Todos los fundadores que conozco han comprado, en algún momento, una lista de diez mil contactos “verificados” y han visto cómo la tasa de respuesta se quedaba cerca de cero. Yo hice exactamente lo mismo al principio de mi carrera, y me dejó una lección rápida: una montaña de correos no es un pipeline. Lo que de verdad mueve oportunidades es saber qué empresas merecen conversación y por qué; y ese problema es muy distinto de simplemente recolectar nombres de internet.
Suele venderse el web scraping como un atajo para “conseguir 10.000 leads antes del viernes”, pero las herramientas que realmente funcionan en 2026 están pensadas para algo más útil: encontrar cuentas reales, respaldadas por evidencia real, justo en el momento en que muestran una señal de compra. En Thunderbit he dedicado mucho tiempo a pensar cómo la gente extrae datos para ventas, y los equipos que obtienen los mejores resultados no son los que más filas scrapean, sino los que extraen las filas correctas, con contexto incluido.
¿Qué significa realmente encontrar leads B2B con web scraping?
Cuando la mayoría oye “scrapear leads”, imagina una herramienta que aspira una página de directorio y devuelve un CSV con nombres, cargos y correos. Eso no es generación de leads: es recolección de contactos, y por eso tantos equipos de ventas terminan con listas que rebotan muchísimo y convierten todavía peor.
Un registro de lead de verdad necesita más que un nombre. Debe incluir la identidad de la cuenta (nombre de la empresa y dominio canónico), evidencia de que esa empresa encaja con tu perfil de cliente ideal, una señal con fecha que explique por qué ahora es buen momento para contactar, una forma permitida de comunicación, un registro del origen de los datos y un estado que puedas revisar más adelante. Suena complejo, pero se resume en una secuencia sencilla: partir de una fuente pública y permitida, confirmar la identidad de la empresa, recopilar evidencia de encaje, anotar el evento desencadenante, encontrar la vía mínima de contacto, validarla, eliminar duplicados y luego enviarlo al CRM. Si te saltas un paso, acabas con lo que todo el mundo ya detesta: una hoja de cálculo de desconocidos.
Por qué esto importa más que nunca
La IA ha hecho que empezar a scrapear sea facilísimo, pero también que sea facilísimo hacerlo mal a gran escala. Hace unos años, crear un scraper significaba contratar a un desarrollador o pelearte un fin de semana con selectores XPath. Ahora cualquiera puede apuntar un AI scraper a una página y obtener datos estructurados en minutos. Eso es fantástico para la productividad, pero también significa que más equipos comerciales están volcando datos sin cualificar y sin verificar en sus CRM a una velocidad nunca vista, y limpiar ese caos después cuesta mucho más que hacerlo bien desde el principio.
Al mismo tiempo, la normativa no se ha relajado solo porque las herramientas sean más inteligentes. La Information Commissioner’s Office del Reino Unido ha dejado claro que los datos de contacto empresariales disponibles públicamente todavía pueden estar sujetos al UK GDPR, y que las objeciones al marketing directo deben respetarse incluso en un contexto B2B. En EE. UU., la guía de la FTC sobre CAN-SPAM tampoco hace una excepción para el email B2B: todo mensaje comercial sigue necesitando encabezados correctos, una opción de baja funcional y bajas respetadas en un plazo de 10 días laborables. Nada de esto es trivia legal exótica; es el marco básico con el que trabajas, lo sepas o no.
Antes de empezar: lee el contexto y los términos de uso
Voy a ser directo: no todos los sitios son terreno libre, por muy bueno que sea tu scraper. Los términos de Google Maps prohíben explícitamente exportar o hacer scraping masivo del contenido de Maps. El Acuerdo de usuario de LinkedIn prohíbe de forma tajante el scraping y la automatización no autorizada. Los términos actuales de Clutch también prohíben el scraping manual o automatizado. No son cláusulas escondidas: son lo primero que deberías revisar antes de apuntar cualquier herramienta a un sitio, y he escrito más sobre esto específicamente en torno al scraping de LinkedIn porque surge constantemente.
Vale la pena entender robots.txt, pero no debe tomarse como una luz verde legal. Según la propia especificación del IETF, es una instrucción para rastreo, no un sistema de permisos ni un mecanismo de control de acceso. Un sitio puede permitir el rastreo en robots.txt y aun así prohibir el scraping en sus términos de servicio; en una disputa, normalmente ganan los términos. Mi regla práctica: si un sitio exige inicio de sesión para ver los datos, tiene un CAPTCHA delante o dice explícitamente “no scraping” en cualquier parte de sus términos, es una fuente que debes evitar, no un acertijo que resolver.
