4 de noviembre de 2026Actualizado el Fathy Shalaby13 min de lectura
Encuesta de product-market fit: 4 preguntas, plantilla y puntuación
Copia las cuatro preguntas de la encuesta de product-market fit que usó Superhuman, envíalas a los usuarios adecuados y puntúa las respuestas por segmento. Incluye plantilla, tabla de tamaño de muestra y un ejemplo resuelto.
Una encuesta de product-market fit hace a las personas que usan activamente tu producto una pregunta central: «¿Cómo te sentirías si ya no pudieras usar [producto]?». Si el 40 % o más responde «muy decepcionado», el referente de Sean Ellis sugiere que tienes product-market fit. Tres preguntas de seguimiento te dicen quiénes son esas personas, qué valoran y qué frena a todos los demás.
Ideas clave
El referente del 40 % viene de Sean Ellis, que comparó casi un centenar de startups: las que lo pasaban mal casi siempre puntuaban por debajo del 40 %, y las que tenían mucha tracción casi siempre por encima (First Round Review, 2018).
Encuesta solo a usuarios que hayan usado el producto principal al menos dos veces en las dos últimas semanas. Los registros recién llegados distorsionan el resultado.
Unas 40 respuestas dan una lectura orientativa. Con ese tamaño, una puntuación del 40 % tiene un margen de error de aproximadamente ±15 puntos.
Superhuman pasó del 22 % al 58 % en unos tres trimestres segmentando las respuestas y dividiendo su roadmap.
La encuesta es un indicador adelantado. Confírmala con retención, pago y crecimiento orgánico.
¿Cuáles son las preguntas de una encuesta de product-market fit?
La encuesta estándar de product-market fit tiene cuatro preguntas. Es el conjunto exacto que usó Rahul Vohra en Superhuman, construido sobre la pregunta original de Sean Ellis (First Round Review, 2018):
¿Cómo te sentirías si ya no pudieras usar [producto]? Muy decepcionado / Algo decepcionado / Nada decepcionado.
¿Qué tipo de personas crees que se beneficiarían más de [producto]?
¿Cuál es el principal beneficio que obtienes de [producto]?
¿Cómo podemos mejorar [producto] para ti?
Por qué cada pregunta se gana su sitio
La P1 mide la pérdida, no la satisfacción. La gente es educada con los productos que le gustan. Preguntar cómo se sentirían si desapareciera filtra a los usuarios que dependen de él.
La P2 deja que los fans describan a tu mejor cliente. Las respuestas de los usuarios «muy decepcionados» suelen describir un segmento con más precisión que tu propio posicionamiento. Superhuman convirtió estas respuestas en un perfil de su cliente de altas expectativas.
La P3 muestra lo que de verdad vendes. Conserva las palabras exactas de los encuestados. Se convierten en el texto de tus titulares.
La P4 encuentra el bloqueo. Importa sobre todo para los usuarios «algo decepcionados» que comparten el beneficio principal que nombran tus fans.
Plantilla de encuesta de product-market fit para copiar
Pégala en cualquier herramienta de formularios. Mantén el orden: la pregunta de puntuación debe ir primero, antes de que las preguntas de seguimiento condicionen la respuesta.
Asunto: ¿2 minutos para ayudarnos a mejorar [producto]?
Hola, [nombre]:
Has usado [producto] varias veces últimamente, así que tu opinión importa.
Cuatro preguntas, unos dos minutos. No hay respuestas correctas.
1. ¿Cómo te sentirías si ya no pudieras usar [producto]?
( ) Muy decepcionado
( ) Algo decepcionado
( ) Nada decepcionado
( ) N/A: ya no uso [producto]
2. ¿Qué tipo de personas crees que se beneficiarían más de [producto]?
[texto abierto]
3. ¿Cuál es el principal beneficio que obtienes de [producto]?
[texto abierto]
4. ¿Cómo podemos mejorar [producto] para ti?
[texto abierto]
Opcional (solo si cambia una decisión):
5. ¿Qué usarías en su lugar si [producto] dejara de estar disponible?
[texto abierto]
6. ¿Cuál es tu puesto y, aproximadamente, cuántas personas trabajan en tu empresa?
[puesto] [tamaño de la empresa]
Gracias. Leemos todas las respuestas.
La opción N/A es una adición práctica y no forma parte de las tres respuestas de Superhuman. Permite que los usuarios que ya no usan el producto se identifiquen y puedas excluirlos de la puntuación en lugar de contarlos como «nada decepcionados».
Preguntas opcionales para productos de IA
Si la IA hace el trabajo principal, añade una pregunta después de la P3: «La última vez que usaste [producto], ¿qué hiciste con el resultado?». Ofrece: lo usé tal cual / lo edité un poco / reescribí la mayor parte / lo descarté. Esto separa a quienes aman la idea del producto de quienes confían en lo que produce.
