Prospecting con IA y Claude Code: La Cruda Verdad
Todas las guias de LinkedIn hacen que el prospecting con IA suene facil. Scrapea una lista, enriquecela, manda emails. 1.000 leads en 10 minutos.
Acabo de montar un pipeline de prospecting con IA desde cero. 23 portfolios de aceleradoras en Italia y Espana. 163 startups. El objetivo: encontrar founders de startups recien financiadas y conseguir sus emails.
Esto es lo que paso de verdad.
El pipeline
El proceso suena simple sobre el papel:
- Scrapear paginas de portfolio de aceleradoras para obtener nombres de startups y webs
- Verificar que cada startup es real, esta activa y fue fundada recientemente
- Encontrar el nombre del founder
- Encontrar el email del founder
- Importar al CRM
Cinco pasos. Deberia llevar una tarde, no?
Llevo una tarde. Pero no por las razones que esperarias.
Paso 1: Scraping — nada funciona igual dos veces
Ataque 23 webs de aceleradoras. Ni un solo metodo de scraping funciono en todas.
Algunas tenian HTML limpio con datos estructurados. Precioso. Parseas y sigues.
Algunas cargaban todo con JavaScript. Sin HTML que parsear. Tuve que levantar un navegador headless.
Algunas bloqueaban cualquier scraper que les lanzaba. Tuve que recurrir a resultados de buscadores.
Algunas tenian APIs de busqueda internas que podia consultar directamente — mas rapido y fiable que scrapear el frontend.
La leccion: si montas un pipeline de scraping que apunta a mas de 3 fuentes, necesitas multiples metodos. Un solo scraper no va a funcionar. Las guias que te muestran una llamada requests.get() estan haciendo la demo en webs cooperativas.
Paso 2: Verificacion — donde muere el 40% de tus leads
Este es el paso del que nadie habla.
Tenia 163 startups scrapeadas. Antes de hacer nada mas, lance tres comprobaciones:
Ano de fundacion. Una aceleradora tenia 62 startups listadas. Comprobe sus fechas de fundacion. Todas habian sido fundadas antes de 2023. La pagina del portfolio era historica — mostraba empresas desde 2010, no solo cohortes recientes. Las 62 eliminadas de un filtro.
Web activa. 10 webs devolvian errores. Links rotos, dominios expirados, fallos DNS. Pero ojo — 4 de esas en realidad estaban vivas. Habian hecho rebranding. Tutored paso a ser Joinrs. Big Profiles paso a ser ElaiAgent. Una URL muerta no siempre significa una empresa muerta. Las pille con una busqueda secundaria. Sin esa comprobacion, habria tirado 4 buenos leads.
Encaje con ICP. Algunas startups eran biotech, hardware, o en mercados que no atiendo. Filtro rapido por industria y descripcion.
De 163 a 88 leads verificados. Tasa de supervivencia del 46%. Mas de la mitad de lo scrapeado era inutilizable.
Paso 3: Encontrar founders — mas facil de lo que piensas
Una vez que tenia empresas verificadas con webs funcionando, encontrar al founder fue sencillo:
- Scrapear paginas
/abouty/team - Buscar datos estructurados (JSON-LD) con schemas de persona
- Recurrir a busqueda si la web no lista el equipo
Tasa de exito: el 72% de las startups verificadas tenia un founder localizable. El resto estaban en modo stealth o tenian cero informacion de equipo online.
Una cosa que aprendi: busca siempre por dominio, no por nombre de empresa. Los nombres de empresa genericos matchean con las organizaciones equivocadas. “Flow” devuelve 50 empresas. flow.xyz devuelve una.
Paso 4: Enriquecimiento de email — los numeros honestos
Aqui es donde la mayoria de guias se ponen creativas con sus metricas.
Use dos servicios de enriquecimiento en cascada — el primario primero, el de respaldo para los que fallo.
- Primario: 49% de tasa de exito. Encontro el email de mas o menos la mitad.
- Respaldo: 32% de tasa de exito sobre los restantes.
- Combinado: aproximadamente el 45% de los founders consiguieron un email.
