Declarar un ganador entre dos asuntos con 30 correos por variante es adivinar. Sobre una tasa base de respuesta de 2.31% (537 respuestas humanas de 23,224 contactos tocados en nuestra operación propia, mayo–agosto de 2026), detectar una mejora de un punto porcentual pide alrededor de 4,300 correos por variante. Cuántos correos hacen falta para probar un asunto depende de qué tan chica sea la diferencia que persigues, y el número se multiplica casi por diez.
¿Por qué declarar un ganador con 30 correos por variante es adivinar, no medir?
Con una tasa base de 2-3% (lo normal en outbound B2B en México) un par de respuestas de diferencia entre dos variantes de 30 correos es indistinguible del azar. La variante A junta 1 respuesta sobre 30 (3.3%) y la B junta 3 sobre 30 (10%). En el dashboard se lee como una mejora enorme, y en realidad son dos personas que ese martes tuvieron tiempo de contestar. Cambia una sola de columna y el ganador se invierte.
El tamaño de muestra de una prueba de asuntos es cuántos correos entregados recibe cada variante antes de que puedas leer el resultado. Los correos enviados y los días que lleva la prueba no cuentan.
El pilar de este cluster, la anatomía del outbound por correo, ya advierte que un 10% sobre 50 correos cabe entero dentro del ruido. Qué tasa de respuesta es normal y con qué denominador lo lleva un paso más allá: 3 respuestas sobre 20 y 30 sobre 200 comparten el mismo 15% y no dicen lo mismo. Esa pieza cierra diciendo que no hay un umbral citable de correos mínimos, y es verdad como número fijo. El umbral existe, pero es tuyo: sale de tu tasa base y de la diferencia que quieras detectar.
Unify (herramienta de datos de intención y GTM, con interés comercial en que sus clientes confíen en sus propias funciones de prueba) publica una guía de pruebas A/B para correo en frío firmada por su cofundador y CEO, Austin Hughes (actualizada el 2026-09-03, consultada el 2026-09-19). La guía da la regla correcta: parar "después de la muestra acordada o de la ventana del test, no cuando una variante se ve momentáneamente mejor". Lo que no da es el número. Su único ejemplo trabajado usa 400 contactos por variante y aclara que es ilustrativo.
¿Cuántos correos por variante necesitas para que la diferencia sea señal?
La fórmula estándar de dos proporciones pide cuatro datos y devuelve un número: tu tasa base de respuesta, la diferencia mínima que de verdad te importaría detectar, el nivel de confianza (95% es el estándar) y la potencia estadística (80%). La calculadora de tamaño de muestra de Evan Miller (consultada el 2026-09-19) pide exactamente esos cuatro campos. Es un recurso estadístico general, no pensado para correo en frío: resuelve la parte de dos proporciones y no sabe nada del ruido de las aperturas.
El ancla del cálculo es la tasa de respuesta agregada de la operación de Improvitz: 537 respuestas humanas de 23,224 contactos tocados, 2.31%, mayo–agosto de 2026. Sirve como punto de partida con su denominador declarado, porque un cálculo sin tasa base real es un ejercicio de pizarrón.
| Diferencia que quieres detectar | Tasa objetivo | Correos por variante | Total de la prueba | Semanas a 300 por variante |
|---|---|---|---|---|
| +1.0 punto porcentual | 3.31% | ≈4,300 | ≈8,600 | 14 |
| +0.3 puntos porcentuales | 2.61% | ≈41,800 | ≈83,600 | 139 |
Los dos números salen de aplicar la fórmula de dos proporciones (95% de confianza, 80% de potencia) sobre esa base de 2.31%: son un cálculo propio derivado, no la medición de una campaña. Tu número va a cambiar con tu tasa y con la diferencia que te importe.
Bajar la diferencia buscada a un tercio multiplica la muestra casi por diez, así que la decisión que importa (qué diferencia te cambiaría algo) se toma antes de correr la prueba, no después de mirar el tablero.
¿Cuánto tarda tu volumen real en juntar esa muestra?
Supón cuatro buzones de Google Workspace a 30 correos diarios, cinco días a la semana: 600 correos semanales, 300 por variante. Juntar los 4,300 que pide detectar un punto porcentual toma 14 semanas (4,300 ÷ 300 = 14.3). Juntar los 41,800 que pide detectar 0.3 puntos toma 139 semanas: dos años y ocho meses. Ese segundo número indica que tu volumen no da para esa pregunta.
La cuenta se hace antes de mandar el primer correo, con esta secuencia:
Antes de correr la prueba de asuntos:
1. Fija tu tasa base con tus últimas 2-3 semanas de envío consistente
(no un promedio de internet).
2. Decide la diferencia mínima que cambiaría tu decisión — no la que
esperas, la que te importaría.
3. Mete esos dos números en una calculadora de dos proporciones —la
de Evan Miller sirve—, con 95% de confianza y 80% de potencia.
Sale n por variante.
4. Compárala contra tu volumen semanal real.
si volumen_semanal_por_variante × 6_semanas < n
→ no pruebes una diferencia chica. Prueba dos asuntos de familias
distintas, donde el efecto esperado es grande y n baja.
si ya_llegaste_a_n
→ recién ahí lees el resultado. No antes.
Seis semanas es el plazo en el que la lista, la oferta y el mercado todavía son los mismos que cuando empezaste. Más allá de eso estás comparando dos asuntos a través de dos trimestres distintos.
