Lead scoring con IA para B2B — qué funciona en 2026

El lead scoring ha evolucionado de reglas estáticas en MAPs a sistemas híbridos que combinan reglas firmográficas con razonamiento LLM. Esta guía cubre la arquitectura práctica, qué modelos funcionan mejor en 2026, patrones de integración con herramientas de prospección y los cinco errores más comunes.

La arquitectura de dos capas

El lead scoring con IA moderno combina dos capas secuenciales. La primera es una capa de reglas estructuradas que produce un score base 0-100 a partir de datos firmográficos: tamaño de empresa, industria (CNAE en Brasil, NAICS en EUA), geografía, stack tecnológico, etapa de captación y visitas a la página de precios. La segunda es una capa de razonamiento LLM que ingiere el baseline estructurado más contexto no estructurado y ajusta el score en ±20 puntos con explicación en lenguaje natural.

Cinco errores comunes

1. Entrenar en closed-won sin controlar habilidad del SDR: si tu top SDR cierra 3× más, el modelo codifica habilidad del representante, no calidad del lead.
2. Scoring LLM sin datos fundamentados: pedir al LLM puntuar un lead solo con el nombre lleva a hechos inventados. Siempre provee datos firmográficos estructurados.
3. Modelos desactualizados: el ICP evoluciona. Recalibra trimestralmente contra datos recientes de closed-won/closed-lost.
4. Optimizar solo por tasa de conversión: un lead de deal pequeño con alta conversión puede superar a uno de deal grande. Pondera por ingresos esperados.
5. Tratar scores LLM como determinísticos: muestrea 5% de leads con ejecuciones duplicadas y monitorea varianza (>15% indica prompt inestable que necesita revisión).