Ogni founder che conosco, prima o poi, ha comprato una lista da diecimila contatti “verificati” e ha visto il tasso di risposta fermarsi più o meno a zero. È successo anche a me agli inizi della mia carriera, e mi ha insegnato in fretta una cosa: una massa di email non è una pipeline. Quello che fa davvero andare avanti le trattative è capire quali aziende vale la pena contattare e perché — ed è un problema molto diverso dal semplice raccogliere nomi su internet.
Il web scraping viene spesso presentato come una scorciatoia per “ottenere 10.000 lead entro venerdì”, ma gli strumenti che funzionano davvero nel 2026 sono pensati per qualcosa di molto più utile: individuare account reali, supportati da prove concrete, nel momento esatto in cui mostrano un segnale d’acquisto. In Thunderbit ho dedicato molto tempo a riflettere su come le persone estraggono dati per le vendite, e i team che ottengono i risultati migliori non sono quelli che raccolgono più righe — sono quelli che raccolgono le righe giuste, con il contesto attaccato.
Cosa significa davvero trovare lead B2B con il web scraping?
Quando sentono dire “scrapare lead”, la maggior parte delle persone immagina uno strumento che prende una pagina di elenco e restituisce un CSV con nomi, ruoli ed email. Ma questa non è generazione di lead — è raccolta di contatti, ed è il motivo per cui così tanti team sales finiscono con liste che rimbalzano tantissimo e convertono ancora peggio.
Un vero lead non si riduce a un nome. Servono l’identità dell’account (nome dell’azienda e dominio canonico), una prova che l’azienda corrisponda davvero al tuo profilo cliente ideale, un segnale con timestamp che spieghi perché il momento è giusto per contattarla, un modo consentito per entrare in comunicazione, una traccia della provenienza dei dati e uno stato che possa essere rivisto in seguito. Detto così sembra complicato, ma in pratica si tratta di una sequenza semplice: partire da una fonte pubblica e consentita, confermare l’identità dell’azienda, raccogliere le prove di fit, annotare il trigger, trovare il canale di contatto minimo, validarlo, deduplicarlo e poi inviarlo nel CRM. Saltare un passaggio significa ritrovarsi esattamente con ciò che tutti già detestano: un foglio di calcolo pieno di sconosciuti.
Perché oggi è più importante che mai
L’AI ha reso il scraping incredibilmente facile da avviare e altrettanto facile da sbagliare, su larga scala. Fino a qualche anno fa, costruire uno scraper significava assumere uno sviluppatore oppure passare un weekend a lottare con selettori XPath. Oggi chiunque può puntare uno scraper AI su una pagina e ottenere dati strutturati in pochi minuti. È fantastico per la produttività, ma significa anche che sempre più team sales stanno riversando nei CRM dati non qualificati e non verificati a una velocità mai vista, e ripulire tutto dopo richiede molto più tempo che fare le cose bene dall’inizio.
Allo stesso tempo, il quadro normativo non cambia solo perché gli strumenti diventano più intelligenti. L’Information Commissioner’s Office del Regno Unito ha chiarito che i dati di contatto aziendali pubblicamente disponibili possono comunque rientrare nel UK GDPR, e che le obiezioni al direct marketing vanno rispettate anche nel contesto B2B. Negli Stati Uniti, le linee guida della FTC sul CAN-SPAM non fanno eccezioni per le email B2B: ogni messaggio commerciale deve comunque avere intestazioni corrette, un opt-out funzionante e cancellazioni rispettate entro 10 giorni lavorativi. Nulla di tutto questo è una curiosità legale da addetti ai lavori; è la base su cui lavori, che tu lo sappia o no.