¿Qué pasa si tu mercado en México no tiene tantas empresas?
En México el techo suele ser el tamaño de la lista. Dos campañas propias contra listas mexicanas dan la medida: la de industria cubrió 1,657 empresas con 4,804 correos, y la de software 3,162 empresas con 9,211 correos, a 2.9 correos por empresa (operación propia en MailBridge, mayo–agosto de 2026).
La campaña de industria completa (4,804 correos, todos los toques a todas las empresas) no llega a los 8,600 que pide una sola prueba de un punto porcentual. Con un ICP (perfil de cliente ideal) de 1,500 empresas mexicanas, la prueba fina no existe: gastarías el universo entero en responder una pregunta chica y te quedarías sin a quién escribirle.
La regla, entonces: si el total que pide tu prueba es mayor que el universo de tu ICP, la prueba quema la lista. Ahí la decisión es cuántos toques por empresa aguanta tu mercado antes de agotarse. Ese universo se cuenta antes, contra una fuente real: cómo contar tu mercado con el DENUE del INEGI explica el filtro por giro, tamaño y ciudad.
¿Por qué mirar el resultado antes de tiempo invalida la prueba?
Revisar la prueba varias veces y pararla cuando "ya se ve claro" infla los falsos positivos hasta hacer irreconocible el número que reporta tu herramienta. Evan Miller documenta el efecto (publicado el 2010-04-18, consultado el 2026-09-19): mirar diez veces convierte lo que parece 1% de significancia en 5% real, y detener la prueba en cuanto aparece la significancia al 5% nominal lleva la tasa real de falsos positivos a 26.1%.
Una de cada cuatro veces vas a coronar un asunto que no gana nada. Por eso el tamaño de muestra y la fecha de corte se escriben antes de mandar el primer correo, y el resultado no se interpreta hasta llegar ahí, ni antes por ansiedad ni después por inercia.
¿Respuestas o aperturas: cuál decide el ganador?
Las respuestas deciden y las aperturas acompañan. Apple Mail Privacy Protection, anunciada por Apple el 7 de junio de 2021 (consultado el 2026-09-19) y liberada con iOS 15, hace que Mail, la app de correo de Apple, descargue el contenido remoto "en segundo plano cuando recibes un mensaje (en vez de cuando lo ves)" (documentación de Apple, consultada el 2026-09-19).
Lo que tu herramienta de secuencias (Instantly, Smartlead, MailBridge) registra como "abierto" incluye, entonces, correos que ningún humano miró. Si comparas dos asuntos por tasa de apertura, parte de la diferencia entre A y B puede venir de cuántos destinatarios de cada variante leen en Apple Mail y cuántos en Gmail o en Outlook, no de qué tan bueno es el asunto. Es un sesgo que se suma al ruido de muestra chica.
Usa respuestas (o respuestas positivas, si las cuentas por separado) como métrica de la prueba. La apertura sirve como segunda señal de que el correo llegó y el asunto no se vio raro.
¿Cuándo no vale la pena correr una prueba A/B de asunto?
Hay tres casos en los que la prueba es tiempo de envío mal gastado, y ninguno se arregla con más muestra.
- El resultado no cambiaría ninguna decisión. Si vas a seguir mandando el mismo tipo de correo pase lo que pase, medirlo con precisión no vale el volumen que cuesta.
- Las dos variantes no corrieron contra la misma lista al mismo tiempo. Si mandaste A en julio a manufactura y B en agosto a software, lo que tienes son dos campañas distintas y una coincidencia.
- No contesta nadie, ni A ni B. Con cero respuestas sobre 600 correos el asunto no es el problema, y las seis razones por las que nadie contesta están ordenadas por probabilidad y ninguna de las tres primeras es el asunto.
Ignorar esto cuesta semanas de envío gastadas en una diferencia que tu volumen nunca va a poder confirmar, mientras el resto de la lista se queda sin tocar. El costo es lo que no se prospectó mientras corría la prueba.
Qué haces esta semana con tu volumen real
Exporta las últimas tres semanas de tu herramienta de secuencias a Google Sheets y saca un cociente: respuestas humanas entre correos entregados. Esa es tu tasa base; si las respuestas se registran en HubSpot y no en la herramienta de envío, el cociente sale de ahí. Métela en la calculadora de Evan Miller junto con la diferencia mínima que te cambiaría algo y compara el resultado contra tu volumen semanal.
Si cabe en seis semanas, corre la prueba con la fecha de corte escrita en el calendario antes del primer envío. Si no cabe, ya tienes tu respuesta: la siguiente palanca no es el asunto. Si dudas de que los correos estén llegando siquiera, cómo saber si tus correos llegan o solo se envían da el chequeo que va antes que cualquier prueba.
Medir si un mensaje llega y funciona mejor que otro es la letra M del método IMPRO (Investiga, Mensajes que llegan, Personalizados, Respuestas, Oportunidades), y es el criterio con el que Improvitz, consultoría de prospección B2B con IA en México, decide cuándo un asunto ganó. Si al hacer la cuenta ves que tu volumen no alcanza para ninguna prueba razonable, el diagnóstico inicial revisa si el cuello de botella real es la lista o el envío, antes de seguir puliendo un asunto que todavía no se puede medir.
Nota: los resultados citados corresponden a implementaciones concretas, con su propio punto de partida, equipo y stack. No son una proyección de lo que va a pasar en otra empresa. Este artículo describe cómo se construyó el sistema, no promete su resultado.
