Cómo clasificar miles de empresas por ICP con IA sin que se dispare el costo
Pedirle a un modelo que razona que decida fila por fila si una empresa es ICP sale caro y es difícil de sostener. Qué modelo usaría, qué datos darle antes, qué tipo de preguntas hacerle, cómo poner el umbral y cómo validar que clasifica bien.
Para clasificar miles de empresas por ICP con IA, no usaría un modelo que razona fila por fila. Funciona mejor un modelo de clasificación que recibe los datos ya enriquecidos y devuelve probabilidades en un JSON: casi no genera texto, así que es barato, responde casi al instante y te deja poner un umbral. Con ese umbral decidís qué entra a la campaña, qué se descarta y qué va a revisión de una persona.
Respuesta rápida
- El output es lo caro. Un modelo que devuelve probabilidades en un JSON casi no gasta en salida.
- No navega la web. Solo clasifica lo que le mandás, así que el enriquecimiento va antes.
- Tres tipos de pregunta: sí o no con probabilidad, elección entre opciones y score numérico.
- El umbral lo ponés vos, en una columna aparte: arriba entra, abajo se descarta o va a revisión.
- Se valida contra lo que ya tenías y contra casos que sabés que tienen que quedar afuera.
Por qué no usar un modelo de razonamiento para clasificar cada fila?
Porque es caro y difícil de sostener cuando corrés miles de filas. En un modelo tradicional, lo que más cuesta de cada respuesta suele ser el output, y un modelo que razona genera mucho. Para decisiones como estas, un modelo que devuelve un JSON estructurado con probabilidades da un resultado bastante bueno, y como el output casi no cuesta, aunque le mandes bastante contexto de input, una tanda de pruebas con varias columnas sale mínima.
Nosotros pasamos a ese tipo de modelo las decisiones que antes delegábamos en un modelo de razonamiento dentro de las tablas de enriquecimiento.
Qué decisiones se le pueden delegar?
Las que se repiten en cada lista:
- La vertical de la empresa.
- Si la empresa es ICP o no.
- El mapeo del cargo de la persona a los roles que te interesan. Cómo armar ese filtro antes está en filtro de cargos en outbound B2B.
- Clasificaciones más custom, como distinguir si un negocio es e-commerce, mayorista o de servicios en listas muy grandes, que en un LLM común salen caras.
Qué datos hay que darle?
Todo lo que necesita para decidir, porque no va a buscar nada por su cuenta. Primero pensaría qué decisiones querés tomar y después enriquecería lo necesario para alimentarlas: la descripción de la empresa, el cargo, los campos que ya tengas. La clasificación es tan buena como ese enriquecimiento previo.
En qué orden enriquecer una lista lo cuento en enriquecimiento de datos B2B.
Qué tipo de preguntas le hago?
Tres, y en una sola petición se pueden hacer varias a la vez:
| Tipo | Qué devuelve | Ejemplo |
|---|---|---|
| Sí o no | Una probabilidad de 0 a 1 | Qué tan seguro está de que la empresa sea ICP |
| Elección | La opción con más confianza | E-commerce, mayorista o servicios |
| Score | Un número de 0 a 5 o de 0 a 10 | Qué tan cerca está el cargo del buyer persona |
Las probabilidades y los scores no se leen a ojo. Se interpretan con una fórmula en una columna aparte, con un umbral tuyo: por encima se toma como ICP, por debajo se descarta o se manda a revisar. El umbral es lo que ajustás cuando ves que entran o se pierden empresas.
Cómo sé si la clasificación está bien?
Con tres pruebas que haría antes de confiar en ella:
- Compararla con la clasificación que ya tenías. Pedile al agente que mida en qué porcentaje coinciden las dos columnas.
- Buscar casos que tienen que quedar afuera. Por ejemplo, agencias de reclutamiento cuando no son ICP, y verificar que el modelo nuevo las detecte.
- Correrlo sobre una lista donde todos deberían dar positivo. Si descarta muchos, las instrucciones están mal.
Después se itera sobre las instrucciones como con cualquier prompt. Qué reglas le daría a la IA cuando escribe mensajes, que es otro trabajo, está en prompts para mensajes de outbound con IA.
Qué hago con las empresas que quedaron afuera?
Las volvería a analizar. Como el costo por fila es tan bajo, reprocesar los leads no elegibles de una tabla tiene sentido. Los filtros por keywords suelen ser muy rigurosos y dejan afuera gente que sí era ICP. Reprocesándolos, o rescatás esos leads, o entendés qué filtro agregar o qué criterio ajustar para no perderlos la próxima vez. En un ICP de nicho, donde cada empresa cuenta, esto pesa más; lo cuento en cómo armar una lista de prospectos cuando tu ICP es un nicho.
Cómo lo mantengo cuando tengo muchas tablas o muchos clientes?
Armando las llamadas a la IA como funciones y no como templates. Si la clave de API vive en una sola función, cambiarla una vez la actualiza en todas las tablas que la usan, y no reconfigurás cliente por cliente.
Para escribir la petición usamos un agente de código con las instrucciones de la herramienta: primero analiza la campaña y ve qué datos ya se enriquecieron, y después escribe la request con el contexto del cliente. Si ya tenés prompts que funcionan en un modelo de razonamiento, no arrancás de cero: le pedís al agente que los reacomode para el modelo de clasificación.
Preguntas frecuentes
Esto reemplaza a una persona revisando la lista?
No del todo. El umbral manda a revisión lo que queda en el medio, y ahí decide una persona. La IA debería consultar solo cuando de verdad no está segura, para que quien revisa no pierda tiempo confirmando lo obvio.
Sirve para clasificar personas además de empresas?
Sí, para mapear cargos. Lo que no puede es adivinar un atributo interno de la empresa que no figura en ningún dato que le mandes.
Cuánto me ahorro frente a un modelo que razona?
Depende del volumen y del proveedor, así que no te voy a dar un número. Lo que vimos es que una tanda de pruebas con varias columnas cuesta muy poco y responde casi al instante.
Cómo lo hacemos en ZalesMachine
Clasificamos vertical, ICP y cargo con un modelo que devuelve probabilidades, sobre una base propia de 1,4M de leads y 970K empresas, con umbrales por campaña y revisión humana en los casos dudosos. Con ese sistema agendamos +3.000 reuniones en 2025 para más de 50 empresas.
Si querés que miremos cómo estás calificando hoy tus listas, te dejo mi calendario.