Prima di iniziare: leggi il contesto e i Termini di servizio
Lo dico chiaramente: non tutti i siti sono terreno libero, per quanto il tuo scraper sia bravo. I termini di Google Maps vietano esplicitamente l’esportazione o lo scraping massivo dei contenuti di Maps. L’User Agreement di LinkedIn vieta senza mezzi termini scraping e automazione non autorizzata. I termini attuali di Clutch vietano anche lo scraping manuale o automatico. Non sono clausole nascoste — sono le prime cose da controllare prima di puntare uno strumento su un sito, e ho scritto più a fondo proprio sullo scraping di LinkedIn, perché il tema ricorre continuamente.
Vale la pena capire robots.txt, ma non va trattato come un via libera legale. Secondo la specifica dell’IETF, è un’istruzione per i crawler, non un sistema di permessi né un meccanismo di controllo degli accessi. Un sito può consentire il crawl in robots.txt e vietare comunque lo scraping nei Termini di servizio — e in caso di disputa, di solito prevalgono i termini. La mia regola pratica: se un sito richiede il login per vedere i dati, mette un CAPTCHA davanti ai contenuti oppure dice esplicitamente “no scraping” nei propri termini, è una fonte da evitare, non un enigma da risolvere.
Le fonti pubbliche che tendono a essere più sicure e più utili per la ricerca B2B includono siti aziendali, documenti depositati presso enti governativi, directory di espositori e partner con autorizzazione, pagine carriere e newsroom. Le API EDGAR della SEC, per esempio, offrono gratuitamente filing pubblici in JSON e dati XBRL senza bisogno di una chiave API — basta restare entro o sotto 10 richieste al secondo, come indicato nelle linee guida SEC sui rate limit.
L’intero flusso: dal raw scrape a lead pronti per il CRM
Ecco il processo che consiglierei davvero, ed è meno un “fare scraping” e più un mini processo di ricerca con uno scraper al centro.
Per prima cosa, scegli una fonte pubblica consentita ed estrai solo i campi a livello azienda: nome dell’azienda, dominio, URL della fonte, categoria, località e qualunque segnale ti abbia portato lì in primo luogo (un annuncio di lavoro, un comunicato stampa, la lista di un evento). In secondo luogo, per gli account che sembrano promettenti, vai sul loro sito reale e conferma cosa fanno, dove hanno sede e quale canale di contatto pubblico esiste. Terzo, valida e arricchisci solo gli account che hanno già superato il tuo criterio di qualificazione — non sprecare crediti di enrichment su aziende che non hai ancora verificato. Quarto, deduplica rispetto ai dati già presenti nel CRM prima di importare qualsiasi cosa. Quinto, invia tutto con un campo di stato, così il team sales sa cosa è stato revisionato e cosa richiede ancora un controllo umano.
Quest’ultimo punto conta più di quanto la gente pensi. Ti suggerirei di etichettare ogni record con qualcosa come candidate_account, qualified_account, contact_ready, needs_review o rejected. Sembra eccessivo finché il tuo team SDR non chiede “aspetta, qualcuno ha davvero verificato che questa azienda rientri nel nostro ICP?” e tu hai una risposta invece di alzare le spalle.
Dove trovare account B2B ad alto segnale
I segnali migliori non sono nascosti — sono solo sparsi in fonti che la maggior parte dei team non controlla in modo sistematico. Le pagine carriere aziendali ti dicono chi sta assumendo e per cosa, il che è un buon indicatore di dove stanno investendo. Le newsroom e le pagine stampa parlano di finanziamenti, espansione e lanci di prodotto. Le pagine partner ed espositori (quando lo scraping è consentito) mostrano chi è attivo in un determinato ecosistema. I documenti pubblici, soprattutto per le aziende più grandi, rivelano salute finanziaria e priorità strategiche in un modo che un post su LinkedIn non mostrerà mai.
Nessuno di questi segnali, preso da solo, prova l’intenzione d’acquisto — un annuncio per un “VP of Sales” non significa che l’azienda sia pronta a comprare il tuo prodotto domani. Ma se li combini tra loro e li confronti con i criteri del tuo ICP, diventano un filtro molto migliore di una lista statica comprata su un marketplace di lead sei mesi fa, già vecchia del 20%.
