Como criar um lead scoring com AI no n8n?

Resposta rápida: Você pode criar um workflow de lead scoring com AI no n8n conectando um gatilho (formulário, webhook ou evento do CRM) a um nó de AI que avalia cada lead de acordo com os seus critérios, e depois gravando a nota e a justificativa de volta no CRM automaticamente. O workflow inteiro roda sem intervenção humana e leva menos de uma hora para ser configurado.

A maioria dos sistemas de lead scoring é rígida demais (valores de pontos fixos que ignoram o contexto) ou cara demais (ferramentas de AI enterprise que cobram por usuário). O n8n fica no meio-termo: uma plataforma de automação que pode ser hospedada por você, na qual você conecta um gatilho, um modelo de AI e a gravação no CRM em um único workflow.

Este guia mostra passo a passo como criar esse workflow, desde a escolha do gatilho até o prompt da AI e o envio das notas de volta para o HubSpot, o Salesforce ou o CRM que você usar.

O que é lead scoring com AI no n8n?

Lead scoring com AI no n8n é o processo de usar um nó de LLM (large language model) dentro de um workflow do n8n para avaliar os dados dos leads que chegam e atribuir uma nota com base em critérios definidos por você. Diferente do scoring baseado em regras (como "tamanho da empresa > 100 = 10 pontos"), a AI lê todo o contexto do lead e avalia o fit como um bom SDR faria.

O workflow tem três partes principais:

• Gatilho: algo que dispara quando um novo lead chega
• Nó de scoring com AI: um LLM que lê os dados do lead e devolve uma nota com a justificativa
• Gravação no CRM: um nó de CRM que atualiza o registro do lead com a nota

O que você precisa antes de começar

Antes de começar, confirme que você tem:

• Uma instância do n8n (na nuvem ou hospedada por você, versão 1.0 ou superior)
• Uma chave de API de um LLM (OpenAI, Google Gemini ou Anthropic Claude funcionam)
• Um CRM com acesso por API (HubSpot, Salesforce, Pipedrive ou similar)
• Uma fonte de leads definida (Typeform, JotForm, webhook ou gatilho do CRM)
• Um critério de scoring por escrito (os critérios do seu ICP em linguagem simples)

O critério de scoring é a parte que a maioria das pessoas pula. Escreva-o antes de abrir o n8n. Ele deve cobrir os sinais que importam para o seu negócio: setor, tamanho da empresa, cargo, indícios de orçamento, fit com o caso de uso e quaisquer fatores de desqualificação.

Passo 1: configure o nó de gatilho

O gatilho é o que inicia o workflow. Escolha o que corresponde ao lugar onde seus leads aparecem primeiro.

Opção A: gatilho de webhook

Use esta opção se a sua fonte de leads consegue enviar uma requisição POST (a maioria das ferramentas de formulário consegue). No n8n:

1. Adicione um nó Webhook como primeiro nó
2. Defina o método como POST
3. Copie a URL do webhook e cole no endpoint de envio da sua ferramenta de formulário
4. Teste enviando um lead fictício e confirmando que os dados chegam ao n8n

Opção B: gatilho de ferramenta de formulário (Typeform ou JotForm)

1. Adicione um nó Typeform ou JotForm
2. Autentique com a sua conta
3. Selecione o formulário específico que você quer monitorar
4. Defina o gatilho como "On Form Submission"

Opção C: gatilho de CRM (novo lead no HubSpot)

1. Adicione um nó de gatilho do HubSpot
2. Configure para disparar em "Contact Created" ou "Deal Created"
3. Autentique e teste

Qualquer que seja o gatilho, garanta que a saída inclua os campos de que o nó de AI vai precisar: nome da empresa, cargo, tamanho da empresa, setor e quaisquer campos de texto livre, como "Qual é o seu principal desafio?"

Passo 2: enriqueça os dados do lead (opcional, mas recomendado)

Os dados brutos de formulário costumam ser escassos. Se o seu formulário captura apenas nome, e-mail e empresa, a AI tem pouco sinal para trabalhar.

Adicione uma etapa de enriquecimento entre o gatilho e o nó de AI:

• Nó do Clearbit ou do Apollo.io: busca tamanho da empresa, setor, tech stack e dados de funding a partir do domínio do e-mail
• Consulta no LinkedIn por meio de uma ferramenta como Phantombuster ou Clay (conectada via nó HTTP Request)
• Nó HTTP Request para a sua própria fonte de dados, se você tiver uma

Mapeie os campos enriquecidos em um único objeto para que o nó de AI receba tudo em uma entrada limpa.

Passo 3: crie o nó de scoring com AI

É aqui que o scoring acontece. O n8n é compatível nativamente com OpenAI, Anthropic, Google Gemini e outros LLMs por meio dos seus nós de AI.

Configurando o nó

1. Adicione um nó AI Agent ou um nó básico de mensagem da OpenAI / Anthropic
2. Conecte as suas credenciais de API
3. Escolha o modelo (GPT-4o, Claude 3.5 Sonnet e Gemini 1.5 Pro lidam bem com saída estruturada)

Escrevendo o prompt de sistema

O prompt de sistema define o papel da AI e a lógica de scoring. Aqui está um modelo funcional que você pode 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]"
}

Escrevendo a mensagem do usuário

No campo da mensagem do usuário, faça referência aos dados do lead usando expressões do 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 }}

Interpretando a resposta em JSON

Adicione um nó Code depois do nó de AI para converter a string JSON em campos utilizáveis:

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
  }
}];

Se a AI às vezes devolver um JSON malformado, envolva a conversão em um try/catch e direcione as falhas para um alerta no Slack ou para uma fila de revisão manual.

