Hay una diferencia importante entre una automatización y un agente de IA. La automatización hace siempre lo mismo: si pasa X, ocurre Y. El agente lee, razona y decide. No sigue un guion fijo; analiza el contexto y elige la respuesta más adecuada en cada caso.
En este artículo te contamos cómo implementamos un agente de IA para la captación de clientes de una asesoría asturiana de 8 personas: qué problema resolvía, cómo está construido por dentro y qué resultados ha dado tres meses después de ponerlo en marcha.
El problema que teníamos que resolver
La asesoría recibe una media de 38 leads al mes a través de su formulario web y su perfil de Google Business. El proceso hasta entonces era manual: el lead llegaba por email, alguien lo leía, decidía qué asesor era el más adecuado según el tipo de consulta, le asignaba el contacto en el CRM, redactaba una respuesta inicial personalizada y programaba un seguimiento si no había respuesta.
Sobre el papel parece manejable. En la práctica, dos personas del equipo dedicaban alrededor de 9 horas semanales a esa gestión. Y con eso, el tiempo medio de primera respuesta era de 4,5 horas. Con un 22% de tasa de conversión —unos 8 clientes nuevos al mes—, la asesoría funcionaba bien, pero sabía que estaba dejando dinero encima de la mesa por dos razones:
- Velocidad de respuesta: estudios del MIT señalan que contactar a un lead en los primeros 5 minutos multiplica por 9 las probabilidades de conversión frente a esperar más de una hora. A 4,5 horas de media, muchos leads ya habían llamado a la competencia.
- Calidad de la respuesta inicial: cuando el equipo estaba saturado, los emails de bienvenida eran genéricos. El lead no sentía que lo habían leído de verdad.
Qué es exactamente un agente de IA (y por qué no es lo mismo que una automatización)
Antes de describir la arquitectura, vale la pena aclarar el término porque hay mucha confusión. Una automatización clásica —como las que explicamos en nuestro artículo sobre Make para PYMES— sigue un flujo determinista: si llega un formulario, crear contacto en CRM y enviar email de bienvenida. Siempre igual.
Un agente de IA añade una capa de razonamiento. En lugar de seguir un script fijo, el agente lee el mensaje del lead, comprende qué tipo de ayuda está pidiendo, evalúa su urgencia e intención de compra, y a partir de esa evaluación toma una decisión: a qué asesor asignar el lead, qué tipo de respuesta redactar y si activar o no un flujo de seguimiento acelerado.
El resultado es que cada lead recibe una respuesta que parece haber sido redactada por alguien que lo ha leído de verdad. Porque técnicamente lo ha sido —solo que ese "alguien" es GPT-4o.
La arquitectura del agente: paso a paso
El sistema está construido sobre tres capas: Make como orquestador del flujo, la API de OpenAI (GPT-4o) como motor de razonamiento, y HubSpot como CRM donde vive la información de cada lead.
Paso 1 — Captura del lead
El lead rellena el formulario de contacto de la web. Puede escribir libremente: tipo de consulta, situación de su empresa, urgencia. Ese texto libre es exactamente lo que el agente necesita para trabajar. A más contexto en el formulario, mejor funciona el sistema.
El formulario lanza un webhook que Make recibe en tiempo real. Este paso tarda milisegundos.
Paso 2 — Análisis por GPT-4o
Make envía el contenido del formulario a la API de OpenAI con un prompt estructurado que le pide al modelo que analice el mensaje y devuelva un JSON con cinco campos:
- Tipo de servicio: fiscal, laboral, mercantil o general
- Urgencia: urgente (hay un plazo inminente), estándar o informativo (solo está explorando opciones)
- Tamaño estimado:autónomo, micropyme (<10 trabajadores) o pyme
- Puntuación de intención de compra: de 1 a 10, donde 10 es "necesita asesoría de forma inmediata" y 1 es "solo está mirando precios"
- Borrador de respuesta personalizada: un email de entre 80 y 120 palabras que usa el nombre del lead, menciona su situación concreta y propone un siguiente paso claro
El modelo devuelve ese JSON en menos de tres segundos. Make lo parsea y lo usa para las decisiones del siguiente paso.
Paso 3 — El router: tres caminos posibles
Según la puntuación de intención y la urgencia, Make toma una de tres rutas:
- Ruta A — Lead caliente (puntuación ≥ 7 o urgencia = urgente): el asesor responsable recibe un SMS con un resumen del lead en menos de 4 minutos. El email personalizado generado por GPT-4o se envía de inmediato desde el correo de la asesoría. En HubSpot se crea el contacto con todas las propiedades rellenadas y se asigna una tarea prioritaria con vencimiento en 2 horas. Si el asesor no ha actuado en ese plazo, Make envía una segunda notificación.
- Ruta B — Lead estándar (puntuación 4-6): el email personalizado se envía en los primeros 5 minutos. El contacto se crea en HubSpot con sus propiedades y se asigna al asesor correspondiente según el tipo de servicio. La tarea de seguimiento se programa para las 24 horas siguientes.
- Ruta C — Lead frío o informativo(puntuación < 4): se envía un email útil —no de venta— con contenido relevante para su situación (por ejemplo, una guía fiscal para autónomos si ese es su perfil). El lead entra en una secuencia de nurturing de tres emails espaciados en 5 días.
Paso 4 — El agente de seguimiento
Aquí es donde el sistema va más allá de lo que haría una automatización convencional. Si transcurridas 48 horas el lead no ha respondido, Make activa un segundo módulo de OpenAI que genera un nuevo email de seguimiento. No es una copia del primero: el modelo recibe el historial de la conversación y redacta un mensaje con un ángulo diferente —normalmente más directo, centrado en resolver una duda concreta o en proponer un horario específico para una llamada.
