El hook model, aplicado a la IA multi-agente.

Vengo hablando del hook model de Nir Eyal desde la universidad. Aparecía en casi cada presentación que daba en esa época — dibujaba el loop de cuatro pasos en una slide y argumentaba que explicaba más sobre el software que la mayoría de los frameworks de ingeniería de software. Mucho antes de que existiera GOGOGO LLC, el hook model ya era una de las lentes con las que pensaba. Hooked va nominalmente de loops de hábito en apps de consumo — Instagram, Slack, TikTok. Los productos de IA todavía no eran una categoría. Pero tres años adentro de construir sistemas multi-agente, sigo creyendo que es el framework más útil que encontré para diseñar cómo un producto multi-agente gana retención — y casi nadie en IA habla de él.

Los cuatro pasos — trigger, acción, recompensa variable, inversión — se aplican con muy poca traducción. Así pienso cada uno para nuestros cuatro productos.

1 · Trigger

Los triggers externos son notificaciones, mails, alertas de calendario. Los internos son sentimientos — aburrimiento, ansiedad, frustración leve con un proceso actual. En apps de consumo, el trigger interno es lo que eventualmente hace que el usuario agarre el teléfono sin que nadie se lo pida.

En IA B2B, el trigger interno es el mismo: una molestia recurrente que el usuario dejó de notar que tiene. Para GoPeople, es el triaje de WhatsApp de la directora de RR. HH. a las 7pm — el suspiro cuando hay 47 mensajes sin leer que necesitan respuesta antes de mañana. Para GoVista, es el manager de retail mirando un calendario de campañas y sintiéndose cansado de pensar qué pantallas todavía hay que actualizar. Construimos puntos de entrada que mapean a esos suspiros. Onboardear a un cliente es básicamente enseñarle a notar el suspiro, después darle una respuesta de un toque que lo resuelve.

2 · Acción

La acción es la conducta más chica que el usuario puede hacer para aliviar el trigger. Cuanto menor la fricción, más confiable el loop.

La mayoría de los productos de IA fallan este paso feo. Piden login, configuración, prompt engineering, selección de modelo. La acción es demasiado pesada. Cada paso de fricción multiplica la tasa de abandono por ~3×.

La acción de GoPeople es reenviar el mensaje de WhatsApp al número del agente. Eso es todo. Cero clicks más allá del forward. Todo el producto está río abajo de ese tecleo. Goddo es parecido — tap, describí en una oración, recibí cuatro variantes de imagen. No le pedimos al usuario que elija el modelo. Nosotros elegimos. Él toca.

3 · Recompensa variable

La recompensa variable es la parte del loop que engancha la dopamina — algo pasa, y no podés predecir exactamente qué. Las máquinas tragamonedas, los feeds sociales, los push usan esto. La imprevisibilidad del premio hace al loop adictivo.

Los productos de IA tienen una recompensa variable construida de origen: el output de un agente es no-determinístico. Le pedís a Goddo una imagen y no sabés exactamente qué vas a recibir. Le reenviás a GoPeople un mensaje y no sabés exactamente qué workflow va a correr. La variabilidad es estructural al medio.

Es el paso más fácil de hacer demasiado bien. Si la varianza es muy alta, el usuario pierde confianza y se va. Si es muy baja, el loop deja de ser loop. El equipo de Goddo ajusta el guidance scale del diffusion en parte por calidad y en parte por sorpresa productiva. Misma dinámica.

4 · Inversión

La inversión es el pequeño acto de poner esfuerzo en el producto que aumenta el valor del próximo loop. Guardar un contacto. Likear un posteo. Importar un calendario. Cada acto hace que el usuario sea más probable de volver porque ya puso un poco.

Loop de inversión de GoPeople: cada respuesta que el agente manda es aprobada (o corregida) por la directora de RR. HH. Cada corrección entrena un clasificador más fino para ese equipo. A las seis semanas, la tasa de respuesta del agente sin corrección es 92%. La directora invirtió esas 6 semanas. No se cambia a un competidor.

Loop de inversión de GoTrack: cada manager de categoría que confirma si una detección de pickup es correcta o incorrecta alimenta un reranker más fino por-tienda. Su precisión específica de tienda sube mientras la del competidor se queda genérica. Tampoco se cambian.

Cómo se ve esto como esquema

Cada relación con cliente que tenemos es un loop del hook model. Trigger (molestia recurrente) → Acción (entrada de un solo tecleo) → Recompensa variable (output de agente no-determinístico pero útil) → Inversión (un acto chico que personaliza el próximo loop). A los seis meses, la retención ya no es sobre qué tan bueno es el modelo — es sobre cuántos ciclos de inversión pagó el cliente. El cuarto ciclo es el unlock.

“La mayoría de los productos de IA están construidos como herramientas one-shot. Los exitosos están construidos como hábitos. El hook model es la forma más barata de rediseñar tu producto como un hábito sin perder la sustancia técnica.”

Dos advertencias

Advertencia 1 — no envíes dark patterns. El hook model es amoral como framework; funciona igual de bien para tragamonedas y redes sociales. No aplicamos recompensa variable a minutos de engagement. La aplicamos a resultados de tarea que el usuario ya quería. El usuario vuelve porque el agente le dio algo que él habría hecho a mano durante una hora — no porque le jugamos la respuesta de dopamina.

Advertencia 2 — inversión ≠ vendor lock-in. La inversión es buena cuando el usuario está recibiendo valor compuesto del acto. La inversión es mala cuando el acto lo atrapa en tu producto contra su voluntad. Dejamos a los clientes de GoPeople exportar su clasificador completo y log de mensajes a demanda. Nunca lo usan porque el loop está funcionando. Pero podrían.

Si querés hablar de loops de producto, diseño de agentes o cómo estructuramos los cuatro loops de Goddo, GoPeople, GoVista, GoTrack, soy fácil de encontrar. atakanozalan.com o ezagor para el handle.