Passo 4: direcione os leads pela nota

Antes de gravar no CRM, adicione uma etapa de roteamento para que cada faixa dispare ações diferentes.

1. Adicione um nó IF ou Switch depois do nó Code
2. Defina as condições com base em lead_tier:
   
   • Hot (nota 8 a 10): atualização imediata no CRM + notificação no Slack para o AE
   • Warm (nota 5 a 7): atualização no CRM + inclusão em uma sequência de e-mails
   • Cold (nota 3 a 4): atualização no CRM + tag de nutrição de baixa prioridade
   • Disqualified (nota 1 a 2): atualização no CRM + marcação como fechado/perdido

Essa lógica de roteamento faz com que seu time de vendas veja apenas os leads que valem o tempo dele.

Passo 5: grave a nota de volta no CRM

Este é o passo que torna o workflow realmente útil. Uma nota parada no n8n não vale nada. Ela precisa estar no CRM, onde o seu time trabalha.

Gravação no HubSpot

1. Adicione um nó do HubSpot
2. Defina a operação como Update Contact
3. Mapeie o contato usando o e-mail dos dados do gatilho
4. Adicione campos de propriedades 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 }}

Você vai precisar criar essas propriedades personalizadas no HubSpot antes. Se precisar de ajuda externa para implementar atualizações de CRM e automação de lifecycle de forma limpa, pode valer a pena conhecer agências especializadas em marketing ops para B2B SaaS.

Gravação no Salesforce

1. Adicione um nó do Salesforce
2. Defina a operação como Update Lead ou Update Contact
3. Mapeie os mesmos campos para campos personalizados no objeto Lead
4. Use o e-mail do lead ou o ID do Salesforce como chave de busca

Gravação no Pipedrive

1. Adicione um nó do Pipedrive
2. Defina a operação como Update Person ou Update Deal
3. Mapeie os campos da nota para os campos personalizados que você criou no Pipedrive

Passo 6: avise o seu time

Uma nota no CRM é bom. Uma mensagem no Slack para o AE certo é melhor para leads quentes.

Depois da gravação no HubSpot na ramificação Hot:

1. Adicione um nó do Slack
2. Defina o canal como o canal do seu time de vendas ou uma mensagem direta para o representante responsável
3. Use um modelo de mensagem como:

🔥 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]

Como testar o seu workflow antes de colocá-lo no ar

Não ative o workflow sem testar com exemplos reais de leads.

1. Use o Manual Trigger do n8n para rodar o workflow com dados de teste estáticos
2. Teste pelo menos cinco perfis de lead: um claramente Hot, um claramente Disqualified e três casos limítrofes
3. Verifique se a saída da AI é um JSON válido todas as vezes (se não for, refine o prompt)
4. Confirme que os campos do CRM são atualizados corretamente em cada contato de teste
5. Verifique se a notificação no Slack dispara somente para leads Hot

Quando os cinco testes passarem, ative o workflow e acompanhe manualmente os primeiros 20 leads reais para confirmar que o scoring está alinhado com o julgamento do seu time.

Problemas comuns e como corrigi-los

A AI devolve texto em vez de JSON: adicione "Return valid JSON only, no markdown, no explanation outside the JSON object" ao final do prompt de sistema.

As notas parecem inconsistentes: provavelmente o seu critério está vago demais. Adicione exemplos explícitos ao prompt de sistema: "A score of 9 means: Head of Sales at a 200-person SaaS company with a stated budget."

A atualização do CRM falha: verifique se as suas propriedades personalizadas existem no CRM antes de o workflow rodar. O n8n retorna erro se o campo de destino não existir.

Faltam dados de enriquecimento: crie uma ramificação de fallback com um nó IF que verifica se o enriquecimento retornou dados. Se não retornou, envie os dados brutos do formulário para a AI com uma observação no prompt de que o enriquecimento não estava disponível.

Perguntas frequentes

O que é lead scoring com AI no n8n?
Lead scoring com AI no n8n é um workflow em que os dados dos leads que chegam são enviados a um nó de LLM, que avalia o lead de acordo com os critérios do seu ICP e devolve uma nota numérica com a justificativa. A nota é então gravada de volta no CRM automaticamente, sem nenhuma etapa de revisão manual.

Qual modelo de AI funciona melhor para lead scoring no n8n?
GPT-4o, Claude 3.5 Sonnet e Gemini 1.5 Pro geram saídas JSON estruturadas confiáveis para lead scoring. O GPT-4o é o mais consistente ao seguir instruções rígidas de formatação JSON. O Claude 3.5 Sonnet tende a escrever raciocínios mais elaborados. Qualquer um dos dois funciona bem para este caso de uso.

Posso usar o lead scoring com AI do n8n sem um CRM?
Sim. Se você não tem um CRM, pode gravar as notas em uma planilha do Google Sheets. Adicione um nó Google Sheets no fim do workflow e inclua uma nova linha com os dados do lead e os campos de nota. É uma alternativa simples até você adotar um CRM completo.

Como evito que a AI atribua nota ao mesmo lead duas vezes?
Adicione uma verificação de duplicidade antes do nó de AI. Use uma consulta no HubSpot ou no Airtable para checar se um contato com aquele e-mail já tem nota. Se tiver, use um nó IF para pular a etapa de AI e encerrar o workflow.

Este workflow é adequado para grandes volumes de leads?
O n8n lida com execuções simultâneas, então o workflow escala junto com o seu volume de leads. O fator limitante são os limites de taxa da API do seu LLM. Para volumes acima de 500 leads por dia, adicione um nó Wait ou use o modo de fila do n8n para evitar atingir esses limites. Se você também está comparando ferramentas para auditorias técnicas ou suporte a workflows nessa configuração, veja esta comparação de Screamingfrog vs SEMRush vs AHREFS.