MQL vs SQL: diferencias y cuándo pasa un lead
MQL vs SQL: en qué se diferencian, qué criterios usa cada equipo para definirlos y cómo saber exactamente cuándo un lead debe pasar de marketing a ventas.
Contenido
Marketing dice que ha entregado un lead cualificado. Ventas dice que no estaba listo para hablar y que ha sido tiempo perdido. Esta discusión se repite cada semana en reuniones de pipeline en muchas empresas B2B, y casi siempre viene del mismo sitio: nadie ha definido con claridad qué separa un MQL de un SQL, ni en qué momento exacto un lead debe cruzar esa frontera.
La diferencia entre MQL y SQL no es una cuestión de vocabulario. Es el criterio que decide si un comercial dedica tiempo a alguien que todavía está informándose o a alguien que ya está evaluando comprar. Cuando esa línea no está clara, marketing infla sus números pasando leads que no están listos, y ventas pierde horas persiguiendo contactos que cuelgan el teléfono a la primera pregunta.
Esta guía explica qué es un MQL, qué es un SQL, y sobre todo, cómo fijar el criterio de paso entre uno y otro de forma que ambos equipos trabajen con la misma definición.
¿Qué diferencia a un MQL de un SQL?
Un MQL (Marketing Qualified Lead) es un contacto que ha mostrado interés medible en tu contenido o tu marca — descargó un ebook, se apuntó a un webinar, visitó páginas clave de tu web — pero todavía no ha expresado intención directa de compra. Un SQL (Sales Qualified Lead) es un contacto que además cumple los criterios de encaje comercial (cargo, empresa, presupuesto) y ha dado una señal explícita de querer avanzar, como pedir una demo o responder a un comercial con intención real.
En una frase: el MQL mide interés, el SQL mide intención más encaje. Pasar de uno a otro no depende del entusiasmo del contacto, sino de si cumple criterios concretos y verificables que marketing y ventas han acordado de antemano.
Cómo se define un MQL en la práctica
Un MQL se identifica por comportamiento, no por conversación directa. Los criterios más habituales son:
- Consumo de contenido de fondo de embudo: descargar un caso de estudio, una guía de precios o una comparativa de proveedores pesa más que leer un artículo de blog genérico.
- Interacción repetida: varias visitas a la web en pocos días, o apertura sistemática de los emails de nurturing, suelen indicar más interés real que una sola visita puntual.
- Puntuación de lead scoring: la mayoría de equipos usa un sistema de puntos por acción (visita a la página de precios, descarga de contenido, apertura de email) con un umbral que dispara el paso a MQL.
- Encaje básico con el perfil objetivo: sector y tamaño de empresa aproximados, aunque todavía sin verificar cargo exacto ni presupuesto.
El punto clave: un MQL puede estar completamente equivocado sobre si tu producto encaja con su empresa. Todavía no ha habido conversación humana que lo confirme — solo comportamiento digital.
Cómo se define un SQL en la práctica
Un SQL añade dos capas que el MQL no tiene: encaje comercial verificado e intención explícita.
- Encaje verificado (fit): cargo con poder de decisión o influencia real, empresa dentro del ICP (sector, tamaño, tecnologías usadas), y presupuesto compatible en términos generales.
- Intención explícita: el contacto ha pedido una demo, ha respondido afirmativamente a un comercial, o ha mostrado alguna de las señales de intención de compra que suelen preceder a una decisión.
- Confirmación por conversación: a diferencia del MQL, un SQL suele haber pasado por al menos una interacción directa (llamada, email personalizado, chat) donde confirma que tiene un problema real que tu producto puede resolver.
Muchos equipos usan el marco BANT (Budget, Authority, Need, Timing) o alguna variante simplificada para validar estos criterios antes de marcar un lead como SQL. No hace falta que los cuatro estén perfectamente cerrados, pero sí que haya evidencia razonable en al menos tres.
Cuándo pasa un lead de MQL a SQL
El paso de MQL a SQL debería estar definido por un acuerdo escrito entre marketing y ventas — lo que muchos equipos llaman un SLA (service level agreement) interno — y no por el criterio individual de cada comercial. Un ejemplo de tabla de paso:
| Criterio | Umbral típico |
|---|---|
| Lead scoring | Supera el umbral acordado (ej. 80/100 puntos) |
| Cargo | Director, VP, C-level, o rol con influencia directa en la decisión |
| Tamaño de empresa | Dentro del rango objetivo definido en el ICP |
| Señal de intención | Solicitud de demo, respuesta positiva a un comercial, o visita repetida a la página de precios |
| Verificación de contacto | Email y teléfono válidos, empresa actual confirmada |
El último punto suele ser el que más tiempo hace perder en la práctica: un lead puede parecer perfecto sobre el papel y resultar, en la llamada de cualificación, que cambió de empresa hace tres meses o que el cargo en el CRM está desactualizado. Verificar el dato de empresa y contacto antes de que el lead llegue a ventas — no después — evita que un SQL "de mentira" ocupe la agenda de un comercial. Una herramienta de enriquecimiento de datos en tiempo real resuelve justamente esa parte: confirma cargo actual, empresa actual y tamaño de plantilla en el momento en que el lead entra, en lugar de fiarse de lo que el propio contacto escribió en un formulario hace semanas.
Errores comunes al definir el paso MQL → SQL
- Fijar el umbral solo con lead scoring de comportamiento. El scoring mide interés, no encaje. Un lead con puntuación alta puede seguir siendo el cargo equivocado en la empresa equivocada.
- No revisar los criterios cada trimestre. Lo que funcionaba con un ICP hace un año puede no encajar con el ICP actual, sobre todo si la empresa ha cambiado de segmento.
- Dejar la decisión a criterio individual del comercial. Sin un umbral compartido, cada persona del equipo pasa leads con un nivel de exigencia distinto, y los datos de conversión dejan de ser comparables.
- No cerrar el círculo con marketing. Si ventas descarta un SQL, marketing necesita saber por qué (mal fit, dato desactualizado, timing) para ajustar la cualificación siguiente. Sin ese feedback, el mismo error se repite indefinidamente.
Preguntas frecuentes
¿Un MQL siempre se convierte en SQL? No. La mayoría de los MQL nunca llegan a SQL — mostraron interés puntual pero no encajan en el perfil objetivo o nunca dan una señal de intención real. La tasa de conversión de MQL a SQL varía mucho según la industria, el canal de origen del lead y lo estricto que sea el criterio de encaje, así que no existe un número universal válido para comparar.
¿Quién decide si un lead pasa de MQL a SQL? Idealmente, el criterio lo definen marketing y ventas juntos, por adelantado, en forma de acuerdo (SLA) con umbrales concretos. En la práctica, suele ser un SDR quien aplica ese criterio caso por caso antes de asignar el lead a un comercial de cierre.
¿Qué pasa si un lead no llega a MQL ni a SQL? Sigue en nurturing: campañas de email o contenido de menor intensidad, hasta que muestre más señales o hasta que se descarte definitivamente por no encajar con el ICP.
¿El lead scoring es obligatorio para diferenciar MQL de SQL? No es obligatorio, pero ayuda a que el criterio sea consistente entre distintos comerciales y campañas. Sin scoring, la clasificación tiende a depender del criterio subjetivo de cada persona.
Si buena parte de tus SQL se cae en la primera llamada porque el cargo o la empresa en tu CRM ya no son correctos, el problema no es tu criterio de cualificación — es el dato de partida. Prueba el plan gratuito de Enrich-CRM — 100 créditos al mes, sin tarjeta.