Perché lo scraping potenziato dall’AI cambia le regole del gioco
Qui le cose diventano davvero diverse rispetto allo scraping che facevo cinque o sei anni fa. Lo scraping tradizionale significava scrivere selettori per ogni layout di pagina, e nel momento in cui un sito ridisegnava l’HTML, tutto si rompeva. Gli strumenti di scraping AI leggono una pagina più come farebbe una persona — capiscono in modo contestuale “questo è il nome dell’azienda, questa è la località, questo è il ruolo” invece di affidarsi a percorsi CSS fragili.
Questo cambiamento è il motivo per cui uno strumento come Thunderbit può guardare una pagina elenco e, con AI Suggest Fields, proporre automaticamente le colonne giuste invece di costringerti a mappare tutto a mano. Puoi anche semplicemente scrivere in inglese normale ciò che vuoi — “dammi nome azienda, sito web, settore e località” — e l’AI capisce come estrarlo. Ho parlato con team che prima passavano mezza giornata per sito a configurare uno scraper; oggi bastano un paio di clic e una revisione finale. Non è perché le regole di compliance siano cambiate — non lo sono — ma perché la barriera tecnica per fare bene questa attività si è abbassata enormemente. Per approfondire come questo cambiamento si inserisce nel panorama più ampio dell’AI scraping, ti rimando alla nostra analisi di AI web scraping e al confronto con l’approccio più vecchio basato su regole.
Il problema delle subpage (perché le sole listing page ti lasciano a metà)
Ecco qualcosa che mette in difficoltà quasi tutti all’inizio: la listing page non racconta mai tutta la storia. Una pagina directory può darti il nome di un’azienda e un link, ma le prove reali che ti servono — cosa fa l’azienda, dove ha sede, quale settore serve — di solito si trovano un clic più in profondità, sulla pagina di dettaglio dell’azienda o sul suo sito.
Ho visto team estrarre centinaia di righe da una directory e poi accorgersi che metà dei “lead” mancava proprio del campo che serviva davvero per la qualificazione. È esattamente il motivo per cui lo scraping delle subpage esiste come categoria di funzionalità, e non come semplice optional. Uno scraper ben fatto dovrebbe poter visitare la pagina elenco, prendere il link alla pagina dettaglio di ogni azienda e poi seguire automaticamente quel link per estrarre i campi più approfonditi, combinando tutto in una riga pulita. Saltare questo passaggio significa qualificare i lead basandosi sul nome di un’azienda e su un’ipotesi.
Passo dopo passo: trovare lead B2B con Thunderbit
Ti mostro il flusso come lo farei io davvero, seduto davanti a una directory target con una tazza di caffè.
Passo 1: installa Thunderbit e apri la directory target
Scarica la Thunderbit Chrome Extension e vai su una fonte pubblica consentita — una lista di espositori, una directory di settore, una bacheca carriere, quello che meglio si adatta al tuo ICP. Prima di andare oltre, verifica che i termini del sito permettano questo tipo di utilizzo; questo passaggio richiede due minuti e ti evita problemi dopo.
Passo 2: clicca su “AI Suggest Fields”
Invece di cliccare manualmente nella pagina per definire le colonne, lascia che l’AI analizzi la struttura della pagina e proponga campi come nome azienda, sito web, località e categoria. Puoi modificarli o aggiungerne di nuovi usando un linguaggio naturale — ad esempio “estrai il settore servito da questa azienda” funziona perfettamente come istruzione per un campo.
Passo 3: avvia lo scraping
Avvia l’estrazione e lasciala girare sulla pagina elenco (e sulla paginazione, se la directory si sviluppa su più pagine). Questo è il pull “grezzo” — solo identificativi a livello azienda, niente che considereresti ancora un contatto privato.
