El análisis de marketing y la atribución adecuada están volviéndose 🥀 Otra tendencia que he estado observando recientemente es que el análisis de marketing tradicional se está volviendo cada vez menos confiable. Primero, el comportamiento del usuario es mucho más complejo ahora. Un funnel en el que alguien ve una publicación en X, busca el producto en Google, compara opciones con IA, lee reseñas en Reddit y luego aparece como tráfico Directo u Orgánico es completamente normal hoy en día. Y además, ahora tenemos tráfico de IA y toda la inestabilidad que conlleva. Aquí tienes un ejemplo reciente: En octubre, ChatGPT dejó de pasar correctamente los datos de utm_source y referrer durante algunos días. En GA4, parecía que el tráfico de ChatGPT había caído repentinamente entre un 22 % y un 57 %, cuando en realidad una parte significativa de esas visitas simplemente se había desplazado a Directo. Además, más de la mitad del tráfico web ahora son bots, lo que significa que los números estándar de tráfico se están volviendo cada vez menos representativos del comportamiento humano real. Por lo tanto, en 2026 ya es arriesgado mirar un solo panel y concluir que “este canal está creciendo” o “este canal está muerto”. Necesitas observar múltiples señales al mismo tiempo: tráfico directo, búsqueda de marca, MMM, respuestas reales de LLM y conversiones. Y honestamente, la vieja y querida pregunta “¿Cómo se enteró de nosotros?” está empezando a verse menos fea cada día :)

Quería darte un resumen rápido de lo que puede hacer CopyCheck: • Mis tenencias: verifica el valor actual, las ganancias/pérdidas no realizadas y los precios de equilibrio. Prueba diferentes movimientos del mercado para ver cómo afectarían a tus posiciones. • Revisar operaciones del monedero: revisa hasta cinco monederos de @solana dentro de un rango de fechas de hasta 90 días. Filtra pérdidas e inspecciona compras, ventas individuales y enlaces de transacciones. • Comparar dos monederos: observa cómo los precios de entrada y salida afectaron los rendimientos en operaciones compatibles. No necesitas conectar tu monedero (creo que hoy en día este es el verdadero diferencial). También puedes ver instantáneas del mercado de tokens, abrir enlaces de gráficos y exportar tus informes (por cierto, todos los resultados de operaciones se muestran antes de comisiones). El video muestra el flujo de revisión del monedero, pero el artículo cubre con más detalle los cálculos y límites. ¡Hazme saber qué piensas!

Es un buen artículo sobre cómo escalonaron la distribución, pero no menciona nada sobre: → Precios → Conversión de gratis a de pago → Rotación → Costos de creadores → Gasto en anuncios → Margenes de beneficio ¿Cómo lograron precisamente convertir todo ese tráfico en $150K/mes en ingresos?

Hay algo que nunca había considerado realmente: Ahora que Meta, Google, ChatGPT, etc. están comenzando a lanzar anuncios de IA, ¿cuáles son las posibilidades de que los anunciantes terminen pagando para llegar a usuarios que habrían comprado el servicio de todos modos, sin un anuncio? Empecé a pensar en esto después de leer este estudio sobre la trampa de la “atribución fantasma”. Analizó cómo funciona el segmento de usuarios en las Redes de Medios Minoristas (RMNs) como Amazon Ads, Walmart Connect e Instacart Ads, y descubrió que los modelos estaban sesgados. Los modelos automatizados de pujas en RMNs tienden naturalmente a dirigirse a usuarios que ya tienen una alta probabilidad de comprar un producto (por ejemplo, personas que han comprado la marca cinco veces este mes). Luego, el panel de IA muestra un retorno sobre el gasto publicitario (ROAS) muy elevado y los anunciantes siguen gastando. Pero los ensayos controlados aleatorios mostraron que hasta el 70% de estas ventas no fueron incrementales. El consumidor habría comprado el artículo de todos modos. La IA estaba esencialmente atribuyéndose el mérito de un comportamiento orgánico, ocultando un enorme desperdicio del presupuesto publicitario. Aterrador.

