Un concesionario PYME recibe entre 40 y 80 leads al día. Si tu equipo comercial tiene tres personas, eso son 15-25 leads por persona, y suponiendo que cada conversación seria de calificación toma 8-12 minutos, no hay tiempo material para tratarlos todos con la misma profundidad. La intuición («este parece serio, este no») falla más de lo que acierta: en estudios sectoriales, los comerciales identifican correctamente leads de alta intención solo el 38% de las veces. El resto del tiempo, atienden a curiosos y descuidan a compradores reales.

El scoring de leads con IA resuelve esto con una premisa simple: predecir la probabilidad de compra de cada lead usando señales objetivas, y entregar al comercial humano los leads en el orden correcto de atención. Esta guía explica qué variables sí predicen compra en automoción, cómo construir o adoptar un modelo, qué umbrales usar para clasificar caliente/tibio/frío y, crítico, qué obligaciones del AI Act aplican cuando el scoring toca decisiones financieras.

Qué es exactamente el scoring de leads aplicado a automoción

Un modelo de scoring asigna a cada lead una puntuación numérica (típicamente 0-100) que representa la probabilidad de que ese lead se convierta en venta cerrada en un plazo determinado (30, 60 o 90 días). El modelo se entrena con el histórico de tu concesionario: leads que sí compraron, leads que no, y las variables presentes en cada caso.

El output operativo del scoring es una clasificación simple en tres tramos:

• Caliente (score 75-100): tratar como prioridad esta semana, llamar primero, dedicar tiempo de calidad.
• Tibio (score 40-74): nurturing automático con seguimiento programado a 15-30-60 días.
• Frío (score 0-39): cola general, comunicación masiva de newsletter, no consumir tiempo comercial humano.

Las 7 variables que sí predicen compra en concesionarios

El error más común al diseñar scoring es incluir variables que parecen importantes pero no lo son (edad del cliente, género, ciudad concreta), y omitir las que sí mueven la aguja. En automoción, los modelos con mayor precisión usan estas siete variables como núcleo:

1. Plazo declarado de compra. La diferencia entre «ya» y «más adelante» predice más que cualquier otra variable. Un lead que dice «este mes» cierra el 6× más que uno que dice «veré, igual el año que viene».
2. Modelo o categoría consultada. Leads que preguntan por modelo concreto (versión, motor, color) tienen 3× más probabilidad de cierre que los que preguntan «qué me recomendáis».
3. Recambio sí/no. Tener coche para entregar dispara la intención: el cliente ya está mentalizado.
4. Tiempo en la web antes de contactar. Más de 4 minutos en páginas de modelo concreto correlaciona con intención alta.
5. Número de visitas previas al site. La tercera visita en menos de dos semanas predice compra en 30 días en el 47% de los casos.
6. Solicitud de test drive en el primer contacto. Cuando el lead pide probar el coche, está más cerca del cierre que cuando solo pregunta precio.
7. Hora de contacto. Leads que contactan entre 19:00 y 22:00 (cuando el cliente ya tiene el día calmado para investigar) cierran a tasa más alta que los de horario laboral.

Variables que NO conviene incluir aunque suenen intuitivas: edad del lead (correlación baja y riesgo discriminación), género (lo mismo), código postal exacto (introduce sesgos territoriales).

Construir vs adoptar: cuál tiene sentido para tu concesionario

Hay dos caminos para tener scoring operativo. La diferencia de coste y tiempo es enorme:

Adoptar (recomendado para PYME)

Usar una solución externa que ya tiene modelos pre-entrenados con datos del sector. Implantación en 2-4 semanas, coste entre 200 € y 600 € al mes. El modelo se afina con tus datos en las primeras 4-8 semanas tras lanzamiento. Apto para concesionarios con menos de 1.500 leads/mes.

Construir (solo grupos grandes)

Desarrollo a medida con un equipo de data science. Implantación de 3-6 meses, coste de partida 40.000-80.000 € más operación. Solo tiene sentido si tu volumen mensual de leads pasa de 3.000 y tienes equipo IT propio para mantener el modelo. Para PYME, sobredimensionado.

Umbrales: cómo definir caliente/tibio/frío sin meter la pata

Los umbrales 75/40 que aparecen al inicio de este artículo son un punto de partida razonable, pero deben ajustarse a tu realidad. La regla operativa: el tramo «caliente» debe contener el volumen de leads que tu equipo puede atender con profundidad. Si tienes 3 comerciales y capacidad de 8 leads/día por persona en atención profunda, el tramo caliente debe representar 24 leads/día como máximo.

El error más caro es tener el umbral caliente demasiado bajo (score 60+): se llena de leads, el equipo no llega y vuelve al problema de partida. Mejor empezar restrictivo (score 80+ = caliente) y bajar progresivamente si queda capacidad.

Cumplimiento AI Act: cuándo el scoring entra en alto riesgo

El scoring de intención comercial puro (predecir si comprará o no, sin decidir nada por el cliente) no es sistema de alto riesgo bajo el AI Act. Tus obligaciones son las generales: identificación de uso de IA, formación documentada, política interna.