Passo 4: arricchisci con lo scraping delle subpage
Per le righe che sembrano promettenti, usa lo scraping delle subpage per seguire il link di ogni azienda verso il proprio sito o la propria pagina dettaglio, estraendo campi più profondi come cosa fa, dove ha sede e quale canale di contatto pubblico viene indicato. Questo è il passaggio che trasforma una semplice riga di directory in un vero record di account qualificato.
Passo 5: valida e ripulisci
Prima che qualcosa tocchi il tuo CRM, fai un controllo a campione. Verifica che i domini risolvano, conferma che il motivo della qualificazione stia davvero in piedi e marca tutto ciò che è ambiguo come needs_review invece di tirare a indovinare. È anche il momento in cui potresti verificare le email tramite un servizio come Hunter, se hai identificato un canale di contatto pubblico legittimo — ma ricorda che un indirizzo email “valido” non equivale al consenso a fare marketing verso quella persona.
Passo 6: esporta e invia al CRM
Thunderbit esporta gratuitamente in formati come CSV, Excel, Google Sheets, Airtable e Notion. Prima di importare in HubSpot o Salesforce, normalizza il dominio aziendale come chiave primaria — la documentazione di import di HubSpot raccomanda il dominio per le aziende e l’email per i contatti, e le regole di duplicazione di Salesforce possono bloccare o segnalare silenziosamente l’import se salti questo passaggio. Una piccola prova con 20-30 righe prima dell’import completo mi ha evitato più di una volta pulizie molto più complicate.
Consigli e errori comuni
Alcune cose che direi a chiunque inizi oggi questo processo. Non prendere un titolo di lavoro o un ruolo estratto dallo scraping come prova di intenzione d’acquisto — è un indizio, non un via libera. Non dare per scontato che un campo estratto dall’AI sia automaticamente corretto; fai sempre controlli a campione prima di scalare il workflow. Tieni i contatti nominativi e le email dirette in una parte separata e più rigorosamente governata del dataset rispetto alla ricerca a livello azienda, perché il B2B non esenta automaticamente i dati personali dalle regole sulla privacy. E non lasciare che “lo strumento tecnicamente può farlo” diventi la tua policy di compliance — verifica i termini della fonte ogni volta, non solo la prima.
Web scraping vs acquisto di un database lead
Entrambi gli approcci hanno il loro posto, e fingere che uno sia sempre migliore dell’altro sarebbe poco sincero.
| Fattore | Web scraping (fonti consentite) | Acquisto di un database lead |
|---|---|---|
| Freschezza | Aggiornato quanto il tuo ultimo scrape | Spesso obsoleto nel giro di poche settimane |
| Qualità del segnale | Alta — controlli tu il trigger e il contesto | Bassa — di solito solo dati firmografici statici |
| Ampiezza della copertura | Più limitata, dipende dalla fonte | Più ampia, standardizzata |
| Modello di costo | Soprattutto tempo tuo + abbonamento allo strumento | Costo ricorrente per record o per seat |
| Rischio di compliance | Gestibile se scegli con attenzione fonti e campi | Dipende molto dalle pratiche di sourcing del fornitore |
| Ideale per | Outbound mirato, guidato dai segnali | Mappatura di mercato ampia, stima iniziale del TAM |
La mia opinione sincera: fai scraping quando ti servono contesto e tempismo — la lista espositori di un evento specifico, la pagina di un nuovo prodotto lanciato da un competitor, un’azienda che ha appena pubblicato tre offerte commerciali. Compra o usa provider di enrichment come Apollo quando ti serve una copertura ampia e standardizzata e sei disposto a verificare da solo la freschezza dei dati. Le due cose non si escludono a vicenda; molti team fanno scraping per intercettare i segnali e poi arricchiscono gli account qualificati, invece di scegliere un solo approccio per sempre.