El capital otorgado no es dinero gratis. Tengo muy poca simpatía por los equipos que lo tratan como si lo fuera. Para contexto, estoy hablando de la beca de @limitlessdefi de 75.000 tokens ARB para incentivar la liquidez en @arbitrum. Leí por parte del Comité Vigilante de Arbitrum que el proyecto intercambió toda la beca por USDC y la bridgó a Base en su lugar. Posteriormente, el proyecto parece haber dejado de operar. Se les otorgó al equipo hasta el 10 de septiembre para explicar qué sucedió o devolver los fondos. No hicieron ninguna de las dos cosas. Ahora Arbitrum está votando para prohibir permanentemente a los fundadores de futuros programas DAO. Si un ecosistema te otorga capital para un mandato específico y mueves toda la cantidad a otro lugar, se convierte en un fracaso de gobernanza y rendición de cuentas. Por lo tanto, esta es definitivamente la respuesta correcta.

Acababa de encontrar un estudio de simulación muy interesante: ¿Qué sucede si se hacen que agentes de IA simulen el comportamiento de compradores típicos, y luego se prueban campañas de marketing sobre ellos antes de lanzar algo en el mundo real? Los investigadores construyeron una pequeña ciudad virtual y la poblaron con agentes de IA. Solo 11 agentes y 10 ubicaciones. Cada agente tenía: • un presupuesto • un nivel de energía • necesidades de comida y compras • memoria • conexiones sociales • su propia personalidad Luego, DeepSeek-V3 generó sus planes, conversaciones y decisiones de compra. Los agentes comenzaron a trabajar, comieron, hablaron entre sí, recordaron cosas, invitaron a amigos a algún lugar, y decidieron independientemente dónde gastar dinero. El experimento real fue muy sencillo: una tienda de pollo frito ofreció un descuento del 20% a mitad de semana. Los investigadores observaron lo que sucedió. • Los ingresos de la tienda aumentaron un 51% del día 2 al día 3 – incluso después (!) del descuento. • Su cuota de mercado creció del 30% el día 1 al 41% el día 3. • Pero el mercado TOTAL no creció realmente. Así que el descuento no generó mucha demanda nueva – simplemente atrajo clientes de un competidor. • El restaurante local perdió cuota de mercado y vio caer sus ingresos un 7%. • La cafetería se mantuvo relativamente estable. Aún más interesante: el efecto más fuerte no ocurrió inmediatamente. Los autores lo interpretan como información que se propaga a través de la red social de los agentes: hablaban, hacían planes juntos, invitaban a amigos – y el interés por el lugar aumentó a través de sus interacciones. La simulación también produjo algo que parecía lealtad: algunos agentes regresaron a la tienda de pollo frito durante la promoción, mientras que el restaurante mantuvo un atractivo más amplio incluso sin descuentos. Entonces, en teoría, sistemas como este podrían permitir a los marketineros probar: • descuentos • promociones • cambios de precios • lanzamientos de nuevos productos • escenarios competitivos sobre consumidores sintéticos antes de entrar al mercado real. Pero hay un PERO muy importante. Esto sigue siendo una prueba de concepto, no una evidencia de que la IA pueda predecir confiablemente el comportamiento humano real. La simulación solo tenía 11 agentes. Sus decisiones dependen en gran medida del diseño del prompt, el LLM elegido, las reglas del entorno e incluso cómo está estructurada la ciudad virtual. En mi opinión, esto es definitivamente algo que vigilar. Porque si estas simulaciones eventualmente se calibran adecuadamente con datos del mundo real, parte del CustDev, los experimentos de precios y las pruebas de campañas podrían ocurrir primero en agentes de IA – y solo luego en humanos.

