¿Cómo se crea un lead scoring con AI en n8n?

Respuesta rápida: Puedes crear un workflow de lead scoring con AI en n8n conectando un disparador (formulario, webhook o evento del CRM) a un nodo de AI que evalúe cada lead según tus criterios y escribiendo después la puntuación y el razonamiento en tu CRM de forma automática. Todo el workflow funciona sin intervención humana y se configura en menos de una hora.

La mayoría de los sistemas de lead scoring son demasiado rígidos (valores de puntos fijos que ignoran el contexto) o demasiado caros (herramientas de AI enterprise que cobran por usuario). n8n se sitúa en un punto intermedio: una plataforma de automatización que puedes alojar tú mismo y en la que conectas un disparador, un modelo de AI y una escritura de vuelta en el CRM en un único workflow.

Esta guía explica paso a paso cómo crear ese workflow, desde la elección del disparador hasta el prompt de la AI y el envío de las puntuaciones a HubSpot, Salesforce o el CRM que uses.

¿Qué es el lead scoring con AI en n8n?

El lead scoring con AI en n8n consiste en usar un nodo de modelo de lenguaje (LLM) dentro de un workflow de n8n para evaluar los datos de los leads entrantes y asignarles una puntuación según los criterios que definas. A diferencia del scoring basado en reglas (donde «tamaño de empresa > 100 = 10 puntos»), la AI lee todo el contexto de un lead y razona sobre su encaje como lo haría un buen SDR.

El workflow tiene tres partes principales:

Disparador: algo que se activa cuando llega un lead nuevo
Nodo de scoring con AI: un LLM que lee los datos del lead y devuelve una puntuación junto con su razonamiento
Escritura de vuelta: un nodo de CRM que actualiza el registro del lead con la puntuación

Lo que necesitas antes de empezar

Antes de empezar, comprueba que tienes:

Una instancia de n8n (en la nube o autoalojada, versión 1.0 o superior)
Una clave de API de un LLM (sirven OpenAI, Google Gemini o Anthropic Claude)
Un CRM con acceso por API (HubSpot, Salesforce, Pipedrive o similar)
Una fuente de leads definida (Typeform, JotForm, webhook o disparador del CRM)
Una rúbrica de scoring por escrito (tus criterios de ICP en lenguaje sencillo)

La rúbrica de scoring es la parte que más gente se salta. Escríbela antes de abrir n8n. Debe cubrir las señales que importan a tu negocio: sector, tamaño de la empresa, cargo, indicadores de presupuesto, encaje con el caso de uso y cualquier factor descalificante.

Paso 1: configura el nodo disparador

El disparador es lo que inicia el workflow. Elige el que corresponda al lugar donde aparecen tus leads por primera vez.

Opción A: disparador con webhook

Úsalo si tu fuente de leads puede enviar una solicitud POST (la mayoría de las herramientas de formularios pueden). En n8n:

Añade un nodo Webhook como primer nodo
Establece el método en POST
Copia la URL del webhook y pégala en el endpoint de envío de tu herramienta de formularios
Pruébalo enviando un lead de prueba y comprobando que los datos llegan a n8n

Opción B: disparador con una herramienta de formularios (Typeform o JotForm)

Añade un nodo de Typeform o de JotForm
Autentícate con tu cuenta
Selecciona el formulario concreto que quieres monitorizar
Configura el disparador en «On Form Submission»

Opción C: disparador del CRM (nuevo lead en HubSpot)

Añade un nodo disparador de HubSpot
Configúralo para que se active con «Contact Created» o «Deal Created»
Autentícate y prueba

Sea cual sea el disparador, asegúrate de que la salida incluya los campos que necesitará tu nodo de AI: nombre de la empresa, cargo, tamaño de la empresa, sector y cualquier campo de texto libre como «¿Cuál es tu principal desafío?»

Paso 2: enriquece los datos del lead (opcional pero recomendable)

Los datos en bruto de un formulario suelen ser escasos. Si tu formulario solo recoge nombre, correo electrónico y empresa, la AI tiene pocas señales con las que trabajar.

Añade un paso de enriquecimiento entre el disparador y el nodo de AI:

Nodo de Clearbit o de Apollo.io: obtiene el tamaño de la empresa, el sector, el tech stack y los datos de financiación a partir del dominio del correo
Búsqueda en LinkedIn mediante una herramienta como Phantombuster o Clay (conectada a través de un nodo HTTP Request)
Nodo HTTP Request hacia tu propia fuente de datos, si la tienes

Asigna los campos enriquecidos a un único objeto para que el nodo de AI reciba todo en una entrada limpia.

