El A/B testing —o test A/B— es un método de experimentación controlada en el que se comparan dos versiones de un elemento (una página web, un email, un anuncio) para determinar cuál produce mejores resultados en una métrica definida.
La versión A (control) es la original. La versión B (variante) incluye un cambio específico. El tráfico se divide aleatoriamente entre ambas versiones y, tras un periodo de recopilación de datos, se analiza cuál genera mayor conversión con significación estadística.
No es opinión. No es un comité de diseño votando. Es ciencia aplicada al negocio.
Según datos de VWO, las empresas que implementan programas de A/B testing consistentes mejoran su tasa de conversión entre un 20% y un 50% anualmente. No con un test milagroso — con la acumulación de decenas de tests que generan aprendizajes compuestos.
El problema: la mayoría de empresas hace testing mal. Tests sin hipótesis, muestras insuficientes, conclusiones prematuras. Un test mal ejecutado es peor que no testear, porque genera falsa confianza en decisiones equivocadas.
Antes de testear, necesitas saber dónde están los problemas. Usa estas fuentes:
Una hipótesis de testing tiene esta estructura:
"Si [hacemos este cambio] en [este elemento] para [este segmento de usuarios], entonces [esta métrica] mejorará porque [esta razón basada en datos]."
Ejemplo: "Si simplificamos el formulario de checkout de 5 campos a 3 campos para usuarios mobile, la tasa de conversión de checkout mejorará porque los datos de heatmaps muestran que el 65% de usuarios mobile abandona en el campo 4."
Características de una buena hipótesis:
Define antes de ejecutar:
Usa una herramienta de testing (VWO, AB Tasty, Optimizely, Google Optimize ya discontinuado). La herramienta debe:
No mires los resultados antes de alcanzar el tamaño de muestra calculado. Regla de oro: nunca pares un test antes de tiempo porque "ya se ve la tendencia".
Para analizar:
Cada test —gane, pierda o sea inconcluso— genera un aprendizaje. Documenta:
| Tipo de test | Qué es | Cuándo usarlo | Complejidad |
|---|---|---|---|
| A/B test | Control vs. 1 variante | Cambios específicos en un elemento | Baja |
| A/B/n test | Control vs. múltiples variantes | Testear varias versiones de un mismo elemento | Media |
| Test multivariante (MVT) | Combina cambios en múltiples elementos simultáneamente | Alto tráfico, explorar interacciones entre elementos | Alta |
| Split URL test | Redirige tráfico a URLs completamente diferentes | Rediseños completos de página | Media |
| Personalization | Experiencias adaptadas por segmento (sin grupo control) | Cuando ya sabes qué funciona para cada segmento | Alta |
No todos los tests tienen el mismo potencial. Prioriza las áreas con mayor impacto en conversión:
Para generar ideas de tests basadas en IA, consulta nuestro artículo sobre ideas de test A/B con inteligencia artificial.
Si necesitas 10.000 visitantes por variante para detectar un efecto del 5% y tu landing recibe 500 visitas/semana, necesitarás 20 semanas por variante. Si paras el test a las 2 semanas porque "ya se ve el resultado", estás leyendo ruido estadístico, no señal.
El "peeking problem" es el error más peligroso. Cada vez que miras los resultados intermedios y decides actuar, inflas la tasa de falsos positivos. Un test diseñado para 95% de confianza puede tener solo un 50% de confianza real si lo miras cada día y paras cuando "se ve bien".
Solución: define el tamaño de muestra antes de empezar y no mires hasta alcanzarlo. O usa métodos bayesianos/secuenciales que están diseñados para permitir monitorización continua.
Cambiar el color de un botón de azul a verde rara vez genera un efecto detectable. Si tu MDE (Minimum Detectable Effect) es del 1% y necesitas 500.000 visitantes para detectarlo, el test no es práctico.
Solución: testea cambios radicales primero (propuesta de valor, estructura de página, oferta). Una vez encuentres la dirección correcta, itera con cambios más finos.
Un test puede ser ganador en desktop y perdedor en mobile. O ganador para tráfico directo y neutro para tráfico pagado. Si solo miras el resultado agregado, pierdes información crucial.
"La variante B tiene un +3% después de 3 días — implementémosla." No. Sin significación estadística, ese +3% puede ser perfectamente aleatorio. Necesitas p-value < 0.05 como mínimo.
Testear por testear ("probemos a cambiar esto a ver qué pasa") no genera aprendizajes acumulativos. Sin hipótesis, no sabes por qué ganó o perdió, y no puedes iterar de forma inteligente.
Con decenas de ideas de test posibles, necesitas un sistema de priorización. El framework ICE es simple y efectivo:
Multiplica los tres valores para obtener el score ICE. Prioriza los tests con mayor score.
Ejemplo:
| Test | Impact | Confidence | Ease | ICE Score |
|---|---|---|---|---|
| Simplificar checkout 5→3 campos | 9 | 8 | 7 | 504 |
| Añadir vídeo a PDP | 6 | 5 | 4 | 120 |
| Cambiar color botón CTA | 2 | 2 | 9 | 36 |
| Nuevo hero con social proof | 8 | 7 | 6 | 336 |
Herramientas enterprise:
Herramientas mid-market:
Consideraciones de selección:
Un test aislado es un experimento. Un programa de testing es un sistema de aprendizaje continuo.
Las empresas con programas de experimentación maduros:
El programa típico pasa por tres fases de madurez:
Para más ideas sobre cómo mejorar tu tasa de conversión más allá del testing, consulta nuestra guía sobre cómo aumentar la tasa de conversión web.
Los tests cuantitativos te dicen qué funciona. Los datos cualitativos te dicen por qué. Combina ambos:
Herramientas como el eye tracking pueden revelar patrones de atención visual que explican por qué un diseño convierte mejor que otro.
El A/B testing es una herramienta dentro de un proceso más amplio de CRO:
El testing no es el fin — es el mecanismo de validación que convierte hipótesis en mejoras reales de negocio.
Si quieres implementar un programa de A/B testing profesional o llevar tu programa actual al siguiente nivel, en Boost somos especialistas en CRO. Empieza con un diagnóstico gratuito en Scan&Boost.
Adrià Vidal es fundador de Boost. +1.000 acciones de optimización, +47,8% de media de incremento en conversión por cliente, +7,8M€ en revenue adicional generado.
Aprende qué es la automatización de procesos, cuáles son sus beneficios reales y cómo implementarla paso a paso para reducir costes y escalar tu empresa.
El customer journey define cada punto de contacto entre tu marca y el cliente. Aprende a mapear sus fases, detectar fricciones y optimizar cada etapa para...
Descubre qué es una estrategia digital, cómo construirla paso a paso y cuáles son los 7 pilares que toda empresa necesita dominar en 2026 para crecer...
