Lead Scorer - Saifs AI
El MCP Lead Scorer evalúa leads, puntúa prospectos según su potencial de conversión, identifica oportunidades de alto valor y ayuda a los equipos de ventas a priorizar el alcance y mejorar las tasas de conversión.
Servidor MCP alojado
npx add-mcp 'https://lead-scoring-mcp.saifs.ai/mcp'Se instala en Claude Code, Codex, Cursor y más
Documentación
Lead Pipeline Intelligence
Lo Que Este Agente Puede Hacer Realmente
Deja de pensar en ello como una columna de puntuación de leads. Piénsalo como un analista permanente que puntúa el libro abierto a partir de los registros que ya tienes.
Un Agente de Puntuación de Leads, construido de la manera correcta, te ofrece:
Puntúa el pipeline abierto y luego lo clasifica
Registros de leads sin procesar entran — probabilidades de conversión salen. Cada lead abierto se clasifica por valor esperado y prioridad de ventas, no por una puntuación de 0 a 100 que significa algo diferente en cada CRM.
Valor del pipeline que puedes cuantificar en dólares
Valor esperado del pipeline, valor en riesgo, valor del contacto y exposición del pipeline — con un rango del 90% alrededor de la exposición cuando la muestra lo respalda. Los números inciertos se muestran como rangos, no como precisión falsa.
Interacción que puedes leer de un vistazo
Recencia, frecuencia y profundidad convierten la actividad en etiquetas que un gerente puede usar: Caliente, Calentando, Nuevo / Sin trabajar, Enfriando, Frío o Constante — no una puntuación de interacción de caja negra.
Probabilidades de conversión que saben lo que no saben
El agente ajusta el tiempo de conversión a partir de tus resultados cerrados y luego lo verifica. Cuando ese ajuste no está disponible, recurre a la conversión por etapa en lugar de inventar una tasa de cierre. Los leads abiertos siguen en juego — no se tratan como pérdidas.
Perspectiva del embudo, etapa por etapa
Lead → MQL → SQL → Oportunidad → Ganado/Perdido. Ves la probabilidad de llegar a Ganado desde donde está un trato hoy. Cuando falta el historial de etapas, usa la conversión empírica por etapa — no inventa un embudo que no enviaste.
Crédito justo en cada interacción
Shapley exacto divide el crédito multi-touch entre canales — no una suposición de último toque. Ves qué canales realmente movieron el pipeline, no cuál resultó ser el último.
Esto es lo que separa la inteligencia de pipeline de una herramienta de informes: no solo lista quién está abierto. Te dice la probabilidad de conversión, el dinero en riesgo, el valor de un contacto y qué hacer hoy — antes de que el lead se enfríe.
Cola de hoy
Qué Hacer Hoy — No Otro Panel de Control
La cola diaria son tres acciones. Usa las etiquetas tal como se devuelven. Las tarjetas de gerente están junto a ellas en lenguaje sencillo — dinero, días y nombres solamente.
LLAMAR
Rescata tratos que se estancan. Estos leads están clasificados para una llamada el mismo día — los que se están enfriando mientras aún tienen valor.
NUTRICIÓN
Avanza oportunidades activas. Estos leads se están moviendo — mantenlos en nutrición en lugar de quemar una llamada del mismo día.
VERIFICAR
Revisa manualmente leads de baja confianza o con datos escasos. No trates una muestra pequeña como un cierre seguro — verifica antes de actuar.
Las tarjetas de gerente y SDR permanecen en lenguaje de negocio. Sin jerga de modelos de supervivencia en la tarjeta que alguien tiene que usar:
LLAMAR HOY
A quién llamar por teléfono hoy — con el dinero y los días junto al nombre.
EMPUJAR HACIA ADELANTE
Quién ya está en movimiento y necesita un empujón, no una llamada de rescate.
CALIFICAR
Quién aún necesita ser calificado antes de tratar la puntuación como lista para usar.
Ese es el informe: LLAMAR / NUTRICIÓN / VERIFICAR para el equipo, LLAMAR HOY / EMPUJAR HACIA ADELANTE / CALIFICAR para el gerente — no una conferencia de Cox.
Para Quién Es Esto
No está construido para científicos de datos. Está construido para las personas que están cansadas de adivinar qué leads abiertos llamar.
Si gestionas un pipeline abierto cada lunes
Estás mirando 200 leads abiertos y adivinando cuáles realmente necesitan una llamada. Esto convierte esa suposición en una cola clasificada de LLAMAR / NUTRICIÓN / VERIFICAR, con dinero junto al nombre.
Si eres un SDR o AE que vive en el CRM
No necesitas otro panel de control. Necesitas a quién LLAMAR HOY, a quién EMPUJAR HACIA ADELANTE y quién aún necesita ser CALIFICADO — sin jerga de modelos de supervivencia en la tarjeta.