Por cierto, @Revolut confirmó que reveló información de clientes tras recibir solicitudes fraudulentas desde una dirección de correo electrónico que utilizaba un dominio de una agencia gubernamental legítima. La información expuesta incluiría, según se informa, documentos de identidad y posiblemente también selfies de verificación e historiales de transacciones. Revolut afirma que los fondos de los clientes no se vieron afectados, pero eso no hace que la exposición sea inofensiva. Esos detalles podrían ayudar a alguien a suplantar a un cliente o hacer que un mensaje de estafa sea mucho más convincente. Creo que deberíamos pedir una explicación adecuada sobre cómo esas solicitudes pasaron sus controles, qué han cambiado y qué apoyo recibirán los clientes afectados, en lugar de declaraciones genéricas.

Algunas cosas me llamaron la atención en este artículo sobre los mercados de cómputo, donde las empresas de IA compran acceso a las GPU de otros para entrenar modelos o ejecutar sus servicios ↓ → Los acuerdos de GPU aún se realizan en grupos de chat Gran parte de esa capacidad de cómputo aún se adquiere a través de brókers, acuerdos privados y grupos de chat. Comparar precios entre proveedores es un desastre. Honestamente, es algo bastante loco considerando lo lejos que ha llegado esta tecnología. → El cómputo podría negociarse como la electricidad El artículo sostiene que el alquiler de GPU podría convertirse en un mercado de commodities, con referencias de precios y contratos para gestionar costos futuros. Los mercados de electricidad comenzaron un cambio similar en los años 90 al abrirse a la competencia. → El mismo chip no significa el mismo acuerdo La ubicación, la confiabilidad y los términos de alquiler afectan todos el precio. El acceso barato a GPU que puede interrumpirse es muy diferente a la disponibilidad garantizada. Un chatbot de IA necesita mantenerse disponible para los usuarios, mientras que una empresa que usa IA para etiquetar imágenes durante la noche podría aceptar pausas para pagar menos. → NVIDIA es básicamente el banco central del cómputo Su calendario de lanzamientos influye en qué tan rápido pierden valor las GPU más antiguas, y también se beneficia de mantener ocupadas las GPU existentes, ya que la demanda de esa capacidad de cómputo da a los operadores de centros de datos una razón para comprar más chips. → La oportunidad va más allá del alquiler de GPU Las empresas también están desarrollando herramientas de fijación de precios, plataformas de intercambio, préstamos y seguros. La apuesta del autor es que las empresas que combinen acceso confiable a GPU con esos servicios financieros podrían tener una ventaja. Silicon Data dice que rastrea el 95 % de los proveedores de GPU de neocloud y el 100 % de los principales hyperscalers. Esos datos de alquiler ya se utilizan para crear referencias diarias de precios para el cómputo. Entonces creo que esto nos da una visión de cómo el alquiler de GPU podría crecer hasta convertirse en un mercado financiero más amplio.

Esta es simplemente otra forma de dar a los inversores tradicionales exposición al cripto sin salir de su cuenta de corretaje. @BlackRock ya demostró el modelo con IBIT. La gente compra acciones para obtener exposición al bitcoin. El fondo mantiene $61.6 mil millones en activos netos. @Fidelity hace lo mismo con FETH para ETH. Funciona a través de cuentas de corretaje regulares y cuentas de retiro elegibles. No se requiere configuración de monedero. La apelación es obvia: agrega cripto a la cuenta que ya usas para acciones, omite la gestión de monederos, frases semilla y configuración de staking. Curioso por ver cuánto dinero de TradFi realmente fluye hacia TRX a través de esto.

Bruh, nunca he oído decir que los hackers devuelvan el dinero, jaja. Alguien encontró una falla en @Liquid_BTC que les permitió crear L-BTC no respaldado y retirar casi 4,000 BTC reales de la reserva. Devolvieron 3,400 BTC después de que @Blockstream los arreglara, pero aún se quedaron con aproximadamente 598 BTC, valorados en unos $47 millones. Quizás hubo un acuerdo detrás de escena, pero tomar $320 millones primero y quedarse con $47 millones es una forma bastante loca de negociar.