Pero el scoring sí entra en alto riesgo cuando se usa para decidir financiación, aprobación crediticia o aceptación del cliente. En ese momento, las obligaciones se disparan a partir del 2 de agosto de 2026:

• Documentación técnica del modelo y sus variables.
• Supervisión humana en cada decisión negativa: el sistema no puede rechazar financiación solo.
• Evaluación de sesgos: análisis periódico de si el modelo discrimina por edad, género u origen.
• Registro de decisiones automatizadas, conservado durante el plazo legal.
• Derecho de explicación al cliente que solicite saber por qué le han denegado.

Multa por incumplir obligaciones de alto riesgo: hasta el 3% de la facturación anual. Para concesionario de 5 M€, son 150.000 €. Cobertura ampliada del marco regulatorio en nuestra guía AESIA.

Cómo validar tu modelo sin engañarte

El test más honesto de un scoring: ¿predijo bien hace 90 días lo que iba a pasar hoy? Coger los leads de hace 90 días con su score asignado y comprobar la tasa real de cierre por tramo. Un modelo decente debe mostrar:

• Tramo caliente: tasa de cierre del 25-40%.
• Tramo tibio: tasa de cierre del 8-15%.
• Tramo frío: tasa de cierre menor del 3%.

Si los tramos no se diferencian (caliente cierra al 12%, frío al 8%), el modelo no aporta valor y necesita reentrenamiento o cambio de variables. Esta validación se hace cada 60-90 días.

Errores típicos y cómo evitarlos

• Confundir tráfico con intención. Que un lead haya visto muchas páginas no significa que vaya a comprar. La señal es páginas de modelo concreto, no volumen general.
• No actualizar los pesos. El modelo del año pasado tiene variables obsoletas (un Tucson híbrido en 2024 era caliente, en 2026 es modelo discontinuado).
• Confiar ciegamente. El scoring informa, no decide. Un lead frío con perfil singular (cliente VIP de marca, recomendación de cliente anterior) debe seguir el camino comercial humano.
• Olvidar el feedback loop. Cuando un lead caliente no cierra, hay que documentar por qué. Esos datos entrenan el modelo siguiente.

Preguntas frecuentes sobre scoring de leads en concesionarios

¿Cuántos datos históricos necesito para empezar?

Mínimo 12 meses de leads etiquetados con resultado (compró/no compró). Idealmente 24 meses para capturar estacionalidad. Si tienes menos datos, conviene empezar con un modelo de reglas heurísticas y migrar a ML cuando acumules histórico.

¿Qué pasa si mi CRM no tiene los datos limpios?

Es lo habitual. La primera fase de cualquier scoring es limpieza y normalización: detectar duplicados, normalizar etiquetas, recuperar campos vacíos. Si los datos están muy mal, conviene presupuestar 4-6 semanas adicionales para esta fase antes del modelado.

¿El scoring sustituye al criterio del comercial?

No, lo complementa. El comercial humano tiene contexto que el modelo no ve (tono de voz, lenguaje corporal en visita, conocimiento de la zona). El scoring es una primera priorización; la decisión final de cómo invertir tiempo sigue siendo del comercial.

¿Funciona en concesionarios de VO?

Sí, e incluso mejor en muchos casos porque el lead de VO suele tener intención más concreta (busca modelo específico con presupuesto declarado). Los modelos pueden ser distintos para VN y VO; idealmente se mantienen dos modelos en paralelo.

¿Cuánto cuesta implantar scoring para PYME?

Adopción de solución externa: 2.500-6.000 € de implantación + 200-600 € al mes. Construcción a medida: 40K+ inicial. Para PYME, la adopción es la única opción razonable.

¿En cuánto tiempo veo resultados?

Mejora medible a los 60-90 días post-implantación. El modelo necesita un periodo de calibración con tus datos antes de funcionar a régimen óptimo. KPI clave a vigilar: tasa de cierre del tramo caliente vs media histórica.

¿Es discriminatorio el scoring por código postal?

Puede serlo si introduce sesgos territoriales (más probabilidad en barrios ricos). La mejor práctica: excluir código postal exacto del modelo, o sustituirlo por variables menos sensibles (urbano/rural, distancia al concesionario en km).

¿Y si tengo grupo multimarca con varias enseñas?

Lo recomendable es un modelo por marca, no agregado. Cada marca tiene comportamiento de cliente distinto (segmento, ciclo de compra, ticket). Un modelo único para Volkswagen y Porsche tendría ruido enorme.

¿Hace falta avisar al cliente de que se le está puntuando?

No es obligatorio en scoring de intención comercial (no es decisión que le afecte legalmente). Sí lo es si el scoring entra en decisión financiera: en ese caso, derecho de explicación bajo RGPD y AI Act.

¿Qué pasa si el modelo falla mucho?

Es síntoma de uno de tres problemas: datos mal etiquetados, variables irrelevantes, o cambio de mercado que el modelo aún no ha capturado. Reentrenamiento periódico (cada 60-90 días) lo corrige.

El scoring es una pieza del cluster, no el problema completo

Un scoring sin un chatbot que recoja leads bien, sin una agenda de test drive integrada y sin postventa automatizada para los clientes ya cerrados, optimiza solo una parte de la operación. La estrategia completa combina seis automatizaciones en orden concreto. Lee la guía completa de automatización para concesionarios y el roadmap de 90 días.