Cómo funciona Aceiba
Qué hace cada producto, en qué se basa y qué no puede hacer. Revisado el 6 de noviembre de 2026.
Cargando ilustración…
Atención · Corteza visual · colículo superior
Un método. Distintos recorridos.
Elige un producto y toca cada paso. No todos usan el escáner de imagen.
Tres llamadas separan observar, puntuar y recomendar.
Las siete señales
La segunda llamada puntúa siete señales a partir de la descripción. No recibe tu objetivo, perfil de marca ni resultados anteriores. Son predicciones, no mediciones con personas.
Explora las regiones con las siete señales junto al cerebroLa evidencia de resultados ayuda donde está conectada. No modifica la segunda llamada del escaneo de imagen.
Muy pronto: el cerebro de tu cliente.
Públicos personalizados para explorar cómo podría responder la gente a la que le vendes. Es una función futura, no una medición con personas ni una capacidad disponible hoy.
Las bases, los límites y las fuentes
Escaneo de imagen: los pasos
- LecturaLa IA describe todo lo que se ve: textos, personas, producto, marca, colores, jerarquía. También ubica cada elemento en la imagen.
- CalificaciónOtro paso califica las 7 señales con reglas y anclas fijas, sin saber tu objetivo, para que la calificación no se infle.
- NeuroScoreCombinamos las señales con pesos que cambian según el objetivo que elegiste (recordación, conversión, emoción o confianza).
- RecomendacionesUn último paso escribe los 3 cambios con más impacto, qué no tocar, y los liga a zonas de tu imagen y al mapa de atención.
Todo tarda unos 2 minutos.
Las 7 señales
Cada señal responde una pregunta que importa antes de publicar. El número es de 0 a 100.
¿Lo ven en el primer segundo? Contraste, un punto focal claro, rostros y tamaño del mensaje.
Base: Itti y Koch; Pieters y Wedel¿Les hace sentir algo? Claridad del tono emocional, tensión narrativa, personas y gestos.
Base: Damasio¿Les dan ganas de tenerlo? Beneficio visible, oferta, prueba social y una acción clara.
Base: Knutson et al.; Cialdini¿Se entiende rápido y se cree? Fluidez: qué tan fácil es de leer y entender. Lo fácil de procesar se percibe más creíble.
Base: Reber y Schwarz; Kahneman¿Lo compartirían? Valor social, identidad, utilidad práctica e historia.
Base: Berger y Milkman¿Recordarán la marca mañana? Marca integrada y visible, un elemento distintivo, imagen y texto que dicen lo mismo.
Base: von Restorff; Pieters y Wedel¿Cuesta trabajo verlo? Cuántos elementos compiten, jerarquía y legibilidad en el celular. Aquí, menos es mejor.
Base: Sweller; KahnemanCómo leer el NeuroScore
Úsalo para comparar versiones de la misma pieza y para priorizar cambios. La misma imagen puede variar unos pocos puntos entre escaneos, así que tratamos diferencias menores a 3 puntos como un empate.
El mapa de atención
Es una predicción aproximada de a dónde se va la mirada primero. Combina tres cosas conocidas:
- Saliencia visual: contraste de color, brillo y forma (Itti y Koch; Hou y Zhang).
- Lo que atrae la mirada en publicidad: rostros, titulares y producto más que el fondo (Judd et al.; Pieters y Wedel).
- La tendencia a mirar primero al centro de la imagen.
No es eye tracking ni una medición con personas. Los porcentajes por elemento son relativos y aproximados.
Cómo aprende de resultados reales
Después de publicar, registras lo que hizo la pieza (a mano o con capturas de tus estadísticas). Aceiba compara esas cifras con tu propio promedio, no con cuentas más grandes, y te dice qué cambiar en la versión 2. Esas comparaciones entran como evidencia en tus siguientes reportes.
Con suficientes resultados de las cuentas que lo permiten, Aceiba calcula de forma anónima qué señales y elementos se relacionan con más interacción, y compara el NeuroScore con resultados reales. Es una capa de evidencia y calibración para las recomendaciones; no cambia las puntuaciones de las siete señales. Mientras haya pocos datos, no se usa.