Si eres un fundador sin equipo de ciencia de datos
No tienes uno, y no lo necesitas. lead_id y created_date son suficientes para empezar. Stage, status, closed_date, deal_size y source ayudan. Touches y stage history mejoran la interacción, el embudo y la atribución — son opcionales. Salesforce, HubSpot o cualquier exportación de CRM funciona.
Si nada de esto es tu trabajo, pero gestionas a alguien cuyo trabajo sí lo es
Esta es la sección para reenviar. La construcción toma una tarde para la persona adecuada de tu equipo. El costo de no tenerlo es la semana que pasaste llamando a los leads abiertos equivocados mientras un trato estancado se enfriaba.
Una cosa para la que no es
Si buscas un chatbot que invente una puntuación de lead de 0 a 100, esto no es eso, y no fingirá serlo. Esto es para personas que toman decisiones basadas en probabilidad de conversión, dinero en riesgo y una cola que puedan defender — no para personas que quieren una forma más bonita de clasificar una hoja de cálculo.
Por Qué los Equipos Nos Eligen Sobre Otros Agentes de IA
| Agentes de IA Genéricos / Chatbots | Nosotros | |
|---|---|---|
| Consistencia | Respuesta diferente cada vez que preguntas — probabilística, difícil de confiar dos veces | Determinista — misma entrada, misma salida, cada vez |
| Costo de ejecución | Reprocesa todo tu conjunto de datos a través de un LLM en cada consulta | Modelos construidos a propósito, uso mínimo de tokens — lo suficientemente barato para ejecutar sobre el libro abierto; pipelines de más de 500 leads pueden puntuarse localmente |
| Fiabilidad | Una puntuación de 0 a 100 inventada en el chat — confiadamente incorrecta cuando la muestra cerrada es escasa | Ajusta la conversión a partir de tus resultados, muestra un rango cuando debe, y se niega a ajustar cuando no hay suficientes datos — honestidad en lugar de un farol |
| Privacidad de datos | Tus datos a menudo salen de tus sistemas, quedan con un tercero | Cumplimiento total de SOC 2 — ningún dato sale jamás de tus instalaciones |
En resumen: Otros agentes te dan una respuesta. Esto te da probabilidades de conversión, dinero en riesgo y una cola diaria que puedes defender, reproducir y poner frente a tu equipo de seguridad sin pelear.
Las Matemáticas Detrás del Número — No Inventadas, Solo Aplicadas
No construimos una nueva fórmula de puntuación de leads y esperamos que tu pipeline se comporte. Todo lo que hay debajo es ciencia estadística documentada — el mismo linaje de matemáticas utilizado donde no puedes permitirte inventar una probabilidad de conversión.
| Qué Hace | En Uso Desde |
|---|---|
| Divide el crédito multi-touch de manera justa entre canales — no último toque | 1953 |
| Cronometra la conversión mientras trata los leads aún abiertos como en juego, no como pérdidas | 1958 |
| Muestra qué factores aceleran o retrasan un cierre | 1972 |
| Pone un rango del 90% alrededor de la exposición del pipeline en lugar de precisión falsa | 1979 |
| Recurre a la conversión por etapa cuando un modelo de supervivencia no puede ajustarse | — |
Por qué esto te importa: cada capa aquí ha sido publicada, citada y ejecutada contra pipelines reales durante años antes de que la tocáramos. No le pedimos a un LLM que "adivine quién cerrará." Puntuamos tus filas de leads, nos negamos a inventar una cifra cuando la muestra cerrada es demasiado escasa, y tratamos el uplift observacional como una señal — no como prueba de causalidad.
Eso es lo que "determinista" realmente significa. No una palabra de marketing. Una palabra matemática.
Preguntas Frecuentes
¿Cuál es la diferencia entre usar ChatGPT (u otro LLM) y usar este Agente de Puntuación de Leads?
ChatGPT y otros LLMs están construidos para hablar. Hazles una pregunta, y generan la respuesta más probable estadísticamente basada en patrones de texto — que es exactamente por qué son brillantes redactando un correo de seguimiento y poco fiables diciéndote qué lead abierto convertirá.
Aquí está la diferencia práctica:
- Un LLM adivina. Este agente calcula. Pregunta a ChatGPT "¿cerrará este lead?" y te dará una respuesta que suena plausible basada en lo que escribiste — no una probabilidad de conversión a partir de fechas de creación, censura y (cuando los tienes) touches y stage history. Pregunta dos veces, obtén dos respuestas diferentes.
- Un LLM no tiene memoria de tu pipeline. Cada conversación comienza en frío. Este agente puntúa las filas que envías — tus leads, no texto general de internet.
- Un LLM no puede auditarse a sí mismo. Si ChatGPT te dice "este lead se ve caliente," no hay rango, no hay cola, nada que puedas mostrar a tu gerente de ventas. Este agente devuelve probabilidad de conversión, dinero en riesgo, valor del contacto, alertas y una acción de LLAMAR / NUTRICIÓN / VERIFICAR.
- Un LLM es una herramienta de propósito general con sombrero de ventas. Esto es un sistema construido a propósito que usa IA donde es útil (la conversación) y entrega las matemáticas — tiempo de conversión, perspectiva del embudo, crédito Shapley, valor descontado en el tiempo — a modelos construidos para este problema.
