AI Prospecting: Ho Automatizzato la Ricerca Lead e Ecco la Verita su Cold Email e AI

Ogni guida su LinkedIn fa sembrare l’AI prospecting una passeggiata. Scrapi una lista, arricchisci i dati, mandi email. 1.000 lead in 10 minuti.

Ho appena costruito una pipeline di AI prospecting completa da zero. 23 portfolio di acceleratori tra Italia e Spagna. 163 startup. L’obiettivo: trovare i founder di startup recentemente finanziate e ottenere i loro indirizzi email.

Ecco cosa e’ successo davvero.

La pipeline

Il processo sembra semplice sulla carta:

Scrapare le pagine portfolio degli acceleratori per nomi e siti web delle startup
Verificare che ogni startup sia reale, attiva e fondata di recente
Trovare il nome del founder
Trovare l’email del founder
Importare nel CRM

Cinque passaggi. Dovrebbe bastare un pomeriggio, no?

Un pomeriggio e’ bastato. Ma non per i motivi che ti aspetti.

Step 1: Scraping — niente funziona allo stesso modo

Ho colpito 23 siti di acceleratori. Nessun metodo di scraping funzionava su tutti.

Alcuni avevano HTML pulito con dati strutturati. Bellissimo. Parsi e vai avanti.

Alcuni caricavano tutto con JavaScript. Nessun HTML da parsare. Ho dovuto lanciare un headless browser.

Alcuni bloccavano ogni scraper che ci provavo. Ho dovuto ripiegare sui risultati dei motori di ricerca.

Alcuni avevano API di ricerca interne che potevo interrogare direttamente — piu’ veloci e affidabili dello scraping del frontend.

La lezione: se stai costruendo una pipeline di scraping che punta a piu’ di 3 fonti, ti servono metodi multipli. Uno scraper non basta. Le guide che ti mostrano una chiamata requests.get() stanno facendo la demo su siti cooperativi.

Step 2: Verifica — dove il 40% dei tuoi lead muore

Questo e’ lo step di cui nessuno parla.

Avevo 163 startup scrapate. Prima di fare qualsiasi altra cosa, ho eseguito tre controlli:

Anno di fondazione. Un acceleratore aveva 62 startup elencate. Ho controllato le date di fondazione. Ogni singola startup era stata fondata prima del 2023. La pagina del portfolio era storica — mostrava aziende dal 2010 in poi, non solo le cohort recenti. Tutte le 62 rimosse con un filtro.

Siti attivi. 10 siti web restituivano errori. Link morti, domini scaduti, errori DNS. Ma ecco il punto — 4 di quelli erano in realta’ attivi. Avevano fatto rebrand. Tutored era diventata Joinrs. Big Profiles era diventata ElaiAgent. Un URL morto non significa sempre un’azienda morta. Li ho recuperati con una ricerca secondaria. Senza quel check, avrei buttato via 4 lead buoni.

Fit con l’ICP. Alcune startup erano biotech, hardware, o in mercati che non servo. Filtro rapido basato su settore e descrizione.

Da 163 a 88 lead verificati. Tasso di sopravvivenza del 46%. Piu’ della meta’ di quello che avevo scrapato era inutilizzabile.

Step 3: Trovare i founder — piu’ facile del previsto

Una volta ottenute le aziende verificate con siti funzionanti, trovare il founder era abbastanza diretto:

Scrapare le pagine /about e /team
Cercare dati strutturati (JSON-LD) con schema Person
Ripiegare sulla ricerca se il sito non elenca il team

Hit rate: il 72% delle startup verificate aveva un founder trovabile. Il resto era in stealth-mode o senza informazioni sul team online.

Una cosa che ho imparato: cerca sempre per dominio, non per nome dell’azienda. Nomi generici matchano le organizzazioni sbagliate. “Flow” restituisce 50 aziende. flow.xyz ne restituisce una.

Step 4: Email enrichment — i numeri onesti

Qui e’ dove la maggior parte delle guide diventa creativa con le metriche.

Ho usato due servizi di enrichment in cascata — servizio primario prima, fallback per quelli che mancava.