Cómo lee tus métricas
- Usamos tasas, no números sueltos: la tasa de interacción es (me gusta + comentarios + guardados + compartidos) entre el alcance. Así una cuenta chica y una grande se comparan con justicia.
- Cada publicación se compara con la mediana de tus otras publicaciones medidas en la misma red (con al menos 2). Arriba de 1.25 veces es "arriba de lo usual"; abajo de 0.8, "abajo". Con pauta no calificamos el alcance, porque depende del presupuesto.
- La tendencia compara la mediana de las últimas 4 semanas contra las 8 anteriores (con al menos 2 publicaciones en cada periodo). Una semana sin publicaciones medidas es un hueco, nunca un cero.
- El diagnóstico y la acción de cada publicación salen de reglas fijas sobre tus números. Los tips usan primero tus datos; si aún hay pocos, son consejos generales de la red y lo dicen.
- Puedes medir publicaciones que no escaneaste. Cuentan para saber qué es lo usual en tu cuenta, pero no para medir la precisión del NeuroScore, porque no hubo predicción.
Describe lo que pasó; no prueba causas.
Qué no es Aceiba
- No mide la actividad del cerebro de nadie. La ilustración del cerebro muestra las regiones que la investigación asocia a cada señal.
- No es un estudio con personas ni garantiza resultados de campaña.
- Todavía no tiene un estudio de validación contra resultados reales publicado. Cuando lo tengamos, lo publicaremos aquí.
Límites conocidos
- El escaneo admite imágenes fijas y videos cortos, hasta 3 minutos. La revisión de video usa fotogramas y medidas de ritmo y volumen; cuando está habilitada, una escucha opcional procesa solo audio por separado. No usa la puntuación de siete señales del escaneo de imagen. Las tendencias y las ideas para tu marca siguen como funciones futuras.
- Las zonas marcadas y el mapa de atención son aproximados.
- El contexto cultural de tu audiencia importa. Llenar el contexto de marca en Ajustes hace que las recomendaciones sean más precisas.
- Es un insumo para decidir, no un sustituto de probar con tu audiencia real.
Tus datos
Tus imágenes se borran a los 15 días y no se usan para entrenar modelos. Detalles en el aviso de privacidad.
Referencias
- Itti, L., Koch, C. y Niebur, E. (1998). A model of saliency-based visual attention for rapid scene analysis. IEEE TPAMI, 20(11). doi:10.1109/34.730558
- Itti, L. y Koch, C. (2001). Computational modelling of visual attention. Nature Reviews Neuroscience, 2(3), 194–203. doi:10.1038/35058500
- Hou, X. y Zhang, L. (2007). Saliency detection: A spectral residual approach. CVPR. doi:10.1109/CVPR.2007.383267
- Judd, T., Ehinger, K., Durand, F. y Torralba, A. (2009). Learning to predict where humans look. ICCV. doi:10.1109/ICCV.2009.5459462
- Pieters, R. y Wedel, M. (2004). Attention capture and transfer in advertising: Brand, pictorial, and text-size effects. Journal of Marketing, 68(2), 36–50. doi:10.1509/jmkg.68.2.36.27794
- Damasio, A. (1994). Descartes' Error: Emotion, Reason, and the Human Brain. Putnam.
- Knutson, B., Rick, S., Wimmer, G. E., Prelec, D. y Loewenstein, G. (2007). Neural predictors of purchases. Neuron, 53(1), 147–156. doi:10.1016/j.neuron.2006.11.010
- Reber, R. y Schwarz, N. (1999). Effects of perceptual fluency on judgments of truth. Consciousness and Cognition, 8(3), 338–342. doi:10.1006/ccog.1999.0386
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
- Berger, J. y Milkman, K. L. (2012). What makes online content viral? Journal of Marketing Research, 49(2), 192–205. doi:10.1509/jmr.10.0353
- von Restorff, H. (1933). Über die Wirkung von Bereichsbildungen im Spurenfeld. Psychologische Forschung, 18, 299–342. doi:10.1007/BF02409636
- Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. doi:10.1207/s15516709cog1202_4
- Cialdini, R. B. (2021). Influence, New and Expanded: The Psychology of Persuasion. Harper Business.