Una lista de 500 empresas no resuelve el problema comercial si nadie sabe por cuál empezar. El lead scoring intenta convertir esa lista en una cola de trabajo: primero las cuentas con mejor encaje y mejor evidencia.
El error: puntuar datos inventados
La IA puede asignar un número a cualquier cosa. Eso no significa que el número sea útil. Si el tamaño, sector o señales de una empresa se han supuesto, el score solo oculta incertidumbre detrás de una cifra precisa.
Por eso el orden correcto es: investigar → verificar → puntuar.
Separa filtros de puntuación
Hay criterios que deben excluir una empresa. Si solo trabajas en España, una empresa de otro mercado puede quedar fuera aunque tenga otras señales excelentes.
Otros criterios sirven para ordenar: tamaño ideal, crecimiento, contratación, tecnología utilizada o calidad de las fuentes.
Un modelo sencillo
Puedes repartir 100 puntos entre geografía, sector o caso de uso, tamaño, señales observadas y evidencia. Los pesos deben adaptarse a tu negocio.
El score necesita una explicación
En lugar de «Empresa X — 84/100», es mejor: «Encaja en sector y zona, tamaño dentro del rango, dos señales de expansión verificadas. Falta confirmar quién gestiona compras».
Eso permite revisar el resultado y convertirlo en una acción.
Qué hacer con datos desconocidos
Un dato desconocido no debería convertirse automáticamente en cero ni en un valor medio. Lo más útil es marcar la incertidumbre y, si el dato puede cambiar la decisión, convertirlo en el siguiente paso de investigación.
Lead Hunter y scoring reproducible
La Skill de calificación de Lead Hunter separa filtros obligatorios y señales. Su herramienta local score_leads aplica un baseline determinista para que una misma entrada produzca una puntuación consistente. El agente puede añadir razonamiento cualitativo, pero debe etiquetarlo y conservar la evidencia.