Si a los 5 días sigue sin respuesta, un tercer email de cierre —breve, sin presión— cierra el ciclo. Si no hay reacción, el contacto se marca como frío en HubSpot y sale del flujo activo.
Todo el proceso ocurre sin que ninguna persona de la asesoría tenga que recordar nada ni programar nada manualmente.
Los resultados tres meses después
Arrancamos el sistema en producción a las 4 semanas de empezar el proyecto. Estos son los datos comparando los tres meses previos a la implementación con los tres meses posteriores, con el mismo volumen de leads entrantes:
Velocidad de respuesta
De una media de 4,5 horas a menos de 4 minutos en el 100% de los leads. Ese cambio solo ya justifica el proyecto.
Tasa de conversión
Del 22% al 31%. Con el mismo volumen de leads —38 al mes—, la asesoría pasó de cerrar unos 8 clientes nuevos al mes a cerrar aproximadamente 12. Cuatro clientes más al mes con exactamente el mismo tráfico y sin tocar el presupuesto de captación.
Tiempo del equipo
De 9 horas semanales gestionando leads de forma manual a poco más de 1,5 horas semanales supervisando los casos que requieren atención humana —normalmente leads de Ruta A que necesitan una llamada rápida antes de la reunión. Son 30 horas al mes que el equipo recupera para trabajo de mayor valor.
Calidad percibida por los leads
Este es el dato más difícil de medir pero el más revelador. En las primeras reuniones con nuevos clientes, el equipo empezó a escuchar con frecuencia variaciones de la misma frase: "os respondisteis muy rápido y además se notaba que habíais leído lo que os expliqué". Esa percepción de atención personalizada —generada automáticamente por GPT-4o— es exactamente lo que convierte leads fríos en reuniones.
Lo que no funcionó a la primera
Sería deshonesto no mencionar los ajustes que tuvimos que hacer:
- El scoring inicial era demasiado agresivo. En los primeros días, casi todo clasificaba como Ruta A y el asesor recibía SMS de leads que en realidad solo estaban cotizando. Ajustamos el prompt para que el modelo fuera más conservador con la puntuación y bajamos el umbral de SMS a puntuaciones ≥ 8 con urgencia explícita.
- Los emails de Ruta C sonaban a newsletter. La primera versión del prompt generaba emails demasiado largos y con tono informativo genérico. Los reescribimos con instrucciones más precisas: máximo 90 palabras, primera persona, sin bullets, con una pregunta al final que invite a responder.
- El tercer email de seguimiento era demasiado insistente. Algunos leads se daban de baja o marcaban el email como spam. Lo simplificamos: una sola frase, sin repasar todo el historial, con una salida digna ("si no es el momento adecuado, sin problema, aquí estaremos cuando lo sea").
Esos tres ajustes se hicieron en las primeras dos semanas. Desde entonces el sistema lleva funcionando solo, sin intervenciones relevantes.
Cuánto costó implementarlo
La implementación completa —diseño del flujo, prompt engineering, integración con HubSpot, pruebas y ajustes— llevó cuatro semanas y costó 2.400 € (una sola vez).
Los costes corrientes mensuales son:
- Make Pro: 16 €/mes
- API de OpenAI (GPT-4o, ~4.000 llamadas/mes): aproximadamente 40-50 €/mes
- HubSpot Starter: ya lo tenía contratado, sin coste adicional
Total operativo: alrededor de 60-65 €/mes.
Con cuatro clientes nuevos adicionales al mes a un ticket medio de 190 €/mes, el sistema genera unos 760 € mensuales en ingresos nuevos. Descontando los 65 € de costes, el retorno neto mensual es de unos 695 €. La inversión inicial de 2.400 € se recuperó antes del cuarto mes.
¿Esto funciona solo en asesorías?
No. La estructura del agente —captura, análisis por IA, clasificación, respuesta personalizada, seguimiento adaptativo— es aplicable a cualquier negocio que reciba leads de forma recurrente y donde la velocidad y la personalización de la primera respuesta influyan en la conversión: clínicas, inmobiliarias, despachos de abogados, consultoras, empresas de servicios industriales B2B, centros de formación.
Lo que varía es el prompt, las propiedades del CRM y el contenido de los emails. La arquitectura es la misma. Y el tiempo de implementación también —entre tres y cinco semanas según la complejidad del flujo y la integración con el CRM existente.
Si quieres ver cómo se integra esto con el resto de automatizaciones de tu negocio o qué herramientas de IA son las más útiles para empresas en 2026, tienes más contexto en esos artículos.
Por dónde empezar si quieres algo así
Lo primero es mapear el flujo actual de gestión de leads: desde que entra un contacto hasta que se convierte en cliente o se descarta. Ese mapa revela dónde están los cuellos de botella y qué partes tienen más impacto si se automatizan con inteligencia.
Lo segundo es revisar si tienes un CRM donde centralizar los contactos. Sin CRM, el agente no tiene dónde guardar la información estructurada y el seguimiento pierde eficacia.
Lo tercero —y lo más importante— es no intentar automatizar todo a la vez. El sistema que describimos en este artículo empezó siendo mucho más sencillo. En la primera versión solo había dos rutas, el email lo redactaba un humano a partir de las notas del agente y el seguimiento era manual. La complejidad se fue añadiendo a medida que el flujo básico demostraba que funcionaba.
Si quieres que analicemos tu caso concreto y veamos qué parte de tu proceso de captación tiene más sentido automatizar, puedes reservar una llamada de diagnóstico sin compromiso.