El sector legal es uno de los más competidos en el marketing digital. La competencia feroz, los altos costes por clic y la saturación de anuncios hacen que destacar en Google Ads sea un verdadero reto, especialmente en grandes ciudades como Barcelona. Este caso de éxito muestra cómo un abogado penalista logró multiplicar el número de llamadas de clientes potenciales, reduciendo significativamente el coste por conversión en un sector donde el CPC puede llegar hasta los 10 €.
El reto
El cliente ya invertía en campañas de Google Ads antes de nuestra intervención. Sin embargo, los resultados no eran sostenibles debido a los altos costes por clic y
por conversión. En algunos momentos, los clics llegaban a costar entre 7 € y 10 €, lo que se traducía en un coste por llamada insostenible a medio plazo.
El objetivo principal era claro: conseguir llamadas directas de clientes cualificados, ya que cada llamada confirmada representa una gran oportunidad de negocio para un abogado penalista. La clave estaba en ajustar la estrategia para mantener la competitividad en un mercado tan saturado sin que el coste por adquisición se disparara.
La estrategia
La primera acción fue replantear la puja y la posición de los anuncios. Tradicionalmente, el cliente insistía en aparecer siempre en primera posición, lo que incrementaba el coste de manera innecesaria. Le demostramos que, en este sector, muchas veces resulta más rentable aparecer en segunda o tercera posición de anuncios patrocinados, manteniendo la visibilidad pero reduciendo el coste por clic.
Posteriormente:
- Se optimizaron las palabras clave, priorizando términos de alta intención relacionados con delitos penales, dejando a un lado keywords genéricas y costosas.
- Se ajustaron los valores de conversión en Google Ads, asignando un peso mayor a las llamadas confirmadas desde el anuncio.
- Se implementó un seguimiento detallado de conversiones, diferenciando entre llamadas reales y clics no cualificados.
- Se estructuró un plan de escalado progresivo, invirtiendo más solo cuando los costes por conversión se mantenían dentro de los objetivos establecidos.
Los resultados
El impacto fue notable en pocos meses:
- Inversión total: 11.000 €.
- Conversiones obtenidas: 553 llamadas confirmadas.
- Reducción del coste por conversión: -5 € respecto al histórico anterior.
- Reducción del CPC medio: -0,50 €, lo que supuso un gran ahorro acumulado en un sector donde cada céntimo cuenta.
Más allá de las métricas, lo realmente importante fue que el cliente consiguió llamadas de alta calidad, con usuarios que necesitaban servicios de defensa penal de manera inmediata. Esto se tradujo en un incremento directo en el número de casos atendidos y en una mayor rentabilidad para su despacho.
Conclusión
El caso de este abogado penalista en Barcelona refleja la importancia de trabajar con precisión quirúrgica en sectores altamente competidos. Ajustar pujas, optimizar palabras clave y priorizar conversiones de valor permitió transformar una inversión costosa y poco rentable en un canal sólido de captación de clientes.
Caso GEO
Baseline de visibilidad en IA medido por Elevam
Elevam realizó una medición inicial de visibilidad en entornos de IA generativa para evaluar la presencia de la entidad en respuestas relacionadas con su área de especialización y su contexto geográfico.
La evaluación se llevó a cabo mediante una metodología propia de análisis comparativo entre distintos modelos conversacionales, utilizando múltiples escenarios de consulta, sesiones independientes y revisión cualitativa manual de resultados.
Resultado del baseline inicial
La medición inicial reflejaba una visibilidad prácticamente nula en IA generativa.
En ese momento, la entidad no aparecía de forma estable como recomendación directa en consultas relevantes de intención profesional. Su presencia, cuando existía, era residual, inconsistente y sin capacidad real de captación.
Qué analizó Elevam en el baseline
La medición valoró, entre otros factores:
- presencia de la entidad en respuestas de recomendación,
- frecuencia de aparición frente a competidores,
- estabilidad de la mención entre distintos modelos,
- nivel de protagonismo dentro de la respuesta,
- contexto en el que se producía la aparición,
- capacidad de la entidad para ser reconocida como opción legítima dentro de su categoría.
Conclusión del punto de partida
El diagnóstico inicial era claro: la entidad existía a nivel digital, pero no estaba estructurada para ser interpretada con fuerza por modelos de IA generativa. Había web, había información, pero no había una arquitectura suficientemente clara, citable y consistente como para convertir esa presencia en recomendación.
Intervenciones ejecutadas por Elevam
A partir del baseline, Elevam desplegó una intervención GEO centrada en mejorar la interpretabilidad, la citabilidad y la autoridad de la entidad dentro del ecosistema que utilizan los modelos de IA para construir respuestas.
Líneas de trabajo ejecutadas
Reestructuración de entidad digital
Elevam redefinió la arquitectura de contenidos para reforzar la relación entre nombre, especialidades, contexto geográfico y posicionamiento temático.
Optimización semántica y estructural
Se reorganizaron activos clave para hacer más clara la lectura de la entidad por parte de sistemas de recuperación, extracción y síntesis.