Paso 3: crea el nodo de scoring con AI

Aquí es donde se calcula la puntuación. n8n es compatible de forma nativa con OpenAI, Anthropic, Google Gemini y otros LLM a través de sus nodos de AI.

Configuración del nodo

Añade un nodo AI Agent o un nodo básico de mensajes de OpenAI / Anthropic
Conecta tus credenciales de API
Elige tu modelo (GPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro gestionan bien la salida estructurada)

Redacción del system prompt

El system prompt define el rol de la AI y la lógica de scoring. Aquí tienes una plantilla que funciona y que puedes adaptar:

You are a lead qualification expert for [Company Name].

Your job is to score inbound leads on a scale of 1 to 10 based on how well they match our ideal customer profile (ICP).

ICP criteria:
- Ideal industry: [e.g. B2B SaaS, professional services]
- Ideal company size: [e.g. 50-500 employees]
- Ideal job title: [e.g. Head of Sales, VP Revenue, Founder]
- Budget signal: [e.g. mentions budget, has funding, revenue above $1M]
- Use case fit: [e.g. looking to automate outbound, replace manual processes]

Disqualifiers (score 1-2 regardless of other signals):
- [e.g. student, freelancer with no team, competitor]

Scoring guide:
- 9-10: Strong ICP match, clear budget signal, decision-maker
- 7-8: Good ICP match, some gaps, worth a follow-up
- 5-6: Partial fit, nurture rather than immediate outreach
- 3-4: Weak fit, low priority
- 1-2: Disqualified

Return your response as valid JSON only, in this format:
{
  "score": [number 1-10],
  "tier": "[Hot / Warm / Cold / Disqualified]",
  "reasoning": "[2-3 sentence explanation of the score]",
  "recommended_action": "[e.g. Assign to AE immediately / Add to nurture sequence / Disqualify]"
}

Redacción del mensaje de usuario

En el campo del mensaje de usuario, haz referencia a los datos del lead mediante expresiones de n8n:

Score this lead:

Name: {{ $json.name }}
Email: {{ $json.email }}
Company: {{ $json.company }}
Job Title: {{ $json.job_title }}
Company Size: {{ $json.company_size }}
Industry: {{ $json.industry }}
Message / Use Case: {{ $json.message }}

Análisis de la respuesta JSON

Añade un nodo Code después del nodo de AI para convertir la cadena JSON en campos utilizables:

const aiResponse = $input.first().json.message.content;
const parsed = JSON.parse(aiResponse);

return [{
  json: {
    lead_score: parsed.score,
    lead_tier: parsed.tier,
    score_reasoning: parsed.reasoning,
    recommended_action: parsed.recommended_action
  }
}];

Si la AI devuelve de vez en cuando un JSON mal formado, envuelve el análisis en un try/catch y envía los fallos a una alerta de Slack o a una cola de revisión manual.

Paso 4: dirige los leads según su puntuación

Antes de escribir en tu CRM, añade un paso de enrutamiento para que cada nivel active acciones distintas.

Añade un nodo IF o un nodo Switch después del nodo Code
Establece las condiciones según lead_tier:
- Hot (puntuación 8-10): actualización inmediata del CRM y notificación por Slack al AE
- Warm (puntuación 5-7): actualización del CRM e inscripción en una secuencia de correos
- Cold (puntuación 3-4): actualización del CRM y etiqueta de nurturing de baja prioridad
- Disqualified (puntuación 1-2): actualización del CRM y marcado como cerrado/perdido

Esta lógica de enrutamiento hace que tu equipo de ventas solo vea los leads que merecen su tiempo.

Paso 5: escribe la puntuación en tu CRM

Este es el paso que hace que el workflow resulte realmente útil. Una puntuación que se queda en n8n no sirve de nada. Tiene que estar en tu CRM, donde trabaja tu equipo.

Escritura en HubSpot

Añade un nodo de HubSpot
Establece la operación en Update Contact
Asigna el contacto usando el correo electrónico de los datos del disparador
Añade campos de propiedades personalizadas:
- ai_lead_score → {{ $json.lead_score }}
- ai_lead_tier → {{ $json.lead_tier }}
- ai_score_reasoning → {{ $json.score_reasoning }}
- ai_recommended_action → {{ $json.recommended_action }}

Primero tendrás que crear estas propiedades personalizadas en HubSpot. Si necesitas ayuda externa para implementar con limpieza las actualizaciones del CRM y la automatización del ciclo de vida, puede merecer la pena valorar agencias especializadas en marketing ops para B2B SaaS.

