HubSpot necesita un mínimo de 50 contactos (25 convertidos y 25 no convertidos) para generar un score con IA: "a minimum sample size of 50 contacts, containing 25 converted and 25 non-converted, is required to generate a score" (knowledge.hubspot.com, página actualizada el 2026-09-02, consultada el 2026-09-18). Salesforce Einstein pide mucho más: 1,000 leads creados en los últimos 200 días y al menos 120 convertidos a cuenta y contacto (help.salesforce.com, consultado el 2026-09-18).
Si tu CRM no llega a esos números, el lead scoring con IA te da un número que ni el proveedor puede explicar del todo y que tu equipo va a dejar de usar en semanas. Activarlo antes significa entrenar un modelo sobre ruido, o caer en uno genérico armado con datos de empresas que no son la tuya.
¿En qué se diferencia el lead scoring con IA del scoring por reglas?
El lead scoring con IA es un modelo estadístico que estima la probabilidad de cierre de cada contacto a partir de las conversiones que tu CRM ya registró. Aprende qué combinaciones de señales coincidieron con un cierre en el pasado y proyecta esa probabilidad sobre los contactos nuevos.
El scoring por reglas asigna puntos fijos por acción (abrir un correo vale +5, visitar la página de precios +10, agendar una demo +25) y alguien los ajusta a mano cuando algo no cuadra.
| Scoring por reglas | Scoring con IA | |
|---|---|---|
| Quién define el peso | una persona, en una tabla | el modelo, sobre tu historial |
| Qué produce | una suma de puntos | una probabilidad de cierre |
| Se puede explicar | sí, campo por campo | solo en parte |
| Requisito para arrancar | ninguno | el mínimo de datos del proveedor |
HubSpot entrega un valor de 0 a 100 que es un porcentaje: un contacto con 22 tiene 22% de probabilidad de cerrar como cliente en los próximos 90 días (knowledge.hubspot.com, actualizada el 2026-01-11, consultada el 2026-09-18). Salesforce recalcula sus modelos cada 10 días, o cuando el administrador cambia la configuración del scoring (help.salesforce.com, consultado el 2026-09-18).
La IA generativa que escribe el correo de seguimiento es otra capacidad del mismo CRM: una redacta texto y la otra predice un número. La demo casi siempre muestra la primera y da por hecho que entendiste la segunda.
¿Cuánto historial necesitas antes de prenderlo?
HubSpot y Salesforce ponen un mínimo explícito, y son muy distintos entre sí. HubSpot exige 50 contactos con al menos 25 convertidos y 25 no convertidos, sobre el histórico acumulado. Salesforce Einstein necesita 1,000 leads creados en los últimos 200 días y 120 convertidos dentro de esa ventana; si no se cumple, "Einstein uses a global model" que corre con "anonymous data from many Salesforce customers" (help.salesforce.com, consultado el 2026-09-18).
Esa diferencia entre histórico acumulado y ventana móvil es la que decide casi todos los casos reales.
La regla de decisión: si tu operación no llega al mínimo del proveedor que usas, no actives el scoring predictivo todavía. Un scoring por reglas con 4-6 criterios explícitos que ventas ayudó a definir va a rendir más que un modelo entrenado con poco dato, y mucho más que el modelo global que Salesforce te asigna por default.
Supuesto de trabajo para los tres escenarios de abajo: una conversión de lead a cierre de 6.8%. Sustitúyelo por el tuyo, porque decide si cruzas el umbral.
| Escenario | Leads en 200 días | Conversiones (6.8%) | ¿Cumple HubSpot (50/25/25)? | ¿Cumple Salesforce (1,000/120)? |
|---|---|---|---|---|
| PyME B2B, 40 leads/mes | 263 | 18 | Sí, si el histórico acumulado ya suma 25 y 25 | No, por ambas cifras |
| 200 leads/mes | 1,316 | 89 | Sí | No, por conversiones |
| 300 leads/mes | 1,974 | 134 | Sí | Sí |
Toma el primer caso: una PyME B2B mexicana de industria o manufactura, con ciclo de venta largo. En 200 días (6.6 meses) esa operación genera unos 263 leads (40 × 6.58) y, al 6.8%, unos 18 cierres. Contra los 1,000 leads y 120 conversiones de Salesforce, queda a un orden de magnitud.
Con HubSpot la historia es distinta pero no mejor. Si su histórico total, sin limitarse a los últimos 200 días, acumula 25 conversiones y 25 no conversiones, sí puede prender el score. Pero activarlo apenas cruzando ese piso da un modelo poco sólido, porque solo alcanza el mínimo que HubSpot documenta como piso.
Y hay un detalle que conviene mirar antes de aceptar el modelo global de Salesforce: la documentación no publica qué empresas, industrias o geografías componen esos "many Salesforce customers". No sabes si el promedio contra el que te están puntuando se parece en algo a tu mercado.