Las fuentes públicas que suelen ser más seguras y útiles para investigación B2B incluyen sitios web de empresas, registros gubernamentales, directorios de expositores y partners con permiso, páginas de empleo y salas de prensa. Las APIs de EDGAR de la SEC, por ejemplo, ofrecen archivos JSON públicos y datos XBRL gratis, sin necesidad de API key; solo hay que mantener las solicitudes automatizadas en 10 por segundo o menos, según la propia guía de rate limit de la SEC.
El pipeline completo: del scraping bruto a leads listos para el CRM
Esta es la secuencia que realmente recomendaría, y se parece menos a “scrapear” y más a un pequeño proceso de investigación con un scraper en el centro.
Primero, elige una fuente pública permitida y extrae solo campos a nivel de organización: nombre de la empresa, dominio, URL de origen, categoría, ubicación y la señal que te llevó a mirarla en primer lugar (una oferta de empleo, un comunicado, un listado de evento). Segundo, para las cuentas que parezcan prometedoras, entra en su sitio web real y confirma qué hacen, dónde están ubicadas y qué vía pública de contacto existe. Tercero, valida y enriquece solo las cuentas que ya superaron tu filtro de cualificación; no malgastes créditos de enriquecimiento en empresas que aún no has revisado. Cuarto, elimina duplicados frente a los datos que ya tienes en tu CRM antes de importar nada. Quinto, súbelo con un campo de estado para que tu equipo de ventas sepa qué ya fue revisado y qué todavía necesita atención.
Esta última parte importa más de lo que parece. Yo sugeriría etiquetar cada registro con algo como candidate_account, qualified_account, contact_ready, needs_review o rejected. Parece excesivo hasta que tu equipo SDR pregunta: “espera, ¿alguien comprobó de verdad si esta empresa encaja con nuestro ICP?” y tienes una respuesta en lugar de un encogimiento de hombros.
Dónde encontrar cuentas B2B con señales de alta intención
Las mejores señales no están escondidas; simplemente están repartidas entre fuentes que la mayoría de los equipos no revisa de forma sistemática. Las páginas de empleo de las empresas te dicen a quién están contratando y para qué, lo que funciona bastante bien como indicador de en qué están invirtiendo. Las salas de prensa y páginas de noticias te hablan de financiación, expansión y lanzamientos de producto. Las páginas de partners y de expositores (cuando el scraping está permitido) muestran quién está activo en un ecosistema concreto. Los registros públicos, especialmente en empresas grandes, revelan salud financiera y prioridades estratégicas de una manera que una publicación de LinkedIn nunca mostrará.
Ninguna de estas señales, por sí sola, prueba intención de compra: una oferta para “VP of Sales” no significa que la empresa esté lista para comprar tu producto mañana. Pero combinadas entre sí y comparadas con tus criterios de ICP, filtran muchísimo mejor que una lista estática comprada hace seis meses en un marketplace de leads y ya obsoleta en un 20%.
Por qué el scraping impulsado por IA cambia las reglas
Aquí es donde todo se vuelve realmente distinto al scraping que yo hacía hace cinco o seis años. El scraping clásico exigía escribir selectores para cada diseño de página, y en cuanto un sitio rediseñaba su HTML, tu scraper dejaba de funcionar. Las herramientas de scraping con IA leen una página más como lo haría una persona: entienden por contexto “esto es el nombre de la empresa, esto es la ubicación, esto es un cargo”, en lugar de depender de rutas CSS frágiles.
Ese cambio es la razón por la que una herramienta como Thunderbit puede mirar una página de listados y, con AI Suggest Fields, proponer automáticamente las columnas correctas en lugar de obligarte a mapear cada campo a mano. También puedes escribir en lenguaje natural lo que quieres —“dame nombre de empresa, web, sector y ubicación”— y la IA se encarga de extraerlo. He hablado con equipos que antes perdían medio día por sitio montando una configuración de scraper; ahora son un par de clics y una revisión. No es porque las reglas de cumplimiento hayan cambiado —no lo han hecho—, sino porque la barrera técnica para hacerlo bien ha bajado muchísimo. Para profundizar en cómo se ve este cambio en el ecosistema más amplio del AI scraping, te recomiendo nuestra explicación sobre AI web scraping y cómo se compara con el enfoque tradicional basado en reglas.
El problema de las subpáginas (por qué las páginas de listado se quedan a medias)
Hay algo que atrapa a casi todo el mundo al empezar: la página de listado nunca cuenta toda la historia. Un directorio puede darte el nombre de la empresa y un enlace, pero la evidencia que realmente necesitas —qué hace la empresa, dónde tiene su sede, a qué sector sirve— suele estar un clic más adentro, en su página de detalle o en su propio sitio web.
