Construí un agente de prospección con IA usando Claude y Make.com. Esto es lo que aprendí.
Llevaba tiempo diciéndome que iba a construir un agente de IA para prospección. La idea era simple: darle una lista de prospectos, que investigara a cada uno, escribiera un email personalizado y lo enviara. Todo sin que yo tocara nada después de darle play.
Por fin lo hice. Usé Make.com y Claude en lugar de OpenAI, que es lo que la mayoría de los tutoriales usan por defecto. Quería ver si Claude manejaba mejor el outreach en español para mercados LATAM. Lo hace. Pero lo más útil que saqué de esto no fue el agente en sí. Fue entender cuándo tiene sentido construir algo así, y cuándo solo estás añadiendo complejidad a un problema que no la necesita.
La idea básica
Antes de entrar en cómo funciona, vale la pena entender qué es realmente un agente de prospección con IA, porque el término se usa de forma muy laxa.
No es magia. Es un flujo que conecta algunas herramientas: una hoja de cálculo con tu lista de prospectos, un modelo de IA que lee cada fila y escribe algo basado en ella, y una herramienta de email que envía el resultado. La IA hace dos cosas: investigar contexto y redactar el mensaje. Todo lo demás es plomería.
La razón por la que es útil no es que reemplace el buen outreach. Es que te permite hacer buen outreach a una escala que de otra forma tomaría horas de trabajo manual.
Cómo funciona el flujo
Cinco pasos. Google Sheets tiene la lista de prospectos. Claude lee cada fila, identifica el pain point probable y el contexto, y escribe un email personalizado basado en eso. Gmail lo envía. Luego Google Sheets actualiza el estado para que el mismo prospecto no reciba el email dos veces.
No necesitas saber programar para construir esto. Make.com maneja todas las conexiones. Lo que sí necesitas es entender qué le estás pidiendo a la IA en cada paso, porque ahí es donde la mayoría de estos proyectos se rompen.
Por qué Claude y no otras opciones
La mayoría de los tutoriales usan OpenAI por defecto. Probé los dos y noté algunas cosas que me hicieron quedarme con Claude para este caso específico.
El español es más natural. Corrí el mismo prompt en GPT y en Claude. Los emails de Claude tenían menos de esas frases que son técnicamente correctas pero que nadie escribe en un email de ventas real. El tono se sentía más cercano a cómo lo escribiría una persona.
Sigue las instrucciones con más consistencia. Cuando le dices "máximo 120 palabras, sin frases corporativas, termina con una pregunta", Claude lo cumple de forma más confiable. Con GPT tuve que añadir más guardrails para obtener el mismo resultado.
El costo es razonable. Usando Claude Haiku para el paso de análisis y Sonnet para la redacción, el costo por email queda entre uno y tres centavos. Para el volumen que maneja la mayoría de los equipos de ventas, no es un gasto relevante.
Las dos cosas que realmente determinan la calidad
Hay una tendencia cuando construyes estos flujos a enfocarte en las herramientas. Qué plataforma, qué modelo, qué integraciones. Pero en la práctica, dos cosas determinan si tu agente produce emails que alguien va a abrir o simplemente spam más rápido.
Los prompts. Aquí está el trabajo real. Usé dos prompts separados a propósito. El primero analiza al prospecto y devuelve contexto estructurado. El segundo toma ese contexto y escribe el email. Separar las tareas hizo una diferencia notable. Cuando intenté hacer los dos en un solo prompt, la calidad bajó. Claude estaba intentando hacer dos cosas a la vez y ninguna salía bien.
Los datos de personalización. La columna más importante en tu hoja de cálculo no es el nombre ni el cargo. Es ese detalle específico que sacas del LinkedIn del prospecto: un post reciente, un ascenso, un anuncio de la empresa. Sin eso, los emails parecen personalizados pero no se sienten así. Con eso, la primera línea suena como si realmente hubieras investigado a esa persona.
El desafío es que conseguir buenos datos de personalización a escala toma trabajo. Para tu primer lote de prospectos, hacerlo manualmente te enseña qué tipo de detalle produce mejores emails. Eso mejora tus prompts cuando eventualmente automatices también la recolección de datos.
Cuándo construirlo y cuándo no
Esta es la pregunta que la mayoría de las guías se saltan. No toda situación justifica un agente de prospección.
Lo más difícil de aceptar fue esto: el agente no descubre qué funciona. Escala lo que ya funciona. Si todavía estás experimentando con tu messaging, automatizarlo solo te da spam más rápido.
Tres cosas que no esperaba
La calidad no escala de forma lineal. El primer lote de emails que generó el agente era bueno. Cuando lo empujé a mayor volumen, la calidad promedio bajó. No porque Claude empeorara, sino porque la calidad de los datos de entrada variaba. La IA es tan buena como lo que le das.
El 80% del trabajo es preparar los datos. Configurar el flujo en Make.com tomó un par de horas. Limpiar la lista de prospectos, verificar emails, añadir datos de personalización tomó mucho más. Nadie habla de esta parte.
Usar Claude para revisar es más valioso que usarlo para escribir. Lo más útil de este proyecto no fue tener al agente escribiendo emails por mí. Me obligó a tener claridad sobre cómo se ve un buen email: qué datos necesito, qué tono funciona, cuál debe ser el CTA. Esa claridad vale más que la automatización en sí.
Si estás pensando en construir algo así
Envía 50 emails manualmente primero. Documenta cuáles obtienen respuesta. Encuentra el patrón. Luego automatiza ese patrón.
El agente no reemplaza tu criterio comercial. Lo multiplica. Pero solo puede multiplicar algo que ya existe.
¿Has construido flujos de automatización con IA para ventas? Me interesa saber qué herramientas estás usando y qué resultados estás viendo.
Autor: Carlos L. Chacón Almeida
Carlos L. Chacón Almeida es consultor de soluciones de IA con experiencia en ventas B2B y expansión internacional en América. Trabaja con empresas que están evaluando e implementando herramientas de ventas con IA en mercados de América Latina.
