competitive-intelligence

# Inteligencia Competitiva (Competitive Intelligence) ## Overview Proceso sistemático para analizar una empresa desde su presencia web pública y preparar una reunión informada. A diferencia de `web-audit` (que analiza código, seguridad y rendimiento técnico), este skill analiza **modelo de negocio, pricing, stack, equipo y posicionamiento de mercado** — todo desde fuentes abiertas. ## When to Use - El usuario menciona que tiene una reunión con una empresa: "tengo reunion con X" - El usuario pide analizar un competidor: "analízame esta empresa" - El usuario pide preparar una reunión comercial/de partnership - El usuario pregunta: "qué me van a vender" o "qué podemos esperar de ellos" ## Do NOT use when - Solo se necesita auditoría técnica de código/seguridad → usa `web-audit` - Solo se necesita analizar el stack técnico → usa `web-audit` (fase de infraestructura) - El usuario ya conoce la empresa y solo quiere preguntas → puede usar la Fase 5 directamente ## Required Tools - `terminal` (curl, grep, sed, whois, dig) - `write_file` (para guardar notas de preparación) - No requiere browser tool (fallback curl-based si el browser falla) ## The 5-Phase Intelligence Process ### Phase 1: Superficie — Homepage + Metadatos ``` curl -sL "https://target.com" | head -500 ``` Extraer: tagline, público objetivo, CTAs, tono, GTM ID, verificación redes sociales, schema.org. ### Phase 2: Pricing y Modelo de Negocio Buscar sección pricing por ID/clase. Extraer: - Número de planes y gap entre ellos - Métrica de consumo (créditos, tokens, consultas) - ¿IVA incluido o no? - ¿Enterprise es real o placeholder? - ¿Modelo freemium? ### Phase 3: Stack Técnico + Equipo (desde la Política de Privacidad) Esta es la fase más infrautilizada y más reveladora. La política de privacidad lista subprocesadores, cloud providers, pasarelas de pago y nombres del equipo. Buscar: subprocesadores (Supabase, Vercel, GCP, AWS, Stripe, Pipedream), nombres del responsable/DPO, emails, integraciones (WhatsApp, Slack, HubSpot, Meta). **Qué revela el stack:** - Vercel+Supabase = startup early típica - Multi-región UE = más madurez - Procesamiento fuera UE (Pipedream, Meta) = relevante para vender a AAPP - Stripe = pagan con tarjeta, no transferencia ### Phase 4: Análisis de Posicionamiento Responder: - ¿Qué problema específico resuelven (no genérico)? - ¿Contra quién compiten? - ¿Qué NO hacen? - ¿Canales de venta? Señales de madurez comercial: - ✅ Casos de éxito / logos / blog con contenido - ❌ Solo "solicitar demo" sin nada más ### Phase 5: Preparación de Reunión (Meeting Prep) Convertir el análisis en guión estructurado con: 1. **Romper hielo** — cómo surge la empresa, roles del equipo 2. **Pregunta clave de tracción** — "¿clientes de pago?" 3. **Stack técnico** (si hay socio técnico presente) 4. **Compliance** — DPA, auditorías, seguridad 5. **Propuesta de colaboración** — ¿qué quieren de ti? 6. **Cierre** — próximos pasos Incluir **tabla de indicadores** a vigilar durante la call: | Buenas señales | Red flags | |----------------|-----------| | Clientes de pago reales | Zero clientes | | Técnico habla con propiedad | Técnico ausente o junior | | Reconocen problemas reales | Todo suena genérico | | Propuesta concreta | "Explorar sinergias" | ## Pitfalls ### No confundir con auditoría técnica `web-audit` analiza código/seguridad. Esto analiza negocio/pricing/stack/posicionamiento. Si estás en modo inteligencia competitiva, no te pierdas en CSP o TTFB. ### La política de privacidad es la mejor fuente de stack Mucho más fiable que el FAQ. Los listados de subprocesadores son oro puro. No saltarse esta fase. ### No asumir que el browser tool funciona Tener preparado curl-based desde el principio. Verificar con `curl -sI` antes de intentar browser_navigate. ### Adaptar profundidad al stake de la reunión - Exploratoria → Fases 1-3 rápido + Fase 5 - Negociación seria → todas las fases a fondo ## Integration with Other Skills ### With `web-audit` - Este skill responde "¿quién son y qué venden?" - `web-audit` responde "¿su código es seguro?" - Complementarios, no sustitutivos ### With `dogfood` - Si tienes acceso al producto, usa `dogfood` para QA exploratorio - Inteligencia + dogfood = imagen completa ### With `sales-account-intelligence` - `competitive-intelligence` → analiza un competidor/socio/partner - `sales-account-intelligence` → analiza cuentas objetivo para venta (CRM → dossier) - Usar juntos cuando el competidor está presente en la cuenta objetivo ### With `tech-report-cost-analysis` - Para estimar costes de entrenamiento de modelos desde whitepapers técnicos, cargar `competitive-intelligence` (incluye sección de cost-analysis) ## Estimación de Costes desde Informes Técnicos Cuando un informe técnico / whitepaper describe un modelo pero **no declara su coste**, usar este patrón dentro del análisis competitivo. ### Datos necesarios | Dato | Dónde encontrarlo | |------|-------------------| | Número de GPUs | Tabla de especificaciones de entrenamiento | | Tipo de GPU | Sección de cluster (H100, A100, GB200, etc.) | | Fases de entrenamiento | Training recipe (pre-training, mid-training, RL, SFT) | | Tokens por fase | Tabla de training specs | | Goodput / MFU | Sección de cluster | ### Fórmulas de estimación **Coste de hardware (CAPEX):** ``` Coste_hardware = GPUs × Precio_GPU_unitario × Factor_infraestructura ``` Precios de referencia (2024-2026): - H100 SXM: ~$30,000 → ~$50,000 con infraestructura - GB200 NVL72: ~$30,000 → ~$50,000 con infraestructura - A100 80GB: ~$15,000 → ~$25,000 con infraestructura **Coste operativo (OPEX):** ``` Coste_entrenamiento = GPUs × Horas_entrenamiento × Coste_GPU_hora ``` Costes por hora GPU: - H100: $1-2/hora on-prem, $3-5/hora cloud - GB200: $1.5-3/hora on-prem, $4-7/hora cloud ### Ejemplo: MAI-Thinking-1 (Microsoft, 2026) - 8,192 GB200 NVL72, ~90% goodput - Pre-training: 30T tokens, 8,192 GPUs (~60 días) - Estimación total: **$50-100M** incluyendo equipo, datos y operación ### Pitfalls - **No asumir que el informe declara el coste** — la mayoría no lo hacen - **Goodput importa** — 90% goodput significa 10% tiempo desperdiciado - **Las iteraciones importan** — el modelo final es resultado de muchas ejecuciones - **La estimación es un rango, no un número exacto** — siempre dar intervalo ## Linked Reference Files - `references/nexus-solutions-lab-2026-06-01.md` — Caso de estudio real: análisis completo de Nexus Solutions Lab con pricing, stack (Vercel+Supabase+GCP+Stripe+Pipedream), posicionamiento AAPP y preparación de reunión