¿Por qué el score se vuelve una caja negra?
HubSpot lo dice en su propia documentación: "HubSpot uses blackbox machine learning to provide predictions. With blackbox machine learning, the input and outputs of the model are known, but it is unknown how the input is transformed into the output". Y añade la consecuencia directa: "it's not possible to know exactly how each input contributes to a contact's score" (knowledge.hubspot.com, consultada el 2026-09-18).
Salesforce sí muestra los factores positivos y negativos de cada score, pero con una excepción que importa: "sometimes, a lead's score is due to a combination of several fields with only slight positive or negative effects (…). In this case, Einstein doesn't display top positives or top negatives for the lead" (help.salesforce.com, consultado el 2026-09-18). Justo en los casos ambiguos, los únicos donde el vendedor necesitaba la explicación, la pantalla se queda en blanco.
La consecuencia operativa es previsible: si un vendedor no puede explicarle a su gerente por qué un lead tiene 82 y otro 40, deja de usar el número y vuelve a priorizar por intuición, que es lo que el scoring venía a reemplazar.
Sesgo de las fuentes: las dos explicaciones de arriba vienen de la documentación del propio fabricante, que vende el tier donde vive esta función. Ninguno de los dos modelos tiene una auditoría independiente pública que diga cuánto pesa cada variable, así que lo que sabemos del mecanismo es lo que el vendor decidió documentar. Dónde poner la frontera entre lo que la IA decide sola en un registro y lo que necesita ojo humano está desglosado campo por campo en qué puede decidir sola la IA en tu CRM y qué no.
¿Cuánto cuesta activar lead scoring con IA en 2026?
El scoring predictivo no se vende suelto: vive dentro del tier más caro. HubSpot reserva los scores de contacto creados con IA a Marketing Hub Enterprise, que arranca en $3,600 USD al mes con 10,000 contactos de marketing incluidos, más una incorporación obligatoria de $7,000 USD por única vez (hubspot.es/pricing/marketing, consultado el 2026-09-18).
En pesos, con el tipo de cambio FIX de Banxico en $17.1872 MXN por dólar el 2026-09-17 (banxico.org.mx, consultado el 2026-09-18): alrededor de $61,900 MXN al mes de licencia y unos $120,300 MXN de arranque, ambos antes de IVA.
Además de la licencia, hay que pagar el tiempo de limpiar el CRM antes de prender el modelo: contactos duplicados, deals sin etapa consistente o leads que nunca se marcaron como perdidos entrenan al modelo sobre información contaminada. En HubSpot eso se ve rápido en dos propiedades: lifecyclestage y hs_lead_status. Si media base está en "Lead" desde hace dos años porque nadie la movió, el modelo aprende esa inconsistencia como si fuera un patrón del negocio.
Por eso, si el ciclo de vida de tus contactos no está etapificado de forma consistente, no automatices el scoring todavía. Primero se limpia el dato; después se entrena el modelo sobre él.
Eso vale igual si lo que quieres no es un score predictivo de cierre, sino un score de actividad o momentum. Antes de diseñar la fórmula, audita cómo se usa el CRM de verdad y qué campos existen con dato confiable. Si media base vive en notas sueltas, WhatsApp o un sheet paralelo, cualquier momentum score va a puntuar ruido. El orden no cambia: auditoría de uso y de dato, luego reglas, luego —si aplica— el modelo.
¿Cómo se ve un scoring que el equipo sí usa, contra uno que ignora?
La diferencia está en si alguien en ventas puede explicar el score en una frase.
| Scoring que se usa | Scoring que se ignora | |
|---|---|---|
| Quién definió los campos | ventas, desde el diseño | marketing, solo |
| Qué pasa cuando un score 90 no cierra | alguien revisa por qué el modelo falló | nadie se entera |
| Cada cuándo se revisa | al cambiar segmento, precio o ciclo | nunca desde la implementación |
| Qué se dice en el pipeline review | "¿por qué bajó este score?" | "¿en qué etapa está?" |
La última fila delata todo lo demás. Un score que no se menciona en la revisión semanal es un dato decorativo, y un lead con 90 puede llevar tres meses sin respuesta sin que nadie lo note. Y si el score alto contradice el criterio del vendedor —la cuenta no es fit, el timing es malo, el comité ya dijo que no— hace falta un override explícito en el registro, no un acuerdo informal de "ignóralo". Sin ese botón, el equipo aprende a desconfiar del número entero. La rutina que corrige eso está en pipeline review: una hora no cambia nada.
Hay un caso peor: que el equipo sí discuta el score pero no se ponga de acuerdo en qué cuenta como lead trabajable. Ahí el problema es la definición, y se resuelve antes, en cómo acordar la definición de SQL con quien te prospecta, porque ningún score arregla un desacuerdo sobre qué se está puntuando.