¿De dónde viene la regla del 40 % del product-market fit?
Sean Ellis usó por primera vez la pregunta «muy decepcionado» en Xobni y siguió usándola en Dropbox y en empresas posteriores, según su entrevista de septiembre de 2024 en el podcast de Lenny (Lenny's Newsletter, 2024). El objetivo era un filtro para los usuarios a quienes de verdad les importaba el producto.
El umbral del 40 % llegó después. Según el relato de Vohra, Ellis comparó casi un centenar de startups con la encuesta y descubrió que las empresas con dificultades para crecer casi siempre puntuaban por debajo del 40 %, mientras que las que tenían mucha tracción casi siempre quedaban por encima (First Round Review, 2018).
Tres salvedades del propio Ellis en esa entrevista de 2024:
Llama a la encuesta un indicador adelantado. Da una lectura desde el primer día, mientras que los datos de retención tardan meses.
No trata el 40 % como una ley fija. Su principal valor es dar al equipo un objetivo común antes de gastar en crecimiento.
Los costes de cambio altos pueden inflar las puntuaciones. Es posible que la gente esté «muy decepcionada» de perder una herramienta simplemente porque irse es doloroso.
Como referencia, la encuesta de Hiten Shah de 2015 a 731 usuarios de Slack halló que el 51 % se sentiría muy decepcionado sin ella, en un momento en que Slack tenía alrededor de medio millón de usuarios de pago (First Round Review, 2018).
¿A quién deberías enviar una encuesta de PMF?
Encuesta a personas que hayan experimentado el valor principal recientemente. La regla de Superhuman eran los usuarios que habían usado el producto al menos dos veces en las dos últimas semanas, tomados de un grupo de entre 100 y 200 usuarios en aquel momento (First Round Review, 2018). Ellis describe la misma regla: una muestra aleatoria de personas que de verdad han usado el producto más de dos veces en la última semana o en las dos últimas (Lenny's Newsletter, 2024).
No encuestes a:
Personas que se registraron pero nunca llegaron al flujo de trabajo principal.
Personas que solo vieron una demo o la página de inicio.
Tus amigos, inversores o los cinco clientes con los que hablas cada semana.
Ajusta la ventana al ritmo del trabajo
«Dos veces en dos semanas» encaja con una herramienta diaria o semanal. Para un trabajo mensual como la nómina o los informes, usa «completó la tarea principal en cada uno de los dos últimos ciclos». Escribe la regla antes de enviar la encuesta y mantenla constante entre rondas. De lo contrario, una puntuación más alta puede reflejar una muestra distinta, no un producto mejor.
Encuesta a cada persona una sola vez
Superhuman luego encuestó a los nuevos usuarios a medida que cumplían los requisitos y nunca encuestó a nadie dos veces. Los encuestados repetidos aprenden lo que quieres oír y tienden hacia ello.
¿Cuántas respuestas necesita una encuesta de PMF?
Unas 40 respuestas bastan para acertar en la dirección, según la orientación que Vohra recoge de Ellis. Así se traduce eso en precisión. La tabla muestra el margen de error al 95 % para una puntuación cercana al 40 %, con la aproximación normal estándar:
Respuestas
Margen de error con una puntuación del 40 %
Lectura honesta del «40 %»
20
±21 puntos
Entre el 19 % y el 61 %
40
±15 puntos
Entre el 25 % y el 55 %
100
±10 puntos
Entre el 30 % y el 50 %
200
±7 puntos
Entre el 33 % y el 47 %
400
±5 puntos
Entre el 35 % y el 45 %
Dos consecuencias:
Los segmentos son más pequeños que los totales. Una puntuación del 55 % en un segmento de 25 personas es una pista que merece seguirse, no un hecho.
Las oscilaciones de 5 a 10 puntos de una semana a otra suelen ser ruido con tamaños de muestra de etapa temprana. Busca una tendencia a lo largo de tres o más rondas.
El error de muestreo es el problema menor. Importa más quién decidió responder. Indica tu tasa de respuesta junto a la puntuación.
¿Cómo se puntúan y analizan los resultados?
La puntuación en sí es sencilla:
Puntuación PMF = respuestas «muy decepcionado» ÷ todas las respuestas que no son N/A
Agrupa las respuestas por la respuesta a la P1. Muy, algo y nada decepcionado.
Perfila al grupo «muy decepcionado». Usa sus respuestas a la P2 más los datos de puesto y de empresa. Superhuman descubrió que sus fans eran fundadores, directivos, ejecutivos y personas de desarrollo de negocio.
