Cualificar leads inbound con IA: el caso de uso paso a paso
El proceso completo para que un modelo puntúe los leads que entran, con los criterios, los datos que hacen falta y el punto donde casi todo el mundo se equivoca.
Es de los pocos casos de uso de IA en una empresa B2B donde el retorno se puede calcular antes de empezar. Tienes leads que entran, alguien los lee, decide a quién llamar primero y se equivoca a veces. Todo eso es medible.
Lo que sigue es cómo montarlo, en el orden correcto, con el punto donde casi todo el mundo se equivoca señalado.
Antes de nada: ¿lo necesitas?
Dos condiciones. Si falla alguna, no sigas.
Volumen. Por debajo de treinta leads a la semana, el tiempo que ahorras no paga montarlo ni mantenerlo. Con diez leads, la persona que los lee los conoce mejor que cualquier sistema.
Criterio repetible. Si preguntas a dos comerciales por qué un lead es bueno y te dan respuestas distintas, el problema no es que falte automatización, es que falta criterio. Automatizar un criterio inexistente produce un sistema que puntúa con seguridad cosas que nadie ha decidido.
Paso 1: define qué es un lead bueno, con casos reales
Aquí es donde se decide si esto va a funcionar, y es la parte que todo el mundo quiere saltarse.
No escribas una definición abstracta. Coge los últimos cincuenta leads, marca cuáles acabaron en cliente, cuáles en reunión sin cierre y cuáles en nada. Ese archivo es el activo. Sin él estás automatizando una intuición, y una intuición automatizada es una intuición que ya nadie cuestiona.
Si no tienes ese histórico ordenado, empieza por ordenarlo. Dos horas de trabajo aburrido que decide el resultado de todo lo demás.
Paso 2: junta las tres fuentes
Lo que escribió. El texto libre del formulario. Es la señal más rica y la que solo un modelo de lenguaje sabe leer bien: si describe un problema concreto o pide “información”, si menciona plazos, si habla en primera persona del plural.
Lo que se deduce del dominio. Sector, tamaño aproximado, si es una empresa o un correo genérico. Casi todo esto sale del dominio del correo sin pedirle nada más.
Lo que ya sabes de él. Si ha descargado algo antes, si visitó la página de precios, si viene de una recomendación. Muchas empresas tienen esto y no lo cruzan.
Paso 3: puntúa, no descartes
El punto donde casi todo el mundo se equivoca.
La tentación es montar un sistema que decida a quién se llama y a quién no. No lo hagas, al menos no al principio. Un sistema que ordena la cola te da casi todo el beneficio con una fracción del riesgo.
El motivo es asimétrico: si el sistema pone un lead bueno en el puesto quince, alguien acabará llegando y lo verás. Si lo descarta, desaparece y no te enteras nunca, porque los descartes no dejan rastro medible. Vas a tener un sistema que parece funcionar perfectamente mientras tira negocio.
Paso 4: haz que explique por qué
Cada puntuación tiene que venir con una frase que diga en qué se basa. “Alto: describe un problema concreto de facturación, empresa de unas 80 personas, ya descargó el comparativo.”
Sirve para tres cosas. El comercial entra a la llamada con contexto. Cuando la puntuación se equivoca, se ve por qué. Y el equipo empieza a confiar en el sistema, que es la condición para que lo usen. Un número sin explicación se ignora en dos semanas.
Paso 5: mide contra la persona, no contra la nada
La comparación correcta no es “¿acierta el sistema?”. Es “¿acierta más o menos que quien lo hacía antes?”.
Durante cuatro semanas, que el sistema puntúe y la persona siga decidiendo sin ver la puntuación. Al final, compara los dos órdenes contra lo que realmente cerró. Si el sistema no gana, no lo despliegues, arréglalo.
Es un mes de paciencia que evita el escenario habitual: desplegar algo que nadie ha comparado con nada y descubrir seis meses después que ordenaba peor que el criterio de siempre.
Lo que cuesta de verdad
El coste de los modelos para este volumen es despreciable, céntimos por lead. Lo que cuesta es el mantenimiento: el criterio de lead bueno cambia cuando cambias de segmento o de precio, y un sistema afinado con el histórico del año pasado se desalinea sin avisar.
Presupuesta una revisión trimestral. El desglose completo de dónde se va el dinero en una funcionalidad de IA está en el coste real de operar una feature de IA.
Por qué este caso y no otro
Cumple las cuatro condiciones que hacen que un uso de IA salga rentable: hay volumen, el criterio es repetible, el resultado es verificable contra algo que pasó de verdad, y el error es barato porque solo cambia un orden. La mayoría de las ideas de IA que se proponen en una empresa fallan al menos una.
El marco para decidirlo está en dónde aplicar IA en tu producto SaaS y el método de priorización, en cómo priorizar features de IA por impacto y esfuerzo.
Si prefieres que esto quede montado y funcionando sobre las herramientas que ya usáis, es el alcance del retainer de automatización con IA: dos procesos al mes y las horas ahorradas medidas al cierre.
¿Merece la pena automatizar la cualificación de leads con IA?
Solo si tienes volumen suficiente para que alguien esté dedicando horas a ello y si el criterio de cualificación es repetible. Por debajo de unos treinta leads a la semana, el tiempo que ahorras no paga el trabajo de montarlo y mantenerlo. Y si una regla simple ya separa bien, la IA sobra y sale más cara.
¿Qué datos hacen falta para puntuar un lead?
Lo que el lead escribió, lo que se puede deducir de su dominio de correo y el histórico de qué leads acabaron cerrando. El tercero es el que casi nadie tiene ordenado y el que hace que el sistema funcione: sin ejemplos de lo que sí cerró, estás automatizando una intuición.
¿Puede la IA decidir a quién se llama y a quién no?
Puede ordenar, no conviene que descarte. Un sistema que puntúa y ordena la cola te da casi todo el beneficio con una fracción del riesgo. Uno que descarta automáticamente va a tirar leads buenos y no vas a enterarte, porque los descartes no dejan rastro medible.