Cómo construir un sistema de prospección saliente completo con Lovable

La automatización de la prospección saliente es el proceso de usar software para descubrir clientes potenciales, cualificarlos, generar un contacto personalizado y enviar correos de seguimiento, todo con un esfuerzo manual mínimo. En vez de enlazar cinco o seis herramientas SaaS, ahora puedes construir un motor de prospección entero tú mismo usando plataformas de vibe-coding como Lovable, conectadas a APIs como Firecrawl, Hunter y Gmail.

Este artículo desglosa exactamente cómo construí un sistema de prospección saliente que funciona en menos de dos semanas. Uno que ya ha descubierto más de 600 empresas, enviado 135 correos personalizados y programado más de 200 seguimientos automáticamente.

Cómo funciona el sistema: flujo de principio a fin

El sistema de prospección sigue un pipeline de siete etapas. Cada etapa es visible en la interfaz, editable por una persona, e impulsada por el razonamiento de un LLM entre bambalinas.

Etapa 1: ejecución de descubrimiento

Todo empieza con una ejecución de descubrimiento. Defines el sector objetivo (p. ej. asesorías contables), el país (p. ej. el Reino Unido) y un tamaño de lote. El sistema genera entonces búsquedas inteligentes, desglosándolas por las principales ciudades de ese país, así que para el Reino Unido buscará en Birmingham, Glasgow, Londres, Mánchester, etc.

Esas búsquedas se envían a Firecrawl, que convierte webs en vivo en datos estructurados y listos para un LLM. El sistema filtra el ruido como portales de empleo, páginas de proveedores de software y sitios de reclutamiento, y devuelve solo webs de empresas reales.

Etapa 2: aprobación con una persona en el circuito

La IA no es perfecta, y el sistema está diseñado en torno a ese hecho. Tras el descubrimiento, recibes una lista de empresas propuestas para revisar. Las páginas de directorio, los artículos tipo «Top 10 de asesorías en Birmingham» y otros resultados irrelevantes se pueden eliminar rápido.

Es una decisión de diseño deliberada. En vez de automatizar del todo y cruzar los dedos, la interfaz hace lo más rápido posible que una persona revise, apruebe o rechace cada resultado. Meter esa capa de intervención en el producto desde el principio te evita mandar un contacto embarazoso a los objetivos equivocados.

Etapa 3: análisis de la web y detección de señales de compra

Una vez aprobadas las empresas, el sistema rastrea cada web y la evalúa frente a señales de compra predefinidas. Estas señales son totalmente configurables. En mi caso, me centré en:

• Diseño web anticuado: maquetaciones de plantilla, estética genérica, falta de optimización móvil
• Señales de contratación activa: secciones de empleo que indican crecimiento, lo que sugiere que hay presupuesto disponible
• Diferenciación de marca débil: imágenes de banco, paletas neutras, sin una identidad visual clara

Cada señal tiene su propio prompt de detección con criterios de evidencia específicos. Por ejemplo, la señal de web anticuada le indica al modelo que busque «patrones de maquetación que resulten de plantilla o genéricos» y que excluya sitios que sean «modernos, rápidos, mobile-first y con aspecto de app».

Las señales detectadas se guardan por empresa y luego se pasan al paso de generación de correos para que cada mensaje sea específico.

Etapa 4: enriquecimiento de contactos

Los dominios de las empresas aprobadas se envían a Hunter.io, que devuelve direcciones de correo verificadas junto con los nombres y cargos de los contactos. El sistema asocia estos contactos de vuelta a cada registro de empresa para que todo quede conectado.

Etapa 5: generación de correos personalizados

Aquí es donde el sistema se gana su valor. Un modelo de razonamiento (en este caso, la API de OpenAI) toma todo el siguiente contexto para generar cada correo:

• El contenido de la web de la empresa
• Las señales de compra detectadas con su evidencia
• El nombre y el cargo del contacto
• Tu oferta de servicio y tu posicionamiento
• Reglas específicas por idioma (p. ej. convenciones de tratamiento formal para destinatarios en español o alemán)

El resultado es un correo en frío personalizado que menciona algo real de la web del cliente potencial. No una plantilla genérica, sino una observación concreta, como notar que el sitio se apoya mucho en imágenes de banco y una paleta neutra, y sugerir cómo un diseño centrado y guiado por la marca y una jerarquía tipográfica clara reflejarían mejor la experiencia de la firma.

Etapa 6: revisar, editar y enviar

Cada correo generado se puede revisar, editar a mano o regenerar antes de enviarlo. Puedes cambiar el asunto, ajustar el cuerpo del texto, o aprobar un lote entero cuando el tono te convenza.

Los correos se envían directamente a través de Gmail, desde tu propia dirección, lo que significa que llegan a bandejas de entrada reales en vez de pasar por un servicio de envío de terceros que podría activar los filtros de spam.

Etapa 7: secuencias de seguimiento automatizadas

El sistema programa varios correos de seguimiento automáticamente. Cada seguimiento se espacia (p. ej. tres días, luego una semana, luego otra semana) y es lo bastante listo como para saltarse los fines de semana. Si un seguimiento fuera a caer en sábado, se empuja al lunes.

La secuencia de seguimiento está diseñada para escalar con suavidad:

1. 01Primer seguimiento: un recordatorio breve que hace referencia al mensaje original
2. 02Segundo seguimiento: añade algo más de detalle o un ángulo algo distinto sobre la propuesta de valor
3. 03Seguimiento final: un mensaje educado de cierre que le pone fácil al destinatario decir que no

Cada seguimiento se genera con todo el contexto de los correos anteriores, manteniendo el hilo coherente.

