De 5 formularios dispersos a un dashboard único con clasificación automática

Contexto

Empresa de servicios profesionales. Cinco canales de entrada de leads: formulario principal de la web, dos landing pages dedicadas a campañas distintas, formulario de inscripción a eventos, y una bandeja de correo genérica (info@) que recibía consultas espontáneas.

El problema no era de volumen —unos 80-120 leads/mes—, era de gestión. Los formularios web mandaban un email a una lista de distribución. Quien abría el correo primero se quedaba el lead. No había trazabilidad. No había clasificación. Leads de empresas grandes acababan en el mismo cubo que estudiantes preguntando precios. Y un 30% caía por el camino.

El desafío

• Centralizar sin obligar a abandonar formularios existentes. Cada landing tenía su propio formulario por motivos de tracking de campaña. No se podían unificar.
• Clasificar automáticamente por intención. No es lo mismo "quiero información general" que "queremos contrataros para un proyecto de 50k" que "estoy haciendo un TFG, ¿me podéis responder unas preguntas?".
• Distribución automática a equipo correcto. Los leads de presupuesto alto al equipo sénior. Los de información general a la persona de marketing. Los de estudiantes a respuesta automática educada.

Aproximación

Solución a medida construida en 4 semanas tras 1 semana de discovery:

1. Discovery (1 semana). Mapeo de los 5 puntos de entrada. Análisis de 300 leads históricos para identificar patrones: tipos de consulta, palabras clave que predicen alto valor, perfiles que históricamente compraron. Salieron 4 categorías + 1 "ruido" (estudiantes, spam, no-clientes).
2. Captador unificado (semana 2). Cada formulario sigue existiendo donde estaba, pero todos envían vía API a un endpoint único que registra metadata (origen, UTM, timestamp) y guarda el lead en una base de datos central.
3. Clasificación con LLM (semana 3). Cada lead nuevo pasa por un modelo (con prompt curado) que asigna categoría y nivel de prioridad (alto/medio/bajo/ruido). Los criterios son explícitos: presencia de empresa, presupuesto mencionado, urgencia detectada, sector objetivo.
4. Dashboard y enrutado (semana 4). Panel donde el equipo comercial ve los leads en tiempo real, filtrables por origen, categoría y prioridad. Notificaciones por Slack para leads de prioridad alta. Para los de ruido, respuesta automática educada sin gastar tiempo humano.

El stack: API receptora, base de datos interna, clasificación con LLM en arquitectura privada (datos no salen), dashboard web, integración con Slack y con su CRM existente para crear el contacto automáticamente en leads de alta prioridad.

Resultados

• 100% de leads centralizados. Cero leads perdidos en bandejas de correo desde la semana 4.
• Tiempo de respuesta a leads calientes: de 4-5 días a <1 hora. Los de prioridad alta llegan al comercial sénior con notificación inmediata.
• Tasa de cierre de leads calientes subió un 40% en el trimestre siguiente. La causa principal fue dejar de tardar 4 días.
• Equipo de marketing recuperó ~6 horas/semana que antes dedicaba a triar el genérico info@.
• Trazabilidad completa: por primera vez sabían qué canal traía leads de qué calidad, lo que cambió cómo invertían en campañas.

Aprendizaje aplicable

El cuello de botella de captación rara vez está en la cantidad de leads. Suele estar en la latencia de respuesta y la triage. Un lead caliente que tarda 4 días en recibir respuesta se ha enfriado o se ha ido a competencia. Un lead frío que ocupa tiempo de comercial sénior es coste sin retorno.

La pieza más valiosa para el cliente no fue el dashboard, fue el dato de qué canal traía qué calidad de lead. Llevaban años invirtiendo igual en todas las landings sin saber cuál convertía. Reasignaron el presupuesto en el siguiente trimestre.

Aprendizaje técnico: la clasificación con LLM funciona muy bien si el prompt está calibrado con casos del propio cliente, no si se usa "clasifica este lead" genérico. Las dos primeras semanas el modelo se equivocaba en un 18% de los casos; tras refinar el prompt con 50 ejemplos históricos del cliente, bajó al 4%.

Nota sobre confidencialidad

El nombre del cliente está omitido por acuerdo de confidencialidad. Las cifras son reales o estimaciones conservadoras basadas en mediciones internas del propio cliente.