en los que ambos equipos confíen
Los buenos criterios son específicos, observables y acordados por ambas partes. Un acuerdo escrito breve es mejor que una política larga que nadie lee.
1. Define por separado el encaje y la intención
El encaje responde a "¿es este el tipo de empresa a la que vendemos?" con industria, tamaño y cargo. La intención responde a "¿está actuando como comprador?" con su comportamiento. Un lead con mucho encaje y poca intención es candidato a nutrición. Un lead con mucha intención y poco encaje puede ser un estudiante, un competidor o un mal prospecto. Solo la combinación de ambos debería cruzar la línea del MQL.
2. Elige las preguntas mínimas para el estado SQL
Elige tres o cuatro preguntas que ventas realmente necesita responder antes de invertir una hora: qué problema están resolviendo, quién más participa, cuándo quieren resolverlo y si hay presupuesto o un camino para conseguirlo. Las preguntas tipo BANT funcionan bien aquí. Forrester señala que los criterios de presupuesto en particular suelen necesitar ajustes al inicio de un proceso de compra, así que evita rechazar un lead solo porque todavía no existe una partida presupuestaria.
3. Establece un acuerdo de nivel de servicio
Deja por escrito qué tan rápido debe actuar ventas sobre un lead aceptado y qué tan rápido debe entregarlo marketing, y mide ambos. Incluye una regla para los leads que ventas rechaza: vuelven a nutrición con un código de motivo, para que marketing aprenda qué cambiar.
4. Revisa la definición cada trimestre
Los mercados cambian y tu producto también. Revisa los criterios cada trimestre con datos de negocios ganados y perdidos. Si los leads que se convierten en clientes comparten rasgos que tu scoring ignora, actualiza las reglas.
Cómo la IA acorta la brecha entre MQL y SQL
La parte más lenta de casi todo embudo es la conversación que convierte a un contacto interesado en una oportunidad confirmada. Es el trabajo que los agentes de IA hacen bien: responden de inmediato, hacen las preguntas de calificación que definiste, contestan dudas básicas del producto y entregan un resumen a un vendedor.
Para leads entrantes, Alba, de Darwin AI, conversa con los leads nuevos por chat y mensajería apenas llegan, los califica según tus criterios y deriva a tu equipo de ventas a los que están listos, con el contexto de la conversación adjunto. Nuestra guía de calificación de leads con IA cubre el scoring con más detalle.
Qué automatizar y qué dejar en manos humanas
Automatiza la primera respuesta, las preguntas de calificación, el agendado de reuniones y los recordatorios. Deja a las personas la exploración compleja, la negociación de precios y los negocios con varios decisores. El objetivo no es sacar a los vendedores del proceso, sino asegurar que dediquen su tiempo solo a leads que ya dijeron que sí a una conversación.
Métricas que vale la pena seguir
No necesitas un tablero con treinta números. Empieza con una lista corta y revísala cada semana.
- Tasa de conversión de MQL a SQL por fuente, porque la mezcla de canales cambia mucho la respuesta.
- Tiempo desde el MQL hasta el primer contacto, ya que la velocidad de seguimiento es la palanca que controlas más directamente.
- Tasa de aceptación de SQL, la proporción de leads que ventas acepta cuando marketing los entrega; un número bajo señala un problema de definición.
- Tasa de SQL a oportunidad, que muestra si el paso de calificación atrapa a los leads correctos.
- Motivos de rechazo, registrados con una lista fija y corta para que los patrones se vean.
Interpreta los números con cuidado. Los benchmarks reportados varían según el canal y el tamaño del negocio, y los rangos publicados son solo un punto de partida para compararlos con tu propio historial.
Errores comunes que debes evitar
Los equipos a menudo fijan el umbral de MQL demasiado bajo para cumplir una meta de volumen de leads, lo que llena el embudo de contactos que nunca iban a comprar. Otros lo fijan tan alto que marketing deja a ventas sin pipeline. Un enfoque más sano es empezar con un umbral moderado, observar la aceptación de SQL durante un mes y ajustar en pasos pequeños.
Otro error frecuente es tratar el rechazo como un veredicto en lugar de como retroalimentación. Cuando ventas devuelve un lead, registra el motivo: cargo equivocado, sin proyecto, mal momento o ya es cliente. Después de unas semanas esos motivos muestran exactamente qué reglas de scoring cambiar. Por último, evita que los leads queden sin dueño. Cada lead debe tener en todo momento un responsable con nombre o un agente automatizado a cargo del siguiente paso.
Preguntas frecuentes
¿Cuál es la diferencia entre un MQL y un SQL?
Un MQL es un lead que mostró suficiente interés mediante acciones de marketing, como descargar contenido o visitar el sitio varias veces, para valer la pena nutrirlo. Un SQL fue evaluado con criterios de ventas y está listo para una conversación comercial directa.
¿Cuál es una buena tasa de conversión de MQL a SQL?
Los benchmarks varían mucho según el canal y el tamaño del negocio. Un compendio reporta un promedio de la industria del 13% y una mediana del 13-15% en SaaS B2B, según las estadísticas de MQL a SQL de Flint. Úsalo como referencia general y compáralo con tu propio historial.
¿Quién decide cuándo un MQL se convierte en SQL?
Marketing y ventas deben acordar los criterios juntos y dejarlos por escrito. Ventas tiene la decisión final de aceptación, pero las reglas deben ser compartidas para que ningún equipo tenga que adivinar.
¿La IA puede calificar leads automáticamente?
Sí. Los agentes de IA pueden iniciar una conversación con un lead nuevo, hacer las preguntas de calificación que definió tu equipo y derivar a un vendedor solo los leads listos, lo que acorta la espera entre MQL y SQL.
Califica cada lead entrante en minutos, no en días. Deja que Alba inicie la conversación y entregue a tus vendedores solo los leads que están listos.
Conoce a Alba