El stack tecnológico detrás

Todo el sistema funciona sobre un stack ligero, orquestado a través de Lovable:

Una de las decisiones de arquitectura más importantes fue hacer que cada prompt fuera editable directamente desde la interfaz. En vez de tener que volver al código cada vez que quieres ajustar cómo se escriben los correos o cómo se detectan las señales, hay un panel de ajustes de prompts dedicado donde puedes modificar las instrucciones, ver qué variables se están inyectando y probar los cambios al momento.

Por qué construirlo tú mismo en vez de comprar SaaS

El stack de prospección típico (una combinación de herramientas como Apollo, Lemlist, Clay, Instantly y un CRM) puede costar fácilmente cientos de euros al mes, y aún así quedas atado a los supuestos de cada herramienta sobre cómo debería funcionar la prospección.

Construir tu propio sistema es atractivo por tres razones:

• Coste. Las llamadas a las APIs de Firecrawl, Hunter y OpenAI juntas cuestan una fracción de lo que costaría un stack SaaS. Para un profesional en solitario o una agencia pequeña, el ahorro es significativo.
• Control. Tú defines el flujo. Si quieres añadir una nueva señal de compra, cambiar la cadencia de seguimiento o ajustar el tono de los correos para un mercado concreto, simplemente lo haces. Sin peticiones de funciones, sin esperar a la hoja de ruta de un proveedor.
• Aprendizaje. El proceso de construir el sistema te enseña sobre prospección cosas que usar herramientas prefabricadas nunca te enseñaría. Entiendes exactamente por qué ciertos correos rinden mejor, porque tú escribiste los prompts que los generan.

Lecciones de construir con Lovable

Construir algo real con una herramienta de vibe-coding no es lo mismo que construir una demo. Un par de cosas quedaron claras durante el proceso.

La velocidad es de verdad notable. Pasar de la idea a un producto funcionando y desplegado en menos de dos semanas no es una exageración. Lovable se encarga de la interfaz, Supabase del backend, y tú puedes centrarte por completo en la lógica y el flujo.

Tienes que imponer estructura. La tendencia por defecto de Lovable es apilar lógica nueva sobre la existente. Si no eres disciplinado refactorizando, abstrayendo variables y manteniendo una separación de responsabilidades limpia, el código se vuelve difícil de depurar. En algún momento tienes que dejar de hacer vibe-coding y empezar a hacer ingeniería.

La visibilidad lo es todo. La decisión más valiosa que tomé fue obligar al sistema a mostrarme exactamente qué estaba haciendo en cada paso: los prompts que generaba, las búsquedas que ejecutaba, los datos que pasaba entre etapas. Sin esa transparencia, depurar flujos guiados por IA es casi imposible.

Una persona en el circuito es innegociable. Para cualquier sistema de prospección, necesitas a una persona revisando el resultado antes de que llegue a los clientes potenciales. El sistema está diseñado para que esa revisión sea lo más rápida e indolora posible, pero nunca debería saltarse del todo.

Preguntas frecuentes

Preguntas sobre construir un sistema de prospección

Q.¿Cuánto se tarda en construir un sistema de prospección con Lovable?

El sistema central (descubrimiento, rastreo, detección de señales, generación de correos y envío) llevó menos de dos semanas construirlo. Eso incluye la interfaz, el esquema de base de datos, la ingeniería de prompts y las integraciones con APIs. El refinamiento continuo de prompts y casos límite es constante, pero el producto funcional estuvo en marcha muy rápido.

Q.¿Puede Lovable con flujos complejos de varios pasos?

Sí, pero tienes que ser deliberado con la arquitectura. Lovable es excelente construyendo las piezas individuales (formularios, llamadas a APIs, escrituras en base de datos) y conectándolas. Donde necesita más guía es en mantener abstracciones limpias a medida que el sistema crece. Trátalo como un colaborador muy rápido al que tienes que dirigir, no como una herramienta que tomará las decisiones de arquitectura por ti.

Q.¿Cuánto cuesta operar un sistema de prospección así?

El coste de operación es casi por completo uso de APIs. Firecrawl, Hunter y OpenAI cobran por petición, pero para un volumen de prospección de unos pocos cientos de empresas y correos al mes, el total suele estar bastante por debajo de 50 €. Compáralo con un stack SaaS que podría costar de 300 € a 500 € al mes por una funcionalidad equivalente.

Q.¿Cómo se evita que los correos suenen genéricos o generados por IA?

Aquí ayudan tres cosas. Primera, cada correo se apoya en datos reales de la web del cliente potencial: señales detectadas, observaciones concretas, contenido real. Segunda, los prompts incluyen instrucciones deliberadas para variar el tono, evitar clichés e incluso introducir pequeñas imperfecciones para sonar humano. Tercera, cada correo pasa por un paso de revisión humana antes de enviarse.

Q.¿Este enfoque es solo para agencias de diseño web?

No. El sistema está construido en torno a señales y prompts configurables, así que se puede adaptar a cualquier sector u oferta. Si vendes software de contabilidad, definirías señales de compra distintas (p. ej. procesos manuales, herramientas anticuadas mencionadas en el sitio) y ajustarías los prompts de los correos en consecuencia. La arquitectura es la misma sea cual sea el vertical.

Q.¿Qué son las señales de compra y por qué importan en la prospección?

Las señales de compra son indicadores observables de que una empresa podría estar lista para comprar un producto o servicio concreto. En este sistema, se detectan automáticamente analizando la web del cliente potencial. Por ejemplo, un diseño anticuado sugiere que la empresa podría estar abierta a un rediseño web. Apoyar tu contacto en señales reales hace que los correos sean relevantes en vez de genéricos, lo que mejora bastante las tasas de respuesta.