Lead qualification con AI: dal volume alla qualità

Il problema è universale: il marketing genera lead, il commerciale li lavora, ma la conversione è bassa perché la maggior parte dei contatti non è pronta ad acquistare, non ha budget sufficiente, o non corrisponde al profilo cliente ideale. Il risultato: il team commerciale brucia tempo e motivazione su lead che non chiuderanno mai.

La soluzione tradizionale è il lead scoring basato su regole: assegni punti per dimensione azienda, settore, azioni sul sito (download whitepaper = +10 punti, visita pagina pricing = +20 punti). Funziona, ma è rigido. Le regole diventano obsolete, i pesi sono arbitrari, e il sistema non impara dai risultati.

Come funziona il lead scoring con LLM

L'approccio che implemento usa un Large Language Model (GPT-4 o Claude) come motore di analisi. Il processo:

1. Raccolta dati arricchita. Quando un lead compila un form, il sistema raccoglie non solo i dati dichiarati ma anche informazioni contestuali: da quale pagina arriva, quanto tempo ha speso sul sito, quali contenuti ha letto, e dati pubblici sull'azienda (dimensione, settore, tecnologie usate) tramite API di arricchimento.

2. Analisi semantica del messaggio. Se il lead ha scritto un messaggio o risposto a domande di qualificazione, il LLM analizza il testo per estrarre: urgenza percepita, livello di consapevolezza del problema, indicatori di budget, fit con il servizio offerto. Questo è qualcosa che il lead scoring tradizionale non può fare.

3. Scoring multi-dimensionale. Invece di un singolo punteggio, il sistema produce un profilo: score di fit (quanto il lead corrisponde al cliente ideale), score di intent (quanto è vicino alla decisione d'acquisto), score di value (valore potenziale del progetto). Il commerciale riceve non un numero, ma un contesto.

4. Routing intelligente. In base al profilo, il lead viene instradato automaticamente: alto valore + alta urgenza → chiamata immediata del senior sales. Medio valore + bassa urgenza → sequenza email di nurturing. Basso fit → risposta automatica cortese con risorse utili.

Risultati misurati

Su un cliente B2B nel settore tech, abbiamo implementato questo sistema in 3 settimane. I risultati dopo 60 giorni di operatività:

Il tempo medio di risposta ai lead ad alta priorità è sceso da 4 ore a 12 minuti. Il tasso di conversione lead-to-meeting è passato dal 8% al 23%. Il team commerciale ha recuperato circa 15 ore/settimana precedentemente spese su lead non qualificati.

Il costo dell'infrastruttura AI? Circa 150€/mese tra API OpenAI e hosting delle funzioni serverless. Il ROI è stato positivo dalla seconda settimana.

Implementazione pratica

Non serve un team di data scientist. Lo stack che uso: form di contatto con campi di qualificazione strategici, webhook verso una funzione serverless (Node.js o Python), chiamata al LLM con prompt strutturato, output JSON che aggiorna il CRM (HubSpot, Pipedrive, o Salesforce) con score e note.

Il prompt è la parte cruciale. Deve includere: il profilo del cliente ideale, i criteri di qualificazione specifici del business, e istruzioni precise sul formato di output. Un prompt ben scritto vale più di qualsiasi fine-tuning del modello.

La parte più sottovalutata: il feedback loop. Ogni mese analizzo i lead che il sistema ha qualificato come 'alti' e verifico se hanno effettivamente convertito. Questo dato torna nel prompt come esempio, migliorando progressivamente l'accuratezza.