Reescritura de contenidos con lógica extractable
Elevam adaptó páginas estratégicas para convertirlas en activos más útiles para motores generativos: lenguaje más declarativo, menos ambigüedad, mayor densidad de información reconocible y mejor organización semántica.
Generación de contenido citable
Se desarrollaron piezas orientadas a reforzar contexto, especialidad y legitimidad, con un formato pensado para facilitar la extracción y reutilización de información por modelos de IA.
Refuerzo de señales externas de autoridad
Elevam trabajó la coherencia entre presencia propia y referencias externas para aumentar la probabilidad de asociación positiva entre entidad, categoría y expertise.
Optimización técnica del entorno digital
Se ajustaron aspectos de rendimiento, indexabilidad, jerarquía semántica y estructura interna para favorecer una interpretación más robusta del sitio.
Monitorización y análisis evolutivo
Durante todo el proceso, Elevam realizó seguimiento periódico para detectar cambios de comportamiento en los modelos y ajustar la estrategia en función de la respuesta observada.
Evolución del proyecto GEO
El proyecto avanzó por fases, desde una situación inicial sin visibilidad relevante hasta una presencia recurrente en respuestas vinculadas a la especialidad de la entidad.
Evolución observada
Fase inicial
Ausencia de visibilidad consistente en modelos de IA.
Fase de estructuración
Primer refuerzo de señales internas: arquitectura, claridad temática, jerarquía semántica y especialización.
Fase de expansión
Aumento de activos interpretables y citables, junto con consolidación de señales externas.
Fase de consolidación
Aparición progresiva y luego recurrente en respuestas de recomendación, con mejora de estabilidad y presencia comparativa frente a otras opciones del mercado.
Comportamiento observado por modelo
Elevam detectó que no todos los modelos reaccionan igual ni al mismo ritmo ante una estrategia GEO.
Principales patrones detectados
Modelos con mayor dependencia de fuentes web activas
Tienden a reaccionar antes cuando aumenta la coherencia entre contenido propio y señales externas.
Modelos más sensibles a la estructura semántica de la entidad
Responden mejor cuando la web deja claro quién es la entidad, qué hace, en qué se especializa y por qué debería ser considerada en esa categoría.
Modelos más conservadores
Necesitan más tiempo, más consistencia y más convergencia de señales antes de incorporar a la entidad en sus respuestas.
La conclusión de Elevam fue clara: en GEO no basta con “publicar más”. Cada modelo interpreta las señales de manera distinta, y la estrategia tiene que construirse para generar consenso suficiente entre sistemas diferentes.
Resultado post-intervención
Tras la ejecución del proyecto, Elevam observó una mejora clara en la visibilidad de la entidad dentro de respuestas generadas por IA en consultas relevantes para negocio.
Resultado general
La entidad pasó de una situación de invisibilidad práctica a una presencia recurrente en un porcentaje significativo de escenarios analizados.
Además, esa visibilidad no fue solo nominal. En una parte relevante de los casos, la entidad empezó a aparecer como recomendación prioritaria o como una de las opciones destacadas dentro de la respuesta.
Qué cambió después de la intervención
- aumento de la frecuencia de mención,
- mayor estabilidad entre modelos,
- aparición más habitual en posiciones destacadas,
- crecimiento de la presencia comparativa frente a competidores,
- mejor asociación entre nombre, especialidad y localización,
- incremento del potencial de captación procedente de entornos de IA.
Comparativa antes y después
Antes de Elevam
- visibilidad prácticamente inexistente,
- ausencia de mención estable en respuestas de recomendación,
- baja capacidad de asociación entre entidad y especialidad,
- dependencia alta de canales de captación tradicionales.
Después de Elevam
- presencia recurrente en respuestas de IA generativa,
- mejora clara en la estabilidad de aparición,
- mayor frecuencia de mención destacada,
- crecimiento de la captación atribuible a entornos generativos,
- reducción de dependencia respecto a canales de adquisición más caros.
Impacto en negocio documentado por Elevam
Según el análisis interno del proyecto, la mejora de visibilidad en IA tuvo un impacto directo en negocio.
Elevam detectó que los contactos procedentes de recomendaciones generadas por IA llegaban con una intención más madura: preguntaban directamente por la entidad, mostraban menor necesidad de comparación y reducían el tiempo medio hasta la conversión.
También se observó una mejora en eficiencia comercial, con un coste de adquisición más bajo que en etapas anteriores y una contribución creciente del canal IA dentro del mix de captación.
Lectura estratégica
Esto es lo importante: no se trató solo de “salir más”. Se trató de convertir una entidad digitalmente presente pero débil en una entidad interpretable, reconocible y recomedable dentro de sistemas de IA.
Ese es el cambio real.
Cierre metodológico
Elevam utiliza un sistema propio de análisis para medir la evolución de la visibilidad en IA generativa, combinando observación comparativa, revisión manual y seguimiento longitudinal.
No se trata de una fotografía aislada, sino de una lectura estratégica de cómo una entidad pasa de no existir para la IA a empezar a ser incorporada dentro de las respuestas que influyen en la decisión del usuario.