Cómo construimos el pipeline que clasifica nuestros leads con IA
Detrás de escena del pipeline que clasifica cada lead inbound de nuestro sitio: arquitectura, defensa contra prompt injection, validación de output y por qué la IA no envía nada sola.
Todo formulario de contacto genera el mismo trabajo invisible: leer, evaluar el fit, decidir la respuesta y redactar el email. En nuestro sitio ese trabajo era del founder, competía con la entrega y la atención, y un lead caliente se enfría en horas. En mayo de 2026 automatizamos el flujo completo de la manera en que vendemos: una automatización con IA dentro de nuestro propio sitio.
Una llamada de LLM, no un agente
La primera decisión fue de alcance: esto no necesitaba ser un agente autónomo. El trabajo está bien definido (evaluar un formulario contra criterios conocidos), el input es estructurado y el output también. Una única llamada al modelo dentro del flujo de la API, con el prompt versionado en el repositorio, lo resuelve. Ajustar un criterio se convierte en editar un prompt, sin redeploy.
Arquitectura: del formulario a la respuesta lista
El flujo en producción:
- Formulario en 4 pasos con validación por etapa (Zod compartido entre front y back) y rate limit por IP.
- API: guarda el lead en la base de datos, confirma al lead al instante y dispara todo lo demás después de la respuesta HTTP.
- Clasificador: detecta el idioma del lead (portugués, inglés o español), calcula un score de fit de 0 a 10 con desglose en 5 criterios, marca señales verde, amarilla y roja y recomienda el siguiente paso.
- Borrador: la respuesta sale redactada en el idioma del lead, junto con la carta de discovery, lista para revisión.
El prompt injection es problema de quien recibe input público
Un formulario público que alimenta un LLM es superficie de ataque. Nuestra defensa tiene dos capas. En la entrada, todo el contenido del formulario llega al clasificador aislado en tags de datos externos: el prompt trata todo lo que está dentro como dato a analizar, nunca como instrucción a seguir. A la salida, la respuesta del modelo pasa por un schema Zod antes de tocar la base de datos: si el modelo devuelve algo fuera del contrato, el pipeline lo rechaza.
Fire-and-forget: la IA nunca tumba el formulario
La clasificación corre después de la respuesta HTTP. Si la API de IA está caída, si la integración con la planilla falla, si el webhook da timeout, el lead ya recibió la confirmación y el registro ya está en la base. El peor escenario degrada al flujo manual de antes, nunca a un lead perdido. Una automatización que agrega un punto de falla frente al cliente es un mal trade.
La IA no envía nada sola
Decisión de producto, no limitación técnica: el clasificador entrega score, señales y borrador, y se detiene ahí. El founder revisa y envía. El cálculo es el mismo que aplicamos a todo proyecto con IA de cara al cliente: revisar toma minutos, recuperar un lead que recibió una respuesta equivocada puede ser imposible. La ganancia de la automatización está en convertir horas de triaje y redacción en minutos de revisión, no en quitar al humano de la decisión.
Tres idiomas gratis
Un efecto secundario bienvenido: como el clasificador detecta el idioma y redacta la respuesta en él, el mismo pipeline atiende leads en portugués, inglés y español sin flujo separado. El costo de internacionalizar nuestro comercial inbound fue cero.
Qué haríamos diferente
Habríamos definido el schema de output del modelo desde el primer día. Las primeras versiones validaban poco y cada ajuste de prompt podía romper el parseo silenciosamente. Un contrato de output validado es lo que hace confiable a un LLM dentro de un flujo de producción.
El pipeline que usamos es el que vendemos
Este pipeline es un proyecto de Track 1 corriendo en producción en nuestro propio sitio. Los detalles, las decisiones técnicas y los resultados están en el case completo. Si tiene sentido automatizar el triaje de tu funnel, cuéntanos tu contexto.