Primario: 49% di hit rate. Trovata l’email per circa la meta’.
Fallback: 32% di hit rate sui rimanenti.
Combinato: circa il 45% dei founder ha ottenuto un’email.

Significa che piu’ della meta’ dei tuoi lead verificati non avra’ un’email trovabile. Non e’ un bug degli strumenti. E’ la realta’ del B2B email enrichment nel 2026.

Le guide che mostrano tassi di enrichment dell’80-90% stanno puntando ad aziende note con grande presenza digitale o stanno contando indirizzi generici tipo info@. Per founder di startup early-stage? Il 45% e’ quello che ottieni.

Step 5: Import nel CRM — l’ultimo 10% che ti ruba il 30% del tempo

Penseresti che importare un CSV nel CRM sia la parte facile. Non lo e’.

L’import non aggiorna le assegnazioni alle liste sui record esistenti. Ho dovuto reimportare.
7 record da un test import precedente erano ora duplicati con dati spazzatura. Ho dovuto rinominarli manualmente per la pulizia.
L’API del CRM aveva una breaking change la stessa settimana. Campi che erano interi sono diventati stringhe. I limiti di paginazione sono cambiati.

Niente di drammatico. Ma si accumula. L‘“ultimo miglio” del prospecting e’ sempre piu’ caotico della pipeline stessa. Ho scritto del processo completo di pulizia CRM in un post precedente — stessa energia.

I numeri reali

Ecco il funnel che nessuno ti mostra:

Fase	Conteggio	% del Totale
Scrapati	163	100%
Verificati (attivi + recenti + fit ICP)	88	54%
Founder trovato	116	71%
Email trovata	52	32%
Importati nel CRM	52	32%

Da 163 a 52 lead utilizzabili. Tasso di conversione del 32% da scraping a prospect azionabile.

Ne vale la pena?

Assolutamente. Ecco perche’.

L’intera pipeline — scraping, verifica, enrichment, import nel CRM — ha richiesto un pomeriggio. Non una settimana. Non un mese. Un pomeriggio.

Farlo manualmente avrebbe significato visitare 23 siti web, cliccare tra pagine portfolio, googlare ogni startup, controllare LinkedIn, cercare email. Due settimane di lavoro alienante, minimo.

La pipeline AI ha compresso due settimane in quattro ore. Ha intercettato 4 rebrand che avrei perso. Ha eliminato l’intero portfolio di un acceleratore (62 startup) in secondi. Ha arricchito e importato automaticamente.

Ma la versione LinkedIn di questa storia sarebbe: “Ho generato 163 lead in un pomeriggio con l’AI!”

La versione onesta: ho generato 52 lead utilizzabili. Gli altri 111 erano morti, vecchi o irraggiungibili. Ed e’ un buon risultato.

Cosa farei diversamente

Partire con meno fonti. 23 acceleratori era ambizioso. Parti con 5. Valida la pipeline. Scala dopo.

Preventivare piu’ tempo per la verifica. Lo scraping e’ il 20% del lavoro. La verifica e’ il 50%. Enrichment e import si dividono il resto. Ogni guida sovrastima lo scraping e sottostima tutto il resto.

Accettare il gap sulle email. Meta’ dei tuoi lead non avra’ email trovabili. Pianifica per LinkedIn outreach, intro calde, o altri canali per quelli. Non bruciare crediti provando cinque servizi di enrichment sulla stessa persona.

Il fallback di ricerca che ha intercettato 4 rebrand? Era Brave Search API in esecuzione dentro Claude Code. Piu’ dettagli su quel setup nella review Tool Friday.

Il punto chiave

L’AI prospecting e’ veloce. Non e’ magia.

Gli strumenti sono genuinamente buoni. La compressione da settimane a ore e’ reale. Ma il tasso di conversione da “scrapato” a “pronto per l’email” e’ piu’ basso di quanto chiunque su LinkedIn voglia ammettere.

163 dentro. 52 fuori. Un pomeriggio. Ne e’ valsa ogni minuto.

Build in Public — ogni lunedi’, cosa sto costruendo davvero e cosa e’ successo davvero.

AI Prospecting con Claude Code: La Dura Verita