Caso de éxito (esqueleto): Agente de Cualificación de Leads para una Firma de Servicios B2B
Estado: ESQUELETO. Las secciones marcadas con [PILOT DATA] se completarán únicamente con resultados medidos de un compromiso real — nunca estimados.
Evidencia de prueba en seco (estimado simulado). Nuestro simulador determinista de pilotos ya ejercita esta misma pila de agente de extremo a extremo: en una ventana sintética de 14 días calificó 42 leads entrantes → 14 hot / 14 warm / 14 cold, escribió un registro auditable de resultado para cada decisión y realizó cero contactos salientes — la regla de no contacto se aplica en el código, no en el prompt (reporte completo de la prueba en seco disponible a solicitud). No participó ningún prospecto real.
El cliente
Firma profesional de servicios B2B, ~40 consultas entrantes/semana entre formulario web, correos de referidos y listas de eventos. Un fundador haciendo todo el triaje entre trabajo facturable. [CLIENT NAME PENDING CONTRACT]
El problema
- Los leads hot (calientes) esperan 2–3 días una primera respuesta mientras el fundador entrega trabajo — muchos se enfrían
- Las consultas frías o sin encaje consumen la misma atención que los compradores serios
- No existe registro de por qué se persiguió o descartó un lead, así que el seguimiento es inconsistente
Lo que desplegamos
Un Agente de Cualificación de Leads ejecutando nuestro ciclo estándar, conectado mediante:
- un adaptador de fuentes de leads (formularios, bandejas de entrada, exportaciones) — intercambiable sin cambios en el núcleo del agente
- un modelo de puntuación transparente: cada lead recibe un nivel hot / warm / cold (caliente / tibio / frío) más una razón explícita, no un número de caja negra
- aplicación de la regla de no contacto en el código: el espacio de acciones del agente físicamente no puede incluir prospección saliente — califica y deriva; los humanos deciden a quién contactar
- un registro auditable de resultado por lead (puntuación, razón, decisión de derivación, ciclo del loop) para que nada se pierda silenciosamente
- lecciones instrumentadas: el tráfico repetido sin encaje desde un mismo canal genera recomendaciones sobre la calidad del canal en lugar de absorberse en silencio
Marco de resultados (completar durante/después del piloto)
| Métrica | Antes | Después | Fuente |
|---|---|---|---|
| Tiempo mediano hasta la primera respuesta en leads hot | [PILOT DATA] | [PILOT DATA] | marcas de tiempo de leads |
| % de leads triados sin intervención del fundador | — | [PILOT DATA] | registros de resultado |
| Conversión de leads hot a conversación | [PILOT DATA] | [PILOT DATA] | CRM / bandeja de entrada |
| Leads sin encaje consumiendo tiempo de ventas | [PILOT DATA] | [PILOT DATA] | registros de resultado |
| Costo por lead calificado | [PILOT DATA] | [PILOT DATA] | registro de tokens |
Por qué importa la garantía de no contacto
La mayoría de las herramientas de "AI SDR" automatizan la prospección saliente — y queman la reputación de tu dominio y tus relaciones en el intento. El nuestro hace la mitad opuesta del embudo: lee, puntúa, explica y deriva. La decisión de contactar a un ser humano queda en manos de un ser humano, por construcción.
Sección de lecciones aprendidas
[POST-PILOT: lista las 3 lecciones principales de data/loops/<project>/ — las reales, textualmente.]