He visto equipos extraer cientos de filas de un directorio y luego darse cuenta de que la mitad de los “leads” no tienen justo el campo que importaba para cualificarlos. Por eso el scraping de subpáginas existe como categoría de función y no como un simple “nice to have”. Un buen scraper debería poder visitar la página de listado, tomar el enlace a la página de detalle de cada empresa y luego seguirlo automáticamente para extraer los campos más profundos antes de combinar todo en una sola fila limpia. Si te saltas este paso, estás cualificando leads solo con el nombre de una empresa y una suposición.
Paso a paso: cómo encontrar leads B2B con Thunderbit
Te lo voy a explicar tal y como lo haría yo, sentado frente a un directorio objetivo y con una taza de café.
Paso 1: instala Thunderbit y abre tu directorio objetivo
Instala la extensión de Chrome de Thunderbit y navega a una fuente pública permitida: un listado de expositores, un directorio sectorial, una bolsa de empleo, lo que encaje con tu ICP. Confirma que los términos del sitio permiten este tipo de uso antes de seguir; este paso lleva dos minutos y te ahorra problemas después.
Paso 2: haz clic en “AI Suggest Fields”
En vez de ir haciendo clic manualmente por la página para definir columnas, deja que la IA analice la estructura y proponga campos como nombre de empresa, web, ubicación y categoría. Puedes editarlos o añadir los tuyos usando lenguaje natural; algo como “extrae el sector al que sirve esta empresa” funciona perfectamente como instrucción de campo.
Paso 3: ejecuta el scraping
Inicia la extracción y deja que corra sobre la página de listado y, si el directorio abarca varias páginas, también sobre la paginación. Esto es la extracción “en bruto”: solo identificadores a nivel de empresa, nada que consideres todavía un contacto privado.
Paso 4: enriquece con scraping de subpáginas
Para las filas que parezcan prometedoras, usa el scraping de subpáginas para seguir el enlace de cada empresa hacia su propio sitio o página de detalle, extrayendo campos más profundos como qué hacen, dónde están y qué vía pública de contacto aparece. Este es el paso que convierte una simple fila de directorio en un registro de cuenta realmente cualificado.
Paso 5: valida y limpia
Antes de que nada toque tu CRM, revisa una muestra manualmente. Confirma que los dominios resuelven bien, que la razón de cualificación realmente se sostiene y marca cualquier ambigüedad como needs_review en lugar de adivinar. Aquí también usarías un servicio como Hunter para validar emails si has identificado una vía pública de contacto legítima; solo recuerda que una dirección de correo “válida” no equivale a consentimiento para hacer marketing a esa persona.
Paso 6: exporta y sincroniza con el CRM
Thunderbit exporta gratis a formatos como CSV, Excel, Google Sheets, Airtable y Notion. Antes de importar a HubSpot o Salesforce, normaliza el dominio de la empresa como clave principal; la propia guía de importación de HubSpot recomienda usar el dominio para empresas y el email para contactos, y las reglas de duplicados de Salesforce pueden bloquear o marcar tu importación sin avisar si te saltas este paso. Un lote de prueba pequeño de 20-30 filas antes de la importación completa me ha salvado de limpiezas bastante más dolorosas más de una vez.
Consejos y errores comunes
Algunas cosas que le diría hoy a cualquiera que empiece con este proceso. No tomes un cargo o puesto extraído de un scraper como prueba de intención de compra; es una pista, no una luz verde. No des por hecho que un campo extraído por IA es correcto automáticamente; revisa una muestra antes de escalar cualquier flujo. Mantén los contactos con nombre y los correos directos en una parte separada y más cuidadosamente gobernada de tu conjunto de datos que la investigación a nivel de empresa, porque en B2B los datos personales no quedan exentos automáticamente de las normas de privacidad. Y no permitas que “la herramienta técnicamente puede hacerlo” se convierta en tu política de cumplimiento; revisa siempre los términos de la fuente, no solo la primera vez.
Web scraping frente a comprar una base de leads
Ambos enfoques tienen su lugar, y fingir que uno es universalmente mejor sería un poco deshonesto.