Si diseñas un scoring por reglas (o de momentum), ¿cómo no romperlo?
Cuando el predictivo todavía no toca, el scoring por reglas es lo que el equipo sí puede explicar. Ahí el riesgo no es la caja negra: es una fórmula que se ve seria y opera mal.
Prioriza señales por accionabilidad, no por categoría del evento. "Abrió un correo", "visitó precios" o "hubo un cambio de cargo" suenan a taxonomía limpia; lo que importa es el tier operativo: actuar ya, importante, o el resto. Si el modelo o la tabla de puntos no separan eso, el score mezcla urgencia con curiosidad y el vendedor no sabe qué abrir primero.
Suma señales por cuenta, pero con tope duro. Varias señales legítimas se acumulan; el output se tapa —en la práctica, en 100— y hace falta una capa de validación que rechace scores imposibles. Sin ese techo, un contacto hiperactivo en contenido pero sin fit comercial aparece como prioridad máxima y nadie confía en el número.
Empieza con decay uniforme por fecha de la señal. Una señal de hace tres meses no pesa igual que una de esta semana. El MVP es un decay simple; las excepciones ("esta señal no decae porque…") se inventan cuando el caso especial es una fracción mínima del dataset y solo complican el mantenimiento.
Evita cliffs. Un decay por saltos de tier que borra la mitad del score de un golpe es demasiado agresivo: la cuenta "muere" de la noche a la mañana ante el vendedor aunque la señal solo haya cruzado un umbral arbitrario. Preferible una curva continua o escalones suaves que el equipo pueda anticipar.
Deja un override humano explícito. Si el vendedor sabe que la cuenta no es fit pese a un score alto, debe poder anularlo —y revertir la anulación— sin pelear contra el sistema ni pedir un ticket a operaciones. Un score que no admite juicio humano vuelve a ser decorativo: la gente lo rodea con su propia lista mental.
¿Cuándo no conviene activar el lead scoring con IA?
No conviene cuando falta cualquiera de estas tres condiciones:
- Historial suficiente. Con menos de 25-50 conversiones cerradas en el CRM, cualquier modelo generaliza mal; con IA, además, lo hace sin decirte cómo llegó ahí.
- Un ciclo que produzca cierres a un ritmo razonable. Con un ciclo de 6-12 meses, el modelo tarda más de un año en ver suficientes desenlaces como para aprender algo.
- Participación de ventas en el diseño. Si nadie en el equipo puede describir en una frase qué mueve el score, el sistema no se va a usar aunque el modelo sea técnicamente bueno.
Tampoco conviene si vendes a comité, con varios contactos tomando parte de la misma decisión. Un score de contacto individual no captura eso: puede darle 85 al usuario final y 20 a quien firma el presupuesto, y ninguno de los dos números describe si la cuenta está lista para cerrar. Ahí hace falta un score de cuenta en vez de uno de lead, y esa capacidad rara vez viene en el mismo tier.
Activar el scoring predictivo sin esas condiciones le agrega a ventas un número más que aprender a ignorar, encima del resto del CRM que ya ignora. Es la misma señal que aparece en las cinco señales de que automatizaste demasiado: nadie puede explicar por qué el sistema hizo lo que hizo.
¿Qué hacer si tu equipo ya dejó de creer en el score?
Antes de apagarlo se audita, en tres pasos y en este orden.
- Saca las últimas 20-30 conversiones cerradas y revisa si el score alto coincidió con ellas o si el modelo estuvo priorizando contactos que nunca iban a cerrar. Esa revisión, hecha a mano sobre datos reales, dice más en una tarde que meses de quejas informales.
- Documenta en una página compartida (fuera de la cabeza de quien lo configuró) qué categorías de dato entran al modelo. Ni HubSpot ni Salesforce publican el peso exacto de cada variable, pero sí listan las categorías que consideran, y esa lista mínima ya sirve para que ventas entienda de dónde sale el número.
- Sienta a un representante de ventas en la próxima revisión del modelo, antes de recalibrar nada.
Decidir qué señal se convierte en una oportunidad real que vale la pena trabajar es la letra O del método IMPRO (Investiga, Mensajes que llegan, Personalizados, Respuestas, Oportunidades). Un score que nadie sabe explicar le quita al equipo comercial esa decisión y la devuelve a la intuición de cada vendedor, que era el problema original. El criterio general de qué tareas de ventas aguantan un modelo y cuáles no está en dónde la IA sí mueve revenue y dónde solo mueve la demo.
Si prefieres que alguien más monte y calibre esos criterios junto con tu equipo, Improvitz, consultoría de prospección B2B con IA en México, los arma como parte de su operación de agenda de citas con decisores. La sesión de exploración de 15 minutos en /diagnostico/ es el punto de partida.