Un caso reale
Immagina di vendere software per la gestione delle flotte e di voler trovare aziende logistiche in crescita. Lo scraping di un registro pubblico dei vettori di un dipartimento statale dei trasporti o di una directory membri di un’associazione di settore ti fornisce nomi aziendali, località e categorie dimensionali della flotta — tutto pubblico, tutto consentito. Poi entri nelle subpage dei singoli siti per confermare che operano attivamente e recuperare il loro contatto generale. Forse ottieni 200 account qualificati invece di 5.000 nomi non verificati, ma ognuno di loro merita il tempo di un SDR, che è il vero obiettivo.
Lo scraping per i lead B2B funziona meglio quando smetti di considerarlo semplice costruzione di liste e inizi a vederlo come ricerca con strumenti migliori. Ho visto team sales generare più pipeline da 150 account ben qualificati che da 10.000 contatti acquistati, semplicemente perché l’outreach era pertinente invece che generico. Se stai cercando di capire dove si inserisce l’AI scraping nel tuo processo commerciale complessivo, vale la pena leggere come l’AI sta rimodellando la generazione di lead e come i team sales usano davvero l’AI ogni giorno — entrambi i contenuti vanno più a fondo nei flussi di lavoro, oltre il semplice passaggio di scraping.
Costruire questo tipo di pipeline richiede un po’ più di preparazione rispetto al semplice scaricare una lista di contatti, certo. Ma gli account che ottieni alla fine vogliono davvero sentirti, e — lo dico dopo aver mandato negli anni un sacco di cold email nel vuoto — questo vale ben più dei trenta minuti extra di configurazione.
FAQ
È legale fare scraping dei dati aziendali B2B dal web?
Dipende interamente dalla fonte. I siti aziendali pubblici, i documenti depositati presso enti governativi e le directory che lo consentono esplicitamente sono generalmente sicuri da scrapare per finalità di ricerca. Siti come LinkedIn e Google Maps vietano esplicitamente lo scraping nei loro termini, indipendentemente da ciò che è tecnicamente possibile. Controlla sempre i Termini di servizio prima di fare scraping e considera robots.txt come un’istruzione di crawling, non come un’autorizzazione legale.
Qual è la differenza tra un “lead” e un “contact” in questo contesto?
Un contatto è solo un nome con un modo per raggiungerlo. Un lead, fatto bene, è un record aziendale supportato da evidenze che mostrano la corrispondenza con il tuo profilo cliente ideale, più un segnale con timestamp che spiega perché lo stai contattando proprio ora. Raccogliere contatti in massa senza questo contesto è il motivo per cui tante campagne di cold outreach rendono poco.
Gli strumenti di scraping AI possono garantire che i dati siano accurati?
No, e qualsiasi strumento che prometta il contrario dovrebbe farti drizzare le antenne. L’estrazione AI è molto brava a strutturare pagine disordinate, ma può comunque interpretare male campi ambigui. Fare controlli a campione prima di scalare qualsiasi scraping è un’abitudine che vale la pena mantenere, indipendentemente dallo strumento usato.
Dovrei scrapare direttamente le email o usare poi uno strumento di enrichment?
Gli strumenti di enrichment tendono a essere più affidabili nel trovare e verificare email di contatti nominativi rispetto al provare a estrarle direttamente dalle pagine, e di solito documentano chiaramente lo stato di verifica. Il mio consiglio è di fare prima lo scraping per la qualificazione a livello azienda, poi arricchire solo gli account che hanno già superato i criteri di fit — è più efficiente e riduce l’esposizione sul piano della compliance.
Come faccio a evitare di importare lead duplicati nel CRM?
Normalizza il dominio aziendale come identificatore primario prima dell’import, non il nome dell’azienda — i nomi hanno troppe varianti per deduplicarli in modo affidabile. Sia HubSpot che Salesforce documentano il funzionamento delle proprie regole di matching, e fare una piccola prova preliminare prima di un import completo ti aiuterà a intercettare la maggior parte dei problemi prima che diventino un pasticcio nella pipeline.