Escritura en Salesforce

Añade un nodo de Salesforce
Establece la operación en Update Lead o Update Contact
Asigna los mismos campos a campos personalizados del objeto Lead
Usa el correo electrónico del lead o el ID de Salesforce como clave de búsqueda

Escritura en Pipedrive

Añade un nodo de Pipedrive
Establece la operación en Update Person o Update Deal
Asigna los campos de puntuación a los campos personalizados que hayas creado en Pipedrive

Paso 6: avisa a tu equipo

Una puntuación en el CRM está bien. Un mensaje de Slack al AE adecuado es mejor para los leads calientes.

Después de la escritura en HubSpot, en la rama Hot:

Añade un nodo de Slack
Configura el canal de tu equipo de ventas o un mensaje directo al comercial asignado
Usa una plantilla de mensaje como esta:

🔥 New Hot Lead (Score: {{ $json.lead_score }}/10)

Name: {{ $('Trigger').item.json.name }}
Company: {{ $('Trigger').item.json.company }}
Title: {{ $('Trigger').item.json.job_title }}

AI Reasoning: {{ $json.score_reasoning }}
Recommended Action: {{ $json.recommended_action }}

View in HubSpot: [link]

Cómo probar tu workflow antes de ponerlo en marcha

No actives el workflow sin probarlo con ejemplos de leads reales.

Usa el Manual Trigger de n8n para ejecutar el workflow con datos de prueba estáticos
Prueba al menos cinco perfiles de lead: uno claramente Hot, uno claramente Disqualified y tres casos límite
Comprueba que la salida de la AI sea siempre un JSON válido (si no, afina el prompt)
Confirma que los campos del CRM se actualizan correctamente en cada contacto de prueba
Comprueba que la notificación de Slack se dispara solo para los leads Hot

Cuando pasen las cinco pruebas, activa el workflow y revisa manualmente los primeros 20 leads reales para confirmar que la puntuación coincide con el criterio de tu equipo.

Problemas comunes y cómo solucionarlos

La AI devuelve texto en lugar de JSON: añade «Return valid JSON only, no markdown, no explanation outside the JSON object» al final de tu system prompt.

Las puntuaciones parecen incoherentes: lo más probable es que tu rúbrica sea demasiado vaga. Añade ejemplos explícitos al system prompt: «A score of 9 means: Head of Sales at a 200-person SaaS company with a stated budget».

Falla la actualización del CRM: comprueba que tus propiedades personalizadas existen en el CRM antes de que se ejecute el workflow. n8n dará error si el campo de destino no existe.

Faltan datos de enriquecimiento: crea una rama alternativa con un nodo IF que compruebe si el enriquecimiento ha devuelto datos. Si no es así, pasa a la AI los datos en bruto del formulario e indica en el prompt que el enriquecimiento no estaba disponible.

Preguntas frecuentes

¿Qué es el lead scoring con AI en n8n?
El lead scoring con AI en n8n es un workflow en el que los datos de los leads entrantes se pasan a un nodo LLM, que evalúa el lead según tus criterios de ICP y devuelve una puntuación numérica junto con su razonamiento. Después, la puntuación se escribe automáticamente en tu CRM, sin ningún paso de revisión manual.

¿Qué modelo de AI funciona mejor para el lead scoring en n8n?
GPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro generan una salida JSON estructurada fiable para el lead scoring. GPT-4o es el más constante a la hora de seguir instrucciones estrictas de formato JSON. Claude 3.5 Sonnet tiende a redactar razonamientos con más matices. Cualquiera de los dos funciona bien para este caso de uso.

¿Puedo usar el lead scoring con AI de n8n sin un CRM?
Sí. Si no tienes un CRM, puedes escribir las puntuaciones en una hoja de Google Sheets. Añade un nodo de Google Sheets al final del workflow y agrega una fila nueva con los datos del lead y los campos de puntuación. Es una alternativa ligera hasta que adoptes un CRM completo.

¿Cómo evito que la AI puntúe dos veces al mismo lead?
Añade una comprobación de deduplicación antes del nodo de AI. Usa una consulta en HubSpot o Airtable para comprobar si un contacto con ese correo electrónico ya tiene una puntuación. Si la tiene, usa un nodo IF para saltarte el paso de AI y finalizar el workflow.

¿Es adecuado este workflow para grandes volúmenes de leads?
n8n gestiona ejecuciones simultáneas, así que el workflow escala con tu volumen de leads. El factor limitante son los límites de tasa de la API de tu LLM. Para volúmenes superiores a 500 leads al día, añade un nodo Wait o usa el modo de cola de n8n para evitar alcanzar esos límites. Si además estás comparando qué herramientas usar para auditorías técnicas o para dar soporte al workflow en esta configuración, consulta esta comparativa de Screamingfrog vs SEMRush vs AHREFS.

¿Cómo crear un lead scoring con IA en n8n?