Eso significa que mas de la mitad de tus leads verificados no tendran un email localizable. Eso no es un bug del tooling. Es la realidad del enriquecimiento de email B2B en 2026.
Las guias que muestran tasas de enriquecimiento del 80-90% estan apuntando a empresas conocidas con grandes huellas digitales o estan contando direcciones genericas tipo info@. Para founders de startups early-stage? 45% es lo que hay.
Paso 5: Importacion al CRM — el ultimo 10% que te roba el 30% del tiempo
Pensarias que importar un CSV a tu CRM es la parte facil. No lo es.
- La importacion no actualiza las asignaciones de lista en registros existentes. Tuve que reimportar.
- 7 registros de una importacion de prueba anterior eran ahora duplicados con datos basura. Tuve que renombrarlos manualmente para limpiarlos.
- La API del CRM habia tenido un breaking change esa misma semana. Campos que eran integers pasaron a ser strings. Los limites de paginacion cambiaron.
Nada de esto es dramatico. Pero se acumula. La “ultima milla” del prospecting siempre es mas sucia que el pipeline en si. Escribi sobre el proceso completo de limpieza de CRM en un post anterior — misma energia.
Los numeros reales
Este es el funnel que nadie te ensena:
| Fase | Cantidad | % del Total |
|---|---|---|
| Scrapeados | 163 | 100% |
| Verificados (activos + recientes + encaje ICP) | 88 | 54% |
| Founder encontrado | 116 | 71% |
| Email encontrado | 52 | 32% |
| Importados al CRM | 52 | 32% |
De 163 a 52 leads utilizables. Eso es una tasa de conversion del 32% de scraping a prospecto accionable.
Merece la pena?
Sin duda. Y te explico por que.
Este pipeline entero — scraping, verificacion, enriquecimiento, importacion al CRM — llevo una tarde. No una semana. No un mes. Una tarde.
Hacer esto manualmente significaria visitar 23 webs, hacer clic en paginas de portfolio, googlear cada startup, comprobar LinkedIn, buscar emails. Dos semanas de trabajo tedioso, como minimo.
El pipeline con IA comprimio dos semanas en cuatro horas. Detecto 4 rebrandings que yo habria pasado por alto. Elimino el portfolio entero de una aceleradora (62 startups) en segundos. Enriquecio e importo automaticamente.
Pero la version de LinkedIn de esta historia seria: “Genere 163 leads en una tarde con IA!”
La version honesta: genere 52 leads utilizables. Los otros 111 estaban muertos, eran antiguos o inalcanzables. Y eso es un buen resultado.
Que haria diferente
Empieza con menos fuentes. 23 aceleradoras era ambicioso. Empieza con 5. Valida el pipeline. Escala despues.
Reserva mas tiempo para la verificacion. El scraping es el 20% del trabajo. La verificacion es el 50%. El enriquecimiento y la importacion se reparten el resto. Todas las guias sobrevaloran el scraping e infravaloran todo lo que viene despues.
Acepta el gap de email. La mitad de tus leads no tendran emails localizables. Planifica outreach por LinkedIn, intros en caliente u otros canales para esos. No quemes creditos probando cinco servicios de enriquecimiento con la misma persona.
El respaldo de busqueda que detecto 4 rebrandings? Era Brave Search API corriendo dentro de Claude Code. Mas sobre ese setup en el review de Tool Friday.
La conclusion
El prospecting con IA es rapido. No es magia.
Las herramientas son genuinamente buenas. La compresion de semanas a horas es real. Pero la tasa de conversion de “scrapeado” a “listo para enviar email” es mas baja de lo que nadie en LinkedIn quiere admitir.
163 de entrada. 52 de salida. Una tarde. Aun asi, cada minuto valio la pena.
Build in Public — cada lunes, lo que estoy construyendo de verdad y lo que paso realmente.
Scraping prospecting: encuentra startups [sector] fundadas despues de 2022 en [ciudad]. Output: nombre, fundador, funding, web
claude -p "Find [industry] startups in [city] founded after 2022"