Cualificación de leads con IA

Qué es y para qué sirve

Este recurso es un workflow de n8n que cualifica automáticamente cada lead entrante combinando reglas definidas en el prompt con un modelo de lenguaje, asignándole una etiqueta tipo MQL o SQL y un score numérico.

El objetivo es dejar de tratar todos los leads exactamente igual. En lugar de que el equipo comercial revise uno a uno todos los registros que entran, el flujo filtra automáticamente el ruido y solo levanta la mano cuando aparece una oportunidad con probabilidad real de convertirse en cliente, según los criterios que vosotros mismos definís en el prompt.

El resultado no es solo un número: el modelo también devuelve un motivo breve que explica por qué asignó esa etiqueta y esa puntuación, de modo que el comercial que recibe el aviso entiende de inmediato qué hizo destacar a ese lead sobre el resto, en lugar de fiarse ciegamente de un score sin contexto.

Cuándo usarlo (y cuándo no)

Tiene sentido cuando el volumen de leads es lo suficientemente alto como para que revisar cada uno a mano se convierta en un cuello de botella, o cuando el equipo comercial se queja de perder tiempo con leads de baja calidad que nunca iban a convertir. También ayuda a que los comerciales más experimentados dediquen su tiempo a los leads con mayor score en lugar de repartir el esfuerzo de forma homogénea.

Resulta especialmente valioso durante picos de campaña, cuando entran muchos más leads de lo habitual en pocos días: sin un filtro automático, el equipo tiende a atender por orden de llegada en lugar de por potencial real, y las mejores oportunidades pueden quedar enterradas entre registros de baja calidad.

No lo necesitas si el volumen de leads es bajo y cada uno merece atención individual sin importar la puntuación, ni tampoco si el equipo comercial confía más en su criterio directo que en un score automatizado; en ese caso, el flujo puede generar fricción en lugar de ayuda si se impone sin acuerdo previo del equipo.

Requisitos previos

Necesitas acceso a un modelo de lenguaje compatible con la API de chat completions (llmUrl, apiKey, model), un endpoint del CRM que permita actualizar el registro del lead con el score y la etiqueta (crmUpdateUrl), y un canal de Slack con Incoming Webhook para el aviso cuando un lead supere el umbral.

Antes de activar el flujo, define junto al equipo comercial qué scoreThreshold tiene sentido para vuestro negocio, por ejemplo, setenta sobre cien, y qué criterios concretos deben pesar más en el prompt: tamaño de empresa, cargo del contacto, urgencia expresada o presupuesto mencionado, entre otros.

Ten también preparado un pequeño lote de leads históricos, con su resultado real conocido (convirtieron o no), para poder contrastar cómo habría puntuado el modelo esos casos concretos antes de confiar el filtro a leads completamente nuevos.

Configuración paso a paso en n8n

Descarga el archivo JSON e impórtalo en n8n desde el menú ⋯ a Import from File. Verás el Webhook lead, el nodo Config, la normalización de datos, la llamada al modelo de lenguaje que calcula el score MQL/SQL, el nodo IF por umbral, la rama de actualización del CRM más Slack, y la rama NoOp para leads de baja puntuación.

En el nodo Config cualificación ajusta llmUrl, apiKey, model, scoreThreshold, crmUpdateUrl y slackWebhookUrl. Activa el Webhook con el path lead-cualificacion-ia y prueba con al menos dos leads inventados: uno claramente fuerte y otro claramente flojo, revisando que la etiqueta y el motivo asignados tengan sentido.

Confirma que en la rama alta el CRM recibe correctamente el score y la etiqueta, y que Slack muestra la puntuación junto con el motivo de la clasificación; verifica también que la rama baja no genera ningún aviso al equipo, para que el canal de Slack se mantenga limpio de ruido innecesario.

Antes de dar por cerrada la configuración, prueba también con un lead a caballo entre las dos categorías, muy cerca del umbral definido, para confirmar que el comportamiento del nodo IF en ese punto límite es el que esperáis y no genera resultados inconsistentes entre ejecuciones similares.

Errores comunes y buenas prácticas

El error más habitual es fijar un scoreThreshold sin acuerdo del equipo comercial, lo que provoca que unos vean el flujo como demasiado permisivo y otros como demasiado estricto. Revisad juntos los primeros resultados durante las primeras semanas y ajustad el umbral según la experiencia real, no solo según la teoría.

Evita tomar decisiones irreversibles basándote únicamente en el score de la IA, como descartar por completo un lead sin ninguna revisión humana. Establece una revisión periódica de la calidad del scoring y respeta siempre el marco de RGPD sobre los datos personales que utilizas para calcular la puntuación.

Vigila también que el prompt no incorpore sesgos indirectos, como penalizar sistemáticamente ciertos sectores o tamaños de empresa sin una justificación de negocio clara; una revisión periódica con el equipo comercial ayuda a detectar este tipo de desviaciones antes de que afecten a oportunidades reales.

Guarda además un histórico de los cambios que hagáis en el prompt de cualificación a lo largo del tiempo: si en algún momento notáis un cambio brusco en la proporción de leads clasificados como buenos, ese registro os permitirá saber si el motivo fue un ajuste del prompt o un cambio real en la calidad del tráfico entrante.

Alternativas en Make y Zapier

En Make, la estructura equivalente sería un escenario que recibe el lead, llama a un módulo de IA para puntuarlo, filtra por el umbral definido y solo entonces avisa al equipo comercial, manteniendo la misma lógica de filtrado silencioso para los leads de baja puntuación.

En Zapier, el patrón es similar: un disparador de lead, un paso de IA que asigna la puntuación, un filtro por umbral y, finalmente, rutas separadas hacia el CRM según el resultado, replicando el mismo comportamiento que en n8n con las herramientas nativas de cada plataforma.

Importar, configurar y producción 24/7

En n8n: ⋯ → Import from File → el JSON de este recurso. El flujo llega inactive. Abre el sticky INSTRUCCIONES del lienzo y el nodo Config/Set: URLs, umbrales y placeholders. Enlaza credenciales reales (HTTP Header Auth, OAuth Google Sheets, Slack Incoming Webhook, CRM Private App) — nunca dejes tokens en el archivo versionado.

Prueba una ejecución Manual o un evento de test (formulario, webhook, cron forzado). Revisa CRM, Sheets o Slack. Solo entonces Active. Timezone del workflow: Europe/Madrid.

Para que corra solo hace falta n8n online. Self-hosted UE: VPS Hetzner/OVH/IONOS (o panel con Docker) → Ubuntu → Docker Compose (n8n + Postgres) → HTTPS con Caddy/Nginx → N8N_HOST, WEBHOOK_URL, GENERIC_TIMEZONE=Europe/Madrid, N8N_ENCRYPTION_KEY. Alternativa: n8n Cloud (importas, conectas credenciales y Active; vigila límites). Make/Zapier: mismo mapa mental; este JSON es el esqueleto n8n.

EU AI Act y RGPD: qué es y por qué tu empresa debe aplicarlo

El Reglamento (UE) 2024/1689 (EU AI Act) ya está en vigor. Si tu empresa usa n8n con nodos de IA (Gemini, OpenAI, Claude, etc.) en ventas o operaciones, actuáis como desplegadores (deployers): no hace falta ser el fabricante del modelo. Desde el 2 de febrero de 2025 el Artículo 4 exige alfabetización en IA del personal que opera estos sistemas; en agosto de 2026 se refuerza la supervisión (AESIA en España) y la trazabilidad.

En paralelo, el RGPD (AEPD) aplica porque el flujo trata datos de contacto B2B. Base jurídica, minimización y, si hay perfiles automatizados a escala, evaluación de impacto. AI Act y RGPD se acumulan: un fallo puede implicar ambas autoridades.

Este recurso ayuda en la práctica: placeholders sin secretos, Europe/Madrid, opción self-hosted en VPS UE (soberanía de datos), registro de ejecuciones en n8n (logs) y espacio para human-in-the-loop (aprobación antes de acciones sensibles). Detalle: /uso-responsable-de-ia-y-transparencia. Texto informativo, no asesoramiento legal.