Recalcula la puntuación solo para ese segmento. El 22 % de Superhuman pasó a ser 33 % antes de cambiar una sola línea de código.
Lee las respuestas de los fans a la P3. ¿Qué único beneficio nombran? Para Superhuman fue la velocidad.
Divide el grupo «algo decepcionado». Quédate solo con quienes nombran el mismo beneficio principal. Sus respuestas a la P4 son tu hoja de ruta para convertirlos. Aparta al resto, junto con las respuestas «nada decepcionado».
Divide el roadmap en dos. Una mitad refuerza lo que aman los fans. La otra elimina lo que bloquea a los casi fans.
Vuelve a encuestar a los nuevos usuarios que cumplan los requisitos de forma periódica. Superhuman siguió la puntuación cada semana, cada mes y cada trimestre y llegó al 58 % en tres trimestres.
Ejemplo resuelto: una herramienta que pasa notas de llamadas al CRM (ilustrativo)
Supongamos que un equipo de seis personas vende una herramienta de IA que convierte llamadas de ventas en actualizaciones del CRM. Invitan a 310 usuarios que cumplían la regla de dos usos en dos semanas. Responden 92 (tasa de respuesta del 30 %); 6 eligen N/A, lo que deja 86 respuestas puntuadas.
Respuesta
Recuento
Proporción
Muy decepcionado
26
30 %
Algo decepcionado
41
48 %
Nada decepcionado
19
22 %
El 30 % está por debajo del umbral. Segmentar por puesto cuenta otra historia:
Segmento
Muy decepcionado
Encuestados
Puntuación
Account executives, empresas de 20 a 200 personas
18
34
53 %
Sales managers
5
27
19 %
Fundadores que hacen sus propias ventas
3
25
12 %
Trece de los 18 fans nombran el mismo beneficio: no volver a teclear notas de llamadas en el CRM. Nueve de los 12 account executives «algo decepcionados» también lo nombran, y seis de esos nueve citan un bloqueo: campos personalizados del CRM que no se asignan.
La decisión: posicionarse para account executives, dedicar la mitad del próximo ciclo a la velocidad de sincronización y la otra mitad a la asignación de campos personalizados, y volver a encuestar a los usuarios que cumplan los requisitos en seis semanas. Con 34 encuestados, el 53 % lleva un error de unos ±17 puntos, así que la próxima ronda confirmará o descartará la apuesta por ese segmento.
¿Qué pasa si tu puntuación es inferior al 40 %?
Una puntuación baja es información, no un veredicto. Tres patrones, tres movimientos distintos:
Un segmento supera el 40 %, el total no. Centra tu posicionamiento y tu onboarding en ese segmento, como hizo Superhuman.
Ningún segmento llega al 40 %, pero los fans coinciden en un beneficio. Reconstruye la primera experiencia en torno a ese beneficio. Ellis cuenta que Lookout empezó en el 7 %, descubrió que la mayoría de ese 7 % valoraba el antivirus, convirtió la configuración del antivirus en el primer paso del onboarding y llegó al 40 % en unas dos semanas y al 60 % seis meses después (Lenny's Newsletter, 2024).
Las puntuaciones son bajas y los beneficios están dispersos. Probablemente tengas una carencia de descubrimiento del problema, no de producto. Vuelve a las entrevistas antes de construir más. Nuestra guía de preguntas para entrevistas con clientes es un buen punto de partida, y el mapeo de supuestos te ayuda a elegir qué creencia probar primero.
Responden a preguntas distintas. Usa la encuesta de Ellis pronto, el NPS cuando tengas una base de clientes estable y la retención en todo momento.
Encuesta de Sean Ellis
Net Promoter Score
Retención por cohortes
Pregunta
¿Cómo te sentirías si ya no pudieras usarlo?
¿Con qué probabilidad nos recomendarías a un amigo o colega? (0-10)
¿Vuelven los usuarios?
Mide
Dependencia del producto
Disposición a recomendar
Comportamiento real de repetición
Referente
40 % o más «muy decepcionado»
Promotores (9-10) menos detractores (0-6)
La curva se aplana con el tiempo
Mejor etapa
Antes de escalar, antes de gastar en crecimiento
Después del encaje, para seguir la lealtad
Siempre
Origen
Sean Ellis, popularizado por Superhuman
Frederick Reichheld, HBR, diciembre de 2003
Análisis de cohortes
Las definiciones del NPS vienen de Bain & Company, que es copropietaria de la marca (Bain, Net Promoter System). Reichheld presentó la puntuación en Harvard Business Review en diciembre de 2003 (HBR, 2003).
