El problema
Una empresa B2B SaaS con un equipo de ventas de 5 personas recibe diariamente 50 solicitudes entrantes por diferentes canales (formulario de contacto, correo electrónico, LinkedIn). Cada solicitud se lee, evalúa y categoriza manualmente — un comercial dedica solo a esto entre 2 y 3 horas al día.
El problema central: el 30% de las solicitudes son spam o claramente no comerciales. Otro 40% son leads de baja calidad (tamaño de empresa incorrecto, presupuesto inadecuado, sin caso de uso apropiado). Solo el 30% de las solicitudes son leads A reales — pero el equipo de ventas no los ve hasta haber procesado todos los demás.
- 50 solicitudes/día — de las cuales solo 15 (30%) son leads A reales
- 3h al día por comercial dedicadas a la cualificación manual
- 30% spam/no comercial — pura pérdida de tiempo
- Tiempo de respuesta para leads A: entre 4 y 8 horas de media (porque se pierden en la cola)
La solución
Implementación de un sistema de puntuación de leads con IA que evalúa las solicitudes entrantes según el framework BANT (Budget, Authority, Need, Timing):
- Agente de detección de intención: Analiza el correo de la solicitud en busca de señales de compra, tamaño de empresa, sector y una descripción concreta del problema. Genera una puntuación de intención (0–100).
- Agente de puntuación BANT: Evalúa la información disponible según señales de presupuesto, estatus del decisor, necesidad concreta e indicadores de timing. Crea una matriz de puntuación con justificación.
- Agente de enrutamiento: Los leads A (puntuación >70) se escalan de inmediato al equipo de ventas con un briefing de contexto completo. Los leads B entran en la cola estándar. Los leads C y el spam se filtran.
Stack: API de Claude para el análisis de intención y la puntuación, webhook en Python para la integración de correo, conexión CRM vía API REST para la creación automática de leads.
Resultados
| Métrica | Antes | Después | Mejora |
|---|---|---|---|
| Esfuerzo manual de cualificación | 3h/día | 0,5h/día | −83% |
| Tiempo de respuesta leads A | 4–8 horas | 20 minutos | 95% más rápido |
| Tasa de filtrado de spam | manual | 95% automático | completo |
| Tasa de cierre | 22% | 30% | +35% (relativo) |
| Leads auto-cualificados | 0% | 60% | +60pp |
Cronograma de implementación
- Semana 1Análisis de las solicitudes entrantes de los últimos 3 meses. Definición de patrones para leads A/B/C. Elaboración de criterios BANT específicos para la empresa.
- Semana 2Desarrollo del agente de detección de intención y pruebas con datos históricos. Optimización de precisión/recall — objetivo: los leads A nunca se clasifican como C.
- Semana 3Configuración de la integración CRM, la lógica de enrutamiento y el webhook de correo. Lanzamiento suave: el sistema funciona en paralelo a la cualificación manual.
- Semana 4Comparación entre la puntuación de la IA y el criterio humano. Calibración de los umbrales de puntuación. Despliegue completo.
Aprendizajes y buenas prácticas
- Evitar falsos negativos: Mejor clasificar un lead B como A que al revés. En caso de duda: puntuación más alta, ventas ve más — pero no pierde ningún lead real.
- El briefing de contexto es decisivo: El agente de enrutamiento no solo entrega una prioridad a ventas, sino un briefing de 3 frases: ¿Quién? ¿Qué? ¿Por qué ahora? Esto ahorra otros 10 minutos por lead A.
- Higiene del CRM: La creación automática de leads con un campo de puntuación en el CRM permite un análisis posterior: ¿correlaciona la puntuación de la IA con la probabilidad de cierre? Tras 8 semanas: sí, con una correlación de 0.73.
El equipo de ventas fue inicialmente escéptico. Tras dos semanas en paralelo, las cifras convencieron: la puntuación de la IA correlacionaba en un 85% con el criterio humano — con cero esfuerzo.
Este caso de estudio es ilustrativo. Las métricas presentadas se basan en experiencias típicas de implementación y en promedios del sector. No se trata de un proyecto real de cliente ni de datos reales de clientes.