En resumen: ChatGPT puede ayudarte a escribir el seguimiento. No puede decirte de manera fiable quién convierte, qué está en riesgo o a quién LLAMAR hoy. Ese es el vacío que este agente existe para cerrar.
En términos simples — mira tus registros de leads abiertos y devuelve:
- Probabilidades de conversión en cada lead abierto — clasificadas por valor esperado y prioridad de ventas. Los leads aún abiertos se tratan como observaciones censuradas, no como pérdidas.
- Una capa de dinero — valor esperado del pipeline, valor en riesgo, valor del contacto y pipeline en riesgo, con un rango del 90% alrededor de la exposición del pipeline cuando la muestra lo respalda.
- Una cola diaria clasificada y decisiones de gerente. LLAMAR / NUTRICIÓN / VERIFICAR para el equipo. LLAMAR HOY / EMPUJAR HACIA ADELANTE / CALIFICAR en las tarjetas — dinero, días y nombres solamente.
Ese es el punto completo del agente — convierte un pipeline abierto en una lista de tareas, con un signo de dólar junto a cada nombre, para que sepas exactamente dónde una hora de tu tiempo vale más.
No — esto no es un proyecto de ingeniería. Si tu CRM puede exportar un CSV (Salesforce, HubSpot o cualquier CRM), ya tienes lo que el agente necesita para empezar: lead_id y created_date. Stage, status, closed_date, deal_size y source ayudan. Touches y stage history mejoran la interacción, el embudo y la atribución Shapley — son opcionales.
Solo sigue los tutoriales paso a paso que proporcionamos, y estarás en funcionamiento en minutos — no semanas, no un equipo de ciencia de datos, no un ticket de TI. Para 500 leads abiertos o menos, las filas pueden puntuarse directamente. Para pipelines más grandes, el agente devuelve un script de puntuación local para que miles de filas nunca pasen como tokens.
En resumen: Si puedes exportar una hoja de cálculo, puedes tener esto funcionando hoy.
Sí. Esto está construido para ser totalmente compatible con SOC 2, y tus datos nunca salen de tus instalaciones.
No hay un proveedor de caja negra reteniendo tu pipeline como conjunto de entrenamiento. Para libros grandes, la puntuación puede ejecutarse localmente desde la exportación — las filas no tienen que pasar como tokens, que es lo que quieres cuando la publicación saliente está bloqueada. Para un negocio, un pipeline abierto es sensible por definición; esto fue construido con eso como requisito desde el primer día.
En resumen: Obtienes la inteligencia, no la exposición.
Se basa en modelos estadísticos que han sido investigados, probados y utilizados en producción durante décadas — no un algoritmo nuevo construido y con la esperanza de que funcione.
El tiempo de conversión trata los leads aún abiertos como en juego, no como pérdidas. La perspectiva del embudo sigue cómo los tratos realmente se mueven de Lead a Ganado. El crédito multi-touch se divide de manera justa entre canales. El valor esperado del pipeline está descontado en el tiempo. El valor en riesgo y el valor del contacto se apoyan en esas probabilidades. Cuando no hay suficientes resultados cerrados, el modelo se niega a ajustar en lugar de alucinar una curva. El uplift observacional es una señal, no prueba de causalidad. Las predicciones de baja confianza no deben tratarse como ciertas.
En resumen: No está adivinando basado en patrones de texto, como haría un chatbot de IA general. Está calculando, usando matemáticas que han tenido décadas para demostrar que funcionan — y salvaguardas que lo dicen cuando la muestra es demasiado escasa.
¿Cuál es la diferencia entre resultados deterministas y no deterministas — y cuál estamos usando?
No determinista significa: haz la misma pregunta dos veces, obtén dos respuestas diferentes. Así es como funcionan la mayoría de los chatbots de IA general — generan la respuesta que suena más probable cada vez, que puede cambiar incluso cuando nada sobre tu pipeline cambió. Bien para escribir un mensaje de cumpleaños. Arriesgado cuando la "respuesta" es cuánto pipeline está en riesgo.
Determinista significa: mismas filas de leads entran, mismas puntuaciones salen — cada vez. Sin aleatoriedad extra, sin "hoy el número se sintió diferente." Si el resultado cambia, es porque los leads subyacentes, touches o stage history cambiaron — no porque el modelo lanzó dados diferentes. Lo que usamos: determinista, siempre. Los números que este agente te da provienen de modelos estadísticos ajustados, no de un modelo de lenguaje que adivina una cifra plausible. Eso es lo que te permite mostrar la exposición del pipeline a finanzas o a tu jefe y saber que se mantendrá si alguien lo vuelve a ejecutar mañana.
En resumen: No te damos una respuesta en la que tengas que esperar que sea correcta. Te damos la misma respuesta defendible, cada vez que preguntas — y nos negamos a inventar una puntuación cuando los datos no pueden respaldar el ajuste.