| Factor | Web scraping (fuentes permitidas) | Comprar una base de leads |
|---|---|---|
| Frescura | Tan actual como tu último scraping | A menudo queda obsoleta en semanas |
| Calidad de la señal | Alta: tú controlas el desencadenante y el contexto | Baja: normalmente solo datos firmográficos estáticos |
| Amplitud de cobertura | Más limitada, depende de la fuente | Más amplia y estandarizada |
| Modelo de coste | Principalmente tu tiempo + suscripción a la herramienta | Coste recurrente por registro o por usuario |
| Riesgo de cumplimiento | Gestionable si eliges bien fuentes y campos | Depende mucho de las prácticas de obtención del proveedor |
| Ideal para | Outreach segmentado y guiado por señales | Mapeo amplio del mercado, estimación inicial de TAM |
Mi opinión honesta: scrapea cuando necesites contexto y timing —por ejemplo, la lista de expositores de un evento concreto, la página de un producto recién lanzado por un competidor o una empresa que acaba de publicar tres vacantes de ventas—. Compra o usa proveedores de enriquecimiento como Apollo cuando necesites cobertura amplia y estandarizada, y estés dispuesto a validar tú mismo la frescura. No son opciones excluyentes; muchos equipos scrapean para captar señales y luego enriquecen las cuentas cualificadas, en lugar de elegir un solo camino para siempre.
Un caso realista
Supón que vendes software de gestión de flotas y quieres encontrar empresas logísticas en crecimiento. Scrappear un registro público de transportistas de un departamento estatal de transporte o un directorio de miembros de una asociación del sector te da nombres de empresas, ubicaciones y categorías de tamaño de flota: todo público, todo permitido. Luego entras en el sitio de cada empresa para confirmar que opera activamente y obtener su línea general de contacto. Eso quizá te deja 200 cuentas cualificadas en lugar de 5.000 nombres sin verificar, pero cada una de ellas merece el tiempo de un SDR, que es el objetivo real.
El scraping para leads B2B funciona mejor cuando dejas de tratarlo como creación de listas y empiezas a verlo como investigación con mejores herramientas. He visto equipos de ventas sacar más pipeline de 150 cuentas bien cualificadas que de 10.000 contactos comprados, simplemente porque el outreach era relevante en lugar de genérico. Si estás evaluando dónde encaja el scraping con IA dentro de tu movimiento comercial, merece la pena leer también cómo la IA está remodelando la generación de leads y cómo los equipos de ventas la usan en el día a día; ambos temas profundizan en los flujos de trabajo más allá del simple paso de scraping.
Construir este tipo de pipeline requiere algo más de preparación que descargar una lista de contactos, sí. Pero las cuentas que acabas consiguiendo de verdad quieren saber de ti, y eso —y lo digo habiendo enviado bastantes correos en frío al vacío a lo largo de los años— bien vale esos treinta minutos extra de configuración.
Preguntas frecuentes
¿Es legal extraer datos de empresas B2B de la web? Depende completamente de la fuente. Los sitios web públicos de empresas, los registros gubernamentales y los directorios que lo permiten explícitamente suelen poder scrapearse para fines de investigación. Sitios como LinkedIn y Google Maps prohíben explícitamente el scraping en sus términos, independientemente de lo que sea técnicamente posible. Revisa siempre los términos de uso del sitio antes de scrapear y trata robots.txt como una instrucción de rastreo, no como permiso legal.
¿Cuál es la diferencia entre un “lead” y un “contacto” en este contexto? Un contacto es solo un nombre y una forma de llegar a esa persona. Un lead, bien trabajado, es un registro de empresa respaldado por evidencia de que encaja con tu perfil de cliente ideal, más una señal con fecha que explica por qué estás contactando ahora. Scrappear contactos masivos sin ese contexto es la razón por la que tantas campañas de outbound rinden por debajo de lo esperado.
¿Pueden las herramientas de scraping con IA garantizar que los datos son exactos? No, y cualquier herramienta que afirme eso debería levantar sospechas. La extracción con IA es muy buena estructurando páginas caóticas, pero aún puede interpretar mal campos ambiguos. Revisar una muestra antes de escalar cualquier scraping es un hábito que vale la pena mantener, uses la herramienta que uses.
¿Debería scrapear los emails directamente o usar una herramienta de enriquecimiento después? Las herramientas de enriquecimiento suelen ser más fiables para encontrar y verificar emails de contactos concretos que intentar extraerlos directamente de las páginas, y normalmente documentan mejor el estado de verificación. Mi recomendación es primero scrapear para cualificar a nivel de empresa y luego enriquecer solo las cuentas que ya cumplieron tus criterios de encaje; es más eficiente y reduce tu exposición en materia de cumplimiento.
¿Cómo evito importar leads duplicados en mi CRM? Normaliza el dominio de la empresa como identificador principal antes de importar, no el nombre de la empresa: los nombres tienen demasiadas variaciones como para deduplicar bien. Tanto HubSpot como Salesforce tienen documentación sobre cómo funcionan sus reglas de coincidencia, y hacer un lote pequeño de prueba antes de una importación completa te ayudará a detectar la mayoría de los problemas antes de que se conviertan en un desastre en tu pipeline.