La retención es la confirmación tardía. La prueba de Brian Balfour, citada por Lenny Rachitsky, es si la curva de retención de una cohorte se aplana en lugar de caer hacia cero (Lenny's Newsletter, 2020). Para el ciclo de medición completo, consulta nuestra guía de product-market fit con IA.
¿Cómo deben adaptar la encuesta los productos de IA?
El playbook de Bessemer para fundadores de IA usa el mismo umbral del 40 %, pero recomienda juzgar los resultados por caso de uso y no en toda la base de usuarios (Bessemer, 2025). Si todavía estás en la fase de prototipo, lee primero del prototipo hecho con vibe coding a un producto financiable; necesitas usuarios reales que repitan antes de que una encuesta signifique algo. Tres ajustes ayudan:
Espera a que pasen los turistas. a16z señala que los productos de IA atraen a usuarios que se registran y se van en un par de meses, y que las curvas de retención suelen aplanarse en torno al mes 3 (a16z, 2025). Encuesta a quienes siguen activos tras su primer mes, o presenta por separado las cohortes tempranas y las posteriores.
Segmenta por caso de uso. Una herramienta de escritura con IA usada para correos de ventas y para resúmenes legales son dos productos con dos puntuaciones.
Pregunta por el resultado. Añade la pregunta «¿qué hiciste con el resultado?» de la plantilla. Los fans que reescriben la mayoría de los resultados te dicen que el valor está en el flujo de trabajo, no en el modelo.
¿Cuáles son los errores más comunes en las encuestas de PMF?
Encuestar a todos los registros. Mides el onboarding, no el encaje.
Cambiar la regla de elegibilidad entre rondas. La tendencia deja de tener sentido.
Dar la puntuación sin el tamaño de la muestra. «45 %» con 11 personas y con 400 personas son afirmaciones distintas.
Redacción tendenciosa. «¿Cuánto te encanta nuestra nueva función de IA?» no es la pregunta de Ellis.
Construir cada petición de la P4. Solo los casi fans que comparten tu beneficio principal deben dar forma al roadmap.
Ignorar los costes de cambio. Una puntuación alta para una herramienta de la que es doloroso irse puede reflejar dependencia, no cariño.
Tratar el 40 % como una meta final. Es una señal para comprobar la retención y la economía unitaria, no para dejar de aprender.
Dónde encaja Specky
Una encuesta de product-market fit solo sirve si las respuestas siguen unidas a las decisiones que impulsan. Specky incorpora respuestas de encuestas, notas de entrevistas, tickets de soporte y uso a un Product Graph, para que veas qué segmento dijo «muy decepcionado» y qué pidió. Alex, el agente de investigación con IA de Specky, puede entonces hacer entrevistas de seguimiento con tus fans desde un enlace compartible.
Preguntas frecuentes
¿Qué es el test de Sean Ellis?
El test de Sean Ellis es una encuesta de una sola pregunta: «¿Cómo te sentirías si ya no pudieras usar [producto]?». Si al menos el 40 % de los usuarios activos responde «muy decepcionado», probablemente tienes product-market fit. Ellis fijó el referente tras comparar casi un centenar de startups con la encuesta. Superhuman añadió después tres preguntas de seguimiento para convertir la puntuación en un roadmap.
¿Cuántas preguntas debe tener una encuesta de product-market fit?
Cuatro. La pregunta de Ellis, y luego quién se beneficia más, el beneficio principal y cómo mejorar. Añade una o dos más solo si cada respuesta cambiaría una decisión, como el puesto del encuestado para segmentar. Cada pregunta extra reduce las tasas de finalización y te empuja a encuestar solo a tus usuarios más pacientes.
¿Cuándo debería una startup hacer una encuesta de PMF?
Envíala cuando tengas suficientes usuarios que hayan usado el flujo principal al menos dos veces en dos semanas como para reunir unas 40 respuestas. Antes, usa entrevistas con clientes. Después, vuelve a encuestar a los usuarios que cumplan los requisitos con una cadencia regular, como mensual, y no encuestes nunca a la misma persona dos veces.
¿Garantiza el 40 % de «muy decepcionado» el product-market fit?
No. Es una correlación que Ellis observó en startups, y él la llama un indicador adelantado, no una prueba. Las muestras pequeñas oscilan mucho y los costes de cambio altos pueden inflar la puntuación. Confirma un resultado del 40 % o más con una retención por cohortes que se aplane y con clientes que paguen y renueven.
¿Qué es una buena tasa de respuesta en una encuesta?
No hay un estándar publicado. Lo que importa es que los encuestados se parezcan a tus usuarios elegibles. Indica la tasa de respuesta junto a la puntuación, compara el uso de quienes respondieron con el de quienes no, y desconfía si solo respondieron tus usuarios más intensivos, porque eso infla la proporción de «muy decepcionado».
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing