Lead scoring con IA

Qué es y para qué sirve

Este recurso es un workflow de n8n que calcula una puntuación predictiva para cada lead entrante, la escribe en el CRM junto con un motivo corto, y avisa al equipo comercial en Slack solo cuando el lead se clasifica como caliente.

El objetivo es priorizar con criterio en lugar de con intuición: el comercial sabe a quién llamar primero porque el score y el motivo aparecen directamente en la ficha del CRM, sin tener que adivinar qué leads merecen más atención en un día con decenas de contactos nuevos entrando a la vez desde distintas fuentes.

A diferencia de un filtro binario que solo separa leads buenos de malos, este flujo entrega una escala continua con matices: dos leads pueden ser ambos prometedores pero con puntuaciones distintas que reflejan diferencias reales de tamaño, urgencia o encaje, información que un simple sí o no nunca podría transmitir.

Cuándo usarlo (y cuándo no)

Tiene sentido cuando el volumen de leads es alto y el equipo comercial necesita un criterio objetivo y explicable para decidir el orden de llamadas, especialmente si distintos comerciales priorizan de forma diferente según su propio criterio personal, generando inconsistencia en la atención a leads similares.

También resulta útil cuando queréis dar visibilidad a dirección comercial sobre la calidad media de los leads que entran por cada canal: al quedar el score guardado en el CRM, es sencillo comparar más adelante qué fuentes generan sistemáticamente contactos con puntuación más alta.

No es necesario si el volumen de leads es bajo y cada uno recibe atención inmediata sin importar la puntuación, ni si el equipo prefiere un criterio puramente cualitativo basado en la conversación inicial. Este flujo complementa el criterio comercial, no lo sustituye por completo.

Requisitos previos

Necesitas conectar la fuente de leads (CRM o formulario) y el proveedor de IA desde Credenciales, además de definir en lenguaje claro qué factores suben o bajan la puntuación: tamaño de empresa, cargo del contacto, urgencia expresada o cualquier otro criterio relevante para vuestro negocio concreto.

Evita usar códigos internos o nombres de campo poco descriptivos en la explicación del score; cuanto más entendible sea el motivo para el comercial que lo lee en el CRM, más confianza generará el sistema y menos preguntas surgirán sobre por qué un lead concreto obtuvo esa puntuación.

Ten también claro desde qué puntuación en adelante un lead se considera hot a efectos de alerta en Slack, y comunícalo al equipo antes de activar el flujo, para que nadie interprete la ausencia de aviso como falta de interés real por parte del lead.

Configuración paso a paso en n8n

Descarga el archivo JSON e impórtalo en n8n desde el menú ⋯ a Import from File.

Prueba con varios leads inventados y compara si un comercial real estaría de acuerdo con el orden de prioridad que resulta del score; si hay discrepancias claras, ajusta los criterios explicados en el prompt antes de activar el flujo en producción con datos reales.

Confirma que el CRM muestra la puntuación y un motivo corto y claro en la ficha del lead, y que el aviso hot en Slack incluye el score, el motivo y el enlace directo al registro, sin añadir datos de más que no aporten valor a la decisión del comercial.

Antes de escalar el volumen de leads procesados, prueba también qué ocurre cuando faltan campos relevantes en el lead de entrada, para asegurarte de que el flujo asigna una puntuación razonable en lugar de fallar o devolver un score sin sentido por falta de datos.

Errores comunes y buenas prácticas

El error más común es dejar el score sin revisión durante meses, asumiendo que la IA acertará siempre de la misma forma aunque cambien el mercado, el producto o el perfil de cliente ideal. Establece una revisión semanal de la calidad del scoring junto con el equipo comercial para detectar desajustes a tiempo.

Recuerda que la puntuación orienta, pero no sustituye el criterio humano ni el cumplimiento de RGPD: no bases decisiones irreversibles únicamente en el score, y asegúrate de que los datos personales utilizados para calcularlo tienen una base legal clara dentro de vuestro tratamiento de leads.

Evita también que el score se convierta en la única señal que mira el equipo: combínalo siempre con el contexto de la conversación real con el lead, porque una puntuación alta no garantiza que la oportunidad avance si la primera llamada no se prepara bien.

Ten en cuenta además que un modelo de lenguaje puede variar ligeramente su respuesta ante datos casi idénticos: si observas puntuaciones muy inestables entre leads muy parecidos entre sí, revisa el prompt para hacerlo más determinista antes de confiar el filtro a un volumen alto de contactos.

Por último, documenta con quién compartís el acceso al campo de score dentro del CRM: si demasiadas personas pueden editarlo manualmente sin criterio, la puntuación pierde fiabilidad con el tiempo y deja de reflejar de forma honesta lo que realmente calculó el modelo de IA.

Alternativas en Make y Zapier

En Make, la estructura equivalente sería un escenario que recibe el lead, lo puntúa con un módulo de IA y guarda el resultado en el CRM, manteniendo la misma lógica de aviso solo cuando el score supera un umbral definido de antemano.

En Zapier, el patrón sería un disparador de lead, un paso de IA que asigna la puntuación y una acción que actualiza el campo correspondiente en el CRM, replicando el mismo comportamiento de priorización sin necesidad de revisar manualmente cada registro nuevo.

En las tres plataformas, el punto crítico no es la herramienta sino el criterio: documenta siempre qué factores explican la puntuación, para que cualquier comercial que consulte un lead entienda el motivo sin tener que preguntar a quien configuró el flujo originalmente.

Mantén una tabla de umbrales (frío, templado, caliente) versionada y revisada con RevOps. Cuando cambies el prompt o el modelo, anota la fecha y compara la distribución de scores durante dos semanas para detectar deriva. No publiques el score en portales de cliente: es señal interna de priorización comercial.

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.

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.